DIAT-μ RadHAR（微多普勒特征数据集）与μ RadNet（一种轻量级DCNN）——用于人类可疑行为识别

从国家安全视角来看，基于雷达微多普勒（micro-Doppler, m-D）特征的可疑人员行为识别具有重要意义。在此背景下，对国家边境、重要防护/安保/警戒区域以及民众暴力抗议活动实施早期探测与预警已成为必要举措。由于深度卷积神经网络（Deep Convolutional Neural Network, DCNN）具备内在的深层特征提取能力，基于该类模型设计自动化识别可疑人体行为（如：军人匍匐前进、军人慢跑、持枪跳跃、军人行进、拳击、投掷石块/手榴弹等）的系统正迅速发展。为推进本研究，本雷达系统实验室自主研制了一套X波段连续波（Continuous Wave, CW）10 GHz雷达，并利用其采集上述可疑行为的微多普勒信号，构建了相应的数据集（命名为DIAT-μRadHAR）。为确保数据集的真实性与多样性，实验中邀请了不同身高、体重及性别的人员在10米至0.5公里的不同距离下，以0°、±15°、±30°和±45°等不同目标视角角执行各类可疑行为。基于该数据集，本研究进一步设计并训练了一种轻量化DCNN架构（μRadNet），其包含3780个样本。对μRadNet模型的性能与识别准确率进行了统计分析，并与当前最先进的（State-of-the-Art, SOTA）CNN模型进行了对比。实验结果表明，μRadNet在多项指标上均优于现有SOTA模型：整体分类准确率达到99.22%，参数量仅为0.09M，浮点运算量（FLOPs）为0.40G，且误报率与漏报率均极低。此外，所设计的轻量化μRadNet模型推理时间复杂度仅为0.12秒，充分证明了该DCNN模型在边缘设备上实时部署的可行性与适用性。