摘要
在利用雷达传感器实现人体行为识别的研究中，传统的方法依赖于人体运动的微多普勒效应和机器学习，通过构建运动过程的微多普勒时频分析图作为输入，经过人工提取每一个动作的特征，最后送到机器学习模型判别输出。然而，人体运动的微多普勒效应容易受躯干强回波、环境噪声、变化姿态的影响，提取到的特征图微弱、模糊、不够稳定，对不同行为的区分效果不够直观明显，并且人工提取特征严重依赖于经验，效率低下且泛化能力有限。为解决上述问题，本文提出了基于连续帧积累的距离多普勒图像处理和深度学习模型的雷达人体行为识别方法，主要工作如下： （1）介绍本文使用的调频连续波雷达及其硬件系统，阐述其测距和测速原理，对本文使用的机器学习模型和深度学习模型进行理论分析。 （2）分别从时间域、距离域两个角度出发，对雷达回波信号做传统时频分析处理以及本文提出的基于帧积累的距离多普勒分析处理，得到时频分析图和帧积累的距离多普勒热图。分别构建9种人体行为数据集，采用基于PCA降维的特征提取方法，后通过机器学习模型进行人体行为识别，验证了本文提出的基于帧积累距离多普勒分析处理方法的优越性。 （3）提出基于卷积神经网络的人体行为识别，使用高效的EfficientNet模型直接对本文提出的基于帧积累的距离多普勒热图进行识别，在EfficientNet-B4模型中找到本文最理想的识别模型；与传统卷积神经网络VGG16、ResNet50模型、采用时频分析法输入的模型进行比较实验，实验表明采用帧积累距离多普勒分析处理方法和EfficientNet-B4模型识别效果较好。 （4）提出基于迁移学习的人体行为识别，以在ImageNet数据集完成参数预训练的EfficientNet-B4模型为基础，构建人体行为识别的网络模型结构，通过本文制作的雷达数据集开展二次训练。实验结果显示，与未经迁移学习的模型相比，9种人体行为识别的准确率有了较大地提升，并且泛化能力更强。
NETL