CN102928835A - 一种基于改进广义s变换的人体目标运动状态识别方法 - Google Patents
一种基于改进广义s变换的人体目标运动状态识别方法 Download PDFInfo
- Publication number
- CN102928835A CN102928835A CN2012103808478A CN201210380847A CN102928835A CN 102928835 A CN102928835 A CN 102928835A CN 2012103808478 A CN2012103808478 A CN 2012103808478A CN 201210380847 A CN201210380847 A CN 201210380847A CN 102928835 A CN102928835 A CN 102928835A
- Authority
- CN
- China
- Prior art keywords
- human body
- hip
- joint
- rightarrow
- theta
- 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.)
- Granted
Links
Images
Abstract
本发明公开一种基于改进广义S变换的人体目标运动状态识别方法,属于雷达生命探测和识别技术领域。本发明首先基于经验数学参数和欧拉旋转矩阵建立人体目标行走的空间模型,然后建立包含微多普勒调制的雷达回波模型,通过采用改进的广义S变换从回波信号中提取目标微多普勒特征,从而实现对人体目标运动状态的识别。识别出慢速行走、正常行走和快速行走的三种具体目标状态。
Description
技术领域
本发明涉及一种雷达生命探测技术的人体目标运动状态识别方法,利用改进的广义S变换从人体运动目标雷达回波中提取微多普勒特征,实现对目标不同运动状态的识别。
背景技术
生命探测和识别技术是近代迅速发展的一项新技术,其技术类型根据传感器的不同可以分为光学探测、声学探测、红外探测和雷达探测四种。光学生命探测技术利用光反射进行生命探测,通过废墟堆积层中的空隙或专用钻机钻孔,深入被困人员附近,确定生命体位置和生存状态。但是光学技术在低照度条件下成像质量低,限制了其应用。声学生命探测技术通过检测和分析生命体的移动、敲击和呼叫等信号,确定生命体的位置。但在嘈杂的环境中,目标发出的声音信号微弱,很难确定探测信号的有效性和有效信号源的位置。红外探测技术利用人体的红外辐射特性与周围环境的红外辐射特性不同的原理,以成像的方式把生命体目标与周围环境分开,可对黑暗、浓烟环境进行搜索,且其具有夜视功能,不过因为其缺乏穿透障碍物的能力而受到一定的限制。雷达生命探测技术根据生命体活动对雷达回波产生微多普勒调制的原理,利用合适的信号处理技术提取生命体微动参数,实现对生命体的探测和识别。雷达生命探测技术具有穿透力强、作用距离精确、抗干扰能力强、探测灵敏度高等优点,且不易受到温度、湿度、光照、现场地形等因素的影响,因此,利用雷达微多普勒进行生命探测具有广泛的应用前景和巨大的发展潜力。
目标或目标的组成部分除质心平动以外的振动、转动和加速运动等微小运动称为微动,微动将会对雷达回波信号产生频率调制,生成关于目标主体的多普勒旁瓣,这种现象称为微多普勒效应。人体各部分肢体的运动不同,产生的微多普勒调制也不同。人体目标雷达回波中的微多普勒特征包含了目标的运动和结构等信息,有效提取微多普勒特征可以反演目标的相关参数,可用于目标的探测、分类和识别。目前对于人体微多普勒特征的提取,大多采用短时傅里叶变换(STFT)和Wigner-Villy分布(WVD)方法。STFT使用一个固定的窗函数,窗函数一旦确定了以后,其形状就不再发生改变,STFT的分辨率也就确定了。如果要改变分辨率,则需要重新选择窗函数。STFT用来分析分段平稳信号或者近似平稳信号犹可,但是对于非平稳信号,当信号变化剧烈时,要求窗函数有较高的时间分辨率;而波形变化比较平缓的时刻,主要是低频信号,则要求窗函数有较高的频率分辨率。STFT不能兼顾频率与时间分辨率的需求。WVD有着非常高的分辨率,但是由于人体各部分的不同运动会对雷达信号产生不同的频率调制,因此其雷达回波存在多个分量,WVD在分析多分量信号时有交叉项干扰的问题。
S变换是由Stockwell等人,于1996年提出的一种特殊的加窗傅里叶变换,是对短时傅里叶变换(STFT)和小波变换的扩展。
发明内容
为了解决人体目标雷达回波微多普勒提取中,短时傅里叶变换分辨率低,WVD存在交叉项干扰的问题,本发明提出一种以改进广义S变换方法提取微多普勒为基础的人体目标运动状态识别方法。
本发明的技术方案是:对广义S变换进行改进,在不牺牲高频处分辨率的条件下提升了低频处的分辨能力,并保留更多的信号能量,使之更适用于人体微多普勒提取,利用改进的广义S变换从回波信号中提取目标微多普勒特征,实现对人体目标运动状态的识别。其具体步骤如下:
步骤一:基于经验数学参数和欧拉旋转矩阵建立人体目标行走的空间模型;
步骤二:针对连续波雷达信号建立人体行走目标的雷达回波模型;
步骤三:对广义S变换进行改进,并利用改进的广义S变换对回波进行时频分析,提取回波信号微多普勒特征;
步骤四:由时频谱图判断人体目标运动状态(慢速行走,正常行走,快速行走)。
本发明目标状态识别的优点:
①利用雷达进行人体运动目标探测具有穿透力强、作用距离精确、抗干扰能力强、探测灵敏度高等优点,且不易受到温度、湿度、光照、现场地形等因素的影响。
②利用改进的广义S变换进行人体运动目标微多普勒提取具有良好的时频分辨率,并且对噪声有较强的抑制能力。
③对广义S变换进行的改进,可以在不牺牲高频处分辨率的条件下提升低频处的分辨能力,并保留更多的信号能量,使之更适用于人体微多普勒提取。
附图说明
图1是基于改进广义S变换的人体目标运动状态识别的流程图。
图2是人体行走时的时空特性示意图。
图3是人体、关节与参考坐标系的关系示意图。
图3A是在参考坐标系与肩关节坐标系、肘关节坐标系的关系示意图。
图3B是在参考坐标系与髋关节坐标系、膝关节坐标系的关系示意图。
图4A是快速行走(相对速度为3)时回波微多普勒时频谱图。
图4B是正常行走(相对速度为1.2)时回波微多普勒时频谱图。
图4C是慢速行走(相对速度为0.4)时回波微多普勒时频谱图。
具体实施方式
下面将结合附图对本发明做进一步的详细说明。
参见图1所示,本发明的一种基于改进广义S变换的人体目标运动状态识别方法,该人体目标运动状态识别方法包括有下列处理步骤:
步骤一:基于经验数学参数和欧拉旋转矩阵建立人体目标行走的空间模型;
步骤二:针对连续波雷达信号建立人体行走目标的雷达回波模型;
步骤三:对广义S变换进行改进,并利用改进的广义S变换对回波进行时频分析,提取回波信号微多普勒特征;
步骤四:由时频谱图判断人体目标运动状态(慢速行走,正常行走,快速行走)。
为了实现本发明的一种基于改进广义S变换的人体目标运动状态识别,下面对各个部分进行详细说明:
(1)建立人体行走数学模型
假设人体行走的速度为V(单位为米/秒),则相对行走速度为其中,H是髋关节S4到踝关节S6的垂直长度,长度单位为米。在本发明中,将相对行走速度VR≥1.3定义为快速行走状态;将相对行走速度0.5≤VR<1.3定义为正常行走状态;将相对行走速度VR<0.5定义为慢速行走状态。
根据Bolic和Thalmann等人提出的经验数学参数(参考文献:Themicro-Doppler Effect in Radar.Victor C.Chen.Library of CongressCataloging-in-Publication Data.2011),人体行走的步幅行走周期单脚支撑期Dss=0.248Dc+0.143,双脚支撑期Dds=0.252Dc-0.143,行走周期内相对时间t为行走时间。
参见图3所示,本发明依据人体的构造并以各个关节进行人体模型的表征,则包括有肩关节S1、肘关节S2、腕关节S3、髋关节S4、膝关节S5和踝关节S6。肩膀编号记为1,肩膀的宽度记为LSH;大臂编号记为2,大臂的长度记为LUA;小臂编号记为3,小臂的长度记为LLA;髋骨编号记为4,髋骨的宽度记为LHIP;躯干编号记为5,躯干的长度记为LTO;大腿编号记为6,大腿的长度记为LUL;小腿编号记为7,小腿的长度记为LLL。
参见图3、图3A、图3B所示,建立人体参考坐标系,以水平面为XOY面,以脊椎底端O为原点,X轴为人体行进方向,Z轴垂直于地面,Y轴垂直于X轴和Z轴,构建右手直角坐标系O-XYZ。
以肩关节S1为原点,建立肩关节S1在参考坐标系O-XYZ中的肩关节坐标系S1-X1Y1Z1。
以肘关节S2为原点,建立肘关节S2在参考坐标系O-XYZ中的肘关节坐标系S2-X2Y2Z2。
以髋关节S4为原点,建立髋关节S4在参考坐标系O-XYZ中的髋关节坐标系S4-X4Y4Z4。
以膝关节S5为原点,建立膝关节S5在参考坐标系O-XYZ中的膝关节坐标系S5-X5Y5Z5。
肩关节坐标系S1-X1Y1Z1到参考坐标系O-XYZ的章动角记为θsh(简称为第一章动角θsh)。
肘关节坐标系S2-X2Y2Z2到肩关节坐标系S1-X1Y1Z1的章动角记为θel(简称为第二章动角θel)。
髋关节坐标系S4-X4Y4Z4到参考坐标系O-XYZ的章动角记为θhip(简称为第三章动角θhip)。
膝关节坐标系S5-X5Y5Z5到髋关节坐标系S4-X4Y4Z4的章动角记为θkn(简称为第四章动角θkn)。
在本发明中,肩关节坐标系S1-X1Y1Z1是以肩关节S1为原点,X1轴为大臂2绕肩关节S1摆动的切线方向,Z1轴为沿大臂向上方向,Y1轴方向与参考坐标系相同。
在本发明中,肘关节坐标系S2-X2Y2Z2是以肘关节S2为原点,X2轴为小臂3绕肘关节S2摆动的切线方向,Z2轴沿小臂向上方向,Y2轴方向与参考坐标系相同。
在本发明中,髋关节坐标系S4-X4Y4Z4是以髋关节S4为原点,X4轴为大腿6绕髋关节S4摆动的切线方向,Z4轴沿大腿向上方向,Y4轴方向与参考坐标系相同。
在本发明中,膝关节坐标系S5-X5Y5Z5是以膝关节S5为原点,X5轴为小腿7绕膝关节S5摆动的切线方向,Z5轴沿小腿向上方向,Y5轴方向与参考坐标系相同。
在基于经验数学参数和欧拉旋转矩阵建立人体目标行走的空间模型的处理步骤中,人体行走关系表示为:
(A)人体上肢运动为绕肩关节S1和肘关节S2的前后摆动,是指大臂2与躯干5满足章动角第一变化曲线θsh(tR)=3-9.88VR×cos(2πtR)关系,θsh(tR)表示行走周期内相对时间tR下的第一章动角θsh的变化曲线,VR表示相对行走速度。依据章动角第一变化曲线θsh(tR)=3-9.88VR×cos(2πtR)可得肩关节坐标系S1-X1Y1Z1到人体参考坐标系O-XYZ的欧拉旋转矩阵为
