基于PCA和DCT的雷達(dá)人體動(dòng)作識(shí)別

車?yán)?/p>

(1.桂林電子科技大學(xué)廣西無(wú)線寬帶通信與信號(hào)處理重點(diǎn)實(shí)驗(yàn)室， 廣西桂林 541004；2.桂林電子科技大學(xué)信息與通信學(xué)院， 廣西桂林 541004；3.桂林電子科技大學(xué)計(jì)算機(jī)與信息安全學(xué)院， 廣西桂林 541004)

0 引言

隨著社會(huì)老齡化和城鎮(zhèn)化程度的加劇，數(shù)量逐年增長(zhǎng)的空穴老人行動(dòng)不便等已成為社會(huì)越來(lái)越關(guān)注的問(wèn)題。在安全監(jiān)控領(lǐng)域，基于人體動(dòng)作識(shí)別也具有很多優(yōu)勢(shì)，即使犯罪分子帶有面具，基于動(dòng)作識(shí)別系統(tǒng)也能分析出人體的動(dòng)作數(shù)據(jù)，與整個(gè)公安系統(tǒng)的犯罪分子動(dòng)作數(shù)據(jù)庫(kù)進(jìn)行對(duì)比，對(duì)潛在的犯罪分子具有一定的預(yù)警作用[1]?，F(xiàn)有的研究大多數(shù)是基于視頻的人體動(dòng)作分析，由于現(xiàn)實(shí)環(huán)境的復(fù)雜性容易被一些障礙物遮擋以及個(gè)人隱私的問(wèn)題。因此，基于超寬帶雷達(dá)的人體動(dòng)作識(shí)別具有重大的意義。

近年來(lái)，針對(duì)人體動(dòng)作識(shí)別開(kāi)展了許多研究，是當(dāng)前研究的熱點(diǎn)。Bryan等[2]提出應(yīng)用超寬帶雷達(dá)來(lái)識(shí)別人體動(dòng)作，通過(guò)采集8種典型人體動(dòng)作下的超寬帶雷達(dá)接收信號(hào)，然后應(yīng)用主成分分析法[3]得到信號(hào)的主要分量作為特征，結(jié)合支持向量機(jī)進(jìn)行訓(xùn)練分類，最后能達(dá)到85%的準(zhǔn)確率。Kim等[4]同樣應(yīng)用超寬帶雷達(dá)進(jìn)行采集數(shù)據(jù)，根據(jù)人體運(yùn)動(dòng)時(shí)產(chǎn)生的多普勒特征，提出利用微多普勒特征[5-7]來(lái)訓(xùn)練模型，最終對(duì)7種常見(jiàn)動(dòng)作的分類達(dá)到了90%正確率，但這種方法的缺陷是不能對(duì)靜止的動(dòng)作進(jìn)行分類。然而，這些研究主要集中在連續(xù)波雷達(dá)和有載波的超寬帶雷達(dá)，目前只能夠用來(lái)識(shí)別一些簡(jiǎn)單基本的人體動(dòng)作類型。對(duì)于室內(nèi)復(fù)雜環(huán)境下、未訓(xùn)練的動(dòng)作以及多人交互的動(dòng)作等還不能進(jìn)行準(zhǔn)確識(shí)別。

本文首次搭建無(wú)載波超寬帶雷達(dá)人體動(dòng)作識(shí)別系統(tǒng)，并提出一種新穎的基于PCA和DCT相結(jié)合的無(wú)載波超寬帶雷達(dá)人體動(dòng)作識(shí)別方法，同時(shí)利用改進(jìn)的網(wǎng)格搜索算法優(yōu)化支持向量機(jī)的參數(shù)。

1 基于PCA和DCT相結(jié)合的特征提取方法

1.1 主成分分析法(PCA)

本文對(duì)采集到的超寬帶雷達(dá)人體動(dòng)作回波信號(hào)構(gòu)建主元子空間，首先計(jì)算該回波信號(hào)矩陣的協(xié)方差矩陣的特征值和特征向量。根據(jù)特征值的大小排序，然后篩選部分特征向量的空間就是主元子空間。

