基于卷積神經(jīng)網(wǎng)絡(luò)的雷達人物身份識別研究

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；人體身份識別；微多普勒信號；雷達傳感器

中圖分類號：TN957 文獻標志碼：A 文章編號：1003-5168(2025)12-0024-05

DOI:10.19968/j.cnki.hnkj.1003-5168.2025.12.005

Convolutional Neural Network-Based Radar Human Identification Research

HE Shaofeng (Yantai Institute of Science and Technology，Yantai 264Ooo， China)

Abstract: [Purposes] Convolutional neural network is highly significant in achieveing human identification，mainly in terms of efficient feature extractionand adaptability to complexscenes.Therefore，the article proposes aradar-based human identification method based on convolutional neural network.[Methods]First，the walking gait echo signals of 1O subjects are preprocessed.Second，the Short-Time Fourier Transform (STFT) is performed to obtain the micro-Doppler time-frequency spectrogram of the human body walking.Finaly，nine types of convolutional neural networks are used to extract their features，and the extracted features are categorized using Softmax classifier to complete the human identification. [Findings] The test results show that，considering the accuracy，network parameters，test time and other factors，SqueezeNet network is more advantageous than the other 8 network in terms of network performance.In addition， the research method of using micro-Doppler signal separation resulted in a 2% increase in accuracy.[Conclusions] Therefore，both the use of micro-Doppler signal separation method and the selection of SqueezeNet network can improve the accuracy of human identification，providing valuable reference and insights for future research inthe field of identification.

Keywords: convolution neural network; human identification; micro-Doppler signal; radar sensors

0 引言

在各領(lǐng)域中發(fā)揮著越來越重要的作用。孫延鵬等[采用基于微多普勒雷達信號分離的方法，通過提取人物行走步態(tài)的微多普勒特征信息，提高了人隨著人工智能的不斷發(fā)展，人物身份識別技術(shù)物身份識別的準確性。該方法實測者的步態(tài)回波信號是通過FMCW雷達發(fā)射的電磁波對人物行走的步態(tài)信息進行探測獲取的，對回波信號預(yù)處理后，通過短時傅里葉變換獲得微多普勒時頻譜圖。由于人物行走的步態(tài)信息主要體現(xiàn)在四肢的擺動，因此，本研究通過閾值法對時頻譜圖實現(xiàn)微多普勒信號分離，從而獲得人物四肢的時頻譜圖，并將其輸入到卷積神經(jīng)網(wǎng)絡(luò)中，利用Softmax分類器實現(xiàn)對人物身份的識別。同時，對輕量級SqueezeNet網(wǎng)絡(luò)及其他8個卷積神經(jīng)網(wǎng)絡(luò)（ResNet-50、AlexNet、MobileNet、ShuffleNet、GoogleNET、Vgg19、DCNNs、CNN)進行網(wǎng)絡(luò)性能測試對比分析，發(fā)現(xiàn)SqueezeNet網(wǎng)絡(luò)在測試時間、網(wǎng)絡(luò)參數(shù)、準確率等方面表現(xiàn)出一定的優(yōu)越性。

1人物身份識別

目前，生物識別技術(shù)作為一種先進的技術(shù)研究手段，深受學(xué)者們的喜愛，其主要通過生物內(nèi)在特征或生物行為特征來進行身份識別和認定。其中，能實現(xiàn)人物身份識別的技術(shù)主要有指紋識別2、人臉識別3、虹膜識別和步態(tài)識別等。

相較于其他識別技術(shù)，指紋識別需要識別者手指與傳感器親密接觸，一旦距離過遠，則不能獲取人的指紋信息，并且存在一定的衛(wèi)生隱患4。人臉識別和虹膜識別等技術(shù)主要通過攝像機采集信息，但攝像機在使用過程中存在明顯缺陷。如在私密敏感的區(qū)域內(nèi)，攝像機的使用會引發(fā)不必要的爭議5，此外在光線不足或光線較強時，攝像機的使用及處理結(jié)果也不一定具備優(yōu)勢。因此，本研究采用雷達傳感器來獲取人物行走的步態(tài)信息，以實現(xiàn)對人物身份識別。這是因為雷達傳感器具備一定的使用優(yōu)勢，一方面雷達傳感器不需要實測者近距離的接觸或攜帶任何的設(shè)備，不會限制實測者的自由，并保護自身的隱私；另一方面雷達傳感器所發(fā)射的是電磁信號，不易受環(huán)境、外界光線及障礙物等外界因素的影響[7]

