白丝美女被狂躁免费视频网站,500av导航大全精品,yw.193.cnc爆乳尤物未满,97se亚洲综合色区,аⅴ天堂中文在线网官网

一種基于視覺輔助的毫米波雷達(dá)零樣本行為感知方法

專利號(hào)
CN119557753B
公開日期
2025-04-25
申請(qǐng)人
南京郵電大學(xué)(江蘇省南京市棲霞區(qū)文苑路9號(hào))
發(fā)明人
肖婉; 盛碧云; 李佳賓
IPC分類
G06F18/2413; G06V10/34; G06V10/44; G06V10/80; G06V40/20; G06F18/213; G01S7/41; G01S13/86
技術(shù)領(lǐng)域
毫米波雷達(dá),毫米波,雷達(dá),毫米,類別,訓(xùn)練,屬性,卷積,樣本,神經(jīng)網(wǎng)絡(luò)
地域: 江蘇省 江蘇省南京市

摘要

本發(fā)明屬于零樣本無線信號(hào)行為感知技術(shù)領(lǐng)域,公開了一種基于視覺輔助的毫米波雷達(dá)零樣本行為感知方法,同時(shí)收集包含各種不同動(dòng)作類別的視頻和毫米波雷達(dá)數(shù)據(jù),將毫米波雷達(dá)數(shù)據(jù)集分為訓(xùn)練集和測試集;分別提取視覺相關(guān)的全局及局部屬性,融合后得到最終各類別的屬性;構(gòu)建三通道卷積神經(jīng)網(wǎng)絡(luò),用于提取毫米波雷達(dá)信號(hào)中強(qiáng)辨識(shí)力的特征表達(dá),并將基于測試集得到的特征和各個(gè)不同類別屬性比較,得到該毫米波雷達(dá)信號(hào)的類別。本發(fā)明利用豐富的視覺樣本生成各種不同類別動(dòng)作的屬性,設(shè)計(jì)三通道卷積神經(jīng)網(wǎng)絡(luò)提取有強(qiáng)辨識(shí)力的毫米波雷達(dá)特征,并構(gòu)建屬性和毫米波雷達(dá)的關(guān)系,實(shí)現(xiàn)零樣本學(xué)習(xí)任務(wù),降低數(shù)據(jù)采集和訓(xùn)練成本,拓寬毫米波雷達(dá)的應(yīng)用領(lǐng)域。