特征向量的選取根據(jù)特征值的大小比例決定，由于特征值的大小反映了該特征向量所攜帶的信息量。因此，特征向量的選擇應(yīng)該由它所對(duì)應(yīng)的特征值的大小來(lái)決定。設(shè)置一個(gè)閾值，根據(jù)比值的大小，選取特征向量。這樣選擇的好處是，既包含了大部分的信息量，又同時(shí)去除掉了一部分噪聲，同時(shí)，大大地減少了計(jì)算量，因?yàn)橐话闱懊娴男〔糠痔卣髦稻蜁?huì)包含大量的信息。

1.2 離散余弦變換(DCT)

離散余弦變換(DCT)[8-10]是一種將信號(hào)轉(zhuǎn)換為基本頻率分量的技術(shù)，具有非常好的能量聚集性。DCT變換經(jīng)常用于信號(hào)和圖像數(shù)據(jù)的壓縮，經(jīng)過(guò)DCT變換后，信號(hào)的絕大多數(shù)能量被集中到變換域的低頻部分。

對(duì)于給定的N點(diǎn)離散信號(hào)x(0),x(1),…,x(N-1)，它們的離散余弦變換(DCT)定義為

k=0,1,…,N-1

(1)

式中，

(2)

用矢量形式可表示為

y=CTx

(3)

矩陣C的元素可以由式(4)給出：

(4)

1.3 基于PCA和DCT相結(jié)合的特征提取

針對(duì)無(wú)載波超寬帶雷達(dá)人體動(dòng)作識(shí)別，本文首次提出基于PCA和DCT相結(jié)合的特征提取方法，利用PCA和DCT相結(jié)合的方法提取雷達(dá)動(dòng)作回波中的特征值的具體步驟包含以下四步：

第1步：將無(wú)載波超寬帶雷達(dá)人體動(dòng)作回波信號(hào)數(shù)據(jù)劃為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。

第2步：對(duì)訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集進(jìn)行PCA降維，并構(gòu)建主元子空間。

第3步：將第1步構(gòu)建的主元子空間進(jìn)行離散余弦變換，提取主元子空間中的低頻信號(hào)，提取的低頻信號(hào)作為分類器的輸入矩陣。

第4步：將訓(xùn)練數(shù)據(jù)集經(jīng)過(guò)PCA-DCT提取的低頻信號(hào)作為改進(jìn)的網(wǎng)格搜索算法優(yōu)化支持向量機(jī)的輸入矩陣，訓(xùn)練模型，然后利用訓(xùn)練好的模型對(duì)測(cè)試訓(xùn)練集進(jìn)行識(shí)別，得到識(shí)別結(jié)果。

2 基于網(wǎng)格搜索算法優(yōu)化的支持向量機(jī)

2.1 線性支持向量機(jī)

支持向量機(jī)的目標(biāo)函數(shù)是二次的，約束條件是線性的，所以它是一個(gè)凸二次規(guī)劃問(wèn)題。這個(gè)問(wèn)題可以用現(xiàn)成的QP(Quadratic Programming)優(yōu)化包進(jìn)行求解。此外，還可以通過(guò)拉格朗日對(duì)偶性(Lagrange duality)變換到對(duì)偶變量(dual variable)的優(yōu)化問(wèn)題，即可通過(guò)求解與原問(wèn)題等價(jià)的對(duì)偶問(wèn)題(dual problem)得到原始問(wèn)題的最優(yōu)解。

(5)

2.2 非線性支持向量機(jī)

對(duì)于非線性的情況，SVM的處理方法就是選擇一個(gè)核函數(shù)K(.,.)，通過(guò)使用恰當(dāng)?shù)暮撕瘮?shù)來(lái)替代內(nèi)積將數(shù)據(jù)映射到高維空間，來(lái)解決在原始空間中線性不可分的問(wèn)題。

常用的核函數(shù)有：

3)線性核K(x1,x2)=〈x1,x2〉，實(shí)際上就是原始空間中的內(nèi)積。線性核主要目的是使“映射后空間中的問(wèn)題”和“映射前空間中的問(wèn)題”兩者在形式上統(tǒng)一起來(lái)。

2.3 基于改進(jìn)的網(wǎng)格搜索算法優(yōu)化支持向量機(jī)

