基于時(shí)間距離像的人體動(dòng)作深度學(xué)習(xí)分類

謝曉蘭,陳梓涵

(桂林理工大學(xué) 信息科學(xué)與工程學(xué)院,廣西 桂林 541004)

0 引 言

利用雷達(dá)開展人體動(dòng)作特征的研究始于20世紀(jì)90年代,隨后發(fā)展較為迅速,但研究大多集中于人體目標(biāo)的微動(dòng)特征[1-2],且以微多普勒特征為主。人體微多普勒特征主要來自于人的肢體,部分來自于軀干。由于人體是一個(gè)復(fù)雜的介質(zhì)體,在做動(dòng)作時(shí),軀干和肢體之間的相對(duì)運(yùn)動(dòng)與姿態(tài)變化形成的微多普勒特征十分復(fù)雜,不僅是時(shí)變的[3],而且有時(shí)比較微弱且不易穩(wěn)定提取[3-4]。如軀干的雷達(dá)回波強(qiáng)度一般都明顯強(qiáng)于肢體,會(huì)造成軀干多普勒回波遮蔽肢體多普勒回波的現(xiàn)象,這對(duì)提取慢速動(dòng)作的微多普勒特征十分不利,給基于微多普勒特征的人體動(dòng)作識(shí)別帶來了挑戰(zhàn)。對(duì)于一些微多普勒特征較弱的人體動(dòng)作,運(yùn)動(dòng)期間軀干或肢體的空間位置仍然會(huì)發(fā)生較顯著變化,如果能夠獲取人體這些位置相對(duì)于雷達(dá)的距離變化信息,將有助于提高人體動(dòng)作的分類識(shí)別能力。Erol等[5]利用超寬帶雷達(dá)(ultra-wide band, UWB)獲取了老人摔倒動(dòng)作的距離信息,降低了摔倒動(dòng)作誤判的虛警率。

近幾年來,在雷達(dá)目標(biāo)識(shí)別領(lǐng)域,深度學(xué)習(xí)方法也已得到研究者的關(guān)注:Feng等[6]利用堆棧校正自編碼器進(jìn)行了基于高分辨距離像的雷達(dá)自動(dòng)目標(biāo)識(shí)別;Chen等[7]將改進(jìn)后的深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network, DCNN)成功應(yīng)用于SAR圖像目標(biāo)分類,克服了有限訓(xùn)練集導(dǎo)致的低識(shí)別精度問題;Kim等[8]也使用DCNN對(duì)7種手勢(shì)的微多普勒特征進(jìn)行識(shí)別,獲得了93.1%的識(shí)別精度。與傳統(tǒng)方法相比, 深度學(xué)習(xí)網(wǎng)絡(luò)可以逐層非線性組合低層特征,形成更加抽象的高層特征用于目標(biāo)分類識(shí)別,在一定程度上避免或減輕了傳統(tǒng)方法因特征不穩(wěn)定而導(dǎo)致識(shí)別精度下降的問題。

目前在人體動(dòng)作雷達(dá)識(shí)別研究中, 應(yīng)用深度學(xué)習(xí)方法的報(bào)道還比較少。 本文采用NVA6100單片沖激脈沖雷達(dá), 對(duì)近距離人體動(dòng)作進(jìn)行了高距離分辨測(cè)量, 利用采集的人體動(dòng)作回波數(shù)據(jù)構(gòu)建了每個(gè)動(dòng)作的時(shí)間-距離像, 然后通過DCNN對(duì)時(shí)間-距離像進(jìn)行了分類識(shí)別處理。 設(shè)計(jì)了9種較典型的體育動(dòng)作, 包括揮手、 打乒乓球、 拍籃球、 立定跳遠(yuǎn)、 投保齡球 、踢足球、 墊排球、 投籃和拳擊等動(dòng)作,并從3個(gè)不同人體目標(biāo)錄取了5 000多組雷達(dá)回波數(shù)據(jù)。 數(shù)據(jù)經(jīng)過DCNN處理, 9個(gè)動(dòng)作獲得了96.67%的平均分類精度, 驗(yàn)證了DCNN算法應(yīng)用于人體動(dòng)作雷達(dá)分類的可行性和有效性。

1 人體動(dòng)作超寬帶雷達(dá)回波及特征

本文的實(shí)驗(yàn)研究以人們熟知的若干體育動(dòng)作為主, 開展人體動(dòng)作的雷達(dá)分類識(shí)別研究。人體動(dòng)作的雷達(dá)回波是研究人體動(dòng)作散射特征提取和分類識(shí)別的基礎(chǔ),在此首先分析人體目標(biāo)雷達(dá)回波的獲取及其可能存在的特征。

1.1 用于人體動(dòng)作測(cè)量的超寬帶雷達(dá)

大多數(shù)人體動(dòng)作都存在肢體和/或軀干在空間位置上的較顯著變化,變化范圍通常在數(shù)厘米到數(shù)米。對(duì)于雷達(dá)來說,要獲取這些人體動(dòng)作在空間位置的變化信息,必須采用寬帶雷達(dá)發(fā)射信號(hào)。眾所周知,雷達(dá)的測(cè)距能力與雷達(dá)發(fā)射信號(hào)帶寬有關(guān),雷達(dá)的極限距離分辨率可表示為ΔR=c/2B(c為光速,B為雷達(dá)發(fā)射信號(hào)帶寬)。由此可見,要在距離上分辨小至厘米級(jí)的人體動(dòng)作位置變化,雷達(dá)信號(hào)帶寬要達(dá)到幾GHz,甚至十幾GHz,在現(xiàn)有常用雷達(dá)工作頻段上,這種雷達(dá)一般都稱之超寬帶(UWB)雷達(dá)。

目前,較常用的UWB雷達(dá)發(fā)射波形有無載波沖激脈沖、線性調(diào)頻連續(xù)波、步進(jìn)頻率連續(xù)波以及正交離散頻率編碼連續(xù)波等,其中無載波沖激脈沖是應(yīng)用最多的一種UWB雷達(dá)信號(hào),因受限于可產(chǎn)生的脈沖發(fā)射功率,該雷達(dá)的作用距離一般較近。無載波沖激脈沖UWB雷達(dá)由于具有超寬的信號(hào)頻譜和極高的距離分辨能力等優(yōu)點(diǎn),對(duì)于人體目標(biāo)探測(cè)來說,能夠獲取豐富的人體動(dòng)作位置信息和多普勒信息,對(duì)人體動(dòng)作的分類識(shí)別十分有利。在本文的實(shí)驗(yàn)研究中,采用了Novelda公司出品的NVA6100單片沖激脈沖雷達(dá)收發(fā)器,其發(fā)射波形為一階高斯脈沖,脈沖寬度約為300 ps,-10 dB發(fā)射頻譜覆蓋0.85～9.55 GHz,極限距離分辨率可達(dá)到2 cm,所以能夠滿足常規(guī)人體動(dòng)作分類識(shí)別的要求。NVA6100單片雷達(dá)發(fā)射的時(shí)域波形和頻譜如圖1所示。

NVA6100雷達(dá)發(fā)射的一階高斯脈沖波形是基本高斯脈沖的一階微分形式,可表示為

(1)

圖1 NVA6100雷達(dá)的脈沖波形Fig.1 Pulse waveform of Radar NVA6100

沖的成形因子。若雷達(dá)目標(biāo)是由M個(gè)靜止的理想點(diǎn)目標(biāo)組成,點(diǎn)目標(biāo)僅對(duì)波形的幅度和時(shí)延有影響,則沖激脈沖雷達(dá)接收信號(hào)(回波)可表示為

(2)

