论文部分内容阅读
线性调频连续波(LFMCW)雷达系统结构简单且近距离检测性能好。基于LFMCW雷达的人体探测与其它传感器相比有着全天候、抗干扰能力强等优势。用LFMCW雷达实现高精度的人体运动状态分类可以对公共场所有异常行为的人员进行检测,保障公民安全,还可以应用于车载产品,使车辆和行人保持安全距离。基于LFMCW雷达的人体运动状态分类在反恐、交通安全和人体运动学研究等方面有着很广泛的应用前景。本文利用Infineon(英飞凌)24GHz连续波雷达对不同身高不同性别的人进行多组走和跑的实际测量,采集了大量的数据。对雷达回波数据预处理后采用时频分析的方法得到人体走和跑的时频图。并用机器学习和深度学习的方法对人体走和跑时频图的进行分类,逐步提高模型的分类性能。首先用机器学习的方法对人体走和跑的时频图进行分类,提取了时频图的HOG特征、LBP特征、HAAR特征,选择SVM分类器并用单一特征分别训练SVM得到三个SVM模型,对比分析不同特征训练的SVM模型的性能差异。为了更加全面的利用时频图的信息,通过不同的特征组合方式训练模型,提高模型性能。再选择XGBOOST分类器,调整树深度,通过对比实验得到性能最优的XGBOOST模型。最后提出基于stacking的方法对SVM模型和XGBOOST模型进行融合,通过对比实验确定了最佳融合方式,并通过实测数据对模型进行性能测试,和单一特征训练的模型及组合特征训练的模型相比,提高了模型性能。用机器学习的方法对人体走和跑的时频图进行分类时,因为特征提取的多样性和分类器选择的多样性,过程较为复杂且最终得到的模型性能不是最优。所以提出用深度学习的方法对时频图进行分类,根据时频图结构简单的特点,如果用复杂的网络对其进行分类可能会导致过拟合。因此首先设计浅层的卷积神经网络并从数据和模型两个方面对网络进行优化,提升模型性能。再改变网络的结构和层数,通过对比实验确定性能最优的网络结构和层数。本文采用不同的方法对人体走和跑的时频图进行分类,通过设计、优化和改进逐步提高模型的性能,最终得到的模型在测试集的分类正确率可达97.17%。