1.一种基于双通道卷积神经网络的人体身份识别方法，其特征在于，该方法包括如下步骤：步骤1：构建人体运动模型；

步骤2：人体回波建模；

步骤3：增强时频图像构建；

步骤4：实现人体身份识别的DC‑CNN设计；

步骤1包括：

(1)人体体态建模

令a、b、c分别为三维直角坐标系中椭球体在X′、Y′、Z′方向上半长轴长度,其中，a、b表示椭球体胖瘦，c为椭球体长度，基于此椭球体模型，通过调整身高、肢体比例和椭球体半长轴大小，模拟不同体态；

(2)人体运动姿态建模

运动姿态取决于运动方程中表征运动的幅度及相位参数，调整参数β以改变垂直平移，即：

其中， 为垂直平移，av＝0.015VR为垂直平移函数，VR为基于腿长归一化给定行走速度，tR为步态周期；

调整参数λ以改变前后向平移，即：

其中，为前后平移，aF为与速度相关的常数， 为时间相关常数；

调整参数μ以改变横向平移，即：

其中，为 为横向平移，a1＝‑0.032；

人体运动可视为躯干、腿以及手臂三部分周期运动的叠加，且由各自频率、幅度和相位参数决定，运动方程由频率、幅度和相位表示，构建运动矢量方程如下：其中，⊙表示点积， 分别为手臂、腿及躯干的垂直平移频率， 分别为手臂、腿及躯干前后平移频率， 分别为手臂、腿及躯干横向平移频率；

分别为手臂、腿及躯干垂直方向的相位， 分别为手臂、腿及躯干前后方向的相位， 分别为手臂、腿及躯干横向方向的相位；

根据以上方程同时调整幅度和相位，关节挠曲度调整如下：调整参数α以改变肩部摆动，即：

RO＝3‑αarcos(2πtR)       (7)其中，RO为肩部摆动，ar＝9.88VR；

调整挠曲角度最大值，其对应控制点坐标为y2，由此得：其中，C1、C2、C3为不同条件下肘部挠曲最大角度对应控制参数。

2.如权利要求1所述的基于双通道卷积神经网络的人体身份识别方法，其特征在于，步骤2包括：人体回波建模

(1)部件空间位置描述

人体由多个大小不等的椭球体模拟，人体沿X轴向雷达发射方向运动，为获得各运动部位细节，计算各部件的运动姿态，其中，雷达坐标系为(X,Y,Z)，原点为O；静止状态下人体相对于雷达的相对坐标系为(X′,Y′,Z′)，原点为O′，方位角及俯仰角分别为α、β；所用人体模型具有17个参考点，第i个部件，与其相邻的参考点分别为前端点p和后端点p′；描述第i个部件在时刻t的局部坐标系为(Xi,t,Yi,t,Zi,t)，原点为Oi,t，方位角及俯仰角分别为αi、βi；

t时刻第i个部件的方向向量 由坐标系(X′,Y′,Z′)中前端点和后端点方向向量确定：当t＝1,i＝1时，人体脊柱基点即根骨点后端点位置向量为：其中， 为根骨点方向向量， 为(X1,1,Y1,1,Z1,1)与(X′,Y′,Z′)的坐标变换矩阵，L1为部件长度，由此，当t＝1,i＞1时，其他部件端点位置向量 及 表示为：其中， 为参考坐标系中第ni,j个根骨的方向向量，j∈[1,Ji]，Ji为第i个部件的根骨数，方向向量 表示为：其中， 为t＝1第ni,j个部件的坐标系 到第ni,j‑1个部件的坐标系的旋转矩阵，Li为第i个部件的长度，当t＞1,i＝1时：其中，M1,t为时刻t相对于时刻1根骨的旋转矩阵；

根骨后端向量为：

其中，T1,t为在时刻t相对于t＝1根骨的平移向量，由以上可得，当t＞1,i＞1时，和 分别表示为：其中， 为t时刻部件ni,j到部件ni,j‑1的局部坐标系旋转矩阵，Mi,t为第i个部件t时刻的旋转矩阵，由此，可得部件位置及相对雷达方向参数；

