CN107358250B - 基于双波段雷达微多普勒融合的人体步态识别方法及*** - Google Patents
基于双波段雷达微多普勒融合的人体步态识别方法及*** Download PDFInfo
- Publication number
- CN107358250B CN107358250B CN201710424041.7A CN201710424041A CN107358250B CN 107358250 B CN107358250 B CN 107358250B CN 201710424041 A CN201710424041 A CN 201710424041A CN 107358250 B CN107358250 B CN 107358250B
- Authority
- CN
- China
- Prior art keywords
- doppler
- time
- frequency
- micro
- gait
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于双波段雷达微多普勒融合的人体步态识别方法及***,能够提高人体步态识别精度。方法包括:S1、获取双波段雷达***采集的目标回波;S2、运用时频分析工具对所述目标回波的微多普勒信息进行时频分析,得到目标步态的时频图;S3、从所述时频图中提取特征,其中,所述特征包括周期、带宽和多普勒偏置;S4、将所述特征进行数据融合,并通过将数据融合的结果输入分类器中进行分类识别,得到目标步态识别结果。
Description
技术领域
本发明涉及雷达技术领域,具体涉及一种基于双波段雷达微多普勒融合的人体步态识别方法及***。
背景技术
目前机场安检主要依靠疏导员指导旅客排队,等候时间较长且效率较低。若能通过人体步态识别正确而迅速地识别目标人体的姿态和步态,将旅客分为不同类型,在不同的队伍排队,可以减少排队时间,提高安检效率还可以降低机场成本。人体步态识别属于模式识别领域,近些年来受到越来越多的关注,其重要性也日渐突出。传统的关于人体步态识别多采用光学成像或光学视频处理技术,不能全天时全天候工作,受周围环境影响较大,且识别精度较低,使其应用范围大大受限。
发明内容
针对现有技术中的缺陷,本发明实施例提供一种基于双波段雷达微多普勒融合的人体步态识别方法及***。
一方面,本发明实施例提出一种基于双波段雷达微多普勒融合的人体步态识别方法,包括:
S1、获取双波段雷达***采集的目标回波;
S2、运用时频分析工具对所述目标回波的微多普勒信息进行时频分析,得到目标步态的时频图;
S3、从所述时频图中提取特征,其中,所述特征包括周期、带宽和多普勒偏置;
S4、将所述特征进行数据融合,并通过将数据融合的结果输入分类器中进行分类识别,得到目标步态识别结果。
另一方面,本发明实施例一种基于双波段雷达微多普勒融合的人体步态识别***,包括:
获取单元,用于获取双波段雷达***采集的目标回波;
分析单元,用于运用时频分析工具对所述目标回波的微多普勒信息进行时频分析,得到目标步态的时频图;
提取单元,用于从所述时频图中提取特征,其中,所述特征包括周期、带宽和多普勒偏置;
识别单元,用于将所述特征进行数据融合,并通过将数据融合的结果输入分类器中进行分类识别,得到目标步态识别结果。
本发明实施例提出的基于双波段雷达微多普勒融合的人体步态识别方法及***,使用双波段雷达***采集的数据,通过提取时频图中的三个特征,将所述特征数据融合后输入到分类器中进行分类识别,整个方案使用的双波段雷达***能全天时全天候工作,不易受周围环境影响,比用单波段雷达多了一步数据融合处理,相当于增加了每一类步态的信息,有利于下一步的分类识别,而且通过数据融合可消除多传感器信息之间可能存在的冗余和矛盾,改善信息提取的可靠性,提高数据的利用率,有利于最后结果的判定,通过上述方案能够提高人体步态识别精度。
附图说明
图1为本发明一种基于双波段雷达微多普勒融合的人体步态识别方法一实施例的流程示意图;
图2为本发明一种基于双波段雷达微多普勒融合的人体步态识别方法另一实施例的流程示意图;
图3是本发明的具体试验场景设置图;
图4是使用K波段雷达观测人体行走时不带包情况时频分布图;
图5是使用K波段雷达人体行走时只带一个拉杆箱情况时频分布图;
图6是使用K波段雷达人体行走时带一个拉杆箱和一个手提包情况时频分布图;
图7是使用X波段雷达人体行走时不带包情况时频分布图;
图8是使用X波段雷达人体行走时只带一个拉杆箱情况时频分布图;
图9是使用X波段雷达人体行走时带一个拉杆箱和一个手提包情况时频分布图;