說明書

1 2 3
一種基于視覺輔助的毫米波雷達(dá)零樣本行為感知方法 技術(shù)領(lǐng)域 [0001] 本發(fā)明屬于零樣本無線信號(hào)行為感知技術(shù)領(lǐng)域,具體是涉及一種基于視覺輔助的 毫米波雷達(dá)零樣本行為感知方法。 背景技術(shù) [0002] 目前,基于毫米波雷達(dá)信號(hào)的行為識(shí)別方法大多采用語義屬性采用詞向量的方 法、或者采用傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)?長短時(shí)間記憶模型(CNN?LSTM)從距離?速度圖信息(RV)中提取毫米波雷達(dá)特征;然而,由于現(xiàn)有方法的測試集的樣本類別必須在訓(xùn)練集中出現(xiàn)過, 當(dāng)遇到未見過的測試類別,已有的方法將失效。對(duì)于該問題,現(xiàn)有技術(shù)中的解決方案是采集 更多的動(dòng)作類別,訓(xùn)練模型;但是該方法數(shù)據(jù)采集、模型訓(xùn)練成本高。不同于毫米波雷達(dá)信 號(hào),視覺信號(hào)可來源日常生活的照片、視頻、Yutube網(wǎng)站、以及很多大型的公開數(shù)據(jù)集等,因此其包含豐富的動(dòng)作類別,如何利用現(xiàn)有的視覺信號(hào)輔助毫米波雷達(dá)感知具有重要的研究 價(jià)值,為基于視覺輔助的毫米波雷達(dá)零樣本行為感知提供了可能。 發(fā)明內(nèi)容 [0003] 為解決上述技術(shù)問題,本發(fā)明提供了一種基于視覺輔助的毫米波雷達(dá)零樣本行為 感知方法,解決現(xiàn)有技術(shù)中存在無法感知未見類別毫米波雷達(dá)信號(hào)的問題,旨在實(shí)現(xiàn)零樣 本毫米波雷達(dá)感知任務(wù)。 [0004] 本發(fā)明所述的一種基于視覺輔助的毫米波雷達(dá)零樣本行為感知方法,包括以下步 驟: [0005] S1、同時(shí)收集包含各種不同動(dòng)作類別的視頻數(shù)據(jù)和毫米波雷達(dá)數(shù)據(jù),分別構(gòu)建視 頻數(shù)據(jù)集和毫米波雷達(dá)數(shù)據(jù)集,將毫米波雷達(dá)數(shù)據(jù)集分為訓(xùn)練集和測試集,其中訓(xùn)練集和 測試集的類別不重合; [0006] S2、利用視頻數(shù)據(jù)集在預(yù)訓(xùn)練好的C3D網(wǎng)絡(luò)進(jìn)行微調(diào),并從C3D網(wǎng)絡(luò)中提取最后一 個(gè)全連接層特征,將同一類別的特征取平均值,作為視覺相關(guān)的全局屬性; [0007] S3、將視頻數(shù)據(jù)集的數(shù)據(jù)轉(zhuǎn)換成骨骼點(diǎn)的時(shí)序序列,描述人體關(guān)鍵不同位置處隨 時(shí)間的坐標(biāo),根據(jù)坐標(biāo)求取身體連接部分的夾角時(shí)序變化,刻畫各個(gè)不同類別的信號(hào)特性, 作為視覺相關(guān)的局部屬性; [0008] S4、將S2和S3得到的視覺相關(guān)的屬性融合,得到最終各類別的屬性; [0009] S5、構(gòu)建三通道卷積神經(jīng)網(wǎng)絡(luò),用于提取毫米波雷達(dá)信號(hào)中強(qiáng)辨識(shí)力的特征表達(dá); [0010] S6、基于訓(xùn)練集獲取基于毫米波雷達(dá)信號(hào)的距離?速度、距離?水平角、距離?俯仰角,將其輸入三通道卷積神經(jīng)網(wǎng)絡(luò),得到基于訓(xùn)練集的毫米波雷達(dá)的特征表達(dá);利用該毫米 波雷達(dá)的特征和對(duì)應(yīng)類別的屬性構(gòu)建損失函數(shù),得到兩者之間的投影關(guān)系,訓(xùn)練三通道卷 積神經(jīng)網(wǎng)絡(luò)的參數(shù); [0011] S7、基于測試集獲取基于毫米波雷達(dá)信號(hào)的距離?速度、距離?水平角、距離?俯仰角,將其輸入到訓(xùn)練好的三通道卷積神經(jīng)網(wǎng)絡(luò)中,得到基于測試集的毫米波雷達(dá)的特征表 達(dá),并將該毫米波雷達(dá)的特征和各個(gè)不同類別屬性比較,將距離最近的類別視為該毫米波 雷達(dá)信號(hào)的類別。 [0012] 進(jìn)一步地,S1中,規(guī)定有u種動(dòng)作類別,每個(gè)動(dòng)作類別包含若干個(gè)樣本,同時(shí)采集包 含這些動(dòng)作的視頻和毫米波雷達(dá)數(shù)據(jù),構(gòu)建視頻數(shù)據(jù)集 和毫米波雷達(dá)數(shù)據(jù)集 ;其中,視 頻數(shù)據(jù)集用于生成u個(gè)動(dòng)作屬性,進(jìn)而輔助毫米波雷達(dá)進(jìn)行零樣本學(xué)習(xí);對(duì)毫米波雷達(dá)數(shù)據(jù) 集進(jìn)行劃分,v個(gè)類別的毫米波雷達(dá)數(shù)據(jù)構(gòu)成訓(xùn)練集 ,其中v

