基于時(shí)頻域特征融合的IR-UWB穿墻雷達(dá)人體行為識(shí)別方法

楊德貴, 許道峰

(中南大學(xué)自動(dòng)化學(xué)院, 湖南 長(zhǎng)沙 410083)

0 引 言

在現(xiàn)今的信息技術(shù)時(shí)代,信息獲取在各領(lǐng)域都是至關(guān)重要的一環(huán),而人體的行為活動(dòng)在人的日常生活及工作中都具有十分重要的意義,對(duì)人體行為識(shí)別的研究,可以應(yīng)用于人機(jī)交互、反恐維穩(wěn)及醫(yī)療監(jiān)護(hù)等領(lǐng)域。常見的人體行為識(shí)別方法主要是基于光學(xué)傳感系統(tǒng)進(jìn)行的,但基于光學(xué)傳感器的方法對(duì)環(huán)境要求較高,例如對(duì)光照條件的依賴性、目標(biāo)與傳感器間的無遮擋性等;其次,基于光學(xué)傳感獲取的數(shù)據(jù)還存在存儲(chǔ)需求大、數(shù)據(jù)敏感、數(shù)據(jù)竊失等問題[1-2]。隨著雷達(dá)探測(cè)技術(shù)的發(fā)展,基于雷達(dá)數(shù)據(jù)分析的方法也在目標(biāo)識(shí)別中發(fā)揮出重要作用[3-4]。但由于穿墻雷達(dá)使用較低頻段的電磁波作為探測(cè)信號(hào),這會(huì)導(dǎo)致微多普勒的低分辨性能。沖激脈沖(impulse radio, IR)超寬帶(ultra wideband, IR-UWB)穿墻雷達(dá)具有穿透性能好、距離分辨率高、設(shè)計(jì)成熟、設(shè)備輕量化、成本低等優(yōu)點(diǎn),在人體目標(biāo)探測(cè)識(shí)別領(lǐng)域具有重大優(yōu)勢(shì)[5-6]。針對(duì)雷達(dá)目標(biāo)識(shí)別中的小樣本問題,孫晶明[7]、晏媛[8]等基于元學(xué)習(xí)和遷移學(xué)習(xí),提出了改進(jìn)的小樣本學(xué)習(xí)方法,提高了雷達(dá)小樣本目標(biāo)的識(shí)別效率和準(zhǔn)確率。

研究人體行為識(shí)別,首先要對(duì)人體行為進(jìn)行建模,常用方法包括基于人體骨架建模以及基于傳感器建模[9]。Dorp等[10]基于Thalmann模型對(duì)人體步態(tài)進(jìn)行仿真分析,結(jié)合雷達(dá)獲取的人體實(shí)際步態(tài)微多普勒特征,建立了更貼近實(shí)際情形的人體運(yùn)動(dòng)步態(tài)回波數(shù)學(xué)模型。Van等[11]對(duì)Thalmann模型進(jìn)行了優(yōu)化改進(jìn),通過最小二乘法進(jìn)一步減小了實(shí)測(cè)數(shù)據(jù)和仿真模型的差異。Chen等[12]對(duì)人體運(yùn)動(dòng)時(shí)產(chǎn)生的多普勒和微多普勒進(jìn)行了詳細(xì)的深入研究,導(dǎo)出了人體運(yùn)動(dòng)時(shí)的微多普勒特征。Zhu等[13]使用IR-UWB雷達(dá)分別在穿墻和非穿墻條件下測(cè)試了行走和靜止兩種行為,并公布其數(shù)據(jù)集。

