CN110988861A - 基于毫米波雷达的人体姿态识别系统 - Google Patents
基于毫米波雷达的人体姿态识别系统 Download PDFInfo
- Publication number
- CN110988861A CN110988861A CN201911056144.8A CN201911056144A CN110988861A CN 110988861 A CN110988861 A CN 110988861A CN 201911056144 A CN201911056144 A CN 201911056144A CN 110988861 A CN110988861 A CN 110988861A
- Authority
- CN
- China
- Prior art keywords
- human body
- body posture
- postures
- entering
- posture
- 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
- 230000036544 posture Effects 0.000 claims abstract description 173
- 238000001914 filtration Methods 0.000 claims abstract description 45
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 22
- 230000001133 acceleration Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- 101100379079 Emericella variicolor andA gene Proteins 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 238000002592 echocardiography Methods 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 230000000474 nursing effect Effects 0.000 abstract 1
- 230000009471 action Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/42—Simultaneous measurement of distance and other co-ordinates
-
- 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
- G01S13/583—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets
- G01S13/584—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets adapted for simultaneous range and velocity measurements
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Electromagnetism (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于模式识别技术领域，具体为一种基于毫米波雷达的人体姿态识别系统。本发明系统包括毫米波雷达子系统、数据处理与跟踪定位子系统、人工智能分类子系统；毫米波雷达子系统向检测范围内发射线性调频连续波信号，并采集人体反射的雷达回波数据，经混频、滤波和模数转换采样后输出中频原始数据；数据处理与跟踪定位子系统从原始数据中提取能够表征人体姿态的多种特征，包括距离、速度、加速度、方位特征等，实时跟踪定位人体所在位置；人工智能分类子系统对特征信息进行过滤、分类和判决，综合分类和判决结果确定人体姿态。本发明着眼于现实生活中的人体姿态识别和状态监测，可以适用于家庭、办公室、工厂车间、医院病房、养老院等场景。
Description
发明领域
本发明属于模式识别技术领域，具体涉及一种基于毫米波雷达的人体姿态识别系统。
背景技术
随着技术的进步和市场的发展，生产生活中的智能化程度越来越高。而生产生活智能化不可缺少的一项重要技术就是人体姿态识别。AIoT大潮推动与国家政策支持，触控式交互方式亟待智能化转型。未来社会，人机交互、控制、检测、监护等都将向着自动化与智慧化发展，而这正需要非接触式、全天候、便捷无感、支持用户自定义的人体姿态识别技术。
