基于FMCW雷达的人体复杂动作识别

针对利用摄像机进行人体动作识别时易受视距和光线影响等问题,提出一种基于FMCW雷达的人体复杂动作识别方案。首先基于FMCW信号模型对雷达采样数据采用一种以RDM（Range Doppler Map）向速度维投影的方式逐帧构建微多普勒谱图,继而基于微多普勒谱图来提取用于表征整个动作频谱相关信息的8种特征矢量。最后,基于雷达实测数据,以贝叶斯超参数调整优化后的支持向量机作为分类器,分析利用所提取的单特征矢量以及特征矢量组合来进行分类时对分类准确率的影响,用以筛选最优异的特征矢量组合。实验结果表明,从微多普勒谱图中所提取的特征矢量皆可直观地表述整个动作过程的特性,且利用最终筛选得到的最优异的特征矢量组合对已知个体和未知个体的9种动作进行识别,识别准确率分别高达99.07%和96.76%。     

人体行为特征融合与行为识别的分析

伴随着信息技术的快速发展,人体行为识别技术逐渐被引入到各领域中,如安防监控、运动分析、医学辅助诊断和智能人机交互等,而技术实现的关键在于借助相关的特征融合方法。文章对人体行为识别的相关技术以及兴趣点提取方法、尺度混合特征模型与MKL方法的应用进行分析,以期对人体行为识别技术的发展起到推动作用。     

超宽带雷达人体行为感知研究进展

超宽带 (UWB) 雷达人体行为感知主要研究如何利用人体目标电磁散射回波对位置、行为、意图等进行判别,是光学感知手段的有益补充,应对无光照、地物遮挡、非视距等情况下的应用场合。该文将超宽带雷达人体行为感知研究方法分成基于空间位置和基于微动特征两类技术。在介绍这类技术基本原理的基础上,对比分析了国内外代表性工作的能力现状。最后对超宽带雷达人体行为感知领域的后续重点研究方向进行了展望。     

基于人体关节点的行为识别算法研究

针对目前大多数行为识别算法可识别动作单一且复杂背景下准确性较低的问题,提出一种基于关节点的行为识别方法,首先,使用多目标跟踪模型FairMot将视频中的人体用矩形框标记,然后再使用姿态估计模型AlphaPose模型估计视频中人物的骨骼关节点位置,同时将人物关节点数据进行组合,使其能够代表动作特征,最后,利用长短期记忆网络将组合出的动作特征序列作为输入进行识别,最终输出为某一具体动作。实验结果表明,直接对人物关节点进行动作识别,去除了背景等干扰,识别的准确率达到了91.73%,实现了特定场景下的行为识别。     

基于计算机视觉的人体异常行为识别综述

人体行为识别是计算机视觉和模式识别领域的研究热点之一。作为人体行为识别的一个重要分支,人体异常行为检测近年来也不断得到学界及工业界的重视。人体行为识别研究从早期的依赖人体形状特征发展到基于梯度设计的特征检测,再到当前随着神经网络的新发展,深度学习开始广泛应用于行为识别。同时由于红外波段具有适应弱光照环境、可全天候检测等优点,基于该波段的人体行为识别研究开始兴起,它也必将成为人体行为识别领域中一个新的研究热点。     

基于骨骼关键点的人体行为识别算法

当前,人体行为识别在视频监控等多领域得到了重要的应用。针对传统的算法检测所呈现出的不足之处如准确性差、易受环境背景影响等问题,采用基于骨骼与关键点的方式进行行为识别。首先,使用人体姿态估计算法Openpose获取视频中人体各个关节点的坐标信息,然后通过时空图卷积神经网络（Spatial-Temporal Graph Convolution Networks,ST-GCN）进行人体行为识别。为了提高识别精度,在原有算法上加入通道注意力机制。实验结果表明,所提的算法在NTU-RGB+D数据集上,C-SUB和C-VIEW的top-1分别取得83.62%与90.86%的精度,相比ST-GCN分别提升了2.12%和2.56%。在自建数据集上,所提算法得到了78.33%的精度,相比ST-GCN的71.67%,提高了6.66%。     

基于特征融合卷积神经网络的FMCW雷达人体动作识别

针对微多普勒特征识别人体动作的局限性,基于调频连续波( Frequency Modulated Continuous Wave,FMCW)雷达采用深度学习方法对人体动作识别,提出了一种特征融合卷积神经网络结构.利用FMCW雷达采样的人体动作回波数据分别构建出时间-距离特征和微多普勒特征图,将这两种特征图作为输入数据分别...     

