人体微动特征提取方法及行为识别算法综述
【摘要】对障碍物后的人体行为实现有效的探测在灾难救援等方面均有着重要的作用。雷达发射的电磁波在传播过程中经历了双层介质衰减，回波信号中存在大量杂波，利用传统方法进行行为检测的难度较大，因此，利用深度学习对环境的适应能力，在有一定量的数据支持的背景下进行墙后的人体行为检测就显得尤为重要。如何对人体微动特征进行识别是工作的关键，本文首先讨论了微动特征的提取与识别方法，然后在回顾了一些传统行为识别方法的基础上, 对近年来提出的基于不同深度学习框架的人体行为识别新进展进行了介绍和总结分析，包括卷积神经网络、递归神经网络等。最后对模型性能及各类方法的优缺点进行了分析和总结，选取适合墙后行为识别的算法。
【关键词】深度学习 人体微动特征 人体动作识别 卷积神经网络 雷达
1 引言
近年来，随着计算能力的提高及硬件系统的升级，深度学习得到了飞速的发展。人脸识别、目标检测、自动驾驶等一系列新的行业蓬勃发展。然而，以上大多数应用都集中在图像及视频领域。在雷达领域中，如何将深度学习有效引入仍是一个十分棘手的问题。相比于图像及视频领域，数据问题是深度学习在雷达领域面临一大问题：由于雷达获取的是回波数据，相较于摄像机拍摄的图片分辨率较低，提取信息难度较大，数据获取成本也较高，而深度学习对数据量有着较大的需求，因此，如何获取数量可观的数据并从中提取出有效的信息是限制深度学习在雷达领域广泛应用的主要原因。
对障碍物后的隐蔽目标实现有效的探测在灾难救援、环境监控、医学探测等方面均有着重要的作用。其中，墙后人体行为的检测问题一直是一个备受关注的话题。由于电磁波在传播过程中经历了双层介质衰减，使得回波信号中存在着大量的杂波，利用传统方法对目标的行为进行检测的难度大大提升。因此，利用深度学习对环境的适应能力，在有一定量的数据支持的背景下进行墙后的人体行为检测就显得尤为重要。
微动指的是目标的微小运动(Micro-Motion)，这一概念最早由美国海军研究实验室的V.C.Chen博士所提出，他指出目标及目标所组成部分在运动过程中除质心平动外的转动、振动、加速等微小运动均可称之为微动[6]。常见微动形式在生活中广泛存在，如人行走过程中四肢的摆动、鸟类飞行中翅膀的扇动、汽车坦克发动机的振动等等。这些微动特征反映到雷达可探测的物理量大致为两类：第一类为目标及组成部分由于微动引起的速度变化信息；第二类为目标及组成部分由千微动引起的距离变化信息，这两类微动变化信息可以转化为雷达探测得到的微动特征进而完成对目标运动状态的识别。
针对人体目标的识别，人体作为复杂的组合体，在运动过程中包括各种微动形式，如走路过程中四肢的摆动、身体的扭动等。本文将针对人体的微动特征的提取方法和识别方法进行总结，讨论传统方法和深度学习方法在该方面效果的差异，选择合适的深度学习算法。
2 人体微动特征提取及识别
针对人体微动特征的研究包括对行人步态运动的建模、人体运动特征的采集与表示以及人体微动特征的识别方法等系列内容，并已经取得了一些研究成果。本节将针对人体微动特征的提取及识别方法及其发展进行总结。