目前市场上已有一些人体姿态识别技术与方案，例如基于可见光图像和深度图的人体姿态识别技术等。然而现有技术计算开销大，对光照条件要求较高，无法穿透或绕过障碍物，抗干扰能力差，有泄露用户隐私风险。而本发明所设计的毫米波雷达系统计算复杂度低，不会泄露用户隐私，具有一定的遮挡物穿透性，且不易受到环境因素(如温度、光照等)影响，具有传统人体姿态识别设备无法比拟的优点。
发明内容
本发明的目的在于提出一种非接触式、全天候、便捷无感、支持用户自定义的人体姿态识别系统和方法。
为了在人体姿态识别中提高控制便捷度、准确度，克服基于传统视觉图像方法计算开销大，对光照条件要求较高，无法穿透或绕过障碍物，抗干扰能力差，有泄露用户隐私风险等缺陷，本发明将毫米波雷达作为数据采集终端，设计了一套基于毫米波雷达结合人工智能方法的人体姿态识别系统和方法。本发明包括创新性地设计了由“判决过程”、“过滤过程”和“多级分类过程”组成的人工智能分类方法，对人体姿态进行过滤和分级分类，最大化地利用了人体姿态的多种特征数据，并进行组合运用。本发明可适应于多种人体姿态的识别，并可根据用户需求进行自定义设计而不局限于特定的某些人体姿态，具有可拓展性和广泛适应性。
本发明提出的基于毫米波雷达的人体姿态识别系统，包括毫米波雷达子系统、数据处理与跟踪定位子系统、人工智能分类子系统；其中，所述毫米波雷达子系统用于向检测范围内发射线性调频连续波（LFMCW）信号，并采集人体反射的雷达回波数据，经混频、滤波和模数转换（ADC）采样后输出中频原始数据；所述数据处理与跟踪定位子系统用于从原始数据中提取能够表征人体姿态的多种特征，包括但不限于距离、速度、加速度、方位、高度、能量、统计特征等，同时实时跟踪定位人体所在位置；所述人工智能分类子系统用于对特征信息进行过滤、分类和判决，综合分类和判决结果确定人体姿态。
本发明中，所述人工智能分类子系统的判决过程，包含以下步骤：
S101，判断是否存在运动人体，若不存在则继续S101，若存在进入步骤S102；
S102，进行人体姿态判断，若待判断数据与某一人体姿态特征数据的相似度大于第一特征阈值Q1时，则进入步骤S107，否则进入步骤S103；
S103，进入过滤过程，过滤掉一些不可能的人体姿势，进入步骤S104；
S104，进行人体姿态判断，若待判断数据与某一人体姿态特征数据的相似度大于第二特征阈值Q2时，则进入步骤S107，否则进入步骤S105；
S105，进入分类过程，针对某些特征，利用人工神经网络调用预训练的分类模型进行分类，进入步骤S106；
S106，若待识别人体姿态与其中一种人体姿态的相似度超过第三特征阈值Q3，则进入步骤S107，否则判断为未定义人体姿态并进入步骤S108；
S107，将待识别人体姿态判决为某一人体姿态，进入步骤S108；
S108，将判决结果反馈，本次判决结束，返回步骤S101。
本发明中，所述人工智能分类子系统的过滤过程，包含以下步骤：
S201，依据待识别人体姿态的速度特征信息，判断是否小于速度阈值，若是则进入步骤S202，否则进入步骤S104；
S202，进行一级过滤，若待匹配库中只有三种或三种以下的人体姿态的速度特征值超过待识别人体姿态的速度特征值，则将待匹配库中的速度特征值小于速度阈值的人体姿态滤除并进入步骤S104，否则将待匹配库中的速度特征值大于速度阈值的人体姿态滤除并进入步骤S203；
S203，依据待识别人体姿态的方位特征信息，判断方位变化与极值相似度是否属于方位阈值范围，若是则进入步骤S204，否则进入步骤S104；
S204，进行二级过滤，若待识别人体姿态的方位特征值落在待匹配库中三种或三种以下的人体姿态的方位特征值区间，则将待匹配库中除这几种人体姿态外的其他人体姿态滤除并进入步骤S104，否则将待匹配库中的几种人体姿态滤除并进入步骤S205；
S205，依据待识别人体姿态的加速度特征信息，判断是否小于加速度阈值，若是则进入步骤S206，否则进入步骤S104；
S206，进行三级过滤，若待匹配库中只有三种或三种以下的人体姿态的加速度特征值超过待识别人体姿态的加速度特征值，则将待匹配库中的加速度特征值小于速度阈值的人体姿态滤除并进入步骤S104，否则将待匹配库中的速度特征值大于加速度阈值的人体姿态滤除并进入步骤S207；
S207，依据待识别人体姿态的方位特征信息，判断高度变化与极值相似度是否属于高度阈值范围，若是则进入步骤S208，否则进入步骤S104；
S208，进行四级过滤，若待识别人体姿态的高度特征值落在待匹配库中三种或三种以下的人体姿态的高度特征值区间，则将待匹配库中除这几种人体姿态外的其他人体姿态滤除并进入步骤S104，否则将待匹配库中的几种人体姿态滤除并进入步骤S209；
S209，本次过滤结束，进入步骤S104。
本发明中，所述人工智能分类子系统的分类过程，采用多级人工神经网络分类，在所有人体姿态特征中选取几种（例如三种）作为分类特征，分级分类进行判断，每一级分类都把相似度低于分类相似度阈值的人体姿态从匹配库中剔除，每经过一级分类，待识别人体姿态的可能范围就越小，越容易确定。分类过程包含以下步骤：
S301，进行一级分类，若匹配库中与待识别人体姿态的相似度高于一级相似度阈值的人体姿态只有一种或两种，则进入步骤S106，否则将匹配库中与待识别人体姿态的相似度低于一级相似度阈值的人体姿态剔除并进入步骤S302；
S302，进行二级分类，若匹配库中与待识别人体姿态的相似度高于二级相似度阈值的人体姿态只有一种或两种，则进入步骤S106，否则将匹配库中与待识别人体姿态的相似度低于二级相似度阈值的人体姿态剔除并进入步骤S303；
S303，进行三级分类，若匹配库中与待识别人体姿态的相似度高于三级相似度阈值的人体姿态只有一种或两种，则进入步骤S106，否则将匹配库中与待识别人体姿态的相似度低于三级相似度阈值的人体姿态剔除并进入步骤S304；
S304，本次分级分类结束，进入步骤S106。
本发明中，所述人工智能分类子系统的匹配库是指包含所有可能为待识别人体姿态的预定义人体姿态集合。
本发明中，系统涉及的硬件设备包括：毫米波雷达传感器、信号收发组件、微控制单元（MCU）、DSP、通信模块、外围电路和中央处理器等。
本发明中，所述毫米波雷达子系统工作过程如下：
所述毫米波雷达子系统周期性发射毫米波信号并接收检测区域反馈的回波，发射信号与回波信号间时延为
，载波的中心频率为
。所述发射信号采用线性调频连续波，其表达式为
，其中B为信号带宽，T是扫频周期。所述发射信号与接收信号表达式为：
其中，A T 与A R 分别表示发射信号和接收信号的幅值，
为接收信号频率，其表达式为
，其中
为多普勒频移。
将回波信号与发射信号混频并经过带通滤波后得到中频信号，其表达式为：
将中频信号经模数转换（ADC）采样即可得到原始数字中频信号数据，简称原始数据。
本发明系统的工作流程为：
人在雷达检测范围内活动，毫米波雷达子系统周期性发射线性调频连续波信号并接收检测范围反馈的回波信号，经过混频、滤波和ADC采样后得到原始数据；
将原始数据送入数据处理与跟踪定位子系统，经过一系列信号处理过程，提取能够表征人体姿态的多种特征，包括但不限于距离、速度、加速度、方位、高度、能量、统计特征等，同时实时跟踪定位人体所在位置；
将特征数据送入人工智能分类子系统中进行分类和判决，若系统判别为存在人体姿态，则判断是否已确定人体姿态，若是则输出人体姿态，否则送至过滤过程；经过过滤过程过滤后判断能否确定人体姿态，若能则输出人体姿态，否则进入分类过程；经过分类过程分级分类，最终待识别人体姿态只剩下一种或两种可能匹配的人体姿态，若与其中一种的相似度大于相似度阈值则判断为该人体姿态并输出该人体姿态，否则判断为未定义人体姿态并输出。
本发明具有以下优点：
本发明创新性地设计了结合毫米波雷达和人工智能技术的人体姿态识别系统和方法，能够实时跟踪定位人体位置，并结合“判决”、“过滤”和“分类”综合识别人体姿态，识别结果更为准确可靠。本发明所设计的系统和方法具有全天候、实时性、抗干扰、抗遮挡、不依赖照明条件等优势。本发明能够识别不同身高、体型、年龄和性别的人的不同动作姿态，具有较高鲁棒度和适应性。本发明适用于多种人体姿态，可根据用户需求进行自定义设计而不局限于特定的某些人体姿态，具有可拓展性和广泛适应性。
附图说明
图1 本发明一种实施例的人工智能分类判决过程流程图。
图2 本发明一种实施例的人工智能分类过滤过程流程图。
图3 本发明一种实施例的人工智能分类分级分类流程图。
图4 本发明一种实施例的人体追踪定位及姿态识别结果图。
图5本发明一种实施例的几种人体姿态示意图。
图6本发明一种实施例的几种人体姿态的某种特征数据的各5个样本特征图。
具体实施方式
下面结合附图对本发明的实施例作详细说明。本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护范围。
本发明的其中一种实施例的应用场景如图4所示：
（1）安装毫米波雷达系统终端（简称终端），称其感应和采集范围为“作用空间”；
（2）预设前进、后退、坐下、蹲下、站立、弯腰、跌倒等7种人体姿态，人体在作用空间内靠近终端定义为“前进”，人体在作用空间内远离终端定义为“后退”，其他5种姿态定义如图5所示；
（3）每种人体姿态由不同体型、性别、年龄的主体（人）在作用空间内不同位置分别采集200个样本数据，通过对比同类样本之间的特征相似性，将异常样本剔除，确保类内样本特征相似且类间不同，用自定义的轻量化人工神经网络对7种人体姿态的所有微多普勒特征样本进行训练得到微多普勒特征分类模型；
（4）系统初始化：设置并上传雷达参数，加载分类模型并上传推理网络参数；
（5）毫米波雷达终端实时发射周期性的线性调频连续波信号，并接收作用空间反馈的回波信号，人体在作用空间内运动时，毫米波雷达终端捕捉到当前人体所处姿态的原始数据；
（6）在中央处理器或MCU或DSP中对原始数据进行一系列信号处理，得到距离、速度、加速度、方位、高度、能量、统计特征等特征数据，组合距离和方位信息得到人体位置，实时显示该人体位置并将特征数据发送到人工智能分类子系统；
（7）在人工智能分类子系统中，根据特征数据判决是否存在人体姿态，若是则进一步判决是否已确定人体姿态，若是则输出人体姿态，否则进入过滤过程，经过过滤过程过滤后判断能否确定人体姿态，若能则输出人体姿态，否则进入分类过程，经过分类过程分级分类，最终待识别人体姿态只剩下一种或两种可能匹配的人体姿态，若与其中一种的相似度大于相似度阈值则判断为该人体姿态并输出该人体姿态，否则判断为未定义人体姿态并输出。
上述具体实施方式仅为本发明的一种实施例，本发明不仅仅局限于该实施例。在本发明的精神和权利要求的保护范围内，在未作出实质性创新的情况下，都落入本发明的保护范围。
Claims (7)
1.一种基于毫米波雷达的人体姿态识别系统，其特征在于，包括毫米波雷达子系统、数据处理与跟踪定位子系统、人工智能分类子系统；其中，所述毫米波雷达子系统用于向检测范围内发射线性调频连续波LFMCW信号，并采集人体反射的雷达回波数据，经混频、滤波和模数转换ADC采样后输出中频原始数据；所述数据处理与跟踪定位子系统用于从原始数据中提取能够表征人体姿态的多种特征，包括但不限于距离、速度、加速度、方位、高度、能量、统计特征等，同时实时跟踪定位人体所在位置；所述人工智能分类子系统用于对特征信息进行过滤、分类和判决，综合分类和判决结果确定人体姿态；
系统的工作流程为：
人在雷达检测范围内活动，毫米波雷达子系统周期性发射线性调频连续波信号并接收检测范围反馈的回波信号，经过混频、滤波和ADC采样后得到原始数据；
将原始数据送入数据处理与跟踪定位子系统，经过一系列信号处理过程，提取能够表征人体姿态的多种特征，所述特征包括距离、速度、加速度、方位、高度、能量、统计，同时实时跟踪定位人体所在位置；
将特征数据送入人工智能分类子系统中进行过滤、分类和判决，若系统判别为存在人体姿态，则判断是否已确定人体姿态，若是则输出人体姿态，否则送至过滤过程；经过过滤过程过滤后判断能否确定人体姿态，若能则输出人体姿态，否则进入分类过程；经过分类过程分级分类，最终待识别人体姿态只剩下一种或两种可能匹配的人体姿态，若与其中一种的相似度大于相似度阈值则判断为该人体姿态并输出该人体姿态，否则判断为未定义人体姿态并输出。
2.根据权利要求1所述的基于毫米波雷达的人体姿态识别系统，其特征在于，所述人工智能分类子系统的判决过程的具体步骤为：
S101，判断是否存在运动人体，若不存在则继续S101，若存在进入步骤S102；
S102，进行人体姿态判断，若待判断数据与某一人体姿态特征数据的相似度大于第一特征阈值Q1时，则进入步骤S107，否则进入步骤S103；
S103，进入过滤过程，过滤掉一些不可能的人体姿势，进入步骤S104；
S104，进行人体姿态判断，若待判断数据与某一人体姿态特征数据的相似度大于第二特征阈值Q2时，则进入步骤S107，否则进入步骤S105；
S105，进入分类过程，针对某些特征，利用人工神经网络调用预训练的分类模型进行分类，进入步骤S106；
S106，若待识别人体姿态与其中一种人体姿态的相似度超过第三特征阈值Q3，则进入步骤S107，否则判断为未定义人体姿态并进入步骤S108；
S107，将待识别人体姿态判决为某一人体姿态，进入步骤S108；
S108，将判决结果反馈，本次判决结束，返回步骤S101。
3.根据权利要求2所述的基于毫米波雷达的人体姿态识别系统，其特征在于，所述过滤过程的具体步骤为：
S201，依据待识别人体姿态的速度特征信息，判断是否小于速度阈值，若是则进入步骤S202，否则进入步骤S104；
S202，进行一级过滤，若待匹配库中只有三种或三种以下的人体姿态的速度特征值超过待识别人体姿态的速度特征值，则将待匹配库中的速度特征值小于速度阈值的人体姿态滤除并进入步骤S104，否则将待匹配库中的速度特征值大于速度阈值的人体姿态滤除并进入步骤S203；
S203，依据待识别人体姿态的方位特征信息，判断方位变化与极值相似度是否属于方位阈值范围，若是则进入步骤S204，否则进入步骤S104；
S204，进行二级过滤，若待识别人体姿态的方位特征值落在待匹配库中三种或三种以下的人体姿态的方位特征值区间，则将待匹配库中除这几种人体姿态外的其他人体姿态滤除并进入步骤S104，否则将待匹配库中的几种人体姿态滤除并进入步骤S205；
S205，依据待识别人体姿态的加速度特征信息，判断是否小于加速度阈值，若是则进入步骤S206，否则进入步骤S104；
S206，进行三级过滤，若待匹配库中只有三种或三种以下的人体姿态的加速度特征值超过待识别人体姿态的加速度特征值，则将待匹配库中的加速度特征值小于速度阈值的人体姿态滤除并进入步骤S104，否则将待匹配库中的速度特征值大于加速度阈值的人体姿态滤除并进入步骤S207；
S207，依据待识别人体姿态的方位特征信息，判断高度变化与极值相似度是否属于高度阈值范围，若是则进入步骤S208，否则进入步骤S104；
S208，进行四级过滤，若待识别人体姿态的高度特征值落在待匹配库中三种或三种以下的人体姿态的高度特征值区间，则将待匹配库中除这几种人体姿态外的其他人体姿态滤除并进入步骤S104，否则将待匹配库中的几种人体姿态滤除并进入步骤S209；
S209，本次过滤结束，进入步骤S104。
4.根据权利要求3所述的基于毫米波雷达的人体姿态识别系统和方法，其特征在于，所述人工智能分类子系统的分类采用多级人工神经网络分类，在所有人体姿态特征中选取几种作为分类特征，分级分类进行判断，每一级分类都把相似度低于分类相似度阈值的人体姿态从匹配库中剔除，每经过一级分类，待识别人体姿态的可能范围就越小，越容易确定；分类过程的具体步骤为：
S301，进行一级分类，若匹配库中与待识别人体姿态的相似度高于一级相似度阈值的人体姿态只有一种或两种，则进入步骤S106，否则将匹配库中与待识别人体姿态的相似度低于一级相似度阈值的人体姿态剔除并进入步骤S302；
S302，进行二级分类，若匹配库中与待识别人体姿态的相似度高于二级相似度阈值的人体姿态只有一种或两种，则进入步骤S106，否则将匹配库中与待识别人体姿态的相似度低于二级相似度阈值的人体姿态剔除并进入步骤S303；
S303，进行三级分类，若匹配库中与待识别人体姿态的相似度高于三级相似度阈值的人体姿态只有一种或两种，则进入步骤S106，否则将匹配库中与待识别人体姿态的相似度低于三级相似度阈值的人体姿态剔除并进入步骤S304；
S304，本次分级分类结束，进入步骤S106。
5.根据权利要求1-4之一所述的基于毫米波雷达的人体姿态识别系统，其特征在于，所述匹配库是指包含所有可能为待识别人体姿态的预定义人体姿态集合。
6.根据权利要求5所述的基于毫米波雷达的人体姿态识别系统，其特征在于，其硬件设备包括：毫米波雷达传感器、信号收发组件、微控制单元MCU、DSP、通信模块、外围电路和中央处理器。
7.根据权利要求6所述的基于毫米波雷达的人体姿态识别系统，其特征在于，所述毫米波雷达子系统工作过程如下：
毫米波雷达子系统周期性发射毫米波信号，并接收检测区域反馈的回波，发射信号与
回波信号间时延为
，载波的中心频率为；所述发射信号采用线性调频连续波，其表达
式为
，其中B为信号带宽，T是扫频周期；所述发射信号与接收信号表达式为：
其中，A T 与A R 分别表示发射信号和接收信号的幅值，
为接收信号频率，其表达式为
，其中
为多普勒频移；
将回波信号与发射信号混频并经过带通滤波后得到中频信号，其表达式为：
将中频信号经模数转换ADC采样，即得到原始数字中频信号数据，简称原始数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911056144.8A CN110988861B (zh) | 2019-10-31 | 2019-10-31 | 基于毫米波雷达的人体姿态识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911056144.8A CN110988861B (zh) | 2019-10-31 | 2019-10-31 | 基于毫米波雷达的人体姿态识别系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110988861A true CN110988861A (zh) | 2020-04-10 |
| CN110988861B CN110988861B (zh) | 2022-09-16 |
Family
ID=70082837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911056144.8A Active CN110988861B (zh) | 2019-10-31 | 2019-10-31 | 基于毫米波雷达的人体姿态识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110988861B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112000561A (zh) * | 2020-08-12 | 2020-11-27 | Oppo（重庆）智能科技有限公司 | 画像生成方法、画像生成装置、介质与电子设备 |
| CN112327288A (zh) * | 2020-10-29 | 2021-02-05 | 深圳大学 | 雷达人体动作识别方法、装置、电子设备和存储介质 |
| CN112716474A (zh) * | 2021-01-20 | 2021-04-30 | 复旦大学 | 基于生物微波雷达的非接触式睡眠状态监测方法和系统 |
| CN112782681A (zh) * | 2020-12-31 | 2021-05-11 | 杭州电子科技大学 | 基于毫米波与物联网的室内定位与跌倒检测系统及方法 |
| CN113109801A (zh) * | 2021-03-26 | 2021-07-13 | 宁波雷舟科技有限公司 | 一种基于毫米波成像雷达预防近视的方法 |
| CN113608224A (zh) * | 2021-07-14 | 2021-11-05 | Oppo广东移动通信有限公司 | 人体识别方法、装置、系统、电子设备及存储介质 |
| CN113901948A (zh) * | 2021-11-04 | 2022-01-07 | 海信集团控股股份有限公司 | 学习姿态识别方法及设备 |
| CN114664054A (zh) * | 2022-01-12 | 2022-06-24 | 广东蓝水花智能电子有限公司 | 一种基于fmcw微波感应器的人员摔倒检测方法及系统 |
| CN115049039A (zh) * | 2021-03-08 | 2022-09-13 | 北京金茂绿建科技有限公司 | 基于神经网络的状态识别方法、神经网络训练方法、装置 |
| CN115345908A (zh) * | 2022-10-18 | 2022-11-15 | 四川启睿克科技有限公司 | 一种基于毫米波雷达的人体姿态识别方法 |
| CN117348435A (zh) * | 2023-12-04 | 2024-01-05 | 南通辉塔智能家居有限公司 | 一种将智能家居控制、报警及监控进行集成的方法及装置 |
| CN117824624A (zh) * | 2024-03-05 | 2024-04-05 | 深圳市瀚晖威视科技有限公司 | 一种基于人脸识别的室内追踪定位方法、系统及存储介质 |
| WO2024138369A1 (zh) * | 2022-12-27 | 2024-07-04 | 华为技术有限公司 | 一种目标识别方法、相关装置及终端 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220617A (zh) * | 2017-05-25 | 2017-09-29 | 哈尔滨工业大学 | 人体姿态识别系统及方法 |
| US20170364160A1 (en) * | 2016-06-17 | 2017-12-21 | Texas Instruments Incorporated | Hidden markov model-based gesture recognition with fmcw radar |
| CN108509897A (zh) * | 2018-03-29 | 2018-09-07 | 同济大学 | 一种人体姿态识别方法和系统 |
| CN108614993A (zh) * | 2018-03-23 | 2018-10-02 | 武汉雷博合创电子科技有限公司 | 一种基于雷达及模式识别的行人姿态识别方法及系统 |
| CN109188414A (zh) * | 2018-09-12 | 2019-01-11 | 北京工业大学 | 一种基于毫米波雷达的手势运动探测方法 |
| CN109239706A (zh) * | 2018-08-27 | 2019-01-18 | 苏州矽典微智能科技有限公司 | 一种基于毫米波的人体检测方法及装置 |
-
2019
- 2019-10-31 CN CN201911056144.8A patent/CN110988861B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170364160A1 (en) * | 2016-06-17 | 2017-12-21 | Texas Instruments Incorporated | Hidden markov model-based gesture recognition with fmcw radar |
| CN107220617A (zh) * | 2017-05-25 | 2017-09-29 | 哈尔滨工业大学 | 人体姿态识别系统及方法 |
| CN108614993A (zh) * | 2018-03-23 | 2018-10-02 | 武汉雷博合创电子科技有限公司 | 一种基于雷达及模式识别的行人姿态识别方法及系统 |
| CN108509897A (zh) * | 2018-03-29 | 2018-09-07 | 同济大学 | 一种人体姿态识别方法和系统 |
| CN109239706A (zh) * | 2018-08-27 | 2019-01-18 | 苏州矽典微智能科技有限公司 | 一种基于毫米波的人体检测方法及装置 |
| CN109188414A (zh) * | 2018-09-12 | 2019-01-11 | 北京工业大学 | 一种基于毫米波雷达的手势运动探测方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHONG YANG DU 等: "Design of Gesture Recognition System Based on 77GHz Millimeter Wave Radar", 《2019 INTERNATIONAL CONFERENCE ON MICROWAVE AND MILLIMETER WAVE TECHNOLOGY (ICMMT)》 * |
| 刘钊 等: "基于连续波多普勒雷达的手势信号识别算法", 《智能算法》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112000561A (zh) * | 2020-08-12 | 2020-11-27 | Oppo（重庆）智能科技有限公司 | 画像生成方法、画像生成装置、介质与电子设备 |
| CN112327288A (zh) * | 2020-10-29 | 2021-02-05 | 深圳大学 | 雷达人体动作识别方法、装置、电子设备和存储介质 |
| CN112782681A (zh) * | 2020-12-31 | 2021-05-11 | 杭州电子科技大学 | 基于毫米波与物联网的室内定位与跌倒检测系统及方法 |
| CN112782681B (zh) * | 2020-12-31 | 2024-05-24 | 杭州电子科技大学 | 基于毫米波与物联网的室内定位与跌倒检测系统及方法 |
| CN112716474A (zh) * | 2021-01-20 | 2021-04-30 | 复旦大学 | 基于生物微波雷达的非接触式睡眠状态监测方法和系统 |
| CN112716474B (zh) * | 2021-01-20 | 2024-01-23 | 复旦大学 | 基于生物微波雷达的非接触式睡眠状态监测方法和系统 |
| CN115049039A (zh) * | 2021-03-08 | 2022-09-13 | 北京金茂绿建科技有限公司 | 基于神经网络的状态识别方法、神经网络训练方法、装置 |
| CN115049039B (zh) * | 2021-03-08 | 2023-11-14 | 北京金茂绿建科技有限公司 | 基于神经网络的状态识别方法、神经网络训练方法、装置 |
| CN113109801A (zh) * | 2021-03-26 | 2021-07-13 | 宁波雷舟科技有限公司 | 一种基于毫米波成像雷达预防近视的方法 |
| CN113608224A (zh) * | 2021-07-14 | 2021-11-05 | Oppo广东移动通信有限公司 | 人体识别方法、装置、系统、电子设备及存储介质 |
| CN113901948A (zh) * | 2021-11-04 | 2022-01-07 | 海信集团控股股份有限公司 | 学习姿态识别方法及设备 |
| CN114664054A (zh) * | 2022-01-12 | 2022-06-24 | 广东蓝水花智能电子有限公司 | 一种基于fmcw微波感应器的人员摔倒检测方法及系统 |
| CN115345908A (zh) * | 2022-10-18 | 2022-11-15 | 四川启睿克科技有限公司 | 一种基于毫米波雷达的人体姿态识别方法 |
| CN115345908B (zh) * | 2022-10-18 | 2023-03-07 | 四川启睿克科技有限公司 | 一种基于毫米波雷达的人体姿态识别方法 |
| WO2024138369A1 (zh) * | 2022-12-27 | 2024-07-04 | 华为技术有限公司 | 一种目标识别方法、相关装置及终端 |
| CN117348435A (zh) * | 2023-12-04 | 2024-01-05 | 南通辉塔智能家居有限公司 | 一种将智能家居控制、报警及监控进行集成的方法及装置 |
| CN117824624A (zh) * | 2024-03-05 | 2024-04-05 | 深圳市瀚晖威视科技有限公司 | 一种基于人脸识别的室内追踪定位方法、系统及存储介质 |
| CN117824624B (zh) * | 2024-03-05 | 2024-05-14 | 深圳市瀚晖威视科技有限公司 | 一种基于人脸识别的室内追踪定位方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110988861B (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110988861B (zh) | 基于毫米波雷达的人体姿态识别系统 | |
| CN112716474B (zh) | 基于生物微波雷达的非接触式睡眠状态监测方法和系统 | |
| CN111399642B (zh) | 手势的识别方法、装置、移动终端和存储介质 | |
| CN106646457B (zh) | 基于微波的人员行为检测方法与装置 | |
| CN113093170B (zh) | 一种基于knn算法的毫米波雷达室内人员检测方法 | |
| CN114859339B (zh) | 一种基于毫米波雷达的多目标跟踪方法 | |
| CN110334591A (zh) | 一种基于聚类分析的无人机跳频信号检测及识别方法 | |
| CN106814358A (zh) | 一种用于超宽带穿墙雷达中多人体目标检测的系统及方法 | |
| CN111679166A (zh) | 基于无线传输技术的开关柜局部放电故障多源信息融合检测预警系统及方法 | |
| 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 | |
| CN115542308B (zh) | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 | |
| CN109657572B (zh) | 一种基于Wi-Fi的墙后目标行为识别方法 | |
| CN102291574A (zh) | 基于嵌入式、光传输的复杂场景目标运动跟踪系统及其监控方法 | |
| CN103995259A (zh) | 密集干扰环境下雷达目标自适应滤波融合检测方法 | |
| CN113050797A (zh) | 一种通过毫米波雷达实现手势识别的方法 | |
| CN113391282A (zh) | 一种基于雷达多维特征融合的人体姿态识别方法 | |
| CN113156417B (zh) | 反无人机探测系统、方法和雷达设备 | |
| CN112540357A (zh) | 一种基于环境感知的雷达智能化处理系统 | |
| CN112444805A (zh) | 基于雷达的分布式多目标检测、定位跟踪与身份识别系统 | |
| CN115508821A (zh) | 一种多源融合无人机智能探测系统 | |
| CN110764152B (zh) | 一种无人机快速检测与识别的装置及方法 | |
| CN112327286B (zh) | 低复杂度下日常活动分类方法、装置、设备及存储介质 | |
| CN117741647A (zh) | 一种毫米波雷达智能家居感知方法与装置 | |
| CN106199587A (zh) | 一种二次雷达应答解码系统装置 | |
| CN113074718B (zh) | 一种定位方法、装置、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 |