基于WGAN-div和CNN的毫米波雷达人体动作识别方法

摘要

针对基于毫米波雷达的人体动作识别数据集规模小导致的模型过拟合问题，提出一种基于Wasserstein散度生成对抗网络（WGAN-div）与卷积神经网络（CNN）的联合识别方法。首先，通过搭建毫米波雷达平台采集人体动作的雷达回波数据，经预处理生成微多普勒时频谱图；其次，利用WGAN-div模型学习时频谱图特征分布，生成高质量扩充数据以缓解数据不足；最后，构建浅层CNN模型实现动作分类。实验结果表明，所提方法在6类人体动作识别任务中准确率达98.17%，较深度卷积生成对抗网络（DCGAN）和带梯度惩罚的Wasserstein生成对抗网络（WGAN-gp）分别提升1.67%和0.87%。该方法通过取消Lipschitz约束优化生成质量，有效解决了小样本场景下的识别性能下降问题，为雷达数据增强与动作识别提供了一种新思路。

关键词

毫米波雷达 / 人体动作识别 / Wasserstein散度生成对抗网络 / 卷积神经网络 / 小样本学习 / 微多普勒时频谱 / 雷达数据增强