基于深度学习的抗干扰毫米波雷达活体检测方法及系统

本发明涉及目标检测，更具体的说是涉及一种基于深度学习的抗干扰毫米波雷达活体检测方法及系统。

背景技术：

1、毫米波雷达鉴于其高分辨率成像能力、穿透能力以及抗干扰能力常被用于目标识别、跟踪和定位领域，然而针对毫米波雷达微动信号识别时，对于干扰信号的去除往往采用经验法。毫米波雷达作为一种非接触式生物识别技术，具有穿透力强、无辐射危害等优势，使其逐渐成为生物特征识别领域的研究热点之一。然而，传统的毫米波雷达技术在面对复杂环境的冷血生物信号识别时存在技术缺口，主要包括以下几点：1.毫米波雷达在采集微弱生命信号时常受到震动噪声、环境电磁干扰、热噪声以及随机噪声等影响，导致原始信号质量较低，直接将原始信号送入神经网络学习会导致噪声被错误学习为特征，从而影响分类准确度；2.传统毫米波雷达生命识别系统的识别对象常为人体、犬只等温血动物，在面对冷血活体检测时存在部分技术空缺；3.对于实时应用（如安全检查点或入场系统），现有技术的处理速度可能不足以支持快速准确的活体检测，这在需要大量数据处理和复杂算法运算的情况下尤为突出；4.冷血活体的雷达数据采集无公开数据集，而传统降噪模型需要理想信号，因此采用传统降噪模型很难实现对冷血活体的雷达数据进行降噪，导致分类准确率降低，从而降低系统的可信度和实用性。

2、因此，如何提高毫米波雷达活体检测的效率和准确性是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于深度学习的抗干扰毫米波雷达活体检测方法及系统，引入深度学习用于信号干扰去除，可以增加毫米波雷达微动信号的识别准确率，提高系统的实用性。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于深度学习的抗干扰毫米波雷达活体检测方法，包括以下步骤：

4、步骤1：采集雷达信号数据，构建数据集；步骤2：构建pmunet降噪网络，利用pmunet降噪网络对数据集进行去噪，获得降噪数据集；步骤3：构建tpreunet分类网络，利用降噪数据集采用滑动窗口提取特征对tpreunet分类网络进行训练，获得活体检测模型；步骤4：采集待检测雷达信号，输入pmunet降噪网络进行降噪处理后输入活体检测模型，获得检测结果。

5、优选的，pmunet降噪网络包括依次连接的physical降噪模块、munet降噪模块和msff多尺度特征融合块。physical降噪模块通过多重滤波实现对数据集的初步背景噪声去除，physical降噪模块实现相位解缠绕，从而确保相位值在连续范围内，避免产生相位值的跳变问题。

6、优选的，physical降噪模块包括依次连接的unwrap_phase层、jump_threshold层、signal_detrend函数、filter滤波器和stack_data层；filter滤波器由fir滤波器和iir滤波器组成。unwrap_phase层进行相位解缠绕；jump_threshold检测并调整相位值突变；signal_detrend函数对解缠绕后的相位数据进行去趋势操作，去除数据中的线性趋势，以减少慢变化的影响；filter滤波器实现复合滤波，使用数据填充处理边界效应；stack_data将处理后的相位数据与原始幅值数据堆叠在一起，并将数据转换为npy格式，方便后续的深度降噪与数据训练。

7、优选的，munet降噪模块包括依次连接的unetconvblock编码器、unetupblock解码器和跳跃连接块；unetconvblock编码器包括若干编码子空间模块，每个编码子空间模块包括依次连接的第一卷积层、第一激活函数层、第二卷积层、第二激活函数层和降采样层；unetupblock解码器包括若干解码子空间模块，每个解码子空间模块包括依次连接的反卷积层、第一卷积层、第一激活函数层、第二卷积层和第二激活函数层，每个解码子空间模块的反卷积层通过跳跃连接模块对应连接一个编码子空间模块的降采样层。

8、unetconvblock编码器的卷积层和激活函数层用于非线性特征提取，采样层可以将特征图的空间分辨率减半，通道数相应增加；unetupblock解码器的反卷积层用于将特征图的空间分辨率放大一倍，同时适当调整通道数，反卷积层的输出与相应的编码器阶段输出进行跳跃连接，以提供更丰富的信息流，解码器的输出特征图逐步恢复到输入图像相同的尺寸和通道数；子空间模块将输入特征图重新映射到一个低维表示空间，从而降低噪声敏感性并使特征图具有更高的信息密度和一个更加有效的表示空间；跳跃连接块作用于浅层与深层之间，保留低层次的细节信息，同时增加网络的非线性，使网络融合多尺度信息，更高效的降低噪声。编码子空间模块为unetconvblock块，unetconvblock编码器包括unetconvblock1、unetconvblock2、unetconvblock3、unetconvblock4，每个unetconvblock均包括第一卷积层、第一激活函数层、第二卷积层、第二激活函数层和降采样层，msff多尺度特征融合块插入到不同unet convblock之间，可以有效提升网络的感受野，捕捉更多的上下文信息，从而提升降噪性能。解码子空间模块为unetupblock块，unetupblock解码器包括unetupblock1、unetupblock2、unetupblock3、unetupblock4，每个unetupblock均包括反卷积层、第一卷积层、第一激活函数层、第二卷积层和第二激活函数层，每一个unetconvblock通过跳跃连接块连接一个unetupblock。跳跃连接块包括unetconvblock块。

9、优选的，msff多尺度特征融合块包括依次连接的第一卷积层、第一激活函数层、第二卷积层、膨胀卷积层、平均池化层、拼接层和第三卷积层；膨胀卷积层包括膨胀率分别为6、9、12的1×3卷积层。使用带有多种膨胀率的膨胀卷积层扩大感受野，增加特征提取感受野，再通过特征拼接和平均池化操作提升模型的平移不变性。

10、优选的，tpreunet分类网络包括依次连接的preunet模块、encoder模块、softmax层和两个线性层（linear1、linear2）。使用preunet模块接收输入数据并传递给下一层；含有多个block的encoder模块用于多层的特征提取和表示学习；softmax层和两个线性层（linear1、linear2）用于生成最终的分类输出，输出的检测结果为活体或非活体。

11、优选的，preunet模块的网络结构为依次连接的初始卷积层、中间卷积层、残差块和分类器tokens；初始卷积层包括依次连接的两个conv1d、batchnorm1d和gelu激活函数，数据首先经两个conv1d并用batchnorm1d对卷积结果进行批归一化，再使用gelu激活函数实现非线性激活；中间卷积层包括依次连接的maxpool1d、dropout、conv1d和gelu激活函数，使用maxpool1d实现池化操作，dropout防止过拟合，继续增加conv1d与gelu激活函数，并将输出的特征图送入残差块中；分类器tokens包括依次连接的token1、token2和token_bricks。

12、优选的，encoder模块包括依次连接的若干个layernorm归一化层和若干个block块；每个block块包括attention模块和前馈神经网络mlp；layernorm归一化层包括att_norm和ffn_norm，其中att_norm对降噪数据集中数据h进行层归一化，确保数据的均值和方差稳定并调用attention模块，计算多头注意力机制中的注意力权重，随后采用残差模块连接降噪数据集中数据h和attention模块，将数据h加到注意力机制的输出中，ffn_norm对注意力机制后的输出进行层归一化，并使数据通过前馈神经网络mlp，随后采用残差模块连接注意力机制的输出和前馈神经网络mlp的输出，将数据h加到前馈神经网络mlp的输出中。前馈神经网络mlp包括两个线性层和一个激活函数；encoder类的forward方法中，数据会依次通过所有block块，每个block块的输出会作为下一个block块的输入，最终输出的数据经过所有block块的处理，获得的hidden_states经层归一化后作为encoder模块的输出。

13、优选的，两个线性层中线性层linear1构建全连接层head1，线性层linear2构建全连接层head2。self.head=nn.sequential(nn.linear(，)）这里head1和head2分别为由一个线性层组成的nn.sequential模块。

14、优选的，在训练tpreunet分类网络时采用交叉熵损失函数和adam优化器进行优化，获得活体检测模型。

15、一种基于深度学习的抗干扰毫米波雷达活体检测系统，包括电源、上位机、数据采集固定底座、数据采集角度控制旋钮、角度控制配件、雷达板固定支架、毫米波雷达传感器、信号处理器、电源与交互接口；上位机内加载有pmunet降噪网络和tpreunet分类网络；数据采集角度控制旋钮和雷达板固定支架固定在角度控制配件上，角度控制配件旋转固定在数据采集固定底座上，毫米波雷达传感器固定在雷达板固定支架上，毫米波雷达传感器上设置有相连的信号处理器、电源与交互接口，电源与交互接口分别连接电源和上位机；通过数据采集角度控制旋钮控制毫米波雷达传感器采集不同角度的若干雷达信号数据，并依次经过信号处理器、电源与交互接口传输至上位机，经pmunet降噪网络和tpreunet分类网络处理后，获得检测结果。

16、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于深度学习的抗干扰毫米波雷达活体检测方法及系统，用于检测冷血活体信号，其中利用深度学习算法对毫米波雷达采集的微弱生命信号进行高效处理和特征提取，进行抗干扰训练，实现信号二分类（活体类与非活体类的分类），以提升活体检测的准确性和鲁棒性，本发明在安防、人机交互等领域具有广泛的应用前景。具体的，通过控制信号采集范围，采集在规定范围内的毫米波雷达信号，构建数据集；设计微动数据混合抗干扰的pmunet降噪网络对数据集进行降噪处理，主要体现为使用物理信息的降噪处理作为unetd网络的前置，实现了复合滤波与去趋势操作，这将使unetd网络在提取特征时更加精确；同时unetd网络嵌入了msff多尺度特征融合块，体现在选择不同尺度的膨胀卷积增加感受野，使得多尺度特征被提取并融合，从而捕获活体数据的特性，在此基础上通过设置的合适的子空间模块，使得特征图具有更高的信息密度和一个更加有效的表示空间，从而有效降低噪声；设计适用于微弱信号的tpreunet分类网络，对采集的毫米波雷达信号进行活体检测实现二分类，具体的，使用preunet接收输入数据并传递给下一层；含有多个block的encoder结构用于多层的特征提取和表示学习；softmax层以及两个线性层用于生成最终的分类输出。整个网络运用滑动窗口，对网络进行遍历特征提取，相当于把每一个特征图分成了很多个小的子图，并添加token，在多头注意力机制下训练，实现对毫米波雷达冷血活体数据的高效分类。