图10为本发明一种基于双波段雷达微多普勒融合的人体步态识别***一实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参看图1,本实施例公开一种基于双波段雷达微多普勒融合的人体步态识别方法,包括:
S1、获取双波段雷达***采集的目标回波;
S2、运用时频分析工具对所述目标回波的微多普勒信息进行时频分析,得到目标步态的时频图;
S3、从所述时频图中提取特征,其中,所述特征包括周期、带宽和多普勒偏置;
S4、将所述特征进行数据融合,并通过将数据融合的结果输入分类器中进行分类识别,得到目标步态识别结果。
本实施例提出的基于双波段雷达微多普勒融合的人体步态识别方法,使用双波段雷达***采集的数据,通过提取时频图中的三个特征,将所述特征数据融合后输入到分类器中进行分类识别,整个方案使用的双波段雷达***能全天时全天候工作,不易受周围环境影响,比用单波段雷达多了一步数据融合处理,相当于增加了每一类步态的信息,有利于下一步的分类识别,而且通过数据融合可消除多传感器信息之间可能存在的冗余和矛盾,改善信息提取的可靠性,提高数据的利用率,有利于最后结果的判定,通过上述方案能够提高人体步态识别精度。
下面对本发明基于双波段雷达微多普勒融合的人体步态识别方法进行详细说明。
雷达(Radar)是通过发射和接收电磁波来进行目标有无的探测和获得目标的距离、方位和速度等信息的电子***。相比于传统的光学图像***,雷达的优势在于其具备全天时全天候工作能力,受光照、遮挡等环境因素影响较小,实时工作性能好,目标探测精度高,且判别结果误差较小,因此得到广泛的应用。近年来,由雷达目标主体运动之外的其它部分的微运动产生的微多普勒效应引起了人们的广泛关注。在步态识别中,微多普勒可增加目标各部分的状态信息,主要是目标内部一些部分相对主体的运动,如走路过程中胳膊的摆动和腿部的运动等等。如何从雷达回波中提取微多普勒信息判断目标状态或者区分不同目标种类一直都吸引着研究者的目光,迄今为止已获得了长足的发展,例如区分人持枪或者不持枪、动态手势识别等都需要利用微多普勒信息。理论和实践均表明,合理利用目标的微多普勒信息可以有效判别目标的运动状态以及目标内部的相对运动等信息。
在特定的环境下,人体的运动状态蕴含着丰富的信息,比如在机场安检中目标个体是否带包、带一件行李或者两件行李等信息通过对目标回波的微多普勒信息进行有效处理可以得到其肢体的运动状态,即对应着目标不同的状态,这样就可以将携带不同种类行李的旅客区分出来,安排在不同的安检区域,提高安检效率。相对于一般的使用单个雷达观测目标,双波段雷达***同时观测同一目标,对采集到的雷达回波数据处理后进行数据融合,可以更准确的判别目标状态,得到更精确的信息。
微多普勒信息的提取技术中经常要用到时频分析工具,短时傅里叶变换(STFT)由于其是线性的联合时频分析方法,能避免出现交叉项干扰,适用于多分量信号分析而被广泛使用。短时傅里叶变换的结果,即时频图,反映了频率随时间变化规律。时频图中每一时刻由目标运动引起的多普勒信息都可以通过短时傅里叶变换提取出来,这些信息经过处理后可以表征目标的运动特性。数据融合是将单个传感器的多波段信息或者多个传感器的信息加以组合,得到更精确的目标信息,从而可以提高目标分类和评价的准确率。数据融合的优势在于信息融合后可消除多传感器信息之间可能存在的冗余和矛盾,改善信息提取的可靠性,提高数据的利用率,有利于最后结果的判定。因此,本发明的基本思路是利用双波段雷达***发射电磁波,通过对目标回波的微多普勒信息进行时频分析后进行数据融合的方法分析得到目标个体不同的肢体运动状态,对应不同的目标步态,最后进行目标运动状态的分类和识别。模式识别是通过对研究对象的特征进行分析而实现分类的技术,在本发明中,通过对目标的运动特征进行分析,实现目标运动状态的分类,本质上属于模式识别的范畴,我们选择的目标分类器是支持向量机(SVM)。支持向量机可以对两种特征实现分类,其典型实现方式包括一对一方法、二叉树方法和决策树方法等,本发明采用一对一方法。
结合附图2详细说明本发明的方法的具体实现步骤如下所示:
步骤一,按照附图3设置具体的人体步态识别实验场景。本发明中所使用的双波段雷达分别为X波段连续波雷达,中心频率为9.8GHz和K波段连续波雷达,中心频率为25GHz。两部雷达均置于1米高的平台上,它们之间的距离为2米,测试者在距离两部雷达的中心10米距离处正对着雷达行进。本实验用连续波雷达采集数据是因为其回波数据与距离无关、发射功率低、结果精度高且易于携带。本发明中,我们选择具体机场安检应用中的三种情况对应的行进中的三种不同步态作为代表动作,分别是人体行走时不带包、人体行走时只带一个拉杆箱和人体行走时带一个拉杆箱和一个手提包。实验中,测试者每组步态各采集60组实验样本,每个样本的实验时间都是4秒。
