无载波超宽带雷达人体动作识别方法与流程

本发明涉及人体动作识别技术领域，具体涉及一种无载波超宽带雷达人体动作识别方法。

背景技术

近年来，针对人体动作识别开展了许多研究，是当前研究的热点。由于超宽带(uwb)雷达具有超高的距离分辨率以及穿透力，可以用于检测人体动作的微小变化，从而提高人体动作的识别率，因此基于超宽带雷达的人体动作识别具有重大的意义。bryan等人提出应用超宽带雷达来识别人体动作，通过采集八种典型人体动作下的超宽带接受信号，然后应用主成分分析法得到信号的主要分量作为特征，结合支持向量机进行训练分类，最后能达到85％的准确率。kim等人同样应用超宽带雷达进行采集数据，不过是根据人体运动时产生的多普勒特征，提出用微多普勒特征来训练模型，最终对七中常见动作的分类达到了90％正确率，但这种方法的缺陷是不能对静止的动作进行分类。然而，这些研究主要集中在连续波雷达和有载波的超宽带雷达，目前只能够用来识别一些简单的基本的人体动作，但对于室内复杂环境下、未训练的动作以及多人交互的动作等还不能进行准确识别。

技术实现要素：

本发明针对现有基于超宽带雷达的人体动作识别对于室内复杂环境下、未训练的动作以及多人交互的动作等还不能进行准确识别的问题，提供一种无载波超宽带雷达人体动作识别方法。

为解决上述问题，本发明是通过以下技术方案实现的：

一种无载波超宽带雷达人体动作识别方法，包括步骤如下：

步骤1.无载波超宽带雷达采集已知人体动作的回波信号，并利用这些已知人体动作的回波信号来构建训练集，对训练集中已知人体动作的回波信号进行预处理后得到训练样本数据；

步骤2.将训练样本数据进行pca降维，根据关键特征选取相应的特征向量，构建训练主元子空间；

步骤3.将训练主元子空间进行dct变换，提取训练主元子空间中的低频信号，得到训练特征数据；

步骤4.利用改进的网格搜索算法优化对支持向量机模型的参数进行优化，并将训练特征数据采用k-折交叉验证训练的方式输入到参数优化后的支持向量机模型中进行训练，得到训练好的支持向量机模型；

步骤5.无载波超宽带雷达采集未知人体动作的回波信号，并对未知人体动作的回波信号进行预处理后得到测试数据；

步骤6.将测试数据进行pca降维，根据关键特征选取相应的特征向量，构建测试主元子空间；

步骤7.将测试主元子空间进行dct变换，提取测试主元子空间中的低频信号，得到测试特征数据；

步骤8.将测试特征数据输入到步骤4所训练好的支持向量机模型，从而完成人体动作的识别。

上述步骤1和5中，对回波信号进行的预处理为归一化预处理。

上述步骤2和6的具体子步骤如下：

步骤1).利用预处理后的数据构建样本矩阵，并求解样本矩阵的协方差矩阵；

步骤2).利用奇异值分解定理求解协方差矩阵的特征值和相对应的特征向量；

步骤3).根据特征值所占比例贡献度即关键特征从步骤2)所得到的所有特征向量中选取特征向量，利用选取的特征向量来构建主元子空间。

上述步骤4的具体子步骤如下：

步骤4.1).利用网格搜索算法在训练主元子空间上进行粗略优化搜索，并从该粗略优化搜索的结果中选取分类准确率最高的一组惩罚因子参数和径向基核函数参数，作为局部最优惩罚因子参数和局部最优径向基核函数参数；

步骤4.2).分别在步骤4.1)所得到的局部最优惩罚因子参数和局部最优径向基核函数参数上选择一个区间，并利用网格搜索算法在这2个区间上分别进行精细优化搜索，并从该精细优化搜索的结果中选取分类准确率最高的一组惩罚因子参数和径向基核函数参数，作为全局最优惩罚因子参数和全局最优径向基核函数参数；