技术特征：

1.一种基于深度学习的抗干扰毫米波雷达活体检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的抗干扰毫米波雷达活体检测方法，其特征在于，pmunet降噪网络包括依次连接的physical降噪模块、munet降噪模块和msff多尺度特征融合块。

3.根据权利要求2所述的基于深度学习的抗干扰毫米波雷达活体检测方法，其特征在于，physical降噪模块包括依次连接的unwrap_phase层、jump_threshold层、signal_detrend函数、filter滤波器和stack_data层；filter滤波器由fir滤波器和iir滤波器组成。

4.根据权利要求2所述的基于深度学习的抗干扰毫米波雷达活体检测方法，其特征在于，munet降噪模块包括依次连接的unetconvblock编码器、unetupblock解码器和跳跃连接块；unetconvblock编码器包括若干编码子空间模块，每个编码子空间模块包括依次连接的第一卷积层、第一激活函数层、第二卷积层、第二激活函数层和降采样层；unetupblock解码器包括若干解码子空间模块，每个解码子空间模块包括依次连接的反卷积层、第一卷积层、第一激活函数层、第二卷积层和第二激活函数层，每个解码子空间模块的反卷积层通过跳跃连接模块对应连接一个编码子空间模块的降采样层。

5.根据权利要求2所述的基于深度学习的抗干扰毫米波雷达活体检测方法，其特征在于，msff多尺度特征融合块包括依次连接的第一卷积层、第一激活函数层、第二卷积层、膨胀卷积层、平均池化层、拼接层和第三卷积层；膨胀卷积层包括膨胀率分别为6、9、12的1×3卷积层。

6.根据权利要求1所述的基于深度学习的抗干扰毫米波雷达活体检测方法，其特征在于，tpreunet分类网络包括依次连接的preunet模块、encoder模块、softmax层和两个线性层。

7.根据权利要求6所述的基于深度学习的抗干扰毫米波雷达活体检测方法，其特征在于，preunet模块包括依次连接的初始卷积层、中间卷积层、残差块和分类器tokens；初始卷积层包括依次连接的两个conv1d、batchnorm1d和gelu激活函数；中间卷积层包括依次连接的maxpool1d、dropout、conv1d和gelu激活函数；分类器tokens包括依次连接的token1、token2和token_bricks。

8.根据权利要求6所述的基于深度学习的抗干扰毫米波雷达活体检测方法，其特征在于，encoder模块包括依次连接的若干个layernorm归一化层和若干个block块；每个block块包括attention模块和前馈神经网络mlp。

9.根据权利要求6所述的基于深度学习的抗干扰毫米波雷达活体检测方法，其特征在于，两个线性层中一个线性层构建全连接层head1，另一个线性层构建全连接层head2。

10.一种基于深度学习的抗干扰毫米波雷达活体检测系统，其特征在于，采用上述权利要求1-9任一项所述的基于深度学习的抗干扰毫米波雷达活体检测方法，包括电源、上位机、数据采集固定底座、数据采集角度控制旋钮、角度控制配件、雷达板固定支架、毫米波雷达传感器、信号处理器、电源与交互接口；上位机内加载有pmunet降噪网络和tpreunet分类网络；数据采集角度控制旋钮和雷达板固定支架固定在角度控制配件上，角度控制配件旋转固定在数据采集固定底座上，毫米波雷达传感器固定在雷达板固定支架上，毫米波雷达传感器上设置有相连的信号处理器、电源与交互接口，电源与交互接口分别连接电源和上位机；通过数据采集角度控制旋钮控制毫米波雷达传感器采集不同角度的若干雷达信号数据，并依次经过信号处理器、电源与交互接口传输至上位机，经pmunet降噪网络和tpreunet分类网络处理后，获得检测结果。

技术总结
本发明公开了一种基于深度学习的抗干扰毫米波雷达活体检测方法及系统，涉及目标检测技术领域，方法包括以下步骤：步骤1：采集雷达信号数据，构建数据集；步骤2：构建PMUnet降噪网络，利用PMUnet降噪网络对数据集进行去噪，获得降噪数据集；步骤3：构建TPreUnet分类网络，利用降噪数据集采用滑动窗口提取特征对TPreUnet分类网络进行训练，获得活体检测模型；步骤4：采集待检测雷达信号，输入活体检测模型，获得检测结果。本发明通过引入深度学习用于信号干扰去处可以增加毫米波雷达微动信号的识别准确率，提高系统的可实用性。

技术研发人员：李燕,唐晨飞,梁培,贺云,张玉禄
受保护的技术使用者：中国计量大学
技术研发日：
技术公布日：2024/9/23