綜上所述,常見人體行為識(shí)別方法存在著環(huán)境依賴性高、特征分辨力低等問題,針對(duì)上述問題,本文基于IR-UWB穿墻雷達(dá)系統(tǒng),分別于時(shí)域和頻域進(jìn)行分析及特征提取,并通過支持向量機(jī)(support vector machine, SVM)算法實(shí)現(xiàn)對(duì)穿墻雷達(dá)的人體行為識(shí)別。首先,基于IR-UWB穿墻雷達(dá)獲取人體行為回波數(shù)據(jù),并通過行為分離、雜波抑制、距離補(bǔ)償?shù)确椒▽?duì)數(shù)據(jù)進(jìn)行處理并構(gòu)建人體行為回波數(shù)據(jù)集?；谠摂?shù)據(jù)集,對(duì)人體行為回波數(shù)據(jù)的時(shí)域和頻域圖像進(jìn)行分析,提取出適用于IR-UWB穿墻雷達(dá)的人體行為特征,并通過SVM分類算法對(duì)人體行為進(jìn)行識(shí)別分類,最后對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。

1 IR-UWB穿墻雷達(dá)人體行為回波模型

UWB雷達(dá)的一般定義為信號(hào)頻譜相對(duì)帶寬大于25%的雷達(dá),主要特點(diǎn)為具有較大的帶寬以及較高的距離分辨率。在UWB穿墻雷達(dá)中,由于高頻信號(hào)的傳輸損耗要比低頻信號(hào)的傳輸損耗大得多,因此穿墻雷達(dá)的工作頻率一般在5 GHz及以下頻段。在信號(hào)體制方面,常見的UWB信號(hào)體制包括線性調(diào)頻連續(xù)波信號(hào)、線性調(diào)頻步進(jìn)頻信號(hào),以及IR信號(hào)。

本文實(shí)驗(yàn)所用雷達(dá)的信號(hào)體制為IR信號(hào)。對(duì)于IR-UWB雷達(dá),一般使用高斯脈沖對(duì)IR信號(hào)進(jìn)行分析,其表達(dá)式如下所示:

(1)

式中:α為脈沖成形因子,影響脈沖的寬度和幅度,α越大,脈沖幅度越小,脈沖寬度越寬。

對(duì)于UWB穿墻雷達(dá),當(dāng)其發(fā)射一個(gè)脈沖信號(hào)時(shí),信號(hào)首先穿過墻體障礙,照射到人體目標(biāo)后產(chǎn)生反射再次穿過墻體障礙后被接收機(jī)捕獲。在此期間,天線直耦波,墻體的直接反射,目標(biāo)背景的雜波反射,自由空間的電磁噪聲,目標(biāo)一次反射后照射到其他反射體的多次反射等也將一并進(jìn)入接收機(jī)。用雷達(dá)方程計(jì)算接收信號(hào)能量:

(2)

式中:Ptarget為接收信號(hào)總能量;Pavg為發(fā)射機(jī)平均功率;G為天線增益;λ為發(fā)射信號(hào)波長(zhǎng);σ為雷達(dá)散射截面積(radar cross section, RCS);R為目標(biāo)徑向距離;L為損耗。

由于雷達(dá)回波中包含人體目標(biāo)回波、雜波和噪聲,其中雜波和噪聲會(huì)對(duì)人體行為識(shí)別產(chǎn)生不利影響,因此需要對(duì)雷達(dá)回波進(jìn)行雜波抑制。同時(shí),由雷達(dá)方程可知,雷達(dá)回波能量在自由空間中會(huì)隨著距離呈現(xiàn)快速的衰減,這會(huì)導(dǎo)致中遠(yuǎn)距離上的目標(biāo)會(huì)淹沒在雜波和噪聲背景當(dāng)中,因此對(duì)于雜波抑制后的雷達(dá)回波數(shù)據(jù),還需要進(jìn)行距離補(bǔ)償處理。

對(duì)于人體行為模型,可以用圓柱體和橢球體來代替人體的主要軀干和肢體,以估計(jì)其RCS值。根據(jù)雷達(dá)回波散射點(diǎn)疊加原理,可以將人體行為回波看成其各部位的雷達(dá)回波的疊加和,即人體行為雷達(dá)散射模型如下:

(3)

