DIAT-μ RadHAR (Datensatz mikrodoppler-spezifischer Signaturen) & μ RadNet (leichtgewichtiges DCNN) – zur Erkennung verdächtiger menschlicher Aktivitäten

Aus Sicht der nationalen Sicherheit gewinnt die Erkennung verdächtiger menschlicher Aktivitäten basierend auf Radar-Mikro-Doppler-(m-D)-Signaturen zunehmend an Bedeutung. In diesem Zusammenhang ist die frühe Erkennung und Warnung vor terroristischen Aktivitäten an Landesgrenzen, geschützten/gesicherten/gewährleisteten Orten sowie bei zivilen Gewaltprotesten unerlässlich. Die Entwicklung eines automatisierten Erkennungssystems für verdächtige menschliche Aktivitäten – wie Armee-Kriechen, Armee-Joggen, Springen mit Waffe, Armee-Marschieren, Boxen sowie Steinschleudern/Granatwerfen – mittels eines geeigneten tiefen konvolutionellen neuronalen Netzwerks (DCNN) entwickelt sich rasant, da solche Modelle über eine inhärente Fähigkeit zur tiefen Merkmalsextraktion verfügen. Als wertvolle Ergänzung dieser Forschung wurde in unserem Radar-Systemlabor ein X-Band-Continuous-Wave-(CW)-Radar mit 10 GHz entwickelt und eingesetzt, um die m-D-Signaturen zu erfassen und ein Datenset (DIAT-μRadHAR) im Zusammenhang mit den oben genannten verdächtigen Aktivitäten zu erstellen. Um ein realistisches Datenset zu gewährleisten, wurden menschliche Probanden unterschiedlicher Körpergröße, Gewichtsklasse und Geschlecht angewiesen, die verdächtigen Aktivitäten vor dem Radar bei unterschiedlichen Entfernungen zwischen 10 m und 0,5 km sowie unter verschiedenen Zielaspektwinkeln (0°, ±15°, ±30° und ±45°) durchzuführen. Außerdem wurde eine leichtgewichtige DCNN-Architektur (μRadNet) entworfen und mit dem erstellten DIAT-μRadHAR-Datenset trainiert, das insgesamt 3780 Samples umfasst. Die Leistungsfähigkeit und Erkennungsgenauigkeit von μRadNet wurde statistisch analysiert und mit aktuellen State-of-the-Art-(SOTA)-CNN-Modellen verglichen. Das μRadNet-DCNN-Modell übertrifft die SOTA-CNN-Modelle deutlich und erreicht eine Gesamtklassifikationsgenauigkeit von 99,22 %, verfügt über lediglich 0,09 M Parameter und 0,40 G Floating-Point-Operationen (FLOPs), wobei die Anzahl an falsch positiven und falsch negativen Erkennungen minimal ist. Die Zeitkomplexität des entwickelten, leichtgewichtigen μRadNet-DCNN-Modells beträgt 0,12 Sekunden, was die Eignung des Modells für die Implementierung direkt auf Geräten belegt.