CN117473880B - 样本数据生成方法及无线跌倒检测方法 - Google Patents
样本数据生成方法及无线跌倒检测方法 Download PDFInfo
- Publication number
- CN117473880B CN117473880B CN202311811310.7A CN202311811310A CN117473880B CN 117473880 B CN117473880 B CN 117473880B CN 202311811310 A CN202311811310 A CN 202311811310A CN 117473880 B CN117473880 B CN 117473880B
- Authority
- CN
- China
- Prior art keywords
- digital object
- target
- object model
- preset
- sample data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000004088 simulation Methods 0.000 claims abstract description 127
- 230000010363 phase shift Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 23
- 230000005684 electric field Effects 0.000 claims description 20
- 230000005855 radiation Effects 0.000 claims description 11
- 230000005484 gravity Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 29
- 230000006870 function Effects 0.000 description 22
- 238000004590 computer program Methods 0.000 description 19
- 238000013136 deep learning model Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 230000015654 memory Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 230000036544 posture Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Multimedia (AREA)
- Computational Mathematics (AREA)
- Computer Hardware Design (AREA)
- Discrete Mathematics (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Radar Systems Or Details Thereof (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种样本数据生成方法及无线跌倒检测方法,可以应用于无线感知领域。该方法包括:对初始数字对象模型进行参数调整,得到多个目标数字对象模型序列,目标数字对象模型序列包括处于不同时刻跌倒状态的目标数字对象模型;对于每个目标数字对象模型序列中的每个目标数字对象模型,将预设仿真射线发射至目标数字对象模型上,得到反射的目标仿真射线;基于反射的目标仿真射线,确定目标数字对象模型的电磁特性值;基于电磁特性值,确定包含目标数字对象模型状态信息的仿真检测信号;基于仿真检测信号,生成初始样本数据;基于与每个目标数字对象模型序列中的多个目标数字对象模型分别对应的初始样本数据,生成样本数据。
Description
技术领域
本发明涉及无线感知领域,尤其涉及一种样本数据生成方法及无线跌倒检测方法。
背景技术
随着对于对象跌倒检测研究的逐渐深入,基于无线信号的对象跌倒检测愈发增多,又基于采用深度学习模型结合无线信号进行对象跌倒检测的方式往往能实现较高的检测精度,并且能够处理复杂的跌倒情况的优势,采用深度学习模型结合无线信号进行对象跌倒检测的方式愈发得到重视。
然而,采用深度学习模型进行对象跌倒检测往往需要利用大量的处于不同情况下的训练样本对深度学习模型进行训练,才能保证深度学习模型的鲁棒性,而通常的训练数据在采集时,需要真实的对象演绎不同的跌倒情况,但是由于演绎的局限性并不能完全得到真实跌倒中可能出现的状况,并且通常需要耗费大量的时间和物质资源。因此,在实现本发明构思的过程中,发明人发现相关技术中至少存在样本数据不能满足深度学习模型训练需求的问题。
发明内容
鉴于上述问题,本发明提供了一种样本数据生成方法、无线跌倒检测方法以及上述方法的装置、设备、介质和程序产品。
根据本发明的一个方面,提供了一种样本数据生成方法,包括:
对初始数字对象模型进行参数调整,得到多个目标数字对象模型序列,目标数字对象模型序列包括处于不同时刻跌倒状态的目标数字对象模型;
对于每个目标数字对象模型序列中的每个目标数字对象模型,将预设仿真射线发射至目标数字对象模型上,得到反射的目标仿真射线;
基于反射的目标仿真射线,确定目标数字对象模型的电磁特性值;
基于电磁特性值,确定包含目标数字对象模型状态信息的仿真检测信号;
基于仿真检测信号,生成初始样本数据;
基于与每个目标数字对象模型序列中的多个目标数字对象模型分别对应的初始样本数据,生成样本数据。
根据本发明的实施例,基于反射的目标仿真射线,确定目标数字对象模型的电磁特性值,包括:利用预设射线接收面接收反射的目标仿真射线,其中,预设射线接收面包括惠更斯面;基于目标仿真射线,确定预设射线接收面的电场强度;基于电场强度,确定目标数字对象模型的电磁特性值。
根据本发明的实施例,预设射线接收面包括多个子预设射线接收面,子预设射线接收面为对预设射线接收面进行网格划分得到的;其中,基于目标仿真射线,确定预设射线接收面的电场强度,包括:确定每个子预设射线接收面接收的目标仿真射线;基于子预设射线接收面接收的目标仿真射线,确定子预设射线接收面的子电场强度;基于与多个子预设射线接收面各自对应的子电场强度确定预设射线接收面的电场强度。
根据本发明的实施例,基于电磁特性值,确定包含目标数字对象模型状态信息的仿真检测信号,包括:基于电磁特性值和预设仿真检测信号的信号类型,确定初始仿真检测信号;基于相位偏移函数和初始仿真检测信号,确定仿真检测信号,其中,相位偏移函数用于表征由于初始仿真检测信号到达接收阵列中不同天线的路径长度差异造成的初始仿真检测信号的相位偏移。
根据本发明的实施例,基于相位偏移函数和初始仿真检测信号,确定仿真检测信号,包括:通过将多个预设路径长度分别输入至相位偏移函数中,得到多个目标相位偏移值;对于每个目标相位偏移值,基于目标相位偏移值和初始仿真检测信号,确定仿真检测信号。
根据本发明的实施例,参数包括:旋转角参数、对象模型参数以及位置参数;其中,对初始数字对象模型进行参数调整,得到多个目标数字对象模型序列,包括:基于旋转角参数式,得到多个旋转角参数;通过多个旋转角参数,得到目标数字对象模型序列;针对目标数字对象模型序列中的多个目标数字对象模型,分别调整对象模型参数和位置参数,得到多个目标数字对象模型序列。
根据本发明的实施例,旋转角参数式如以下公式(1)所示:
;(1)
其中,所述表征旋转角参数,0≤t<t pre表征模拟对象出现跌倒倾向的时期,t pre≤t<t critical表征模拟对象失去重心到倒地的时期,t critical≤t<t n表征模拟对象接触地面到完全倒地的时期,t pre表征模拟对象出现跌倒倾向的时刻,t critical表征模拟对象与地面发生碰撞的时刻,t n表征模拟对象完全静止于地面的时刻。
根据本发明的实施例,基于仿真检测信号,生成初始样本数据,包括:对仿真检测信号进行目标傅里叶变换,生成初始样本数据,其中,目标傅里叶变换包括三维傅里叶变换和短时傅里叶变换。
根据本发明的实施例,上述方法还包括:获取预设视频样本和预设图像样本;基于预设视频样本和预设图像样本生成初始数字对象模型,其中,初始数字对象模型包括:蒙皮多人线性模型。
