蔣留兵 魏光萌 車 俐

1(桂林電子科技大學(xué)廣西無線寬帶通信與信號處理重點(diǎn)實(shí)驗(yàn)室 廣西 桂林 541004)2(桂林電子科技大學(xué)計(jì)算機(jī)與信息安全學(xué)院 廣西 桂林 541004)

0 引 言

檢測和識別人體動作對于安全監(jiān)控、人機(jī)交互、輔助駕駛和人體健康監(jiān)測等方面有著重要的意義[1]。目前的研究多是基于攝像頭來進(jìn)行識別[2-4]，攝像頭對于光照和視距等環(huán)境要求很高，且存在侵犯隱私的隱患。因此，有學(xué)者嘗試用其他傳感器[5-6]代替攝像頭來感知動作。其中雷達(dá)[7-8]具有較好的前景，雷達(dá)對光線、視距等環(huán)境要求極低，甚至可以忽略靜態(tài)障礙物實(shí)現(xiàn)穿墻識別[9]，并且已有較成熟的應(yīng)用[10]。

對人體動作的雷達(dá)回波進(jìn)行特征選擇和提取是識別的關(guān)鍵，根據(jù)雷達(dá)的微多普勒效應(yīng)，當(dāng)人體相對于雷達(dá)天線產(chǎn)生運(yùn)動時，從回波信號中可以得到相應(yīng)的微多普勒特征[11-12]。文獻(xiàn)[13-15]通過提取微多普勒特征，采用不同的識別方法對多個人體動作進(jìn)行識別，達(dá)到較高的準(zhǔn)確率。文獻(xiàn)[16]中通過融合距離-微多普勒二維特征，對四種手勢動作實(shí)現(xiàn)了有效識別。但大多數(shù)基于多普勒雷達(dá)的研究沒有充分地利用時間維的連續(xù)性特征。根據(jù)人體動作的特性，每個動作在持續(xù)的時間內(nèi)是有時間相關(guān)性的，這種特性應(yīng)該在識別中被考慮。超寬帶雷達(dá)帶寬比較大，距離分辨力較好，可以分辨人體的多個散射點(diǎn)，并返回各個散射點(diǎn)的距離特征。高距離分辨率的特點(diǎn)和良好的目標(biāo)識別能力，使其很適合用來感知人體動作[17-18]。

近年來，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)[19]算法給雷達(dá)動作識別的性能帶來很大提升。文獻(xiàn)[20]提取手勢的微多普勒特征，采用深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)進(jìn)行識別，對7種手勢達(dá)到了93.1%的識別準(zhǔn)確率。文獻(xiàn)[21]中提出了一種利用三層深度卷積編碼器來對12種人體動作進(jìn)行識別的方法，相對于SVM(支持向量機(jī))提高了17.3%的識別率。文獻(xiàn)[22]中提出了一種基于3D-CNN的手勢識別系統(tǒng)。但深度學(xué)習(xí)算法對于數(shù)據(jù)量的需求較大，易發(fā)生過擬合現(xiàn)象，導(dǎo)致識別效果不好。在雷達(dá)識別系統(tǒng)中，數(shù)據(jù)的采集和處理較繁瑣，沒有公開的數(shù)據(jù)集來訓(xùn)練模型，所以如何在較少數(shù)據(jù)量的基礎(chǔ)上達(dá)到較高的識別準(zhǔn)確率，也是當(dāng)前的研究熱點(diǎn)。

基于上述分析，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)人體動作識別方法，利用無載波超寬帶雷達(dá)搭建實(shí)驗(yàn)系統(tǒng)，提取人體多個散射中心的距離信息和時間連續(xù)性特征，生成時間-距離二維特征圖；再采用一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取和識別。本文算法對8種典型動作進(jìn)行識別，達(dá)到較高的識別準(zhǔn)確率，具有可行性和應(yīng)用價值。

1 回波信號預(yù)處理

1.1 無載波超寬帶雷達(dá)回波信號模型

超寬帶雷達(dá)[22](Ultra-Wide-Band，UWB)也被稱為脈沖雷達(dá)，在精確定位、目標(biāo)識別等研究中得到廣泛應(yīng)用。超寬帶是指這種雷達(dá)的一個主要技術(shù)特點(diǎn)——占用帶寬非常大。超寬帶雷達(dá)一般不使用載波，而是使用時域脈沖來傳輸信息。最常用的發(fā)射信號是窄脈沖形式的無載波信號，雖然這種信號受限于平均功率，所以限制了雷達(dá)的作用距離，但是很適用于目標(biāo)特性研究。本文采用這種信號來感知并分析人體動作，理論研究中常采用高斯信號來表示窄脈沖形式無載波信號：

s(t)=Aexp[-a2(t-tm)2]

(1)

雷達(dá)信號的固有的距離分辨率的公式為C/(2B)，其中,C為光速，B為信號帶寬，距離分辨率取決于信號帶寬，所以超寬帶雷達(dá)的距離分辨率較高。本文充分利用超寬帶雷達(dá)的這種特性，研究人體目標(biāo)的多散射中心，對回波采用理想的多散射中心點(diǎn)模型，雷達(dá)回波中包括多個散射點(diǎn)的距離信息?；夭Ｐ蜑椋?/p>

(2)

式中：h(t)表示接收的回波信號；M表示散射中心點(diǎn)的個數(shù)；Ai表示每個散射中心點(diǎn)的強(qiáng)度(幅度)；τi表示時間延遲。脈沖響應(yīng)用Dirac-delta函數(shù)來描述，其表達(dá)式為：

(3)

本文中使用的超寬帶雷達(dá)實(shí)驗(yàn)平臺為美國GSSI公司研發(fā)的SIR-20高性能探地雷達(dá)，是GPR系列中最新的產(chǎn)品。SIR-20系統(tǒng)預(yù)裝了信號采集軟件，由一臺筆記本電腦控制。本文實(shí)驗(yàn)時的雷達(dá)參數(shù)如下：雷達(dá)天線中心頻率為400 MHz，帶寬為800 MHz，分辨率為5 ps，天線增益為約3 dBI，掃描速率設(shè)置為每秒100次，每次掃描采樣點(diǎn)設(shè)置為512個。測試的數(shù)據(jù)可以保存在PC機(jī)上，圖1為SIR-20雷達(dá)設(shè)備實(shí)物。

圖1 SIR-20探地雷達(dá)

在實(shí)測過程中，雷達(dá)天線距離地面1 m，人體目標(biāo)與雷達(dá)天線的距離為3.5 m，測試者身高為175 cm，采集8種動作數(shù)據(jù)，表1為動作描述，每種動作重復(fù)50次。圖2為本文實(shí)驗(yàn)采集的原始回波數(shù)據(jù)示意圖。

表1 8種人體動作

續(xù)表1

圖2 原始雷達(dá)回波

1.2 回波信號特征處理

超寬帶雷達(dá)的人體動作原始回波信號中包括了人體多個散射中心點(diǎn)的距離信息，可以作為區(qū)別每個動作的依據(jù)，但是部分不同動作的距離信息相似度較大，單獨(dú)的距離信息不足以對所有動作進(jìn)行準(zhǔn)確的分類，所以必須研究并提取新的動作特征。

為了避免單一距離特征的不足，本文采取將距離信息與時間維特征融合的方法，即提取距離信息隨時間變化的特征信息。特征提取和數(shù)據(jù)處理步驟為：

第一步將回波中同一時刻的散射點(diǎn)距離信息轉(zhuǎn)為序列信息，單一時刻序列反映多個散射點(diǎn)的距離信息；

第二步將距離信息序列在時間軸上排列，得到所有散射點(diǎn)距離信息序列隨時間變化的二維特征；

第三步對二維特征數(shù)據(jù)進(jìn)行歸一化處理，消除幅度敏感性；

第四步將所有的動作特征數(shù)據(jù)統(tǒng)一為128×128大小的矩陣，經(jīng)過處理的人體動作回波數(shù)據(jù)如圖3所示。

(a) 向前走 (b) 向前摔倒

(c) 向后摔倒 (d) 原地摔倒

(e) 跳躍 (f) 原地坐下

(g) 原地旋轉(zhuǎn) (h) 靜止站立圖3 處理后的人體動作回波數(shù)據(jù)

因?yàn)樵谔卣魈崛≈锌紤]到時間維特征，所以處理后的數(shù)據(jù)不僅能夠表現(xiàn)出人體所有散射中心的距離信息，并且可以體現(xiàn)出動作過程中的散射中心距離隨時間變化的規(guī)律。從圖3中可以看出，不同動作之間表現(xiàn)出了較明顯的差異，顯著增強(qiáng)了動作之間的可分性，為下一步的識別提供了基礎(chǔ)。

2 基于卷積神經(jīng)網(wǎng)絡(luò)的識別算法

通過對回波處理我們得到了人體動作的二維特征信息，接下來需要進(jìn)一步提取深度特征以及識別。深度學(xué)習(xí)算法在學(xué)習(xí)目標(biāo)特征和識別上具有很大優(yōu)勢，近幾年被廣泛應(yīng)用在各個領(lǐng)域中，尤其是CNN在圖像處理和識別領(lǐng)域表現(xiàn)出色。它可以通過獨(dú)特的卷積計(jì)算和多層的網(wǎng)絡(luò)結(jié)構(gòu)提取目標(biāo)的多層特征，并根據(jù)這些特征參數(shù)進(jìn)行識別。與傳統(tǒng)的特征提取方法相比，不但不需要人工去提取特征，省去了很多工作量，而且在識別率上也有較大的提升[19-20]。

卷積神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的一種，因?yàn)樵诰W(wǎng)絡(luò)的內(nèi)部采用了卷積計(jì)算而稱為卷積神經(jīng)網(wǎng)絡(luò)。最簡單的單層卷積神經(jīng)網(wǎng)絡(luò)一般包括卷積層、激活層和池化層。卷積層的作用是提取特征，通過預(yù)先設(shè)定的卷積核對輸入的數(shù)據(jù)進(jìn)行特征映射。第一個卷積層的輸入為原始矩陣，后面的卷積層的輸入為上一層的特征圖，每個卷積核與輸入進(jìn)行卷積都會產(chǎn)生一個特征圖。每層中輸入都會與卷積核進(jìn)行卷積計(jì)算，卷積核在輸入矩陣上按照預(yù)設(shè)的步長滑動，滑動一次則進(jìn)行一次卷積。假設(shè)輸入的二維數(shù)據(jù)矩陣為A(m,n)，卷積核為K(i,j)，步長為1，那么這個卷積層的輸出S為：

(4)

圖4演示了矩陣上的卷積運(yùn)算原理。

圖4 卷積運(yùn)算示意圖

本文中采用深度卷積神經(jīng)網(wǎng)絡(luò)來對人體動作進(jìn)行特征提取和識別，并且針對雷達(dá)回波信號處理生成的二維特征圖，設(shè)計(jì)了一種改進(jìn)的CNN網(wǎng)絡(luò)模型。通過在網(wǎng)絡(luò)中采用Drop-out層、添加L2正則化項(xiàng)、LRN(局部響應(yīng)歸一化)層等方法來避免過擬合和提高識別性能，使模型在數(shù)量較小的雷達(dá)數(shù)據(jù)集能夠充分學(xué)習(xí)特征，達(dá)到不錯的識別率。圖5為本文所用CNN網(wǎng)絡(luò)示意圖。

圖5 CNN網(wǎng)絡(luò)示意圖

網(wǎng)絡(luò)大致上可以分為5個隱層結(jié)構(gòu)，前4層是卷積層，包含卷積計(jì)算，并且在前兩個隱層中加入LRN層，最后一個卷積層的輸出通過全連接層，再通過Drop-out層來調(diào)整，最后通過全連接層連接到輸出層，輸出識別的類別。網(wǎng)絡(luò)內(nèi)部采用ReLU(修正線性單元)作為神經(jīng)元的激活函數(shù)，輸出層采用Softmax函數(shù)來得到最后的輸出類別。

過擬合是指模型在訓(xùn)練集上準(zhǔn)確率較高，但是在測試集上預(yù)測準(zhǔn)確率較低，代表模型的“學(xué)習(xí)能力”太強(qiáng)，導(dǎo)致學(xué)習(xí)到了很多不重要的特征。在樣本較少而網(wǎng)絡(luò)內(nèi)部參數(shù)較多時，容易產(chǎn)生過擬合現(xiàn)象，降低識別率。一般防止過擬合的思想是對模型的權(quán)重參數(shù)進(jìn)行“懲罰”，或者對參數(shù)的數(shù)量進(jìn)行嚴(yán)格的控制，這樣的話這些參數(shù)的大小和數(shù)量就不會太大，越小或越少的參數(shù)代表模型越簡單，相對于復(fù)雜的模型，簡單的模型不易產(chǎn)生過擬合現(xiàn)象。為了抑制過擬合問題，本文采取以下幾種方法來對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)：

(1) 加入Dropout層。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，將網(wǎng)絡(luò)單元的權(quán)重參數(shù)按照一定的概率將其暫時從網(wǎng)絡(luò)中丟棄，即每個批次的訓(xùn)練過程中，都隨機(jī)忽略一定的隱層節(jié)點(diǎn)參數(shù)。這樣每次訓(xùn)練的網(wǎng)絡(luò)是不一樣的，通過訓(xùn)練大量不同的網(wǎng)絡(luò)采用模型平均作為輸出，可以平均識別的準(zhǔn)確率。另外由于隨機(jī)的忽略掉了一些參數(shù)，避免了某些特征只在固定的組合下才產(chǎn)生作用，可以讓網(wǎng)絡(luò)去學(xué)習(xí)數(shù)據(jù)集的共性而不是某些樣本的一些特性，Dropout是CNN中防止過擬合現(xiàn)象提高準(zhǔn)確率的一個較好的方法。

(2) 在損失函數(shù)后加上正則化項(xiàng)。損失函數(shù)是指訓(xùn)練過程中預(yù)測值與實(shí)際值的誤差，神經(jīng)網(wǎng)絡(luò)迭代過程中通過計(jì)算梯度來使損失函數(shù)盡可能減小，當(dāng)損失函數(shù)收斂時，表示模型已經(jīng)在訓(xùn)練集上已經(jīng)完成擬合。在深度神經(jīng)網(wǎng)絡(luò)的擬合過程中通常傾向于盡可能地減小權(quán)值，最后構(gòu)造出一個所有參數(shù)都比較小的模型。因?yàn)閰?shù)值小的模型能適應(yīng)不同的數(shù)據(jù)集，也在一定程度上避免了過擬合現(xiàn)象。若網(wǎng)絡(luò)中的參數(shù)值很大，那么只要數(shù)據(jù)偏移一點(diǎn)點(diǎn)，就會對預(yù)測結(jié)果造成很大的影響，但如果參數(shù)值足夠小，數(shù)據(jù)偏移對預(yù)測結(jié)果造成的影響較小。所以在損失函數(shù)后加入L2正則化項(xiàng)，假設(shè)參數(shù)為θ,hθ是目標(biāo)函數(shù)(即預(yù)測值)，hθ(x)即為輸出值，未添加L2正則化項(xiàng)的損失函數(shù)J(θ)如下：

(5)

按照梯度下降法來迭代，學(xué)習(xí)率設(shè)為α，則參數(shù)θ的更新規(guī)律為：

(6)

如果在損失函數(shù)J(θ)之后加上L2正則化項(xiàng)：

(7)

式中：λ為正則化參數(shù)。那么θj的更新公式如下：

(8)

從式(8)可以看出，添加L2正則化項(xiàng)的參數(shù)每次迭代更新時，θj都要先乘上一個(0,1)區(qū)間的因子，所以θj不斷減小，相對于未添加正則化項(xiàng)的迭代公式來說，參數(shù)θj更小。

(3) 加入局部響應(yīng)歸一化層(Local Response Normalization,LRN)。LRN借鑒了生物神經(jīng)系統(tǒng)中的側(cè)抑制概念(指被激活的神經(jīng)元抑制相鄰的神經(jīng)元)，對神經(jīng)網(wǎng)絡(luò)的局部神經(jīng)元建立競爭機(jī)制，使得其中響應(yīng)比較大的權(quán)值參數(shù)變得相對更大，并抑制其他反饋較小的神經(jīng)元參數(shù)。這樣可以使模型更關(guān)注那些對預(yù)測結(jié)果影響較大的特征，而忽略影響較小的特征，增強(qiáng)了模型的泛化能力，提高識別率。具體計(jì)算公式如下：

(9)

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)驗(yàn)證

基于上述方法，搭建基于卷積神經(jīng)網(wǎng)絡(luò)的UWB人體動作識別系統(tǒng)，識別流程如圖6所示，主要分為數(shù)據(jù)采集、數(shù)據(jù)處理和識別算法三個關(guān)鍵部分。通過雷達(dá)設(shè)備采集人體動作的回波，對回波信號進(jìn)行預(yù)處理和特征提取，生成動作數(shù)據(jù)集。將數(shù)據(jù)集分為訓(xùn)練集和測試集，訓(xùn)練集用來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)人體動作特征，訓(xùn)練完成后使用測試集來測試性能，得到識別結(jié)果，并通過分析測試結(jié)果來調(diào)整卷積神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)，以期達(dá)到更高的性能。識別算法驗(yàn)證環(huán)境采用Python 3.6編程語言和Google研發(fā)的TensorFlow深度學(xué)習(xí)框架。

圖6 基于CNN的人體動作識別系統(tǒng)流程圖

將實(shí)測的原始數(shù)據(jù)集按照3∶1的比例分為訓(xùn)練集和測試集，在單次實(shí)驗(yàn)中，訓(xùn)練集和測試集相互獨(dú)立。為了減少因數(shù)據(jù)集劃分產(chǎn)生的誤差，保證實(shí)驗(yàn)結(jié)果的有效性，重復(fù)進(jìn)行了5次訓(xùn)練和驗(yàn)證，每次實(shí)驗(yàn)都重新劃分訓(xùn)練集和測試集。損失函數(shù)用來衡量網(wǎng)絡(luò)模型收斂情況，本文中的損失函數(shù)使用交叉熵，當(dāng)損失函數(shù)穩(wěn)定在一個極小值附近，不再發(fā)生較大變化時，認(rèn)為CNN模型已收斂，學(xué)習(xí)過程結(jié)束，訓(xùn)練完成。圖7表示單次訓(xùn)練中損失函數(shù)(訓(xùn)練集誤差)隨迭代次數(shù)的變化，可以看出，經(jīng)過多次訓(xùn)練，最后損失函數(shù)穩(wěn)定在0.006左右，說明網(wǎng)絡(luò)模型在訓(xùn)練集上經(jīng)過訓(xùn)練已經(jīng)收斂，達(dá)到穩(wěn)定狀態(tài)。

圖7 損失函數(shù)變化情況

另外，在訓(xùn)練過程中從訓(xùn)練集中取出一部分?jǐn)?shù)據(jù)作為驗(yàn)證集來實(shí)時檢驗(yàn)?zāi)Ｐ驮谟?xùn)練過程中的擬合情況，圖8表示驗(yàn)證集的分類準(zhǔn)確率隨迭代次數(shù)變化的趨勢，可以看出，最后在驗(yàn)證集上達(dá)到了超過99.9%的準(zhǔn)確率。

圖8 驗(yàn)證集準(zhǔn)確率變化情況

在訓(xùn)練集上完成所有訓(xùn)練后，使用測試集來測試模型的識別性能，分別測試5次訓(xùn)練產(chǎn)生的模型，準(zhǔn)確率如表2所示，得到平均正確識別率為99.2%?？梢钥闯觯疚姆椒ㄗR別準(zhǔn)確率非常高，進(jìn)而驗(yàn)證了本文方法的有效性。

表2 卷積神經(jīng)網(wǎng)絡(luò)識別結(jié)果

3.2 算法對比

為了更好地驗(yàn)證本文方法的識別性能，將在本文的實(shí)測數(shù)據(jù)集上與文獻(xiàn)[8，18]中的特征提取和識別算法進(jìn)行對比，對處理過的回波信號特征矩陣采用主成分分析(PCA)方法提取主成分特征，再通過支持向量機(jī)(SVM)分類器進(jìn)行分類識別。

首先用PCA對雷達(dá)回波特征矩陣進(jìn)行降維，得到數(shù)個特征向量。對任意一個動作樣本，將樣本數(shù)據(jù)向特征向量投影，得到的投影系數(shù)作為動作的特征表示，最后使用SVM分類器對這些不同的投影系數(shù)向量分類，來進(jìn)行動作識別。PCA會根據(jù)各個主成分特征對應(yīng)的方差進(jìn)行排序，方差較大的特征對于樣本數(shù)據(jù)的貢獻(xiàn)率較大。圖9顯示了對雷達(dá)回波特征圖使用PCA方法后提取的多個主成分特征，為了選擇貢獻(xiàn)率較大的前n個主成分。圖10顯示了前50個主成分特征所對應(yīng)的方差。

圖9 主成分特征

圖10 主成分排序圖

由圖10可以看出，越往前的特征的貢獻(xiàn)率較大，而越往后的特征貢獻(xiàn)率越小，通過多次實(shí)驗(yàn)對比，發(fā)現(xiàn)采用前15個主成分特征作為分類特征時效果較好。將數(shù)據(jù)集按照3∶1的比例分為訓(xùn)練集和測試集，得到數(shù)據(jù)集的投影系數(shù)，利用訓(xùn)練集的投影系數(shù)訓(xùn)練出SVM分類器，再用測試集來進(jìn)行識別，驗(yàn)證性能。本文的SVM分類器中核函數(shù)采用性能較好的高斯核，分類器中的懲罰因子C和gamma參數(shù)值采用網(wǎng)格搜索的方式選擇最優(yōu)值。

實(shí)驗(yàn)結(jié)果如表3所示，經(jīng)過多次實(shí)驗(yàn)，PCA+SVM的特征提取和識別算法平均識別準(zhǔn)確率為93%，將不同動作分別分析，發(fā)現(xiàn)該識別算法雖然對于部分動作達(dá)到了接近100%的準(zhǔn)確率，但對向前摔倒、向后摔倒，原地摔倒等區(qū)分度較小的動作識別率較低，無法提取不同動作中的細(xì)微差異，直接導(dǎo)致總體識別率不高。

表3 PCA+SVM實(shí)驗(yàn)結(jié)果

在相同數(shù)據(jù)集的基礎(chǔ)上，對比本文與文獻(xiàn)[7-8，18]之間的識別算法和性能差異，結(jié)果如表4所示。

表4 實(shí)驗(yàn)結(jié)果對比

通過對比實(shí)驗(yàn)結(jié)果可知，相對于文獻(xiàn)[7]來說，本文采用的優(yōu)化的DCNN算法識別性能更好，提取的雷達(dá)回波中的人體動作特征更準(zhǔn)確；相對于采用文獻(xiàn)[8，18]中的特征提取和識別方法來處理本文的實(shí)測數(shù)據(jù)集來說，本文采用算法效果更好，并且對于區(qū)分度較低的相似動作也能準(zhǔn)確識別。

3.3 綜合分析

與文獻(xiàn)中已有的利用雷達(dá)來識別人體動作的方法進(jìn)行綜合對比，從特征選取和識別方法兩個角度來分析，表5列出了多個參考文獻(xiàn)中的人體動作識別系統(tǒng)。

表5 基于雷達(dá)的動作識別方法對比

圖11為上述方法的識別準(zhǔn)確率對比，可以看出，本文所提出的基于超寬帶雷達(dá)的人體動作識別方法性能較好。從特征選取角度分析，采用時間-距離特征作為識別依據(jù)的方法均可以達(dá)到90%以上的識別準(zhǔn)確率，證明了本文特征選取的合理性。此外，在本文所用的特征數(shù)據(jù)集上，基于深度卷積神經(jīng)網(wǎng)絡(luò)的識別效果優(yōu)于文獻(xiàn)[7]以及3.2節(jié)中的對比實(shí)驗(yàn)。

圖11 識別準(zhǔn)確率對比

經(jīng)過算法對比和綜合分析可知，本文方法具有較高的識別性能，可以實(shí)現(xiàn)準(zhǔn)確的人體動作識別。此外，由于本文所用的人體動作數(shù)據(jù)集規(guī)模較小，在實(shí)際應(yīng)用中，為了加強(qiáng)模型的泛化性和實(shí)用性，可適當(dāng)增大數(shù)據(jù)集的范圍，或者采用多個不同人體目標(biāo)的動作作為訓(xùn)練集。

4 結(jié) 語

本文通過研究動態(tài)人體目標(biāo)散射點(diǎn)特征，結(jié)合超寬帶雷達(dá)的特性，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)人體動作識別方法。采用超寬帶雷達(dá)感知人體動作，提取出人體動作的雷達(dá)回波中的時間—距離特征，生成二維特征圖像矩陣，再將特征矩陣輸入到卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練和識別。實(shí)驗(yàn)證明該方法在實(shí)測的8種真實(shí)動作數(shù)據(jù)上達(dá)到了99.2%的識別準(zhǔn)確率，系統(tǒng)可以對人體動作進(jìn)行準(zhǔn)確識別，驗(yàn)證了本文方法的可行性和有效性。與傳統(tǒng)方法相比，本文方法不但提高了總體識別準(zhǔn)確率，而且提高了對多種相似動作的識別準(zhǔn)確率，識別性能更好。