步骤二,用短时傅里叶变换作为时频分析工具对步骤一中双波段雷达采集到的每组时域数据进行分析,得到每组动作的时频图。短时傅里叶变换具体用数学公式可表示为;
其中,x[n]是离散的时间信号,w[n]是短时傅里叶变换的窗函数,m是窗函数滑动的位置,ω是角频率。因此短时傅里叶变换的结果实际上就是信号在时间域和频率域上的联合分布,反映了频率随时间的变化规律,即时频图。人体躯干部分运动的主多普勒信息以及这个过程中手臂和腿部摆动引起的微多普勒信息,在时频图中都能被清晰地观测到,如附图4(图4为使用K波段雷达观测人体行走时不带包情况时频分布图)、附图5(图5为使用K波段雷达人体行走时只带一个拉杆箱情况时频分布图)、附图6(图6为使用K波段雷达人体行走时带一个拉杆箱和一个手提包情况时频分布图)、附图7(图7为使用X波段雷达人体行走时不带包情况时频分布图)、附图8(图8为使用X波段雷达人体行走时只带一个拉杆箱情况时频分布图)、附图9(图9为使用X波段雷达人体行走时带一个拉杆箱和一个手提包情况时频分布图)所示。
步骤三,从步骤二得到的时频图中提取合适的特征,本发明中我们选择周期、带宽和多普勒偏置作为特征进行提取。从附图4、附图5、附图6、附图7、附图8、附图9中我们可以看出,每种步态对应的时频图中高频包络和低频包络用包络提取的办法能很容易提取出来,包络中的峰值即对应着每种步态对应的最大正微多普勒频率值和最小负微多普勒频率值,提取出高频包络和低频包络后,最大正微多普勒频率值和最小负微多普勒频率值也能被估计出。通过在时间轴上积累时频信号,求出频谱峰值,即每种步态对应人体躯干部分的主多普勒频率值就能被估计出来。周期表示摆臂或步行动作的重复周期,定义为相邻两个最高正峰之间的时间间隔。本发明中我们用自相关函数来求得周期参数。自相关函数具体可表示为:
其中,s(t)是时频信号,这是由雷达原始数据的STFT获得,*是共轭,τ是时间延迟,LS是时频信号的长度。通过计算自相关函数绝对值峰值之间的时间间隔,可以估计时频信号的周期。将人体躯干部分的主多普勒频率、最大正微多普勒频率值、最小负微多普勒频率值分别标记为f0、f+和f-。带宽的定义为最大正负微多普勒频率之差,记为FB,则带宽可用数学公式表示为:
其中,N表示每次观测时间内的总步数,和分别表示第n步内的最大正微多普勒频率值和最小负微多普勒频率值。带宽表示这三类步态引起的正负微多普勒频率的跨度范围,不同的跨度范围对应于不同的摆臂姿态,即不同的步态情况;多普勒偏置的定义为最大正微多普勒频率值和最小负微多普勒频率值相对于人体躯干部分的主多普勒频率的偏差,记为FO,则多普勒偏置可表示为:
因此多普勒偏置也可以表示多普勒正负频率相对于中心频率的偏差,多普勒偏置值表征了摆臂的对称性。
由附图4、附图5、附图6、附图7、附图8、附图9和我们提取的三个特征,即周期,带宽和多普勒偏置的定义,我们可以发现,因为行走时只带一个拉杆箱这种情况行走时人体左右胳膊摆动是不对称的,因此这种步态的周期几乎是行走时不带包和行走时带一个拉杆箱和一个手提包的周期的两倍大小。由于行走时带一个拉杆箱和一个手提包这种情况下两只胳膊的摆动是受到限制的,时频图中就缺少了有胳膊摆动引起的微多普勒信号,因此这种步态的带宽最小,而另外两种步态的带宽值基本在同一水平上。在行走时只带一个拉杆箱这种步态下,因为在雷达观测过程中,只有一只胳膊在正常摆动,另一只胳膊几乎保持不动,而多普勒偏置值就表征着摆臂的对称性,因此这种步态的多普勒偏置值与另外两种步态有明显的不同。综上所述,周期和多普勒偏置这两个特征中的任何一个都能把行走时带一个拉杆箱这种步态同另外两种区分开来,带宽则是能把行走时带一个拉杆箱和一个手提包这种步态同另外两种区分开来。带宽和多普勒偏置的组合或带宽和周期的组合可以将行走时不带包这种步态同另两种区分开来,因此,周期、带宽和多普勒偏置能作为特征分量把这三类步态准确的区分开来。
步骤四,将步骤三提取出的每个雷达的三个特征做一个数据融合,并将融合后的数据作为输入送到支持向量机中进行分类识别。不管单独用X波段雷达或者是K波段雷达,采集后的实验数据经过时频变换提取特征后,特征的维度都是3;而用双波段雷达时,比用单波段雷达多了一步数据融合处理,因此,这种情况下数据融合后的特征维度为6,相当于增加了每一类步态的信息,有利于下一步的分类识别。本发明中训练样本和测试样本是从总样本中随机选取的,选择一定比例的样本作为训练样本训练分类器,剩下的的全部作为测试样本测试分类器的分类效果,并且做多次蒙特卡洛实验验证分类识别结果,得到目标结果的分类识别准确率。
由于普通的支持向量机只能分两类目标,在本发明中有三类步态需要分类识别,因此选用支持向量机一对一的算法来对这三类步态进行分类识别。这种算法是将所有类别两两之间用一个普通的支持向量机做分类,得到三个中间结果,然后在这三个结果中投票,获得票数最多的那个结果作为最终的分类结果。在该方法中,初始的多类分类问题首先被转化为多个两分类问题,这些两分类问题的结果通过支持向量机得到,然后经过投票得到初始多类分类问题的结果。
本实验中每个雷达中的每种步态的样本都为60组,属于小样本数据,对于这种情况一般采用交叉验证的方法进行测试。本发明中,随机选择总样本数的20%作为训练样本训练分类器,其余的80%作为测试样本测试分类器分类结果,并且做100次蒙特卡洛实验验证分类识别结果。将行进过程中不带包、行进过程中只带一个拉杆箱和行进过程中带一个拉杆箱和一个手提包这三种步态分别记为步态1、步态2和步态3。为了验证双波段雷达数据融合对人体步态识别的结果,将双波段雷达数据融合后的实验结果与只使用X波段雷达和只使用K波段雷达的试验结果,列出如下表所示:
表1:只用X波段雷达的分类正确/错误率
步态1 | 步态2 | 步态3 | |
步态1 | 70.00% | 28.33% | 1.67% |
步态2 | 8.33% | 91.67% | 0.00% |
步态3 | 0.00% | 13.33% | 86.67% |
表2:只用K波段雷达的分类正确/错误率
步态1 | 步态2 | 步态3 | |
步态1 | 98.30% | 0.00% | 1.70% |
步态2 | 1.67% | 98.33% | 0.00% |
步态3 | 8.54% | 0.00% | 91.46% |
表3:双波段雷达数据融合后的分类正确/错误率
步态1 | 步态2 | 步态3 | |
步态1 | 100% | 0.00% | 0.00% |
步态2 | 1.67% | 98.33% | 0.00% |
步态3 | 5.00% | 0.00% | 95.00% |
从分类结果可看出,本发明能够用双波段雷达***采集数据,通过提取时频图中的三个特征,数据融合后输入到一对一的支持向量机中进行分类识别,结果证明了这种方法在小样本情况下对不同步态进行分类识别的效果显著,能较好地区分出这三类步态并且分类准确率比仅使用其中任一单雷达传感器的更高。这也从另一方面说明了采用一对一的支持向量机方法进行分类能充分发挥支持向量机在小样本情况下分类准确的优势并且用双波段雷达***在提取特征后进行数据融合,将特征维度增大一倍,也可以提高分类结果准确率。
参看图10,本实施例公开一种基于双波段雷达微多普勒融合的人体步态识别***,包括:
获取单元1,用于获取双波段雷达***采集的目标回波;
分析单元2,用于运用时频分析工具对所述目标回波的微多普勒信息进行时频分析,得到目标步态的时频图;
提取单元3,用于从所述时频图中提取特征,其中,所述特征包括周期、带宽和多普勒偏置;
本实施例中,所述提取单元,具体可以用于:
通过计算自相关函数绝对值峰值之间的时间间隔,得到所述周期,其中,所述自相关函数的表达式为s(t)为时频信号,*为共轭,τ为时间延迟,LS为时频信号的长度。
所述带宽FB的计算公式为N表示每次观测时间内的总步数,和分别表示第n步内的最大正微多普勒频率值和最小负微多普勒频率值。
所述多普勒偏置FO的计算公式为N表示每次观测时间内的总步数,和分别表示第n步内的最大正微多普勒频率值和最小负微多普勒频率值,f0为人体躯干部分的主多普勒频率。
识别单元4,用于将所述特征进行数据融合,并通过将数据融合的结果输入分类器中进行分类识别,得到目标步态识别结果。
具体地,所述分类器可以采用一对一的支持向量机。
本实施例提出的基于双波段雷达微多普勒融合的人体步态识别***,使用双波段雷达***采集的数据,通过提取时频图中的三个特征,将所述特征数据融合后输入到分类器中进行分类识别,整个方案使用的双波段雷达***能全天时全天候工作,不易受周围环境影响,比用单波段雷达多了一步数据融合处理,相当于增加了每一类步态的信息,有利于下一步的分类识别,而且通过数据融合可消除多传感器信息之间可能存在的冗余和矛盾,改善信息提取的可靠性,提高数据的利用率,有利于最后结果的判定,通过上述方案能够提高人体步态识别精度。
本发明通过双波段雷达采集数据,选择并提取三个微多普勒特征并做数据融合后进行人体步态分类识别,经过实际雷达回波数据分析,结果证明本方法能以较高的准确率对这三类步态进行分类,并且双波段雷达***比其中任何一个雷达***单独使用时分类准确率都要高,证明了本方法的有效性。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (6)
1.一种基于双波段雷达微多普勒融合的人体步态识别方法,其特征在于,包括:
S1、获取双波段雷达***采集的目标回波;
S2、运用时频分析工具对所述目标回波的微多普勒信息进行时频分析,得到目标步态的时频图;
S3、从所述时频图中提取特征,其中,所述特征包括周期、带宽和多普勒偏置;
S4、将所述特征进行数据融合,并通过将数据融合的结果输入分类器中进行分类识别,得到目标步态识别结果;
所述S3,包括:
通过计算自相关函数绝对值峰值之间的时间间隔,得到所述周期,其中,所述自相关函数的表达式为s(t)为时频信号,*为共轭,τ为时间延迟,LS为时频信号的长度;
所述带宽FB的计算公式为N表示每次观测时间内的总步数,和分别表示第n步内的最大正微多普勒频率值和最小负微多普勒频率值。
2.根据权利要求1所述的方法,其特征在于,所述多普勒偏置FO的计算公式为N表示每次观测时间内的总步数,和分别表示第n步内的最大正微多普勒频率值和最小负微多普勒频率值,f0为人体躯干部分的主多普勒频率。
3.根据权利要求1所述的方法,其特征在于,所述分类器采用一对一的支持向量机。
4.一种基于双波段雷达微多普勒融合的人体步态识别***,其特征在于,包括:
获取单元,用于获取双波段雷达***采集的目标回波;
分析单元,用于运用时频分析工具对所述目标回波的微多普勒信息进行时频分析,得到目标步态的时频图;
提取单元,用于从所述时频图中提取特征,其中,所述特征包括周期、带宽和多普勒偏置;
识别单元,用于将所述特征进行数据融合,并通过将数据融合的结果输入分类器中进行分类识别,得到目标步态识别结果;
所述提取单元,具体用于:
通过计算自相关函数绝对值峰值之间的时间间隔,得到所述周期,其中,所述自相关函数的表达式为s(t)为时频信号,*为共轭,τ为时间延迟,LS为时频信号的长度;
所述带宽FB的计算公式为N表示每次观测时间内的总步数,和分别表示第n步内的最大正微多普勒频率值和最小负微多普勒频率值。
5.根据权利要求4所述的***,其特征在于,所述多普勒偏置FO的计算公式为N表示每次观测时间内的总步数,和分别表示第n步内的最大正微多普勒频率值和最小负微多普勒频率值,f0为人体躯干部分的主多普勒频率。
6.根据权利要求4所述的***,其特征在于,所述分类器采用一对一的支持向量机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710424041.7A CN107358250B (zh) | 2017-06-07 | 2017-06-07 | 基于双波段雷达微多普勒融合的人体步态识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710424041.7A CN107358250B (zh) | 2017-06-07 | 2017-06-07 | 基于双波段雷达微多普勒融合的人体步态识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107358250A CN107358250A (zh) | 2017-11-17 |
CN107358250B true CN107358250B (zh) | 2019-11-22 |
Family
ID=60272326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710424041.7A Active CN107358250B (zh) | 2017-06-07 | 2017-06-07 | 基于双波段雷达微多普勒融合的人体步态识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358250B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388850A (zh) * | 2018-02-08 | 2018-08-10 | 天津大学 | 一种基于k最近邻及微多普勒特征的人体动作识别方法 |
CN108509878B (zh) * | 2018-03-19 | 2019-02-12 | 特斯联(北京)科技有限公司 | 一种基于人体步态分析的安全门***及其控制方法 |
EP3553552B1 (en) * | 2018-04-11 | 2022-05-25 | Aptiv Technologies Limited | Method for the recognition of a moving pedestrian |
