论文部分内容阅读
利用微多普勒雷达对人体行为进行识别,在灾后搜救、智能家居、无人驾驶、安全监控等领域都有广泛的应用,具有极大的研究价值。面向实际应用,本文开展了微多普勒雷达图像去噪和人体行为识别的研究,分别提出了去噪模型和人体行为识别模型,并利用雷达仿真数据和实测数据对所提模型的性能进行了评估,主要研究内容及创新性工作如下。
为了去除微多普勒雷达图像中的噪声,提出了一种基于生成对抗网络(Generative Adversarial Networks,GAN)的去噪模型。为了避免神经网络前馈过程存在的信息损失,设计了行为特征表示网络,通过额外引入谱图的行为类别信息对模型进行约束。从像素分布、语义判别和人体行为特征三个方面构造了新的损失函数,有效提升了模型的性能。在仿真和实测雷达数据集上进行了去噪实验,结果表明:所提出的模型具有良好的去噪性能,可以自适应地去除雷达图像中多种强度的噪声。
本文基于距离-多普勒(Range-Doppler,RD)序列的微多普勒信号表示,提出了一种联合卷积神经网络(Convolutional Neural Networks,CNN)和循环神经网络(Recurrent Neural Networks,RNN)的人体行为识别模型,该模型以RD序列为输入,通过优化的CNN结构,实现了RD特征的提取。再将RD特征序列输入RNN,通过学习特征序列的双向语义来完成人体行为识别。为了进一步提高模型的识别准确率,本文还设计了一种新的注意力机制,这种机制基于数据的时序特性,为RD特征序列分配了时序上的注意力。利用实测雷达数据进行了人体行为识别实验,结果表明:所提出的模型不仅具有较好的人体行为识别性能,还对多种时长的微多普勒雷达信号具有很高的鲁棒性。
最后,本文将提出的去噪模型和行为识别模型整合成去噪-识别级联系统,并利用含有噪声的RD序列对级联系统的人体行为识别性能进行了评估。实验结果表明:所构建的级联系统不仅对噪声具有较强的鲁棒性,还可以基于多种时长的雷达信号进行人体行为识别。
为了去除微多普勒雷达图像中的噪声,提出了一种基于生成对抗网络(Generative Adversarial Networks,GAN)的去噪模型。为了避免神经网络前馈过程存在的信息损失,设计了行为特征表示网络,通过额外引入谱图的行为类别信息对模型进行约束。从像素分布、语义判别和人体行为特征三个方面构造了新的损失函数,有效提升了模型的性能。在仿真和实测雷达数据集上进行了去噪实验,结果表明:所提出的模型具有良好的去噪性能,可以自适应地去除雷达图像中多种强度的噪声。
本文基于距离-多普勒(Range-Doppler,RD)序列的微多普勒信号表示,提出了一种联合卷积神经网络(Convolutional Neural Networks,CNN)和循环神经网络(Recurrent Neural Networks,RNN)的人体行为识别模型,该模型以RD序列为输入,通过优化的CNN结构,实现了RD特征的提取。再将RD特征序列输入RNN,通过学习特征序列的双向语义来完成人体行为识别。为了进一步提高模型的识别准确率,本文还设计了一种新的注意力机制,这种机制基于数据的时序特性,为RD特征序列分配了时序上的注意力。利用实测雷达数据进行了人体行为识别实验,结果表明:所提出的模型不仅具有较好的人体行为识别性能,还对多种时长的微多普勒雷达信号具有很高的鲁棒性。
最后,本文将提出的去噪模型和行为识别模型整合成去噪-识别级联系统,并利用含有噪声的RD序列对级联系统的人体行为识别性能进行了评估。实验结果表明:所构建的级联系统不仅对噪声具有较强的鲁棒性,还可以基于多种时长的雷达信号进行人体行为识别。