(B)人体上肢运动为绕肩关节S1和肘关节S2的前后摆动,是指大臂2与小臂3满足章动角第二变化曲线θel(tR)=3-9.88VR×cos(2πtR)关系,θel(tR)表示行走周期内相对时间tR下的第二章动角θel的变化曲线,VR表示相对行走速度。依据章动角第二变化曲线θel(tR)=3-9.88VR×cos(2πtR)可得肘关节坐标系S2-X2Y2Z2到肩关节坐标系S1-X1Y1Z1的欧拉旋转矩阵为 (简称为肘关节欧拉旋转矩阵 因此,在行走周期内相对时间tR下腕关节S3在人体参考坐标系O-XYZ中的位置 Rotsh表示第一欧拉旋转矩阵,Rotel表示第二欧拉旋转矩阵,LSH为肩膀的宽度,LUA表示大臂2的长度,LLA为小臂3的长度。小臂绕肘关节S2的运动主要用于平衡全身的力矩,对于不同的步态需要平衡扭转力矩的大小也不同。
(C)人体下肢运动为绕髋关节S4和膝关节S5的前后摆动,是指大腿6与躯干5满足章动角第三变化曲线θhip(tR)=3-9.88VR×cos(2πtR)关系,θhip(tR)表示行走周期内相对时间tR下的第三章动角θhip的变化曲线,VR表示相对行走速度。依据章动角第三变化曲线θhip(tR)=3-9.88VR×cos(2πtR)可得髋关节坐标系S4-X4Y4Z4到人体参考坐标系O-XYZ的欧拉旋转矩阵为 (简称为髋关节欧拉旋转矩阵 因此,在行走周期内相对时间tR下膝关节S5在人体参考坐标系O-XYZ中的位置 LHIP为髋骨的宽度,LUL为大腿的长度。
(D)人体下肢运动为绕髋关节S4和膝关节S5的前后摆动,是指大腿6与小腿7满足章动角第四变化曲线θkn(tR)=3-9.88VR×cos(2πtR)关系,θkn(tR)表示行走周期内相对时间tR下的第四章动角θkn的变化曲线,VR表示相对行走速度。依据章动角第四变化曲线θkn(tR)=3-9.88VR×cos(2πtR)可得膝关节坐标系S5-X5Y5Z5到髋关节坐标系S4-X4Y4Z4的欧拉旋转矩阵为 (简称为膝关节欧拉旋转矩阵 因此,在行走周期内相对时间tR下踝关节S6在人体参考坐标系O-XYZ中的位置 LHIP为髋骨的宽度,LUL为大腿的长度,LLL为小腿的长度。
在上肢运动轨迹上,叠加上人体平移速度和重心的前后运动,得到人体行进中上肢的运动轨迹,该上肢运动轨迹包括有大臂运动轨迹和小臂运动轨迹。其中:
大臂满足的运动轨迹为 小臂满足的运动轨迹为
(2)建立人体目标雷达回波模型
设雷达发射单频连续波为s(t)=exp(j×2π×f0×t),j表示s(t)=exp(j×2π×f0×t)为复数形式,s(t)为雷达发射信号,f0为载波频率,t为行走时间;则雷达回波信号在经过与发射载频的本振信号混频后为 (简称为雷达回波关系),sr(t)为混频后雷达回波信号,σ为雷达反射系数,R(t)为行走时间下的目标位置,R0为雷达位置。
在本发明中,为了得到人体目标在雷达回波中的信息,将四肢的运动轨迹代入雷达回波关系中,从而得到人体各肢体部分的雷达回波关系:
(A)躯干的雷达回波关系为:
(B)大臂的雷达回波关系为:
(C)小臂的雷达回波关系为:
(D)大腿的雷达回波关系为:
(E)小腿的雷达回波关系为:
其中sht(t),sLla(t),sLua(t),sLul(t),sLll(t)分别为人体头和躯干、左大臂、左小臂、左大腿和左小腿的雷达回波,身体右侧各肢体与相应的左侧各肢体的雷达回波是相同的,则右侧各肢体的雷达回波记为sRla(t),sRua(t),sRul(t),sRll(t)。
sht(t)表示头和躯干部位的雷达回波;
sLla(t)表示左大臂部位的雷达回波;
sLua(t)表示左小臂部位的雷达回波;
sLul(t)表示左大腿部位的雷达回波;
sLll(t)表示左小腿部位的雷达回波;
sRla(t)表示右大臂部位的雷达回波;
sRua(t)表示右小臂部位的雷达回波;
sRul(t)表示右大腿部位的雷达回波;
sRll(t)表示右小腿部位的雷达回波。
人体整体雷达回波表示为:
stotal(t)=σhtsht(t)+σLlasLla(t)+σRlasRla(t)+σLuasLua(t)+σRuasRua(t)
+σLulsLul(t)+σRulsRul(t)+σLllsLll(t)+σRllsRll(t) 式2-1
其中σht,σLla,σRla,σLua,σRua,σRul,σRul,σLll和σRll分别表示身体各部分的雷达回波反射系数。
在本发明中,利用雷达信号作为探测人体行走目标的方式,具有穿透力强、作用距离精确、抗干扰能力强、探测灵敏度高等优点,且不易受到温度、湿度、光照、现场地形等因素影响的优势
(3)获取时频谱图
S变换是对短时傅里叶变换(STFT)和小波变换的扩展(参考文献:R.Stockwell,L.Mansinha,R.Lowe,Localization of the complexspectrum:The S-transform,IEEE Trans.Signal Process.44(4)(1996)998–1001.)。
S变换是由连续小波变换(CWT)导出,在本发明中,连续小波变换定义为:
其中,t为行走时间,τ为相对时间偏移,f为频率,w(t,f)为母小波,r(t)表示人体目标位置,W(τ,f)表示r(t)的时间频率谱。式3-1与一个相位项相乘,得到:
