基于人体微多普勒特征的动作识别研究

扫码查看

原文链接

NETL

中文摘要：随着城市化和人口增长，安全与健康问题日益凸显，国家对智能健康与安全领域的关注程度与日俱增。人体动作识别技术在当今的安防系统、居家老人及医院病人的监护等领域扮演着至关重要的角色。相较于传统的视觉传感器，雷达能够在全天候和全天时的环境中稳定工作，不受光照和天气等条件的限制，在人体动作识别方面表现优异。因此，研究基于雷达的人体动作识别技术具有重要的意义。微多普勒效应为雷达识别人体动作提供了理论支撑，人在运动时，四肢相对于躯干的摆动会产生微多普勒效应。本文通过对雷达回波信号进行微多普勒特征提取，并结合卷积神经网络，可以对人体动作有效识别。然而，传统卷积神经网络存在卷积核单一导致特征提取不充分和超参数经验取值导致反复实验低效，影响识别性能。本文针对这两种问题分别提出了基于融合改进通道注意力残差机制的人体识别算法和基于改进粒子群优化卷积神经网络的人体识别算法，并通过仿真分析验证了两种方法的有效性。针对传统卷积神经网络在人体动作识别中特征提取不充分的问题，提出了一种基于融合改进通道注意力残差机制的人体识别算法。该方法首先在通道注意力机制中引入一条含有InceptionV1模块与现有支路并行，融合多尺度特征以全面捕捉图像中的重要特征，并采用卷积层替换多层感知机实现权值共享。为了防止梯度消失和网络退化问题，提出基于融合改进通道注意力残差模块结构，减少信息传递过程中梯度消失的问题，进一步增强模型对特征的学习和表示能力。仿真结果表明，本文提出的融合改进通道注意力残差机制卷积神经网络识别率比融合注意力模块与多尺度卷积神经网络高0.34％,比改进残差卷积神经网络高1.67％，有效提高了网络识别性能。针对传统卷积神经网络中超参数取值通常依赖于实验和经验，导致反复实验低效的问题，提出了一种基于改进粒子群优化卷积神经网络的人体识别算法。首先根据粒子群算法容易产生早熟收敛现象，对惯性权重和学习因子参数进行了动态调整改进。改进的粒子群算法与常规粒子群算法、线性递减权重粒子群算法相比具有较强的收敛速度和精度。随后，基于InceptionV3模块的思想构建了网络模型，并利用改进的粒子群算法优化网络模型中的学习率参数，根据优化后的参数训练网络模型。仿真结果表明，改进的粒子群优化卷积神经网络的识别率比常规粒子群优化卷积神经网络的识别率高0.75％,比线性递减权重粒子群优化卷积神经网络的识别率高0.25％,进一步提高了网络识别性能。

作者：

彭丽

展开 >

关键词：

人体微多普勒特征动作识别通道注意力机制粒子群算法

授予学位：

硕士

学科专业：

电气工程

导师：

王彬；王晨红

学位年度：

2024

学位授予单位：

石家庄铁道大学

语种：

中文

中图分类号：