论文部分内容阅读
人体姿态识别在智能家居,家庭长期监护,灾后的搜救以及公共场所监控等方面有着广泛的运用。现有的人体姿态识别方法根据传感器种类可分为可穿戴式和非接触式两类。可穿戴式传感器便携性差、容易损坏,准确率低。传统的非接触式视频传感器受光照影响而且侵犯隐私。基于雷达传感器的人体姿态识别由于具有非接触式,准确率高以及不受光照影响等优点,在长期的人体姿态识别方面有着巨大的潜力。超宽带雷达具有分辨率高,穿透强,功耗低等特点,本文基于超宽带雷达系统,从人体姿态回波信号里提取有效特征参数,通过分类器实现了不同人体姿态的识别,主要工作如下:1.本文首先介绍了基于超宽带雷达的人体姿态识别系统,对系统的收发模块,采样模块和控制模块分别进行原理说明,并对人体姿态回波信号进行理论分析。2在信号预处理过程中,利用MTI滤波和中值滤波对回波信号进行杂波抑制,针对日常生活中人体姿态种类繁多的情况,提出了一种基于图像处理的人体姿态预筛选算法,采用图像二值化,自适应均值滤波和孤立点去除算法得到姿态信号的速度和位移特征,将人体姿态划分成原地和非原地姿态两类。3.针对原地姿态,本文提出了一种基于加权联合距离时频变换(WRTFT)算法,从加权联合距离时频图中提取人体躯干的包络特征参数。而针对非原地姿态,运用主成分分析(PCA)算法提取时频图中的主成分作为特征。将得到的特征送入机器学习模块中,构建了基于SubspacekNN算法和Bagged决策树算法的模型,通过特征参数与不同姿态的对应关系,将姿态特征输入到分类模型中进行识别。4.建立人体姿态识别的实验平台,设计实验方案对算法进行验证,实测数据表明Subspace kNN算法对6种原地姿态的识别准确率达到了 94.4%,Bagged决策树对6种非原地姿态的识别准确率达到了 95.3%,人体实测结果验证了系统的有效性。