本发明的另一个方面提供了一种无线跌倒检测方法,包括:
响应于接收到从目标对象反射的预设时间段的毫米波雷达回波信号集;
对毫米波雷达回波信号集进行目标傅里叶变换,得到信号特征数据;
将信号特征数据输入至利用样本数据生成方法生成的样本数据训练得到的无线跌倒检测模型中,输出目标对象的跌倒检测结果。
本发明的另一个方面提供了一种样本数据生成装置,包括:
序列生成模块,用于对初始数字对象模型进行参数调整,得到多个目标数字对象模型序列,目标数字对象模型序列包括处于不同时刻跌倒状态的目标数字对象模型;
反射射线确定模块,用于对于每个目标数字对象模型序列中的每个目标数字对象模型,将预设仿真射线发射至目标数字对象模型上,得到反射的目标仿真射线;
电磁特性值确定模块,用于基于反射的目标仿真射线,确定目标数字对象模型的电磁特性值;
仿真检测信号确定模块,用于基于电磁特性值,确定包含目标数字对象模型状态信息的仿真检测信号;
初始数据生成模块,用于基于仿真检测信号,生成初始样本数据;
样本数据生成模块,用于基于与每个目标数字对象模型序列中的多个目标数字对象模型分别对应的初始样本数据,生成样本数据。
本发明的另一个方面提供了一种无线跌倒检测装置,包括:
信号集获取模块,用于响应于接收到从目标对象反射的预设时间段的毫米波雷达回波信号集;
特征确定模块,用于对毫米波雷达回波信号集进行目标傅里叶变换,得到信号特征数据;
检测结果确定模块,用于将信号特征数据输入至利用样本数据生成方法生成的样本数据训练得到的无线跌倒检测模型中,输出目标对象的跌倒检测结果。
本发明的另一个方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器执行上述方法。
本发明的另一个方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述方法。
本发明的另一个方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法。
根据本发明提供的样本数据生成方法,通过构建初始数字对象模型并对初始数字对象模型进行参数调整,得到多个目标数字对象模型序列,从而为样本数据的多样性打下基础。并通过向每个目标数字对象模型皆发射预设仿真射线来得到目标仿真射线,进而得到各个目标数字对象模型的电磁特征性值,以基于该电磁特性值实现对能够表征该目标数字对象模型状态信息的仿真检测信号的模拟,从而基于该仿真检测信号得到初始样本数据,以及通过将与每个目标数字对象模型序列中的每个目标数字对象模型对应的初始样本数据进行整理汇总,得到样本数据。由于对初始数字对象模型进行参数调整,得到多个目标数字对象模型序列,并对每个目标数字对象模型皆计算其电磁特征值,以及模拟与该目标数字对象模型对应的仿真检测信号,从而得到具备多种不同跌倒情况、不同对象条件的样本数据,因此,至少部分的解决了相关技术中样本数据不能满足深度学习模型训练需求的问题,实现了减少样本数据采集时造成的资源浪费、提高样本数据多样性以及准确性的技术效果。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示出了根据本发明实施例的样本数据生成方法及无线跌倒检测方法的应用场景图。
图2示出了根据本发明实施例的样本数据生成方法的流程图。
图3示出了根据本发明实施例的初始数字对象模型的示意图。
图4示出了根据本发明实施例的目标数字对象模型序列的示意图。
图5(a)示出了根据本发明实施例的调整对象模型参数得到的目标数字对象模型的示意图。
图5(b)示出了根据本发明实施例的调整位置参数得到的目标数字对象模型的示意图。
图6示出了根据本发明实施例的确定目标数字对象模型的电磁特性值的流程图。
图7示出了根据本发明实施例的预设射线接收面接收目标仿真射线的示意图。
图8示出了根据本发明实施例的初始样本数据的示意图。
图9示出了根据本发明实施例的无线跌倒检测方法的流程图。
图10示出了根据本发明实施例的一种采用包含不同比例样本数据的数据集与采用只包含真实数据的数据集训练得到的无线跌倒检测模型的跌倒检测准确率的对比图。
图11示出了根据本发明实施例的另一种采用包含不同比例样本数据的数据集与采用只包含真实数据的数据集训练得到的无线跌倒检测模型的跌倒检测准确率的对比图。
图12示出了根据本发明实施例的样本数据生成装置的结构框图。
图13示出了根据本发明实施例的无线跌倒检测装置的结构框图。
图14示出了根据本发明实施例的适于实现样本数据生成方法及无线跌倒检测方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本发明的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本发明实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本发明的技术方案中,所涉及的数据(如包括但不限于用户个人信息)的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在研究过程中发现,意外跌倒一直是造成突发性疾病的一个潜在威胁,尤其是对老年人而言。在社会老龄化现象逐渐严重的当下,许多老人无法得到贴身的监护,当出现跌倒行为时,很难受到及时的帮扶和救助,进而容易导致骨折、脑部损伤等伤害,严重的甚至威胁生命。因此,实时的跌倒检测对于生命健康的保障而言非常重要。目前的跌倒检测方法大多基于摄像头、可穿戴传感器。但这些方法大多会影响对象的日常生活,并可能造成的严重的隐私问题。与此相比,基于无线信号的跌倒检测具有全天候、隐私安全、非侵入式的特点。近年来使用指无线保真(Wireless Fidelity)、毫米波雷达等得到无线信号进行跌倒检测的研究工作不断涌现,且已经有不同品牌的家用无线跌倒检测商品被研发出来。
在若干无线跌倒检测的研究中,基于深度学习模型的对象跌倒检测往往能实现较高的检测精度,并能处理复杂的跌倒情况,有很大的潜力和广阔的应用前景。然而,基于深度学习模型的无线跌倒检测需要大量的训练数据以保证深度学习模型的充分训练。并且为了保持深度学习模型在测试环境下依然鲁棒,训练数据必须包括足够多不同场景和不同对象的样本。跌倒数据的采集需要真实的对象,如:志愿者等演绎或模拟不同的跌倒情况,是一件耗时耗力的任务。也因此这样大型的训练数据的采集代价非常昂贵,以及很多真实的跌倒情况是突发的对象跌倒的情况可能很难进行模型和演绎,因此,由于上述方式得到的样本数据很难满足深度学习模型的训练需求,限制了基于深度学习模型的无线跌倒检测方法的推广。
本发明的实施例提供了一种样本数据生成方法,包括:对初始数字对象模型进行参数调整,得到多个目标数字对象模型序列,目标数字对象模型序列包括处于不同时刻跌倒状态的目标数字对象模型;对于每个目标数字对象模型序列中的每个目标数字对象模型,将预设仿真射线发射至目标数字对象模型上,得到反射的目标仿真射线;基于反射的目标仿真射线,确定目标数字对象模型的电磁特性值;基于电磁特性值,确定包含目标数字对象模型状态信息的仿真检测信号;基于仿真检测信号,生成初始样本数据;基于与每个目标数字对象模型序列中的多个目标数字对象模型分别对应的初始样本数据,生成样本数据。
图1示出了根据本发明实施例的样本数据生成方法及无线跌倒检测方法的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104以及服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本发明实施例所提供的样本数据生成方法及无线跌倒检测方法一般可以由服务器105执行。相应地,本发明实施例所提供的样本数据生成装置及无线跌倒检测装置一般可以设置于服务器105中。本发明实施例所提供的样本数据生成方法及无线跌倒检测方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本发明实施例所提供的样本数据生成装置及无线跌倒检测装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图11对发明实施例的样本数据生成方法及无线跌倒检测方法进行详细描述。
图2示出了根据本发明实施例的样本数据生成方法的流程图。
如图2所示,该方法包括操作S210~操作S260。
