基于微多普勒信號分離和SqueezeNet的人體身份識別

孫延鵬，賀韶楓，屈樂樂

（沈陽航空航天大學電子信息工程學院，遼寧沈陽 110136）

0 引言

近年來，人體身份識別技術在門禁系統、安防監控和醫療診斷等領域有廣泛應用。目前，指紋識別［1］、人臉識別［2］以及虹膜識別等人體身份識別技術，都驗證了方法的可行性。但是指紋識別需要手指直接接觸傳感器，有衛生隱患存在［3］；人臉識別和虹膜識別主要是通過攝像機獲取信息，然而攝像機仍存在根本性的缺陷，例如，無法處理突然的閃光或在光線不足或惡劣天氣條件下進行記錄，此外，在隱私敏感區域操作時，相機的無限制使用也受到爭議［4］。因此采用雷達傳感器進行人體身份識別近年來受到越來越多的關注。一方面雷達傳感器是在一定的視線范圍內發射電磁信號，雷達傳感器不易受到光線以及環境的影響，并且雷達信號能夠穿透墻壁、服飾等障礙物［5］；另一方面雷達傳感器是以非接觸方式運行，不要求測試者攜帶任何設備或者要求測試者合作［6］，這極大程度地保護了個人隱私。

基于雷達傳感器的人體身份識別核心是通過人體步態來實現身份識別，人體步態可以簡單地定義為“走路方式”，影響人體的走路步態主要是個人的生理因素或者環境，從而使人體之間步態存在多樣性，其中對微多普勒特征的研究最具代表性［7-9］。文獻［10］提出提取人體步態的微多普勒特征和微動距離時間特征實現人體身份識別的方法，但需要提取步態數據立方體，采集過程比較繁瑣，同時數據量也過大。文獻［11］使用深度卷積神經網絡進行基于步態微多普勒的人體識別，其平均識別準確率從4 人的97.1%下降到20 人的68.9%，在識別能力上是欠佳的。文獻［12］提出了一種微多普勒分離方法，通過短時分數傅里葉變換方法分離軀干微多普勒信號來提高身份識別的準確性，使用深度卷積神經網絡對10 個人的平均準確率達到85.6%，但是實現算法的復雜度較高，實驗的準確率還有待提高。文獻［13］在遷移學習框架下使用ResNet-50 網絡對步態微多普勒數據集進行識別。文獻［14］采用一種多尺度特征聚合策略的普通卷積神經網絡來解決識別問題，但其網絡過于簡單和樣本數量不足。文獻［15］提出一種基于時頻濾波和維特比算法的微多普勒信號分離方法，但是該算法主要受到瞬時頻率估計和時頻濾波器的限制。

針對上述問題，本文以調頻連續波（Frequency Modulation Continuous Wave，FMCW）雷達為基礎，提出一種基于微多普勒信號分離和SqueezeNet 的人體身份識別方法。首先通過FMCW 雷達采集人體行走步態的回波數據并進行預處理，再使用運動目標顯示（Moving Target Indication，MTI）濾波器對慢時間維進行線性濾波處理，有效地濾除背景雜波，然后經過短時傅里葉變換（Short-Time Fourier Transform，STFT）得到人體的微多普勒時頻譜圖［16］，使用閾值法對時頻譜圖進行微多普勒信號分離，進而得到人體軀干與四肢分離的時頻譜圖，將時頻譜圖輸入到SqueezeNet網絡訓練，最后利用Softmax分類器對人體身份進行分類和識別。

1 雷達信號預處理

本文使用FMCW 雷達實測人體步態回波數據，對4 名測試者的步態回波數據進行預處理，得到相對應的微多普勒時頻譜圖。FMCW 雷達回波數據預處理方法如圖1所示。

圖1 回波數據預處理流程圖

將FMCW 雷達回波信號重構得到二維數組，M是慢時間維采樣個數，即一次采樣所含周期個數，L是快時間維采樣個數，即一個調頻周期的采樣點數。首先，對圖1中的矩陣列方向在快時間維進行離散傅里葉變換（Discrete Fourier Transform,DFT），從而得到測試者距離雷達的距離信息。對測試者行走步態所在的距離單元的信號進行相干疊加，其中距離單元范圍是10～30；其次，使用MTI 濾波器對慢時間維數據序列進行線性濾波處理，將背景雜波有效地濾除，再沿慢時間維進行短時傅里葉變換，從而得到微多普勒時頻譜圖，如圖2所示。其中，STFT 的窗函數是時間窗大小為0.2 s 以及重疊因子為0.95的漢寧窗。

