[发明专利]基于多频融合深度学习的雷达步态识别方法

摘要

本发明公开了一种基于多频融合深度学习的雷达步态识别方法，采用多频谱图融合的思想将多个频点的时频图信息融合到一张时频图中，其主要原理是运用引导滤波器将所有时频图分解为不含噪声的基础层以及包含大量噪声和细节等高频信息的细节层，然后对获得的细节层和基础层分别处理后再重组以获取时频图融合图像。此后运用卷积神经网络来提取该图像中的特征并用稀疏自编码器选择用于分类的最佳特征组合，再将其送入到分类器中即可完成分类。本发明的优势在于采用多频谱图融合的思想广泛减少神经网络的构建复杂度，同时提升模型的准确率，具有识别精度高，运行速度快，抗噪性能好等优势，因此能广泛的运用于实际中步态实时检测。

主权项

1.一种基于多频融合深度学习的雷达步态识别方法，其特征在于：包括以下步骤：(1)采用频率步进连续波雷达对人体多种不同步态进行n次采样，记录每次采样的步态类别，每次采样得到一个步态样本，所述样本为N×M的矩阵，其中，N为采样周期个数，M为一个采样周期中步进频率的个数，n次采样得到一数据集X,X＝{Xi∈RN×M|i＝1,2,…,n}所述R表示复数，N×M为矩阵维数，Xi为X中第i个样本；(2)将每个Xi的每一列的数据进行平均对消运动滤波，得到矩阵Pi，则数据集X中所有样本进行平均对消运动滤波后构成数据集PP＝{Pi∈RN×M|i＝1,2,…,n}；(3)将每个P_i中的每一列数据进行短时傅里叶变换，得到M个频率的时频图集合则数据集P中所有样本的时频图集合构成数据集其中表示第i个样本的第j个频率点的时频图；(4)采用引导滤波器对Aⁱ中的所有时频图进行滤波，得到该样本所有时频图的基础层集合其中表示第i个样本的第j个频点的时频图基础层，则数据集A中所有样本滤波后的基础层集合构成数据集(5)根据公式计算第i个样本的第j个频点的时频图细节层并将进行自适应增强去噪处理和高斯滤波，形成第i个样本的第j个频点的新时频图细节层则所有样本所有频点的新时频图细节层构成数据集(6)根据公式将第i个样本的所有新时频图细节层叠加形成融合图像细节层Fⁱ，则所有样本的融合图像细节层构成数据集F＝{Fⁱ|i＝1,2,...n}；(7)根据公式将Bⁱ中所有频点的时频图基础层进行像素加权平均运算，得到第i个样本的融合图像基础层Gⁱ，则所有样本的融合图像基础层构成数据集G＝{Gⁱ|i＝1,2,...n}；(8)根据公式Ii＝Gi+Fi将第i个样本的融合图像细节层Fi和融合图像基础层Gi叠加形成第i个样本的融合图像Ii，则所有样本的融合图像构成数据集I＝{Ii|i＝1,2,...n}；(9)建立用于提取融合时频图的深度卷积神经网络，用融合图像构成数据集I训练该网络，得到步态识别模型。