步骤4.3).利用步骤4.2)中已经找到的全局最优惩罚因子参数和全局最优径向基核函数参数确定支持向量的模型参数；

步骤4.4).将训练特征数据采用k-折交叉验证方式输入到步骤4.3)所确定的支持向量机模型参数中进行训练，得到训练好的支持向量机模型。

与现有技术相比，本发明具有如下特点：

1、基于pca和dct相结合的特征提取方法，提取人体动作回波信号中的关键特征，能有效提高人体动作的识别率。

2、利用改进后的网格搜索算法优化svm模型参数，有效的提高了整体识别率，避免了传统网格搜索算法优化svm模型参数容易陷入局部最优的情况。

附图说明

图1为无载波超宽带雷达人体动作识别方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本发明进一步详细说明。

无载波超宽带雷达作为一种新型的雷达，不仅可以弥补传统雷达盲区大、精度低的不足，还具备很好的探测隐身目标和抗干扰能力。无载波超宽带雷达人体动作识别系统的关键优势在于无载波超宽带雷达具有超高的分辨率，能够捕获人体的细微动作变化，并且对于室内复杂环境具有很强的抗干扰能力。但是由于无载波超宽带雷达信号不含载波信息，本身能量集中于极窄的波形内，并且发射信号与回波相关性弱，因此传统的提取信号特征值的方法不再适用。

为此，本发明所提出的一种基于主成分分析法(pca)和离散余弦变换(dct)相结合的无载波超宽带雷达人体动作识别方法，如图1所示，其包括步骤如下：

一、利用样本数据构建支持向量机模型

步骤1)利用sir-20无载波超宽带雷达采集已知人体动作的回波信号作为训练样本数据形成训练集，并对训练集中的训练样本数据即回波信号进行相关预处理。

将利用sir-20超宽带雷达设备对每种人体动作类型采集了20组样本作为数据集，因此建立了包括所有动作类型200个样本的数据集，并将人体动作回波信号进行数据归一化预处理，将数据归一化至[0，1]之间，具体公式如下：

步骤2)基于pca和dct相结合的特征提取，提取人体动作回波信号中即训练样本数据中的有效特征。

特征提取直接表征与人体动作类型相关的信息，并极大地影响最终的识别结果，是整个识别模型中最关键的一步。

步骤2.1)将训练样本数据进行pca降维。

步骤2.1.1)利用训练样本数据构建样本矩阵r，然后求解矩阵r的协方差矩阵g，其协方差矩阵g表达式如下：

其中xi表示样本矩阵的每一个行向量代表第i种动作类型所构成的一维向量，ψ为所有训练样本的均值。

步骤2.1.2)利用奇异值分解(svd)定理求解协方差矩阵的特征值和相对应的特征向量。

假设是维数为m×n的矩阵，其中u、v为正交阵，f为对角阵，具体的表述如下：

u＝(u1，u2，…，um)，u^tu＝1

v＝(v1，v2，…，vm)，v^tv＝1

f＝diag(λ1，λ2，…，λm)，λ1≥λ2≥…≥λr≥0

其中r＝min(m，n)，λi(i＝1，2，…，r)，ui、vi分别表示矩阵hh^t、h^th非零特征值以及相应的特征向量，用来代表奇异值(singularvalue)。

根据svd定理，当已知a^ta的r个非零特征值以及相对应的特征向量分别用λi(i＝1，2，…，r)和vi来表示时，就能计算出a^ta的特征向量ui为：

步骤2.1.3)根据特征值所占比例贡献度选取特征向量，并利用选出的特征向量构建的训练主元子空间。

根据svd分解获得特征向量的数量比较多，如果我们不加筛选将所有的特征向量组成主元子空间的话，远远没有达到降维的目的。而且过多的特征向量会严重影响投影的计算速度。所以去掉一部分特征向量，但是又要保证不影响分类的效果，有些情况下反而能增强识别效果。

