一种基于 MIMO 雷达的小样本学习人体识别方法

基于深度学习的雷达人体识别已成为日益受关注的研究领域。已有研究表明，微多普勒($\mu$-D)可通过捕获肢体周期性微运动反映行走行为。主要方面之一是在考虑实时性和训练数据集规模约束的同时最大化所包含类别的数量。本文使用多输入多输出(MIMO)雷达来构建仰角角速度($\mu$-$\omega$)的微运动谱图。研究了将此新构建的谱图与常用的 $\mu$-D 进行拼接的有效性。为适应非约束的真实行走运动，采用了自适应周期分割框架，并在半步态周期($\approx$ 0.5 s)上训练度量学习网络。研究了不同类别数(5--20)、不同数据集大小和不同观测时间窗 1--2 s 的影响。收集了相对于雷达不同方位角的 22 名受试者的非约束行走数据集。所提出的少样本学习(FSL)方法仅用每名受试者 2 分钟训练数据即实现了 11.3% 的分类错误率。