SST(τ,f)=e-j×2π×f×τW(τ,f) 式3-2
将母小波 代入式3-2中,得到:
此变换中的母小波不满足小波变换的容许性条件,因此它不是严格意义上的小波变换。并且与STFT相比较,S变换中的可以看作特殊的时窗函数,其宽度与频率成反比,可以实现自适应的时窗宽度调整,即在高频处时窗较窄,可获得较高的时间分辨率,低频处时窗较宽,可获得较高的频率分辨率。
在式3-3中引入调节参数λ,构成广义的S变换(GST):即广义S变换关系为:
从式3-4中可以看出,参数λ可以影响时窗幅度和宽度随频率的变化速率。当λ较大时,时窗函数的幅度和宽度随频率变化的速率加快,在高频处可以达到更高的时间分辨率,但同时会大大牺牲其频率分辨率。由于时窗幅度和宽度都与频率成正比,当λ较小时,低频处信号能量将变小,会丢失信号细节信息。为此,本发明引入另外的调节参数p对GST进行改进:即改进的广义S变换关系为:
当p<1时,λ|f|p为凸函数,低频处窗函数幅度和宽度迅速增大,并且可以抵消λ增大造成的高频处频率分辨率的损失。配合较高的λ值,可以更好地保留信号低频处的细节信息,并且提高频率分辨率。合理选择参数,可以在不损失高频处时频分辨率的同时,提高低频处的分辨率,并保留更多的信号细节信息,进一步增加了GST的适用性和灵活性。
将stotal(t)代入式3-5中r(t)进行计算,即可得到人体目标雷达回波信号的时频谱图,从时频谱图上便可同时观察到回波信号在时域和频域上的能量分布情况。在时频谱图分辨率足够的条件下,可以直接看出回波信号每个时刻的瞬时频率。
在本发明中,使用改进的广义S变换提取微多普勒时频特征,具有以下优点:
(1)可以实现自适应的时窗宽度调整,即在高频处时窗较窄,可获得较高的时间分辨率,低频处时窗较宽,可获得较高的频率分辨率。并且对噪声有较强的抑制能力。
(2)可以在不损失高频处时频分辨率的同时,提高低频处的分辨率,并保留更多的信号细节信息,有助于提高分类准确率。
(4)人体目标运动状态判断
第一种,人体目标快速行走状态:
在人体目标快速行走状态下(相对行走速度VR≥1.3),将VR代入式2-1中得到人体目标快速行走状态下的雷达回波,将该回波信号代入式3-5中提取出微多普勒时频谱图,如图4A所示。图中,横坐标Time为时间,(单位:秒s),纵坐标Frequency为频率,(单位:赫兹Hz),在VR=3时的微多普勒时频谱图中可以看出:小臂频率较大,小腿频率比小臂频率略小,大腿和大臂的频率相同,且位于躯干频率两侧。
第二种,人体目标正常行走状态:
在人体目标正常行走状态下(相对行走速度0.5≤VR<1.3),将VR代入式2-1中得到人体目标正常行走状态下的雷达回波,将该回波信号代入式3-5中提取出微多普勒时频谱图,如图4B所示。在VR=1.2时的微多普勒时频谱图中可以看出:小臂频率比快速行走时的频率变小,小腿频率比快速行走时的频率没有变化,大腿和大臂的频率相同,且位于躯干频率两侧,更接近躯干的频率。
第三种,人体目标慢速行走状态:
在人体目标慢速行走状态下(相对行走速度VR<0.5),将VR代入式2-1中得到人体目标慢速行走状态下的雷达回波,将该回波信号代入式3-5中提取出微多普勒时频谱图,如图4C所示。在VR=0.4时的微多普勒时频谱图中可以看出:小臂、大腿和大臂的频率与躯干频率有重叠,小腿频率达到最小。
通过雷达回波信息能够辨别出人体在不同行走状态下的各个部分的频率变化,反之,从频率的变化能够确认出人体行走时的不同状态。
人体目标在不同运动状态下的雷达回波微多普勒时频图不同,可以作为识别的依据。除了整体的微多普勒频移不同外,快速行走时的小臂摆动幅度较大,超过小腿的摆动幅度,正常行走时的小臂摆动幅度较小,两者的小腿摆动幅度相差不大。慢速行走时,小臂几乎没有摆动,小腿的摆动幅度也较小。
Claims (5)
1.一种基于改进广义S变换的人体目标运动状态识别方法,其特征在于包括有下列步骤:
步骤一:基于经验数学参数和欧拉旋转矩阵建立人体目标行走的空间模型;
步骤二:针对连续波雷达信号建立人体行走目标的雷达回波模型;
在建立人体目标雷达回波模型过程中,设雷达发射单频连续波为s(t)=exp(j×2π×f0×t),j表示s(t)=exp(j×2π×f0×t)为复数形式,s(t)为雷达发射信号,f0为载波频率,t为行走时间;则雷达回波信号在经过与发射载频的本振信号混频后的雷达回波关系为 sr(t)为混频后雷达回波信号,σ为雷达反射系数,R(t)为行走时间下的目标位置,R0为雷达位置;
为了得到人体目标在雷达回波中的信息,将四肢的运动轨迹代入雷达回波关系中,从而得到人体各肢体部分的雷达回波关系:
(A)躯干的雷达回波关系为:
(B)大臂的雷达回波关系为:
(C)小臂的雷达回波关系为:
(D)大腿的雷达回波关系为:
(E)小腿的雷达回波关系为:
其中sht(t),sLla(t),sLua(t),sLul(t),sLll(t)分别为人体头和躯干、左大臂、左小臂、左大腿和左小腿的雷达回波,身体右侧各肢体与相应的左侧各肢体的雷达回波是相同的,则右侧各肢体的雷达回波记为sRla(t),sRua(t),sRul(t),sRll(t)。
人体整体雷达回波表示为:
stotal(t)=σhtsht(t)+σLlasLla(t)+σRlasRla(t)+σLuasLua(t)+σRuasRua(t)
+σLulsLul(t)+σRulsRul(t)+σLllsLll(t)+σRllsRll(t);
其中σht,σLla,σRla,σLua,σRua,σLul,σRul,σLll和σRll分别表示身体各部分的雷达回波反射系数;
步骤三:对广义S变换进行改进,并利用改进的广义S变换对回波进行时频分析,提取回波信号微多普勒特征;
广义S变换关系为:
改进的广义S变换关系为:
步骤四:由时频谱图判断人体目标运动状态,即慢速行走,正常行走,快速行走。
2.根据权利要求1所述的基于改进广义S变换的人体目标运动状态识别方法,其特征在于:相对行走速度VR≥1.3定义为快速行走状态;将相对行走速度0.5≤VR<1.3定义为正常行走状态;将相对行走速度VR<0.5定义为慢速行走状态。
3.根据权利要求1所述的基于改进广义S变换的人体目标运动状态识别方法,其特征在于:基于经验数学参数和欧拉旋转矩阵建立人体目标行走的空间模型的处理步骤中,人体行走数学模型中采用了依据人体的构造并以各个关节进行人体模型的表征,则包括有肩关节S1、肘关节S2、腕关节S3、髋关节S4、膝关节S5和踝关节S6。
4.根据权利要求1所述的基于改进广义S变换的人体目标运动状态识别方法,其特征在于:基于经验数学参数和欧拉旋转矩阵建立人体目标行走的空间模型的处理步骤中,人体参考坐标系的建立,以水平面为XOY面,以脊椎底端O为原点,X轴为人体行进方向,Z轴垂直于地面,Y轴垂直于X轴和Z轴,构建右手直角坐标系O-XYZ;
以肩关节S1为原点,建立肩关节S1在参考坐标系O-XYZ中的肩关节坐标系S1-X1Y1Z1。
以肘关节S2为原点,建立肘关节S2在参考坐标系O-XYZ中的肘关节坐标系S2-X2Y2Z2。
以髋关节S4为原点,建立髋关节S4在参考坐标系O-XYZ中的髋关节坐标系S4-X4Y4Z4。
以膝关节S5为原点,建立膝关节S5在参考坐标系O-XYZ中的膝关节坐标系S5-X5Y5Z5。
5.根据权利要求1所述的基于改进广义S变换的人体目标运动状态识别方法,其特征在于:在基于经验数学参数和欧拉旋转矩阵建立人体目标行走的空间模型的处理步骤中,人体行走关系表示为:
(A)人体上肢运动为绕肩关节S1和肘关节S2的前后摆动,是指大臂2与躯干5满足章动角第一变化曲线θsh(tR)=3-9.88VR×cos(2πtR)关系,θsh(tR)表示行走周期内相对时间tR下的第一章动角θsh的变化曲线,VR表示相对行走速度。依据章动角第一变化曲线θsh(tR)=3-9.88VR×cos(2πtR)可得肩关节欧拉旋转矩阵 因此,在行走周期内相对时间tR下肘关节S2在人体参考坐标系O-XYZ中的位置 LSH为肩膀的宽度,LUA表示大臂2的长度,T表示坐标转置。
(B)人体上肢运动为绕肩关节S1和肘关节S2的前后摆动,是指大臂2与小臂3满足章动角第二变化曲线θel(tR)=3-9.88VR×cos(2πtR)关系,θel(tR)表示行走周期内相对时间tR下的第二章动角θel的变化曲线,VR表示相对行走速度。依据章动角第二变化曲线θel(tR)=3-9.88VR×cos(2πtR)可得肘关节欧拉旋转矩阵 因此,在行走周期内相对时间tR下腕关节S3在人体参考坐标系O-XYZ中的位置 Rotsh表示第一欧拉旋转矩阵,Rotel表示第二欧拉旋转矩阵,LSH为肩膀的宽度,LUA表示大臂2的长度,LLA为小臂3的长度。小臂绕肘关节S2的运动主要用于平衡全身的力矩,对于不同的步态需要平衡扭转力矩的大小也不同。
(C)人体下肢运动为绕髋关节S4和膝关节S5的前后摆动,是指大腿6与躯干5满足章动角第三变化曲线θhip(tR)=3-9.88VR×cos(2πtR)关系,θhip(tR)表示行走周期内相对时间tR下的第三章动角θhip的变化曲线,VR表示相对行走速度。依据章动角第三变化曲线θhip(tR)=3-9.88VR×cos(2πtR)可得髋关节欧拉旋转矩阵 因此,在行走周期内相对时间tR下膝关节S5在人体参考坐标系O-XYZ中的位置LHIP为髋骨的宽度,LUL为大腿的长度。
(D)人体下肢运动为绕髋关节S4和膝关节S5的前后摆动,是指大腿6与小腿7满足章动角第四变化曲线θkn(tR)=3-9.88VR×cos(2πtR)关系,θkn(tR)表示行走周期内相对时间tR下的第四章动角θkn的变化曲线,VR表示相对行走速度。依据章动角第四变化曲线θkn(tR)=3-9.88VR×cos(2πtR)可得膝关节欧拉旋转矩阵 因此,在行走周期内相对时间tR下踝关节S6在人体参考坐标系O-XYZ中的位置 LHIP为髋骨的宽度,LUL为大腿的长度,LLL为小腿的长度。
在上肢运动轨迹上,叠加上人体平移速度和重心的前后运动,得到人体行进中上肢的运动轨迹,该上肢运动轨迹包括有大臂运动轨迹和小臂运动轨迹。其中:
在下肢运动轨迹上,叠加上人体平移速度,得到人体行进中下肢的运动轨迹,该下肢运动轨迹包括有大腿运动轨迹和小腿运动轨迹。其中:大腿满足的运动轨迹为小腿满足的运动轨迹为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210380847.8A CN102928835B (zh) | 2012-10-09 | 2012-10-09 | 一种基于改进广义s变换的人体目标运动状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210380847.8A CN102928835B (zh) | 2012-10-09 | 2012-10-09 | 一种基于改进广义s变换的人体目标运动状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102928835A true CN102928835A (zh) | 2013-02-13 |