2雷達傳感器

本研究使用單發(fā)、單收的FMCW雷達，即有1個發(fā)射天線(Tx)和1個接收天線 (Rx) 。FMCW雷達示意如圖1所示，主要組成為以下4部分。 ① 合成器。產(chǎn)生線性頻率調(diào)制CW脈沖的合成裝置。② 發(fā)射天線。信號由Tx發(fā)送天線發(fā)送，在具體的實施中，通常需要通過一個功率放大裝置來完成。

③ 接收天線。在目標物體的反射下，通過 Rx 接收天線捕獲，在具體的實施過程中，通常需要添加一個噪聲較小的放大器。 ④ 混頻器。通常由非線性部件及選頻回路組成?；祛l的實質(zhì)就是頻譜的線性遷移過程。在此基礎(chǔ)上，利用混合電路將混頻器信號與輸入的信號相乘，再經(jīng)積化和差獲得輸出的信號。

當發(fā)射天線發(fā)射的信號為 時，則接收天線所對應(yīng)的接收回波信號為 s_R(t) 。 s_R(t) 是經(jīng)過被測目標所反射的回波信號，因此可看作是 s_T(t) 的延時信號。具體見式(1)和式(2）。

式中： A_T 為發(fā)射信號的幅值 ;f_c 為起始頻率； B 為信號帶寬； T_c 為持續(xù)時間； t_d 為延時時間； A_R 為接收信號的幅值。

發(fā)射信號的頻率與回波信號的頻率之間產(chǎn)生的差值是中頻信號 x_IF 的頻率，其相位是發(fā)射信號與回波信號的相位之差，見式(3）。

通過雷達傳感器采集的人物行走步態(tài)信息，先經(jīng)過短時傅里葉變換得到其時頻譜圖，再利用閾值法實現(xiàn)步態(tài)微多普勒信號分離，便可得到人物行走步態(tài)四肢信號的時頻譜圖，由此提高人物身份識別的準確率。

3卷積網(wǎng)絡(luò)性能對比分析

在已有的研究中，僅對4個卷積神經(jīng)網(wǎng)絡(luò)的性能進行對比分析8，而本研究則對9個卷積神經(jīng)網(wǎng)絡(luò)的性能進行對比分析。每個卷積神經(jīng)網(wǎng)絡(luò)都可以對實現(xiàn)微多普勒信號分離的四肢時頻譜圖進行訓(xùn)練，且各個卷積神經(jīng)網(wǎng)絡(luò)的準確率如圖2所示。其中，訓(xùn)練集多少的選取是影響人物身份識別的重要因素，而對人物步態(tài)信息的采集是一項耗時耗力的工作。因此，本研究將訓(xùn)練集與測試集的占比調(diào)成不同的百分比，以實現(xiàn)對9個卷積神經(jīng)網(wǎng)絡(luò)的性能測試。

由圖2可知，隨著每個網(wǎng)絡(luò)訓(xùn)練集占比的增加，網(wǎng)絡(luò)的性能也在逐漸地增加，可能是因為訓(xùn)練集的數(shù)據(jù)過少，網(wǎng)絡(luò)會出現(xiàn)過擬合現(xiàn)象，但SqueezeNet網(wǎng)絡(luò)在訓(xùn)練集各個占比中，相較于其他網(wǎng)絡(luò)均占有一定的優(yōu)勢[9，具有較高的網(wǎng)絡(luò)性能。因此，SqueezeNet網(wǎng)絡(luò)在小樣本學(xué)習(xí)中更具優(yōu)勢

與此同時，本研究還對9個卷積神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)參數(shù)量、準確率及測試時間方面進行了對比研究，結(jié)果如圖3所示。由圖3可知，首先，9個卷積神經(jīng)網(wǎng)絡(luò)都具有較高的識別準確率，但SqueezeNet網(wǎng)絡(luò)的準確率比其他網(wǎng)絡(luò)要略高一些；其次，SqueezeNet網(wǎng)絡(luò)具有較短的測試時間，可以在有限的時間內(nèi)完成人物身份識別工作；最后，在網(wǎng)絡(luò)參數(shù)方面，SuqeezeNet網(wǎng)絡(luò)屬輕量化網(wǎng)絡(luò)，以 V_gg19 網(wǎng)絡(luò)為參考， Vgg19 網(wǎng)絡(luò)的參數(shù)量是SqueezeNet網(wǎng)絡(luò)的89倍。綜上所述，本研究選用的SqueezeNet網(wǎng)絡(luò)在網(wǎng)絡(luò)性能方面要優(yōu)于其他8個卷積神經(jīng)網(wǎng)絡(luò)。

