一种人体运动微多普勒信号识别的方法

1.本发明属于人体运动雷达识别领域，具体涉及一种人体运动微多普勒信号识别的方法。


背景技术：

2.随着生活需求的日益丰富以及科学技术水平的不断提升，人体运动识别应用受到了越来越多的关注，在灾难营救、安保系统、执法活动、医疗监控、人机交互等众多军事、民用领域中都有广泛的应用前景。人体目标的探测主要依赖于光学传感器、声学传感器和雷达。相比于其他传感器，雷达通过发射电磁波来探测目标，探测距离较远，不仅不受光照、天气等外界环境影响，且具备穿透墙壁等障碍物的能力，因此在实际应用中相比于其他传感器具有很大的优势。多普勒雷达是一种利用多普勒效应来探测的雷达，微多普勒特征中蕴含目标的距离、速度以及其他信息，通过挖掘其中的信息可以达到目标运动识别的目的。
3.传统的基于微多普勒雷达的人体运动识别中，主要采用了人工提取识别特征的方式，这种手动提取特征的方法依赖先验知识，并且难以充分考虑微多普勒特征在高维空间的映射关系，对不同的数据所采用的特征也不尽相同，在其他研究问题上的可扩展性较差。深度学习技术是机器学习的一个分支，是一种以人工神经网络为架构，对数据进行表征学习的技术。不同于许多传统算法，深度学习方法可以从原始输入数据中自动挖掘数据特征，利用提取的特征来划定分类边界。深度学习凭借强大的特征表征能力对微多普勒特征进行提取和识别，弥补传统算法在需求先验知识以及可扩展性较差等的问题，因此在微多普勒人体运动识别领域取得了令人瞩目的成效。然而，在深度学习模型训练过程中往往需要大量标注数据作为支撑，手工标注雷达数据需要一定的专业知识，构建标注良好的大型人体运动雷达数据无疑会消耗大量的人力和物力成本，真实的情况往往都是有限的标注数据和大量的无标注数据。有限的标注样本会使绝大多数监督学习的深度学习模型陷入过拟合的状态，从而不能正常发挥其应有的性能，大大影响实际应用的效果。


技术实现要素：

4.本发明的目的在于提供一种人体运动微多普勒信号识别的方法，能够在有限的标注数据样本下抑制模型的过拟合状态，且精度较高。
5.本发明提供的这种人体运动微多普勒信号识别的方法，如下步骤：
6.s1.获取人体的多普勒雷达的回波信号时频分布数据；
7.s2.构建人体运动网络模型；
8.s3.构建人体运动网络模型的损失函数；
9.s4.采用人体的多普勒雷达的回波信号时频分布数据和人体运动网络模型的损失函数进行训练；
10.s5.获取训练好的人体运动信号识别模型，对当前的人体数据进行标注。
11.所述的步骤s1，包括如下步骤：
12.a1.采用多普勒雷达设备，对不同人的不同动作进行采集，获取一维时域雷达数据；
13.a2.对采集得到的一维时域雷达数据利用短时傅里叶变换进行时频转换，将一维时域雷达数据转换为二维时频谱图；
14.a3.将二维时频谱图缩放为设定像素值，并对二维时频谱图中的数据进行取模，获取数据集；
15.a4.将数据集中的数据按照设定比例划分为训练集、测试集和验证集；
16.a5.将训练集中的每个类别分别选取若干个数据作为有限标注数据使用，同时在未被选择为标注数据的剩余数据中选取若干个数据临时去掉标注作为无标注数据使用。
17.所述的步骤s2，构建人体运动网络模型包括建立生成器和建立分类器。
18.所述的生成器包括若干个转置卷积层，每一转置卷积层可对输入数据进行上采样，将符合高斯分布的长度为预设长度的噪声输入到全连接层中进行维度变换，从长度为预设长度的一维向量转变为4
×4×
128的三维数据；将维度扩展后的数据输入到卷积核大小为4
×
4，卷积核移动步长为2的转置卷积层，得到与人体微多普勒数据具有相同尺寸的特征数据。
19.所述的分类器包括若干个卷积层，将特征数据输入到卷积核大小为3
×
3的卷积层，并采用leakrelu激活函数进行非线性运算；将经过多层卷积运算之后的特征数据，经过全连接层和softmax激活函数，将特征数据转换为概率向量。
20.所述的步骤s3，包括构建生成器损失函数和构建分类器损失函数。
21.所述的构建生成器损失函数包括如下步骤：
22.b1.在高斯分布中随机采样生成随机向量z，生成器接收随机噪声，生成假的数据样本g(z)；
23.b2.计算生成器的特征匹配损失l
fm
，生成器的特征匹配损失l
fm
用于表示生成假的数据样本和真实数据通过分类器时产生的特征差异，
[0024][0025]
其中，f(
·
)表示分类器每层输出的特征值；g(z)表示假的数据样本；x表示不带有标注的真实数据；z表示在高斯分布中随机采样生成的随机向量；表示取自真实数据分布的未带标注的真实数据x～p
data
的期望；x～p
data
表示取自真实数据分布的未带标注的真实数据；p
data
表示真实数据的分布；表示取自噪声分布的噪声z～pz(z)的期望；z～pz(z)表示取自噪声分布的噪声；pz(z)表示噪声的分布；表示二范数的平方；
[0026]
b3.计算生成器中生成假的数据样本在分类器中判定为假的损失lg：
[0027][0028]
其中，g(z)表示假的数据样本；z表示在高斯分布中随机采样生成的随机向量；log(
·
)表示取对数，用于简便运算；d(
·
)表示分类器的输出；表示取自噪声分布的噪声z～pz(z)的期望；z～pz(z)表示取自噪声分布的噪声；pz(z)表示噪声的分布；
[0029]
b4.获得生成器总损失函数：
[0030]
l1＝α*l
fm
lg[0031]
其中，l1表示生成器总损失；α表示生成器权重系数，在本实施例中取0.1；l
fm
表示生成器的特征匹配损失；lg表示生成器中生成假的数据样本在分类器中判定为假的损失。
[0032]
所述的构建分类器损失函数包括如下步骤：
[0033]
c1.分类器的输入数据x包括标注数据x
l
、未标注数据xu和生成器的假的数据样本g(z)；标注数据x
l
取自真实数据分布，x
l
～p
data
；未标注数据取自真实数据分布，xu～p
data
；输入数据取自生成器x～g；
[0034]
c2.分类器输入数据x，输出一个k 1维的逻辑向量，再由softmax激活函数将该逻辑向量输出归一化类概率向量：
[0035][0036]
其中，p
model
(x
l
＝i|x)表示归一化类概率向量；x
l
表示标注数据；li表示分类器输出向量的第i维；lj表示分类器输出向量的第j维；exp(
·
)表示指数函数；
[0037]
c3.输出向量中前k维对应真实的k个类别，最后一维对应生成数据类；
[0038]
c4.计算标注样本损失l
label
，标注样本损失l
label
用于表示真实类标签分布和预测类标签的交叉熵损失：
[0039][0040]
其中，x表示分类器的输入数据；x
l
表示标注数据；p
data
表示真实数据；log(
·
)表示取对数，用于简便计算；k表示维度；x,x
l
～p
data
表示取自真实数据分布的带有标注的真实数据；表示取自真实数据分布的带有标注的真实数据的期望；p
model
(
·
)表示逻辑向量转换为类概率向量的函数；
[0041]
c5.计算未标注样本损失l
unlabel
，未标注样本损失l
unlabel
用于表示未标注样本分类为真实数据的损失：
[0042][0043]
其中，xu表示未标注数据；x
l
表示标注数据；p
data
表示真实数据；log(
·
)表示取对数，用于简便计算；k表示维度；xu～p
data
表示取自真实数据分布的未带标注的真实数据；表示取自真实数据分布的未带标注的真实数据的期望；p
model
(
·
)表示逻辑向量转换为类概率向量的函数；
[0044]
c6.计算生成样本损失l
gen
，生成样本损失l
gen
用于表示生成样本分类为假数据的损失：
[0045]
l
gen
＝-e
y～g
[log(p
model
(x
l
＝k 1|y))]
[0046]
其中，y表示分类器的生成数据；x
l
表示标注数据；p
data
表示真实数据；log(
·
)表示取对数，用于简便计算；k表示维度；y～g表示取自生成器的生成数据；e
y～g
表示取自生成器的生成数据的期望；p
model
(
·
)表示逻辑向量转换为类概率向量的函数；
[0047]
c7.计算分类器总损失函数：
[0048]
l2＝l
label
l
unlabel
l
gen
[0049]
其中，l2表示分类器总损失；l
label
表示标注样本损失；l
unlabel
表示未标注样本损失；l
gen
表示生成样本损失。
[0050]
所述的步骤s4，包括如下步骤：
[0051]
d1.获取生成的假的数据样本g(z)；
[0052]
d2.将标注的真实微多普勒数据、未标注的真实微多普勒数据和生成的假的数据样本g(z)按批次输入到判别器网络，最终通过softmax激活函数输出归一化的概率值d(x
l
)，d(xu)和d(g(z))，d(x
l
)表示分类器对于标注数据属于每一个类别的概率，d(xu)表示分类器对未标注数据属于真实数据的概率，d(g(z))表示分类器判定生成数据为真实数据的概率；
[0053]
d3.固定生成器网络的参数，并以判别器的总的损失函数作为优化目标，利用adam梯度下降方法来优化判别器网络的参数；