CN102928835B CN102928835B (zh) | 2014-09-24 |
Family
ID=47643678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210380847.8A Expired - Fee Related CN102928835B (zh) | 2012-10-09 | 2012-10-09 | 一种基于改进广义s变换的人体目标运动状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102928835B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104224190A (zh) * | 2014-10-07 | 2014-12-24 | 电子科技大学 | 一种太赫兹雷达回波的生命特征微动信号分离方法 |
CN104267394A (zh) * | 2014-10-07 | 2015-01-07 | 电子科技大学 | 高分辨率人体目标运动特征检测方法 |
CN104834887A (zh) * | 2014-02-11 | 2015-08-12 | 株式会社理光 | 运动行人表示方法、识别方法及其装置 |
CN106226748A (zh) * | 2016-06-29 | 2016-12-14 | 南京理工大学 | 一种线性正则变换联合s变换的微多普勒信号分析方法 |
CN106291524A (zh) * | 2016-08-05 | 2017-01-04 | 南京理工大学 | 基于人体模型的lfmcw雷达探测运动人体目标的方法 |
CN108518814A (zh) * | 2018-03-30 | 2018-09-11 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器和计算机可读存储介质 |
CN109782251A (zh) * | 2019-03-14 | 2019-05-21 | 北京航空航天大学 | 一种海杂波抑制后的低速目标鉴别方法 |
CN109977885A (zh) * | 2019-03-29 | 2019-07-05 | 成都纳雷科技有限公司 | 一种基于多普勒特征的人车自动识别方法及装置 |
CN110456320A (zh) * | 2019-07-29 | 2019-11-15 | 浙江大学 | 一种基于自由空间步态时序特征的超宽带雷达身份识别方法 |
CN110554439A (zh) * | 2018-06-04 | 2019-12-10 | 富士通株式会社 | 物品检测方法和装置 |
CN110618465A (zh) * | 2018-06-04 | 2019-12-27 | 富士通株式会社 | 物品检测方法和装置 |
CN110647035A (zh) * | 2019-09-04 | 2020-01-03 | 南京理工大学 | 一种膝关节外骨骼角度的无模型自适应反演控制方法 |
CN110967763A (zh) * | 2018-09-28 | 2020-04-07 | 富士通株式会社 | 物品检测方法和装置 |
CN111474587A (zh) * | 2019-01-23 | 2020-07-31 | 富士通株式会社 | 物品检测方法和装置 |
CN112130143A (zh) * | 2019-06-25 | 2020-12-25 | 富士通株式会社 | 物品检测方法和装置 |
CN113096791A (zh) * | 2020-01-08 | 2021-07-09 | 富士通株式会社 | 基于无线信号的人员识别装置、方法及系统 |
CN113267770A (zh) * | 2020-02-14 | 2021-08-17 | 立积电子股份有限公司 | 侦测系统及生命体的侦测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090262006A1 (en) * | 2005-04-14 | 2009-10-22 | L-3 Communications Cyterra Corporation | Moving-entity detection |
CN102236093A (zh) * | 2010-05-01 | 2011-11-09 | 天津工程师范学院 | 人体行走步态特征测量装置 |
-
2012
- 2012-10-09 CN CN201210380847.8A patent/CN102928835B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090262006A1 (en) * | 2005-04-14 | 2009-10-22 | L-3 Communications Cyterra Corporation | Moving-entity detection |
CN102236093A (zh) * | 2010-05-01 | 2011-11-09 | 天津工程师范学院 | 人体行走步态特征测量装置 |
Non-Patent Citations (4)
Title |
---|
张军: "人体步态雷达信号时频分析方法研究", 《电子测量与仪器学报》 * |
张翼: "人体微动雷达特征研究", 《中国博士学位论文全文数据库》 * |
张翼等: "基于微多普勒特征的人体目标雷达回波信号分析", 《信号处理》 * |
李振春等: "线性时频分析方法综述", 《勘探地球物理进展》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834887A (zh) * | 2014-02-11 | 2015-08-12 | 株式会社理光 | 运动行人表示方法、识别方法及其装置 |
CN104834887B (zh) * | 2014-02-11 | 2018-09-11 | 株式会社理光 | 运动行人表示方法、识别方法及其装置 |
CN104267394A (zh) * | 2014-10-07 | 2015-01-07 | 电子科技大学 | 高分辨率人体目标运动特征检测方法 |
CN104224190A (zh) * | 2014-10-07 | 2014-12-24 | 电子科技大学 | 一种太赫兹雷达回波的生命特征微动信号分离方法 |
CN106226748A (zh) * | 2016-06-29 | 2016-12-14 | 南京理工大学 | 一种线性正则变换联合s变换的微多普勒信号分析方法 |
CN106291524B (zh) * | 2016-08-05 | 2019-01-22 | 南京理工大学 | 基于人体模型的lfmcw雷达探测运动人体目标的方法 |
CN106291524A (zh) * | 2016-08-05 | 2017-01-04 | 南京理工大学 | 基于人体模型的lfmcw雷达探测运动人体目标的方法 |
CN108518814A (zh) * | 2018-03-30 | 2018-09-11 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器和计算机可读存储介质 |
CN110554439B (zh) * | 2018-06-04 | 2021-07-23 | 富士通株式会社 | 物品检测方法和装置 |
CN110618465B (zh) * | 2018-06-04 | 2021-07-06 | 富士通株式会社 | 物品检测方法和装置 |
CN110554439A (zh) * | 2018-06-04 | 2019-12-10 | 富士通株式会社 | 物品检测方法和装置 |
CN110618465A (zh) * | 2018-06-04 | 2019-12-27 | 富士通株式会社 | 物品检测方法和装置 |
CN110967763B (zh) * | 2018-09-28 | 2021-12-24 | 富士通株式会社 | 物品检测方法和装置 |
CN110967763A (zh) * | 2018-09-28 | 2020-04-07 | 富士通株式会社 | 物品检测方法和装置 |
CN111474587A (zh) * | 2019-01-23 | 2020-07-31 | 富士通株式会社 | 物品检测方法和装置 |
CN109782251A (zh) * | 2019-03-14 | 2019-05-21 | 北京航空航天大学 | 一种海杂波抑制后的低速目标鉴别方法 |
CN109977885A (zh) * | 2019-03-29 | 2019-07-05 | 成都纳雷科技有限公司 | 一种基于多普勒特征的人车自动识别方法及装置 |
CN112130143A (zh) * | 2019-06-25 | 2020-12-25 | 富士通株式会社 | 物品检测方法和装置 |
CN110456320A (zh) * | 2019-07-29 | 2019-11-15 | 浙江大学 | 一种基于自由空间步态时序特征的超宽带雷达身份识别方法 |
CN110647035A (zh) * | 2019-09-04 | 2020-01-03 | 南京理工大学 | 一种膝关节外骨骼角度的无模型自适应反演控制方法 |
CN110647035B (zh) * | 2019-09-04 | 2022-07-22 | 南京理工大学 | 一种膝关节外骨骼角度的无模型自适应反演控制方法 |
CN113096791A (zh) * | 2020-01-08 | 2021-07-09 | 富士通株式会社 | 基于无线信号的人员识别装置、方法及系统 |
CN113267770A (zh) * | 2020-02-14 | 2021-08-17 | 立积电子股份有限公司 | 侦测系统及生命体的侦测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102928835B (zh) | 2014-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102928835B (zh) | 一种基于改进广义s变换的人体目标运动状态识别方法 | |
Geisheimer et al. | High-resolution Doppler model of the human gait | |
Li et al. | Potential active shooter detection based on radar micro-Doppler and range-Doppler analysis using artificial neural network | |
Geisheimer et al. | A continuous-wave (CW) radar for gait analysis | |
Boric-Lubecke et al. | Doppler radar physiological sensing | |
CN105866779A (zh) | 基于双目相机与毫米波雷达的可穿戴避障装置及避障方法 | |
CN102715920B (zh) | 人体目标生命特征检测方法 | |
Chen et al. | Sensing strides using EMG signal for pedestrian navigation | |
Yardibi et al. | Gait characterization via pulse-Doppler radar | |
Chen et al. | Comparison of EMG-based and accelerometer-based speed estimation methods in pedestrian dead reckoning | |
Seifert et al. | New analysis of radar micro-Doppler gait signatures for rehabilitation and assisted living | |
Wang et al. | A novel pedestrian dead reckoning algorithm using wearable EMG sensors to measure walking strides | |
Shao et al. | DePedo: Anti periodic negative-step movement pedometer with deep convolutional neural networks | |
Yao et al. | Human activities classification based on complex-value convolutional neural network | |
Abdulatif et al. | Person identification and body mass index: A deep learning-based study on micro-Dopplers | |
Tahmoush et al. | Remote detection of humans and animals | |
Rana et al. | Non-contact human gait identification through IR-UWB edge-based monitoring sensor | |
Schaefer et al. | Synchronization of muscular oscillations between two subjects during isometric interaction | |
CN110193830A (zh) | 基于rbf神经网络的踝关节步态预测方法 | |
Qi et al. | Using wearable UWB radios to measure foot clearance during walking | |
Gao et al. | A Pedestrian Dead Reckoning system using SEMG based on activities recognition | |
Hornsteiner et al. | Characterisation of human gait using a continuous-wave radar at 24 GHz | |
Lan et al. | Recognition of moving ground targets by measuring and processing seismic signal | |
CN112741617A (zh) | 一种基于csi的全方向步态检测算法 | |
Ram et al. | Modeling and simulation of human motions for micro-Doppler signatures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140924 Termination date: 20151009 |
|
EXPY | Termination of patent right or utility model |