论文部分内容阅读
随着人工智能等领域的发展,人体动作辨识逐渐受到国内外学者的广泛关注。人体动作辨识的主要任务是从雷达回波信号中提取人体运动信息,并利用信号处理和机器学习等手段完成对于人体动作的识别,这一技术在智能家居、安全监控、老人监护等行业有着广阔的应用前景。现有的动作辨识算法主要针对于单独动作的识别,而实际人体动作存在连续性,因而,对连续动作的识别具有非常重要的意义。本文利用FMCW雷达采集人体动作回波信号,对摔倒、跨步、跳跃、下蹲、行走、奔跑等六种单独动作及其自由组合后的连续动作提取距离多普勒域特征,利用机器学习分类器完成动作辨识,具体工作内容如下:1、介绍了FMCW雷达测距测速原理,对于连续动作辨识系统组成以及系统每个模块的原理进行了描述,并分析了雷达回波信号预处理过程。2、介绍了传统的动作辨识算法,包括基于主成分分析的动作辨识算法、基于时频图的动作辨识算法和基于距离多普勒图的动作辨识算法,对每种算法的原理进行了详细介绍,并利用实测数据分析了算法性能。3、提出了一种连续帧距离多普勒变换的方法,将信号在时域上分为若干帧,对每帧信号进行距离多普勒变换,获得人体动作信号的动态距离多普勒图。在每一帧的距离多普勒图中选择能量的最大值点,提取出人体动作的动态距离多普勒轨迹图。选取适当能量阈值确定动作起始帧,利用滑窗方法提取时间窗内动态距离多普勒轨迹图中每一点的坐标以及每一帧距离多普勒图的离散度等作为特征,利用机器学习分类算法的模型进行动作辨识。4、设计实验方案,对八名实验对象的数据进行了采集,针对单独动作,分别采集了不同距离、不同角度以及不同方向的实验数据验证本文算法的鲁棒性;针对连续动作,分别采集了连续两个动作的数据以及自由移动并完成多个动作的数据进行实验,实验结果表明,本文提出的连续动作识别算法,利用Subspace KNN对于连续动作辨识的最终准确率为93.3%,验证了算法的有效性。