基于双频段FMCW雷达的人体动作识别

针对单频段雷达利用微多普勒特征识别人体动作能力有限的问题,提出了一种基于双频段调频连续波(Frequency Modulation Continuous Wave, FMCW)雷达的人体动作识别方法。首先利用K频段与C频段两部不同频段的FMCW雷达分别对人体不同动作进行探测收集到回波数据,对回波数据进行预处理分别得到距离时间、距离多普勒与微多普勒时频谱图像;然后,运用主成分分析法对图像进行特征提取得到特征向量,对提取到的特征向量进行特征级融合;最后,将融合后的特征作为支持向量机的输入从而实现人体动作识别。采用雷达实测数据的实验结果表明,基于双频段FMCW雷达联合工作的探测方法对五种人体动作的识别正确率为96.25%,优于单个频段FMCW雷达单独工作时的动作识别正确率。     

基于FMCW雷达的多通道特征融合人体动作识别方法

针对采用单一特征进行人体动作识别准确率不高的问题,提出了一种基于调频连续波(Frequency Modulated Continuous Wave, FMCW)雷达的多通道特征融合人体动作识别方法。通过对FMCW雷达回波数据进行预处理,得到人体动作的距离参数与多普勒参数,构建出距离-时间特征谱图和多普勒-时间特征谱图数据集。为了进行人体动作特征的充分提取与精确识别,改进了单通道输入的传统卷积神经网络结构,把部分残差连接结构和跨阶段部分连接结构进行了优化应用至雷达人体动作识别领域,设计出端到端的CSP-FCNN(Cross Stage Partial-Fusion Convolutional Neural Network)多通道融合卷积神经网络。采用公开数据集进行实验,结果表明所提方法有效解决了单一特征动作识别信息量欠缺以及网络提取特征不充分的问题,识别准确率较单一特征识别方法提高了5%以上。     

基于特征融合卷积神经网络的FMCW雷达人体动作识别

针对微多普勒特征识别人体动作的局限性,基于调频连续波( Frequency Modulated Continuous Wave,FMCW)雷达采用深度学习方法对人体动作识别,提出了一种特征融合卷积神经网络结构.利用FMCW雷达采样的人体动作回波数据分别构建出时间-距离特征和微多普勒特征图,将这两种特征图作为输入数据分别...     

基于双流特征融合的FMCW雷达人体连续动作识别

本文提出了一种基于双流特征融合的FMCW雷达人体连续动作识别方法。首先对人体动作雷达回波信号进行预处理得到距离时间域图与微多普勒时频谱图,之后分别对两个不同维度的图像进行主成分分析提取对应特征并选取相同时间段的主成分分析结果进行融合得到双流融合特征,最后将双流融合特征输入到Bi-LSTM网络中训练与测试,网络对每个时间段的输入特征产生与之对应的动作类别输出从而实现连续人体动作识别。实验结果表明,当采用双流融合特征作为Bi-LSTM网络的输入时平均识别准确率要高于只采用距离时间特征或微多普勒特征作为网络输入时的平均识别准确率。     

FMCW雷达基于光学字符识别的连续动作识别研究

传统的基于雷达的人体动作识别主要采用微多普勒原理,对原始数据进行处理,生成微多普勒时频图,然后输入到基于分类的深度学习网络中进行识别,只能对单个动作进行识别。本文提出一种FMCW雷达光学字符识别技术的连续动作识别方法,首先对采集的雷达数据采用RDM（Range?Doppler Map）向速度维投影的方法逐帧获取微多普勒时频图,然后将处理得到的时频图输入一个特别定制的,由卷积神经网络、inception_resnet、最大池化层和Bi?LSTM的网络组成,使用联结主义时间分类（CTC）作为损失函数进行训练的网络。实验结果表明该方法对步行、跑步、蹲下、站起、跳跃这5种动作的识别准确率分别高达96.16%,95.34%,88.49%,89.37%,96.72%。对一个时间窗口内多个动作的识别也取得了不错的效果,时间上的识别准确率整体令人满意。     

基于微多普勒信号分离和SqueezeNet的人体身份识别

针对基于雷达传感器的人体身份识别问题,本文提出一种基于微多普勒信号分离和SqueezeNet的人体身份识别方法。首先利用雷达对人体行走的步态进行探测并收集回波数据,回波数据经过预处理得到微多普勒时频谱图;其次用阈值法对时频谱图进行微多普勒信号分离从而得到四肢的时频谱图;最后将其输入到SqueezeNet网络,采用Softmax分类器来实现人体身份识别。实验结果表明,经过微多普勒信号分离后人体身份识别准确率提高5.25%, SqueezeNet网络与其他网络相比,在网络性能上具有准确率高、网络参数少、测试时间短等优势。     

