DIAT-μ RadHAR (jeu de données de signatures micro-Doppler) & μ RadNet (un DCNN léger)—pour la reconnaissance d’activités humaines suspectes

Du point de vue de la sécurité nationale, la reconnaissance des activités humaines suspectes basée sur les signatures micro-Doppler (m-D) des radars revêt une importance croissante. À cet égard, la détection précoce et l'alerte préventive des activités terroristes aux frontières nationales, dans les zones protégées, sécurisées ou gardées, ainsi que lors de manifestations violentes de la population, deviennent impératives. La conception d’un système automatisé de reconnaissance des activités suspectes humaines — telles que le ramper militaire, le jogging militaire, le saut en tenant un fusil, la marche militaire, le boxe ou le jet de pierres/ de grenades — à l’aide d’un modèle de réseau neuronal convolutif profond (DCNN) adapté connaît un développement rapide, grâce à sa capacité intrinsèque d’extraction de caractéristiques profondes. En complément de cette recherche, un radar à onde continue (CW) X-band à 10 GHz a été conçu au laboratoire de systèmes radar de notre établissement, et utilisé pour acquérir les signatures micro-Doppler, afin de constituer un jeu de données (DIAT-μRadHAR) correspondant aux activités suspectes mentionnées ci-dessus. Afin de garantir la réalisme du jeu de données, des cibles humaines de tailles, poids et sexes variés ont été invitées à exécuter les activités suspectes devant le radar à différentes distances comprises entre 10 m et 0,5 km, ainsi à différents angles d’aspect cible (0°, ±15°, ±30° et ±45°). Un architecture de DCNN légère (μRadNet) a également été conçue et entraînée à partir du jeu de données DIAT-μRadHAR, comprenant 3 780 échantillons. La performance et l’exactitude de reconnaissance de μRadNet ont été calculées de manière statistique, et les résultats ont été comparés aux modèles CNN d’état de l’art (SOTA). Le modèle DCNN μRadNet surpasse les modèles CNN d’état de l’art, atteignant une précision de classification globale de 99,22 %, avec seulement 0,09 million de paramètres et 0,40 G d’opérations à virgule flottante (FLOPs), tout en affichant des taux minimaux de faux négatifs et de faux positifs. La complexité temporelle du modèle DCNN léger μRadNet conçu est de 0,12 seconde, ce qui démontre clairement sa pertinence pour une implémentation sur dispositif embarqué.