其中:Lp(i)是第i個(gè)點(diǎn)目標(biāo)含衰減的幅度因子;GT(t)和GR(t)分別是發(fā)射和接收天線的增益系數(shù);n為微分次數(shù);τi為第i個(gè)點(diǎn)目標(biāo)的雙程時(shí)延。沖激脈沖雷達(dá)的接收信號(hào)與發(fā)射信號(hào)之間呈現(xiàn)高階微分關(guān)系,是由收發(fā)天線對(duì)超寬帶沖激脈沖響應(yīng)來決定的；n的取值與具體天線形式有關(guān)。

該式是理想目標(biāo)沖激脈沖雷達(dá)回波的信號(hào)表達(dá)式,通常僅用于雷達(dá)回波的定性分析和仿真。而人體目標(biāo)是一種多枝節(jié)柔性復(fù)雜介質(zhì)目標(biāo),即使在靜止情況下,人體的電磁散射情況也是十分復(fù)雜的,要獲得較精確的人體目標(biāo)雷達(dá)回波模型十分困難。不僅如此,對(duì)于運(yùn)動(dòng)中的人體目標(biāo),目前還沒有有效的雷達(dá)回波建模方法,所以在人體目標(biāo)的雷達(dá)探測(cè)與分類識(shí)別中,實(shí)際測(cè)量還是經(jīng)常采用實(shí)驗(yàn)研究方式。

1.2 人體動(dòng)作的時(shí)間距離像特征

為了獲取人體目標(biāo)的UWB雷達(dá)回波,開展人體動(dòng)作的分類識(shí)別實(shí)驗(yàn)研究,利用NVA6100單片沖激脈沖雷達(dá)搭建了一個(gè)室內(nèi)實(shí)驗(yàn)測(cè)量環(huán)境,UWB雷達(dá)實(shí)驗(yàn)布局如圖2所示。雷達(dá)放置在高度約為0.8 m的測(cè)試臺(tái)上,人體面向雷達(dá)并相距1.5～2.0 m。為了降低對(duì)面墻壁的直接反射、地面和天花板的二次反射對(duì)人體回波測(cè)量的干擾,提高人體目標(biāo)相對(duì)于背景環(huán)境的信雜比,在人體目標(biāo)后面和左右兩側(cè)的2～4 m處設(shè)置了高度約為2.5 m的吸波材料墻。

圖2 UWB雷達(dá)實(shí)驗(yàn)布局示意圖Fig.2 Experimental layouts of Radar UWB

在人體動(dòng)作實(shí)驗(yàn)中,選擇和設(shè)計(jì)了9種較具典型性的體育動(dòng)作,可以覆蓋推、拉、鞭打、緩沖、蹬伸、擺動(dòng)、扭動(dòng)和相向運(yùn)動(dòng)等基本動(dòng)作類型,包括揮手、打乒乓球、拍籃球、立定跳遠(yuǎn)、投保齡球、踢足球、墊排球、投籃球和拳擊等動(dòng)作,如圖3所示。除了立定跳遠(yuǎn)需要在一定距離范圍進(jìn)行以外,其余動(dòng)作均在原地完成。在重復(fù)多次進(jìn)行同一動(dòng)作的過程中,UWB雷達(dá)進(jìn)行連續(xù)探測(cè),并作回波數(shù)據(jù)的錄取。

雷達(dá)每發(fā)射一個(gè)脈沖信號(hào),與人體目標(biāo)相互作用之后,都會(huì)有一部分電磁能量從人體反射回來,雷達(dá)接收后形成一次目標(biāo)回波。由于人體各個(gè)部位相對(duì)雷達(dá)的距離不盡相同,因此它們分別反射回來的脈沖在到達(dá)雷達(dá)的延遲時(shí)間(即時(shí)延)上是存在差異的。對(duì)于具有很高時(shí)延分辨力的UWB雷達(dá)來說,時(shí)延差異會(huì)使得人體不同部位脈沖回波在疊加形成總的人體回波時(shí)呈現(xiàn)出沿時(shí)間(也即距離)的回波幅度擴(kuò)展現(xiàn)象, 人們通常把這種擴(kuò)展的回波稱為目標(biāo)的高分辨距離像(high resolution range profile, HRRP)。

