基于集成与深度学习方法利用微多普勒进行人与机器人分类
计算机视觉与模式识别
2018-06-13 v3 信号处理
摘要
雷达传感器可用于分析由微运动引起的在距离和速度维度上的频移,分别称为微多普勒(-D)和微距离(-R)。不同的运动目标将具有独特的-D和-R特征,可用于目标分类。此类分类可用于众多领域,如步态识别、安全和监视。本文中,25 GHz FMCW单输入单输出(SISO)雷达用于工业安全中的实时人-机器人识别。由于实时约束,联合距离-多普勒(R-D)图被直接用于我们的分类问题。此外,给出了常规经典学习方法(带手工提取特征)、集成分类器和深度学习方法之间的比较。对于集成分类器,重构的距离和速度剖面被直接传入集成树(如梯度提升和随机森林)而无需特征提取。最后,使用了深度卷积神经网络(DCNN),原始R-D图像被直接输入所构建的网络。DCNN在单张R-D图上识别人与机器人展现出99%准确率的优越性能。
引用
@article{arxiv.1711.09177,
title = {Micro-Doppler Based Human-Robot Classification Using Ensemble and Deep Learning Approaches},
author = {Sherif Abdulatif and Qian Wei and Fady Aziz and Bernhard Kleiner and Urs Schneider},
journal= {arXiv preprint arXiv:1711.09177},
year = {2018}
}
备注
6 pages, accepted in IEEE Radar Conference 2018