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(hào)處理重點(diǎn)實(shí)驗(yàn)室, 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, 桂林 541004)

長(zhǎng)期以來，人體動(dòng)作和行為識(shí)別一直是一個(gè)研究熱點(diǎn)，在人機(jī)交互、智慧安防、輔助駕駛和醫(yī)療健康監(jiān)測(cè)方面具有很大前景，目前普遍的動(dòng)作識(shí)別解決方案都是基于攝像機(jī)來完成[1-2]，但實(shí)際應(yīng)用時(shí)仍存在一些問題，比如攝像機(jī)在隱私保護(hù)上存在很大漏洞，并且對(duì)光線和視距要求較高。近年來，隨著毫米波雷達(dá)技術(shù)的飛速發(fā)展，雷達(dá)的探測(cè)精度和性能越來越高，因此研究者嘗試將雷達(dá)應(yīng)用在更多領(lǐng)域。在人體動(dòng)作識(shí)別領(lǐng)域，雷達(dá)可以不受外界的光照和視距因素干擾，具有穩(wěn)定的工作性能，尤其可以完全避免對(duì)個(gè)人隱私的侵犯。所以，研究基于雷達(dá)的人體動(dòng)作識(shí)別有較大前景[3-5]。

基于雷達(dá)實(shí)現(xiàn)動(dòng)作識(shí)別的關(guān)鍵在于從雷達(dá)回波中提取出動(dòng)作的特征信息，微多普勒信息是最典型的雷達(dá)動(dòng)目標(biāo)特征，根據(jù)微多普勒效應(yīng)，當(dāng)目標(biāo)相對(duì)于雷達(dá)天線運(yùn)動(dòng)時(shí)，回波信號(hào)將產(chǎn)生頻率變化，這就是微多普勒特征[6-7]。已有研究者[8-9]通過提取人體動(dòng)作和手勢(shì)的微多普勒特征，采用不同識(shí)別方法實(shí)現(xiàn)了人體動(dòng)作識(shí)別。但現(xiàn)有的特征提取和識(shí)別算法在復(fù)雜的雷達(dá)動(dòng)作信號(hào)上往往識(shí)別率不高。也有文獻(xiàn)將深度學(xué)習(xí)方法應(yīng)用到雷達(dá)動(dòng)作識(shí)別中[10-12]，但深度學(xué)習(xí)算法對(duì)訓(xùn)練數(shù)據(jù)量要求極大，并且訓(xùn)練時(shí)間較長(zhǎng)，數(shù)據(jù)量不足時(shí)性能和泛化性會(huì)下降，在小樣本的雷達(dá)動(dòng)作數(shù)據(jù)集上容易過擬合。

信號(hào)的稀疏表示已成功應(yīng)用在壓縮感知、圖像識(shí)別、人臉識(shí)別等領(lǐng)域[13-14]，稀疏表示是為了在字典中選擇盡量少的原子來表示信號(hào)，提取出信號(hào)的本質(zhì)信息，進(jìn)而實(shí)現(xiàn)信號(hào)的重構(gòu)和分類等任務(wù)。為了獲得靈活、自適應(yīng)的字典，常用的做法是從訓(xùn)練樣本中學(xué)習(xí)出字典，這個(gè)過程稱為字典學(xué)習(xí)[15]。近年來，許多研究者提出了不同的字典學(xué)習(xí)方法。Aharon等[16]提出了K-SVD(K-singular value decomposition)算法具有較好的收斂速度，效果較好，被廣泛使用并拓展開來；Zhang等[17]在此基礎(chǔ)上提出了一種具有識(shí)別能力的D-KSVD算法，2013年，Jiang等[18]提出一種LC-KSVD(label consistent K-SVD)字典學(xué)習(xí)算法進(jìn)行圖像分類，取得了較好的效果，并且成功應(yīng)用在很多領(lǐng)域[19]。LC-KSVD在重構(gòu)約束項(xiàng)的基礎(chǔ)上加入二元的標(biāo)簽約束項(xiàng)，可以同時(shí)學(xué)習(xí)到字典和線性分類器，在分類和識(shí)別任務(wù)上有較好的表現(xiàn)。