式中:S(ω,k)為雷達(dá)回波;ω為采樣頻率;k為脈沖數(shù);N為散射點(diǎn)數(shù)量;σn(k)為第k次脈沖中第n個(gè)散射點(diǎn)的RCS值;j為虛數(shù)單位;rn(k)為第n個(gè)散射點(diǎn)的距離;m(ω,k)為除目標(biāo)回波外的其他雜波及噪聲。

基于人體行為雷達(dá)回波模型的分析,人體目標(biāo)的時(shí)域距離像中蘊(yùn)含著豐富的行為特征,因此可以基于IR-UWB雷達(dá)的高分辨距離像,提取人體目標(biāo)的時(shí)域、空域特征,從不同特征域的角度對(duì)人體行為進(jìn)行特征提取。

2 基于SVM的人體行為識(shí)別算法

基于上述人體行為回波模型分析,提出基于SVM的人體行為識(shí)別算法,該算法流程如圖1所示,主要包括回波預(yù)處理、特征提取以及訓(xùn)練模型3個(gè)部分。

圖1 人體行為識(shí)別算法流程圖Fig.1 Human behavior recognition algorithm flow chart

2.1 人體行為回波數(shù)據(jù)預(yù)處理

2.1.1 雜波抑制

在介質(zhì)穿透下的人體行為識(shí)別研究中,可以假設(shè)目標(biāo)運(yùn)動(dòng)幅度較大,而背景的變化較小,因此可以通過高通濾波的方法來對(duì)背景雜波進(jìn)行濾除。常用的雜波抑制算法包括:脈沖對(duì)消法、積累平均背景相消法和指數(shù)加權(quán)法。其都是基于歷史背景模板進(jìn)行雜波濾除的,不同之處在于背景模板yt的估計(jì),即:

st=rt-yt

(4)

式中:st為當(dāng)前時(shí)刻濾波后的結(jié)果;rt為當(dāng)前時(shí)刻的回波數(shù)據(jù)。

指數(shù)加權(quán)法是對(duì)積累平均背景相消法的改進(jìn),具體體現(xiàn)在對(duì)于當(dāng)前時(shí)刻背景模板的估計(jì)中,分別對(duì)當(dāng)前時(shí)刻的回波和上一時(shí)刻的歷史背景模板賦予固定的權(quán)重比,即:

yt=αyt-1+(1-α)rt, 0≤α<1

(5)

式中:α為指數(shù)加權(quán)因子,決定了歷史背景模板和當(dāng)前時(shí)刻回波所占的權(quán)重比。由式(5)可以看出,隨著回波時(shí)刻t的增加,離當(dāng)前時(shí)刻越遠(yuǎn)的歷史背景所帶來的影響將越小。特別地,當(dāng)指數(shù)加權(quán)因子α=0時(shí),指數(shù)加權(quán)法就退化成為脈沖對(duì)消法。

雜波抑制算法效果對(duì)比如圖2所示。圖2(a)為奔跑行為原始數(shù)據(jù)距離像,由于直耦波的幅值極高,目標(biāo)回波幾乎被直耦波淹沒,僅在距離較近的范圍內(nèi)(紅框)存在微弱的目標(biāo)回波。在采用上述的雜波抑制方法處理后,可以看到近處的目標(biāo)點(diǎn)已被突顯出來,但遠(yuǎn)處的目標(biāo)點(diǎn)信息依然非常模糊,如圖2(b)所示,因此需要對(duì)抑制后的結(jié)果進(jìn)行距離補(bǔ)償。

圖2 雜波抑制效果對(duì)比圖Fig.2 Comparison of clutter suppression effect

2.1.2 距離補(bǔ)償

本文采用基于能量的自適應(yīng)增益方法,進(jìn)一步提高回波數(shù)據(jù)的信噪比,其基本思想是基于不同距離區(qū)間上信號(hào)的能量對(duì)信號(hào)進(jìn)行增益[5]。具體方法是,給定區(qū)間范圍d和最大增益值gmax,計(jì)算滑窗范圍內(nèi)信號(hào)的能量,并與gmax進(jìn)行比較,即:

(6)

z(i)=s(i)·g(i)

式中:i為第i次滑窗處理過程;s(i)為第i次滑窗部分的原始雷達(dá)回波;z(i)為進(jìn)行距離補(bǔ)償后的回波數(shù)據(jù),將滑窗以非重疊方式將信號(hào)遍歷一遍,即可完成信號(hào)的增益補(bǔ)償。

距離補(bǔ)償結(jié)果如圖3所示,可以看出目標(biāo)的運(yùn)動(dòng)信息已較為清晰,但近處還有少許的直耦波殘留分量,因此對(duì)其進(jìn)行進(jìn)一步抑制,抑制處理結(jié)果如圖4所示。

圖3 距離補(bǔ)償Fig.3 Distance compensation

圖4 直耦波抑制Fig.4 Direct coupling wave suppression

2.2 人體行為特征提取

常規(guī)識(shí)別方法采用微多普勒特征作為識(shí)別依據(jù),通過STFT算法對(duì)回波數(shù)據(jù)進(jìn)行處理,在傅里葉變換的基礎(chǔ)上給信號(hào)加窗函數(shù),提取出信號(hào)的時(shí)頻特性,即:

(7)

式中:w(t)為窗函數(shù)。窗函數(shù)的選擇需要考慮頻率分辨率的問題,一般地,高斯窗函數(shù)可以獲得最低的時(shí)間頻率積,即:

(8)

人體行為微多普勒特征如圖5、圖6所示,可以看出,人體行為的微多普勒特征存在分辨率低的問題,且對(duì)于起立、坐下、起身和跌倒等相似行為,其多普勒特征相近,無法進(jìn)行有效區(qū)分。

圖5 人體行為時(shí)間-頻率特征Fig.5 Time-frequency characteristics of human behavior

圖6 人體行為距離-頻率特征Fig.6 Range-frequency characteristics of human behavior

基于IR-UWB雷達(dá)的高距離分辨率特性,可以從時(shí)域距離像中提取目標(biāo)行為的時(shí)域和空域特征,與頻域特征形成互補(bǔ)?；谀繕?biāo)的高分辨距離像,可以提取出目標(biāo)的速度值,以及能量分布特征。

對(duì)于給定的雷達(dá)回波數(shù)據(jù)X=[x1,x2,…,xn],其中xi∈Rm為第i道回波,m,n分別為雷達(dá)快時(shí)間和慢時(shí)間維度的度量,通過以下方法對(duì)目標(biāo)范圍進(jìn)行定位:

(9)

式中:k=1,2,…,N為滑窗次序;l為滑窗大小;N為總滑窗次數(shù);[P0,P1]為目標(biāo)在回波數(shù)據(jù)中的滑窗范圍;T為能量閾值;Ek為滑窗范圍能量值。

通過滑窗求取該范圍內(nèi)的能量值Ek,如果該值大于能量閾值T,則認(rèn)為該范圍內(nèi)存在目標(biāo),因此目標(biāo)所在區(qū)域的雷達(dá)回波數(shù)據(jù)為

(10)

在目標(biāo)區(qū)域范圍內(nèi),提取目標(biāo)行為的前、中、末段能量作為時(shí)域空間能量分布特征,即:

(11)

圖7為不同行為的時(shí)域能量分布,由圖中可以看出,起立坐下和起身跌倒相似行為得到了較好的區(qū)分,而對(duì)于行走奔跑等相似行為,可以通過計(jì)算其速度值來區(qū)分。根據(jù)選取的回波道數(shù)n,基于雷達(dá)脈沖重復(fù)頻率(pulse repetition frequency, PRF)估計(jì)目標(biāo)在該范圍內(nèi)的平均速度:

(12)

式中:τ為雷達(dá)接收機(jī)的快時(shí)間間隔;c為光速。

圖7 人體行為時(shí)域能量分布Fig.7 Time domain energy distribution of human behavior

2.3 SVM多分類模型

經(jīng)典SVM最初是基于二分類任務(wù)而設(shè)計(jì)的。對(duì)于給定的訓(xùn)練樣本xi∈Rn(i=1,2,…,l),其中n為樣本的特征數(shù)量,以及對(duì)應(yīng)的類標(biāo)簽yi∈{1,-1},基本的二分類SVM要解決以下的優(yōu)化問題[28]:

s.t.yi(wTφ(xi)+b)≥1-ξi

(13)

式中:C>0為正則化參數(shù),是權(quán)衡尋找最大間隔超平面與保證數(shù)據(jù)點(diǎn)偏差量最小的度量,對(duì)于線性可分的情況,C的大小只會(huì)影響訓(xùn)練的中間過程,不影響最終結(jié)果;ξ為松弛變量,ξi≥0(i=1,2,…,l);φ(xi)函數(shù)將樣本xi映射到高維空間。

這是一個(gè)凸優(yōu)化問題,且權(quán)向量w可能具有較高的維數(shù),因此通常引入拉格朗日對(duì)偶變量,通過拉格朗日函數(shù)將約束條件融合到目標(biāo)函數(shù)中去,隨后求解其對(duì)偶問題。上述優(yōu)化問題的對(duì)偶問題為

(14)

(15)

式中:1=[1,…,1]T,K(xi,xj)為核函數(shù),本文算法使用的核函數(shù)為徑向基核函數(shù)(radial basis function, RBF),其超參數(shù)較少,且可以處理類與特征間的非線性關(guān)系,其表達(dá)式如下:

(16)

為了使SVM擴(kuò)展到多分類任務(wù)上,可以采用訓(xùn)練構(gòu)建多個(gè)分類器,隨后對(duì)所有分類器進(jìn)行組合的方法。在此基礎(chǔ)上,有“一對(duì)多”和“一對(duì)一”兩種方式,在分類準(zhǔn)確度方面兩種方法基本相等,而“一對(duì)一”方法的訓(xùn)練時(shí)間更短[29],因此本文采用“一對(duì)一”方式實(shí)現(xiàn)SVM多分類。

在“一對(duì)一”方法中,總共構(gòu)建k(k-1)/2個(gè)分類器,其中每個(gè)分類器分別使用樣本中的兩類數(shù)據(jù)進(jìn)行訓(xùn)練。即對(duì)于第m類和第n類樣本,解決下列優(yōu)化問題:

(17)

決策函數(shù)為

(sgn((wmn)Tφ(x)+bmn)+1)

(18)

3 實(shí)測(cè)數(shù)據(jù)實(shí)驗(yàn)分析

3.1 預(yù)處理效果分析

由第1節(jié)的回波模型分析可知,回波數(shù)據(jù)中包含人體目標(biāo)回波、雜波和噪聲。其中,雜波會(huì)極大地提高數(shù)據(jù)的整體幅值水平,而過高的幅值會(huì)導(dǎo)致目標(biāo)的回波數(shù)據(jù)被掩蓋,不僅會(huì)給目標(biāo)定位帶來困難,而且同一行為的數(shù)據(jù)特征可能會(huì)因?yàn)殡s波的不確定性而變得不具有相似性。同時(shí),回波數(shù)據(jù)中的噪聲會(huì)給數(shù)據(jù)帶來一些隨機(jī)擾動(dòng),體現(xiàn)為提高數(shù)據(jù)樣本的方差,這也加劇了背景雜波所帶來的不利影響。

下面以起立和坐下兩種行為為例,對(duì)比分析預(yù)處理效果對(duì)數(shù)據(jù)特征的影響。圖8為原始數(shù)據(jù)的特征分布情況,圖9為預(yù)處理后的數(shù)據(jù)特征分布情況,其中紅線部分代表起立行為,藍(lán)線部分代表坐下行為,每條線分別代表不同的數(shù)據(jù)樣本,每個(gè)行為隨機(jī)挑選出10個(gè)樣本作為分析對(duì)象。

圖8 原始數(shù)據(jù)特征分布Fig.8 Original data feature distribution

圖9 預(yù)處理后特征分布Fig.9 Feature distribution after pretreatment

由圖8可以看出,原始數(shù)據(jù)中同一行為的同一特征間較為分散,且不同行為的同一特征存在較大混疊,這會(huì)導(dǎo)致不同行為的可分性變差;而由圖9可以看出,經(jīng)過預(yù)處理后,數(shù)據(jù)樣本的特征分布更為密集,且不同行為的同一特征間的混疊情況也得到了改善。值得注意的是,原始數(shù)據(jù)特征幅值和預(yù)處理后的特征幅值的量級(jí)差距達(dá)到了109。由此說明了圖中得出的結(jié)論與第1節(jié)的回波模型分析相吻合。

3.2 數(shù)據(jù)集構(gòu)建

本文實(shí)驗(yàn)使用IR-UWB穿墻雷達(dá)對(duì)墻后人體進(jìn)行探測(cè)來采集人體行為回波數(shù)據(jù),所用雷達(dá)設(shè)備系統(tǒng)參數(shù)如表1所示。實(shí)驗(yàn)場(chǎng)景包括室外開放場(chǎng)地及室內(nèi)場(chǎng)景,如圖10所示,圖中為數(shù)據(jù)采集準(zhǔn)備過程。參與人體行為數(shù)據(jù)采集實(shí)驗(yàn)的人體目標(biāo)共有3名,分別進(jìn)行行走、奔跑、坐下、起立、跌倒、起身等6種不同的人體行為,每組實(shí)驗(yàn)分別重復(fù)100次。在本文實(shí)驗(yàn)中,分別對(duì)3名不同實(shí)驗(yàn)對(duì)象進(jìn)行了相同行為動(dòng)作的數(shù)據(jù)采集,其中將2名實(shí)驗(yàn)對(duì)象的數(shù)據(jù)作為訓(xùn)練集,其余1名實(shí)驗(yàn)對(duì)象的數(shù)據(jù)作為測(cè)試集。

表1 IR-UWB穿墻雷達(dá)系統(tǒng)參數(shù)Table 1 Parameters of IR-UWB through wall radar system

圖10 人體行為實(shí)驗(yàn)數(shù)據(jù)采集Fig.10 Human behavior experiment data acquisition

對(duì)于雷達(dá)獲取的人體行為回波數(shù)據(jù),首先通過第2.1節(jié)所述方法得到高分辨距離像,并對(duì)獨(dú)立的人體行為進(jìn)行分割,作為單個(gè)行為動(dòng)作的數(shù)據(jù)。本次實(shí)驗(yàn)共采集了584道不同人體行為的回波數(shù)據(jù),但因篇幅有限,每種行為僅展示12幅圖像,表2分別展示了不同行為類別單次動(dòng)作的距離像。在得到單次行為動(dòng)作的回波數(shù)據(jù)后,基于第2.2節(jié)中所述方法,提取人體行為數(shù)據(jù)特征,構(gòu)建SVM數(shù)據(jù)集。

表2 不同行為單次動(dòng)作的時(shí)域圖像Table 2 Time domain image of a single action for different behaviors

3.3 實(shí)驗(yàn)結(jié)果與分析

本次人體行為實(shí)驗(yàn)共采集了584道數(shù)據(jù),其中挑選300道數(shù)據(jù)作為訓(xùn)練集,剩余284道數(shù)據(jù)作為測(cè)試集,使用SVM算法對(duì)6種不同的人體行為進(jìn)行識(shí)別。表3為人體行為識(shí)別混淆矩陣。

表3 人體行為識(shí)別混淆矩陣Table 3 Human behavior recognition confusion matrix

基于以上混淆矩陣,分別計(jì)算識(shí)別精確率(positive predictive value, PPV)和召回率(true positive rate, TPR),即:

(19)

式中:TP為正確正樣本數(shù);FP為錯(cuò)誤正樣本數(shù);FN為錯(cuò)誤負(fù)樣本數(shù)。

PPV衡量的是預(yù)測(cè)值為正樣本中的識(shí)別準(zhǔn)確率,TPR衡量的是真實(shí)正樣本的識(shí)別準(zhǔn)確率,但PPV和TPR有時(shí)會(huì)出現(xiàn)矛盾的情況,因此需要綜合考慮上述指標(biāo),即計(jì)算F值:

(20)

上述3個(gè)指標(biāo)數(shù)值越接近100%,代表識(shí)別結(jié)果越好,計(jì)算結(jié)果如表4所示。

表4 人體行為識(shí)別結(jié)果分析Table 4 Analysis of human behavior recognition results %

在本文實(shí)驗(yàn)的6種人體行為中,行走和奔跑、起立和坐下、起身和跌倒各位為相似的一組人體行為,其中起立是指人從靜坐狀態(tài)站起來的行為,起身是指人從跌倒?fàn)顟B(tài)站起來的行為。由表4可以看出,3項(xiàng)指標(biāo)均達(dá)到95%,表明算法可以較好地對(duì)6種不同的人體行為進(jìn)行識(shí)別,即使對(duì)于行為類型相近的人體行為,本文算法能夠很好地將其區(qū)分,識(shí)別率均超過95%。

在現(xiàn)有的IR-UWB穿墻人體行為識(shí)別方法中,利用的特征包括微多普勒[15-16,24,27]、時(shí)頻圖[14,17-18,26]、時(shí)間-距離信息[30-31]等,可以分為頻域特征和時(shí)域特征,本文算法將兩種特征結(jié)合起來,彌補(bǔ)了單域特征的不足,提高了人體行為識(shí)別的準(zhǔn)確率,表5給出了分別用單頻域和單時(shí)域特征方法得到的識(shí)別結(jié)果,圖11為不同方法的識(shí)別效果對(duì)比。

表5 單域特征識(shí)別結(jié)果Table 5 Single domain feature recognition results %

圖11 識(shí)別準(zhǔn)確率對(duì)比Fig.11 Recognition accuracy comparison

由表5可以看出,單時(shí)域特征的識(shí)別方法準(zhǔn)確率較低,僅有77%的平均識(shí)別準(zhǔn)確率,單頻域的識(shí)別方法準(zhǔn)確率較高,達(dá)到了94%的識(shí)別準(zhǔn)確率,而本文算法的平均識(shí)別準(zhǔn)確率為98%。圖11直觀展示了3種不同方法得到的識(shí)別準(zhǔn)確率指標(biāo),可以看出,本文算法能夠有效彌補(bǔ)單一特征域的不足,提高人體行為識(shí)別準(zhǔn)確率。

4 結(jié) 論

本文基于SVM算法,提出了一種適用于IR-UWB雷達(dá)的人體行為識(shí)別方法。對(duì)于獲取的人體行為回波數(shù)據(jù),首先采用雜波抑制和距離補(bǔ)償算法對(duì)圖像進(jìn)行濾波,得到高信噪比的時(shí)域距離像,基于該距離像和滑窗能量搜尋的方法定位出目標(biāo)所在區(qū)域,并獲取不同距離區(qū)間的能量分布情況,然后對(duì)目標(biāo)所在區(qū)域進(jìn)行時(shí)頻變換,分別獲取頻域范圍的時(shí)變特征和空變特征,最后基于SVM算法對(duì)6種不同的人體行為進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明,對(duì)于行為類型不相近的動(dòng)作,本文算法能夠很好對(duì)其進(jìn)行區(qū)分,識(shí)別準(zhǔn)確率接近100%,對(duì)于行為類型相近的動(dòng)作,本文算法的識(shí)別準(zhǔn)確率也能達(dá)到95%以上。