![](https://img-blog.csdnimg.cn/20190918140053667.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
【毕业设计】雷达与深度学习摔倒检测
文章平均质量分 83
使用多普勒雷达的居家检测具有良好的隐私保护,不易受环境因素(如光照、温度等)影响的优势,近年来成为国内外学者的研究热点。基于雷达与深度学习的摔倒检测研究如何使用深度学习方法应用于雷达频谱图分类,进而识别不同人体姿态。
洋洋Young
大学主修微电子专业,参加过全国大学生数学建模竞赛(省三等奖),目前任职FPGA开发工程师,从事视频图像处理相关工作,欢迎交流~
展开
-
【毕业设计】基于雷达与深度学习的摔倒检测——卷积自编码器
卷积神经网络(Convolutional Neural Network, CNN)是一种特殊的神经网络,与传统的图像处理算法相比,卷积神经网络的优势在于可以直接对原始图像进行特征提取,避免了复杂的处理过程。随着 LeNet-5 网络成功应用在手写数字识别领域,卷积神经网络已成为计算机视觉的研究热点。本文主要介绍卷积自编码器(Convolutional Auto-Encoder, CAE)的基本结构与工作原理。原创 2023-12-31 16:38:36 · 933 阅读 · 0 评论 -
【毕业设计】基于雷达与深度学习的摔倒检测——雷达数据集处理
雷达原始数据是时域非平稳信号,快速傅里叶变换(Fast Fourier Transformation, FFT)不能很好地提取微多普勒效应的模式特征。因此短时傅里叶变换(Short Time Fourier Transformation, STFT)被应用于雷达信号的时频谱分析。本文主要介绍雷达数据集的预处理过程,包括时频谱图的中值滤波与 SVD 分解。原创 2023-12-29 21:02:47 · 1060 阅读 · 2 评论 -
【毕业设计】基于雷达与深度学习的摔倒检测——短时傅里叶变换
在雷达的探测过程中,雷达信号合成器产生一个高频的连续波信号,该信号的瞬时频率随时间线性增加。这种类型的信号也被称为线性调频脉冲信号。雷达回波信号包含人体动作的特征信息,由于雷达信号是非平稳信号,需要采用相应的处理方式,例如短时傅里叶变换,小波变换。原创 2023-12-05 13:20:32 · 672 阅读 · 0 评论 -
【毕业设计】基于雷达与深度学习的摔倒检测——微多普勒效应
运动物体的微多普勒效应为人体动作识别提供了可能,基于雷达的居家检测具有良好的隐私保护性,且不易受环境因素影响(如光照、温度等),近年来已受到国内外学者的广泛关注。由于雷达信号的非平稳特性,通过短时傅里叶变换或者小波变换等数字信号处理方法,揭示人体运动情况的多普勒与微多普勒特征已经能够很好地显示出来,这为基于雷达地人体摔倒检测提供了理论基础。原创 2023-12-03 10:45:14 · 748 阅读 · 0 评论 -
【毕业设计】基于雷达与深度学习的摔倒检测——摔倒检测模型的评估
当卷积神经网络训练好之后,使用雷达数据集的验证集对四种不同规模神经网络进行验证,以选出最优的卷积核大小和卷积核个数。将测试集数据输入训练好的人体摔倒检测模型,对模型的泛化能力进行评估。原创 2023-04-16 21:23:19 · 504 阅读 · 0 评论 -
【毕业设计】基于雷达与深度学习的摔倒检测——摔倒检测模型的训练
在使用多普勒雷达的居家检测中,雷达回波信号包含人体动作的特征信息。基于雷达与深度学习的摔倒检测方法处于起步阶段,对于人体不同姿态(如站立、坐下、摔倒等动作)的分类与识别方法尚未成熟。本课题研究如何应用深度学习方法,对经过 STFT 变换得到的雷达时频谱图进行分类。原创 2023-04-08 15:08:05 · 840 阅读 · 0 评论 -
【毕业设计】基于雷达与深度学习的摔倒检测——雷达时频谱图分类模型
在使用多普勒雷达的居家检测中,雷达回波信号包含人体动作的特征信息。基于雷达与深度学习的摔倒检测方法处于起步阶段,对于人体不同姿态(如站立、坐下、摔倒等动作)的分类与识别方法尚未成熟。本课题研究如何应用深度学习方法,对经过 STFT 变换得到的雷达时频谱图进行分类。原创 2022-11-16 23:11:42 · 390 阅读 · 0 评论 -
【毕业设计】基于雷达与深度学习的摔倒检测——雷达数据集的建立
运动物体的微多普勒效应为人体动作识别提供了可能,基于雷达的居家检测具有良好的隐私保护性,且不易受环境因素影响(如光照、温度等),近年来已受到国内外学者的广泛关注。基于雷达与深度学习的摔倒检测使用自建的雷达数据集进行人体摔倒检测的研究。雷达数据集的建立分为雷达数据采集和雷达数据处理两部分工作。原创 2023-03-24 22:56:26 · 1822 阅读 · 5 评论