1.本发明涉及一种人员特征提取方法及采用该人员特征提取方法的人员识别方法，尤其涉及一种基于心脏雷达信号的人员特征提取方法以及采用该人员特征提取方法实现的基于心脏雷达信号的人员识别方法。
背景技术：2.人员识别技术在行为识别、安防、监控等场景下有着大量的应用。一种稳定、高效、不侵犯隐私的对特定区域内人员进行识别的方法具有重大意义。
3.心脏的雷达反射信号中蕴含了人员的特征信息。相对于指纹、声纹、面部特征、虹膜特征等常用生物特征，从心脏雷达信号中获取的人员特征具有很多优点：该特征可在且仅可在所有存活个体中被检测到，这意味着识别和检测系统中不需要额外的活体检测模块；心脏活动是无意识、不可控制的，这意味着对人员进行识别时不需要得到其配合，更容易实现无感识别和持续识别。此外，相对于面部和语音特征，从心脏雷达信号中获取的人员特征更不容易涉及个人隐私信息。
4.目前的人员识别方法大多基于面部特征识别，较少有基于心脏雷达信号的人员识别方法。典型的人员识别方法如专利cn201710250082.9所述，通常使用监控摄像头拍摄视频，然后使用机器学习模型进行人员识别。这类方法的问题在于易受面部或衣着伪装的影响，从而做出错误判断；另外此类方法也存在隐私问题。另一方面，专利cn202110675375.8提出了一种使用心脏位移雷达信号的人员识别方法。该方法的不足之处在于只使用了原始的心脏位移信号作为认证模型输入，没有对其进行特征提取从而得到具有代表性的特征。
技术实现要素：5.本发明要解决的技术问题是：现有的基于心脏雷达信号的人员识别方法只使用了原始的心脏位移信号作为认证模型输入，没有对其进行特征提取从而得到具有代表性的特征。
6.为了解决上述技术问题，本发明的一个技术方案是提供了一种基于心脏雷达信号的人员特征提取方法，其特征在于，包括如下步骤：
7.步骤1：利用雷达的信号合成器生成多个线性调频脉冲信号，由发射天线发射由该多个线性调频脉冲信号组成的脉冲信号序列，同时由接收天线接收环境反射信号；由混频器将发射信号和接收信号进行混合，生成中频信号序列if0(t)，if1(t)，
…
，ifk(t)；
8.步骤2：对中频信号序列if0(t),if1(t),
…
,ifk(t)中的第i个中频信号ifi(t)进行采样得到数字信号ifi[n]，并对得到的数字信号进行处理，得到发射第i个线性调频脉冲信号时心脏的相对位移x[i]，其中，0≤i≤k，具体包括以下步骤：
[0009]
步骤2-1：使用滤波器对中频信号ifi[n]进行滤波，去除电磁干扰、距离过近和距离过远的点带来的噪声，得到信号if
′i[n]；
[0010]
步骤2-2：使用自适应滤波器对信号if
′i[n]进行滤波，去除人体随机运动带来的
噪声，得到信号if
″i[n]；
[0011]
步骤2-3：对信号if
″i[n]进行快速傅里叶变换，得到其频谱ifi[n]；
[0012]
步骤2-4：使用下式计算发射第i个线性调频脉冲信号时的心脏相对位移x[i]：
[0013][0014]
式中，n为中频信号ifi[n]包含的采样点个数；
[0015]
步骤3：计算心脏相对位移的变化周期t，并根据变化周期t将步骤2获得的心脏相对位移数据进行分段，得到一系列单周期心脏相对位移x0[n]，x1[n]，，xm[n]；
[0016]
步骤4：对步骤3得到的一系列单周期心脏相对位移x0[n],x1[n],
…
,xm[n]中的第j个单周期心脏相对位移xj[n]进行特征提取，得到该段相对位移的特征向量vj，0≤j≤m，其中，对第j个单周期心脏相对位移xj[n]进行特征提取具体包括以下步骤：
[0017]
步骤4-1：在心脏相对位移信号xj[n]中找到两个区域极大值x
max1
和x
max2
，两个区域极大值x
max1
和x
max2
的对应时间分别为n
max1
和n
max2
；
[0018]
步骤4-2：在两个区域极大值x
max1
和x
max2
之间找到一个区域极小值x
min
，区域极小值x
min
的对应时间为n
min
，且有n
max1
≤n
min
≤n
max2
；
[0019]
步骤4-3：构建向量vj＝[x
max1
,x
max2
,x
min
,n
max1
,n
max2
,n
min
]，作为该段相对位移的特征向量；
[0020]
所有特征向量构成了采集到的人员特征向量序列v＝[v0,v1,
…
,vm]。
[0021]
优选地，步骤1中，单个线性调频脉冲信号的表达式由下式给出
[0022]
p(t)＝sin(2π(fc+st)t)
[0023]
式中，fc为脉冲信号的起始频率，s为脉冲信号的频率斜率，0≤t≤tc，tc为脉冲信号的持续时间。
[0024]
优选地，步骤2-1中，滤波器为巴特沃斯带通滤波器。设待识别人员心脏距雷达的距离范围区间为(d
min
,d
max
)，则巴特沃斯带通滤波器的下限截止频率f
l
和上限截止频率fh分别由下式给出：
[0025]fl
＝25d
min
/c
[0026]fh
＝25d
max
/c
[0027]
式中，c表示光速。
[0028]
优选地，步骤3中，采用以下步骤计算变化周期t：
[0029]
步骤3-1：由下式对心脏相对位移x[i]计算相关系数corr(l)
[0030][0031]
式中，hr
min
/60
×fs
≤l≤hr
max
/60
×fs
，hr
min
和hr
max
分别为预设的心率最小值和最大值，fs为脉冲信号的发射频率；
[0032]
步骤3-2：计算得到心脏相对位移变化周期t，t＝arg max
l corr(l)。
[0033]
本发明的另一个技术方案是提供了一种基于心脏雷达信号的人员识别方法，采用上述的基于心脏雷达信号的人员特征提取方法，其特征在于，包括以下步骤：
[0034]
步骤s1：在待识别区域内，利用上述的基于心脏雷达信号的人员特征提取方法获取人员特征向量序列v＝[v0,v1,
…
]；
[0035]
步骤s2：在人员特征向量序列v＝[v0,v1,
…
]上使用一前一后两个等长检测滑窗选
取特征向量序列片段，将所使用的两个等长检测滑窗分别定义为后滑窗及前滑窗，后滑窗的起始位置为前滑窗的结束位置；
[0036]
设前滑窗起始时刻为t，滑窗长度为swl，则前后两个特征向量序列片段分别为va＝[v
t
,v
t+1
,
…
,v
t+swl-1
]，vb＝[v
t+swl
,v
t+swl+1
,
…
,v
t+2swl-1
]；
[0037]
步骤s3：分别将特征向量序列片段va和vb送入经过预训练的机器学习模型进行特征聚合得到聚合特征向量vaf和v
bf
；
[0038]
步骤s4：对聚合特征向量v
af
和v
bf
，由下式计算得到其夹角余弦值cos(θ)：
[0039][0040]
步骤5：将获得的所有余弦值分别与预设阈值进行比较，若某一余弦值小于预设阈值，则认定在当前检测滑窗的时间范围内的人员识别结果存在异常。
[0041]
优选地，步骤s3中，机器学习模型的获取方式包括以下步骤：
[0042]
步骤s3-1：利用前述的基于心脏雷达信号的人员特征提取方法，在不同时间、不同环境下，对足够多人采集足够长的人员特征向量序列；
[0043]
步骤s3-2：按预设的滑窗长度，将通过步骤s3-1得到的特征向量序列切分为特征向量序列片段；
[0044]
步骤s3-3：建立具有自编码器结构的机器学习模型，以最小化重构误差为标准，使用采集到的特征向量序列片段对模型进行自监督训练。训练完成后，使用模型的编码器部分进行特征提取。
[0045]
与现有技术相比，本发明具有以下优点：
[0046]
1)本发明提出的人员识别方法不依赖视觉特征，不易受到环境改变和人为视觉伪装的影响；
[0047]
2)本发明提出的方法只需采集雷达信号，无须录制音视频，能更好地保护被识别者的隐私；
[0048]
3)本发明使用毫米波雷达采集人员特征，识别过程中不需要被识别者配合，更容易实现无感识别和持续识别。
附图说明
[0049]
图1为本发明基于毫米波雷达的人员特征提取方法流程图；
[0050]
图2为本发明基于人员特征的人员识别方法流程图；
[0051]
图3为本发明特征聚合机器学习模型结构图。
具体实施方式
[0052]
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
[0053]
如图1所示，本实施例公开一种基于心脏雷达信号的人员特征提取方法，具体包括如下步骤：
[0054]
步骤1：利用雷达的信号合成器生成多个线性调频脉冲信号，由发射天线发射由该多个线性调频脉冲信号组成的脉冲信号序列，同时由接收天线接收环境反射信号。由混频器将发射信号和接收信号进行混合，生成中频信号序列if0(t),if1(t),
…
,ifk(t)。
[0055]
本实施例中，单个线性调频脉冲信号的表达式由式(1)给出
[0056]
p(t)＝sin(2π(fc+st)t)
ꢀꢀꢀ
(1)
[0057]
式(1)中，fc为脉冲信号的起始频率，s为脉冲信号的频率斜率，0≤t≤tc，tc为脉冲信号的持续时间。
[0058]
步骤2：对中频信号序列if0(t),if1(t),
…
,ifk(t)中的第i个中频信号ifi(t)进行采样得到数字信号ifi[n]，并对得到的数字信号进行处理，得到发射第i个线性调频脉冲信号时心脏的相对位移x[i]，其中，0≤i≤k。
[0059]
步骤2具体包括以下步骤：
[0060]
步骤2-1：使用滤波器对中频信号ifi[n]进行滤波，去除电磁干扰、距离过近和距离过远的点带来的噪声，得到信号if
′i[n]。
[0061]
本实施例中，滤波器为巴特沃斯带通滤波器。设待识别人员心脏距雷达的距离范围区间为(d
min
,d
max
)，则巴特沃斯带通滤波器的下限截止频率f
l
和上限截止频率fh分别由式(2)和式(3)给出
[0062]fl
＝2sd
min
/c
ꢀꢀꢀ
(2)
[0063]fh
＝2sd
max
/c
ꢀꢀꢀ
(3)
[0064]
式(2)、(3)中，c表示光速。
[0065]
步骤2-2：使用自适应滤波器对信号if
′i[n]进行滤波，去除人体随机运动带来的噪声，得到信号if
″i[n]。
[0066]
本实施例中，自适应滤波器为归一化最小均方滤波器；
[0067]
步骤2-3：对信号if
″i[n]进行快速傅里叶变换，得到其频谱ifi[n]。
[0068]
步骤2-4：使用式(4)计算发射第i个线性调频脉冲信号时的心脏相对位移x[i]：
[0069][0070]
式(4)中，n为中频信号ifi[n]包含的采样点个数。
[0071]
步骤3：计算心脏相对位移的变化周期t，并根据变化周期t将步骤2获得的心脏相对位移数据进行分段，得到一系列单周期心脏相对位移x0[n],x1[n],
…
,xm[n]。
[0072]
步骤3中，采用以下步骤计算变化周期t：
[0073]
步骤3-1：由式(5)对心脏相对位移x[i]计算相关系数corr(l)
[0074][0075]
式(5)中，hr
min
/60
×fs
≤l≤hr
max
/60
×fs
，hr
min
和hr
max
分别为预设的心率最小值和最大值，本实施例中，hr
min
＝48，hr
max
＝120，fs为脉冲信号的发射频率。
[0076]
步骤3-2：由式(6)计算得到心脏相对位移变化周期t
[0077]
t＝arg max
l corr(l)
ꢀꢀꢀ
(6)
[0078]
步骤4：对步骤3得到的一系列单周期心脏相对位移x0[n],x1[n],
…
,xm[n]中的第j个单周期心脏相对位移xj[n]进行特征提取，得到该段相对位移的特征向量vj，其中，0≤j≤m。所有特征向量构成了采集到的人员特征向量序列v＝[v0,v1,
…
,vm]。
[0079]
步骤4中，对第j个单周期心脏相对位移xj[n]进行特征提取具体包括以下步骤：
[0080]
步骤4-1：在心脏相对位移信号xj[n]中找到两个区域极大值x
max1
和x
max2
，它们的对应时间分别为n
max1
和n
max2
。这两个区域极大值分别代表了心房完全充盈和心室完全充盈时心脏的相对位移。
[0081]
步骤4-2：在两个区域极大值x
max1
和x
max2
之间找到一个区域极小值x
min
，它的对应时间为n
min
，且有n
max1
≤n
min
≤n
max2
。这个区域极小值代表了房室瓣打开时心脏的相对位移。
[0082]
步骤4-3：构建向量vj＝[x
max1
,x
max2
,x
min
,n
max1
,n
max2
,n
min
]，作为该段相对位移的特征向量。
[0083]
