基于微多普勒特征的单通道超宽带雷达人体姿态估计方法

技术特征：
1.基于微多普勒特征的单通道超宽带雷达人体姿态估计方法，其特征在于，包括以下步骤：s1、对单通道超宽带雷达采集到的人体姿态回波数据进行去除干扰和噪声的预处理；s2、对预处理后的人体姿态回波数据进行下变频处理，并做自适应滤波处理；s3、根据自适应滤波处理后的信号生成对应人体姿态的微多普勒谱图；s4、将生成的微多普勒谱图数据输入到预先训练模型的backbone网络中提取微多普勒中包含的人体身体各部位特征；s5、采用keypoint head网络将提取的微多普勒谱图特征矩阵映射成人体各个骨骼各个关节点的概率分布p
k
；s6、采用softmax函数求解人体各个骨骼关节点的坐标位置。2.根据权利要求1所述的基于微多普勒特征的单通道超宽带雷达人体姿态估计方法，其特征在于，所述步骤s1中的预处理具体为：对人体姿态回波数据矩阵进行插值处理实现去除干扰和噪声；式中，为实数域，k为单通道超宽带雷达信号的频点数，n为采集的回波帧数。3.根据权利要求1所述的基于微多普勒特征的单通道超宽带雷达人体姿态估计方法，其特征在于，所述步骤s2具体为：预处理后的雷达回波数据进行下变频处理得到并进行自适应滤波得到张量信号实现对回波信号中的直达波抑制。4.根据权利要求1所述的基于微多普勒特征的单通道超宽带雷达人体姿态估计方法，其特征在于，对自适应滤波处理后的张量信号a(x,t)按照以下公式进行短时傅里叶变换处理得到该信号对应的微多普勒特征：式中，g(t)为短时傅里叶变换的窗函数。5.根据权利要求1所述的基于微多普勒特征的单通道超宽带雷达人体姿态估计方法，其特征在于，所述步骤s4中的backbone网络采用的是resnet50网络。6.根据权利要求1所述的基于微多普勒特征的单通道超宽带雷达人体姿态估计方法，其特征在于，所述步骤s5中的概率分布满足服从高斯分布假设条件，其中，k为第k个骨骼关节点，p表示人体姿态的各个骨骼关节点的概率分布，是指人体各个骨骼关节点通过微多普勒谱图在物理空间中的不同位置的概率。7.根据权利要求1所述的基于微多普勒特征的单通道超宽带雷达人体姿态估计方法，其特征在于，所述步骤s6具体为：采用softmax函数从人体姿态中的各个骨骼关节点的概率分布p
k
中寻找最大的位置索引，以得到该关节点在物理空间中的坐标位置s
skeleton
(x,y)；再将人体姿态中的所有关节点按照一定的顺序进行连接，生成可视化的二维人体姿态骨骼图。

技术总结
本发明公开了基于微多普勒特征的单通道超宽带雷达人体姿态估计方法，包括：S1、对单通道超宽带雷达采集到的人体姿态回波数据进行去除干扰和噪声的预处理；S2、对预处理后的人体姿态回波数据进行下变频处理，并做自适应滤波处理；S3、根据自适应滤波处理后的信号生成对应人体姿态的微多普勒谱图；S4、将生成的微多普勒谱图数据输入到预先训练模型的backbone网络中提取微多普勒中包含的人体身体各部位特征；S5、采用keypoint head网络将提取的微多普勒谱图特征矩阵映射成人体各个骨骼各个关节点的概率分布；S6、采用softmax函数求解人体各个骨骼关节点的坐标位置。本发明提高了超宽带雷达人体姿态估计的普适性，能够适用于各种人体姿态估计场景。用于各种人体姿态估计场景。用于各种人体姿态估计场景。


技术研发人员：金添 周小龙 戴永鹏 宋永坤 邱志峰
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：2022.08.24
技术公布日：2022/11/25