在操作S210,对初始数字对象模型进行参数调整,得到多个目标数字对象模型序列,目标数字对象模型序列包括处于不同时刻跌倒状态的目标数字对象模型。
在操作S220,对于每个目标数字对象模型序列中的每个目标数字对象模型,将预设仿真射线发射至目标数字对象模型上,得到反射的目标仿真射线。
在操作S230,基于反射的目标仿真射线,确定目标数字对象模型的电磁特性值。
在操作S240,基于电磁特性值,确定包含目标数字对象模型状态信息的仿真检测信号。
在操作S250,基于仿真检测信号,生成初始样本数据。
在操作S260,基于与每个目标数字对象模型序列中的多个目标数字对象模型分别对应的初始样本数据,生成样本数据。
根据本发明的实施例,对于初始数字对象模型模拟的对象不进行限定,对象可以为各种年龄段、不同性别的人。
根据本发明的实施例,对于初始数字对象模型的姿态不进行限定,可以为任意姿态的数字对象模型,如:站立姿态或行走姿态等姿态的数字对象模型。
根据本发明的实施例,初始数字对象模型可以为多个,也可以为一个。
根据本发明的实施例,可以为对多个姿态的初始数字对象模型分别进行参数调整,得到多个目标数字对象模型序列。也可以为通过对一个初始数字对象模型进行初始参数调整得到多个姿态的初始数字对象模型,以及基于多个姿态的初始数字对象模型进行参数调整,得到多个目标数字对象模型序列。
根据本发明的实施例,目标数字对象模型序列可以包括在连续时间内的处于不同时刻的具有不同状态的目标数字对象模型,例如:在时刻1目标数字对象模型为站立、时刻2目标数字对象模型为倾斜、时刻3目标数字对象模型为倒地。
根据本发明的实施例,通过生成多个目标数字对象模型序列,可以实现对不同身材不同位置不同姿态的对象状态的模拟,从而实现了样本数据的全面性以及丰富性。
根据本发明的实施例,对于每个目标数字对象模型序列,可以将预设仿真射线发射至目标数字对象模型上,从而得到反射的目标仿真射线,进而实现对于目标数字对象模型电磁特性值的计算。
根据本发明的实施例,电磁特征值可以基于雷达散射截面(Radar CrossSection,RCS)进行表征。
根据本发明的实施例,根据目标数字对象模型的电磁特征值得到仿真检测信号,从而实现对包含目标数字对象模型状态信息的检测信号的模拟,即模拟实际场景中雷达等无线设备发射给对象并由对象反射的回波信号,在实际场景中,该回波信号中包含对象状态信息,通过对该回波信号可以得到对象是否跌倒的检测结果。
根据本发明的实施例,通过对仿真检测信号进行处理得到初始样本数据。对于对仿真检测信号的处理方式不进行限定,可以为基于想要生成的初始样本数据,采用不同的处理方式,例如:若要得到仿真的多普勒-距离-角度图,则可以采用利用三维傅里叶变换来提取仿真检测信号的特征,得到信号的特征矩阵,再将信号的特征矩阵进行可视化转换为多普勒-距离-角度图,对于可视化转换的方式不进行限定,可以采用相关工具或程序进行转换。
根据本发明的实施例,通过目标仿真射线确定目标数字对象模型的电磁特性值,并通过该电磁特性值实现对包含该目标数字对象模型状态信息的仿真检测信号的模拟,可以实现更准确的模拟实际应用场景中对于对象进行检测的场景,同时由于采用了数字化的方式使得获得仿真检测信号的速度更快。
根据本发明的实施例,由于有多个目标数字对象模型序列,每个目标数字对象模型序列中包括多个目标数字对象模型,因此,将与每个目标数字对象模型分别对应的初始样本数据进行整理汇总,可以生成包含有不同跌倒情况不同对象条件等多方面、多可能性的初始样本数据的样本数据。
根据本发明的实施例,通过使用数字对象模型对真实世界的跌倒过程进行模拟,并同时计算出模拟跌倒过程中的数字对象模型的雷达散射截面即人体的电磁特性值,最后按照信号传播原理得到对象反射的无线信号即仿真检测信号,生成出的无线信号可被处理为各种形式。同时通过调整参数等若干数据增强方法以进一步扩大样本数据生成的多样性,以为基于深度学习的无线跌倒检测应用提供大量数据以供训练。
根据本发明的实施例,通过构建初始数字对象模型并对初始数字对象模型进行参数调整,得到多个目标数字对象模型序列,从而为样本数据的多样性打下基础。并通过向每个目标数字对象模型皆发射预设仿真射线来得到目标仿真射线,进而得到各个目标数字对象模型的电磁特征性值,以基于该电磁特性值实现对能够表征该目标数字对象模型状态信息的仿真检测信号的模拟,从而基于该仿真检测信号得到初始样本数据,以及通过将与每个目标数字对象模型序列中的每个目标数字对象模型对应的初始样本数据进行整理汇总,得到样本数据。由于对初始数字对象模型进行参数调整,得到多个目标数字对象模型序列,并对每个目标数字对象模型皆计算其电磁特征值,以及模拟与该目标数字对象模型对应的仿真检测信号,从而得到具备多种不同跌倒情况、不同对象条件的样本数据,因此,至少部分的解决了相关技术中样本数据不能满足深度学习模型训练需求的问题,实现了提高样本数据全面性以及准确性的技术效果。
根据本发明的实施例,上述方法还可以包括以下操作。
获取预设视频样本和预设图像样本;基于预设视频样本和预设图像样本生成初始数字对象模型,其中,初始数字对象模型包括:蒙皮多人线性模型。
根据本发明的实施例,对于基于预设视频样本和预设图像样本生成初始数字对象模型的过程不进行限定,可以为任何能够生成初始数字对象模型的方法,如:计算机视觉方法。
根据本发明的实施例,在对象为人的情况下,初始数字对象模型可以为蒙皮多人线性模型(Skinned Multi-Person Linear,SMPL),SMPL人体模型可被定义为,P表示该蒙皮多人线性模型。N为SMPL模型中包含的顶点数,每个顶点可以用三维的(x,y,z)坐标表示。
图3示出了根据本发明实施例的初始数字对象模型的示意图。
如图3所示,在初始数字对象模型为多个的情况下,各个初始数字对象模型可以分别对应一种姿态,如:站立、行走、蹲下以及坐等。
根据本发明的实施例,在初始数字对象模型为一个的情况下,通过对初始数字对象模型进行初始参数调整,可以得到分别具有如图3所示的姿态的多个初始数字对象模型。
根据本发明的实施例,图3中的姿态仅为示意性的,对于姿态的种类并不进行限定。
根据本发明的实施例,参数包括:旋转角参数、对象模型参数以及位置参数;对初始数字对象模型进行参数调整,得到多个目标数字对象模型序列,可以包括以下操作。
基于旋转角参数式,得到多个旋转角参数;通过多个旋转角参数,得到目标数字对象模型序列;针对目标数字对象模型序列中的多个目标数字对象模型,分别调整对象模型参数和位置参数,得到多个目标数字对象模型序列。
根据本发明的实施例,旋转角参数式如以下公式(1)所示:
;(1)
其中,所述表征旋转角参数,0≤t<t pre表征模拟对象出现跌倒倾向的时期,t pre≤t<t critical表征模拟对象失去重心到倒地的时期,t critical≤t<t n表征模拟对象接触地面到完全倒地的时期,t pre表征模拟对象出现跌倒倾向的时刻,t critical表征模拟对象与地面发生碰撞的时刻,t n表征模拟对象完全静止于地面的时刻。
根据本发明的实施例,0≤t<t pre即对象的跌倒倾向的出现阶段,在对象为人的情况下,该时期往往为人体从日常活动的状态到身体出现下坠倾向状态的过程。t pre≤t<t critical即对象的跌倒过程,该时期以人体开始向地面倾倒开始,以与地面的垂直碰撞结束。t critical≤t<t n表征人体从与地面接触到所有肢体完全触地的过程,以人体完全静止于地面结束。通过对上述三个时期的模拟可以得到完整表征对象从正常活动到跌倒各个时期的目标数字对象模型序列。
图4示出了根据本发明实施例的目标数字对象模型序列的示意图。
如图4所示,目标数字对象模型序列中包括有预设时间内从数字对象模型的初始姿态到跌倒过程中的各个时刻的对象状态的目标数字对象模型。
根据本发明的实施例,目标数字对象模型序列可以表示为F={P 0 ,P 1 ,… P t ,…P n-1 },其中P 0 为初始数字对象模型,P t 为第t时刻的目标数字对象模型,t=0,1,2…n-1。P t 由P 0 旋转得到。
根据本发明的实施例,通过利用公式(1)确定不同的旋转角,可以得到在预设时间内处于不同时刻跌倒状态的目标数字对象模型。
根据本发明的实施例,旋转中心为人体模型中两脚连线的中点。旋转方向为绕x轴、y轴做顺时针、逆时针共4个方向的旋转,以模拟向前、后、左、右四个方向的跌倒。