(2)雷达回波生成

CW雷达发射信号s(t)表示为：

s(t)＝Acos(2πfct)      (19)其中，fc为载波频率，A为信号幅值，其接收信号为：其中，c为电磁波速度，Ar为接收信号幅值，其值由雷达方程确定，R为目标与雷达距离，由此，时刻t距离雷达瞬时距离为Ri,t的第i个人体部位以速度vi(t)，入射视角 向雷达方向移动，则此部件回波表示为：此时部件运动所产生的多普勒频移为:

其中，Ai,t为基于雷达方程估计所得回波时变幅值：其中，G为雷达天线增益，Pi为发射功率，Ls、La分别为雷达系统和大气损失，λ为波长，δi,t为个部件的反射强度，Ri,t表示为：R为第i个部件与雷达的初始距离，δi,t表示为：其中，ai、bi和ci分别为第i个部件在X、Y、Z方向上椭球体的半长轴长度，入射视角φi,t为雷达视线l与Zi,t轴的夹角，αi为方位角，即：其中，ΔY、ΔX分别为部件端点在XOY平面最大最小方位坐标差值；为便于生成回波，令雷达坐标系与参考坐标系平行，运动方向与l平行，观察俯仰角设为0，其中βi为俯仰角，则l单位矢量为：进而入射视角φi,t表示为：

其中，<·>为内积，||·||2为L2范数，又有：

其中，方向向量 为：

而后，结合式(24)、(28)、(29)，即得到瞬时速度为：其中，

基于式(21)得单部件回波，由此，将N个部件回波叠加以获取整体人体运动回波，即：

3.如权利要求2所述的基于双通道卷积神经网络的人体身份识别方法，其特征在于，步骤3包括：频图像构建

(1)时频图像生成

为获得时频图像，对回波信号S(t)做如下STFT：其中，t和f分别表示时间和频率，g(·)为窗函数：其中，δ为高斯窗标准偏差，将上式代入(33)可得：基于上式，人体运动时频图表示为：

由此，表征人体微动特征的时频图；

(2)数据增强

整体微多普勒增强：将所得微多普勒频谱图变换为梅尔倒谱，具体步骤为：首先，构造由N个滤波器组成的滤波器组，第n个滤波器表示为：其中，n＝1,2,...,N；

其中，f(m)表示边界点，即：

其中m＝0,1,...,M+1，M为边界点个数，fL和fH分别为滤波器中最低及最高频率点，FS为‑1采样频率，B、B 分别为双曲翘曲函数和反双曲翘曲函数，而后，基于所构造滤波器组对MDD实施滤波，并取对数，即得如下所示梅尔倒谱：肢体微多普勒增强

沿时间维在躯干频率范围内搜索各采样点最大值以采样累加躯干时频谱图Tmd(t,f)，直至如下所示比值P≥0.26：其中，M、N分别为时间及频率采样点数，由此，可获得全部躯干分量，而后将所得Tmd(t,f)从Xmd(t,f)减去以获得增强肢体微多普勒图。

4.如权利要求3所述的基于双通道卷积神经网络的人体身份识别方法，其特征在于，步骤4包括：实现人体身份识别的DC‑CNN设计

所构建DC‑CNN网络中两通道具有相同结构，输入图片大小为256×256，网络共有8层，包括5个卷积层，3个全连接层；第一个卷积层卷积核大小为11×11，步长为4，提取带宽、能量、周期、速度信息；第二层卷积核尺寸为5×5，步长为2；随后三个卷积层卷积核大小为3×

3，步长为1；每个卷积层均采用ReLU激活函数；每个卷积层后均衔接尺寸为3×3的池化层且采用最大池化；第五个卷积层后连接三个全连接层；第三个全连接层后接如下Softmax分类器用于计算输入x属于类别j的概率值p(y＝j|x),j＝1,2,…,k，k为输出类别数；

Softmax函数可表示为：

Softmax分类器基于如下损失函数实现模型参数更新：其中， 为模型参数，i＝1,2,…,m，m为输入类别数，1{yi＝j}为真实标签值。