2.3.1 交叉驗(yàn)證

交叉驗(yàn)證(Cross Validation, CV)是用來(lái)驗(yàn)證分類器性能的一種統(tǒng)計(jì)方法，基本思想是把在某種意義下將原始數(shù)據(jù)進(jìn)行分組，一部分作為訓(xùn)練集，另一部分作為驗(yàn)證集。 首先用訓(xùn)練集對(duì)分類器進(jìn)行訓(xùn)練，再利用驗(yàn)證集來(lái)測(cè)試訓(xùn)練得到的模型，以此作為評(píng)價(jià)分類器的性能指標(biāo)。 通常人們都采用K-折交叉驗(yàn)證，將原始數(shù)據(jù)分成K組(一般是均分)，將每個(gè)子集數(shù)據(jù)分別做一次驗(yàn)證集，其余的K-1組子集數(shù)據(jù)作為訓(xùn)練集，這樣會(huì)得到K個(gè)模型，用這K個(gè)模型最終的驗(yàn)證集的分類準(zhǔn)確率的平均數(shù)作為此K-折下分類器的性能指標(biāo)。K一般大于等于2，實(shí)際操作時(shí)一般從3開(kāi)始取。只有在原始數(shù)據(jù)集合數(shù)據(jù)量小的時(shí)候才會(huì)嘗試取2，K-折交叉驗(yàn)證可以有效地避免過(guò)學(xué)習(xí)以及欠學(xué)習(xí)狀態(tài)的發(fā)生,最后得到的結(jié)果也比較具有說(shuō)服性。本文采用的是5-折交叉驗(yàn)證，尋找最優(yōu)參數(shù)。

2.3.2 網(wǎng)格搜索算法

網(wǎng)格搜索算法(Grid Search, GS)作為一種智能算法，當(dāng)前已在很多領(lǐng)域展開(kāi)了應(yīng)用，它可以很好地優(yōu)化參數(shù)，所得到的參數(shù)的值也比較可靠。本文基于網(wǎng)格搜索算法優(yōu)化支持向量機(jī)對(duì)人體動(dòng)作類型進(jìn)行分類。

網(wǎng)格搜索算法的基本原理為:

第1步：根據(jù)經(jīng)驗(yàn)給出懲罰參數(shù)c與核參數(shù)g的范圍。

第2步：將參數(shù)值網(wǎng)格離散化，則設(shè)置確定搜索步長(zhǎng)，并沿參數(shù)不同的增長(zhǎng)方向創(chuàng)建網(wǎng)絡(luò)，網(wǎng)絡(luò)中的節(jié)點(diǎn)是相關(guān)的參數(shù)對(duì)。

第3步：在需要搜索的樣本中，每個(gè)參數(shù)選擇一些離散值，隨后將懲罰參數(shù)c與核函數(shù)所有可能的組合挑選出來(lái)，用于模型的訓(xùn)練。

第4步：經(jīng)過(guò)搜索，最優(yōu)參數(shù)一般是挑選訓(xùn)練之后的最佳的參數(shù)。

2.3.3 改進(jìn)的網(wǎng)格搜索算法優(yōu)化支持向量機(jī)

利用網(wǎng)格搜索算法對(duì)支持向量機(jī)的懲罰參數(shù)c和徑向基核函數(shù)的寬度g在一定的區(qū)間上進(jìn)行搜索，其分類準(zhǔn)確率很高，但是搜索的范圍往往根據(jù)經(jīng)驗(yàn)給出的，不確定因素很大，有可能會(huì)導(dǎo)致分類的準(zhǔn)確率很低，因此若能先定位出比較可靠的參數(shù)尋優(yōu)區(qū)間，再進(jìn)行精確搜索，就能夠減少不必要的計(jì)算，節(jié)省大量的時(shí)間。

本文針對(duì)傳統(tǒng)網(wǎng)格搜索算法呈現(xiàn)的問(wèn)題，提出一種改進(jìn)的網(wǎng)格搜索算法優(yōu)化支持向量機(jī)。首先，在較大的范圍內(nèi)采用大步距進(jìn)行粗略的搜索，并選擇分類準(zhǔn)確率最高的局部最優(yōu)解c和g。找到了局部最優(yōu)參數(shù)之后，再在這組參數(shù)附近選擇一個(gè)小區(qū)間，采用傳統(tǒng)方法中的小步距進(jìn)行二次精細(xì)搜索，找到最終全局最優(yōu)參數(shù)，該方法大大減少了尋優(yōu)搜索參數(shù)時(shí)間。

3 無(wú)載波超寬帶雷達(dá)人體動(dòng)作識(shí)別模型

無(wú)載波超寬帶雷達(dá)作為一種新型的雷達(dá)，不僅可以彌補(bǔ)傳統(tǒng)雷達(dá)盲區(qū)大、精度低的不足，還具備很好的探測(cè)隱身目標(biāo)和抗干擾能力。但是由于無(wú)載波超寬帶雷達(dá)信號(hào)不含載波信息，能量集中于極窄的波形內(nèi)，并且發(fā)射信號(hào)與回波相關(guān)性弱，因此傳統(tǒng)的提取信號(hào)特征值的方法不再適用。本文首次提出基于PCA和DCT相結(jié)合的特征提取方法，并利用改進(jìn)的網(wǎng)格搜索算法優(yōu)化支持向量機(jī)驗(yàn)證本文提出方法的優(yōu)越性。

本文首次搭建無(wú)載波超寬帶雷達(dá)人體動(dòng)作識(shí)別系統(tǒng)，使用無(wú)載波超寬帶雷達(dá)人體回波信號(hào)識(shí)別人體動(dòng)作類型由3個(gè)關(guān)鍵部分組成：1)數(shù)據(jù)采集與獲取；2)回波數(shù)據(jù)處理和特征提取；3)智能識(shí)別算法。圖1顯示了本文提出的無(wú)載波超寬帶雷達(dá)人體動(dòng)作識(shí)別系統(tǒng)。第1步，利用SIR-20無(wú)載波超寬帶雷達(dá)采集人體動(dòng)作回波信號(hào)，并對(duì)回波信號(hào)進(jìn)行相關(guān)預(yù)處理。第2步，利用本文所提出的基于PCA和DCT相結(jié)合的特征提取方法，提取人體動(dòng)作回波信號(hào)中的有效特征。特征提取直接表征與人體動(dòng)作類型相關(guān)的信息，并極大地影響最終的識(shí)別結(jié)果，是整個(gè)識(shí)別模型中最關(guān)鍵的一步。第3步，將所提取出的特征用來(lái)訓(xùn)練SVM模型，并利用最終的識(shí)別結(jié)果評(píng)估所提出的識(shí)別模型。本文利用改進(jìn)后的網(wǎng)格搜索算法優(yōu)化SVM模型參數(shù)，有效地提高了整體識(shí)別率，避免了傳統(tǒng)網(wǎng)格搜索算法優(yōu)化SVM模型參數(shù)容易陷入局部最優(yōu)的情況?；赑CA和DCT相結(jié)合的人體動(dòng)作識(shí)別整體流程圖如圖2所示。

圖1 無(wú)載波超寬帶雷達(dá)人體動(dòng)作識(shí)別系統(tǒng)

圖2 基于PCA和DCT相結(jié)合的人體動(dòng)作識(shí)別整體流程圖

4 實(shí)測(cè)場(chǎng)景數(shù)據(jù)測(cè)試算法并分析性能

4.1 數(shù)據(jù)獲取

本文中實(shí)驗(yàn)數(shù)據(jù)測(cè)量是由美國(guó)勞雷工業(yè)科技有限公司研發(fā)的SIR-20高速探地雷達(dá)。SIR-20系統(tǒng)預(yù)裝了操作系統(tǒng)和采集處理軟件，該設(shè)備采用標(biāo)準(zhǔn)的GSSI天線。本文實(shí)驗(yàn)采集的中心頻率為400 MHz，帶寬為800 MHz，天線的增益約為3 dBi，單通道采集的掃描速率為100次/秒，每次掃描的采樣數(shù)為512個(gè)點(diǎn)。SIR-20探地雷達(dá)是由松下PC機(jī)控制，測(cè)試的數(shù)據(jù)保存在PC機(jī)上。SIR-20實(shí)驗(yàn)測(cè)量設(shè)備如圖3所示，表1描述了本文實(shí)測(cè)數(shù)據(jù)使用的雷達(dá)參數(shù)。

表1 實(shí)驗(yàn)雷達(dá)參數(shù)表

圖3 SIR-20探地雷達(dá)