圖2 人體步態時頻譜圖

2 步態微多普勒信號分離

FMCW 雷達信號沿快時間維經過DFT 得到距離時間圖，滑動窗口沿時間軸截取，然后進行短時傅里葉變換得到微多普勒時頻譜圖，但是由于受到軀干回波強烈的影響，很難從肢體微動作獲取相關精細的特征，這對于基于雷達傳感器開展人員身份識別工作，難度有所提升，因此實現人體步態微多普勒信號分離是有必要的。目前人們對微多普勒信號的分離是非常感興趣的，但是需要特定雷達系統以及提取目標距離和頻率特征來實現，過程很復雜。鑒于此，本文提出了一種使用閾值法對時頻譜圖進行微多普勒信號分離的方法。該方法簡單、運算效率高、速度快。

采用閾值法對時頻譜圖進行微多普勒信號分離的關鍵是閾值的選取，本文選取閾值的方法是信號強度直方圖法。通過人體軀干微動并且四肢不動，可得到類似人體行走步態的軀干微多普勒特征，如圖3所示，代表軀干微動信號強度分布直方圖，-50～-25 dB之間代表實驗中的背景信號，-18～0 dB 之間代表軀干微動信號。圖4 表示人體行走步態微多普勒信號強度分布直方圖，是通過測試者正常行走測得的，其中包含測試者四肢和軀干的微多普勒特征，-25～-18 dB 之間代表四肢微動信號，從圖中可看出-18 dB 位置出現小波峰，表示包含人體行走步態四肢的微多普勒信號多。同時，由圖3 和圖4 也可直觀地得出，將本閾值設為-18 dB的合理性。

圖3 軀干微動信號強度分布直方圖

圖4 步態微多普勒信號強度分布直方圖

由于軀干的雷達橫截面通常遠大于四肢的雷達橫截面，使其回波能量比較大［17］，因此時頻譜圖中能量最強的部分來自軀干，而能量較弱的部分來自四肢，如圖5所示。信號強度的dB 值與時頻譜圖中顏色條（colorbar）是對應的，通過colorbar 非常直觀地顯示，時頻譜圖中軀干信號與四肢信號對應部分，實驗將滿足閾值條件小于-18 dB 的信號保留，得到四肢信號的時頻譜圖，從而實現對微多普勒信號的分離，如圖6所示，圖中分別表示了男性測試者和女性測試者的四肢與軀干的時頻譜圖。

圖5 未進行微多普勒信號分離的時頻譜圖

圖6 進行微多普勒信號分離的時頻譜圖

由圖5、圖6可以看出，經過微多普勒信號分離后，測試者四肢的時頻譜圖更容易發現他們之間細微的差異，因此四肢的微動特征更加明顯，更有利于實現人體身份的識別研究。

3 卷積神經網絡

3.1 SqueezeNet網絡

卷積神經網絡是一種特殊深層神經網絡，廣泛應用于圖像識別領域之中，具有特征提取和分類過程結合的全局訓練特點，因此對圖像有著相對準確的識別能力。本文用于時頻譜圖識別的卷積神經網絡是輕量級的SqueezeNet網絡，該網絡主要的模塊是Fire 模塊，如圖7所示，此模塊主要包含Squeeze 層和Expand 層，這使網絡的參數大大降低，其網絡配置如表1所示，SqueezeNet 網絡的性能與AlexNet［12］相接近，但是模型參數僅有AlexNet的約1/60，模型大小也比AlexNet網絡小得多。

表1 SqueezeNet網絡配置表

圖7 Fire模塊的結構

圖7中，H是特征圖的高，W是特征圖的寬，M是特征圖的通道數，S1,e1,e2均為卷積層輸出的通道數。

原始的SqueezeNet 網絡最后5 層的配置是識別1 000 個類別，而本文實測的數據集是對4 個人進行人體身份識別，因此，遷移學習模式下的SqueezeNet 網絡僅需要保留到表1 中的Drop9 層。網絡中最后一個可學習層即倒數第五層是1×1的卷積層，將其替換為4 分類的新卷積層，最后輸入到Softmax分類器中，對目標進行識別與分類。

3.2 Softmax分類器

Softmax 是機器學習中非常重要的工具之一，它還可以作為激活函數位于深度學習之中，Softmax 函數又稱為歸一化指數函數，由于本實驗做的是多分類任務，即可以看作是二分類函數在分類任務上的推廣，最后是將多分類結果通過概率的形式呈現出來。

Softmax 分類器將N維特征向量作為輸入，然后將每一維的值轉換成［0,1］之間的實數，其公式如下:

分類，ai是該分類的值。由Softmax 分類器輸出的概率之和為1，最終Softmax 分類器選取概率值最大的類別作為輸出。

4 雷達實測數據結果分析

4.1 實驗場景

本實驗采用K 波段FMCW 雷達，有4名測試者參與實驗，采集測試者步態回波數據。該雷達在FMCW 模式下工作于24 GHz，FMCW 雷達參數如表2所示。其中，有2名男性和2名女性，平均體重分別為70 kg/高185 cm 和53 kg/高163 cm，年齡在20～25 歲之間。圖8 顯示了實驗場景，每名測試者的采集次數為100 次，每次采集時間設定為6 s，測試總組數為100×4=400組。

表2 FMCW 雷達參數

圖8 實驗場景

4.2 實驗結果分析

通過實驗，每個人的步態數據總量為100 個，數據主要經過STFT 得到時頻圖像，因此本文把基于微多普勒的人體步態識別問題轉化為圖像識別問題，其中，SqueezeNet網絡學習率為0.003，但是為了網絡適應本實驗所實測的數據集，將遷移學習的網絡中新層的權重學習率因子和偏差學習率因子分別更改為20，其目的是加快遷移層的學習速度。

為了評估本實驗方法的分類性能，將數據集按照8∶2的比例劃分訓練集和數據集，可以通過混淆矩陣看到實驗結果。如圖9 和圖10所示，橫軸代表4 個類別的預測值，縱軸代表4 個類別的真實值，圖中藍色對角線區域表示分類正確的數量，粉色區域代表分類出錯的個數，相比于未進行微多普勒信號分離的人體身份識別測試結果，完成微多普勒信號分離的人體身份識別測試結果的分類錯誤較少，圖9表示的未進行微多普勒信號分離的人體身份識別準確率為93.5%，而圖10 表示的進行微多普勒信號分離的人體身份識別準確率為98.75%，由此可得，經過微多普勒信號分離后人體身份識別準確率提高了5.25%，因為人體步態的差異主要體現在走路四肢的差異。因此，實現微多普勒信號分離的研究方法，使肢體信號特征更明顯，有利于增強人體身份識別的效果。

圖9 未進行微多普勒信號分離的測試結果

圖10 進行微多普勒信號分離的測試結果

4.3 人體身份識別網絡性能對比

本文采用的人體身份識別網絡是SqueezeNet輕量級網絡，輕量級網絡旨在保持模型精度基礎上進一步減少模型參數量和復雜度，下面將SqueezeNet 網絡與文獻［11-14］中網絡模型進行比較，比較結果如圖11、圖12所示。

圖11 不同訓練集性能比較

圖12 網絡性能對比

訓練集的大小是影響人體步態識別性能的一個實際因素，在數據采集過程中，人體步態數據集的采集是一個費時費力的過程。在這種情況下，我們將訓練集的規模占比分別設為20%、40%、60%、80%，對4 個網絡進行性能比較。如圖11所示，每個網絡隨著訓練集占比減少，網絡性能都在降低，這可能是因為步態訓練數據過少時出現過擬合問題，但是SqueezeNet網絡的性能還是優于其他網絡。由柱狀圖可以看出，SqueezeNet網絡在訓練樣本很少的時候也有較高的性能，在小樣本學習中更占有優勢。

與此同時，本文還通過其他方面對網絡性能進行了比較，主要是通過測試時間、準確率、網絡參數量這三方面，如圖12所示，為了避免實驗的偶然性，該數據是進行5次實驗取平均。由折線圖可直觀看出，相對于其他網絡，SqueezeNet 網絡測試時間是比較短的，能夠在短時間內完成步態識別人體身份工作；其次是網絡準確率方面，4 個網絡都有較高的準確率，但是本文使用的SqueezeNet網絡還是略高一些；最后，每個網絡的參數量還是差別很大的，AlexNet 網絡的參數量是SqueezeNet 網絡約68 倍。由此可以得出結論，之于各方面因素的考慮，本文所提的SqueezeNet網絡模型在雷達人體身份識別方面優于其他模型。

5 結束語

本文提出一種基于微多普勒信號分離和SqueezeNet的人體身份識別方法。對區分、識別不同行走的人方面有巨大的潛力。本文實現了微多普勒信號分離方法，實驗結果表明，該方法的性能優于未進行微多普勒信號分離的人體身份識別方法。同時，本文通過采用輕量級SqueezeNet 網絡，已經實現了對4個人的分類與識別問題。

雖然本文的實驗結果是令人滿意的，但仍需要做一些改進。一方面，我們將進一步增加步態數據集的規模和復雜性，例如增加測試者的人數以及不同動作；另一方面，我們需增強我們實驗的應用性能，比如，同時進行多人身份識別以及拒絕未知身份的人員識別。