摘要
人员身份识别在防范恐怖袭击和识别非法入侵方面起着至关重要的作用，并且在军事领域、智能家居、人机交互和医疗监控等领域有着广泛的应用前景。基于雷达的人员身份识别由于其对环境的鲁棒性和保护视觉隐私的优点，引起了越来越多的研究人员的兴趣。本文采用超宽带雷达采集运动人体目标雷达回波信号生成微多普勒谱图，深入研究了基于雷达微多普勒谱图的人员身份识别方法，通过分析人体目标的微多普勒谱图的特点，提出基于深度学习的人员身份识别方法。本文的主要研究内容和贡献包括: (1)本文针对雷达微多普勒谱图中存在多种尺度的人员身份特征，提出了基于多尺度特征融合的身份识别模型，通过利用不同深度的卷积神经网络具有不同大小感受野的特点，实现微多普勒谱图中不同尺度的人员身份特征提取，并对卷积神经网络提取到的多尺度特征进行融合，得到表示人员身份的通用特征，最后通过全连接层完成身份识别。 (2)通过分析人体运动微多普勒谱图的特点，针对多种不同动作下进行身份识别中存在的类间差异小，类内差异大问题，本文提出基于雷达微多普勒对比学习的人员身份识别模型。采用对比学习方法实现雷达微多普勒特征对比，从微多普勒谱图中提取细粒度特征，提高人员身份识别的精度。通过结合微多普勒多尺度特征融合方法，实现了身份识别性能的进一步提升。在模型优化方面，结合交叉熵损失函数和KL散度，通过促进类间相似样本的分离，并减小类内差异较大的样本间距，获得更加紧致的类分布。 在雷达实测数据集上，通过对比了多种现有身份识别算法和图像识别算法，证明了本文提出的身份识别方法的有效性。并且在具有不同等级噪声、不同时频变换窗长以及识别人数的数据集上对本文提出的身份识别模型进行了性能分析。实验表明，本文方法在基于雷达微多普勒谱图的身份识别任务上具有优秀的识别性能。
NETL