基于星图探索时空表征以用于毫米波雷达人体活动识别
计算机视觉与模式识别
2025-12-16 v1 机器学习
图像与视频处理
摘要
人体活动识别（HAR）需要提取与人体运动相关的精确时空特征。由于毫米波信号的物理特性，基于毫米波雷达点云的 HAR 系统面临稀疏性和尺寸可变问题。现有工作通常借用针对具有密集点云的视觉系统的预处理算法，这可能不适用于毫米波雷达系统。在本工作中，我们提出了一种图表征与离散动态图神经网络（DDGNN），以探索与人体运动相关特征的时空表征。具体而言，我们设计了一个星图，用于描述人工添加的静态中心点与同一帧及连续帧中动态毫米波雷达点之间的高维相对关系。随后，我们采用 DDGNN 来学习具有可变尺寸的星图中的特征。实验结果表明，在真实世界的 HAR 数据集上，我们的方法优于其他基线方法。我们的系统实现了 94.27\% 的总体分类准确率，接近基于视觉的骨架数据 97.25\% 的准确率，取得了近乎最优的性能。我们还在 Raspberry Pi 4 上进行了推理测试，以证明其在资源受限平台上的有效性。\sh{ 我们对可变的 DDGNN 结构提供了全面的消融研究，以验证我们的模型设计。我们的系统也优于三种最近的雷达专用方法，且无需重采样或帧聚合器。
引用
@article{arxiv.2512.12013,
title = {Exploring Spatial-Temporal Representation via Star Graph for mmWave Radar-based Human Activity Recognition},
author = {Senhao Gao and Junqing Zhang and Luoyu Mei and Shuai Wang and Xuyu Wang},
journal= {arXiv preprint arXiv:2512.12013},
year = {2025}
}