根据特征值的大小比例来决定特征向量的选取：由于特征值的大小反映了该特征向量所携带的信息量。因此特征向量的选择应该由它所对应的特征值的大小来决定。设置一个阈值e，是你所希望包含的信息量与总的信息量比值。根据比值的大小，选取特征向量。计算公式如下式所示。在计算时，特征值应该是按照从大到小的顺序排列的。这样选择的好处是，既包含了大部分的有用信息，又同时去滤除掉了一部分噪声并大大的减少了计算量，因为一般前面的部分特征值就会包含大量的有用信息。

步骤2.2)对步骤2.1)所得到的训练主元子空间进行dct变换，提取主元子空间中的低频信号，得到训练特征数据。

对于给定的n点离散信号x(0)，x(1)，…，x(n-1)，它们的离散余弦变换(dct)定义为：

其中

步骤3)基于改进gs参数优化svm模型，并采用k-折交叉验证法训练参数优化的svm模型，并利用最终的识别结果评估所提出的识别模型。

步骤3.1)利用网格搜索算法在训练主元子空间上采用大步距进行粗略优化搜索，并从该粗略优化搜索的结果中选取分类准确率最高的一组惩罚因子参数和径向基核函数参数，作为局部最优惩罚因子参数和局部最优径向基核函数参数。

步骤3.2)分别在步骤3.1)所得到的局部最优惩罚因子参数和局部最优径向基核函数参数中选择一个小区间，并利用网格搜索算法在这2个区间上分别采用采用小步距进行精细优化搜索，并从该精细优化搜索的结果中选取分类准确率最高的一组惩罚因子参数和径向基核函数参数，作为全局最优惩罚因子参数和全局最优径向基核函数参数；

步骤3.3)、利用步骤3.2)中已经找到的全局最优惩罚因子参数和全局最优径向基核函数参数确定支持向量的模型参数；

步骤3.4)、将训练特征数据采用k-折交叉验证方式输入到步骤3.3)所确定的支持向量机模型参数，对该模型进行训练，得到训练好的支持向量机模型。

交叉验证(crossvalidation，cv)是用来验证分类器性能的一种统计方法，基本思想是在某种意义下将原始数据(上述训练集)进一步分组，一部分作为训练集，另一部分作为验证集。首先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型，以此作为评价分类器的性能指标。通常人们都采用k-折交叉验证，将原始数据分成k组(一般是均分)，将每个子集数据分别做一次验证集，其余的k-1组子集数据作为训练集，这样会得到k个模型，用这k个模型最终的验证集的分类准确率的平均数作为此k-折下分类器的性能指标。k一般大于等于2，实际操作时一般从3开始取。只有在原始数据集的数据量较小的时候才会尝试取2，k-折交叉验证可以有效地避免过学习以及欠学习状态的发生，最后得到的结果也比较具有说服性。本发明采用的是5-折交叉验证，寻找最优参数。

网格搜索算法(gridsearch，gs)作为一种智能算法，当前己在很多领域展开了应用，它可以很好地优化参数，所得到的参数的值也比较可靠。网格搜索算法的特点：在同一时间内并行搜索不同的生长方向的多维数组。其基本思想是将要搜索的参数分成网格，在一个特定的空间范围之内，将在网络中的所有点都搜索一遍，发现可以优化模型性能的参数值。因为网格搜索算法具有方便简易、简单易懂、寻优速度较快等优点，所以它是一种常见的svm参数寻优方式。

利用网格搜索算法对支持向量机的惩罚参数c和径向基核函数的宽度g在一定的区间上进行搜索，其分类准确率很高，但是搜索的范围往往根据经验给出的，不确定因素很大，有可能会导致分类的准确率很低，因此若能先定位出比较可靠的参数寻优区间，再进行精确搜索，就能够减少不必要的计算，节省大量的时间。

本发明针对传统网格搜索算法呈现的问题，提出一种改进的网格搜索算法优化支持向量机。首先，在较大的范围内采用大步距进行粗略的搜索，并选择分类准确率最高的一组c和g。找到了局部最优参数之后，再在这组参数附近分别选取一个小区间，采用传统方法中的小步距进行二次精细搜索，找到最终的最优参数。这种方法可以减少大量的搜索时间。