4t-SNE可視化分析結(jié)果

在已有的研究中，僅對4名測試者進行人物身份識別研究，而本研究的實驗有10名實測者，每名實測者采集了100組行走步態(tài)數(shù)據(jù)，共1000個數(shù)據(jù)總量。將采集到的人物步態(tài)雷達回波信號先通過短時傅里葉變換得到相應(yīng)的時頻譜圖，再通過閾值法實現(xiàn)步態(tài)信號的微多普勒信號分離，最終輸人到卷積神經(jīng)網(wǎng)絡(luò)之中。

為了提高該實驗?zāi)Ｐ偷姆夯芰Γ捎梦逭劢徊骝炞C，按8：2的比例將數(shù)據(jù)集分為訓(xùn)練集和測試集。為了使實驗結(jié)果更直觀，采用混淆矩陣和 t- SNE可視化分析圖呈現(xiàn)實驗結(jié)果。未進行微多普勒信號分離的實驗結(jié)果如圖4和圖5所示，其人物身份識別的準確率為 97.5% 。進行微多普勒信號分離的實驗結(jié)果如圖6和圖7所示。其中，混淆矩陣包含了縱軸的真實類以及橫軸的預(yù)測類，實驗包含了4位女生和6位男生，共計10個人。在混淆矩陣圖中，正確的分類數(shù)目是通過混淆矩陣對角線顏色較深區(qū)域顯示，而錯誤的分類個數(shù)是通過周圍的顏色較淺區(qū)域所展示。 圖表示每個類別的聚類情況，不同的標注代表了不同的實測者類別。通過對實驗結(jié)果進行對比分析發(fā)現(xiàn)，實現(xiàn)微多普勒信號分離的人物身份識別準確率為 99.5% ，相比于未進行微多普勒信號分離的實驗，識別準確率提高了 2% 。由實驗結(jié)果可判斷出，人物行走步態(tài)的差異主要源于四肢的擺動。因此，人物行走步態(tài)信號的微多普勒信號分離有助于實現(xiàn)人物身份的識別，提高人物身份識別的準確率。

5結(jié)語

相較于其他生物識別技術(shù)，基于雷達傳感器的步態(tài)識別技術(shù)具有易獲取、難偽裝、不限制自由等優(yōu)勢，通過卷積神經(jīng)網(wǎng)絡(luò)進行特征提取，實現(xiàn)人物身份的識別。同時，輕量型SqueezeNet網(wǎng)絡(luò)在網(wǎng)絡(luò)性能方面相對于其他網(wǎng)絡(luò)占據(jù)優(yōu)勢，且經(jīng)過微多普勒信號分離的人物身份識別檢測結(jié)果在準確率上也提高 2% 。在后續(xù)的研究中，希望可以不斷地完善人物身份識別的成果。

參考文獻：

[1]孫延鵬，賀韶楓，屈樂樂.基于微多普勒信號分離和SqueezeNet的人體身份識別[J].雷達科學(xué)與技術(shù)，2023，21(5):511-516，525.

[2]YOON S，JAIN A K.Longitudinal study of finger-printrecognition.[J].Proceedingsof theNational AcademyofSciencesoftheUnited StatesofAmerica，2015，112(28）：8555-60.

[3]SOLANKI K，PITTALIAP.Review of face recogni-tion techniques[J]. International Journal of Computer Applica-tions，2016，133(12):20-24.

[4]曹佳禾.基于毫米波雷達的身份識別技術(shù)研究[D].杭州：浙江大學(xué)，2021.

[5]VANDERSMISSENB，KNUDDEN，JALALVANDA，et al.Indoor person identification using a low-powerFMCWradar[J].IEEE Transactions on Geoscience and Re-moteSensing，2018，56(7):3941-3952.

[6]QIAOXS，F(xiàn)ENGY，SHANT，etal.Person identification with low training sample based on micro-Doppler signatures separation[J].IEEE Sensors Journal，2022，22（9）： 8846-8857.

[7]RODRIGUES D V Q，LI C.Noncontact exercise monitoringin multi-person scenariowith frequency-modulated continuous-waveradar[C].2020 IEEE MTT-S International Microwave Biomedical Conference（IMBioC）.Toulouse，F(xiàn)rance， 2020:1-3.

[8]NI ZF，HUANGBK.Human identification based on natural gait micro-Doppler signatures using deep transfer learning[J].IETRadar，SonarNavigation，2020，14（10）： 1640-1646.

[9]LANGY，WANGQ，YANGY，etal.Person identification with limited training data using radar micro-Doppler signatures[J].Microwave and Optical Technology Letters， 2020，62(3):1060-1068.