根据本发明的实施例,通过上述旋转角参数式得到旋转角参数,并在预设时间内通过该旋转角参数模拟对象从出现跌倒倾向-失去重心到倒地的过程-对象接触地面到完全倒地的过程,实现对目标数字对象模型序列的生成。
根据本发明的实施例,通过不断调整该旋转角参数可以得到多个目标数字对象模型序列。
根据本发明的实施例,对象模型参数可以为对象的体型参数,位置参数可以为对象在空间中的位置参数。
根据本发明的实施例,通过对各个目标数字对象模型序列进行不同的体型参数和/或不同位置参数的修改,可以得到多个目标数字对象模型序列。
根据本发明的实施例,通过改变跌倒人体模型序列的体型参数和位置参数,可以实现对于样本数据的数据增强。
根据本发明的实施例,通过上述多个目标数字对象模型序列,可以实现对各种跌倒情况,不同条件对象跌倒情况的模拟,从而提高了样本数据的丰富度和全面性。
图5(a)示出了根据本发明实施例的调整对象模型参数得到的目标数字对象模型的示意图。图5(b)示出了根据本发明实施例的调整位置参数得到的目标数字对象模型的示意图。
根据本发明的实施例,以目标数字对象模型为数字人体模型的情况下,如图5(a)所示通过对目标数字对象模型序列中各个目标数字对象模型,进行对象模型参数的修改,可以得到高矮胖瘦等体型不同的目标数字人体模型即进行了增强,以及如图5(b)所示通过位置参数的调整,可以得到不同位置的目标数字人体模型即进行了位置的增强。
图6示出了根据本发明实施例的确定目标数字对象模型的电磁特性值的流程图。
如图6所示,确定目标数字对象模型的电磁特性值包括操作S610~操作S630。
在操作S610,利用预设射线接收面接收反射的目标仿真射线,其中,预设射线接收面包括惠更斯面。
在操作S620,基于目标仿真射线,确定预设射线接收面的电场强度。
在操作S630,基于电场强度,确定目标数字对象模型的电磁特性值。
根据本发明的实施例,惠更斯面主要基于惠更斯原理(Huygens' Principle)得到的,惠更斯原理指出每一个波前可以看作是无数个波源发出的波动的叠加。即波面上的每一个点都可以看作是一个新的波源,这些新的波源发出的波叫做次波。这些新的波源向外发出的球面波叠加在一起,形成了下一个时刻的波面,新波面也被称作惠更斯面。
根据本发明的实施例,利用预设射线接收面接收反射的目标仿真射线,可以实现将预设射线接收面的电磁特征值等价为目标数字对象模型的电磁特性值。
根据本发明的实施例,预设射线接收面包括多个子预设射线接收面,子预设射线接收面为对预设射线接收面进行网格划分得到的;其中,基于目标仿真射线,确定预设射线接收面的电场强度,可以包括以下操作。
确定每个子预设射线接收面接收的目标仿真射线;基于子预设射线接收面接收的目标仿真射线,确定子预设射线接收面的子电场强度;基于与多个子预设射线接收面各自对应的子电场强度确定预设射线接收面的电场强度。
根据本发明的实施例,预设射线接收面包括多个子预设射线接收面,且子预设射线接收面为对预设射线接收面进行网格划分得到的,每个子预设射线接收面与目标数字对象模型的相应部位进行对应。
根据本发明的实施例,基于子预设射线接收面接收的目标仿真射线,确定子预设射线接收面的子电场强度,可以通过以下公式(2)得到。
;(2)
其中,Ebs为子预设射线接收面的子电场强度,j为虚数单位,r为目标仿真射线的传播距离,k为波数,e为自然指数,和/>分别为俯仰方向和方位方向上的子电场强度分量,/>为俯仰角方向向量,/>为方位角方向向量。
根据本发明的实施例,可以基于子电场强度计算每个子预设射线接收面的电磁特性值,从而得到目标数字对象模型的各个部位的电磁特性值,其中,基于子电场强度计算每个子预设射线接收面的电磁特性值可以如以下公式(3)所示。
;(3)
其中,为子预设射线接收面的电磁特性值,Ebs为子预设射线接收面的子电场强。
根据本发明的实施例,也为与该预设射线接收面对应的目标数字对象模型的对应部位的电磁特性值度。
根据本发明的实施例,通过将子预设射线接收面的电磁特性值进行求和等计算,可以得到预设射线接收面的电磁特性值,即得到目标数字对象模型的电磁特性值。
根据本发明的实施例,通过将预设射线接收面划分为多个子预设射线接收面进行电磁特性值的计算,可以实现对目标数字对象模型进行更细粒度的计算,从而得到更准确的电磁特性值。
图7示出了根据本发明实施例的预设射线接收面接收目标仿真射线的示意图。
如图7所示,在预设射线接收面为惠更斯平面的情况下,将惠更斯平面划分为多个子惠更斯平面,以使得子惠更斯平面分别接收子惠更斯平面区域内的目标仿真射线,每个子惠更斯平面对应目标数字对象模型的一个部位,从而得到各个部位的电磁特性值即目标数字对象模型的RCS矩阵,每个部位的电磁特征值为RCS矩阵中的一个元素,通过RCS矩阵可以得到目标数字对象模型整体的电磁特性值,进而实现了更精确的确定目标数字对象模型的电磁特性值的技术效果。
根据本发明的实施例,基于电磁特性值,确定包含目标数字对象模型状态信息的仿真检测信号,可以包括以下操作。
基于电磁特性值和预设仿真检测信号的信号类型,确定初始仿真检测信号;基于相位偏移函数和初始仿真检测信号,确定仿真检测信号,其中,相位偏移函数用于表征由于初始仿真检测信号到达接收阵列中不同天线的路径长度差异造成的初始方向检测信号的相位偏移。
根据本发明的实施例,由于不同的信号类型具备不同的特性,以及不同的表达式,基于不同的预设仿真检测信号的信号类型可以得到不同的初始仿真检测信号,例如:在预设仿真检测信号的信号类型为调频连续波(Frequency Modulated Continuous Wave,FMCW)的情况下,获取调频连续波的初始信号,并模拟将调频连续波的初始信号在接收端进行混频后得到中频信号,其初始仿真检测信号可以如以下公式(4)为例:
;(4)
其中,s IF(t) 为预设仿真检测信号, S,f c ,τ分别表示为调频连续波的调频斜率,载频,信号传播的往返时间。
根据本发明的实施例,由于目标到不同接收天线的路径长度差异可能会造成的初始方向检测信号的相位偏移,因此,通过相位偏移函数对初始仿真检测信号的相位进行更改可以得到多个不同的仿真检测信号,从而实现在真实情景中不同接收天线接收初始仿真检测信号得到仿真检测信号的模拟。
根据本发明的实施例,通过电磁特性值和预设仿真检测信号的信号类型,确定初始仿真检测信号,并基于相位偏移函数和初始仿真检测信号,确定仿真检测信号,实现了对于不同信号类型、不同相位偏移的仿真检测信号的模拟,从而使得生成的样本数据更加多样。
根据本发明的实施例,基于相位偏移函数和初始仿真检测信号,确定仿真检测信号,包括:
通过将多个预设路径长度分别输入至相位偏移函数中,得到多个目标相位偏移值;对于每个目标相位偏移值,基于目标相位偏移值和初始仿真检测信号,确定仿真检测信号。
根据本发明实施例,相位偏移函数可以如以下公式(5)所示:
;(5)
其中,d为相邻接收天线间距离,为初始仿真检测信号到达角,/>为初始仿真检测信号波长。
根据本发明的实施例,对于预设路线长度不进行限定,可以根据实际需求设定多个不同的预设路线长度。
根据本发明的实施例,通过将不同的预设路径长度输入至相位偏移函数中,可以得到多个不同的目标相位偏移值,进而得到多个不同天线接收到的仿真检测信号,实现了从接受天线的角度进一步丰富了样本数据,提高了样本数据的多样性。
根据本发明的实施例,基于仿真检测信号,生成初始样本数据,可以包括以下操作。
对仿真检测信号进行目标傅里叶变换,生成初始样本数据,其中,目标傅里叶变换包括三维傅里叶变换和短时傅里叶变换。
根据本发明的实施例,基于不同的样本数据需求,可以对仿真检测信号进行不同的处理,得到初始样本数据,例如:在初始样本数据的需求为多普勒-距离-角度图(Doppler-Range-Angle Image,DRAI)的情况下,可以对仿真检测信号进行三维傅里叶变换(Fast Fourier Transform,FFT),得到从三个维度表征的信号特征矩阵,并基于该信号特征矩阵生成多普勒-距离-角度图。
根据本发明的实施例,还可以例如:在初始样本数据的需求为时频谱图(spectrogram)的情况下,可以通过短时傅里叶变换(Short-Time Fourier Transform,STFT)得到信号特征矩阵,基于该信号特征矩阵生成时频谱图。
图8示出了根据本发明实施例的初始样本数据的示意图。
根据本发明的实施例,多普勒-距离-角度图和时频谱图的具体表象形式如图8所示,多普勒-距离-角度图分别从多普勒域、距离域以及角度三个方面体现该信号的特征,而通过时频谱图可知得知信号的时域和频域谱情况。
图9示出了根据本发明实施例的无线跌倒检测方法的流程图。
如图9所示,该方法包括操作S910~操作S930。
在操作S910,响应于接收到从目标对象反射的预设时间段的毫米波雷达回波信号集。
在操作S920,对毫米波雷达回波信号集进行目标傅里叶变换,得到信号特征数据;
在操作S930,将信号特征数据输入至利用样本数据生成方法生成的样本数据训练得到的无线跌倒检测模型中,输出目标对象的跌倒检测结果。
根据本发明的实施例,毫米波雷达回波信号集为在得到目标对象授权的情况下进行的接收。
根据本发明的实施例,目标傅里叶变换可以包括三维傅里叶变换和短时傅里叶变换。
根据本发明的实施例,对于无线跌倒检测模型使用的模型不进行限定,可以为深度学习模型,具体地,可以为卷积神经网络模型等。
根据本发明的实施例,通过利用样本数据生成方法生成的样本数据训练得到无线跌倒检测模型,可以更好的实现对于毫米波雷达回波信号集的检测,得到更准确地目标对象的跌倒检测结果。
根据本发明的实施例,由于样本数据生成方法生成的样本数据具备更高的多样性以及全面性,可以使得基于该样本数据生成的无线跌倒检测模型具备更好的鲁棒性。
根据本发明的实施例,如表1所示,对通过真实样本数据训练得到的无线跌倒检测模型的性能参数,与在真实样本的基础上加入基于上述样本数据生成方法生成的样本数据训练得到的无线跌倒检测模型的性能参数进行了比较。并在比较过程中分别对多普勒-距离-角度图和时频谱图两种样本数据分别进行了实验。其中,性能参数包括:准确率、查准率、召回率和F1分数,F1分数可以看作是查准率和召回率的一种调和平均数。
表1
根据本发明的实施例,利用A指代仅采用真实样本数据训练得到的无线跌倒检测模型。利用B指代在真实样本的基础上加入基于上述样本数据生成方法生成的样本数据训练得到的无线跌倒检测模型。
根据本发明的实施例,与A、B分别对应的无线跌倒检测模型采用的深度学习模型相同。
根据本发明的实施例,真实样本数据为对真实对象在真实场景下收集的样本数据,例如:真实样本数据可以为基于雷达回波信号得到的数据,在采集该真实样本数据过程中,雷达的配置可以为调频斜率:S=100MHZ/μs,啁啾信号chirp即扫频余弦信号的持续时间T c =40μs,雷达帧长度T f =50ms,每个chirp包含128个采样点,每个雷达帧包含64个chirp。
根据本发明的实施例,真实样本数据包括1000个跌倒样本和1000个非跌倒样本。基于上述样本数据生成方法生成的样本数据包括3000个跌倒样本和3000个非跌倒样本。测试集中包含真实采集的300个跌倒样本和300个非跌倒样本。
根据本发明的实施例,基于表1可以得知在真实样本的基础上加入基于上述样本数据生成方法生成的样本数据训练得到的无线跌倒检测模型对于基于深度学习的无线跌倒检测工作的存在明显的性能提升。
图10示出了根据本发明实施例的一种采用包含不同比例样本数据的数据集与采用只包含真实数据的数据集训练得到的无线跌倒检测模型的跌倒检测准确率的对比图;图11示出了根据本发明实施例的另一种采用包含不同比例样本数据的数据集与采用只包含真实数据的数据集训练得到的无线跌倒检测模型的跌倒检测准确率的对比图。
根据本发明的实施例,在一些实施例中,对于上述真实样本数据的1000个跌倒样本和1000个非跌倒样本,每次只选取其中的k倍的数据,k∈[0.3,1],进行加入上述样本数据生成方法生成的样本数据(在真实样本数据的基础上加入一定比例的上述样本数据生成方法生成的样本数据)与不加入上述样本数据生成方法生成的样本数据(只采用真实样本数据)的比较。其结果分别如图10、图11所示。其中图10使用的样本数据类型为多普勒-距离-角度图型,图11使用的样本数据类型为使用时频谱图。
如图10所示,在使用样本数据类型为多普勒-距离-角度图的情况下,对于仅采用不同数量真实样本数据训练得到的跌倒检测模型A,以及在不同数量真实样本的基础上加入基于上述样本数据生成方法生成的样本数据训练得到的无线跌倒检测模型B,可以直观的看出在跌倒检测准确率的比对上,B的准确率整体比A的准确率要高。
如图11所示,在使用样本数据类型为时频谱图的情况下,对于仅采用不同数量真实样本数据训练得到的跌倒检测模型A,以及在不同数量真实样本的基础上加入基于上述样本数据生成方法生成的样本数据训练得到的无线跌倒检测模型B,可以直观的看出在跌倒检测准确率的比对上,同样地,B的准确率整体比A的准确率要高。
根据本发明的实施例,实验结果表明,加入上述样本数据生成方法生成的样本数据在真实样本数据集数量较少的情况下有更大幅度的跌倒检测精度提升,甚至可以能够提升5.8%的跌倒检测准确率。
基于上述样本数据生成方法及无线跌倒检测方法,本发明还提供了一种样本数据生成装置及无线跌倒检测装置。以下将结合图12~图13对该装置进行详细描述。
图12示出了根据本发明实施例的样本数据生成装置的结构框图。
如图12所示,该实施例的样本数据生成装置1200包括序列生成模块1210、反射射线确定模块1220、电磁特性值确定模块1230、仿真检测信号确定模块1240、初始数据生成模块1250以及样本数据生成模块1260。
序列生成模块1210,用于对初始数字对象模型进行参数调整,得到多个目标数字对象模型序列,目标数字对象模型序列包括处于不同时刻跌倒状态的目标数字对象模型。
反射射线确定模块1220,用于对于每个目标数字对象模型序列中的每个目标数字对象模型,将预设仿真射线发射至目标数字对象模型上,得到反射的目标仿真射线。
电磁特性值确定模块1230,用于基于反射的目标仿真射线,确定目标数字对象模型的电磁特性值。
仿真检测信号确定模块1240,用于基于电磁特性值,确定包含目标数字对象模型状态信息的仿真检测信号。
初始数据生成模块1250,用于基于仿真检测信号,生成初始样本数据。
样本数据生成模块1260,用于基于与每个目标数字对象模型序列中的多个目标数字对象模型分别对应的初始样本数据,生成样本数据。
根据本发明的实施例,电磁特性值确定模块1230包括:射线接收子模块、电场强度确定子模块以及电磁特性值确定子模块。
射线接收子模块,用于利用预设射线接收面接收反射的目标仿真射线,其中,预设射线接收面包括惠更斯面。
电场强度确定子模块,用于基于目标仿真射线,确定预设射线接收面的电场强度。
电磁特性值确定子模块,用于基于电场强度,确定目标数字对象模型的电磁特性值。
根据本发明的实施例,预设射线接收面包括多个子预设射线接收面,子预设射线接收面为对预设射线接收面进行网格划分得到的。电场强度确定子模块包括:射线确定单元、子电场强度确定单元以及电场强度确定单元。
射线确定单元,用于确定每个子预设射线接收面接收的目标仿真射线。
子电场强度确定单元,用于基于子预设射线接收面接收的目标仿真射线,确定子预设射线接收面的子电场强度。
电场强度确定单元,用于基于与多个子预设射线接收面各自对应的子电场强度确定预设射线接收面的电场强度。
根据本发明的实施例,仿真检测信号确定模块1240包括:初始信号确定子模块和信号确定子模块。
初始信号确定子模块,用于基于电磁特性值和预设仿真检测信号的信号类型,确定初始仿真检测信号。
信号确定子模块,用于基于相位偏移函数和初始仿真检测信号,确定仿真检测信号,其中,相位偏移函数用于表征由于初始仿真检测信号到达接收阵列中不同天线的路径长度差异造成的初始仿真检测信号的相位偏移。
根据本发明的实施例,信号确定子模块包括:相位确定单元和信号确定单元。
相位确定单元,用于通过将多个预设路径长度分别输入至相位偏移函数中,得到多个目标相位偏移值。
信号确定单元,用于对于每个目标相位偏移值,基于目标相位偏移值和初始仿真检测信号,确定仿真检测信号。
根据本发明的实施例,参数包括:旋转角参数、对象模型参数以及位置参数。序列生成模块1210包括:旋转角确定子模块、序列确定子模块以及参数调整子模块。
旋转角确定子模块,用于基于旋转角参数式,得到多个旋转角参数。
序列确定子模块,用于通过多个旋转角参数,得到目标数字对象模型序列。
参数调整子模块,用于针对目标数字对象模型序列中的多个目标数字对象模型,分别调整对象模型参数和位置参数,得到多个目标数字对象模型序列。
根据本发明的实施例,初始数据生成模块1250包括:数据生成子模块。
数据生成子模块,用于对仿真检测信号进行目标傅里叶变换,生成初始样本数据,其中,目标傅里叶变换包括三维傅里叶变换和短时傅里叶变换。