融合CNN与时空分离ViT的人体行为识别算法研究

目前在计算机视觉领域,视频行为识别技术已经取得了一定的发展,但仍有一定改进的空间。为解决当下行为识别领域的识别精度问题,提出一种融合CNN与时空分离ViT的网络模型,来提高行为分类识别的准确率。该模型主要将传统ViT模型的编码器结构演变为时间编码器和空间编码器,将时间和空间编码器串联提取视频特征后与CNN卷积所提取的特征进行融合来提高识别效果。实验的结果表明,融合CNN与时空分离ViT的网络模型在识别效果上具有一定的优越性,为人体行为识别算法设计提供了新思路。     

基于关键点梯度特征描述的人体行为识别算法

提出一种新的人体行为识别方案并进行了算法实现。通过对视频序列在空间上高斯滤波,在时间轴向上Gabor滤波,提取出视频序列的关键点,对每个关键点邻域20×20的区域使用梯度位置朝向直方图进行描述,描述的序列可以表征视频序列的特征。与其他人体行为识别算法比较,不需要标记特定的特征区域和比较耗时的聚类算法,构建单个支持向量分类器即可达到好的识别率,算法简单有效。     

Radar Signal Recognition Based on Transfer Learning and Feature Fusion

Mobile Networks and Applications - This study proposes a system for the automatic recognition of radar waveforms. This system mainly uses the obvious difference in Choi–Williams distribution...     

基于迁移集成学习的无人机图像识别算法

针对当前小型无人机目标图像识别方法准确率较低的问题,提出了一种基于迁移集成学习的无人机图像识别算法。首先,基于AlexNet、VGGNet-19、Inception-V3以及ResNet-50四种结构具有差异的卷积神经网络对源数据集进行预训练,获取图像的深层次特征;然后,对目标数据集进行迁移学习,得到目标的分类特征,构建分类模型;之后,采用相对多数投票法和加权平均法的集成学习方法,对分类模型进行集成得到迁移集成模型。构建了一个包含小型无人机图像、飞鸟图像以及直升机图像的图像数据集UavNet,在对数据集进行数据增强的基础上开展了图像识别算法性能实验,结果表明,算法对多类目标的识别准确率为99.42%,无人机类目标识别的F1-score指标为99.12%,优于主流的卷积神经网络方法和传统的支持向量机方法,具有一定的理论意义和应用价值。     

基于无载波超宽带雷达的小样本人体动作识别

随着雷达硬件平台尺寸越来越小、成本越来越低,室内基于雷达的人体动作识别应用已经成为现实,能够在具有简单架构的低成本设备中实现.无载波超宽带雷达具有极高的分辨力,能够捕获人体细微动作变化并且对室内复杂环境具有很强的抗干扰能力.与基于视频人体动作识别研究相比,超宽带雷达还具有穿透家具、墙体以及保护个人隐私等优点.针对雷达回波信号利用传统时频分析方法实现人体动作识别比较耗时、实时性不好的缺陷,引入机器学习方法对不同类型人体动作进行分类识别.引入机器学习方法用于超宽带雷达人体动作识别最大难点是只有少量可用的超宽带雷达实测数据样本,针对该问题提出基于主成分分析法（PCA）和离散余弦变换（DCT）相结合的人体动作特征提取方法,并利用改进网格搜索算法优化的支持向量机在小样本数据下对人体动作进行识别,最后根据实测数据采取三种不同方案进行仿真实验,结果表明即使在训练数据样本只有5组的条件下,基于PCA和DCT相结合特征提取方法在不同类型人体动作的平均识别率均能达到96%以上.     

