CN110554379A - 基于微多普勒的人员检测方法及系统 - Google Patents
基于微多普勒的人员检测方法及系统 Download PDFInfo
- Publication number
- CN110554379A CN110554379A CN201910879553.1A CN201910879553A CN110554379A CN 110554379 A CN110554379 A CN 110554379A CN 201910879553 A CN201910879553 A CN 201910879553A CN 110554379 A CN110554379 A CN 110554379A
- Authority
- CN
- China
- Prior art keywords
- doppler
- radar
- micro
- signal
- detection method
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于微多普勒的人员检测方法,包括以下步骤:步骤一:选择七个身体部位参考点来展示快速行走和跑步期间身体部分的速度分布;步骤二:步行和跑步速度可以从较慢的多普勒频率中导出,该频率对应与躯干相关的更强的RCS响应,这些响应通过将人员建模为多个椭圆体的组合来计算;本发明对行人目标产生的微多普勒建立简单的微多普勒雷达模型,从而准确分辨出目标类型,检测精度可达到89%,大大缩短系统运行成本,提高防撞预警响应时间,避免多个传感器融合调试的匹配难题,解决了毫米波雷达无法精准的对探测物分类的问题。
Description
技术领域
本发明属于毫米波雷达传感器技术领域,具体涉及基于微多普勒的人员检测方法及系统。
背景技术
随着汽车产业的发展以及汽车行驶性能的不断提高,汽车的安全性越来越为人们所重视。在汽车的主动安全系统中,车载毫米波雷达一直被用于测量汽车前方物体的距离和相对速度,提高驾驶员在能见度低的条件下或者处于盲区中的物体感知能力,正大规模应用在汽车防撞系统中。
市场上现有的毫米波雷达系统对于行人的检测基本很难区分,所以大多使用毫米波雷达与视觉信息共同探测的方式来实现行人和其他障碍物的预警。
现有技术采用的毫米波雷达和视觉数据融合来识别行人的算法还是基于目标特征的提取,在恶劣环境下视觉的检测效果大大的受影响,基于该检测精度低的样本计算得出的结果识别率会明显下降,或者说还是要依靠毫米波雷达的检测效果的问题,为此我们提出基于微多普勒的人员检测方法及系统。
发明内容
本发明的目的在于提供基于微多普勒的人员检测方法及系统,以解决上述背景技术中提出的现有技术采用的毫米波雷达和视觉数据融合来识别行人的算法还是基于目标特征的提取,在恶劣环境下视觉的检测效果大大的受影响,基于该检测精度低的样本计算得出的结果识别率会明显下降,或者说还是要依靠毫米波雷达的检测效果的问题。
为实现上述目的,本发明提供如下技术方案:基于微多普勒的人员检测方法,包括以下步骤:
步骤一:选择七个身体部位参考点来展示快速行走和跑步期间身体部分的速度分布。
步骤二:步行和跑步速度可以从较慢的多普勒频率中导出,该频率对应与躯干相关的更强的RCS响应,这些响应通过将人员建模为多个椭圆体的组合来计算。
步骤三:与每个肢体相关的微多普勒频率变化也是可见的,并且显示出清晰的步态周期,可用于导出手臂和腿的摆动速度和周期性。
步骤四:使用闭合形式的RCS公式得到完美导电的椭球,因为使用人体的全波模拟需要大量时间和计算。并且,一个步态周期的模拟涉及多个身体运动帧。
步骤五:使用连接到矢量网络分析仪连接到雷达进行人员微多普勒频谱测量。
步骤六:基本步行步态周期可以分为足部在地面上的持续时间(站立阶段占整个步态周期的62%)和足部运动时间(摆动阶段占整个步态周期的38%),通过比较每个采样时间间隔中相同身体部位的位置,可以计算出身体的速度。
优选的,所述步骤一中七个身体部位参考点为胸骨(STRM),头部(LBHD),左手(LH),左肘(LELB),右手(RH),右肘(RELB),左膝(LKNE),左脚趾(LTOE)和右膝(RKNE)和右脚趾(RTOE)。
优选的,所述步骤二在动态目标检测中,建立一个简单的微多普勒雷达模型,多普勒效应在目标与信号源形成相对平移运动时产生,相应的频移表示为:其中Δf是多普勒频移,f0是雷达信号的载波频率,是行人的步行速度,是到雷达位置的径向距离的矢量,c是光速。
优选的,所述步骤三中微多普勒通过以下式子给出的短时傅立叶变换(STFT)绘制频谱图:其中ω(t)是窗口函数,x(t)是要转换的信号,行人的雷达回波频谱图将包含每个身体部位产生的不同多普勒特征,行人的运动包括躯干平移和旋转,以及手臂和腿的周期性摆动,所以将步行速度和周期作为行人检测和分类的雷达信号特征,由于行人在行走或跑步期间手臂和腿会产生运动,因此腿和手臂的雷达响应与躯干相比具有不同的多普勒频移。
优选的,所述步骤五在测量过程中将13GHz的连续波输出到雷达射频前端,通过收发器中本地振荡器产生的64GHz信号从天线发出信号,将信号上变频转换为77GHz,来自行人的反向散射场由天线接收并通过相同的本地振荡器混合到13GHz,然后由矢量网络分析仪测量下变频的13GHz信号。IF带宽为2GHz,其中IF带宽大于采样率以避免混叠。
基于微多普勒的人员检测方法系统,包括MIMO雷达,所述MIMO雷达包括雷达射频前端、信号处理模块、动态目标检测模块,所述雷达射频前端整体采用串联馈电阵列,所述信号处理模块将前端返回的信号进行模拟滤波以及放大处理后,进行A/D转换并在FFT变换之前进行数字滤波,然后在频域执行CFAR目标检测等相关算法,所述动态目标检测模块对信号处理模块处理后建立一个简单的微多普勒雷达模型。
优选的,所述雷达射频前端的阵列中使用切比雪夫激励以降低副瓣,单元间馈线设置为不均匀分布以增加带宽,单元开槽以调节匹配;使用一分二等分功率分配器,将两列天线串联至8*2阵列天线,中心频率为77-78GHz,带宽为2GHz,等效阵列的单元间距为2.8mm,增益可以达到16dB以上,为更好地提高隔离度,在天线上使用直径0.1mm的通孔,通孔需要基本布满整个天线的贴片周围。
与现有技术相比,本发明的有益效果是:本发明对行人目标产生的微多普勒建立简单的微多普勒雷达模型,从而准确分辨出目标类型,检测精度可达到89%,大大缩短系统运行成本,提高防撞预警响应时间,避免多个传感器融合调试的匹配难题,解决了毫米波雷达无法精准的对探测物分类的问题。
附图说明
图1为本发明的阵列天线布局示意图;
图2为本发明的信号处理模块结构示意图;
图3为本发明的捕获数据中使用的位置示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-3,本发明提供一种技术方案:基于微多普勒的人员检测方法,包括以下步骤:
步骤一:选择七个身体部位参考点来展示快速行走和跑步期间身体部分的速度分布。
步骤二:步行和跑步速度可以从较慢的多普勒频率中导出,该频率对应与躯干相关的更强的RCS响应,这些响应通过将人员建模为多个椭圆体的组合来计算。
步骤三:与每个肢体相关的微多普勒频率变化也是可见的,并且显示出清晰的步态周期,可用于导出手臂和腿的摆动速度和周期性。
步骤四:使用闭合形式的RCS公式得到完美导电的椭球,因为使用人体的全波模拟需要大量时间和计算。并且,一个步态周期的模拟涉及多个身体运动帧。
步骤五:使用连接到矢量网络分析仪连接到雷达进行人员微多普勒频谱测量。
步骤六:基本步行步态周期可以分为足部在地面上的持续时间(站立阶段占整个步态周期的62%)和足部运动时间(摆动阶段占整个步态周期的38%),通过比较每个采样时间间隔中相同身体部位的位置,可以计算出身体的速度。
本实施例中,优选的,步骤一中七个身体部位参考点为胸骨(STRM),头部(LBHD),左手(LH),左肘(LELB),右手(RH),右肘(RELB),左膝(LKNE),左脚趾(LTOE)和右膝(RKNE)和右脚趾(RTOE)。
本实施例中,优选的,步骤二在动态目标检测中,建立一个简单的微多普勒雷达模型,多普勒效应在目标与信号源形成相对平移运动时产生,相应的频移表示为:其中Δf是多普勒频移,f0是雷达信号的载波频率,是行人的步行速度,是到雷达位置的径向距离的矢量,c是光速。
本实施例中,优选的,步骤三中微多普勒通过以下式子给出的短时傅立叶变换(STFT)绘制频谱图: ,其中ω(t)是窗口函数,x(t)是要转换的信号,行人的雷达回波频谱图将包含每个身体部位产生的不同多普勒特征,行人的运动包括躯干平移和旋转,以及手臂和腿的周期性摆动,所以将步行速度和周期作为行人检测和分类的雷达信号特征,由于行人在行走或跑步期间手臂和腿会产生运动,因此腿和手臂的雷达响应与躯干相比具有不同的多普勒频移。
本实施例中,优选的,步骤五在测量过程中将13GHz的连续波输出到雷达射频前端,通过收发器中本地振荡器产生的64GHz信号从天线发出信号,将信号上变频转换为77GHz,来自行人的反向散射场由天线接收并通过相同的本地振荡器混合到13GHz,然后由矢量网络分析仪测量下变频的13GHz信号。IF带宽为2GHz,其中IF带宽大于采样率以避免混叠。
基于微多普勒的人员检测方法系统,包括MIMO雷达,MIMO雷达包括雷达射频前端、信号处理模块、动态目标检测模块,雷达射频前端整体采用串联馈电阵列,信号处理模块将前端返回的信号进行模拟滤波以及放大处理后,进行A/D转换并在FFT变换之前进行数字滤波,然后在频域执行CFAR目标检测等相关算法,动态目标检测模块对信号处理模块处理后建立一个简单的微多普勒雷达模型。
本实施例中,优选的,雷达射频前端的阵列中使用切比雪夫激励以降低副瓣,单元间馈线设置为不均匀分布以增加带宽,单元开槽以调节匹配;使用一分二等分功率分配器,将两列天线串联至8*2阵列天线,中心频率为77-78GHz,带宽为2GHz,等效阵列的单元间距为2.8mm,增益可以达到16dB以上,为更好地提高隔离度,在天线上使用直径0.1mm的通孔,通孔需要基本布满整个天线的贴片周围。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.基于微多普勒的人员检测方法,其特征在于:包括以下步骤:
步骤一:选择七个身体部位参考点来展示快速行走和跑步期间身体部分的速度分布;
步骤二:步行和跑步速度可以从较慢的多普勒频率中导出,该频率对应与躯干相关的更强的RCS响应,这些响应通过将人员建模为多个椭圆体的组合来计算;
步骤三:与每个肢体相关的微多普勒频率变化也是可见的,并且显示出清晰的步态周期,可用于导出手臂和腿的摆动速度和周期性;
步骤四:使用闭合形式的RCS公式得到完美导电的椭球,因为使用人体的全波模拟需要大量时间和计算。并且,一个步态周期的模拟涉及多个身体运动帧;
步骤五:使用连接到矢量网络分析仪连接到雷达进行人员微多普勒频谱测量;
步骤六:基本步行步态周期可以分为足部在地面上的持续时间(站立阶段占整个步态周期的62%)和足部运动时间(摆动阶段占整个步态周期的38%),通过比较每个采样时间间隔中相同身体部位的位置,可以计算出身体的速度。
2.根据权利要求1所述的基于微多普勒的人员检测方法,其特征在于:所述步骤一中七个身体部位参考点为胸骨(STRM),头部(LBHD),左手(LH),左肘(LELB),右手(RH),右肘(RELB),左膝(LKNE),左脚趾(LTOE)和右膝(RKNE)和右脚趾(RTOE)。
3.根据权利要求1所述的基于微多普勒的人员检测方法,其特征在于:所述步骤二在动态目标检测中,建立一个简单的微多普勒雷达模型,多普勒效应在目标与信号源形成相对平移运动时产生,相应的频移表示为:其中Δf是多普勒频移,f0是雷达信号的载波频率,是行人的步行速度,是到雷达位置的径向距离的矢量,c是光速。
4.根据权利要求1所述的基于微多普勒的人员检测方法,其特征在于:所述步骤三中微多普勒通过以下式子给出的短时傅立叶变换(STFT)绘制频谱图: 其中ω(t)是窗口函数,x(t)是要转换的信号,行人的雷达回波频谱图将包含每个身体部位产生的不同多普勒特征,行人的运动包括躯干平移和旋转,以及手臂和腿的周期性摆动,所以将步行速度和周期作为行人检测和分类的雷达信号特征,由于行人在行走或跑步期间手臂和腿会产生运动,因此腿和手臂的雷达响应与躯干相比具有不同的多普勒频移。
5.根据权利要求1所述的基于微多普勒的人员检测方法,其特征在于:所述步骤五在测量过程中将13GHz的连续波输出到雷达射频前端,通过收发器中本地振荡器产生的64GHz信号从天线发出信号,将信号上变频转换为77GHz,来自行人的反向散射场由天线接收并通过相同的本地振荡器混合到13GHz,然后由矢量网络分析仪测量下变频的13GHz信号。IF带宽为2GHz,其中IF带宽大于采样率以避免混叠。
6.根据权利要求1-5所述的基于微多普勒的人员检测方法系统,其特征在于:包括MIMO雷达,所述MIMO雷达包括雷达射频前端、信号处理模块、动态目标检测模块,所述雷达射频前端整体采用串联馈电阵列,所述信号处理模块将前端返回的信号进行模拟滤波以及放大处理后,进行A/D转换并在FFT变换之前进行数字滤波,然后在频域执行CFAR目标检测等相关算法,所述动态目标检测模块对信号处理模块处理后建立一个简单的微多普勒雷达模型。
7.根据权利要求6所述的基于微多普勒的人员检测方法系统,其特征在于:所述雷达射频前端的阵列中使用切比雪夫激励以降低副瓣,单元间馈线设置为不均匀分布以增加带宽,单元开槽以调节匹配;使用一分二等分功率分配器,将两列天线串联至8*2阵列天线,中心频率为77-78GHz,带宽为2GHz,等效阵列的单元间距为2.8mm,增益可以达到16dB以上,为更好地提高隔离度,在天线上使用直径0.1mm的通孔,通孔需要基本布满整个天线的贴片周围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910879553.1A CN110554379A (zh) | 2019-09-18 | 2019-09-18 | 基于微多普勒的人员检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910879553.1A CN110554379A (zh) | 2019-09-18 | 2019-09-18 | 基于微多普勒的人员检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110554379A true CN110554379A (zh) | 2019-12-10 |
Family
ID=68740700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910879553.1A Pending CN110554379A (zh) | 2019-09-18 | 2019-09-18 | 基于微多普勒的人员检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110554379A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337897A (zh) * | 2020-04-21 | 2020-06-26 | 湖南红船科技有限公司 | 一种lfmcw雷达快速目标识别方法 |
CN113591760A (zh) * | 2021-08-09 | 2021-11-02 | 路晟悠拜(重庆)科技有限公司 | 基于毫米波的远场多人体的步态监测方法 |
WO2021226980A1 (en) * | 2020-05-15 | 2021-11-18 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Partial point cloud-based pedestrians' velocity estimation method |
CN117292439A (zh) * | 2023-11-27 | 2023-12-26 | 南昌大学 | 一种基于室内毫米波雷达的人体姿态识别方法及系统 |
-
2019
- 2019-09-18 CN CN201910879553.1A patent/CN110554379A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337897A (zh) * | 2020-04-21 | 2020-06-26 | 湖南红船科技有限公司 | 一种lfmcw雷达快速目标识别方法 |
WO2021226980A1 (en) * | 2020-05-15 | 2021-11-18 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Partial point cloud-based pedestrians' velocity estimation method |
CN113591760A (zh) * | 2021-08-09 | 2021-11-02 | 路晟悠拜(重庆)科技有限公司 | 基于毫米波的远场多人体的步态监测方法 |
CN113591760B (zh) * | 2021-08-09 | 2024-01-05 | 路晟悠拜(重庆)科技有限公司 | 基于毫米波的远场多人体的步态监测方法 |
CN117292439A (zh) * | 2023-11-27 | 2023-12-26 | 南昌大学 | 一种基于室内毫米波雷达的人体姿态识别方法及系统 |
CN117292439B (zh) * | 2023-11-27 | 2024-03-22 | 南昌大学 | 一种基于室内毫米波雷达的人体姿态识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110554379A (zh) | 基于微多普勒的人员检测方法及系统 | |
US9689983B2 (en) | Radar apparatus and running vehicle sensing method | |
US10677905B2 (en) | System and method for occupancy detection using a millimeter-wave radar sensor | |
US8704702B2 (en) | Method for estimating an object motion characteristic from a radar signal, a computer system and a computer program product | |
US20160238694A1 (en) | Radar device | |
CN109343052B (zh) | 基于mimo的毫米波雷达有轨电车防碰撞预警方法及系统 | |
CN102798863A (zh) | 基于汽车防撞雷达的道路中央隔离带检测方法 | |
EP2942641A1 (en) | Radar device | |
Park et al. | Software defined radar studies of human motion signatures | |
CN106054193A (zh) | 一种车辆周围多目标检测方法、处理器及毫米波雷达系统 | |
CN112904329A (zh) | 基于毫米波雷达的目标监测系统和方法 | |
Steinhauser et al. | Towards safe autonomous driving: Challenges of pedestrian detection in rain with automotive radar | |
US20210326581A1 (en) | DNN-Based Human Face Classification | |
Li et al. | In-vehicle occupant detection system using mm-wave radar | |
Rong et al. | Sparse processing for driver respiration monitoring using in-vehicle mmwave radar | |
CN107783099A (zh) | 基于组合波形的旋翼无人机短距离防撞系统信号处理系统及方法 | |
CN111175715A (zh) | 可抑制雷达近距离谐波的辅助驾驶系统、方法 | |
CN111337897A (zh) | 一种lfmcw雷达快速目标识别方法 | |
CN114355329A (zh) | 一种调频连续波雷达生命体征距离检测的方法 | |
Casalini et al. | GMTI in circular SAR data using STAP | |
Narasimhan et al. | Design of connected component analysis based clustering of CFAR image in pulse Doppler radars | |
Singh et al. | Through the wall human signature detection using principle component analysis (PCA) | |
Zhang et al. | A Novel target classification and identification algorithm for 77G LFMCW automotive collision avoidance radar | |
US20240280692A1 (en) | Fine-near-range estimation method for automotive radar applications | |
CN111190154A (zh) | 可抑制雷达近距离谐波的辅助驾驶系统、方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191210 |
|
WD01 | Invention patent application deemed withdrawn after publication |