獲取一次目標(biāo)距離像相當(dāng)于對(duì)目標(biāo)進(jìn)行一次快速“照相”(俗稱快拍), 在近距離人體目標(biāo)探測(cè)中,這種一次快拍通?？梢栽?0 ns～1 ms以內(nèi)完成,遠(yuǎn)遠(yuǎn)小于完成一次人體動(dòng)作所需時(shí)間,所以可將一副距離像看成人體動(dòng)作的一個(gè)時(shí)間切片,在切片的持續(xù)時(shí)間內(nèi)可忽略人體動(dòng)作的變化。由于人體動(dòng)作一般都存在一定的持續(xù)時(shí)間,一次快拍得到的人體距離像不能完整體現(xiàn)動(dòng)作的全過程,若僅使用一副距離像對(duì)人體動(dòng)作進(jìn)行分類識(shí)別,明顯是不可靠的,這就好比利用一張照片來判斷一個(gè)動(dòng)作遠(yuǎn)不如一段視頻更可靠。

圖3 9個(gè)體育動(dòng)作的剪影(箭頭表示動(dòng)作方向)Fig.3 Profiles of 9 typical sports actions

為了提高人體動(dòng)作的分類識(shí)別能力,可以使用人體動(dòng)作回波構(gòu)成的時(shí)間-距離像。時(shí)間-距離像是由雷達(dá)等時(shí)間間隔獲取的多幀距離像按時(shí)間順序并行排列而成,類似于視頻是由多幀圖片按時(shí)間順序構(gòu)成。圖4給出了9種體育動(dòng)作在一個(gè)動(dòng)作持續(xù)期上的時(shí)間-距離像,其中縱軸表示目標(biāo)到雷達(dá)的距離;橫軸表示動(dòng)作測(cè)量的持續(xù)時(shí)間; 灰度等級(jí)代表回波的(歸一化)幅度。NVA6100雷達(dá)對(duì)回波采取并行采樣方式,以39 GS/s采樣率對(duì)當(dāng)前回波連續(xù)采樣512點(diǎn),構(gòu)成一幅目標(biāo)的距離像,然后再間隔10 ms采集下一幅距離像,所以圖4橫軸的最小時(shí)間間隔為10 ms。每個(gè)時(shí)間間隔點(diǎn)上,沿縱軸方向都是當(dāng)前時(shí)刻獲得的人體動(dòng)作高分辨距離像。

圖4 9個(gè)體育動(dòng)作的時(shí)間-距離像Fig.4 Time-range profiles of 9 typical sports actions

由于軀干是人體最主要的散射源,所以每張圖像中最強(qiáng)的回波幅度主要來自于軀干部分。立定跳遠(yuǎn)動(dòng)作存在較明顯的軀干運(yùn)動(dòng),所以軀干回波在時(shí)間-距離像中呈現(xiàn)密集的傾斜亮線,而原地完成的其他動(dòng)作的軀干回波大多呈現(xiàn)接近水平且有一定起伏的密集粗亮線。雖然上下肢相比軀干是較弱的散射源,但是在運(yùn)動(dòng)變化的幅度范圍和頻度上則要顯著于軀干,這從每張圖中變化范圍較大且較快起伏的細(xì)曲線上可見一斑。不僅如此, 在每種動(dòng)作的時(shí)間-距離像中, 上下肢變化形成的細(xì)亮曲線形態(tài)都不相同,可以認(rèn)為這代表了不同動(dòng)作的差異化特征,是每種動(dòng)作的專有屬性,為分類識(shí)別不同的人體動(dòng)作提供了可能。