CN110618465B (zh) * | 2018-06-04 | 2021-07-06 | 富士通株式会社 | 物品检测方法和装置 |
CN108828548A (zh) * | 2018-06-26 | 2018-11-16 | 重庆邮电大学 | 一种基于fmcw雷达的三参数融合数据集构建方法 |
CN110647788B (zh) * | 2018-12-28 | 2023-04-18 | 南京华曼吉特信息技术研究院有限公司 | 一种基于微多普勒特征的人类日常行为分类方法 |
CN111476078B (zh) * | 2019-02-28 | 2024-06-25 | 杭州芯影科技有限公司 | 基于毫米波步态生物特征的身份识别方法和*** |
CN110456320B (zh) * | 2019-07-29 | 2021-08-03 | 浙江大学 | 一种基于自由空间步态时序特征的超宽带雷达身份识别方法 |
CN112444785B (zh) | 2019-08-30 | 2024-04-12 | 华为技术有限公司 | 一种目标行为识别的方法、装置和雷达*** |
CN111580060B (zh) | 2020-04-21 | 2022-12-13 | 北京航空航天大学 | 目标姿态识别的方法、装置和电子设备 |
CN111753678B (zh) * | 2020-06-10 | 2023-02-07 | 西北工业大学 | 基于超声波的多设备协同步态感知与身份识别方法 |
CN112656402B (zh) * | 2020-11-30 | 2023-01-13 | 重庆优乃特医疗器械有限责任公司 | 应用于3d体态检测分析的采集机器人联动控制*** |
CN112668443A (zh) * | 2020-12-24 | 2021-04-16 | 西安电子科技大学 | 基于双通道卷积神经网络的人体姿态识别方法 |
CN113238222B (zh) * | 2021-05-13 | 2022-05-13 | 天津大学 | 一种基于包络密度特征的人体动作识别方法 |
CN113885015B (zh) * | 2021-09-28 | 2022-03-25 | 之江实验室 | 一种基于毫米波雷达的智能厕所*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412306A (zh) * | 2013-07-10 | 2013-11-27 | 北京航空航天大学 | 基于多站多波段带宽融合的超宽带相参处理方法 |
CN103675783A (zh) * | 2012-09-25 | 2014-03-26 | 中国航天科工集团第二研究院二〇七所 | 一种宽带多波段成像的相参处理方法 |
CN106204629A (zh) * | 2016-08-17 | 2016-12-07 | 西安电子科技大学 | 天基雷达与红外数据融合在轨动目标检测方法 |
CN106250854A (zh) * | 2016-08-02 | 2016-12-21 | 清华大学 | 基于微多普勒特征和支持向量机的人体步态识别方法 |
CN106383344A (zh) * | 2016-09-30 | 2017-02-08 | 长沙太电子科技有限公司 | 基于融合准则的多站雷达运动目标检测方法 |
-
2017
- 2017-06-07 CN CN201710424041.7A patent/CN107358250B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103675783A (zh) * | 2012-09-25 | 2014-03-26 | 中国航天科工集团第二研究院二〇七所 | 一种宽带多波段成像的相参处理方法 |
CN103412306A (zh) * | 2013-07-10 | 2013-11-27 | 北京航空航天大学 | 基于多站多波段带宽融合的超宽带相参处理方法 |
CN106250854A (zh) * | 2016-08-02 | 2016-12-21 | 清华大学 | 基于微多普勒特征和支持向量机的人体步态识别方法 |
CN106204629A (zh) * | 2016-08-17 | 2016-12-07 | 西安电子科技大学 | 天基雷达与红外数据融合在轨动目标检测方法 |