基于三通道CNN⁃GSAM⁃LSTFEM网络的雷达人体切向动作识别

为了提高干涉雷达对人体切向动作的识别性能,本文提出一种基于三通道CNN?GSAM?LSTFEM网络的人体切向动作识别方法。首先利用一发二收的调频连续波（FMCW）雷达搭建干涉雷达平台采集人体切向动作回波数据,之后对每个接收通道的回波数据进行预处理,得到每个接收通道的多普勒时频图（DTFM）和双通道的干涉时频图（ITFM）,然后将这3种时频图分别送入到3个并行的CNN?GSAM?LSTFEM网络进行训练,利用全局空间注意力模块（GSAM）和长短时特征提取模块（LSTFEM）增强卷积神经网络（CNN）的特征提取能力,最后将三通道提取的特征进行融合实现人体切向动作识别。实验结果表明,所提方法可有效提高人体切向动作的识别准确率,平均准确率高达98.77%。     

基于双通道ＣＮＮ的ＦＭＣＷ雷达手势识别方法

为了提高对手势动作的分类能力,该文提出一种基于双通道卷积神经网络(CNN)的调频连续波（FMCW）雷达手势识别方法。首先利用具有一个发射天线两个接收天线的FMCW雷达对不同手势动作进行探测并收集到回波数据,之后对每个接收通道的回波数据进行预处理分别得到距离时间图、距离多普勒图与微多普勒时频谱图,然后将每个动作对应的三种彩色RGB图像进行堆叠。最后将堆叠后的彩色RGB图像输入到双通道CNN中进行手势特征提取和特征融合。实测数据处理结果表明所提基于双通道CNN手势识别方法对设计的八种手势动作的分类平均正确率为97.52%,与传统的单通道CNN相比有效地提高了对手势动作的分类能力。     

基于双雷达微动特征融合的无人机分类识别

无人机的日益流行在带来便利的同时也造成了潜在的威胁,对无人机进行分类识别具有重要意义。雷达微多普勒信号能够区分不同类型的无人机。为了提高基于微多普勒的无人机分类的鲁棒性,该文提出了一种多角度雷达观测微动特征融合的无人机识别方法。首先利用多部雷达同时从不同角度观测目标;然后对采集的雷达数据分别进行短时傅里叶变换(Short-Time Fourier Transform, STFT),得到时频谱图;接着利用主成分分析(Principal Component Analysis, PCA)从时频谱图中提取特征,将两个不同角度雷达传感器得到的特征融合在一起;最后利用支持向量机(Support Vector Machine, SVM)进行训练与分类识别。基于实际雷达数据的实验结果表明:两个雷达传感器观测融合得到的分类精度优于单个雷达传感器的分类精度,最终识别准确率较仅利用X波段雷达传感器方法提升了5%以上。      

基于WGAN-GP的微多普勒雷达人体动作识别

针对人体动作识别微多普勒雷达数据量有限的问题,本文提出基于梯度惩罚的沃瑟斯坦生成对抗网络(WGAN-GP)进行雷达数据增强,实现深度卷积神经网络(DCNN)在样本数量较少时可以得到有效训练。首先对人体各种动作的线性调频连续波雷达回波数据进行预处理得到微多普勒时频谱图像,然后采用WGAN-GP进行时频谱图像数据增强,最后利用生成的图像对DCNN进行训练。实验结果表明使用WGAN-GP可以有效解决雷达数据不足的问题,从而提高DCNN人体动作识别准确率。     

基于时频图像和高次频谱特征的雷达信号识别

针对低信噪比下雷达信号识别准确率较低的问题,提出了一种基于时频图像和高次频谱特征联合的雷达信号识别算法。该算法首先对信号采用Choi-Williams分布(Choi-Williams distribution,CWD)变换获取时频图像,接着对时频图预处理并用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取纹理特征;然后利用对称Holder系数提取信号的高次频谱特征;再将纹理特征和高次频谱特征构成一组联合特征向量,最后通过支持向量机(support vector machine,SVM)实现雷达信号的分类识别。通过对8种典型雷达信号进行实验,结果表明本算法在信噪比为-8 dB时,不同信号的识别准确率能达到90%以上。     

