Classification des signaux micro-doppler

Abstract

Ces dernières années, l'analyse de l’activité humaine a suscité un intérêt considérable en raison de ses nombreuses applications, telles que la surveillance des frontières, la compréhension vidéo, l'identification biométrique et la réadaptation physique, etc... Outre les avancées technologiques en matière de reconnaissance de l’activité humaine basée sur la vision, de nombreuses recherches se concentrent sur le développement de systèmes de reconnaissance automatique utilisant des radars doppler. Dans ce même contexte se situe le travail présenté dans ce mémoire. On dispose de signaux micro Doppler, résultant de l’acquisition du mouvement humain correspondant à l’état Walking et l’état Running. En se basant sur un schéma d’analyse temps fréquence, on arrive à identifier les caractéristiques distinctives entre les deux mouvements humain (Walking, Running), allant de simple représentation conjointe jusqu’aux distributions quadratiques, d’où le spectogramme. A l’issu de l’analyse Temps fréquence, l’extraction de l’information pertinente est possible visuellement à travers l’observation des différents spectogrammes obtenus selon les deux classes définies au préalable. Dans notre projet, nous avons exploité ces observations de séparations pour établir la classification de ces deux signaux Walking et Running, l’algorithme choisi est le Support Vector Machine SVM, la classification est par la suite testé sur d’autres types d’algorithmes tels que : KNN et l’Arbre de décision.