CN106383344A (zh) * | 2016-09-30 | 2017-02-08 | 长沙太电子科技有限公司 | 基于融合准则的多站雷达运动目标检测方法 |
Non-Patent Citations (2)
Title |
---|
张军.人体步态特征生物识别方法研究.《天津工程师范学院学报》.2010,第20卷(第4期), * |
韩伟 等.双波段模式下的雷达数据处理***设计.《雷达科学与技术》.2014,第12卷(第5期), * |
Also Published As
Publication number | Publication date |
---|---|
CN107358250A (zh) | 2017-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358250B (zh) | 基于双波段雷达微多普勒融合的人体步态识别方法及*** | |
CN106250854A (zh) | 基于微多普勒特征和支持向量机的人体步态识别方法 | |
CN108564005A (zh) | 一种基于卷积神经网络的人体跌倒辨识方法 | |
Li et al. | Potential active shooter detection based on radar micro-Doppler and range-Doppler analysis using artificial neural network | |
CN107240122A (zh) | 基于时空连续相关滤波的视频目标跟踪方法 | |
CN109767427A (zh) | 列车轨道扣件缺陷的检测方法 | |
CN108416378A (zh) | 一种基于深度神经网络的大场景sar目标识别方法 | |
CN106019254B (zh) | 一种uwb冲击生物雷达多人体目标距离向分离辨识方法 | |
CN106295684A (zh) | 一种基于微多普勒特征的动态连续/非连续手势识别方法 | |
CN104268514A (zh) | 一种基于多特征融合的手势检测方法 | |
CN104374738A (zh) | 一种基于近红外提高鉴别结果的定性分析方法 | |
CN113408328B (zh) | 基于毫米波雷达的手势分割与识别算法 | |
Chen et al. | Attention-based dual-stream vision transformer for radar gait recognition | |
Li et al. | LSTM based human activity classification on radar range profile | |
CN112364689A (zh) | 基于cnn与雷达图像的人体动作与身份多任务识别方法 | |
CN105890600A (zh) | 基于手机传感器的地铁乘客位置推测方法 | |
Zhang et al. | Feature extraction and classification of human motions with LFMCW radar | |
CN116524537A (zh) | 一种基于cnn和lstm联合的人体姿态识别方法 | |
Yang et al. | Sparsity aware dynamic gesture classification using dual-band radar | |
CN106446837B (zh) | 一种基于运动历史图像的挥手检测方法 | |
CN106650680B (zh) | 基于时间序列相似搜索的震动目标识别方法 | |
CN109350072A (zh) | 一种基于人工神经网络的步频探测方法 | |
Cho et al. | Classification of human body motions using an ultra-wideband pulse radar | |
Ziyan et al. | The research of electronic countermeasure intelligence correlation analysis based on machine learning | |
Wang et al. | Facial expression recognition of aerobics athletes based on CNN and HOG dual channel feature fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |