利用二维小波包分解实现超宽带雷达人体动作识别

利用超宽带雷达进行自动非接触式的生理信号检测或人体动作分析成为近年来的一个研究热点,其重要应用是在安全监控或医疗健康领域对不同的人体动作进行有效识别。针对这一应用需求,提出了一种新的有效的超宽带雷达人体动作识别方法。对接收的超宽带雷达回波,采用二维小波包分解结合奇异值分解的特征提取和降维方法,有效抓住了不同人体动作的类别属性信息,显著增强了不同人体动作的可分性,再利用支持向量机分类器即可实现对人体动作的有效区分。基于实测数据的分类实验结果显示,对九种不同的人体动作进行分类,平均识别率超过95%,且各动作的识别率和召回率都达到90%。相比于其他同类方法,方法的识别性能更优,验证了所提方法的可行性和有效性。     

基于呼吸样本空间的超宽带雷达身份识别

为了解决传统雷达呼吸身份识别依赖人工预定义特征的问题,提出了一种基于呼吸样本空间(BSS)的超宽带(UWB)雷达身份识别算法。算法首先通过奇异值分解(SVD)对UWB雷达人体呼吸回波中杂波进行滤除,然后根据回波将目标跨距离单元的呼吸信号构建为包含时距信息的BSS序列,最后利用卷积神经网络(CNN)对BSS进行建模以获取目标分类结果。在室内场景实验中,对4人的身份识别准确率为84.64%。对比结果表明,所提出的算法对不同个体所具有的独特呼吸特征具有不错的区分能力。     

基于OpenPose改进的轻量化人体动作识别模型

本文聚焦于自下而上的人体姿态估计网络OpenPose模型参数量大的缺点,对OpenPose模型的特征提取网络和预测网络分别进行改进,实现轻量化模型的目标。本文使用参数量更少、准确度更高的ResNet18网络替代了原模型中的VGG19网络,并且在不损失过多识别精度的前提下,以深度可分离卷积替代了预测网络中的部分卷积核,以此来降低网络结构的参数量。接着通过人工神经网络对人体动作进行分类,在传统的非线性网络中加入了线性模块提高了网络的记忆能力和泛化能力。结果表明,轻量化OpenPose模型的运行帧数比原先提高了9%至16%,动作识别网络经过3000次迭代训练后,站立、坐着、走、坐下和起立的识别精度达到了0.877、0.835、0.793、0.815和0.808。最后,将整体识别网络应用于真实场景下,根据结果表明,本文的方法可以在嵌入式设备中正常运行,且识别效果较好。     

基于图卷积网络改进的人体动作识别模型

针对双流自适应图卷积动作识别网络2S-AGCN模型忽略了人体动作识别中特征的长距离信息以及通道之间的依赖的缺点,设计了一种双重注意力机制对2S-AGCN模型的图卷积模块进行改进,实现精度的提升。双重注意力机制包含了空间注意力机制以及通道注意力机制,其中空间注意力机制有选择性地聚集上下文,通道注意力机制分为两个并行的模块,第1部分提高了特征的可辨性,第2部分在捕获特征远程依赖的同时,保留了精准的位置信息。结果表明,以双流自适应图卷积动作识别网络2S-AGCN模型为基础网络,融入了双重注意力机制模块的模型在Kinetics数据集上的Top-1和Top-5分别提升了0.6%和1.3%,在NTURGB+D120数据集的CS和CV上的Top-1分别提升了1.2%和0.5%,在NTURGB+D数据集的CS和CV上的Top-1分别提了0.2%和0.1%。     

人体动作识别的特征级融合LSTM-CNN方法研究

近年来,深度学习方法在人体动作识别有着良好的表现,其利用陀螺仪和加速度计等可穿戴传感器获得的时间序列数据,经过预处理和数据级融合之后进行训练分类。本文针对数据级融合方法对多传感器的识别有一定局限性的问题,提出了一种特征级融合的LSTM和CNN方法。该方法将独立的传感器数据依次接入到LSTM层和卷积组件层用于特征提取,之后汇聚起多传感器的特征再进行动作分类。该方法在三个公开数据集UCI-HAR、PAMAP2和OPPORTUNITY上分别取得的平均F1分数为96.06%、96.17%和94.44%。实验结果表明,本文所提出的方法在多传感器识别人体动作上有较好的精度。     

基于2D CNN和Transformer的人体动作识别

人体动作识别是计算机视觉领域的研究热点之一,在人机交互、视频监控等方面具有深远的理论研究意义。为了解决2D CNN无法有效获取时间关系等问题,利用Transformer在建模长期依赖关系上的优势,引入Transformer架构并将其与2D CNN相结合用于人体动作识别,以更好地捕获上下文时间信息。首先使用融合通道-空间注意力模块的2D CNN提取强化的帧内空间特征,其次利用Transformer捕捉帧间的时间特征,最后应用MLP Head进行动作分类。实验结果表明在HMDB-51数据集和UCF-101数据集上分别达到了69.4%和95.5%的识别准确度。     

一种基于超宽带雷达的多观测点人体呼吸信号检测方法

基于超宽带生命探测雷达的障碍物穿透检测技术在灾难救援和反恐作战等非入侵式探测领域有着广泛的应用前景.目前国内外进行的研究大多采用单观测点放置雷达对目标进行检测,在低信噪比的条件下难以检测出生命体的位置.针对以上方法的局限性,采用多观测点放置雷达,将回波信号进行关联检测,得到生命体的空间位置,并进一步与已有的算法进行对比.仿真结果证明了该方法在低信噪比条件下的优越性,实验结果证明了该文提出的方法具有可行性,能够较为准确地检测出生命体位置.     

基于低分辨率红外阵列传感器的人体身份和动作识别

本文针对人体身份及动作识别的问题,提出一种基于低分辨率红外阵列传感器并使用卷积神经网络进行分类识别的方法,这种方法可以识别出人的身份和跌倒、坐下以及行走动作。本文使用的卷积神经网络是基于VGGNet搭建的,由输入层、5层卷积层、3层池化层、1层全连接层和输出层构成,自动提取红外热图像中的信息特征,对身份及动作进行分类,在良好的隐私保护下避免了繁琐的人工提取特征。经过实验测试,卷积神经网络算法识别动作平均准确率为93.3%,其中行走识别准确率达到100%,坐下识别准确率为90%,跌倒识别准确率为90%,身份识别准确率为96.7%。     

时频广义S变换和VL-MOBP神经网络在人体动作识别中的应用

针对仿生假肢动作识别问题,提出基于时频广义S变换和VL-MOBP神经网络的下肢动作识别方法。首先用时频广义S变换对年龄在20～40岁,身高在170～185 cm,体重在50～75 kg的22名男性测试者下肢4种表面肌电信号和膝盖弯曲度信号进行多分辨率分析,得到在时间和频率分辨率较好情况下信号时频累计特性曲线,然后提取时频累计特性曲线幅值的均值和标准差作为特征向量,用VL-MOBP神经网络对人体下肢的行走、站立及静坐3种动作进行识别。实验结果表明,提出的下肢动作识别方法能够取得很好的识别效果,平均识别准确度达96.67%,高出小波变换约56%,高出短时傅里叶变换约36%,验证了该方法在动作识别中的有效性。     

超宽带生命探测雷达研制及应用

超宽带信号有着较强的穿透能力,可用于对障碍物后生命体的探测。介绍了一套单发单收冲激脉冲体制超宽带生命探测雷达的原理和具体实现方法。雷达收发机结构简单,极大地降低了系统功耗和成本。采用FPGA实现能重复配置的时序控制器,可方便对雷达发射和接收时序进行控制。采用Wi-Fi技术在一个PDA和雷达之间传送工作参数和采样数据,可降低操作人员对雷达数据的干扰,也可容易实现雷达组网。实验结果表明,超宽带信号可以有效地应用于生命探测雷达,单台雷达可以实现对障碍物后生命体检测,多台雷达组网可以实现对障碍物后生命体定位。     

基于人体行为识别的VR环境下动作分割算法北大核心CSCD

在虚拟现实环节中的培训类、操作类的系统中,对于动作的标准性、规范性评价已经成为一个日益突出的问题。将培训师进行培训过程的标准动作分割是非常重要和关键的一环,分割的精确与否直接影响后续的培训评价。文中提出了一种基于多维状态云模型预测的方法,首先采用卷积神经网络对操作动作的多传感器数据集进行模型训练预测得到下一时刻的动作多个结果形成多结果数据集;然后对预测的多结果数据集设计多维云模型;最后通过实际动作在云模型中的分布得到对应概率进行动作分割点判定。结果表明基于卷积神经网络的多维云模型的动作分割方法能够比较好地选取分割点,提高动作的划分精度,能够用于虚拟现实环境中的连续动作分割。     

