CN110609281B - 一种区域检测方法及装置 - Google Patents
一种区域检测方法及装置 Download PDFInfo
- Publication number
- CN110609281B CN110609281B CN201910786767.4A CN201910786767A CN110609281B CN 110609281 B CN110609281 B CN 110609281B CN 201910786767 A CN201910786767 A CN 201910786767A CN 110609281 B CN110609281 B CN 110609281B
- Authority
- CN
- China
- Prior art keywords
- area
- point
- moving target
- obtaining
- motion
- 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
Images
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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种区域检测方法及装置,包括:获取监控区域的雷达检测信号;根据所述雷达检测信号得到运动目标;对所述运动目标进行跟踪得到所述运动目标的轨迹;根据所述运动目标的轨迹,得到所述运动目标的起始位置以及终止位置;根据所述起始位置以及终止位置确定所述监控区域的进出口区域。提供的上述技术方案与现有技术相比具有如下优点:本发明通过对获取场景反射的雷达检测信号进行分析,并处理得到运动目标的轨迹,再根据运动目标的轨迹的起始和终止位置信息进行室内进出口区域检测,替代了现有技术中通过图形识别的方法进行区域检测,能够有效降低相应设备的部署成本,同时能够保障特定区域的检测时用户隐私。
Description
技术领域
本申请涉及定位方法,尤其涉及一种区域检测方法及装置。
背景技术
现有技术中进行区域检测基本采用摄像装置以及相应的图像识别技术进行,但是,如果是公共区域进行图像采集不会存在太大问题,但是如果在私人空间中进行图像采集,则会将人们的日常行为进行详细记录,极其容易侵犯用户的隐私,如果发生外泄更会造成诸多隐患。同时,对图像进行处理,计算量较大,对处理模块的计算能力要求较高,因此成本也较高。
雷达作为一种电磁波探测设备,由于其具备的灵敏度高、无需直接接触、可穿透性强的特点越来越受到研究者的重视,其应用范围从最初用于军事到现在很多领域都用到了雷达技术,例如机场安检仪器中使用太赫兹雷达成像技术、机械振动测量、人类生命体征检测等。随着人工智能技术的发展,其与雷达技术相结合的研究成为一个重要的发展方向。
但是,如何将通过雷达替代图像识别进行一些特定区域中的自适应检测,仍是目前待为解决的技术问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种。
第一方面,本申请提供了一种区域检测方法,包括:
获取监控区域的雷达检测信号;
根据所述雷达检测信号得到运动目标;
对所述运动目标进行跟踪得到所述运动目标的轨迹;
根据所述运动目标的轨迹,得到所述运动目标的起始位置以及终止位置;
根据所述起始位置以及终止位置确定所述监控区域的进出口区域。
进一步的,如前述的区域检测方法,所述根据所述雷达检测信号得到运动目标,包括:
根据所述雷达检测信号得到所述监控区域的点云数据;
根据所述点云数据得到运动点;
对各个所述运动点进行聚类得到所述运动目标。
进一步的,如前述的区域检测方法,所述根据所述雷达检测信号得到所述监控区域的点云数据,包括:
根据所述雷达检测信号得到离散数字信号;
根据所述离散数字信号得到所述点云数据。
进一步的,如前述的区域检测方法,所述根据所述离散数字信号得到所述点云数据,包括:
通过离散快速傅里叶变换对所述离散数字信号进行频域分析得到所述监控区域中各个点的距离、方位角和仰角;
根据各个点的距离、方位角和仰角得到各个点的坐标信息;
根据前后帧的所述离散数字信号得到各个点的径向速度;
根据各个点的距离、方位角、仰角、径向速度和坐标信息得到包括所有点的信息的所述点云数据。