[0054]
d4.固定分类器网络的参数，并以生成器的总的损失函数作为优化目标，利用adam梯度下降方法来优化生成器网络的参数；
[0055]
d5.重复步骤d2-d4，直至达到迭代次数或网络达到收敛。
[0056]
本发明提供的这种人体运动微多普勒信号识别的方法，利用对生成对抗网络的博弈原理，通过两个神经网络之间的博弈逐步提高网络模型的性能；将生成对抗网络结构中的判别器兼具二分类和多分类的功能，从而减少网络总体的规模；在生成器模型中，引入特征匹配的方法，使生成器模型能够更深入学习真实数据的分布特征，从而进一步提高神经网络模型的性能；本发明能够有效挖掘有限标注的人体运动微多普勒信号和大量无标注的人体运动微多普勒信号中的特征，在标注样本有限的情况下能够精确分类不同的人体运动。
附图说明
[0057]
图1为本发明方法的流程示意图。
[0058]
图2为本发明实施例的基于生成对抗网络的半监督人体运动微多普勒特征识别方法的网络结构示意图。
[0059]
图3为本发明实施例的生成器的网络结构示意图。
[0060]
图4为本发明实施例的分类器的网络结构示意图。
具体实施方式
[0061]
如图1为本发明方法的流程示意图，如图2为本发明实施例的基于生成对抗网络的半监督人体运动微多普勒特征识别方法的网络结构示意图。本发明提供的这种人体运动微多普勒信号识别的方法，包括如下步骤：
[0062]
s1.获取人体的多普勒雷达的回波信号时频分布数据；
[0063]
s2.构建人体运动网络模型；
[0064]
s3.构建人体运动网络模型的损失函数；
[0065]
s4.采用人体的多普勒雷达的回波信号时频分布数据和人体运动网络模型的损失
函数进行训练；
[0066]
s5.获取训练好的人体运动信号识别模型，对当前的人体数据进行标注。
[0067]
所述的步骤s1，包括如下步骤：
[0068]
a1.采用2.4ghz载频的多普勒雷达设备，对不同人的不同动作进行采集，获取一维时域雷达数据；
[0069]
a2.对采集得到的一维时域雷达数据利用短时傅里叶变换进行时频转换，将一维时域雷达数据转换为二维时频谱图；
[0070]
a3.为了简化模型规模和保证训练速度，将二维时频谱图缩放为64
×
64像素，并对二维时频谱图中的数据进行取模，获取数据集；
[0071]
a4.将数据集中的数据按照7:2:1划分为训练集、测试集和验证集；
[0072]
a5.将训练集中的每个类别分别选取300个数据作为有限标注数据使用，在未被选择为标注数据的剩余数据中选取，2000个数据临时去掉标注作为无标注数据使用。
[0073]
如图3为本发明实施例的生成器的网络结构示意图。如图4为本发明实施例的分类器的网络结构示意图。所述的步骤s2，构建人体运动网络模型包括建立生成器和建立分类器；
[0074]
生成器包括多个转置卷积层，每一转置卷积层可对输入数据进行上采样，将符合高斯分布的长度为100的噪声输入到全连接层中进行维度变换，从长度为100的一维向量转变为4
×4×
128的三维数据；将维度扩展后的数据输入到卷积核大小为4
×
4，卷积核移动步长为2的转置卷积层，得到与人体微多普勒数据具有相同尺寸的特征数据。
[0075]
分类器包括多个卷积层，将特征数据输入到卷积核大小为3
×
3的卷积层，并采用leakrelu激活函数进行非线性运算；不同于传统的relu激活函数将负半轴置零的处理方式，leakrelu激活函数在负半轴保留较小斜率以避免训练过程中梯度消失的问题；将经过多层卷积运算之后的特征数据，经过全连接层和softmax激活函数，将特征数据转换为概率向量。
[0076]
所述的步骤s3，包括构建生成器损失函数和分类器损失函数；构建生成器损失函数包括如下步骤：
[0077]
b1.在高斯分布中随机采样生成随机向量z，生成器接收随机噪声，生成假的数据样本g(z)；
[0078]
b2.计算生成器的特征匹配损失l
fm
，生成器的特征匹配损失l
fm
用于表示生成假的数据样本和真实数据通过分类器时产生的特征差异，
[0079][0080]
其中，f(
·
)表示分类器每层输出的特征值；g(z)表示假的数据样本；x表示不带有标注的真实数据；z表示在高斯分布中随机采样生成的随机向量；表示取自真实数据分布的未带标注的真实数据x～p
data
的期望；x～p
data
表示取自真实数据分布的未带标注的真实数据；p
data
表示真实数据的分布；表示取自噪声分布的噪声z～pz(z)的期望；z～pz(z)表示取自噪声分布的噪声；pz(z)表示噪声的分布；表示二范数的平方；
[0081]
b3.计算生成器中生成假的数据样本在分类器中判定为假的损失lg：
[0082][0083]
其中，g(z)表示假的数据样本；z表示在高斯分布中随机采样生成的随机向量；log(
·
)表示取对数，用于简便运算；d(
·
)表示分类器的输出；表示取自噪声分布的噪声z～pz(z)的期望；z～pz(z)表示取自噪声分布的噪声；pz(z)表示噪声的分布；
[0084]
b4.获得生成器总损失函数：
[0085]
l1＝α*l
fm
lg[0086]
其中，l1表示生成器总损失；α表示生成器权重系数，在本实施例中取0.1；l
fm
表示生成器的特征匹配损失；lg表示生成器中生成假的数据样本在分类器中判定为假的损失。
[0087]
构建分类器损失函数包括如下步骤：
[0088]
c1.分类器的输入数据x包括标注数据x
l
、未标注数据xu和生成器的假的数据样本g(z)；标注数据x
l
取自真实数据分布，x
l
～p
data
；未标注数据取自真实数据分布，xu～p
data
；输入数据取自生成器x～g；
[0089]
c2.分类器输入数据x，输出一个k 1维的逻辑向量，再由softmax激活函数将该逻辑向量输出归一化类概率向量：
[0090][0091]
其中，p
model
(x
l
＝i|x)表示归一化类概率向量；x
l
表示标注数据；li表示分类器输出向量的第i维；lj表示分类器输出向量的第j维；exp(
·
)表示指数函数；
[0092]
c3.输出向量中前k维对应真实的k个类别，最后一维对应生成数据类；
[0093]
c4.计算标注样本损失l
label
，标注样本损失l
label
用于表示真实类标签分布和预测类标签的交叉熵损失：
[0094][0095]
其中，x表示分类器的输入数据；x
l
表示标注数据；p
data
表示真实数据；log(
·
)表示取对数，用于简便计算；k表示维度；x,x
l
～p
data
表示取自真实数据分布的带有标注的真实数据；表示取自真实数据分布的带有标注的真实数据的期望；p
model
(
·
)表示逻辑向量转换为类概率向量的函数；
[0096]
c5.计算未标注样本损失l
unlabel
，未标注样本损失l
unlabel
用于表示未标注样本分类为真实数据的损失：
[0097][0098]
其中，xu表示未标注数据；x
l
表示标注数据；p
data
表示真实数据；log(
·
)表示取对数，用于简便计算；k表示维度；xu～p
data
表示取自真实数据分布的未带标注的真实数据；表示取自真实数据分布的未带标注的真实数据的期望；p
model
(
·
)表示逻辑向量转换为类概率向量的函数；
[0099]
c6.计算生成样本损失l
gen
，生成样本损失l
gen
用于表示生成样本分类为假数据的损失：
[0100]
l
gen
＝-e
y～g
[log(p
model
(x
l
＝k 1|y))]
[0101]
其中，y表示分类器的生成数据；x
l
表示标注数据；p
data
表示真实数据；log(
·
)表示取对数，用于简便计算；k表示维度；y～g表示取自生成器的生成数据；e
y～g
表示取自生成器的生成数据的期望；p
model
(
·
)表示逻辑向量转换为类概率向量的函数；
[0102]
c7.计算分类器总损失函数：
[0103]
l2＝l
label
l
unlabel
l
gen
[0104]
其中，l2表示分类器总损失；l
label
表示标注样本损失；l
unlabel
表示未标注样本损失；l
gen
表示生成样本损失。
[0105]
所述的步骤s4，包括如下步骤：
[0106]
d1.获取生成的假的数据样本g(z)；
[0107]
d2.将标注的真实微多普勒数据、未标注的真实微多普勒数据和生成的假的数据样本g(z)按批次输入到判别器网络，最终通过softmax激活函数输出归一化的概率值d(x
l
)，d(xu)和d(g(z))，d(x
l
)表示分类器对于标注数据属于每一个类别的概率，d(xu)表示分类器对未标注数据属于真实数据的概率，d(g(z))表示分类器判定生成数据为真实数据的概率；
[0108]
d3.固定生成器网络的参数，并以判别器的总的损失函数作为优化目标，利用adam梯度下降方法来优化判别器网络的参数；
[0109]
d4.固定分类器网络的参数，并以生成器的总的损失函数作为优化目标，利用adam梯度下降方法来优化生成器网络的参数；
[0110]
d5.重复步骤d2-d4，直至达到迭代次数或网络达到收敛。