超宽带雷达人体姿态识别综述

与传统摄像头相比,利用超宽带雷达进行人体姿态识别不仅对环境要求低、识别率高且能较好地解决摄像头存在视角盲区和易泄露隐私等问题.结合超宽带雷达系统的特性,对常见的超宽带脉冲信号进行了分析;针对当前的研究前沿,对超宽带雷达人体姿态识别的传统机器学习方法和深度学习方法进行分析,结合具体文献对具有代表性的支持向量机(SVM)和...     

基于CNN的超宽带穿墙雷达静目标数量识别技术

本文基于静止目标的超宽带(UWB)雷达模型的构建,提出利用卷积神经网络(CNN)进行人体数量的识别方法,针对实测数据对该方法进行实验分析,并与传统方法进行比较,结果表明:将超宽带穿墙雷达与CNN结合对人体数量识别准确率较高,并且去除数据预处理环节对识别效果没有影响.     

基于双流步态网络的跨视角步态识别

通过增强样本数据和网络特征,提出双流步态网络,增强模型对携带物、衣物变化影响的鲁棒性.首先构造双流步态网络,分别提取步态视频数据中的全局特征和协变量影响范围外的局部判别信息.再将两组网络的特征信息相加融合后,得到步态的双流特征表达.提出的限制随机遮挡策略增广用于训练样本的难度和多样性,提高网络对局部特征的学习能力,减弱协变量的不利影响.另外,改进三元组损失采样方法,加速网络模型的训练收敛速度.在大型步态数据集CASIA-B和OU-MVLP上的实验表明,在携带背包和穿着不同衣物的行走状态下,双流步态网络步态识别准确率较高.     

基于步态的人体身份检测与识别

步态识别是利用人体步行的方式来区分人体身份,近年来,步态作为一种生物特征识别技术引起了越来越多人们的兴趣,其主要有三大优势:远距离识别,非侵犯性和难于隐藏性。国外对步态进行动态特征提取做了大量的工作,但还处于研究阶段,国内外还没有成熟的产品出现。该文提出了一种有效的步态检测方法,采用步态序列相似性进行人体身份识别。     

基于卷积神经网络的雷达人体动作识别方法

利用雷达来识别人体动作对环境要求较低,且避免了摄像头带来的的隐私问题。针对这种需求,提出一种基于超宽带雷达和深度学习算法的人体动作识别方法。利用超宽带雷达的高距离分辨力,并针对人体动作的动态特性,提取出人体目标的距离-时间二维特征,弥补单一距离特征的不足。针对特征图采用一种经过优化的卷积神经网络进行识别。通过SIR-20高速探地雷达平台进行数据采集,对8种不同的人体动作进行识别,最终达到了平均99.2%的正确识别率,验证了该方法的可行性和有效性。     

基于轻量级卷积网络的步态识别研究

针对目前深度学习网络参数量大、成本较高等问题,提出了一种将轻量级卷积网络应用在步态识别中的研究,实现对行人步态的准确识别。该方法对数据集图像进行背景减除和归一化等预处理操作,根据每个人的步态特征提取出相应的步态能量图,使用Mobilenet网络模型进行特征学习并完成分类任务。实验结果表明,Mobilenet网络在减少模型参数量的同时,可以提高模型的识别精度,平均准确率和召回率可以达到90.7%、89.99%,能够有效地实现步态的识别及分类。     

基于步态的人体身份识别技术分析与研究

步态识别是利用人体步行的方式来区分人体身份.近年来,步态作为一种生物特征识别技术已引起了越来越多人们的兴趣.本文从步态识别技术的起源进行讨论,对国际上步态识别技术进行了研究,对主流的识别方法进行分析,对研究步态识别具有指导意义.     

汽车防撞雷达的目标识别

提出了一种降低雷达虚警率的解决方法。从波束的限制到波形的选择,对如何快速准确地采集目标信息进行了分析,为减少路面、防护栏或旁车道车辆所造成的干扰,采用FSK LFM方式的雷达波形处理多目标问题,算法快速方便,提高汽车防撞雷达的性能。     

基于卷积神经网络与注意力模型的人体步态识别

步态识别是非接触式生物识别领域中一个比较前沿的课题,它主要是利用行走过程中个体步态之间的差异来识别人的身份。近年来,随着可穿戴传感器在人体信息采集中的广泛应用,利用惯性传感器采集步行过程中的线性加速度以及角速度进而实现步态特征提取是该领域中一个研究热点。为了提取更加有效的步态识别特征,利用基于注意力机制的卷积神经网络来进行步态特征的深度学习,其主要流程是先对原始数据进行预处理,接着利用卷积神经网络对处理后的数据提取步态特征,然后利用注意力机制对步态特征进行加强,最后再分类。实验结果证明了本文方法的优越性。     

基于多尺度特征迁移学习的步态识别研究

为了解决行人步态数据集样本量较少、单特征或多特征融合的步态识别算法特征描述不足的问题,提出了一种基于多尺度特征深度迁移学习的行人步态识别方法。该算法步骤包括：改进VGG-16网络,去除网络中最后一个最大池化层（Maxpool Layer）,融合空间金字塔池化网络结构（SPP）获取行人步态能量图（GEI）的多尺度信息,利用Imagenet数据集预训练此网络模型,将提取特征能力迁移至行人步态识别网络模型中,采用行人步态样本集微调网络,修改网络中的全连接层参数,应用于行人步态识别研究。该方法在中科院自动化研究所的CASIA-B步态数据集上的识别精度达到了95.7%,与单一步态特征的步态识别方法以及融合多种步态特征的识别方法相比,步态识别率有了明显提升,表明该方法有更好的识别性能。     