圖4h中還可以看到一些較為顯著的亮度較低的水平細(xì)線,這些水平細(xì)線在采集到的每個(gè)動(dòng)作回波數(shù)據(jù)中都會(huì)隨即出現(xiàn),這些脫離目標(biāo)本體位置顯現(xiàn)出來的水平細(xì)線可能與周圍環(huán)境的隨機(jī)干擾有關(guān)。

2 基于深度卷積神經(jīng)網(wǎng)絡(luò)的分類方法

在傳統(tǒng)的人體目標(biāo)雷達(dá)分類識(shí)別技術(shù)中,大多采用基于回波統(tǒng)計(jì)特性或者設(shè)置人為先驗(yàn)的特征提取與分類識(shí)別方法。目前的傳統(tǒng)特征提取技術(shù)在面對(duì)復(fù)雜的人體目標(biāo)時(shí),無論是在特征提取的穩(wěn)定性上還是在目標(biāo)變化的適應(yīng)性上,都還難以滿足實(shí)用化的要求，給特征提取技術(shù)提出了更高的要求。由于人體目標(biāo)的雷達(dá)散射特性十分復(fù)雜,人體動(dòng)作和姿態(tài)也是千變?nèi)f化的。根據(jù)前述時(shí)間-距離像的圖像特征,借鑒圖像識(shí)別中已廣泛使用的深度卷積神經(jīng)網(wǎng)絡(luò)算法,對(duì)獲取的人體動(dòng)作時(shí)間-距離像進(jìn)行直接處理,探究DCNN對(duì)人體目標(biāo)特征提取的能力,初步驗(yàn)證深度學(xué)習(xí)方法應(yīng)用于人體動(dòng)作分類的可行性和有效性。

深度卷積神經(jīng)網(wǎng)絡(luò)是一種專門用來處理結(jié)構(gòu)化數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò),一般由卷積層、池化層、全連接層三部分組成。卷積層用以完成卷積核與輸入數(shù)據(jù)的卷積操作,該操作可以得到一系列特征映射。這里可將時(shí)間-距離像I作為輸入,在卷積核K的作用下,得到的卷積操作輸出為

S(i,j)=(I*K)(i,j)

(3)

其中： 卷積核K的大小被稱為感受野,其作用相當(dāng)于一個(gè)濾波器,可看作對(duì)輸入數(shù)據(jù)做特征提取的窗口。相比于普通全連接網(wǎng)絡(luò),卷積操作具有局部連接和權(quán)值共享的性質(zhì),這可以顯著減少網(wǎng)絡(luò)參數(shù)的個(gè)數(shù),并能夠提取到更有效的特征。卷積操作的輸出結(jié)果通常需要經(jīng)過一個(gè)激活函數(shù),將線性映射轉(zhuǎn)換為非線性映射模式,這里選擇激活函數(shù)的形式為修正線性單元(rectified linear unit, ReLU),具體形式為f(i,j)=max(0,S(i,j))。ReLU具有分段線性特征,可以構(gòu)建較好的經(jīng)驗(yàn)結(jié)果,同時(shí)可以減少網(wǎng)絡(luò)訓(xùn)練時(shí)間,避免反向傳播中的梯度消失問題。

在每個(gè)卷積層之后都要進(jìn)行特征提取的池化操作,池化可以理解為一個(gè)降采樣過程。假設(shè)上一層卷積非線性特征映射的輸出為f(i,j),則池化操作后的特征變?yōu)?/p>

(4)

式中：L代表池化尺度，s代表步長。式(4)是將一個(gè)鄰域內(nèi)的像素值用一個(gè)最大值來代替,因而可進(jìn)一步減少數(shù)據(jù)量,同時(shí)特征可以保持平移不變。上述卷積、池化操作可采取多層形式,其輸出為一系列抽象特征映射,將其向量化后形成樣本數(shù)據(jù)的特征向量,并與樣本標(biāo)簽相匹配,可構(gòu)成有監(jiān)督訓(xùn)練的學(xué)習(xí)模式。