基于电磁感应和超宽带雷达的新型探测系统

超宽带探地雷达是近年来迅速发展起来的一种高新无损检测技术,可对地下目标进行高分辨率成像,但很难直接判断目标是金属或非金属的,而且无法得到准确的探测深度。针对地下目标材质识别和获取准确探测深度的需求,研制了一种将电磁感应与超宽带雷达相结合的新的探测系统。该系统可以直接分辨金属和非金属目标,并能反演出介质的介电常数,从而得到目标的准确深度。将该探测系统在测试模型上进行了实验,取得了很好的效果。     

基于人体动作识别的仿人机器人推作业方法研究（英文）

<正>常人推作业非常简单,机器人却很困难。本文设计了一种具有基于移动互联网遥操作系统的仿人机器人CHR,由操作者远程控制机器人,以完成推作业任务。在进行的关灯实验推作业中,操作者的命令经互联网被传输到位于远端的机器人。本次推作业任务分为四个部分:准备、靠近、姿态调整和作业。4个不同的作业阶段分别使用4种不同的控制模式,包括红外运动捕捉系统、立体摄像机、操作杆和电脑键盘,系统使用网络摄像机传输作业场景。文中通过实验验证了系统的可行性。     

多模型融合动作识别研究

提出了一种多模型结融合的动作识别方法,目的是利用大数据时代下数据形态的多样性并结合已有模型,以提高识别准确率。该方法使用视频或图像序列与骨架序列对整个模型进行训练。对于骨架序列提取其关键帧,然后使用长短时记忆（LSTM）编码器对骨架序列进行特征提取得到骨架特征。接着使用卷积神经网络得到RGB视频或者图像序列的特征,进一步经过循环神经网络提取特征,得到RGB特征。网络的损失函数方程组由分类误差与上述两种特征的L2范数组成。使用混合最速下降进行网络优化。该方法使用关键帧训练LSTM编码器,大大缩短了训练时间。结合手工提取的关键帧与非监督方式获取的卷积特征,提高识别准确率。在Florence和MSR3D数据集上的实验结果表明,该方法对动作识别具有良好的分类效果。     

一种超宽带相参雷达目标模拟器设计

在舰载、地基等高分辨率雷达的修理或研制过程中,需要对其进行测距、测速标校以检验该雷达系统性能指标。设计了一种超宽带相参雷达目标模拟器,在X波段上实现1.3GHz带宽,并以我国某海基超宽带、高分辨率雷达为适用对象,通过空馈方式接收海基雷达发射的调频步进频信号,对其进行相应的距离、速度、幅度调制后重构发射信号,再由天线辐射给海基雷达,从而模拟空中目标的各种运功状态,完成对高分辨率雷达参数校验及性能测试。     

EEMD在超宽带雷达生命信号提取中的应用

超宽带生命探测雷达回波信号具有非线性、非平稳特性,由于心跳信号能量较弱,且受到呼吸谐波的干扰,传统的数字滤波方法无法有效地提取心跳信号。鉴于此采用一种从时域上提取生命信号的新方法。应用聚类经验模式分解(EEMD)将生命信号分解成有限个固有模态函数(IMF),再依据模式判别准则从时域上重构呼吸和心跳信号。实验结果表明,相比于经验模式分解(EMD),EEMD能有效提取呼吸信号和心跳信号。     

基于动态时间规整的人体动作识别方法

为了准确识别人体动作,提出了一种基于动态时间规整的人体动作识别方法。首先,该方法通过KINECT摄像头采集人体动作动态骨架序列构建动作模板。然后,通过动态时间规整算法计算被测试样本与单个模板以及模板组合的序列相似度,从而有效利用动作序列所对应动态骨架的序列特性实现人体复杂动作的识别。比较实验表明所提出方法能够准实现多类动作识别,并对于动作速率等外因具有较强鲁棒性。