Détection des mouvements humains par l’analyse tempsfréquence des signaux micro-Doppler et l’intelligence artificielle

Abstract

L’analyse des mouvements humains à l’aide de signatures micro-Doppler suscite un intérêt croissant, notamment pour les applications de surveillance, de biométrie et de sécurité civile et militaire. La plupart des études précédentes s'appuyaient sur des caméras vidéo et autres capteurs portables pour collecter des données sur l'activité humaine. Cependant, l’un des principaux inconvénients des systèmes basés sur la vision est leur limitation dans les environnements où la visibilité est réduite. En outre, compromettre la confidentialité peut nuire au bien-être des utilisateurs et à leur confiance dans les systèmes de santé en particulier. Par conséquent, la protection de la confidentialité des utilisateurs et de la sécurité des données est cruciale pour les applications de télésurveillance médicale et militaire. Les capteurs radar présentent l'avantage potentiel de capturer des données d'activité humaine tout en préservant la confidentialité de l'utilisateur. De ce point de vue, ce travail porte sur la détection et la classification des mouvements humains de marche et de course, qu'ils soient effectués par une ou plusieurs personnes, en exploitant l'analyse temps-fréquence des signaux micro-Doppler. Tout d’abord, nous traitons les signaux radar en utilisant une analyse temps-fréquence de haute résolution. Parmi les méthodes existantes, une famille spécifique de distributions temps-fréquence quartiques est utilisée pour convertir les tracés TF des signaux étudiés en images d'entrée pour les classifieurs. Plus précisément, nous utilisons une représentation compacte à noyau polynomial appelée distribution polynomiale de Cheriet-Belouchrani (PCBD). Cette dernière sert à extraire des caractéristiques distinctives de différentes classes de mouvement humain. Ensuite, ces caractéristiques sont exploitées pour une classification automatique à l’aide d’algorithmes d’intelligence artificielle. Nous mettons en œuvre des méthodes d’apprentissage automatique (Machine Learning), notamment Support Vector Machine (SVM). De plus, nous intégrons des approches d’apprentissage profond (deep learning), telles que les réseaux de neurones convolutifs (CNNs) pour améliorer la robustesse et la précision de la classification. Les résultats obtenus confirment la robustesse des modèles CNN utilisés en combinaison avec l’analyse temps-fréquence réalisée par la PCBD, atteignant une précision de test parfaite de 100%. Mots-clés : Analyse temps-fréquence, signaux micro-Doppler, classification, SVM, apprentissage automatique, apprentissage profond, reconnaissance d’activité humaine, CNNs. Abstract Human activity recognition (HAR) using micro-Doppler signatures is attracting growing interest, particularly for surveillance, biometrics, and civil and military security applications. Most previous studies have relied on video cameras and other wearable sensors to collect data on human activity. However, a major drawback of vision-based systems is their limitation in environments where visibility is reduced. Moreover, compromising privacy can negatively impact users’ well-being and trust in healthcare systems in particular. Therefore, maintaining user privacy and data security is crucial for remote health monitoring and military applications. Radar sensors have the potential advantage of capturing human activity data while preserving the user’s privacy. From this perspective, this work focuses on the detection and classification of human walking and running movements, whether performed by one person or group of persons, by exploiting time-frequency analysis of micro-Doppler signals. First, we process the radar signals using high-resolution time-frequency analysis. Among the existing methods, a specific family of quadratic time-frequency distributions (QTFDs) is employed to convert the TF plots of the micro-Doppler signals into input images to the investigated classifiers. Specifically, we utilize a compact kernel representation called the Polynomial Cheriet-Belouchrani distribution (PCBD). The latter is used to extract distinctive characteristics of different classes of human movement. Then, these features are used for automatic classification using artificial intelligence algorithms. We implement machine learning methods, including Support Vector Machine (SVM). Additionally, we integrate deep learning approaches, such as convolutional neural networks (CNNs) to improve classification robustness and accuracy. The results obtained confirm the robustness of the CNN models used in combination with the time-frequency analysis performed by the PCBD, achieving a perfect test accuracy of 100%. Keywords : Time-frequency analysis, micro-Doppler signals, SVM classification, machine learning, deep learning, human activity recognition, CNNs.

ملخص يجذب التعرّف على النشاط البشري (HAR) باستخدام إشارات دوبلر الدقيقة اهتمامًا متزايدًا، لا سيما في تطبيقات المراقبة والقياسات الحيوية والأمن المدني والعسكري. اعتمدت معظم الدراسات السابقة على كاميرات الفيديو وأجهزة استشعار أخرى محمولة لجمع بيانات النشاط البشري. ومع ذلك، فإن العيب الرئيسي لأنظمة الرؤية هو محدوديتها في البيئات التي تكون فيها الرؤية منخفضة. إضافة إلى ذلك، فإن انتهاك الخصوصية قد يؤثر سلبًا على سلامة المستخدمين وثقتهم بأنظمة الرعاية الصحية خصوصا. لذلك، يُعدّ الحفاظ على خصوصية المستخدم وأمن بياناته أمرًا بالغ الأهمية لمراقبة الصحة عن بُعد، وكذلك في كلما يتعلق بالتطبيقات العسكرية. تتميز أجهزة استشعار الرادار بميزة التقاط بيانات النشاط البشري مع الحفاظ على خصوصية المستخدم. من هذا المنظور، يركز هذا العمل على كشف وتصنيف حركات المشي والجري البشرية، سواءً قام بها شخص واحد أو مجموعة أشخاص، من خلال الاستفادة من التحليل الزمني-الترددي لإشارات دوبلر الدقيقة.

بادئا ذي بدأ، نقوم بمعالجة الإشارات الرادارية باستخدام تحليل زمني-ترددي عالي الدقة. من بين الطرق المتوفرة ، تم استعمال مجموعة محددة من التوزيعات الزمنية-الترددية التربيعية لتحويل المخططات الزمنية-الترددية للإشارات الرادارية الملتقطة إلى صور ملونة مدخلة للمصنفات. على وجه التحديد، نستخدم توزيع شريط-بلوشراني المستخلص من نواة كثير حدود ذات سند محصور (PCBD) لاستخراج السمات المميزة من فئات مختلفة من الحركة البشرية. تُستخدم هذه الميزات بعد ذلك للتصنيف التلقائي باستخدام خوارزميات الذكاء الاصطناعي. نطبق أساليب التعلم الآلي، بما في ذلك آلة الدعم المتجه (SVM). بالإضافة إلى ذلك، ندمج مناهج التعلم العميق، مثل الشبكات العصبية التلافيفية (CNNs)، لتحسين متانة ودقة التصنيف. تؤكد النتائج التي تم الحصول عليها قوة نماذج CNN المستخدمة جنبا إلى جنب مع التحليل الزمني-الترددي الذي أجراه توزيع ال PCBD، مما أدى إلى تحقيق دقة اختبار مثالية بنسبة 100٪. الكلمات المفتاحية: التحليل الزمني-الترددي، إشارات دوبلر الدقيقة، التصنيف، آلة الدعم المتجه، التعلم الآلي، التعلم العميق، التعرف على النشاط البشري، شبكات CNN.