在一系列的卷積池化操作后要添加了一個(gè)Dropout層[9],其作用是對(duì)隨機(jī)抽取特征進(jìn)行組合,以避免過擬合問題。在Dropout之后,將特征進(jìn)行向量化以得到特征向量。多個(gè)人體動(dòng)作識(shí)別屬于多分類問題,這里使用多項(xiàng)Logistic回歸方法進(jìn)行分類操作,使用的是softmax函數(shù),它將訓(xùn)練得到的特征向量作為函數(shù)的輸入,能夠得到判為各個(gè)類別的后驗(yàn)概率結(jié)果,并選取概率最高的類別作為最終判別結(jié)果,從而完成動(dòng)作的分類識(shí)別。對(duì)于給定的一組特征向量Vi(i=1,…,N),向量Vi的softmax值可表示為

(5)

優(yōu)化得到的DCNN結(jié)構(gòu)如圖5所示。該網(wǎng)絡(luò)有4個(gè)卷積層和最大池化層,卷積核的大小為5×5,池化尺度為2×2。另外,在算法中利用提取的特征向量與樣本標(biāo)簽聯(lián)合構(gòu)建了代價(jià)函數(shù),使用了隨機(jī)梯度下降法(stochastic gradient descent, SGD)對(duì)網(wǎng)絡(luò)反向傳播更新網(wǎng)絡(luò)參數(shù),使得代價(jià)函數(shù)達(dá)到最小,然后將測(cè)試樣本正向傳播就可得到分類的結(jié)果。

圖5 帶結(jié)構(gòu)參數(shù)的DCNN示意圖Fig.5 DCNN diagram with structural parametrs

3 實(shí)驗(yàn)數(shù)據(jù)處理和結(jié)果分析

在圖2所示的實(shí)驗(yàn)場景中, 對(duì)3個(gè)不同人徒手完成的9種體育動(dòng)作回波進(jìn)行了數(shù)據(jù)采集, 每人每個(gè)動(dòng)作重復(fù)采集約200組, 總體數(shù)據(jù)達(dá)到5 000多組。每組動(dòng)作的數(shù)據(jù)采集時(shí)間與動(dòng)作的持續(xù)時(shí)間有關(guān),約為2～3 s,因此每個(gè)動(dòng)作的數(shù)據(jù)長短不一。按照?qǐng)D4所示的時(shí)間-距離像構(gòu)成方法,將每個(gè)動(dòng)作的每組數(shù)據(jù)統(tǒng)一處理為一個(gè)100×100的數(shù)據(jù)矩陣,每個(gè)動(dòng)作隨機(jī)抽取30組作為測(cè)試集,剩余作為訓(xùn)練集。

在網(wǎng)絡(luò)訓(xùn)練方面,采用的開源工具Keras是以谷歌公司開發(fā)的Tensorflow為后端的頂層API接口,具有易于訓(xùn)練和配置等特點(diǎn)。整個(gè)DCNN網(wǎng)絡(luò)采用SGD進(jìn)行訓(xùn)練,相比于普通梯度下降方法,隨機(jī)梯度可以選取一個(gè)mini-batch為一組進(jìn)行梯度更新,使得網(wǎng)絡(luò)具有更好的收斂性能,實(shí)驗(yàn)中mini-batch值設(shè)為50,梯度更新學(xué)習(xí)率設(shè)為0.001。同時(shí),在梯度更新過程中,加入了動(dòng)量(momentum)因子,可以使得梯度更新方向更加平滑,其中動(dòng)量權(quán)重取為0.9,衰減因子權(quán)重取為0.004。網(wǎng)絡(luò)中所有的初始化參數(shù)均設(shè)置為滿足均值為0、方差為0.01的高斯分布參數(shù)。

為了驗(yàn)證網(wǎng)絡(luò)的收斂性和平均分類識(shí)別性能, 對(duì)網(wǎng)絡(luò)進(jìn)行了400次循環(huán)更新迭代測(cè)試, DCNN對(duì)測(cè)試集的分類精度和收斂性如圖6所示。 經(jīng)過50次迭代后, 網(wǎng)絡(luò)就已達(dá)到90%以上的分類精度, 隨著進(jìn)一步迭代,分類精度快速趨于收斂,并最終達(dá)到96.67%。

