1.面向雷达信号热图的人体目标检测方法,其特征在于:所述方法包括如下步骤:
步骤1:数据预处理;所述数据包含射频数据以及视频数据,所述射频数据是通过多天线阵列发出射频信号,信号在目标区域内接触目标并反射回原点,根据反射信号得到垂直和水平双向的目标空间信息,以此构建信号热图原始数据,然后进行降噪、裁剪和标记;由于原始数据是将每帧雷达信号直接获取后生成的数值矩阵,其中第2、4、6、8维度代表水平方向数据,第1、3、5、7维度代表垂直方向数据,将其分别取出后,使用图像傅里叶变换进行处理,得到热图矩阵,并由此形成水平、垂直热图数据集;所述视频数据是使用深度摄像头对目标场景进行同步录制得到的视频,并使用Faster R-CNN网络,对录制的视频图像进行目标识别存储及人体框图提取,为后续的网络训练构建标签集;
步骤2:构建基于ResNet-34的特征提取网络;根据ResNet网络中的残差块结构,进行特征提取网络构建:将ResNet-34的网络结构作为主网络,残差块选用Basic Block类型,残差块的数量集设置为[3, 4, 6, 3],其中的数值表示每个残差网络的Layer中包含的残差块数;该网络用于提取特征矩阵,以便后续的网络处理;
步骤3:重构特征矩阵;在特征提取网络后建立后续网络架构,经过矩阵拉平、变形操作,以及全连接层,对特征矩阵进行重构,以完善特征矩阵;
步骤3中,对于水平热图和垂直热图,通过步骤2可以分别获取到两个特征矩阵Out1、Out2,对特征矩阵进行重构处理;首先经过针对多维数据的Flatten操作,再通过5x4的全连接层FC的特征处理,以达成矩阵优化;其中,Flatten参数需要更改,以适应网络输出的不同长宽;经过全连接层FC后,水平和垂直热图的特征矩阵转换为最终的网络输出;在全连接层后采用Reshape操作,以供测试集输出显示使用;
步骤4:融合水平、垂直热图特征;将上述步骤中获得的特征矩阵进行融合操作;由于热图分为水平、垂直两个数据块,经过两种热图的特征融合后获取到框图数据矩阵;步骤3与步骤4共同构建的额外网络架构称为后置网络,其针对特征提取网络的输出进行处理;
步骤5:构建目标检测框;利用后置网络输出的框图数据矩阵,对原始图像进行图像分割操作,以实现人体目标检测的可视效果。
2. 根据权利要求1所述的面向雷达信号热图的人体目标检测方法,其特征在于:所述方法包括如下步骤:步骤1中,视频数据通过Fast R-CNN网络生成标签数据并进行批处理操作,从而提取出每张原图像的目标检测回归框坐标,最后通过Pytorch的DataLoader方法,将回归框坐标数据转换成Tensor数据类型,得到标签集。
3.根据权利要求1所述的面向雷达信号热图的人体目标检测方法,其特征在于:步骤1中,信号热图原始数据需要进行白噪声去除以完成降噪处理,白噪声一般为数据接近0或与周围相比偏低的数值,完成上述操作后再将热图数据转换为数值矩阵;为了完成原始数据的裁剪和标记工作,将各个数据帧所生成的数值矩阵进行裁剪和压缩,使其适用于步骤2的网络输入;并将表示水平数据的矩阵与垂直数据的矩阵分别进行标记和区分;最后,将处理后的数据按照8:2的比例切分为训练集和测试集。
4.根据权利要求1所述的面向雷达信号热图的人体目标检测方法,其特征在于:步骤1中,对于生成的标签集、训练集及测试集,使用Pytorch机器学习库进行数据封装,最终生成封装后的DataLoader以待网络加载。
5.根据权利要求1所述的面向雷达信号热图的人体目标检测方法,其特征在于:步骤2中,所述特征提取以四个Layer作为主要架构,并辅以上下两个不同的池化层;对于网络输入,首先使用第一个卷积层及池化层进行特征图的缩放,随后进入由四个Layer构成的主单元,每一个Layer均由数个残差块组成,主单元中每两个卷积层通过映射连接的形式构成一个残差块结构;对于网络输出,通过全局平均池化层处理。
6. 根据权利要求5所述的面向雷达信号热图的人体目标检测方法,其特征在于:步骤2中,本网络使用的残差块类型为Basic Block,每一个残差块由两个3x3卷积层构成。
7.根据权利要求1所述的面向雷达信号热图的人体目标检测方法,其特征在于:步骤4中,融合操作包括Concat、Add两种不同的融合类型;采用Add融合操作以完成水平、垂直的数据融合。
8.根据权利要求1所述的面向雷达信号热图的人体目标检测方法,其特征在于:步骤5中,可视效果按每帧图像进行输出;其中,图像的背景为原始雷达信号范围的二维平面,其后再根据每一个回归框的坐标集数据,标注到图像背景的所在位置,实现人体目标框图识别的效果展示。
9.根据权利要求1所述的面向雷达信号热图的人体目标检测方法,其特征在于:步骤5中,原始雷达信号范围的二维平定义为雷达信号扫描的弧形区域剪去深度信息后的空平面。