本文實(shí)驗(yàn)測(cè)量是在桂林電子科技大學(xué)圖書(shū)館513室內(nèi)進(jìn)行，室內(nèi)擺放了少量的桌椅。實(shí)驗(yàn)總共采集了10種典型的人體動(dòng)作接收信號(hào)，主要包含：(a)向前走；(b)向后走；(c)向前跑；(d)向后跑；(e)向前摔倒；(f)向后摔倒；(g)原地走動(dòng)；(h)上下跳動(dòng)；(i)向前跳；(j)向后跳。

在實(shí)際的實(shí)驗(yàn)數(shù)據(jù)采集中，SIR-20實(shí)驗(yàn)設(shè)備采用收發(fā)一體天線，收發(fā)天線放置在距離地面1 m處的桌子上，參與數(shù)據(jù)采集的是同門，身高約為172 cm，體重約為65 kg，面向雷達(dá)天線，距離天線2 m左右。實(shí)驗(yàn)中每個(gè)動(dòng)作重復(fù)做20次作為1組，每組動(dòng)作收集數(shù)據(jù)的持續(xù)時(shí)間大概是120 s。從(a)～(j)的實(shí)際測(cè)試場(chǎng)景如圖4所示，每種動(dòng)作的具體要求如表2所示，實(shí)驗(yàn)采集的原始數(shù)據(jù)如圖5所示。

圖4 10種不同類型人體動(dòng)作實(shí)測(cè)場(chǎng)景(從左到右、從上至下依次為動(dòng)作(a)～(j))

序號(hào)動(dòng)作類別具體動(dòng)作要求描述(a)向前走兩只手周期交替擺動(dòng),并面向雷達(dá)緩慢向天線方向走去(b)向后走兩只手周期交替擺動(dòng),起點(diǎn)靠近天線位置,并緩慢向后走動(dòng),慢慢遠(yuǎn)離天線(c)向前跑兩只手周期交替擺動(dòng),并面向雷達(dá)向天線方向跑去(d)向后跑兩只手周期交替擺動(dòng),起點(diǎn)靠近天線位置,并向后跑動(dòng),遠(yuǎn)離天線(e)向前摔倒站在距離天線2m處,向前慢慢摔倒,最后躺在地上(f)向后摔倒站在距離天線2m處,向后慢慢摔倒,最后躺在地上(g)原地走動(dòng)站在距離天線2m處,原地走動(dòng)(h)上下跳動(dòng)站在距離天線2m處,上下呈周期性跳動(dòng)(i)向前跳站在距離天線2m處,勻速向前連續(xù)跳躍(j)向后跳起點(diǎn)靠近天線位置,勻速向后連續(xù)跳躍

向前走

向前摔倒

原地走動(dòng)

向前跳圖5 4種不同人體動(dòng)作類型原始回波數(shù)據(jù)

在本文中，針對(duì)每種不同類型的動(dòng)作重復(fù)做20次，并保存測(cè)量數(shù)據(jù)。從圖6可以明顯看出，當(dāng)人體在重復(fù)不同動(dòng)作的時(shí)候，接收信號(hào)的幅度會(huì)有明顯的差異，這表明可以通過(guò)分析回波信號(hào)，提取回波信號(hào)中的特征，從而區(qū)別不同動(dòng)作類型。

向前走

向前摔倒

原地走動(dòng)

向前跳圖6 4種不同動(dòng)作類型的回波信號(hào)波形圖

4.2 所提出人體動(dòng)作識(shí)別模型的性能分析

本文研究了利用無(wú)載波超寬帶雷達(dá)對(duì)人體動(dòng)作進(jìn)行分類識(shí)別的可行性并提出了基于PCA和DCT相結(jié)合的方法提取超寬帶人體雷達(dá)回波信號(hào)的特征，最后利用改進(jìn)的GS參數(shù)優(yōu)化SVM對(duì)人體動(dòng)作類型進(jìn)行分類。實(shí)驗(yàn)利用SIR-20設(shè)備對(duì)每種人體動(dòng)作類型采集了20組樣本作為數(shù)據(jù)集，因此，建立了包括所有動(dòng)作類型200個(gè)樣本的數(shù)據(jù)集。將每種動(dòng)作采集的數(shù)據(jù)以3∶1的比例分成兩組：一組用于訓(xùn)練SVM分類算法，稱為訓(xùn)練集(包含150個(gè)動(dòng)作數(shù)據(jù))；另一組用于測(cè)試SVM分類算法的準(zhǔn)確性，稱為測(cè)試集(包含50個(gè)動(dòng)作數(shù)據(jù))。為了更好地驗(yàn)證本文所提出方法的泛化性能，減少訓(xùn)練集的大小，從每種動(dòng)作的20組數(shù)據(jù)中選取10組作為訓(xùn)練集(包含100組動(dòng)作數(shù)據(jù))，另外的10組作為測(cè)試集(100組動(dòng)作數(shù)據(jù))。其中訓(xùn)練數(shù)據(jù)集用于訓(xùn)練SVM算法模型，測(cè)試數(shù)據(jù)集用于測(cè)試分類算法的準(zhǔn)確性。通過(guò)改進(jìn)的網(wǎng)格算法(GS)搜索SVM的懲罰參數(shù)c和RBF核函數(shù)的寬度參數(shù)g，以提高SVM分類算法的準(zhǔn)確率。

利用改進(jìn)的GS搜索算法優(yōu)化SVM中的懲罰因子參數(shù)c和高斯核函數(shù)(RBF)的寬度參數(shù)g，以最小化每個(gè)SVM的平均分類誤差。本文GS參數(shù)優(yōu)化的參數(shù)設(shè)置如下：c的范圍2-8～28；g的范圍2-8～28；c的步長(zhǎng)0.5；g的步長(zhǎng)0.5；采用5折交叉驗(yàn)證的方法尋找最優(yōu)參數(shù)。所提出的改進(jìn)GS參數(shù)尋優(yōu)的3D視圖結(jié)果如圖7所示。

圖7 改進(jìn)的GS參數(shù)優(yōu)化3D結(jié)果視圖

本文提出的基于PCA和DCT相結(jié)合的方法提取接收到的無(wú)載波超寬帶人體雷達(dá)回波信號(hào)的特征，最后利用改進(jìn)的GS參數(shù)優(yōu)化SVM對(duì)人體動(dòng)作類型進(jìn)行分類，分類的結(jié)果如圖8所示。

從圖8可以明顯看出，基于PCA和DCT相結(jié)合的方法提取無(wú)載波超寬帶雷達(dá)人體動(dòng)作回波特征值具有非常好的效果，表2中的10種人體動(dòng)作類型均能100%地識(shí)別出來(lái)。通過(guò)混淆矩陣可以清晰地看出，采集的10種類型的動(dòng)作識(shí)別率達(dá)到了100%。即使是之前實(shí)驗(yàn)中很難區(qū)分的向前走和向前跑兩種相似動(dòng)作，利用本文所提出的方法可以很好地區(qū)分開(kāi)。

(a) 測(cè)試集的實(shí)際分類和預(yù)測(cè)分類圖

(b) 超寬帶人體動(dòng)作識(shí)別預(yù)測(cè)標(biāo)簽與真實(shí)標(biāo)簽的混淆矩陣圖8 本文所提出的方法針對(duì)表2中10種動(dòng)作類型的識(shí)別率和混淆矩陣

為了更好地驗(yàn)證本文所提出方法的泛化性能，減少訓(xùn)練集的大小，重復(fù)利用基于PCA和DCT相結(jié)合的方法提取特征，然后利用改進(jìn)的GS優(yōu)化SVM進(jìn)行分類識(shí)別。從每種動(dòng)作的20組數(shù)據(jù)中選取10組作為訓(xùn)練集(包含100組數(shù)據(jù)集)，另外的10組作為測(cè)試集(100組數(shù)據(jù)集)。分類的結(jié)果如圖9所示。

(a) 測(cè)試集的實(shí)際分類和預(yù)測(cè)分類圖

(b) 超寬帶人體動(dòng)作識(shí)別預(yù)測(cè)標(biāo)簽與真實(shí)標(biāo)簽的混淆矩陣圖9 每種動(dòng)作的訓(xùn)練數(shù)據(jù)集為10組時(shí)10種動(dòng)作類型的識(shí)別率和混淆矩陣

從圖9可以看出，在減少訓(xùn)練集大小時(shí)，基于PCA和DCT相結(jié)合的特征提取方法依然可以很有效地識(shí)別出實(shí)驗(yàn)所測(cè)量的10種不同類型的動(dòng)作。除了(c)動(dòng)作的識(shí)別率為99%，其余9種動(dòng)作的識(shí)別率均可以達(dá)到100%，證明了基于PCA和DCT變換相結(jié)合提取特征的方法針對(duì)無(wú)載波超寬帶雷達(dá)人體動(dòng)作回波的提取非常有效。