為了分析錯(cuò)誤分類樣本,表1給出了9種體育動(dòng)作的測(cè)試混淆矩陣,其中(a—i)分別對(duì)應(yīng)圖3中的9種動(dòng)作?；煜仃嚨拿恳恍写韺?shí)際動(dòng)作,每一列代表網(wǎng)絡(luò)識(shí)別的動(dòng)作?？梢?揮手a、 打乒乓球b、 拍籃球c、 立定跳遠(yuǎn)d、 投籃球h和拳擊i等6個(gè)動(dòng)作都具有高于平均精度的分類效果, 而投保齡球e、 踢足球f和墊排球g等3個(gè)動(dòng)作的分類精度則低于平均精度。從圖4的時(shí)間-距離像對(duì)比可見,這3種動(dòng)作中的上下肢特征曲線與其他動(dòng)作存在局部的相似性,這種相似性提高了動(dòng)作錯(cuò)誤分類的可能性。

為了驗(yàn)證深度卷積神經(jīng)網(wǎng)絡(luò)方法的有效性,選取了目前比較通用的隨機(jī)森林(random forest, RF)、 最近鄰(k-nearest neighbors, kNN)、 支持矢量機(jī)(support vector machine, SVM)等分類算法進(jìn)行對(duì)比,對(duì)比實(shí)驗(yàn)采用了相同的數(shù)據(jù)訓(xùn)練集和測(cè)試集,對(duì)比結(jié)果如表2所示。

圖6 DCNN對(duì)測(cè)試集的分類精度隨迭代次數(shù)的變化Fig.6 Classification accuracy for test set changes with iterations of DCNN

表1 測(cè)試集混淆矩陣

表2 本文DCNN算法與3種傳統(tǒng)方法的對(duì)比

在缺乏有效的特征提取方法前提下,傳統(tǒng)分類方法對(duì)測(cè)試數(shù)據(jù)的分類會(huì)產(chǎn)生較高的誤判概率,而DCNN則通過多層特征提取可以有效識(shí)別動(dòng)作中的關(guān)鍵性特征,并且通過大量數(shù)據(jù)的學(xué)習(xí)訓(xùn)練,對(duì)人體動(dòng)作分類具有更好的泛化能力,所以能夠獲得很高的測(cè)試精度和計(jì)算穩(wěn)定性。因此,深度卷積神經(jīng)網(wǎng)絡(luò)算法是有效的,在人體目標(biāo)雷達(dá)識(shí)別中具有潛在的應(yīng)用前景。

4 結(jié)束語

利用UWB雷達(dá)獲取了人體的高分辨距離信息,使用DCNN對(duì)人體動(dòng)作進(jìn)行了分類識(shí)別研究。將人體動(dòng)作的時(shí)間-距離像作為DCNN的輸入數(shù)據(jù),對(duì)9種典型體育動(dòng)作進(jìn)行了分類處理,取得了96.67%的高分類精度,DCNN對(duì)人體動(dòng)作測(cè)試集的計(jì)算收斂性好,收斂速度也較快,這說明基于時(shí)間-距離像的DCNN具備潛在的分類識(shí)別人體動(dòng)作的良好能力,特別是在穩(wěn)定提取人體動(dòng)作特征上存在十分明顯的優(yōu)勢(shì)。由于未利用人體動(dòng)作回波中所包含的多普勒信息,也沒有考慮不同觀測(cè)視角下同一動(dòng)作回波存在的差異(僅采集了面向雷達(dá)的人體動(dòng)作數(shù)據(jù)),亦未對(duì)其他深度學(xué)習(xí)算法進(jìn)行有益的嘗試,這些都將在下一步工作中開展深入的研究。