本发明属于安全监控、信号处理和智能识别，具体涉及一种涉密区域异常行为识别方法。
背景技术：
1、随着科技的不断进步和信息化的迅猛发展，涉密区域的安全监控需求日益增加。涉密区域通常包括数据中心、实验室、军工单位、政府机关等，保护这些区域的安全至关重要。目前，涉密区域的监控主要依赖于视频监控、红外传感器、门禁系统等传统方法。但这些方法在实际应用中存在一定的局限性和不足。
2、视频监控系统广泛应用于各类安全监控场景，但在涉密区域中存在隐私保护和数据安全的问题。视频监控通过捕捉并记录图像来实现监控，这会泄露敏感信息，且视频数据的存储和传输也存在被非法获取和篡改的风险。而且视频监控依赖光学成像，在夜间或低照度环境中，监控效果显著下降，无法提供清晰的图像。红外传感器虽然能够在一定程度上弥补视频监控的不足，具备较强的夜视能力，但其识别精度相对较低，容易受到环境温度变化和外部干扰的影响，无法精确地识别和定位异常行为。
技术实现思路
1、本发明的目的在于提供一种涉密区域异常行为识别方法，实现涉密区域内异常行为识别，提升安全水平，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、一种涉密区域异常行为识别方法，包括以下步骤：
4、获取雷达目标回波数据；
5、对所述回波数据进行傅里叶变换得到目标的表征参数，并构建多域数据集；
6、建立特征提取以及多域融合网络对所述目标的表征参数进行提取和融合；
7、使用分类器对融合后的特征进行分类，识别异常行为。
8、进一步地，所述雷达的设置参数包括起始频率，调频斜率,空闲时间，采样持续时间，采样频率，帧周期，一个chirp内采样点数，每帧单个chirp循环次数。
9、进一步地，所述雷达目标回波数据用s[n,m]表示，其中n，m，分别表示为快时间维度、慢时间维度。
10、进一步地，所述目标的表征参数包括：时间—多普勒表征、时间—距离表征和距离—多普勒表征。
11、进一步地，所述时间—距离表征的计算方法为：
12、对雷达目标回波数据在快时间维度进行距离傅里叶变换，提取目标距离信息，按照以下公式进行计算：
13、
14、其中，r[r,m]表示时间-距离矩阵，r表示距离索引，n为距离傅里叶变换点数；
15、所述距离—多普勒表征的计算方法为：
16、对r[r,m]在慢时间维度进行多普勒傅里叶变换，获取目标距离—多普勒表征，公式为：
17、
18、其中，rd[r,d]为距离—多普勒矩阵，d为多普勒索引，l为多普勒傅里叶变换点数；
19、所述时间—多普勒的计算方法为：
20、沿着多普勒索引对rd[r,d]进行累加，获得单帧数据的距离信息，公式为：
21、
22、式中，r[r]为单帧数据测量得到的距离向量，将不同帧的r[r]进行拼接，得到时间-距离矩阵:
23、rt[r,t]＝r[r,t1,t2,t3,...tm]
24、其中t1,t2,t3,...tm为不同帧数；
25、沿着距离索引对rd[r,d,t]进行累加，获得单帧数据的多普勒信息，公式为：
26、
27、式中，d[d]为单帧数据下的多普勒向量，将不同帧的d[d]进行拼接，得到时间-多普勒矩阵:
28、dt[d,t]＝d[d,t1,t2,t3,...tm]
29、t1,t2,t3,...tm为不同帧数。
30、进一步地，建立特征提取以及多域融合网络对所述目标的表征参数进行提取和融合具体为：
31、将时间—多普勒表征、时间—距离表征和距离—多普勒表征通过cnn网络提取特征；
32、将m帧距离—多普勒表征图通过lstm网络，得到融合了时序信息的距离—多普勒特征；
33、将时间—距离表征、时间—多普勒表征与融合了时序信息的距离—多普勒特征进行融合，得到融合后的特征。
34、进一步地，所述方法使用adam优化器、relu作为激活函数、学习率的初始值设置为0.001，交叉熵损失和dropout方法来训练特征提取以及多域融合网络参数。
35、进一步地，所述dropout率设为0.5
36、与现有技术相比，本发明具有以下优点：
37、本发明通过使用毫米波雷达通过非成像方式进行监控，避免了传统视频监控可能带来的隐私泄露问题，尤其适用于涉密区域的监控需求，且不受环境光照条件的影响，能够在各种条件下稳定工作，确保涉密区域全天候的安全监控。采用多种特征进行融合，充分利用时间、多普勒频率和距离等信息，提高了行为识别的鲁棒性和精度。
1.一种涉密区域异常行为识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的涉密区域异常行为识别方法，其特征在于，所述雷达的设置参数包括起始频率，调频斜率,空闲时间，采样持续时间，采样频率，帧周期，一个chirp内采样点数，每帧单个chirp循环次数。
3.根据权利要求1所述的涉密区域异常行为识别方法，其特征在于，所述雷达目标回波数据用s[n,m]表示，其中n，m，分别表示为快时间维度、慢时间维度。
4.根据权利要求1所述的涉密区域异常行为识别方法，其特征在于，所述目标的表征参数包括：时间—多普勒表征、时间—距离表征和距离—多普勒表征。
5.根据权利要求4所述的涉密区域异常行为识别方法，其特征在于，所述时间—距离表征的计算方法为：
6.根据权利要求1所述的涉密区域异常行为识别方法，其特征在于，建立特征提取以及多域融合网络对所述目标的表征参数进行提取和融合具体为：
7.根据权利要求1所述的涉密区域异常行为识别方法，其特征在于，所述方法使用adam优化器、relu作为激活函数、学习率的初始值设置为0.001，交叉熵损失和dropout方法来训练特征提取以及多域融合网络参数。
8.根据权利要求7所述的涉密区域异常行为识别方法，其特征在于，所述dropout率设为0.5。