根据本发明的实施例,样本数据生成装置1200还包括:样本获取模块和模型生成模块。
样本获取模块,用于获取预设视频样本和预设图像样本。
模型生成模块,用于基于预设视频样本和预设图像样本生成初始数字对象模型,其中,初始数字对象模型包括:蒙皮多人线性模型。
根据本发明的实施例,序列生成模块1210、反射射线确定模块1220、电磁特性值确定模块1230、仿真检测信号确定模块1240、初始数据生成模块1250以及样本数据生成模块1260中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,序列生成模块1210、反射射线确定模块1220、电磁特性值确定模块1230、仿真检测信号确定模块1240、初始数据生成模块1250以及样本数据生成模块1260中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,序列生成模块1210、反射射线确定模块1220、电磁特性值确定模块1230、仿真检测信号确定模块1240、初始数据生成模块1250以及样本数据生成模块1260中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图13示出了根据本发明实施例的无线跌倒检测装置的结构框图。
如图13所示,该实施例的样本数据生成装置1300包括信号集获取模块1310、特征确定模块1320以及检测结果确定模块1330。
信号集获取模块1310,用于响应于接收到从目标对象反射的预设时间段的毫米波雷达回波信号集。
特征确定模块1320,用于对毫米波雷达回波信号集进行目标傅里叶变换,得到信号特征数据。
检测结果确定模块1330,用于将信号特征数据输入至利用样本数据生成方法生成的样本数据训练得到的无线跌倒检测模型中,输出目标对象的跌倒检测结果。
根据本发明的实施例,信号集获取模块1310和检测结果确定模块1320中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,信号集获取模块1310和检测结果确定模块1320中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,信号集获取模块1310和检测结果确定模块1320中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图14示出了根据本发明实施例的适于实现样本数据生成方法及无线跌倒检测方法的电子设备的方框图。
如图14所示,根据本发明实施例的电子设备1400包括处理器1401,其可以根据存储在只读存储器(ROM)1402中的程序或者从存储部分1408加载到随机访问存储器(RAM)1403中的程序而执行各种适当的动作和处理。处理器1401例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1401还可以包括用于缓存用途的板载存储器。处理器1401可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1403中,存储有电子设备1400操作所需的各种程序和数据。处理器 1401、ROM 1402以及RAM 1403通过总线1404彼此相连。处理器1401通过执行ROM 1402和/或RAM1403中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,程序也可以存储在除ROM 1402和RAM 1403以外的一个或多个存储器中。处理器1401也可以通过执行存储在一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备1400还可以包括输入/输出(I/O)接口1405,输入/输出(I/O)接口1405也连接至总线1404。电子设备1400还可以包括连接至输入/输出(I/O)接口1405的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1407;包括硬盘等的存储部分1408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1409。通信部分1409经由诸如因特网的网络执行通信处理。驱动器1410也根据需要连接至输入/输出(I/O)接口1405。可拆卸介质1411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1410上,以便于从其上读出的计算机程序根据需要被安装入存储部分1408。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM 1402和/或RAM 1403和/或ROM 1402和RAM 1403以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本发明实施例所提供的样本数据生成方法及无线跌倒检测方法。
在该计算机程序被处理器1401执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1409被下载和安装,和/或从可拆卸介质1411被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分1409从网络上被下载和安装,和/或从可拆卸介质1411被安装。在该计算机程序被处理器1401执行时,执行本发明实施例的系统中限定的上述功能。根据本发明的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本发明的各个实施例记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本发明中。特别地,在不脱离本发明精神和教导的情况下,本发明的各个实施例记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。不脱离本发明的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本发明的范围之内。
Claims (8)
1.一种样本数据生成方法,其特征在于,包括:
对初始数字对象模型进行参数调整,得到多个目标数字对象模型序列,所述目标数字对象模型序列包括处于不同时刻跌倒状态的目标数字对象模型;
对于每个所述目标数字对象模型序列中的每个所述目标数字对象模型,将预设仿真射线发射至所述目标数字对象模型上,得到反射的目标仿真射线;
基于反射的所述目标仿真射线,确定所述目标数字对象模型的电磁特性值;
基于所述电磁特性值,确定包含所述目标数字对象模型状态信息的仿真检测信号;
基于所述仿真检测信号,生成初始样本数据;
基于与每个所述目标数字对象模型序列中的多个所述目标数字对象模型分别对应的初始样本数据,生成样本数据;
其中,所述参数包括:旋转角参数、对象模型参数以及位置参数;
所述对初始数字对象模型进行参数调整,得到多个目标数字对象模型序列,包括:
基于旋转角参数式,得到多个所述旋转角参数;
通过多个所述旋转角参数,得到目标数字对象模型序列;
针对所述目标数字对象模型序列中的多个目标数字对象模型,分别调整所述对象模型参数和所述位置参数,得到多个所述目标数字对象模型序列;
所述旋转角参数式如以下公式(1)所示:
;(1)
其中,所述表征旋转角参数,0≤t<t pre表征模拟对象出现跌倒倾向的时期,t pre≤t<t critical表征模拟对象失去重心到倒地的时期,t critical≤t<t n表征模拟对象接触地面到完全倒地的时期,t pre表征模拟对象出现跌倒倾向的时刻,t critical表征模拟对象与地面发生碰撞的时刻,t n表征模拟对象完全静止于地面的时刻。
2.根据权利要求1所述的方法,其特征在于,所述基于反射的所述目标仿真射线,确定所述目标数字对象模型的电磁特性值,包括:
利用预设射线接收面接收反射的所述目标仿真射线,其中,所述预设射线接收面包括惠更斯面;
基于所述目标仿真射线,确定所述预设射线接收面的电场强度;
基于所述电场强度,确定所述目标数字对象模型的电磁特性值。
3.根据权利要求2所述的方法,其特征在于,所述预设射线接收面包括多个子预设射线接收面,所述子预设射线接收面为对所述预设射线接收面进行网格划分得到的;
其中,所述基于所述目标仿真射线,确定所述预设射线接收面的电场强度,包括:
确定每个所述子预设射线接收面接收的所述目标仿真射线;
基于所述子预设射线接收面接收的所述目标仿真射线,确定所述子预设射线接收面的子电场强度;
基于与多个所述子预设射线接收面各自对应的所述子电场强度确定所述预设射线接收面的电场强度。
4.根据权利要求1所述的方法,其特征在于,所述基于所述电磁特性值,确定包含所述目标数字对象模型状态信息的仿真检测信号,包括:
基于所述电磁特性值和预设仿真检测信号的信号类型,确定初始仿真检测信号;
基于相位偏移函数和所述初始仿真检测信号,确定所述仿真检测信号,其中,所述相位偏移函数用于表征由于所述初始仿真检测信号到达接收阵列中不同天线的路径长度差异造成的所述初始仿真检测信号的相位偏移。
5.根据权利要求4所述的方法,其特征在于,所述基于相位偏移函数和所述初始仿真检测信号,确定所述仿真检测信号,包括:
通过将多个预设路径长度分别输入至所述相位偏移函数中,得到多个目标相位偏移值;
对于每个所述目标相位偏移值,基于所述目标相位偏移值和所述初始仿真检测信号,确定所述仿真检测信号。
6.根据权利要求1所述的方法,其特征在于,所述基于所述仿真检测信号,生成初始样本数据,包括:
对所述仿真检测信号进行目标傅里叶变换,生成所述初始样本数据,其中,所述目标傅里叶变换包括三维傅里叶变换和短时傅里叶变换。
7.根据权利要求1所述的方法,其特征在于,还包括:
获取预设视频样本和预设图像样本;
基于所述预设视频样本和所述预设图像样本生成所述初始数字对象模型,其中,所述初始数字对象模型包括:蒙皮多人线性模型。
8.一种无线跌倒检测方法,其特征在于,包括:
响应于接收到从目标对象反射的预设时间段的毫米波雷达回波信号集;
对所述毫米波雷达回波信号集进行目标傅里叶变换,得到信号特征数据;
将所述信号特征数据输入至利用权利要求1~7中任一项所述的样本数据生成方法生成的样本数据训练得到的无线跌倒检测模型中,输出所述目标对象的跌倒检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311811310.7A CN117473880B (zh) | 2023-12-27 | 2023-12-27 | 样本数据生成方法及无线跌倒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311811310.7A CN117473880B (zh) | 2023-12-27 | 2023-12-27 | 样本数据生成方法及无线跌倒检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117473880A CN117473880A (zh) | 2024-01-30 |
CN117473880B true CN117473880B (zh) | 2024-04-05 |
Family
ID=89627823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311811310.7A Active CN117473880B (zh) | 2023-12-27 | 2023-12-27 | 样本数据生成方法及无线跌倒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473880B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10371786B1 (en) * | 2017-06-05 | 2019-08-06 | Amazon Technologies, Inc. | Electromagnetic object tracking system |
WO2022134344A1 (zh) * | 2020-12-21 | 2022-06-30 | 苏州科达科技股份有限公司 | 目标检测方法、系统、设备及存储介质 |
WO2022148083A1 (zh) * | 2021-01-07 | 2022-07-14 | 深圳追一科技有限公司 | 仿真3d数字人交互方法、装置、电子设备及存储介质 |
WO2023138376A1 (zh) * | 2022-01-21 | 2023-07-27 | 京东方科技集团股份有限公司 | 动作识别方法、模型训练方法、装置及电子设备 |
CN116662411A (zh) * | 2023-06-25 | 2023-08-29 | 北京沃东天骏信息技术有限公司 | 场景模板库的构建方法、对象预测方法及装置、电子设备 |
CN117055004A (zh) * | 2023-08-15 | 2023-11-14 | 浙江大学 | 一种基于毫米波雷达稀疏点云的三维人体骨架估计方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10083182B2 (en) * | 2014-06-26 | 2018-09-25 | International Business Machines Corporation | Augmented directory hash for efficient file system operations and data management |
US11250293B2 (en) * | 2019-07-24 | 2022-02-15 | Bank Of America Corporation | Computer architecture for representing positional digits using correlithm objects in a correlithm object processing system |
CN112415480A (zh) * | 2019-08-20 | 2021-02-26 | 是德科技股份有限公司 | 用于测试毫米波雷达传感器的多输入多输出(mimo)目标仿真系统及方法 |
CN113591872A (zh) * | 2020-04-30 | 2021-11-02 | 华为技术有限公司 | 一种数据处理系统、物体检测方法及其装置 |
CN114661142A (zh) * | 2020-12-22 | 2022-06-24 | 华为技术有限公司 | 一种手势识别方法以及装置 |
US11755886B2 (en) * | 2021-04-13 | 2023-09-12 | Qualcomm Incorporated | Passive positioning with radio frequency sensing labels |
CN113920577A (zh) * | 2021-08-06 | 2022-01-11 | 南京邮电大学 | 一种室内非接触式人体活动识别方法及系统 |
CN114821269A (zh) * | 2022-05-10 | 2022-07-29 | 安徽蔚来智驾科技有限公司 | 多任务目标检测方法、设备、自动驾驶系统和存储介质 |
-
2023
- 2023-12-27 CN CN202311811310.7A patent/CN117473880B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10371786B1 (en) * | 2017-06-05 | 2019-08-06 | Amazon Technologies, Inc. | Electromagnetic object tracking system |
WO2022134344A1 (zh) * | 2020-12-21 | 2022-06-30 | 苏州科达科技股份有限公司 | 目标检测方法、系统、设备及存储介质 |
WO2022148083A1 (zh) * | 2021-01-07 | 2022-07-14 | 深圳追一科技有限公司 | 仿真3d数字人交互方法、装置、电子设备及存储介质 |
WO2023138376A1 (zh) * | 2022-01-21 | 2023-07-27 | 京东方科技集团股份有限公司 | 动作识别方法、模型训练方法、装置及电子设备 |
CN116662411A (zh) * | 2023-06-25 | 2023-08-29 | 北京沃东天骏信息技术有限公司 | 场景模板库的构建方法、对象预测方法及装置、电子设备 |
CN117055004A (zh) * | 2023-08-15 | 2023-11-14 | 浙江大学 | 一种基于毫米波雷达稀疏点云的三维人体骨架估计方法 |
Non-Patent Citations (8)
Title |
---|
STrack:Velocity Estimation Using Single Antenna WiFi Devices.IEEE.2023,全文. * |
基于图像语义分割和CNN模型的老人跌倒检测;赵斌;鲍天龙;朱明;;计算机系统应用;20171015(第10期);全文 * |
基于无线信号无源反射的感知、识别和追踪;肖宁;中国优秀硕士学位论文全文数据库(电子期刊);20210115;全文 * |
基于时序分析的人体摔倒预测方法;佟丽娜;宋全军;葛运建;;模式识别与人工智能;20120415(第02期);全文 * |
基于深度自编码多维特征融合的慢动目标检测;张文涛;许治国;郑霖;杨超;;计算机工程;20190515(第05期);全文 * |
基于视觉和轮速计融合的巡逻机器人;朱道俊;中国优秀硕士学位论文全文数据库(电子期刊);20210815;全文 * |
江苏省老年人跌倒发生情况及危险因素分析;宇翔 等;中华疾病控制杂志;20101031;第14卷(第10期);全文 * |
汽车雷达场景仿真方法的研究;马振刚;任重;;上海汽车;20200410(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117473880A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ram et al. | Simulation and analysis of human micro-Dopplers in through-wall environments | |
Awada et al. | Bistatic scattering from an anisotropic sea surface: Numerical comparison between the first-order SSA and the TSM models | |
Zhu et al. | An ensemble estimation of the variability of upper-ocean heat content over the tropical Atlantic Ocean with multi-ocean reanalysis products | |
JP2011209780A (ja) | 変化領域特定装置および変化領域特定プログラム。 | |
Deep et al. | Radar cross‐sections of pedestrians at automotive radar frequencies using ray tracing and point scatterer modelling | |
Heidarzadeh et al. | Deep-water characteristics of the trans-Pacific tsunami from the 1 April 2014 M w 8.2 Iquique, Chile earthquake | |
Stanković et al. | Separation and reconstruction of the rigid body and micro‐Doppler signal in ISAR part I–theory | |
Vishwakarma et al. | SimHumalator: An open-source end-to-end radar simulator for human activity recognition | |
Ashworth et al. | Exploring the IMF of star clusters: a joint SLUG and LEGUS effort | |
Astola et al. | Application of bispectrum estimation for time-frequency analysis of ground surveillance Doppler radar echo signals | |
CN103645467A (zh) | 海杂波抑制以及海杂波背景中目标检测的方法和系统 | |
Song | Developing a generalized pseudo-dynamic source model of M w 6.5–7.0 to simulate strong ground motions | |
Lee et al. | Reverberation suppression using non-negative matrix factorization to detect low-Doppler target with continuous wave active sonar | |
Yao et al. | First‐order ocean surface cross‐section for shipborne HFSWR incorporating a horizontal oscillation motion model | |
CN117473880B (zh) | 样本数据生成方法及无线跌倒检测方法 | |
US20170200089A1 (en) | Method and system for data analyzing by intrinsic probability distribution function | |
CN116430126B (zh) | 一种基于电磁背景认知的电磁静默目标检测方法、装置及计算机设备 | |
Zinchenko et al. | Short-time deterministic prediction of individual waves based on space-time X-band Marine radar measurements | |
Böse et al. | CyberShake-derived ground-motion prediction models for the Los Angeles region with application to earthquake early warning | |
Webster et al. | Passive multistatic radar experiment using WiMAX signals of opportunity. Part 2: Multistatic velocity backprojection | |
Chen et al. | A new method to retrieve significant wave height from X-band marine radar image sequences | |
Gupta et al. | Comparing South African inflation volatility across monetary policy regimes: an application of Saphe cracking | |
Wang et al. | Improved CycleGAN-based shadow estimation for ocean wave height inversion from marine X-band radar images | |
JP2976016B2 (ja) | 水中残響の高速模擬方式 | |
Chen et al. | Scattering and Doppler analysis for electrically large nonlinear sea surfaces: a field-based semi-deterministic model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |