基于微多普勒特征和深度学习的人体动作识别

摘要

针对基于光学和红外视频数据的人体动作识别受环境影响大及传统机器学习分类方法特征提取复杂的问题,提出基于雷达微多普勒频谱图和深度学习模型的人体动作分类识别方法.首先,搭建77GHz毫米波雷达数据采集系统.其次,开展人体行为回波数据预处理,有效提取微多普勒信息,得到人体行为二维距离多普勒图像数据集.最后,以距离多普勒谱图作为网络的输入样本,设计3层卷积与池化操作构建特征空间完成4种不同人体动作识别的仿真实验.实验结果表明,与现有的人体动作识别方法相比,将77GHz调频连续波雷达回波进行距离多普勒处理与CNN结合能够实现对日常人体动作的有效识别,识别准确率可达98.91%,优于传统方法.