论文部分内容阅读
基于毫米波感知的人类活动识别是实现人机交互的关键技术,例如,利用毫米波传感器对独居老人生活状态进行监测。先前工作证实了利用毫米波传感器进行活动识别的可行性,但在实际应用中还存在问题:大部分系统只能近距离识别而无法远距离识别,系统在噪声环境中识别率较低,以及由于时延较长而无法实时响应。因此,本文基于毫米波传感器,针对上述问题进行研究,研究内容及创新点如下。1.设计了基于毫米波传感器的实时远距离活动识别系统。该系统的核心部分包括降噪处理、体素化数据处理、轻量型活动识别神经网络的设计以及实时系统的实现。2.基于毫米波传感器设备完成了实验数据的收集。论文分析了毫米波传感器的基本原理以及其测距与测速原理,并进一步推导出获取特征值的计算方法,设计并实现了本文所需实验数据的收集。3.提出了一种优化聚类算法U-DBSCAN,实现了数据降噪预处理。在理想环境下,基于密度的聚类算法（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）可以提取人体方向活动（Human-Orientated Movement,HOM）点云;但复杂环境中,则无法实现。因此,本文基于DBSCAN算法提出的优化算法U-DBSCAN,有效地解决了噪声干扰问题。最后,本文将降噪后HOM点云体素化处理成一个整体时间流（Integral Temporal Flow,ITF）信息,放入神经系统中进行识别。4.设计了一个轻量型的神经网络HARnet,解决了由于当前工作使用的网络过深,参数太多导致的识别时延较长等影响实时响应的问题。该网络将ITF作为整体处理,降低了识别成本。基于此设计并实现了一个实时的活动识别系统m-Activity。实验结果表明,HARnet的离线识别准确率可以达到93.25%,而且时延小于22ms,达到了轻量型的设计要求,实时系统m-Activity的实时准确率平均达到89.07%,并且在多场景下具有一定鲁棒性。