1.基于毫米波雷达点云特征的行为识别方法，包括以下步骤：步骤1：采集毫米波雷达点云原始数据，并通过DBSCAN聚类将原始数据分割成多份单人数据，用于后续任务，同时运用Kinect DK深度相机采集真实数据作为模型训练标签；

步骤2：通过改进PointNet神经网络形成一个人体关键点重构网络，对每一帧点云数据进行重构，形成人体关键点模型；具体包括：

21）从步骤1中得到每帧分簇后的点云数据，计算每簇数据的质心位置，记录为()；

22）构建神经网络，在经典点云分类分割网络 PointNet的基础上添加CNN及注意力机制，即PointNet+AM+CNN；CNN网络共4层，前两层分别是通道数为16和32的二维卷积层，后两层是两个包含512个神经元的全连接层；

23）训练网络模型；收集步骤1中每帧分簇后数据，结合Kinect DK深度相机采集的真实数据，形成关键点重构数据集；关键点重构模型最后输出一个长度为25的预测序列[()  ,  ( ), …  ,  ( ),  …  ,  ()]；其中( )表示人体第i个关键点的坐标预测值；

步骤3：收集步骤2中生成连续帧人体关键点数据，构建时序卷积网络TCN，输入关键点数据实现行为识别；具体包括：

31）首先设置簇检测阈值 ，结合步骤21）中计算的质心位置，计算相邻帧数据簇之间的质心距离，实现每簇数据的连续追踪，也就是提取每个目标的连续运动数据；

  （3）

上式用于计算相邻两帧之间簇间距离，小于检测阈值 则判定为同一簇数据即同一人的数据；

32）构建时序卷积神经网络TCN，主体为8层残差结构，每个残差结构由两个卷积核为5*

5的膨胀卷积模块顺序执行，膨胀因子为 ，其中i为当前残差结构层数；在每个残差结构中还有一个卷积核为3*3的1维卷积层，进行时间上的约束，加强前后数据之间的联系；残差结构后有三个全连接层，用于实现最后的分类任务；

33）训练TCN模型，一共迭代100次，基础学习率为0.001，每隔5次学习率下降10倍，每次迭代结束保存一次模型，选择分类准确率最高的模型作为分类模型；模型最后输出动作的分类结果。

2.如权利要求1所述的基于毫米波雷达点云特征的行为识别方法，其特征在于，步骤1具体包括：

11）将毫米波雷达设备部署在视野较好的位置，根据需求配置毫米波雷达FMCW的相关参数，采集多人运动时的点云数据；

12）对点云原始数据执行坐标系转换任务：

                  （1）

其中 ( ) 表示雷达采集的原始点云数据， 分别表示雷达设备相对现实坐标系坐标原点的对应坐标轴位置差；( )表示经坐标转换任务后的点云位置数据；

13）对于多人活动的场景，运用DBSCAN聚类算法对处理后的点云数据进行分簇操作：                  （2）

预设半径Eps和最小密度阈值MinPts，对多人场景下点云数据进行聚类操作，得到点云分簇数据即单人数据；

14）部署雷达设备的同时需要运用微软Kinect DK深度相机采集人体运动状态下真实关键点数据[( )  ,  ( ) ,  …  ,  (), …  , ( )]，分别表示25个人体关键

点坐标真实参考值，作为步骤2中模型训练的标签。

3.基于毫米波雷达点云特征的行为识别装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1‑2中任一项所述的基于毫米波雷达点云特征的行为识别方法方法。

4.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1‑2中任一项所述的基于毫米波雷达点云特征的行为识别方法。