CN110456320A - 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 - Google Patents

Abstract

本发明公开了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，包括以下步骤：利用超宽带雷达传感器收集固定时长的步态信号；将步态信号沿着慢时间进行分割得到一系列子信号，对每个子信号进行快速傅里叶变换得到距离‑多普勒图，一个步态信号即能得到一组距离‑多普勒图；利用方向梯度直方图对每个距离‑多普勒图进行HOG特征提取；将属于同一个步态信号的一组HOG特征按照慢时间顺序输入至身份识别模型中，进行步态识别，获得目标对象的身份识别结果。该超宽带雷达身份识别方法不受目标的行走方向及角度的显示，既可以依赖步态特征实现目标对象的身份识别。

Description

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

技术领域

本发明属于识别领域，具体涉及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。

背景技术

环境感知是现在乃至未来监控***中的核心功能，目前普遍的方案是借助摄像头来从周围环境中收集信息。然而，摄像头对光照条件存在较高的要求，同时容易泄露隐私等缺点致使其无法在家庭内敏感区域使用。其他的比如可穿戴设备虽然鲁棒性较高，但是由于侵入性的原因会被大多数人所排斥，因此同样存在着较大的局限性。随着半导体技术的快速发展芯片的体积大幅度缩小，现在雷达开始在民用领域发挥出越来越大的作用。雷达传感器通常安装在周围环境中，依靠微波作为信息载体，因此不存在侵入性和直接的隐私泄漏问题。此外，它不受天气、光照等因素影响，适合长时间的对室内环境进行感知。

经过长期的发展，目前雷达的作用已经不仅仅限于单纯的测距、测角等，还可以对运动中的目标属性进行相应的表征。具体来说，所监测的目标在运动时会对雷达信号的频率和相位进行调制，从而在回波信号的主频率周围产生额外的频率分量，这就是微多普勒特征。在实际应用中，依靠微多普勒特征可以用来对步态进行分类，从而检测侵入家庭中的陌生人，甚至辅助诊断一些类似帕金森综合征的疾病(患病后行走姿态发生改变)。前人研究的目标大多拥有较大的生物学区分度，例如区分年轻人与老人，或者识别单臂摆动、自由臂摆动和无臂摆动三种行走动作。更重要的是，现有方法大多要求目标在雷达视线方向行走，这将在实际应用时带来诸多不便。

发明内容

本发明提供了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，该超宽带雷达身份识别方法不受目标的行走方向及角度的显示，既可以依赖步态特征实现目标对象的身份识别。

本发明的技术方案为：

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，包括以下步骤：

利用超宽带雷达传感器收集固定时长的步态信号；

将步态信号沿着慢时间进行分割得到一系列子信号，对每个子信号进行快速傅里叶变换得到距离-多普勒图，一个步态信号即能得到一组距离-多普勒图；

利用方向梯度直方图对每个距离-多普勒图进行HOG特征提取；

将属于同一个步态信号的一组HOG特征按照慢时间顺序输入至身份识别模型中，进行步态识别，获得目标对象的身份识别结果。

优选地，所述利用方向梯度直方图对每个距离-多普勒图进行HOG特征提取包括：

对距离-多普勒图进行灰度化处理；

采用Gamma校正法调整灰度化处理后的距离-多普勒图的对比度；

计算对比度调整后的距离-多普勒图上每个像素点的梯度信息，利用水平梯度和垂直梯度便计算出梯度的幅值与方向，即获得HOG特征。

优选地，所述超宽带雷达身份识别方法还包括：

将整个距离-多普勒图分割成若干个等大小的细胞单元，统计细胞单元内的梯度直方图；将多个细胞单元组合成块单元，对块单元内的的梯度直方图进行串联并归一化，形成当前块的HOG描述符；整个距离-多普勒图的所有描述符相拼接便能得到最终提取的HOG特征。

本发明中，所述身份识别模型是以长短时间记忆网络和分类器组成的网络，经训练得到，其中，长短时间记忆网络用于对输入的HOG特征进行特征整合，分类器用于对整合的特征进行分类判断，以输出识别结果。

其中，所述分类器包括softmax分类器。

子信号表示步态短时间内的特性，因此子信号的长短很重要，经实验探究，子信号的时长为150ms～250ms，这样长度的子信号，刚好可以准确地表示步态的特性。

与现有技术相比，本发明具有的有益效果为：

该超宽带雷达身份识别方法不受目标的行走方向及角度的显示，既可以快速准确地实现目标对象的身份识别。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。

图1是本发明提出的基于自由空间步态时序特征的超宽带雷达身份识别方法的流程图；

图2是实现超宽带雷达身份识别方法的步态识别***结构示意图；

图3是步态信号的慢时间分割与RDM生成示意图；

图4是典型的一组RDM；

图5是身份识别模型训练过程的准确率及损失图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

为了识别人的身份信息，本发明提供了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和实现该超宽带雷达身份识别方法的步态识别***。上述的步态识别***和的超宽带雷达身份识别方法的应用场景可以包括家庭门关处——利用步态特征识别陌生人的闯入、室内空旷处——判断老年人步态变化以预警相应疾病等。

如图2所示，该超宽带雷达身份识别方法包括以下步骤：

S101，利用超宽带雷达传感器收集固定时长的步态信号；

S102，将步态信号沿着慢时间进行分割得到一系列子信号，对每个子信号进行快速傅里叶变换得到距离-多普勒图，一个步态信号即能得到一组距离-多普勒图；

S103，利用方向梯度直方图对每个距离-多普勒图进行特征提取；

S104，将属于同一个步态信号的一组特征按照慢时间顺序输入至身份识别模型中，进行步态识别，获得目标对象的身份识别结果。

该超宽带雷达身份识别方法不用对目标的行走方向及角度进行限制，并能对其行走动作产生的超宽带雷达回波信号进行特征提取及时序建模，最终依靠步态特征来区分目标的身份。下面针对每部分进行详细描述。

本发明采用超宽带雷达传感器收集雷达回波信号，作为步态信号，传统的时频图(time-Doppler maps，TDM)丢失了距离信息，为了完整的利用雷达回波信号中蕴含的信息并提高表示域对特征的归纳和区分能力，本发明构建了新的数据表示方式，过程如图3所示。

步态信号被沿着慢时间域进行切分得到子信号，这些子信号时长在200ms左右，表示了步态短时间内的特性。傅里叶变换被应用到每个子信号的距离单元上计算得到RDM，属于同一个步态信号的多个RDM共同表征了雷达信号中的时间、多普勒频率和空间距离信息。典型的步态信号产生的一组RDM如图4所示，每张图表示了当前子信号记录的时间段内频率在各个距离单元上的分布状况。

人体的行走动作是一个动态过程，图4所示的一组RDM摒弃了传统的“静态”表示方式(依靠单一TDM)，转而“动态”的描述了步态的特征随时间的变化情况，这种数据表示域为引入时序分析提供了理论支持。

相较于传统的图像，这些RDM在形状和纹理上更为简洁直观，可以较好地被梯度或者边缘方向密度所描述。本发明使用HOG这一种在计算机视觉领域广泛运用的方法来作为特征描述方法对RDM进行特征提取。HOG通过统计图象局部区域内的像素变化情况来作为表征形状与纹理的依据，且相较于其他方法计算复杂度较低。

在对RDM进行灰度化处理后，HOG方法通过Gamma校正法调节RDM的对比度，从而减轻传播路径衰减导致的RDM上远距离反射信号能量降低的影响：

P(a,b)＝P(a,b)^gamma

式中，P(a,b)为坐标(a,b)处的像素值；

然后，计算对比度调整后的RDM上每个像素点的梯度信息：

G_x(a,b)＝P(a+1,b)-P(a-1,b)

G_y(a,b)＝P(a,b+1)-P(a,b-1)

利用这水平梯度和垂直梯度便可以计算出梯度的幅值与方向；

最后，将整个RDM分割成若干个等大小的细胞单元(Cell)，统计细胞单元内的梯度直方图；将多个细胞单元进一步组合成更大的块单元(Block)，对块单元内的的梯度直方图进行串联并归一化，形成当前块的HOG描述符；整个RDM的所有描述符相拼接便能得到最终提取的HOG特征。

一个步态信号生成的一组RDM提取得到的特征相互之间存在着时序关系，可以用一些时序建模方法来对特征进行处理。因此，选择以长短时间记忆网络和分类器组成的网络作为身份识别网络，对该身份识别网络进行训练，获得身份识别模型。

LSTM作为循环神经网络(Recruited Neural Networks，RNN)的一种特例，利用细胞状态(Cell State)和隐状态(Hidden State)在单元间传递、存储信息来对长间隔信息进行记忆。单元内和单元间的信息流动情况如以下式子所示：

f_t＝σ(W_xfx_f+W_hfh_t-1+b_f)

i_t＝σ(W_xix_t+W_hih_t-1+b_i)

r_t＝tanh(W_xrx_t+W_hrh_t-1+b_r)

C_t＝f_t*C_t-1+i_t*r_t

o_t＝σ(W_xox_t+W_hoh_t-1+b_o)

h_t＝o_t*tanh(C_t)

将通过方向梯度直方图得到的一组特征输入LSTM中，LSTM经过时间步的更新最终将结果送入Softmax层计算出各类别的概率从而获取目标的身份信息：Softmax函数如下式所示：

实施例

为清晰化本发明的方法流程，更直观的展现方法的结果，在此附上实施例来对其进行进一步的补充说明。本实施例中共有四个实验对象，他们对应的身体物理特征如表1所示：

表1实验对象物理特征

身份	身高	体重
			目标1	170cm	55kg
目标2	179cm	80kg
			目标3	181cm	75kg
目标4	173cm	54kg

每个实验对象在自由空间中进行行走(不限制方向及角度)，利用超宽带雷达采集534个步态信号样本：每个样本记录时间为2秒，包含500个雷达帧，然后沿着慢时间轴对步态信号进行分割，分割长度为100点，前后重叠50点，因此每个样本产生9个子信号用来生成RDM并调整到固定大小(本实施例中为64*32)。四个实验对象共2136个样本按照7：3的比例分为训练集和测试集，其中训练集被用于交叉验证获取最优参数模型，测试集被用来测试模型在真实数据下的实际表现。在5折交叉验证下，原始数据被分为5组，每次迭代时其中4组被当作训练集，剩余一组被当作验证集，通过5次迭代的平均结果作为模型的评估标准。模型的交叉验证评估准确率如表2所示：

表2模型参数评估结果

细胞尺寸和图像的感知域息息相关，由于此实施例中RDM的尺寸较小，过大的细胞尺寸会降低对图像细节的捕捉能力，导致识别性能的下降；同时，LSTM网络复杂度的过度增加也会影响最终的准确率。由表2可得最大的评估准确率为79.67％。将交叉验证时所分的5个部分合并成最终的训练集，并用最优参数模型在训练集上重新进行训练并对测试集的步态数据进行测试。训练过程的准确率及损失如图5所示：

在训练轮数为100时达到了79.10％的测试准确率，然而从图5中可见当训练轮数超过60时，模型的泛化能力趋于下降，因此在实际应用时需要适当控制训练的迭代次数，牺牲一部分训练集表达能力来尽可能保留足够的泛化能力。表3以混淆矩阵的形式给出了个目标身份识别的精确率(Precision)、漏警率(FNR)和虚警率(FPR)。可见该方法在目标2处表现良好，展现出了较为理想的效果；同时可见目标3的精确率较小、漏警率较大，原因在于其行走的特征不突出，很容易归为其他类别中；由于目标1和目标4的行走状况变化较大，容易涵盖其他目标的步态特性，因此容易误导其他目标的识别，导致较大的虚警率。总的来说，本发明提供的基于自由空间步态时序特征的超宽带雷达身份识别方法表现良好，有一定的应用潜力。

表3测试集混淆矩阵

真实/预测	目标1	目标2	目标3	目标4	FNR
						目标1	87.1％	2.9％	4.7％	5.3％	12.9％
目标2	5.1％	87.1％	5.2％	2.6％	12.9％
						目标3	7.6％	6.9％	66.5％	19.0％	33.5％
目标4	14.0％	2.5％	8.3％	75.2％	24.8％
						FPR	26.7％	12.3％	18.2％	26.9％	-

本实施例还提供了步态识别***，如图1所示，包括超宽带雷达传感器、嵌入式处理器及云端数据库。超宽带雷达传感器探知外界步态信号，传给嵌入式处理器，嵌入式处理器对采集的步态信号进行信号分割和特征提取，利用身份识别模型对提取的特征进行分类，输出识别结果，获得的识别结果传输至云端数据库进行保存保存的识别结果发送至用户的终端来进行告知。

以上步态识别***和超宽带雷达身份识别方法完整地保留了雷达信号中的时间、空间距离和多普勒频率的信息，而且不需要限制目标的行走角度与路线。实现了对人身份的识别。

以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (6)

1.一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，包括以下步骤：

利用超宽带雷达传感器收集固定时长的步态信号；

将步态信号沿着慢时间进行分割得到一系列子信号，对每个子信号进行快速傅里叶变换得到距离-多普勒图，一个步态信号即能得到一组距离-多普勒图；

利用方向梯度直方图对每个距离-多普勒图进行HOG特征提取；

将属于同一个步态信号的一组HOG特征按照慢时间顺序输入至身份识别模型中，进行步态识别，获得目标对象的身份识别结果。

2.如权利要求1所述的基于自由空间步态时序特征的超宽带雷达身份识别方法，其特征在于，所述利用方向梯度直方图对每个距离-多普勒图进行HOG特征提取包括：

对距离-多普勒图进行灰度化处理；

采用Gamma校正法调整灰度化处理后的距离-多普勒图的对比度；

计算对比度调整后的距离-多普勒图上每个像素点的梯度信息，利用水平梯度和垂直梯度便计算出梯度的幅值与方向，即获得HOG特征。

3.如权利要求2所述的基于自由空间步态时序特征的超宽带雷达身份识别方法，其特征在于，所述超宽带雷达身份识别方法还包括：

将整个距离-多普勒图分割成若干个等大小的细胞单元，统计细胞单元内的梯度直方图；将多个细胞单元组合成块单元，对块单元内的的梯度直方图进行串联并归一化，形成当前块的HOG描述符；整个距离-多普勒图的所有描述符相拼接便能得到最终提取的HOG特征。

4.如权利要求1所述的基于自由空间步态时序特征的超宽带雷达身份识别方法，其特征在于，所述身份识别模型是以长短时间记忆网络和分类器组成的网络，经训练得到，其中，长短时间记忆网络用于对输入的HOG特征进行特征整合，分类器用于对整合的特征进行分类判断，以输出识别结果。

5.如权利要求4所述的基于自由空间步态时序特征的超宽带雷达身份识别方法，其特征在于，所述分类器包括softmax分类器。

6.如权利要求1～5任一项所述的基于自由空间步态时序特征的超宽带雷达身份识别方法，其特征在于，子信号的时长为150ms～250ms。