一、研究背景
随着智能系统及处理算法的不断发展，人体行为识别技术在巷战反恐、楼宇监控、灾害救援和交互式智能家居等领域应用广泛。穿墙雷达利用低频超宽带电磁波穿透建筑物墙体，可对室内人员进行透视探测和识别，具备较高的安全性和隐私性。然而，现有方法直接利用深度神经网络训练、推理雷达图像，模型未进行特征选择及降维，针对不同体态、步态的室内人员的识别泛化能力较差。
图1 穿墙雷达城市楼宇遮蔽空间人体行为透视辨识
近期，北京理工大学雷达技术研究院特种雷达研究所杨小鹏教授团队开展研究工作，提出了Boulic-正弦摆钟人体运动模型与微多普勒角点特征表示新理论，并提出基于微多普勒角点特征与Non-Local机制的穿墙雷达人体步态异常终止行为辨识方法。所提方法紧密结合穿墙雷达距离分辨率约束下扩展人体目标的复杂多肢节点-多散射体组合运动物理背景，同时实现特征选择和降维两个目标，并利用该特征设计识别模型，提升室内人体步态异常终止行为的识别精度和泛化能力。所开展研究现已发表于微波技术领域顶级期刊IEEE Transactions on Microwave Theory and Technique(IF="4.1)，配套的识别方法及验证工作已发表于中文核心期刊雷达学报。
二、论文介绍
论文建立基于Boulic-正弦摆钟的人体运动学模型，给出复杂室内人体行为各肢节点对应散射中心的平方距离及多普勒时变规律解析表示，以计算最小度量微多普勒特征完整信息所需的关键点数（图2）。论文理论上严格证明了所提方法能够缩减室内人体行为透视辨识任务的泛化误差限，并为特征提取与筛选提供约束条件。
图2 Boulic-正弦摆钟人体运动模型
对应识别方法建立了穿墙雷达多节点-多散射体组合人体行为回波模型，并利用经验模态分解及自适应直方图均衡等算法实现杂波抑制，生成平方距离-时间图像
及平方多普勒-时间图像
。其次，利用Harris及Moravec检测器提取雷达图像上的微多普勒角点特征，建立角点点云数据集。最后，利用多链路并行卷积和Non-Local机制构建全局上下文信息提取网络，学习点云图像像素的全局分布特性，并经多层感知机输出行为预测概率（图3），实现行为透视辨识。
图3基于Non-Local机制的神经网络结构
利用团队搭建的穿墙雷达样机系统开展实验，获取训练集和验证集，实验场景如图4所示。受试者身高约为1.8米，墙体为厚度0.12米的单层空心砖砌墙，相对介电常数为6，二维导轨固定的高度不动，且保持收发天线紧贴墙体。测试集的生成方式与训练集一致，受试者身高约为1.7米。
图4穿墙雷达实验场景
图5从上至下分别为R2TM和D2TM，从左至右分别为仿真空场景、实测空场景、仿真步行场景、仿真异常行为场景、实测步行场景以及实测异常行为场景数据。仿真和实测结果表明，所提方法可以有效透视识别室内人体步行过程中存在的坐卧、跌倒等突发步态异常终止行为，在提升识别准确率、鲁棒性的前提下，有效控制泛化精度误差不超过
。
图5人体运动微多普勒信息的可视化图示
该研究工作得到国家自然科学基金重点国际合作项目（61860206012），国家自然科学基金面上项目（62101042）和北京理工大学青年教师学术启动计划（XSQD-202205005）的支持。
论文链接：
