摘要
人体行为识别(HumanActivityRecognition，HAR)作为一种基于深度学习方法的智能技术，在视频监控、医疗保健等多个领域得到广泛应用。近年来，随着传感器技术的发展，基于雷达的HAR技术开始兴起并迅速发展。与传统的HAR技术相比，基于雷达的HAR技术具有非接触、隐私性强、稳定可靠、不受光照和天气等因素影响的优势，为构建智能、安全的社会奠定了基础。 基于雷达的HAR技术起步相对较晚，目前仍存在诸多困难和挑战。在特征提取方面，目前现有的HAR算法往往难以有效提取深层次特征，且无法高效地融合多维特征;在模型架构方面，现有的基于雷达的HAR网络模型多为串联结构，模型复杂且体积较大，行为识别效果不佳;在实际应用方面，现有基于雷达的HAR网络模型参数量和计算量较大，很难部署至边缘设备中实现实时的人体行为检测。 本论文针对上述基于雷达的HAR算法所存在的问题和不足，以实际应用为目标，围绕高精度和轻量化的深度学习算法展开研究，主要研究内容包括以下几个方面: (1)针对现有基于雷达的HAR算法特征提取不够全面、对相似行为分类效果较差的问题，提出了一种基于坐标的空间注意力模块(Coordinates-basedSpatialAttentionMechanism,CSAM),该模块可以分别从二维特征图的水平和垂直方向提取空间特征。同时，针对现有基于雷达的HAR网络模型结构单一的问题，利用时间自适应模块(TemporalAdaptiveModule,TAM)和CSAM,提出了一种双流空间和时间特征融合(Dual-streamSpatialandTemporalFeatureFusion,DSTFF)网络，该网络由特征提取层、特征融合层和输出层三部分组成，可以同时从雷达数据中提取细致、高级的时间和空间特征并进行融合，有效识别相似行为，提高行为识别的准确率。 (2)针对现有基于雷达的HAR算法参数量与计算量较大导致无法有效应用于边缘设备的问题，本论文基于DSTFF网络，通过使用分组卷积取代传统卷积和降低通道数量的方式对DSTFF网络的特征提取层、特征融合层和输出层进行优化，提出了轻量DSTFF网络，大幅减少了DSTFF网络的参数量和计算量。而且，轻量化后的DSTFF网络依然可以获得较高的行为识别准确率。 (3)针对目前雷达公开数据集数据类型单一且数量较少的问题，本论文面向实际场景应用需求，构建了一个雷达HAR(RadarHAR,RadHAR)数据集，该数据集包含了行走、捡东西、慢跑、挥手、挥拳和跳共6种行为。RadHAR数据集提供了二维(TwoDimension,2D)雷达数据和三维(ThreeDimension，3D)雷达数据两种类型，可应用于智能家居等多种场景中，且可根据不同的数据类型选择多种实现方案。 通过上述研究，本论文为提升基于雷达的HAR算法识别准确率和降低HAR算法复杂度提供了切实可行的方法。一方面，通过在RadHAR数据集和Radar848公开数据集对所提算法进行实验分析，证明了所提网络能够充分提取并利用雷达数据中的时空特征，实现优越的分类效果。另一方面，在树莓派4B上验证了轻量DSTFF网络的良好性能，证明了基于雷达的实时HAR系统的可行性和有效性。本论文的研究成果可应用于智慧医疗、智能家居等各类场景，具有重要的研究意义和应用价值。
NETL