一种基于R3D网络的人体行为识别算法

现有的行为识别算法不能充分地提取抽象的行为特征,为此提出了基于三维残差卷积神经网络（3D Residual Convolutional Neural Network,R3D）的人体行为识别算法。该网络在三维卷积神经网络（3D Convolutional Neural Network,3D-CNN）基础上加入了残差模块,可以更好地提取时空域的特征,然后通过改变步长大小进行特征图降维,提高网络效率,并加入批量归一化层和Softplus激活函数,提高网络的收敛速度和拟合能力;之后添加Dropout层,降低过拟合风险,并且使用全局平均池化层(Global Average Pooling,GAP)代替全连接层,克服了网络参数量过大的问题;最后,使用Softmax进行分类。实验结果表明,使用R3D网络在HMDB-51数据集上获得了62.3%的识别率。     

基于时空压缩特征表示学习的毫米波雷达手势识别算法

针对现有无线射频信号的手势识别研究中的数据预处理和特征利用问题,该文提出一种用于调频连续波(FMCW)雷达的时空压缩特征表示学习的手势识别算法。首先对手部反射的毫米波雷达回波信号的距离-多普勒(RD)图进行静态干扰去除和动目标点筛选,减少杂波对手势信号的干扰,同时减少计算数据量;然后提出一种压缩手势时空特征的表示方法,利用动目标点的主导速度来表示手势的运动特征,实现多维特征的压缩映射,并保留手势运动的关键特征信息;最后设计了一个单通道的卷积神经网络(CNN)来学习和分类多维手势特征信息并应用于多用户和多位置的手势识别。实验结果表明,与现有其他手势识别算法相比,该文提出的手势识别方法在识别精度、实时性以及泛化能力上都具有明显的优势。     

一种基于雷达图的雷达辐射源识别算法

在分析和考察雷达辐射源(Radar Emitter)多特征模式识别算法的基础上提出了一种基于雷达图(Radar Chart)中向量夹角余弦值的分类识别算法,借助雷达图实现了雷达辐射源空间特征向量向平面向量的转换,实现对雷达辐射源型号的自动识别,给出识别置信度.通过计算机仿真得到大于85%的正确识别率,进一步验证了算法在雷达辐射源识别工程中的可用性和可行性.     

基于改进LFMCW雷达的多目标识别算法

线性调频连续波（LFMCW）雷达在单目标情况下可以根据上下扫频段的两个差频信号准确探测目标距离信息及其径向速度。在多目标情况下,上下扫频段的差频信号由于缺乏关联信息无法准确配对,导致虚假目标数目远大于真实目标数目。为准确识别真实目标,本文提出一种改进LFMCW波形,在LFMCW波形前加上两段频率值互异的恒频波段,两段恒频波段组成双频调制连续波（FSK-CW）,可得到运动目标的距离信息及其径向速度用于剔除虚假目标。仿真结果表明,基于该波形的雷达在多目标情况下能够准确识别目标,且测速和测距精度都较高。     

基于微多普勒效应的雷达目标识别算法

对微多普勒信号进行了建模仿真分析，提出了基于微多普勒信息的雷达目标识别算法。利用改进的经验模型分解方法来提取微多普勒特征，使用相关匹配算法构造分类器。仿真结果验证了该目标识别算法的正确性和可行性。     

基于多任务学习的人体动作识别

为了准确识别现实场景下的人体动作,提出了基于多任务学习的人体动作识别方法。首先,对数据进行局部显著点的检测和特征描述。然后,利用K均值算法对所提特征进行聚类构建词袋模型。最后,利用任务之间的关系,实现现实场景下的人体动作识别。比较实验说明所提出方法能够较好的识别现实场景下的人体动作,并对数据背景、光照条件等外因具有较强的鲁棒性。     

基于集成学习的室性早博识别方法

本文提出了一种集成学习方法以提升室性早搏的识别性能.MIT-BIH两个通道的数据分别经过卷积神经网络进行室性早搏心拍分类,然后按照融合规则对分类结果进行融合决策,其准确率、灵敏度和特异性分别为99.91%、98.76%、99.97%,优于已有算法的室性早搏心拍分类结果.此外,面向临床应用,本文还利用卷积神经网络和诊断规则相结合的方法实现了病人间室性早搏识别实验,在有14万多条记录的数据集上,取得的准确率、灵敏度及特异性分别为97.87%、87.94%、98.02%,验证了该算法的有效性.