二、利用构建好的支持向量机模型实现人体动作识别

步骤4、无载波超宽带雷达采集未知人体动作的回波信号，并对未知人体动作的回波信号进行预处理后得到测试数据。

测试数据的预处理方式与训练样本数据的预处理方法一致。

步骤5、将测试数据进行pca降维，根据关键特征选取相应的特征向量，构建测试主元子空间。

测试主元子空间的构建与训练主元子空间的构建方法一致。

步骤6、将测试主元子空间进行dct变换，提取测试主元子空间中的低频信号，得到测试特征数据。

测试特征数据的获得方法与训练特征数据的获得方法一致。

步骤7、将测试特征数据输入到步骤一所训练好的支持向量机模型，从而完成人体动作的识别。

本发明采用的是改进的网格搜索算法优化支持向量机对测试特征子空间中不同人体动作类型进行识别，利用改进后的网格搜索算法优化svm模型参数，有效的提高了整体识别率，避免了传统网格搜索算法优化svm模型参数容易陷入局部最优的情况。

下面通过实测场景数据测试本发明算法并分析其性能：

实验数据测量是由美国劳雷工业科技有限公司研发的sir-20高速探地雷达。sir-20系统预装了操作系统和采集处理软件，该设备采用标准的gssi天线。本发明实验采集的中心频率为400mhz，带宽为800mhz，天线的增益约为3dbi，单通道采集的扫描速率为100次/秒，每次扫描的采样数为512个点。sir-20探地雷达是由松下pc机控制，测试的数据保存在pc机上。表1为实测数据使用的雷达参数。

表1实验雷达参数表

本实验测量是在室内进行，室内摆放了少量的桌椅。实验总共采集了10种典型的人体动作接收信号，主要包含如下：(1)向前走；(2)向后走；(3)向前跑；(4)向后跑；(5)向前摔倒；(6)向后摔倒；(7)上下跳动；(8)先前跳；(9)向后跳；(10)静止站立。实验中每个动作重复做20次作为一组，每组动作收集数据的持续时间大概是120s。

为了验证本发明所提出方法的有效性，将数据按照两种方案进行划分训练集和测试据。方案一：每种动作采集的数据以3:1的比例分成两组，一组用于训练svm分类算法，称为训练集(包含150个动作数据)；另一组用于测试svm分类算法的准确性，称为测试集(包含50个动作数据)。方案二：每种动作采集的数据以1:1的比例分成两组，一组用于训练svm分类算法，称为训练集(包含100个动作数据)；另一组用于测试svm分类算法的准确性，称为测试集(包含100个动作数据)。

为了验证基于pca和dct变换相结合的特征提取的优越性，下面将预处理后的目标回波信号的pca特征与基于pca和dct变换相结合的特征进行比较。首先利用pca与基于pca和dct变换相结合的方法分别提取无载波超宽带雷达人体动作回波信号，然后分别利用改进的gs优化svm进行分类识别。

两种方案在两种不同方法下识别率的比较结果如下表2所示：

表2不同特征值提取方法下人体动作的平均识别率

从上表2可以清楚的看出，本发明所提出的方法具有很高的识别率，对雷达回波信号数据集按3:1划分为训练样本集和测试样本集的识别率能达到100％，对于数据集按1:1划分为训练样本集和测试样本集的识别率也能达到99％，只有一组动作类型分类错误。本发明所提出的方法对于小训练样本具有很强的鲁棒性，因此，具有极强的现实意义。此外，基于pca和dct变换相结合的特征值提取方法明显比只用pca方法提取特征值更加有效，具有更高的识别率。因为人体属于非刚体目标，人体运动的信号能量主要集中在低频段，只利用pca方法提取人体动作回波特征不能很有效的提取出动作属性。dct变换经常用于信号处理和图像处理，人体的动作回波信号的能量大多集中在余弦变换后的低频部分，因此，本发明首次提出基于pca和dct变换相结合的特征提取方法明显优于其他特征提取方法，并且经实验验证获得较高的识别率。

需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。