结合图2，本实施例还公开一种基于人员特征的人员识别方法，具体包括以下步骤：
[0084]
步骤1：在待识别区域内，利用前述的基于心脏雷达信号的人员特征提取方法，获取人员特征向量序列v＝[v0,v1,
…
]。
[0085]
步骤2：在人员特征向量序列v＝[v0,v1,
…
]上使用一前一后两个等长检测滑窗选取特征向量序列片段，将所使用的两个等长检测滑窗分别定义为后滑窗及前滑窗，后滑窗的起始位置为前滑窗的结束位置。设前滑窗起始时刻为t，滑窗长度为swl，则前后两个特征向量序列片段分别为va＝[v
t
,v
t+1
,
…
,v
t+swl-1
]，vb＝[v
t+swl
,v
t+swl+1
,
…
,v
t+2swl-1
]。
[0086]
步骤3：分别将特征向量序列片段va和vb送入经过预训练的机器学习模型进行特征聚合得到聚合特征向量v
af
和v
bf
，这两个特征向量为整个滑窗范围内的人员特征。
[0087]
步骤3中，机器学习模型的获取方式包括以下步骤：
[0088]
步骤3-1：利用前述的基于心脏雷达信号的人员特征提取方法，在不同时间、不同环境下，对足够多人采集足够长的人员特征向量序列。
[0089]
步骤3-2：按预设的滑窗长度，将通过步骤3-1得到的特征向量序列切分为特征向量序列片段。
[0090]
步骤3-3：建立具有自编码器结构的机器学习模型，以最小化重构误差为标准，使用采集到的特征向量序列片段对模型进行自监督训练。训练完成后，使用模型的编码器部分进行特征提取。
[0091]
本实施例中，使用的机器学习模型可以是lstm、gru等深度序列模型。
[0092]
步骤4：对聚合特征向量v
af
和v
bf
，由式(7)计算得到其夹角余弦值：
[0093][0094]
步骤5：将获得的所有余弦值分别与预设阈值进行比较，若某一余弦值小于预设阈值，则认定在当前检测滑窗的时间范围内的人员识别结果存在异常。
技术特征：1.一种基于心脏雷达信号的人员特征提取方法，其特征在于，包括如下步骤：步骤1：利用雷达的信号合成器生成多个线性调频脉冲信号，由发射天线发射由该多个线性调频脉冲信号组成的脉冲信号序列，同时由接收天线接收环境反射信号；由混频器将发射信号和接收信号进行混合，生成中频信号序列if0(t)，if1(t)，...，if
k
(t)；步骤2：对中频信号序列if0(t)，if1(t)，...，if
k
(t)中的第i个中频信号if
i
(t)进行采样得到数字信号if
i
[n]，并对得到的数字信号进行处理，得到发射第i个线性调频脉冲信号时心脏的相对位移x[i]，其中，0≤i≤k，具体包括以下步骤：步骤2-1：使用滤波器对中频信号if
i
[n]进行滤波，去除电磁干扰、距离过近和距离过远的点带来的噪声，得到信号if
′
i
[n]；步骤2-2：使用自适应滤波器对信号if
′
i
[n]进行滤波，去除人体随机运动带来的噪声，得到信号if
″
i
[n]；步骤2-3：对信号if
″
i
[n]进行快速傅里叶变换，得到其频谱if
i
[n]；步骤2-4：使用下式计算发射第i个线性调频脉冲信号时的心脏相对位移x[i]：式中，n为中频信号if
i
[n]包含的采样点个数；步骤3：计算心脏相对位移的变化周期t，并根据变化周期t将步骤2获得的心脏相对位移数据进行分段，得到一系列单周期心脏相对位移x0[n]，x1[n]，
…
，x
m
[n]；步骤4：对步骤3得到的一系列单周期心脏相对位移x0[n]，x1[n]，...，x
m
[n]中的第j个单周期心脏相对位移x
j
[n]进行特征提取，得到该段相对位移的特征向量v
j
，0≤j≤m，其中，对第j个单周期心脏相对位移x
j
[n]进行特征提取具体包括以下步骤：步骤4-1：在心脏相对位移信号x
j
[n]中找到两个区域极大值x
max1
和x
max2
，两个区域极大值x
max1
和x
max2
的对应时间分别为n
max1
和n
max2
；步骤4-2：在两个区域极大值x
max1
和x
max2
之间找到一个区域极小值x
min
，区域极小值x
min
的对应时间为n
min
，且有n
max1
≤n
min
≤n
max2
；步骤4-3：构建向量v
j
＝[x
max1
，x
max2