基于AdaBoost的雷达目标HRRP识别

针对雷达高分辨一维距离像(HRRP)特征维数高的特点,采用线性判别分析(LDA)和核Fisher判别分析(KFD)方法进行特征压缩和提取。分析了基于AdaBoost算法的分类器的设计思想和实现步骤。构造了高斯型弱分类器,利用AdaBoost算法集成高斯弱分类器实现了一强分类器,利用此分类器对降维后的HRRP数据进行分类识别,并同K近邻分类器(KNN)、支持向量机(SVM)分类器进行比较,得到一些有价值的结论。     

基于Tsfresh-RF特征提取的人体步态识别算法

惯性传感器(IMU)由于尺寸小、价格低、精度高以及信息实时性强等优点, 在人体运动信息的获取与控制等方面得到广泛应用, 但在步态识别的时间序列特征提取和步态环境数据等方面还存在着明显的局限. 本文针对人体下肢步态识别特征提取的复杂性及适用性差等问题, 提出基于Tsfresh-RF特征提取的人体步态识别新方法. 首先, ...     

基于Radon变换特征提取的步态识别

提出了一种基于Radon变换特征提取的步态识别算法.该算法根据步态轮廓图下肢的宽度信息确定步态运动准周期性,对二进制准周期步态轮廓序列进行Radon变换构造特征向量模板.对特征向量进行主成分分析,并采用k-近邻法进行步态特征分类.在CASIA步态数据库上和CAS识别算法进行了详细的比较,实验结果表明,该算法在性能上有较大程度的提高,是一种有效的步态识别方法.     

基于堆叠双向LSTM的雷达目标识别方法

现阶段雷达目标检测识别主要依赖人工算法提取目标的特征,难点在于环境自适应能力弱,高强度杂波背景下难以有效检测到目标;针对上述问题,结合深度学习在图像识别等领域表现出的强大的学习表示能力,提出基于堆叠双向长短期记忆网络的雷达目标识别方法;网络模型以雷达多普勒维的回波数据构建数据集,采用双向LSTM提取雷达回波数据在时间序列上的正向和逆向信息,通过RMSProp优化算法对神经网络参数迭代训练,实现了对无人机这种低空慢速小目标的有效识别;实验结果表明,基于堆叠双向LSTM的雷达目标识别方法优于传统的SVM分类算法和卷积神经网络分类算法.     

基于时域双谱特征的雷达目标识别

雷达目标高分辨一雏距离像(High range resolution profile,HRRP)是目标散射回波在雷达径向上的投影,具有非高斯、非线性特点.文中从双谱概念出发引入时域双谱概念.分析了HRRP的时域双谱特征.为提高识别性能,定义了Fisher类可分离度函数,以类间可分离度最大化作为特征提取准则,提取一些特征双谱作为HRRP的特征向量.采用基于子空间变换的独立分量分析(Principle component analysis,PCA)和线性判别分析(Linear discriminant analysis,LDA)的特征提取方法进行了对比实验.结果表明,本文方法用于雷达目标高分辨一维距离像识别具有良好的抗喙性能和较高识别率.     

基于包围盒的碰撞检测算法研究

碰撞检测问题在机器人运动规划、计算机图形学等领域中有很长的研究历史,近年来随着虚拟现实、分布交互仿真等技术的兴起,碰撞检测问题开始成为研究的热点.目前存在许多碰撞检测算法,它们各有优劣.该文主要介绍了基于包围盒的各种碰撞检测算法,并对这几种包围盒算法进行比较,最后基于时空相关性的分析,提出改进的方法来提升算法的效率.     

基于包围盒的碰撞检测算法研究

基于包围盒的碰撞检测算法是一类重要的碰撞检测算法。文章比较了几种常用的包围盒碰撞检测算法;给出了OBB包围盒的计算算法及其改进和修正算法;包围盒树的建立算法;包围盒的重叠测试和基于包围盒的碰撞检测算法;最后以OBB验证了该类算法的有效性,正确性和鲁棒性。     

非线性正则子空间法雷达目标一维距离像识别

雷达目标识别中,目标一维距离像的分布常表现出明显的非线性和复杂性,这时经典的线性子空间方法的识别性能会有所下降.为此,本文提出非线性正则子空问法,通过对一维距离像进行非线性变换,使在原有空间线性不可分的一维距离像模式在高维空间有望具有线性可分性,从而提高目标的识别性能.对实测飞机数据的实验结果表明该方法的有效性.     

基于小波分析和神经网络的雷达目标识别方法的研究

高频区的雷达目标识别是当前高技术领域内的一个发展重点。以多散射中心的目标模型为基础,本文应用小波分析作为提取目标特征矢量的有力工具,结合提出的一种改进的人工神经网络算法,对于宽带连续波工作体制下的雷达目标识别问题做了探讨和研究。实验结果证实了小波分析与神经网络相结合的目标识别方法的有效性。