4.3 不同特征值提取方法下的對(duì)比

為了驗(yàn)證基于PCA和DCT變換相結(jié)合的特征提取的優(yōu)越性，本小節(jié)將預(yù)處理后的目標(biāo)回波信號(hào)的PCA特征與基于PCA和DCT變換相結(jié)合的特征進(jìn)行比較。首先利用PCA與基于PCA和DCT變換相結(jié)合的方法分別提取無(wú)載波超寬帶雷達(dá)人體動(dòng)作回波信號(hào)，然后分別利用改進(jìn)的GS優(yōu)化SVM進(jìn)行分類識(shí)別，兩種方法識(shí)別率的比較結(jié)果如表3所示。

表3 不同特征值提取方法下人體動(dòng)作的平均識(shí)別率

從表3可以清楚地看出，基于PCA和DCT變換相結(jié)合的特征值提取方法明顯比僅僅使用PCA方法提取特征值更加有效，具有更高的識(shí)別率。因?yàn)槿梭w屬于非剛體目標(biāo)，人體運(yùn)動(dòng)的信號(hào)能量主要集中在低頻段，只利用PCA方法提取人體動(dòng)作回波特征不能很有效地提取出動(dòng)作屬性。DCT變換經(jīng)常用于信號(hào)處理和圖像處理，人體的動(dòng)作回波信號(hào)的能量大多集中在余弦變換后的低頻部分。因此，基于PCA和DCT變換相結(jié)合的特征提取方法明顯優(yōu)于其他特征提取方法，并且經(jīng)實(shí)驗(yàn)驗(yàn)證獲得較高的識(shí)別率。

5 結(jié)束語(yǔ)

本文首次搭建無(wú)載波超寬帶雷達(dá)人體動(dòng)作識(shí)別系統(tǒng)，提出一種新穎的基于PCA和DCT相結(jié)合的無(wú)載波超寬帶雷達(dá)人體動(dòng)作識(shí)別方法，同時(shí)利用網(wǎng)格搜索算法優(yōu)化支持向量機(jī)的參數(shù)，利用最后整體的識(shí)別率評(píng)估提出方法的優(yōu)越性和所搭建識(shí)別系統(tǒng)的性能。

首先對(duì)雷達(dá)回波信號(hào)根據(jù)不同的方案劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，然后利用主成分分析法(PCA)進(jìn)行降維，構(gòu)建訓(xùn)練集主元子空間和測(cè)試集主元子空間。將訓(xùn)練集主元子空間和測(cè)試集主元子空間分別進(jìn)行離散余弦變換(DCT)，然后將訓(xùn)練集主元子空間經(jīng)過(guò)DCT處理后提取的特征用于訓(xùn)練改進(jìn)后的網(wǎng)格搜索算法優(yōu)化支持向量機(jī)并訓(xùn)練模型，利用測(cè)試集主元子空間經(jīng)過(guò)DCT處理后提取的特征用于測(cè)試訓(xùn)練后的支持向量機(jī)模型，并將基于PCA和DCT相結(jié)合的特征提取方法和僅僅使用PCA特征提取進(jìn)行對(duì)比。

最后得到的識(shí)別率都是基于實(shí)測(cè)數(shù)據(jù)在Matlab平臺(tái)上仿真的結(jié)果，采用基于PCA和DCT相結(jié)合的特征提取方法，對(duì)實(shí)測(cè)的10種不同類型的動(dòng)作進(jìn)行分類識(shí)別。實(shí)驗(yàn)結(jié)果顯示，本文所提出的方法具有很高的識(shí)別率，對(duì)雷達(dá)回波信號(hào)數(shù)據(jù)集按3∶1劃分為訓(xùn)練樣本集和測(cè)試樣本集的識(shí)別率能達(dá)到100%，對(duì)于數(shù)據(jù)集按1∶1劃分為訓(xùn)練樣本集和測(cè)試樣本集的識(shí)別率也能達(dá)到99%，只有一組動(dòng)作類型分類錯(cuò)誤。因此，具有很好的現(xiàn)實(shí)意義。