Reconocimiento de acciones humanas basado en radar FMCW utilizando bloques residuales convolucionales asimétricos

El reconocimiento de acciones humanas basado en datos de video óptico e infrarrojo se ve fuertemente afectado por el entorno, y la extracción de características en los métodos de clasificación tradicionales de aprendizaje automático es compleja; por lo tanto, este artículo propone un método para el reconocimiento de acciones humanas utilizando radar de onda continua modulada en frecuencia (FMCW) basado en una red residual convolucional asimétrica. Primero, se analizan y procesan los datos del eco del radar para extraer los espectrogramas en el dominio del tiempo micro-Doppler de diferentes acciones. En segundo lugar, se adopta una estrategia que combina la convolución asimétrica y la función de activación Mish en el bloque residual de la red ResNet18 para abordar las limitaciones de las transformaciones lineales y no lineales en el bloque residual para el reconocimiento del espectro micro-Doppler. Este enfoque tiene como objetivo mejorar la capacidad de la red para aprender características de manera efectiva. Finalmente, se integra el Módulo de Atención de Bloque Convolucional Mejorado (ICBAM) en el bloque residual para mejorar la atención y comprensión del modelo hacia los datos de entrada. Los resultados experimentales demuestran que el método propuesto alcanza una alta precisión del 98.28% en el reconocimiento y clasificación de acciones dentro de escenas complejas, superando los enfoques clásicos de aprendizaje profundo. Además, este método mejora significativamente la precisión de reconocimiento para acciones con características micro-Doppler similares y demuestra un excelente rendimiento de reconocimiento frente al ruido.