，x
min
，n
max1
，n
max2
，n
min
]，作为该段相对位移的特征向量；所有特征向量构成了采集到的人员特征向量序列v＝[v0，v1，...，v
m
]。2.如权利要求1所述的一种基于心脏雷达信号的人员特征提取方法，其特征在于，步骤1中，单个线性调频脉冲信号的表达式由下式给出p(t)＝sin(2π(f
c
+st)t)式中，f
c
为脉冲信号的起始频率，s为脉冲信号的频率斜率，0≤t≤t
c
，t
c
为脉冲信号的持续时间。3.如权利要求1所述的一种基于心脏雷达信号的人员特征提取方法，其特征在于，步骤2-1中，滤波器为巴特沃斯带通滤波器。设待识别人员心脏距雷达的距离范围区间为(d
min
，d
max
)，则巴特沃斯带通滤波器的下限截止频率f
l
和上限截止频率f
h
分别由下式给出：f
l
＝2sd
min
/cf
h
＝2sd
max
/c式中，c表示光速。
4.如权利要求1所述的一种基于心脏雷达信号的人员特征提取方法，其特征在于，步骤3中，采用以下步骤计算变化周期t：步骤3-1：由下式对心脏相对位移x[i]计算相关系数corr(l)式中，hr
min
/60
×
f
s
≤l≤hr
max
/60
×
f
s
，hr
min
和hr
max
分别为预设的心率最小值和最大值，f
s
为脉冲信号的发射频率；步骤3-2：计算得到心脏相对位移变化周期t，t＝arg max
l
corr(l)。5.一种基于心脏雷达信号的人员识别方法，采用权利要求1所述的基于心脏雷达信号的人员特征提取方法，其特征在于，包括以下步骤：步骤s1：在待识别区域内，利用权利要求1所述的基于心脏雷达信号的人员特征提取方法获取人员特征向量序列v＝[v0，v1，...]；步骤s2：在人员特征向量序列v＝[v0，v1，...]上使用一前一后两个等长检测滑窗选取特征向量序列片段，将所使用的两个等长检测滑窗分别定义为后滑窗及前滑窗，后滑窗的起始位置为前滑窗的结束位置；设前滑窗起始时刻为t，滑窗长度为swl，则前后两个特征向量序列片段分别为v
a
＝[v
t
，v
t+1
，...，v
t+swl-1
]，v
b
＝[v
t+swl
，v
t+swl+1
，...，v
t+2swl-1
]；步骤s3：分别将特征向量序列片段v
a
和v
b
送入经过预训练的机器学习模型进行特征聚合得到聚合特征向量v
af
和v
bf
；步骤s4：对聚合特征向量v
af
和v
bf
，由下式计算得到其夹角余弦值cos(θ)：步骤5：将获得的所有余弦值分别与预设阈值进行比较，若某一余弦值小于预设阈值，则认定在当前检测滑窗的时间范围内的人员识别结果存在异常。6.如权利要求5所述的一种基于心脏雷达信号的人员识别方法，其特征在于，步骤s3中，机器学习模型的获取方式包括以下步骤：步骤s3-1：利用权利要求1所述的基于心脏雷达信号的人员特征提取方法，在不同时间、不同环境下，对足够多人采集足够长的人员特征向量序列；步骤s3-2：按预设的滑窗长度，将通过步骤s3-1得到的特征向量序列切分为特征向量序列片段；步骤s3-3：建立具有自编码器结构的机器学习模型，以最小化重构误差为标准，使用采集到的特征向量序列片段对模型进行自监督训练。训练完成后，使用模型的编码器部分进行特征提取。
技术总结本发明要解决的技术问题是：现有的基于心脏雷达信号的人员识别方法只使用了原始的心脏位移信号作为认证模型输入，没有对其进行特征提取从而得到具有代表性的特征。为了解决上述技术问题，本发明的一个技术方案是提供了一种基于心脏雷达信号的人员特征提取方法。本发明的另一个技术方案是提供了一种基于心脏雷达信号的人员识别方法，采用上述的基于心脏雷达信号的人员特征提取方法。本发明提出的人员识别方法不依赖视觉特征，不易受到环境改变和人为视觉伪装的影响；本发明只需采集雷达信号，无须录制音视频，能更好地保护被识别者的隐私；本发明使用毫米波雷达采集人员特征，识别过程中不需要被识别者配合，更容易实现无感识别和持续识别。识别和持续识别。识别和持续识别。
技术研发人员：王瑜 佘盼 杨佐鹏 付越 申成日 张敬谊 丁偕
受保护的技术使用者：万达信息股份有限公司
技术研发日：2022.07.22
技术公布日：2022/11/1