基于前人研究，首次提出一種基于LC-KSVD字典學(xué)習(xí)和77 GHz毫米波雷達(dá)的人體動(dòng)作識(shí)別方法，首先利用毫米波雷達(dá)采集多個(gè)人體動(dòng)作的回波信號(hào)，通過時(shí)頻分析提取微多普勒信息，并轉(zhuǎn)化為時(shí)頻圖，再采用兩種特征提取方法對(duì)時(shí)頻圖進(jìn)行降維描述，將兩種降維后的特征數(shù)據(jù)進(jìn)行融合作為訓(xùn)練樣本，使用LC-KSVD方法來學(xué)習(xí)多特征字典和分類器參數(shù)，最后使用訓(xùn)練得到的分類器對(duì)采集的10種動(dòng)作進(jìn)行識(shí)別。

1 回波信號(hào)模型和時(shí)頻分析

1.1 回波模型和多普勒信息

采用的雷達(dá)平臺(tái)為調(diào)頻連續(xù)波(frequency modulated continuous wave，F(xiàn)MCW)雷達(dá)，發(fā)射線性調(diào)頻正弦波，具有較好的距離分辨力，且能測(cè)量很近的距離，系統(tǒng)結(jié)構(gòu)簡(jiǎn)單，符合近距離探測(cè)人體動(dòng)作的實(shí)驗(yàn)要求。

當(dāng)調(diào)制波為正弦波時(shí)，F(xiàn)MCW雷達(dá)發(fā)射的載波頻率為fc的波形S(t)可以表示為

S(t)=exp(j 2πfct)

(1)

式(1)中：j為虛數(shù)單位，動(dòng)目標(biāo)散射點(diǎn)理想情況下的回波為

(2)

式(2)中：Ap為回波信號(hào)在t時(shí)刻的幅度值；c為光速；rp(t)=r0-vrt，表示t時(shí)刻目標(biāo)與雷達(dá)的瞬時(shí)距離，r0為t=0時(shí)刻的距離;vr為目標(biāo)相對(duì)于雷達(dá)天線的徑向距離。那么回波信號(hào)與發(fā)射信號(hào)的相位差為

(3)

對(duì)時(shí)間t求導(dǎo)，即可得到該散射點(diǎn)引起的多普勒頻移fD：

(4)

式(4)中：λ為工作波長(zhǎng)。

由式(4)可見，多普勒頻移與目標(biāo)的運(yùn)動(dòng)狀態(tài)有很大關(guān)聯(lián)，微多普勒信息可以作為動(dòng)作的典型特征。

1.2 使用STFT進(jìn)行時(shí)頻分析

人體動(dòng)作的雷達(dá)回波信號(hào)是隨著時(shí)間變化的，具有時(shí)變特性，并且是由人體的多個(gè)散射點(diǎn)的回波信號(hào)組成，每一個(gè)時(shí)間點(diǎn)都包含多個(gè)頻率分量，屬于時(shí)變非平穩(wěn)信號(hào)。對(duì)于時(shí)變非平穩(wěn)信號(hào)，傅里葉變換不再適用于頻譜分析，同時(shí)在時(shí)域和頻域中描述信號(hào)的常用方法為時(shí)頻分析[20-21]，時(shí)頻分析不僅能夠得到信號(hào)的頻譜特征，也能觀察到頻率隨時(shí)間的變化，將時(shí)域和頻域作為一個(gè)整體進(jìn)行分析。因此，采用時(shí)頻分析將多普勒頻移轉(zhuǎn)換為時(shí)頻圖。

典型的時(shí)頻分析方法有短時(shí)傅里葉變換(short-time fourier transform，STFT)[17]、小波變換、Wigner-Ville分布(WVD)等，為了減少計(jì)算復(fù)雜度和避免多分量信號(hào)分析時(shí)的交叉項(xiàng)干擾，采用較常用的STFT時(shí)頻分析方法對(duì)回波信號(hào)進(jìn)行分析。

STFT是一種具有代表性的線性時(shí)頻分析，通過對(duì)原始信號(hào)加時(shí)間窗并沿著時(shí)間軸移動(dòng)窗函數(shù)，將非平穩(wěn)信號(hào)在一個(gè)極短的時(shí)間內(nèi)看成是平穩(wěn)信號(hào)，實(shí)現(xiàn)了非平穩(wěn)信號(hào)轉(zhuǎn)化成多個(gè)短時(shí)平穩(wěn)信號(hào)進(jìn)行疊加處理，在此基礎(chǔ)上便可以采用傅里葉變換對(duì)每個(gè)短時(shí)平穩(wěn)信號(hào)進(jìn)行分析，得到頻率隨時(shí)間變化的時(shí)頻函數(shù)。假設(shè)原始非平穩(wěn)信號(hào)為h(t)，則短時(shí)傅里葉變換定義為

(5)

式(5)中：w(t)為窗函數(shù)；t為時(shí)間；τ表示時(shí)延；f為頻率。STFT的離散形式可以表示為

(6)

式(6)中：h(k)為信號(hào)h(t)的離散形式；m、n分別表示時(shí)間采樣和頻率采樣；w(k)為離散窗函數(shù)；T為時(shí)間采樣間隔；fs為頻率采樣間隔。

2 基于字典學(xué)習(xí)的識(shí)別算法

2.1 稀疏字典學(xué)習(xí)和K-SVD算法

在稀疏表示中，字典學(xué)習(xí)的目的是為了從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)到一個(gè)具有信號(hào)表示能力的字典，通過相應(yīng)的稀疏系數(shù)對(duì)字典中原子進(jìn)行排列組合，就可以達(dá)到表示和重構(gòu)信號(hào)的效果。

一般來說，字典學(xué)習(xí)算法可以分為兩個(gè)部分：稀疏編碼和字典的迭代更新。首先對(duì)稀疏編碼矩陣和字典進(jìn)行初始化，再根據(jù)預(yù)先設(shè)定的約束函數(shù)，對(duì)稀疏編碼矩陣和字典進(jìn)行迭代更新，最終得到滿足最優(yōu)化約束條件的字典。

K-SVD算法是在稀疏表示理論上發(fā)展開來的較為主流的字典學(xué)習(xí)求解方法，由Aharon等[16]提出，K-SVD算法在OMP算法的基礎(chǔ)上計(jì)算稀疏系數(shù)，但是在字典更新的過程中，采用了一種快速的矩陣計(jì)算方法——奇異值分解(SVD)，依次更新字典中的每一個(gè)原子以及稀疏編碼矩陣的更新，避免了復(fù)雜的矩陣計(jì)算，加速迭代過程。

K-SVD的提出是為了解決信號(hào)重構(gòu)和稀疏表示問題，信號(hào)重構(gòu)目標(biāo)是最小化字典的重構(gòu)誤差，約束函數(shù)為

(7)

式(7)中：D表示需要學(xué)習(xí)的字典，D=[d1，d2,…,dk]，D中的每一列dk為原子；Y=[y1,y2, …,yn]，表示一個(gè)n維的訓(xùn)練樣本集，每一列表示一個(gè)訓(xùn)練樣本，當(dāng)k>n時(shí)，該字典被稱為超完備字典。X=[x1,x2, …,xn]表示樣本集的稀疏編碼矩陣。約束函數(shù)中第一項(xiàng)表示重構(gòu)誤差，第二項(xiàng)表示稀疏度，用X的L1范數(shù)表示；λ為調(diào)節(jié)參數(shù)。所以約束函數(shù)的作用為①最小化重構(gòu)誤差；②最小化稀疏度，使稀疏編碼矩陣盡可能稀疏，減少編碼耦合。

2.2 LC-KSVD算法

K-SVD算法[15]很好地解決了信號(hào)的重構(gòu)問題，但沒有注重字典的分類能力和識(shí)別能力，在此基礎(chǔ)上，著重于解決分類和識(shí)別問題的LC-KSVD算法被提出，該算法通過在約束函數(shù)中加入稀疏編碼誤差項(xiàng)和分類器參數(shù)誤差項(xiàng)使得訓(xùn)練得到字典和稀疏編碼矩陣具有較好的分類能力。

首先采用K-SVD算法基于重構(gòu)誤差對(duì)字典D進(jìn)行初始化，對(duì)于每類樣本迭代多次，然后將所有類的字典項(xiàng)組合作為初始字典,同時(shí)根據(jù)K-SVD算法可以得到初始的稀疏編碼矩陣。然后給每一類的所有樣本都加上類別標(biāo)簽，并且標(biāo)簽在字典的更新過程中保持不變。LC-KSVD算法的約束函數(shù)為

s.t.?i,‖xi‖0≤O

(8)

在求解參數(shù)的最優(yōu)解過程中，約束函數(shù)可以改寫為

s.t.?i, ‖xi‖0≤O

(9)

令

(10)

則約束函數(shù)的求解可以等價(jià)于：

s.t.?i, ‖xi‖0≤O

(11)

式(11)是KSVD求解的問題，可以采用KSVD算法進(jìn)行最優(yōu)化求解。其中需要對(duì)線性轉(zhuǎn)換矩陣A和分類器參數(shù)W進(jìn)行初始化，根據(jù)初始的稀疏編碼矩陣X、判別性稀疏編碼Q、類標(biāo)簽矩陣H，根據(jù)下式使用多元嶺回歸對(duì)A進(jìn)行初始化：

(12)

則可以得到：

(13)

(14)

假設(shè)待識(shí)別的樣本為yi，首先根據(jù)學(xué)習(xí)到的字典D和式(7)計(jì)算出稀疏矩陣xi，再根據(jù)xi和線性分類器計(jì)算出對(duì)應(yīng)的標(biāo)簽，完成識(shí)別。

2.3 基于多特征字典學(xué)習(xí)的特征提取方法

為了提取出人體動(dòng)作回波的時(shí)頻圖中的更深層特征，得到更好的識(shí)別效果，對(duì)LC-KSVD算法進(jìn)行擴(kuò)展，針對(duì)人體動(dòng)作雷達(dá)回波的時(shí)頻圖，采用兩種不同的特征描述方法對(duì)其進(jìn)行降維，首先使用較典型的主成分分析(principal component analysis，PCA)提取時(shí)頻圖的主成分特征，取前m個(gè)主成分特征，降維為m維向量；再采用Randomfaces方法[22]提取時(shí)頻圖中的隨機(jī)特征，降維到n維，最后將兩個(gè)降維后的數(shù)據(jù)進(jìn)行融合，采用LC-KSVD學(xué)習(xí)多特征字典，字典中包含了時(shí)頻圖的兩種特征的稀疏表示。較單一特征包含了更多的信息，最后使用學(xué)習(xí)到的字典對(duì)數(shù)據(jù)進(jìn)行稀疏表示和識(shí)別。

PCA是一種使用廣泛的數(shù)據(jù)特征提取和降維方法，可以得到數(shù)據(jù)的重要特征，而忽略噪聲和不重要的特征，通過選擇前n個(gè)主成分特征的方法實(shí)現(xiàn)特征提取。Randomfaces降維的降維矩陣獨(dú)立于訓(xùn)練樣本數(shù)據(jù)隨機(jī)產(chǎn)生，可以避免數(shù)據(jù)不充分帶來的降維結(jié)果不佳的問題，對(duì)于小樣本人體動(dòng)作數(shù)據(jù)，這個(gè)特點(diǎn)尤其重要，所以通過采用兩種降維方法對(duì)原始樣本進(jìn)行特征提取并且融合。

基于多特征字典學(xué)習(xí)的特征提取方法原理如圖1所示。

圖1 多特征字典學(xué)習(xí)

3 雷達(dá)人體動(dòng)作識(shí)別模型

基于77 GHz調(diào)頻連續(xù)波雷達(dá)傳感器，結(jié)合人體動(dòng)作的微動(dòng)特性，首次提出基于字典學(xué)習(xí)的雷達(dá)人體動(dòng)作識(shí)別方法，并在理論的基礎(chǔ)上設(shè)計(jì)實(shí)驗(yàn)驗(yàn)證系統(tǒng)，識(shí)別模型如圖2所示，由如下三步組成。

第一步人體動(dòng)作數(shù)據(jù)采集和處理。使用雷達(dá)采集人體動(dòng)作信號(hào)，對(duì)其進(jìn)行時(shí)頻分析得到每組動(dòng)作的時(shí)頻圖，作為實(shí)驗(yàn)數(shù)據(jù)集。

第二步多特征字典學(xué)習(xí)。將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，在訓(xùn)練集上進(jìn)行多特征降維，再學(xué)習(xí)字典。

第三步性能測(cè)試。對(duì)測(cè)試集做相同的特征降維處理，根據(jù)學(xué)習(xí)到的字典計(jì)算測(cè)試樣本的稀疏編碼，再根據(jù)學(xué)習(xí)到的分類器參數(shù)來得到動(dòng)作類別，與實(shí)際類別進(jìn)行對(duì)比，計(jì)算識(shí)別準(zhǔn)確率，驗(yàn)證模型的性能。

圖2 雷達(dá)人體動(dòng)作識(shí)別模型

4 實(shí)驗(yàn)驗(yàn)證和性能分析

4.1 人體動(dòng)作回波信號(hào)采集和處理

實(shí)驗(yàn)中所用的毫米波雷達(dá)實(shí)驗(yàn)平臺(tái)由Texas Instruments公司開發(fā)的AWR1243BOOST雷達(dá)傳感器模塊和DCA1000EVM實(shí)時(shí)數(shù)據(jù)采集適配器模塊組成。AWR1243BOOST是一款高度集成式單芯片的77、79 GHz FMCW毫米波雷達(dá)，具有低功耗，高精確度的優(yōu)點(diǎn)。DCA1000EVM為雷達(dá)傳感器模塊提供實(shí)時(shí)數(shù)據(jù)采集和數(shù)據(jù)流化功能。該雷達(dá)開發(fā)平臺(tái)附帶PC端控制和數(shù)據(jù)處理軟件，可以實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)采集、傳輸和可視化等功能。實(shí)驗(yàn)硬件平臺(tái)如圖3所示。

圖3 AWR1243BOOST雷達(dá)

實(shí)驗(yàn)過程中規(guī)定每個(gè)人體動(dòng)作均在3秒內(nèi)完成，每次采集100幀數(shù)據(jù)，雷達(dá)實(shí)驗(yàn)平臺(tái)的具體參數(shù)設(shè)置如表1所示。

表1 雷達(dá)參數(shù)

圖4 數(shù)據(jù)采集現(xiàn)場(chǎng)

AWR1243BOOST傳感器的發(fā)射天線和接收天線集成在一體，在數(shù)據(jù)實(shí)測(cè)過程中，室內(nèi)無其他運(yùn)動(dòng)目標(biāo)干擾，僅有少量桌椅靜止擺放，雷達(dá)天線固定在椅子上，距離地面80 cm左右，目標(biāo)人體與雷達(dá)天線的水平距離為2 m，每個(gè)動(dòng)作的數(shù)據(jù)采集時(shí)間限制為3 s，為了增強(qiáng)數(shù)據(jù)分布的泛化性和識(shí)別的魯棒性，共有三名測(cè)試者參與了動(dòng)作數(shù)據(jù)采集過程，測(cè)試者身高分別為170、173、180 cm。共采集了10種人體動(dòng)作，每個(gè)動(dòng)作由三名測(cè)試者各重復(fù)10次，共采集到300組動(dòng)作數(shù)據(jù)，動(dòng)作種類及編號(hào)如表2所示，圖4所示為數(shù)據(jù)采集現(xiàn)場(chǎng)圖，圖5所示為原始時(shí)域雷達(dá)回波信號(hào)。

表2 10種人體動(dòng)作

圖5 一個(gè)周期的原始回波信號(hào)

對(duì)采集的300組人體動(dòng)作的原始雷達(dá)回波信號(hào)進(jìn)行時(shí)頻分析，分別得到每組動(dòng)作的時(shí)頻分布圖，橫坐標(biāo)為時(shí)間軸，縱坐標(biāo)為頻率，圖6所示為每類動(dòng)作的時(shí)頻圖。從圖6中可以看出，不同動(dòng)作的時(shí)頻分布有比較明顯的差異，這為下一步的特征提取和識(shí)別提供了較好的基礎(chǔ)。

4.2 實(shí)驗(yàn)結(jié)果和性能分析

將時(shí)頻圖數(shù)據(jù)集按照一定的比例分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集用來學(xué)習(xí)字典和稀疏編碼矩陣，測(cè)試數(shù)據(jù)集用來檢驗(yàn)算法的識(shí)別性能。為了減少因?yàn)閿?shù)據(jù)集劃分導(dǎo)致的偶然性誤差，實(shí)驗(yàn)過程中會(huì)多次調(diào)整訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集的比例。算法驗(yàn)證部分在MATLAB R2018a中完成。

首先，將所有時(shí)頻圖進(jìn)行灰度化并調(diào)整大小為128×128，再分別使用PCA和Randomface方法[19]分別提取特征，降維為60維和100維向量，圖7所示為使用PCA特征，圖8所示為Randomface特征。

將數(shù)據(jù)集按照不同的比例劃分，即在測(cè)試者A、測(cè)試者B、測(cè)試者C中隨機(jī)抽取一個(gè)人或兩個(gè)人的動(dòng)作樣本作為訓(xùn)練集，其他的動(dòng)作樣本作為測(cè)試集。使用訓(xùn)練集進(jìn)行訓(xùn)練，學(xué)習(xí)到字典和分類器參數(shù)，以2∶1的數(shù)據(jù)集劃分為例，訓(xùn)練數(shù)據(jù)為200組，測(cè)試集為100組，圖9所示為學(xué)習(xí)到的多特征字典D，圖10所示為分類器參數(shù)W。

用對(duì)應(yīng)的測(cè)試集進(jìn)行識(shí)別測(cè)試，表3為具體的識(shí)別準(zhǔn)確率，圖11分別為不同數(shù)據(jù)集劃分比例時(shí)的預(yù)測(cè)類別和真實(shí)類別的混淆矩陣。當(dāng)訓(xùn)練集與測(cè)試集比例為2∶1時(shí)，平均識(shí)別準(zhǔn)確率為97.7%，即使在訓(xùn)練集與測(cè)試集比例為1∶2時(shí)，平均識(shí)別率仍然能夠達(dá)到91.8%。

圖6 十種動(dòng)作的時(shí)頻圖

圖7 PCA特征

圖8 Randomface特征

圖9 多特征字典矩陣D

圖10 分類器參數(shù)矩陣W

圖11 識(shí)別混淆矩陣

為了說明多特征字典學(xué)習(xí)的性能，對(duì)單獨(dú)的PCA降維后的數(shù)據(jù)和Randomfaces降維后的數(shù)據(jù)進(jìn)行LC-KSVD字典學(xué)習(xí)，再進(jìn)行識(shí)別測(cè)試，得到平均識(shí)別準(zhǔn)確率，并與融合兩種特征的識(shí)別準(zhǔn)確率進(jìn)行對(duì)比，圖12所示為不同數(shù)據(jù)集劃分比例下不同特征的識(shí)別準(zhǔn)確率，表3所示為平均識(shí)別準(zhǔn)確率。

圖12 不同特征的識(shí)別準(zhǔn)確率

表3 識(shí)別結(jié)果

通過表4可知，提出的多特征字典學(xué)習(xí)方法在人體動(dòng)作時(shí)頻圖的特征提取上要優(yōu)于單獨(dú)的PCA特征和Randomfaces特征，融合兩種特征后得到的特征，更能表示出人體動(dòng)作時(shí)頻圖的信息。

表4 實(shí)驗(yàn)結(jié)果對(duì)比

圖13 SVM識(shí)別效果

圖14 識(shí)別性能對(duì)比

此外，為了說明識(shí)別算法的性能，用提取出的特征來訓(xùn)練支持向量機(jī)(SVM)，并進(jìn)行識(shí)別測(cè)試。首先對(duì)特征向量進(jìn)行歸一化，并采用網(wǎng)格劃分搜索算法來對(duì)SVM進(jìn)行優(yōu)化，尋找最優(yōu)的懲罰參數(shù)C和徑向基核函數(shù)寬度g，再通過訓(xùn)練得到模型，用測(cè)試集進(jìn)行性能測(cè)試。當(dāng)訓(xùn)練集為A和B、測(cè)試集為C時(shí)，識(shí)別效果如圖13所示。當(dāng)數(shù)據(jù)集劃分為2∶1時(shí)，平均識(shí)別準(zhǔn)確率為94.7%，數(shù)據(jù)集劃分為1∶2時(shí)，平均識(shí)別準(zhǔn)確率為80.7%，圖14所示為SVM和LC-KSVD的識(shí)別性能對(duì)比圖。從圖14中可以看出，多特征LC-KSVD字典學(xué)習(xí)方法的識(shí)別性能較好，尤其在訓(xùn)練集比例較少時(shí)，識(shí)別準(zhǔn)確率遠(yuǎn)高于SVM。

根據(jù)實(shí)驗(yàn)結(jié)果和對(duì)比分析，可以看出提出的雷達(dá)人體動(dòng)作識(shí)別方法總體識(shí)別率較高，并且通過對(duì)比不同特征的識(shí)別結(jié)果和不同分類算法的識(shí)別結(jié)果，說明提出的多特征字典學(xué)習(xí)識(shí)別模型能夠更好地提取出人體動(dòng)作的本質(zhì)特征，并且準(zhǔn)確地對(duì)動(dòng)作進(jìn)行識(shí)別。

5 結(jié)論

提出一種基于77 GHz毫米波雷達(dá)和多特征字典學(xué)習(xí)的人體動(dòng)作識(shí)別方法。采用多特征LC-KSVD字典學(xué)習(xí)方法對(duì)人體動(dòng)作的時(shí)頻圖進(jìn)行特征提取和識(shí)別，并且基于實(shí)測(cè)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證，得到以下結(jié)論。

(1)雷達(dá)人體動(dòng)作識(shí)別方法在訓(xùn)練集與測(cè)試集比例為2∶1時(shí)可達(dá)到平均97.7%的識(shí)別準(zhǔn)確率，說明識(shí)別方法可以實(shí)現(xiàn)動(dòng)作識(shí)別，具有可行性。

(2)實(shí)測(cè)數(shù)據(jù)集由不同人的動(dòng)作組成，樣本分布合理，接近實(shí)際應(yīng)用環(huán)境，說明識(shí)別模型具有較好的泛化性，在實(shí)際應(yīng)用中具有前景。

(3)基于毫米波雷達(dá)的人體動(dòng)作識(shí)別具有研究意義和應(yīng)用前景，但實(shí)驗(yàn)驗(yàn)證是在理想環(huán)境下進(jìn)行，在后續(xù)研究和實(shí)際應(yīng)用中還需考慮復(fù)雜環(huán)境下動(dòng)作的檢測(cè)識(shí)別和噪聲抑制。