基于时序对抗网络模型和微多普勒效应的人体步态精细识别技术研究

As an emerging biometrics recognition technology, gait recognition displays unique advantages over other biometrics identification technology. The micro-Doppler effect caused by micro-motion modulation of human body provides important basis for target identification and classification which reveal subtle features of moving objects. Currently, micro motion-based gait recognition is realized through extracting direct micro-motion features or other statistical features. However, this method is not effective enough to reveal both complexity and coupling relationship of human movement. This program is aimed at study of micro-Doppler effect representation based on Generative Adversarial Networks and delicate gait recognition technology. In order to characterize the potential features of micro-motion data, sequence adversarial networks will be established through analyzing echo properties of micro-Doppler signals. Furthermore, gait recognition is realized on the basis of studying network model learning method and optimizing strategy. Inter-connection between labeled and unlabeled data is fully utilized during this process. This program can expand the application of deep learning and provides new technical approach for delicate gait recognition, which has wide prospect in battlefield reconnaissance, medical monitoring and anti-terrorism scenarios.

人体步态识别是一种新兴的生物特征识别技术，具有其它生物认证技术所不具有的独特优势。而人体微动调制产生的微多普勒效应能够反映运动目标的精细特征，可为人体目标的步态识别提供重要依据。现有基于微动的人体步态识别技术大都通过提取直接微动特征或者其它统计特征来实现步态识别，人体结构的复杂性以及在运动中各部分的强耦合性体现不够。本项目拟研究基于对抗网络模型的微多普勒效应表征与人体步态精细识别技术，通过深入分析人体微多普勒信号的回波特性，有针对性地构造时序对抗网络模型用以描述微动数据的潜在特征，充分利用标记数据和未标记数据之间的内在联系，在研究网络模型的学习方法和优化策略的基础上实现人体步态精细分类和识别。本项目的研究可拓展深度学习的应用范围，为人体步态识别研究提供新的技术途径，在战场侦察、医学监控以及反恐防暴等领域均有广阔的应用前景。

本课题从特征提取、雷达信号处理和轻量化模型硬件加速三方面入手，研究基于深度学习和微多普勒信号处理问题，并应用于人体步态识别和身份认证。针对经典信号处理方法提取的雷达微多普勒信号特征可分性和差异性不强，无法用于身份认证或者人体步态特征的精细识别的问题，基于深度神经网络的编码机理，研究雷达微多普勒信号特征的深度表示方法，提出基于深度学习和微动特征的身份认证技术方法。同时，搭建了暗室环境下的人体步态采集系统，并构建了多人多姿态的人体步态微动数据集。针对雷达信号处理问题，提出了载机运动非理想条件下的平台运动参数估计方法，实现了稀疏阵列三维SAR成像；提出了层次化的约束图模型，实现了快速的点特征匹配，获得了雷达目标三维像的重构结果。在此基础上针对应用场景设备小型化的问题，提出改进策略，设计了轻量化深度模型，研究了基于FPGA的脉冲神经网络的低代价和高速处理分类方法。设计了基于CORDIC算法的14比特DDS回路。提出一种基于熵编码模式的视频压缩快速再归一化方法。研究成果在本领域重要期刊和会议上发表论文18篇，申报国家发明专利6项，培养青年学术骨干教师1人和研究生5名。