进一步的,如前述的区域检测方法,所述根据所述点云数据得到运动点,包括:
获取所述点云数据中各个点的径向速度;
将径向速度不为0的点记为所述运动点。
进一步的,如前述的区域检测方法,所述对各个所述运动点进行聚类得到所述运动目标,包括:
选择任一未聚类的所述运动点作为中心点;
根据各个所述运动点的坐标信息,在剩余运动点中选取一个与所述中心点之间距离小于预设的距离阈值的第一运动点,并进行保存;根据所述第一运动点与所述中心点得到更新后的中心点,并按此对所有所述运动点进行遍历,直至得到所有所述第一运动点以及最终的中心点;
根据所述最终的中心点以及所有第一运动点聚类得到所述运动目标。
进一步的,如前述的区域检测方法,对所述运动目标进行跟踪得到所述运动目标的轨迹,包括:
根据所述运动目标的对应的运动点,得到所述运动目标的第一点云数据;
根据所述第一点云数据判断所述运动目标是否是人;
若所述运动目标是人,则对所述运动目标进行跟踪得到所述运动目标的轨迹。
进一步的,如前述的区域检测方法,根据所述第一点云数据判断所述运动目标是否是人,包括:
根据所述第一点云数据提取所述运动目标的微多普勒特征:
将所述运动目标的微多普勒特征输入预先训练好的模型进行分类,并根据所述分类的结果判断所述模型是否是人;其中,所述模型为采用支持向量机对人运动时的微多普勒特征和一些会动的物体的微多普勒特征进行训练得到。
进一步的,如前述的区域检测方法,所述根据所述第一点云数据提取所述运动目标的微多普勒特征,包括:
根据所述运动目标在连续N帧的离散数字信号中的第一点云数据,计算得到最大径向速度,最小径向速度以及平均径向速度;其中,N为大于等于2的整数。
进一步的,如前述的区域检测方法,在根据所述起始位置以及终止位置确定所述监控区域的进出口区域之前,还包括:
确定所述监控区域对应的边框;
根据所述边框将所述监控区域划分为多个区块。
进一步的,如前述的区域检测方法,所述根据所述起始位置以及终止位置确定所述监控区域的进出口区域,包括:
确定所述起始位置以及终止位置对应的区块;
根据所述起始位置以及终止位置对应的区块确定所述监控区域的进出口区域。
进一步的,如前述的区域检测方法,在根据所述边框将所述监控区域划分为多个区块之后,还包括:
在所述边框内划分得到至少一个中间区域;
所述根据所述起始位置以及终止位置对应的区块确定所述监控区域的进出口区域,包括:
判断所述起始位置以及终止位置对应的区块是否位于所述中间区域中;
若所述对应的区块位于所述中间区域之外,则作为进出口区域。
第二方面,本申请提供了一种区域检测装置,包括:分布式雷达和信息处理模块;
所述分布式雷达,用于获取监控区域的雷达检测信号;
所述信息处理模块,用于执行下述步骤:
根据所述雷达检测信号得到运动目标;
对所述运动目标进行跟踪得到所述运动目标的轨迹;
根据所述运动目标的轨迹,得到所述运动目标的起始位置以及终止位置;
根据所述起始位置以及终止位置确定所述监控区域的进出口区域。
本申请实施例提供了一种区域检测方法及装置,包括:获取监控区域的雷达检测信号;根据所述雷达检测信号得到运动目标;对所述运动目标进行跟踪得到所述运动目标的轨迹;根据所述运动目标的轨迹,得到所述运动目标的起始位置以及终止位置;根据所述起始位置以及终止位置确定所述监控区域的进出口区域。提供的上述技术方案与现有技术相比具有如下优点:本发明通过对获取场景反射的雷达检测信号进行分析,并处理得到运动目标的轨迹,再根据运动目标的轨迹的起始和终止位置信息进行室内进出口区域检测,替代了现有技术中通过图形识别的方法进行区域检测,能够有效降低相应设备的部署成本,同时能够保障特定区域的检测时用户隐私。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种区域检测方法的流程示意图;
图2为如图1所示步骤S2的一种实施例的方法流程示意图;
图3为如图1所示步骤S3的一种实施例的方法流程示意图;
图4为如图3所示步骤S32的一种实施例的方法流程示意图;
图5为本申请一种实施例中雷达所测区域示意图;
图6为本申请一种实施例中区块划分示意图;
图7为本申请实施例提供的一种区域检测装置的模块结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例提供的一种区域检测方法,包括如下所示步骤S1至S5:
S1.获取监控区域的雷达检测信号;
优选的,通过毫米波雷达信号对监控区域进行检测并获得雷达监测信号;
S2.根据雷达检测信号得到运动目标;
也就是说,通过雷达的检测,得到在监控区域内运动的物体,并将该物体认定为运动目标;且同一时刻中,监控区域中的运动目标的数量可以为0个,也可以为一个或多个;
S3.对运动目标进行跟踪得到运动目标的轨迹;
具体的,运动目标的跟踪使用扩展卡尔曼滤波跟踪算法,用于对前一时刻已有的运动目标进行跟踪;并且通过对运动目标进行持续跟踪,即可得到运动目标的轨迹;一般的,该轨迹为运动目标在监控区域内的轨迹;
S4.根据运动目标的轨迹,得到运动目标的起始位置以及终止位置;
具体的,起始位置为轨迹的初始端,终止位置为轨迹的终点;由于雷达检测信号只对监控区域内进行检测,因此运动目标的起始位置以及终止位置都是在监控区域内或边缘上的;
S5.根据起始位置以及终止位置确定监控区域的进出口区域;
也就是说,在监控区域中,突然出现或丢失运动目标的位置往往就是进出口区域,因此,本申请实施例通过检测运动目标的轨迹,达到了间接检测得到进出口区域的目的。
如图2所示,在一些实施例中,如前述的区域检测方法,步骤S2.根据雷达检测信号得到运动目标,包括:
S21.根据雷达检测信号得到监控区域的点云数据;
具体的,雷达检测信号即为雷达的回波信号,根据雷达检测信号对监控区域内进行扫描,得到具有几何位置信息的点云数据;点云是在和目标表面特性的海量点集合;点云数据中的各个点都有对应的三维坐标;
S22.根据点云数据得到运动点;
具体的,由于雷达检测装置每发射一次雷达检测信号,都能够得到一帧对应的点云数据,因此,对比不同帧的点云数据即可得到点云数据中静止的点和运动的点(即为运动点);
S23.对各个运动点进行聚类得到运动目标;
具体的,一个运动目标(如:人)一般雷达会获取多个运动点来表示这个运动目标,因此需要通过聚类算法将同一个运动目标的各个运动点聚类到一起。
在一些实施例中,如前述的区域检测方法,根据雷达检测信号得到监控区域的点云数据,包括:
根据雷达检测信号得到离散数字信号;
也就是说,雷达检测信号是模拟信号,如要对其进行分析处理,先要将其转换为数字信号,即得到对应的离散数字信号;
根据离散数字信号得到点云数据,并包括:
通过离散快速傅里叶变换对离散数字信号进行频域分析得到监控区域中各个点的距离、方位角和仰角;
具体的,在其中一种应用中,各个点的距离、方位角和仰角以雷达设置的所在位置为原点进行测量得到;其中,距离为各个点与原点之间的距离,方位角为以原点建立的坐标系中的方位,仰角为原点至各个点的仰视角度;
根据各个点的距离、方位角和仰角得到各个点的坐标信息;
具体的,根据上一步骤中的方法,在确定原点即坐标系之后可以根据距离和方位得到各个点的平面坐标;根据距离及仰视角可以得到各个点对应的高度坐标;
根据前后帧的离散数字信号得到各个点的径向速度;
也就是说,在快速傅里叶变换的基础上,利用多普勒效应,根据前后帧不同的相位差来估计目标的径向速度;具体的,雷达是以固定频率(时间间隔)进行雷达波的发出,以及雷达检测信号的接收;因此,在确定前后帧(即当前帧与在其之前的任一帧,举例的:可以是当前帧与前一帧,也可以是当前帧与前5帧等等)离散数字信号中各个点的相位差之后,根据相位差以及时间间隔即可得到各个点的径向速度;
根据各个点的距离、方位角、仰角、径向速度和坐标信息得到包括所有点的信息的点云数据;
具体的,点云数据中的各个点的信息包括:各个点相对于原点的距离、方位角和仰角,以及径向速度、坐标信息。
在一些实施例中,如前述的区域检测方法,根据点云数据得到运动点,包括:
获取点云数据中各个点的径向速度;
具体的,为了防止因为点云数据采集的时间间隔过短造成同一点的相位差过小或没有相位差的情况,可以取间隔为N的两帧离散数字信号进行计算得到各个点的径向速度,其中N值可以根据具体的情况进行调整;举例的,当存在某个点的径向速度快的时候,可以取较小的N值进行计算;
将径向速度不为0的点记为运动点;
也就是说,根据各个点的径向速度判断其是否为运动点;当某一点的径向速度为0时,为静止点;当某一点的径向速度不为0,则说明其位置发生过移动,则记为运动点;此外,静止点会被滤掉。
在一些实施例中,如前述的区域检测方法,步骤S23.对各个运动点进行聚类得到运动目标,包括:
选择任一未聚类的运动点作为中心点;其中,未聚类的运动点为未聚类得到与其对应的运动目标的运动点;
也就是说,在所有未聚类的运动点中,任意选择其中一点,并作为中心点,用于进行聚类;由于监控区域中可能存在多个运动目标,因此聚类得到的运动目标也可能会存在多个,当未聚类得到运动目标时,则在所有运动点中进行聚类行为;当已经聚类得到一个运动目标之后,如果还需进行其它运动目标的聚类,则需将已经聚类得到的运动目标所对应的运动点进行删除,并在剩余的运动点中进行聚类;
根据各个运动点的坐标信息,在剩余运动点(未聚类的运动点中除去中心点之外剩余的运动点)中选取一个与中心点之间距离小于预设的距离阈值的第一运动点,并进行保存;根据第一运动点与中心点得到更新后的中心点,并按此对所有运动点进行遍历,直至得到所有第一运动点以及最终的中心点;此外,在聚类之前,可以对各个运动点进行标号,以便于聚类时运动点的选择;
根据最终的中心点以及所有第一运动点聚类得到运动目标;
本实施例中以得到一个运动目标为例,当执行本步骤之后若还存在其他未聚类的运动点,则还可对其它运动点按照本实施例中的方法进行聚类,直至各个运动点都有对应的运动目标;
具体的:1)获取当前没有聚类的运动点,随机选取一个运动点,以此运动点为中心点,在剩下的运动点中依次选取一个计算选取的两个运动点之间的距离;2)若距离大于距离阈值,则舍弃该运动点,在剩下的运动点中依次选取下一个计算选取的两个运动点之间的距离;若距离小于距离阈值,则将选取的运动点保存下来,与之前保存的运动点求平均,并得到更新后的中心点,继续在剩下的运动点中依次选取下一个计算与更新后的中心点之间的距离;3)重复上述过程,直到将点云数据中的所有运动点遍历一遍,每个聚类就是一个新目标。
由于当前场景中根据目标的聚类和跟踪能够统计出当前区域中有多少个运动目标,但并不知道目标是否是人,因此需要将每个目标进行分类。
因此,如图3所示,在一些实施例中,如前述的区域检测方法,步骤S3中记载的对运动目标进行跟踪得到运动目标的轨迹,包括:
S31.根据运动目标的对应的运动点,得到运动目标的第一点云数据;
也就是说,确定各个运动目标上的点云数据,进而可以根据点云数据进行特征提取,以判断该目标是否是人;
S32.根据第一点云数据判断运动目标是否是人;
具体的,不同的运动目标所对应的点云数据各不相同,其中一种判断方法可以是:当运动目标是人的时候,其对应的点云数据则显示是两条腿,而当运动目标是狗的时候,其对应的点云数据则显示为四条腿;
S33.若运动目标是人,则对运动目标进行跟踪得到运动目标的轨迹;
也就是说,只在运动目标是人的时候,才会对其进行跟踪并得到轨迹;举例的:当运动目标是扫地机器人时,其常常穿梭在各种家具底下,经常会出现跟踪失败的情况;若获得此类运动目标,并以此获得进出口区域的话,会将各种家具附近的区域也判定为进出口区域,造成数据不准确,因此只采用人作为运动目标,可以有效避免相应的问题出现。
如图4所示,在一些实施例中,如前述的区域检测方法,步骤S32中记载的根据第一点云数据判断运动目标是否是人,包括:
S321.根据第一点云数据提取运动目标的微多普勒特征:
也就是说,根据第一点云数据提取运动目标的微多普勒特征,并通过微多普勒特征中的各种速度特征对运动目标进行分类判断;
S322.将运动目标的微多普勒特征输入预先训练好的模型进行分类,并根据分类的结果判断模型是否是人;其中,模型为采用支持向量机对人运动时的微多普勒特征和一些会动的物体的微多普勒特征进行训练得到;
也就是说,预先训练好一个用于对运动目标进行实时分类的模型,且该模型是采用支持向量机对采集得到的人运动时的微多普勒特征和一些在具体场景中会动的物体的微多普勒特征(即两个类别)进行训练得到的,使其能够根据微多普勒特征分类得到运动目标是人还是其他会动的物体;进一步的,若根据其他某些会动的物体的轨迹也能够得到准确的进出口区域的话,也可根据其微多普勒特征进行训练,用于后期能够识别得到该会动的物体的种类。
在一些实施例中,如前述的区域检测方法,步骤S321中记载的根据第一点云数据提取运动目标的微多普勒特征,具体包括:
根据运动目标在连续N帧的离散数字信号中的第一点云数据,计算得到最大径向速度,最小径向速度以及平均径向速度;其中,N为大于等于2的整数;优选的,N为30;其中,最大径向速度以及最小径向速度可以分别根据相邻两帧之间的最大位移以及最小位移计算得到,平均径向速度可以根据N帧中的位移距离以及时长计算得到。
在一些实施例中,如前述的区域检测方法,在步骤S4.根据起始位置以及终止位置确定监控区域的进出口区域之前,还包括:
S51.确定监控区域对应的边框;
也就是说,确定监控区域的范围;一般的,采用的雷达所能监控的范围至少大于监控区域;
S52.根据边框将监控区域划分为多个区块;
具体的,在确定监控区域之后,由于轨迹都是线性的,因此轨迹的起点与终点都只是一个点;为了得到进出口区域,因此需要将监控区域划分为多个区块,如图6所示,一般的,各个区块为大小一致的矩形或正方形区块;其中,区块的大小以及数量可以根据检测精度或监控区域大小进行适配性选择,在此不做具体限定。
在一些实施例中,如前述的区域检测方法,步骤S4.根据起始位置以及终止位置确定监控区域的进出口区域,包括:
确定起始位置以及终止位置对应的区块;
根据起始位置以及终止位置对应的区块确定监控区域的进出口区域。
也就是说,确定起始位置以及终止位置所处的区块,并将对应的区块作为监控区域的进出口区域。
在一些实施例中,如前述的区域检测方法,在根据边框将监控区域划分为多个区块之后,还包括:
在边框内划分得到至少一个中间区域;
其中,中间区域为占整个边框区域的一定比例,可以通过预设比例自适应划分得到,也可通过人为划分得到;在边框是固定的情况下,若比例也是固定值,则得到的中间区域也是固定的;
根据起始位置以及终止位置对应的区块确定监控区域的进出口区域,包括:
判断起始位置以及终止位置对应的区块是否位于中间区域中;
若对应的区块位于中间区域之外,则作为进出口区域。
具体的,根据记录的人体轨迹信息提取其初始点和终止点,这两个点一般是人进入区域和离开区域时的位置,因此这两个点的位置一般是在进出口区域。计算一段时间内,检测到人的起始位置以及终止位置所在的区块(中间区域不计,只记录除中间区域的区域),初始点和终止点落在哪个区块,就将对应的区块记录在进出口区域中;此外,由于根据每条轨迹都能确定得到用于表征进出口区域的区块,因此将各个用于表征进出口区域的相邻区块进行合并,最终形成进出口区域。
本实施例的一种应用中,雷达所能检测范围,如图5所示,此处雷达只检测客厅范围内的人,超出客厅范围的目标将会被滤掉,图中有三个进出口区域,只有一开始从这三个区域中进来的目标才会被分配为要识别的目标,而从客厅其他区域出现的目标将被滤掉,这样能够快速滤掉客厅一些非人物体的运动,而间接降低非人物体被识别为人的无识别概率。
如图7所示,根据本申请的另一个实施例,还提供一种区域检测装置,包括:分布式雷达1和信息处理模块2;
分布式雷达1,用于获取监控区域的雷达检测信号;
信息处理模块2,用于执行下述步骤:
根据雷达检测信号得到运动目标;
对运动目标进行跟踪得到运动目标的轨迹;
根据运动目标的轨迹,得到运动目标的起始位置以及终止位置;
根据起始位置以及终止位置确定监控区域的进出口区域。
具体的,本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种区域检测方法,其特征在于,包括:
获取监控区域的雷达检测信号;
根据所述雷达检测信号得到运动目标;
对所述运动目标进行跟踪得到所述运动目标的轨迹;
根据所述运动目标的轨迹,得到所述运动目标的起始位置以及终止位置;
确定所述监控区域对应的边框;
根据所述边框将所述监控区域划分为多个区块;
在所述边框内划分得到至少一个中间区域;
根据所述起始位置以及终止位置确定所述监控区域的进出口区域;
所述根据所述起始位置以及终止位置确定所述监控区域的进出口区域,包括:确定所述起始位置以及终止位置对应的区块;根据所述起始位置以及终止位置对应的区块确定所述监控区域的进出口区域;
根据所述起始位置以及终止位置对应的区块确定所述监控区域的进出口区域,包括:判断所述起始位置以及终止位置对应的区块是否位于所述中间区域中;若所述对应的区块位于所述中间区域之外,则作为进出口区域。
2.根据权利要求1所述的区域检测方法,其特征在于,所述根据所述雷达检测信号得到运动目标,包括:
根据所述雷达检测信号得到所述监控区域的点云数据;
根据所述点云数据得到运动点;
对各个所述运动点进行聚类得到所述运动目标。
3.根据权利要求2所述的区域检测方法,其特征在于,所述根据所述雷达检测信号得到所述监控区域的点云数据,包括:
根据所述雷达检测信号得到离散数字信号;
根据所述离散数字信号得到所述点云数据。
4.根据权利要求3所述的区域检测方法,其特征在于,所述根据所述离散数字信号得到所述点云数据,包括:
通过离散快速傅里叶变换对所述离散数字信号进行频域分析得到所述监控区域中各个点的距离、方位角和仰角;
根据各个点的距离、方位角和仰角得到各个点的坐标信息;
根据前后帧的所述离散数字信号得到各个点的径向速度;
根据各个点的距离、方位角、仰角、径向速度和坐标信息得到包括所有点的信息的所述点云数据。
5.根据权利要求4所述的区域检测方法,其特征在于,所述根据所述点云数据得到运动点,包括:
获取所述点云数据中各个点的径向速度;
将径向速度不为0的点记为所述运动点。
6.根据权利要求4所述的区域检测方法,其特征在于,所述对各个所述运动点进行聚类得到所述运动目标,包括:
选择任一未聚类的所述运动点作为中心点;
根据各个所述运动点的坐标信息,在剩余运动点中选取一个与所述中心点之间距离小于预设的距离阈值的第一运动点,并进行保存;根据所述第一运动点与所述中心点得到更新后的中心点,并按此对所有所述运动点进行遍历,直至得到所有所述第一运动点以及最终的中心点;
根据所述最终的中心点以及所有第一运动点聚类得到所述运动目标。
7.根据权利要求4所述的区域检测方法,其特征在于,对所述运动目标进行跟踪得到所述运动目标的轨迹,包括:
根据所述运动目标的对应的运动点,得到所述运动目标的第一点云数据;
根据所述第一点云数据判断所述运动目标是否是人;
若所述运动目标是人,则对所述运动目标进行跟踪得到所述运动目标的轨迹。
8.根据权利要求7所述的区域检测方法,其特征在于,根据所述第一点云数据判断所述运动目标是否是人,包括:
根据所述第一点云数据提取所述运动目标的微多普勒特征:
将所述运动目标的微多普勒特征输入预先训练好的模型进行分类,并根据所述分类的结果判断所述模型是否是人;其中,所述模型为采用支持向量机对人运动时的微多普勒特征和一些会动的物体的微多普勒特征进行训练得到。
9.根据权利要求8所述的区域检测方法,其特征在于,所述根据所述第一点云数据提取所述运动目标的微多普勒特征,包括:
根据所述运动目标在连续N帧的离散数字信号中的第一点云数据,计算得到最大径向速度,最小径向速度以及平均径向速度;其中,N为大于等于2的整数。
10.一种区域检测装置,其特征在于,包括:分布式雷达和信息处理模块;
所述分布式雷达,用于获取监控区域的雷达检测信号;
所述信息处理模块,用于执行下述步骤:
根据所述雷达检测信号得到运动目标;
对所述运动目标进行跟踪得到所述运动目标的轨迹;
根据所述运动目标的轨迹,得到所述运动目标的起始位置以及终止位置;
确定所述监控区域对应的边框;
根据所述边框将所述监控区域划分为多个区块;
在所述边框内划分得到至少一个中间区域;
根据所述起始位置以及终止位置确定所述监控区域的进出口区域;
所述根据所述起始位置以及终止位置确定所述监控区域的进出口区域,包括:确定所述起始位置以及终止位置对应的区块;根据所述起始位置以及终止位置对应的区块确定所述监控区域的进出口区域;
根据所述起始位置以及终止位置对应的区块确定所述监控区域的进出口区域,包括:判断所述起始位置以及终止位置对应的区块是否位于所述中间区域中;若所述对应的区块位于所述中间区域之外,则作为进出口区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910786767.4A CN110609281B (zh) | 2019-08-23 | 2019-08-23 | 一种区域检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910786767.4A CN110609281B (zh) | 2019-08-23 | 2019-08-23 | 一种区域检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110609281A CN110609281A (zh) | 2019-12-24 |
CN110609281B true CN110609281B (zh) | 2021-08-17 |
Family
ID=68891002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910786767.4A Active CN110609281B (zh) | 2019-08-23 | 2019-08-23 | 一种区域检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110609281B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111208508A (zh) * | 2019-12-25 | 2020-05-29 | 珠海格力电器股份有限公司 | 运动量测量方法、装置及电子设备 |
CN111232778B (zh) * | 2020-03-04 | 2022-06-14 | 日立楼宇技术(广州)有限公司 | 电梯轿厢的人数统计方法及其装置 |
CN113495270A (zh) * | 2020-04-07 | 2021-10-12 | 富士通株式会社 | 基于微波雷达的监控装置以及方法 |
CN111896941B (zh) * | 2020-06-15 | 2023-06-13 | 浙江大华技术股份有限公司 | 一种雷达数据的目标轨迹确定方法及装置 |
CN111966099A (zh) * | 2020-08-17 | 2020-11-20 | 深圳电目科技有限公司 | 基于雷达的室内目标跟踪方法、节能方法及系统 |
EP4092446B1 (en) * | 2021-05-21 | 2024-05-15 | Axis AB | Static scene mapping using radar |
CN113687348B (zh) * | 2021-09-18 | 2024-03-15 | 无锡威孚高科技集团股份有限公司 | 基于追踪微多普勒图的行人识别方法和装置 |
CN113823029A (zh) * | 2021-10-29 | 2021-12-21 | 北京市商汤科技开发有限公司 | 视频处理方法及装置、电子设备和存储介质 |
CN114137505A (zh) * | 2021-11-17 | 2022-03-04 | 珠海格力电器股份有限公司 | 一种基于无线雷达的目标检测方法及装置 |
CN114442081A (zh) * | 2021-12-21 | 2022-05-06 | 珠海格力电器股份有限公司 | 人员检测方法、装置、存储介质及电子设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5538655B2 (ja) * | 2011-03-25 | 2014-07-02 | 三菱電機株式会社 | 車載レーダ装置 |
DE102014208522A1 (de) * | 2014-05-07 | 2015-11-12 | Robert Bosch Gmbh | Gefahrenraumüberwachung an einem bahnübergang |
US9541404B2 (en) * | 2014-08-29 | 2017-01-10 | Samsung Electronics Co., Ltd. | System for determining the location of entrances and areas of interest |
CN106156695B (zh) * | 2015-03-30 | 2019-09-20 | 日本电气株式会社 | 出口和/或入口区域识别方法和装置 |
CN106125087B (zh) * | 2016-06-15 | 2018-10-30 | 清研华宇智能机器人(天津)有限责任公司 | 基于激光雷达的舞蹈机器人室内行人跟踪方法 |
US10677905B2 (en) * | 2017-09-26 | 2020-06-09 | Infineon Technologies Ag | System and method for occupancy detection using a millimeter-wave radar sensor |
CN108226924B (zh) * | 2018-01-11 | 2020-11-10 | 南京楚航科技有限公司 | 基于毫米波雷达的汽车行驶环境探测方法、装置及其应用 |
CN109765539B (zh) * | 2019-01-28 | 2021-06-04 | 珠海格力电器股份有限公司 | 室内用户行为监测方法和装置、电器设备和家居监控系统 |
CN110118966B (zh) * | 2019-05-28 | 2020-10-13 | 长沙莫之比智能科技有限公司 | 基于毫米波雷达的人员检测与计数系统 |
-
2019
- 2019-08-23 CN CN201910786767.4A patent/CN110609281B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110609281A (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110609281B (zh) | 一种区域检测方法及装置 | |
CN110738095B (zh) | 一种行为分析方法及装置 | |
CN108346159B (zh) | 一种基于跟踪-学习-检测的视觉目标跟踪方法 | |
Bartsch et al. | Pedestrian recognition using automotive radar sensors | |
KR100519781B1 (ko) | 객체 추적 방법 및 그 장치 | |
US20110267221A1 (en) | Sparse Array RF Imaging for Surveillance Applications | |
CN110456320B (zh) | 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 | |
CN107784663A (zh) | 基于深度信息的相关滤波跟踪方法及装置 | |
US20220179062A1 (en) | Detection apparatus and method | |
CN110837079B (zh) | 一种基于雷达的目标检测方法及装置 | |
CN111935641B (zh) | 一种室内自定位的实现方法、智能移动设备和存储介质 | |
Abbott et al. | Multiple target tracking with lazy background subtraction and connected components analysis | |
CN111046877A (zh) | 一种毫米波图像可疑物品检测方法和系统 | |
CN111091025A (zh) | 图像处理方法、装置和设备 | |
Janakaraj et al. | STAR: Simultaneous tracking and recognition through millimeter waves and deep learning | |
CN110443830A (zh) | 一种基于混合高斯背景模型的降水云团检测方法 | |
Girón et al. | Nonparametric edge detection in speckled imagery | |
CN111323757A (zh) | 一种航海雷达目标检测方法及装置 | |
US20220179065A1 (en) | Synthetic-aperture-radar image processing device and image processing method | |
CN106772357B (zh) | 信噪比未知条件下的ai-phd滤波器多目标跟踪方法 | |
CN111260607B (zh) | 可疑物品自动检测方法、终端设备、计算机设备及介质 | |
CN117491991A (zh) | 一种毫米波雷达室内静态人员检测方法 | |
JP2014048702A (ja) | 画像認識装置、画像認識方法、及び画像認識プログラム | |
Gaikwad et al. | Recognition of target in through wall imaging using shape feature extraction | |
CN115131705A (zh) | 目标检测方法、装置、电子设备及存储介质 |
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 |