基于循环谱的外辐射源无人机微动特征检测

为了降低无人机微多普勒特征信号检测难度,提出了一种基于无源雷达与循环谱相结合的微多普勒特征检测算法。首先,建立基于数字电视地面广播(Digital Terrestrial Multimedia Broadcast,DTMB)的无源雷达回波信号模型,分析各成分信号的循环谱,并提取循环谱的等高图获得二维特征信息;然后,将无人机旋翼对DTMB信号的微动调制作为检测目标,在此基础上进行循环谱检测和理论仿真。该算法在不进行复杂的杂波抑制的前提下直接对接收信号做循环平稳处理,实测结果验证了该算法能较准确地检测到无人机的微多普勒特征。     

基于?2 -范式的特征抽取框架研究

针对由时频分析引起的失真而导致的特征自动抽取质量低的问题,文中将一个自动抽取微多普勒特征过程转化为 一个?2 -范式凸优化问题, 并通过搭建迭代的卷积神经网络框架近似求解。文中仿真运用四种运动捕捉数据库的测量数据,通过仿真模型模拟了雷达视线方向5 m 处的目标的雷达回波。仿真与实验样本所提取的特征用支持向量机分类。仿真和实验的分类性能表明,该框架抽取的特征的分类性能明显优于时频图像主成分分析所自动抽取特征的分类性能。     

普通战车车轮微多普勒特征分析与提取

本电路首先将220V交流电变为12V直流电压来为整机供电,并应用气敏传感器MQ-2把瓦斯气体浓度这一非电量转换为电信号,再经由运算放大器μA709将该信号与门限电压比较,由电压比较器转化为数字信号并控制由LM555数模集成电路组成的双稳态触发电路最后应用继电器来控制报警电路和通风设备,从而实现报警。     

基于双通道GoogLeNet网络的旋翼无人机分类

针对利用雷达微多普勒效应的旋翼无人机识别问题,提出了一种基于双通道GoogLeNet网络的分类识别方法。首先对旋翼无人机的回波信号进行短时傅里叶变换（Short-Time Fourier Transform,STFT）从而获得信号时频谱,对时频谱沿时间轴进行傅里叶变换得到节奏速度图（Cadence-Velocity Diagram,CVD）。然后将时频图和CVD作为双通道GoogLeNet网络的输入进行特征提取用以获得回波信号的时频域和节奏速度域的特征,最后将所获得的特征输入到Softmax分类器中进而实现旋翼无人机的分类识别。基于实际雷达数据的实验结果表明,所提旋翼无人机分类方法准确率可达到98.9%。     

基于PCA-CLEAN的噪声稳健激光微多普勒特征提取方法

雷达回波中的微多普勒效应能够反映目标的几何结构和运动特性,作为目标独一无二的特征,能够用来实现对目标类别和属性的判断。波长的优势使激光雷达相对于微波雷达具备更好的微多普勒探测精度。针对空中飞机目标(直升机、螺旋桨飞机)回波中微多普勒调制能量较弱,易被噪声污染的问题,提一种基于PCA-CLEAN的噪声稳健激光微多普勒特征提取方法,首先利用PCA对回波信号进行噪声抑制,然后利用CLEAN算法将回波中的机身分量和微动分量区分开,进而提取反映不同目标微动差异的三维特征进行目标分类,基于仿真和实测数据的实验结果表明,所提方法能够获得较好的分类性能,同时在低信噪比条件下能够获得较好的噪声抑制性能。     

Human Activity Classification Based on Micro-Doppler Signatures Using a Support Vector Machine

The feasibility of classifying different human activities based on micro-Doppler signatures is investigated. Measured data of 12 human subjects performing seven different activities are collected using a Doppler radar. The seven activities include running, walking, walking while holding a stick, crawling, boxing while moving forward, boxing while standing in place, and sitting still. Six features are extracted from the Doppler spectrogram. A support vector machine (SVM) is then trained using the measurement features to classify the activities. A multiclass classification is implemented using a decision-tree structure. Optimal parameters for the SVM are found through a fourfold cross-validation. The resulting classification accuracy is found to be more than 90%. The potentials of classifying human activities over extended time duration, through wall, and at oblique angles with respect to the radar are also investigated and discussed.     

机载雷达战场目标的微动特性及识别

机载雷达具有速度快、视野广的特点,适用于战场运动目标的跟踪识别。而目前国内外针对机载低分辨雷达下微动地面目标识别的研究尚属空白。文中建立了机载平台下战场目标的雷达回波散射点模型,分析了单兵、轮式车、履带车等典型目标的微动特性,根据行进单兵微多普勒的周期性特征实现了单兵与机动车的识别;进而通过提取回波信号特征谱和支持向量机的方法实现轮式车与履带车的分类,在20 dB信噪比下识别率在87.5%以上。分类方法具有稳健性和有效性。