權(quán)利要求

1 2 3
1.一種基于視覺輔助的毫米波雷達(dá)零樣本行為感知方法,其特征在于,包括以下步驟: S1、同時(shí)收集包含各種不同動(dòng)作類別的視頻數(shù)據(jù)和毫米波雷達(dá)數(shù)據(jù),分別構(gòu)建視頻數(shù)據(jù)集和毫米波雷達(dá)數(shù)據(jù)集,將毫米波雷達(dá)數(shù)據(jù)集分為訓(xùn)練集和測試集,其中訓(xùn)練集和測試集的類別不重合; S2、利用視頻數(shù)據(jù)集在預(yù)訓(xùn)練好的C3D網(wǎng)絡(luò)進(jìn)行微調(diào),并從C3D網(wǎng)絡(luò)中提取最后一個(gè)全連接層特征,將同一類別的特征取平均值,作為視覺相關(guān)的全局屬性; S3、將視頻數(shù)據(jù)集的數(shù)據(jù)轉(zhuǎn)換成骨骼點(diǎn)的時(shí)序序列,描述人體關(guān)鍵不同位置處隨時(shí)間的坐標(biāo),根據(jù)坐標(biāo)求取身體連接部分的夾角時(shí)序變化,刻畫各個(gè)不同類別的信號(hào)特性,作為視覺相關(guān)的局部屬性; S4、將S2和S3得到的視覺相關(guān)的屬性融合,得到最終各類別的屬性; S5、構(gòu)建三通道卷積神經(jīng)網(wǎng)絡(luò),用于提取毫米波雷達(dá)信號(hào)中強(qiáng)辨識(shí)力的特征表達(dá); 其中,所述三通道卷積神經(jīng)網(wǎng)絡(luò)包括三個(gè)并行的多層卷積神經(jīng)層,將距離?俯仰角、距離?水平角沿時(shí)間軸下采樣分別輸入第一個(gè)和第二個(gè)多層卷積神經(jīng)網(wǎng)絡(luò)生成對(duì)應(yīng)的特征圖,將這兩個(gè)特征圖連接;同時(shí)利用第三個(gè)多層卷積神經(jīng)網(wǎng)絡(luò)對(duì)距離?速度信號(hào)生成特征圖,將其與第一、第二個(gè)多層卷積神經(jīng)層的連接結(jié)果進(jìn)行注意力融合;最后將融合后的特征圖輸入到第四個(gè)多層卷積層后,再通過全連接層,生成毫米波雷達(dá)的特征表達(dá); S6、基于訓(xùn)練集獲取基于毫米波雷達(dá)信號(hào)的距離?速度、距離?水平角、距離?俯仰角,將其輸入三通道卷積神經(jīng)網(wǎng)絡(luò),得到基于訓(xùn)練集的毫米波雷達(dá)的特征表達(dá);利用該毫米波雷達(dá)的特征和對(duì)應(yīng)類別的屬性構(gòu)建損失函數(shù),得到兩者之間的投影關(guān)系,訓(xùn)練三通道卷積神經(jīng)網(wǎng)絡(luò)的參數(shù); S7、基于測試集獲取基于毫米波雷達(dá)信號(hào)的距離?速度、距離?水平角、距離?俯仰角,將其輸入到訓(xùn)練好的三通道卷積神經(jīng)網(wǎng)絡(luò)中,得到基于測試集的毫米波雷達(dá)的特征表達(dá),并將該毫米波雷達(dá)的特征和各個(gè)不同類別屬性比較,將距離最近的類別視為該毫米波雷達(dá)信號(hào)的類別。
微信群二維碼
意見反饋