基于深度学习的毫米波雷达人体动作识别.pdfVIP

摘要

基于雷达的人体动作识别近年来成为研究热点。毫米波雷达由于其非接触与

强抗干扰能力，被广泛应用于医疗监护与安防监控等领域。毫米波雷达人体动作

识别技术的基础是特征谱图，传统机器学习中人工提取特征的方法具有经验依赖

性与不稳定性，而神经网络可以自行提取特征，因此广泛应用于毫米波雷达人体

动作识别。目前公开的雷达人体动作数据集较少，现有网络模型结构在小规模数

据集上易产生过拟合。并且现有研究大多依赖于单域信息分析，对多域数据的利

用不足。针对上述问题，本文采用毫米波雷达搭建实验平台，开展以下工作：

1．构建毫米波雷达人体动作数据集。在公开数据集的六种动作基础上，通

过查阅相关资料及文献，设计并采集了站起、蹲下、挥手、喝水、行走、奔跑以

及跳跃七种动作。为了消除环境噪声的干扰，设计了四阶巴特沃斯高通滤波器进

行滤波，通过对采集到的雷达原始数据进行预处理与时频变换，生成距离-时间

图与多普勒-时间图，构建网络模型训练所需要的数据集。

2．提出了一种基于改进残差网络的人体动作识别模型。在常规残差网络的

基础上加入了Dropout层，缩减了残差模块的数量，减少了网络的层数，保留了

较好的识别性能，分别在公开数据集以及自采数据集上进行了验证。实验结果表

明，相比普通的残差网络、卷积神经网络等，该模型对人体动作的识别准确率较

高。在公开与自采数据集上，本文提出的模型在多普勒-时间图(Doppler-TimeMap,

DTM)与距离-时间图(Range-time-map,RTM)上皆取得了较高的准确率。

3．提出了一种基于多域特征融合的人体动作识别模型。在融合方法上，首

先是采用自适应权重融合DTM与RTM两类特征，实验结果表明，自适应融合

结果优于相加与拼接。在该模型结构的基础上，引入注意力机制来重点关注融合

后特征的有效部分。实验结果表明，本文提出的ECBAM注意力模块，相较于传

统的ECANet、SENet与CBAM注意力模块，取得了最高的识别准确率，在公开

数据集与自采数据集上分别达到了95.96%与100%。最后，提出了一种基于多模

型决策融合的融合方法，分别采用6个模型对公开数据集进行识别，将识别结果

采用投票策略融合，在公开数据集上也取得了较好的效果。

关键词：深度学习毫米波雷达人体动作识别残差网络特征融合

Abstract

Radar-basedhumanactivityrecognitionhasbecomearesearch

hotspotinrecentyears.Millimeter-waveradar,withitsnon-contact

capabilityandstronganti-interferenceperformance,hasbeenwidely

appliedinmedicalmonitoringandsecuritysurveillance.Thefoundation

ofmillimeter-waveradar-basedhumanactivityrecognitionliesin

featurespectrograms.Traditionalmachinelearningmethodsrelyingon

manualfeatureextractionexhibitempiricaldependencyandinstability,

whereasneuralnetworkscanautonomouslyextractfeatures,makingthem

widelyadoptedinthisfield.Currently,therearefewpublicly

availableradar-basedhumanactivitydatasets,andexistingnetwork

modelsarepronetooverfittingonsmall-scaledatasets.Moreover,most

existingstudiesprimarilyrelyonsingle-domaininformationan