申请/专利权人：电子科技大学

申请日：2022-06-14

公开（公告）日：2024-04-23

公开（公告）号：CN115063884B

主分类号：G06V40/20

分类号：G06V40/20;G06V10/764;G06N3/0464;G06N3/08;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.10.04#实质审查的生效;2022.09.16#公开

摘要：本发明公开了一种基于多域融合深度学习的毫米波雷达头部动作识别方法，包括以下步骤：步骤1、采集人的头部动作数据；步骤2、预处理，得到时间‑距离图、时间‑多普勒图；步骤3、对时间‑距离图进行特征提取；步骤4、对多通道时间‑多普勒图进行特征提取；步骤5、将提取到的距离特征和时频特征混合后，进行二维卷积；步骤6、采用空间注意力机制和通道注意力机制进行权重分配；步骤7、在全连接层中间加入dropout层。本发明利用卷积神经网络，结合多域和多种时频图对毫米波雷达采集的头部动作数据进行分类，同时采用通道注意力机制和空间注意力机制模块，增强了对易混淆动作的识别效果，提升了头部动作识别的准确率。

主权项：1.基于多域融合深度学习的毫米波雷达头部动作识别方法，其特征在于，包括以下步骤：步骤1、数据集建立：采用三发四收面阵天线的毫米波雷达采集人的头部动作数据，一共七个基本动作，分别是点头、低头、仰头、右转、左转、右偏、左偏；步骤2、对雷达回波数据进行预处理：在快时间维度上对数据进行一维快速傅里叶变换得到时间-距离图；然后取目标所在的距离单元，进行时频分析得到时间-多普勒图；步骤3、将时间-距离图和时间-多普勒图的图像大小统一调整为224×224×3的张量，然后对时间-距离图进行特征提取；步骤4、将时间-多普勒图按堆叠成一个立方体，采用卷积核大小为3×3×3的三维卷积对多通道时间-多普勒图进行特征提取；具体方法为：将小波变换、短时傅里叶变换、伪平滑魏格纳-维利分布得到的三种时间-多普勒图按顺序堆叠成一个立方体，采取卷积核大小为3×3×3的三维卷积层、BN层以及ReLu激活函数提取多通道时间-多普勒图的特征，三维卷积的计算公式为： 其中D是深度，F是卷积核的高度或者宽度，wd,m,n表示卷积核的权重，xd,im,jn表示图像的像素；f表示激活函数，选择ReLu激活函数；采用BN层使每一层神经网络的输入保持相同分布，BN层采取下列式子进行计算： 其中xi是样本，m是样本数，μB为样本均值，为样本方差，为归一化结果，yi和BN层的处理结果；ε为接近零的常数，防止分母为0；γ和β是两个可学习重构参数；步骤5、将提取到的距离特征和时频特征混合后，再次进行二维卷积，得到多域特征；步骤6、对步骤5得到的多域特征采用空间注意力机制和通道注意力机制进行权重分配；步骤7、将多域特征、空间注意力权重和通道注意力权重输入全连接层，得到动作识别结果。

全文数据：

权利要求：

百度查询： 电子科技大学 基于多域融合深度学习的毫米波雷达头部动作识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD