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...     

自适应滤波器在超宽带穿墙雷达中的应用研究

作为一种新型探测和定位墙后人体目标的方法,超宽带穿墙雷达在军事和民用多个领域得到了广泛的应用。由于目标信号经常被强背景噪声所淹没,为实现动目标检测,需寻求一种有效的背景相消方法以凸显动目标信号,提高动目标检测和定位的精度。在研究回波信号特点的基础上,考虑到无限冲击响应（IIR）滤波器和自适应滤波器的优点,提出采用基于IIR的自适应滤波器背景噪声相消的方法,抑制回波信号中的噪声。为验证方法的有效性,采用该方法对利用SIR20雷达收集的实测数据进行了相关处理。从结果看,该方法能有效抑制背景噪声,凸显目标信号,为目标的检测和定位奠定了良好的基础。     

超宽带穿墙雷达三维快速成像算法

超宽带穿墙雷达是一种能够隔墙探测和定位的新型实时成像雷达系统,在城区巷战,反恐斗争和人质救援中应用非常广泛.穿墙雷达对成像的实时性要求非常高,传统的成像算法已不能满足计算时间上的要求.本文将基于逆边界散射变换的快速成像算法应用到穿墙雷达系统中,利用FDTD数值仿真验证了对隐藏在墙后目标的三维成像结果,并分析了墙壁对目标定位误差的影响.研究表明,与传统的后向投影成像算法相比,基于逆边界散射变换的成像算法计算效率高,实时性好,且能对目标边界形状清晰成像.     

基于神经网络的舰船雷达目标识别

通过从目标的这回波中提取特生信息，并进行适当处理来判断目标的类型已成为目标识别的一种重要方法。本文利用的神经网络对舰船雷达目标识别进行了探讨，仿真结果表明，辨识正确率较高。     

基于改进OMP的超宽带穿墙雷达稀疏成像方法

在超宽带穿墙雷达成像应用中,压缩感知理论应用可以获得高分辨率稀疏成像。但这必须建立在目标恰好落在预设网格点的前提条件下,一旦目标偏离预设网格点,目标像会发生偏移,甚至还会产生虚假像。本文提出一种基于梯度优化的贝叶斯假设检验正交匹配追踪(GBTOMP)稀疏成像方法。该方法以传统正交匹配追踪(OMP)为基础,从预设网格点空间位置出发,以梯度优化的最速上升方法搜索到目标真实空间位置,并由此修正模型中的感知矩阵,再利用修正后的感知矩阵恢复目标散射系数。考虑到正交匹配追踪会带来冗余下标,利用贝叶斯假设检验设置一个合适的门限去冗余以保证目标真实像的准确恢复。仿真和实验结果表明,该方法校正了目标偏离预设网格所带来的模型误差,稀疏成像效果明显改善。     

基于时-距包围盒目标截取的超宽带雷达多人步态识别

为解决超宽带(UWB)雷达多人识别的目标分割问题,提出了一种基于时-距包围盒(TRBB)的UWB雷达回波数据表示方法及TRBB截取算法,结合卷积神经网络(CNN),一起实现了一种多人步态识别算法框架.框架中,TRBB截取算法包括人体目标检测与快、慢时间分割,前者通过k-means聚类方法获取人体HRRP几何中心,后者利用HRRP几何中心作为参考点,通过截取信号矩阵中的TRBB目标子矩阵,从而实现多目标分离.可以看出,TRBB截取算法既可用于目标识别,也可用于目标跟踪.考虑到CNN擅长挖掘图像的隐含特征,框架选用CNN来学习TRBB中蕴含的步态特征是一个自然的选择.实验室条件下,测试了上述多人步态识别算法框架的性能,平均步态识别准确率达89.3％.     

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。     

穿墙雷达中的动目标定位新方法

基于冲激式超宽带体制,在穿墙雷达典型探测环境下完成了动目标的回波建模,并结合有效的脉冲积累方法和杂波抑制方法,创新性地将查找表技术应用于穿墙雷达,能够有效获得动目标的位置信息。该方法对系统的计算单元要求很低,图像刷新率快,便于DSP实现,已经在样机试验中取得了良好的效果。     

基于信号特征值相关性去除穿墙雷达直达波

穿墙雷达是一种用来探测被障碍物遮挡目标的新型雷达,障碍物对于穿墙雷达成像影响较大,回波中的目标信号往往淹没在直达波信号中。目前所提出的算法不能够完全去除直达波信号,或者在去除直达波信号的同时削弱了目标信号的幅度,影响目标信号的识别。针对超宽带步进变频穿墙雷达中去除直达波的问题,提出采用奇异值分解的方法提取回波信号中的目标信号分量和直达波信号分量,并去除直达波信号,最后采用HFSS仿真软件进行建模仿真。仿真结果表明,奇值分解方法能够有效去除直达波信号,并且能够保留目标信号的绝大部分信息,优于对消法。改进方法是处理相干信号的一种比较有效的手段,可用于强干扰噪声环境下的噪声去除。     

基于多尺度卷积核CNN的脑电情绪识别

针对传统的人工特征选取需要耗费大量时间和精力的问题,本文在传统卷积神经网络(convolutional neural networks,CNN)模型的基础上,提出了一种基于多尺度卷积核CNN的特征提取与分类方法,并在脑电情绪识别分类上进行了验证.本文首先进行了通道选择方面的研究,其次使用多尺度卷积核CNN模型对提取了微分熵(differential entropy feature,DE)特征的脑电数据进行情绪三分类实验,相比于传统的CNN模型,多尺度卷积核CNN模型在卷积层中采用多个尺度的卷积核,同时从高维度与低维度对脑电信号进行二次特征提取.实验结果表明,预处理数据在33通道的情绪分类平均准确率为89.72％,几乎接近全通道的平均准确率;多尺度卷积核CNN在微分熵特征上的情绪三分类取得了98.19％的平均分类准确率,实验结果证明了该模型的有效性和鲁棒性.     

基于卷积神经网络的目标识别算法研究

随着时代的快速发展,对于监控视频处理,传统人工处理方式已不能满足社会实际发展需求。智能监控依靠目标检测实现监控,目标识别成为计算机视觉领域的重要研究方向,主要从图像或者视频中检测某一类别的目标。基于此,分析卷积神经网络目标识别算法,研究目标检测算法存在的问题,并提出相应对策,有效提高检测算法的有效性和精确度,从而推动智能视频监控的快速发展和广泛应用。     

基于卷积神经网络的遮挡目标图像检测识别技术研究

为了尽可能降低图像目标的重复识别概率、错误率,提出了利用卷积神经网络算法对图像识别信息的重复识别进行分析的实验研究。遮挡目标的数据集经过图像增强后输入给卷积层卷积,初始化得到的图像数据经过卷积层卷积后,提交至池化层进行进一步处理,提取图像特征数据,将提取的图像特征数据经过池化层处理后进行压缩,提取遮挡目标的关键特征信息。最后经过TensorFlow深度机器学习框架的实验测试,进一步证明使用注意模块后可以通过引导网络去关注被遮挡目标图像上的可视细节部分,并完善对遮挡目标图像检测进行验证研究。     

实时雷达目标回波波形发生器在雷达目标识别中的应用

在自动目标识别系统（ＡＴＲ）中往往需要对系统样机进行测试和评估。文中论述了为完成测试而提供信号的目标回波波形发生器,它可以复现实际采集的真实目标的回波,也可以产生由算法提供的目标任意仿真波形,还可以作为普通的波形发生器使用。该波形合成器能够以６４ＭＨｚ的速率从Ｄ／Ａ 输出缓存数据,同时提供了１ Ｈｚ～４ ｋＨｚ可编程雷达同步信号,输出合成回波信号,在示波器上可得到完全等同于Ａ 显示器的波形信号,为ＡＴＲ系统的性能测试提供了可靠的保证。     

不均衡样本下的低分辨雷达目标识别算法

针对传统低分辨雷达目标识别算法在样本不均衡条件下目标识别率较低的问题,提出了基于分段损失函数的卷积神经网络(Convolutional Neural Network,CNN)低分辨雷达目标识别算法.算法首先使用CNN自动提取数据深层本质特征,然后通过引入衰减参数,使CNN在不同的训练阶段采用不同的损失函数,最后将损失反...     

MIMO雷达目标数量估计

给出MIMO雷达在距离-多普勒2维分辨单元处理和距离1维分辨单元处理情况下的信号模型。根据这两个信号模型各自的特点,分别构造信号的相关矩阵,将信息论准则和盖式圆准则应用于MIMO目标数量估计之中。仿真结果表明在白噪声情况下,信息论和盖式圆准则均可有效估计目标数量;在色噪声情况下,盖式圆准则可有效估计目标数量。     

面向钻孔救援的超宽带雷达技术研究现状与方向

针对目前基于视音频的钻孔生命信息识别技术在矿山救援过程中所面临的视频遇障失效和声波衰减速度快的问题,研究了能穿透煤岩体、砖墙等障碍物进行非接触式测量,实现生命信息识别的超宽带(UWB)雷达技术。从UWB电磁波的传输衰减特性、杂波的滤除与优化、目标生命识别方法3个方面分析了UWB雷达技术在矿山钻孔救援中应用的现状和存在的问题:(1) UWB电磁波可对障碍物后人员生命信息进行识别与定位,其衰减与电场强度、磁场强度、频率和介质有关,但目前针对UWB电磁波传输衰减特性的研究缺乏对不同温度、探测频率、变质程度下各种煤岩体与UWB电磁波传输衰减之间的关系研究,对UWB电磁波的频率、入射角、极化形式等关键参数及变化特征与UWB电磁波衰减的关系研究较少。(2)采用经验模态分解法、MUSIC算法等方法可以对UWB电磁波中的杂波进行滤除,但缺乏对杂波滤除后有效波特征和信息的准确提取和科学表征,难以提高生命信息特征提取与识别的速度与精度。(3) UWB电磁波可以实现对障碍物后多目标人员生命体征如呼吸或心跳的捕捉,采用多雷达观测点可以提高低信噪比环境下生命信息探测的准确性,但目前的研究缺乏对呼吸、心跳、胸腔起伏、体温等多方位、多角度的系统识别与量化分析,缺乏对生命信息识别模型的优化方法。针对存在的问题,指出了UWB雷达技术在矿山钻孔救援应用中的研究方向:(1)研究不同条件下各煤岩体自身性质和电磁波相关参数对UWB电磁波在煤岩体中传输衰减的影响,得出其传输衰减规律。(2)研究适用于矿井环境下杂波的滤除优化与回波特征提取算法,利用回波中的有效特征建立学习样本数据库。(3)构建适用于矿井环境的人员生命信息识别模型,结合样本数据库对模型不断优化,以提高生命信息识别的精度和速度。     

基于训练图CNN特征的视频人体动作识别算法

为将卷积神经网络(CNN)应用到视频理解中,提出一种基于训练图CNN特征的识别算法。利用图像RGB数据识别视频人体动作,使用现有的CNN模型从图像中提取特征,并采用长短记忆单元的递归神经网络进行训练分类,研究CNN模型和隐层的选择、优化、特征矢量化和降维。实验结果表明,与使用图像RGB数据注意力模型的算法和组合长短期记忆模型算法相比,该算法具有更高的准确率。     

基于卷积神经网络的雷达目标检测方法

雷达目标检测近年来一直是雷达信号处理中的重要任务,在探测监控等安全领域中有非常重要的作用;针对传统恒虚警目标检测方法存在的环境适应能力较弱、复杂地形环境下雷达虚警数量急剧上升等问题,提出一种基于卷积神经网络的雷达目标检测方法;以雷达回波信号数据处理后得到的距离-多普勒图像作为模型的训练集和测试集,设计基于FasterR-CNN结构的雷达目标检测模型,训练模型并将测试结果与传统恒虚警目标检测算法结果相比较,所设计的模型提升了雷达目标检测正确率并较大地减少了虚警数量,这表明将卷积神经网络应用于雷达回波信号的处理任务中是可行的。     

基于改进的CNN语音识别研究

针对卷积神经网络进行语音识别时识别率较低的问题,结合序列的最大子序列理论,把真实数据和预测数据看作两个序列并计算两者的最大子序列,再使用欧氏距离计算MSLoss损失函数.使用闵氏距离和神经网络反向更新时的参数,提出自适应卷积核ACKS算法,根据网络传播情况动态地改变卷积核大小,改善模型在不同阶段对数据特性的提取效果.设...     

基于图像总变分最小化的穿墙雷达多层墙体成像方法

针对穿墙雷达多层墙体探测场景,文章提出了一种基于图像总变分最小化(Total Variation Minimization,TVM)的穿墙雷达多层墙体成像方法,成像重构过程中通过计算多层媒质的格林函数来构造字典矩阵,通过引入图像的TVM约束来实现成像重构.仿真结果表明所提成像算法不仅可以减少成像重建时间,而且可以较好地...