CN111199555B - 毫米波雷达目标识别方法 - Google Patents

Abstract

本发明实施例公开一种毫米波雷达目标识别方法，能够标识目标类别，从而区分不同类型的目标，以提高检测结果准确性。该方法包括：获取毫米波雷达输出的多个运动点云数据；对所述多个运动点云数据进行处理，得出多个候选目标，所述多个候选目标包括活动人员目标和运动物体目标；获取所述多个候选目标的特征数据，并基于所述多个候选目标的特征数据构建特征向量；构建分类器，将所述特征向量输入所述分类器识别所述多个候选目标中的活动人员目标与运动物体目标。本发明实施例用于毫米波雷达目标识别。

Description

毫米波雷达目标识别方法

技术领域

本发明涉及室内定位领域，尤其涉及一种毫米波雷达目标识别方法。

背景技术

室内活动目标检测是智能建筑的重要基础感知探测技术之一，通过检测建筑内人员活动情况便于后续智能联动控制照明、空调、供暖等设备设施，实现建筑的自主节能和智能化控制。

应用毫米波雷达进行室内活动人员检测，具有不泄露隐私、精度高和不受光照影响等优点，但毫米波雷达探测可以敏感地探测到与波长尺寸相当的微小运动。应用毫米波雷达进行室内活动人员检测时，除检测到室内活动人员外，会同时检测到室内的其他运动目标(如运行中的风扇、空调、空气净化器及窗帘等)，如将活动人员外的其他运动目标混淆会影响检测结果准确性。

发明内容

本发明实施例提供一种毫米波雷达目标识别方法，能够标识目标类别，从而区分不同类型的目标，以提高检测结果准确性。

本发明实施例采用如下技术方案：

一种毫米波雷达目标识别方法，包括：

获取毫米波雷达输出的多个运动点云数据；

对所述多个运动点云数据进行处理，得出多个候选目标，所述多个候选目标包括活动人员目标和运动物体目标；

获取所述多个候选目标的特征数据，并基于所述多个候选目标的特征数据构建特征向量；

构建分类器，将所述特征向量输入所述分类器识别所述多个候选目标中的活动人员目标与运动物体目标。

可选的，所述多个运动点云数据的云数据包括每个运动点的坐标、速度和信噪比，所述对所述多个运动点云数据进行处理，得出多个候选目标包括：

根据所述每个运动点的坐标、速度和信噪比，对所述多个运动点云数据进行聚类处理，得出多个目标集群；

对所述多个目标集群进行连续稳定判断，得出所述多个候选目标。

可选的，所述根据所述每个运动点的坐标和速度对所述多个运动点云数据进行聚类处理，得出多个目标集群包括：

选取每一个未进行目标集群划分且未访问的目标运动点，获取与所述目标运动点坐标之差在设定阈值内，且与所述目标运动点速度之差在设定阈值内的邻域；

如果在所述邻域内运动点数量大于设定数量，则将所述目标运动点与所述邻域内的其他运动点作为一个新集群，得到多个新集群；

确定所述多个新集群中每个新集群包含的运动点的信噪比之和；

选取所述多个新集群中信噪比之和大于设定阈值的集群，得到所述多个目标集群。

可选的，所述将所述目标运动点与所述邻域内的其他运动点作为一个新集群包括：

将所述目标运动点标记为所述一个新集群的第一个运动点；

将所述第一个运动点的邻域内的全部运动点标记为属于所述一个新集群，对所述一个新集群中全部运动点进行邻域提取，并将邻域提取获得的运动点标记为属于所述一个新集群。

可选的，如果在所述邻域内运动点数量小于设定数量，则将所述目标运动点记为噪声点。

可选的，所述坐标之差的阈值为0.15m，所述速度之差的阈值为1m/s。

可选的，所述对所述多个目标集群进行连续稳定判断，得出所述多个候选目标包括：

确定所述多个目标集群中单个目标集群的上一帧中所有运动点的邻域的并集；

将当前帧中落入所述并集的运动点，标记为属于所述单个目标集群的运动点；

获取所述标记为属于所述单个目标集群的运动点的信噪比，与所述单个目标集群中所有运动点的信噪比之和；

获取所述信噪比之和大于设定阈值的目标集群，得出所述多个候选目标。

可选的，所述设定阈值为100dB。

可选的，所述多个候选目标的特征数据包括以下至少一项：

所述多个候选目标在设定的连续一段时间内关联的平均点云个数；

所述多个候选目标在设定的连续一段时间内关联的点云个数的标准差；

所述多个候选目标在设定的连续一段时间内的平均速度；

所述多个候选目标在设定的连续一段时间内的速度的标准差；

所述多个候选目标在设定的连续一段时间内的平均尺寸；

所述多个候选目标在设定的连续一段时间内的尺寸的标准差；

所述多个候选目标在设定的连续一段时间内的平均信噪比；

所述多个候选目标在设定的连续一段时间内的信噪比的标准差；

所述多个候选目标从产生之时至当前时刻距离最近的房间边界的最大值；

所述多个候选目标从产生之时至当前时刻距离诞生点的最大移动距离；

所述多个候选目标从产生之时至当前时刻的最大尺寸。

可选的，所述构建分类器包括：

采集已知类别的多个目标特征向量，标记每个目标特征向量的类别后，将所述多个目标特征向量随机划分为验证集和训练集；

对所述训练集进行训练生成决策树，根据验证集对所述决策树进行剪枝，得到所述分类器。

基于上述技术方案的毫米波雷达目标识别方法，通过获取毫米波雷达输出的多个运动点云数据，对多个运动点云数据进行处理，得出包括活动人员目标和运动物体目标的多个候选目标，获取多个候选目标的特征数据，并基于多个候选目标的特征数据构建特征向量，将特征向量输入分类器识别多个候选目标中的活动人员目标与运动物体目标，实现标识目标类别，从而区分不同类型的目标，以提高检测结果准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

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。

图1为本发明实施例提供的一种毫米波雷达目标识别方法的流程图；

图2为本发明实施例提供的另一种毫米波雷达目标识别方法的流程图；

图3为本发明实施例提供的生成分类器的流程示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

本发明实施例根据毫米波雷达实时采集的室内活动点云数据提取候选活动目标，获取各个候选目标的特征数据，根据机器学习算法对目标特征数据进行处理，剔除风扇、空调、空气净化器及窗帘等运动物体目标，保留感兴趣的活动人员目标，从而可以剔除毫米波雷达能检测到的室内常见非人运动物体目标，提供更加准确的室内人员活动信息。

实施例1

如图1所示，本发明实施例提供一种毫米波雷达目标识别方法，包括：

11、获取毫米波雷达输出的多个运动点云数据。

具体的，毫米波雷达通过射频前端发送特定调制方式(如连续调频)的毫米波并接收反射回波，对反射回波进行ADC转换、FFT变换、波束形成、恒虚警率检测、静态点云消除等一系列雷达信号处理，得到探测区域的运动点云数据。

其中，多个运动点包括活动人员运动点和运动物体运动点至少两种类别。

12、对所述多个运动点云数据进行处理，得出多个候选目标，所述多个候选目标包括活动人员目标和运动物体目标。

13、获取所述多个候选目标的特征数据，并基于所述多个候选目标的特征数据构建特征向量。

在构建特征向量时，可以将特征数据放到特征向量中，例如：将x、y、z这3个特征数据放到一起组成特征向量就得到了特征向量v＝[x,y,z]。

14、构建分类器，将所述特征向量输入所述分类器识别所述多个候选目标中的活动人员目标与运动物体目标。

在一个实施例中，所述多个运动点云数据的云数据包括每个运动点的坐标、速度和信噪比，所述对所述多个运动点云数据进行处理，得出多个候选目标包括：

根据所述每个运动点的坐标、速度和信噪比，对所述多个运动点云数据进行聚类处理，得出多个目标集群；

对所述多个目标集群进行连续稳定判断，得出所述多个候选目标。

在一个实施例中，所述根据所述每个运动点的坐标和速度对所述多个运动点云数据进行聚类处理，得出多个目标集群包括：

选取每一个未进行目标集群划分且未访问的目标运动点，获取与所述目标运动点坐标之差在设定阈值内，且与所述目标运动点速度之差在设定阈值内的邻域；

如果在所述邻域内运动点数量大于设定数量(例如10)，则将所述目标运动点与所述邻域内的其他运动点作为一个新集群，应用同样的方法可以处理其他运动点可以得到多个新集群；

确定所述多个新集群中每个新集群包含的运动点的信噪比之和；

选取所述多个新集群中信噪比之和大于设定阈值的集群，得到所述多个目标集群。

其中，坐标之差设定阈值可以根据不同的场景设定不同的值，例如0.15m、0.13m等；速度之差设定阈值可以根据不同的场景设定不同的值，例如1m/s；信噪比之和设定阈值可以根据不同的场景设定不同的值，例如100dB、90dB等。

在一个实施例中，所述将所述目标运动点与所述邻域内的其他运动点作为一个新集群包括：

将所述目标运动点标记为所述一个新集群的第一个运动点；

对所述一个新集群中的第一个运动点进行处理，在所述第一个运动点的邻域内的全部运动点标记为所述一个新集群，对所述一个新集群中全部运动点进行邻域提取，并将这些邻域内的运动点标记为属于所述一个新集群。应用同样的方法可以处理其他运动点得到多个新集群。该实施例中，将处理过的运动点标记为已访问。

在一个实施例中，如果在所述邻域内运动点数量小于设定数量(例如10)，则将所述目标运动点记为噪声点。该实施例中，将处理过的运动点(噪声点)标记为已访问。

在一个实施例中，所述对所述多个目标集群进行连续稳定判断，得出所述多个候选目标包括：

确定所述多个目标集群中单个目标集群的上一帧中所有运动点的邻域的并集；将当前帧中落入所述并集的运动点，标记为属于所述单个目标集群的运动点；获取所述标记为属于所述单个目标集群的运动点的信噪比，与所述单个目标集群中所有运动点的信噪比之和；获取所述信噪比之和大于设定阈值(例如100dB)的目标集群。

应用上述相同的方法处理其他目标集群，可以得到所述多个候选目标。

在一个实施例中，所述多个候选目标的特征数据包括以下任意一项或者至少两项的组合：

所述多个候选目标在预先设定的连续一段时间内关联的平均点云个数；

所述多个候选目标在预先设定的连续一段时间内关联的点云个数的标准差；

所述多个候选目标在预先设定的连续一段时间内的平均速度；

所述多个候选目标在预先设定的连续一段时间内的速度的标准差；

所述多个候选目标在预先设定的连续一段时间内的平均尺寸；

所述多个候选目标在预先设定的连续一段时间内的尺寸的标准差；

所述多个候选目标在预先设定的连续一段时间内的平均信噪比；

所述多个候选目标在预先设定的连续一段时间内的信噪比的标准差；

所述多个候选目标从产生之时至当前时刻距离最近的房间边界的最大值；

所述多个候选目标从产生之时至当前时刻距离诞生点的最大移动距离；

所述多个候选目标从产生之时至当前时刻的最大尺寸。

在一个实施例中，所述构建分类器包括：

采集已知类别的多个目标特征向量，标记每个目标特征向量的类别后，将所述多个目标特征向量随机划分为验证集和训练集；

对所述训练集进行训练生成决策树，根据验证集对所述决策树进行剪枝，得到所述分类器。

本发明实施例的毫米波雷达目标识别方法，通过获取毫米波雷达输出的多个运动点云数据，对多个运动点云数据进行处理，得出包括活动人员目标和运动物体目标的多个候选目标，获取多个候选目标的特征数据，并基于多个候选目标的特征数据构建特征向量，将特征向量输入分类器识别多个候选目标中的活动人员目标与运动物体目标，实现标识目标类别，从而区分不同类型的目标，以提高检测结果准确性。

实施例2

如图2所示，本发明实施例提供一种毫米波雷达目标识别方法，包括：

21、获取毫米波雷达输出的多个运动点云数据。

具体的，毫米波雷达通过射频前端发送特定调制方式(如连续调频)的毫米波并接收反射回波，对反射回波进行ADC转换、FFT变换、波束形成、恒虚警率检测、静态点云消除等一系列雷达信号处理，得到探测区域的运动点云数据。其中，多个运动点包括活动人员运动点和运动物体运动点至少两种类别，运动点云数据至少包括点的个数、各个点的位置坐标、速度和信噪比。

22、对多个运动点云数据进行聚类和连续稳定判断，得到多个候选目标。

其中，多个候选目标包括活动人员目标和运动物体目标。

本实施例以DBSCAN算法进行聚类处理为例，应当理解本发明实施例进行聚类处理不限于DBSCAN算法。

DBSCAN算法进行聚类处理流程如下：

从一个没有划分给目标集群且未访问过的运动点开始，计算与该运动点坐标、速度之差均在一定阈值内的邻域，本实施例中坐标之差的阈值设为0.15m，速度之差的阈值设为1m/s，即与该点平面距离不超过0.15m且速度之差的绝对值不超过1m/s的其他运动点都在该点的邻域范围内。

如果落入该邻域范围内的总点数超过点数阈值(例如10个)，则当前运动点标记为新集群中的第一个点，否则，将该运动点标记为噪声点。标记后的运动点状态记录为已访问。应当理解，点数阈值可以根据不同的场景进行设置。

对于该新集群中的第一个点进行处理，将在其邻域内的所有点都标记为该新集群，并且对该新集群中全部运动点都进行邻域全部运动点的邻域都处理完成且没有新运动点加入到该新集群中。

在当前集群完成上述处理，一个新的未被访问的点会被提取并处理，从而会接着发现下一个集群或噪声，此过程反复进行直到所有的点标记为已访问，处理完成后每个运动点都被标记为属于一个集群或者是噪声点。

计算各个集群的点的信噪比之和，将信噪比之和大于阈值(例如100dB)的集群则标记为目标集群，否则标记为噪声集群。应当理解，信噪比之和的阈值可以根据不同的场景进行设置。

本实施例中，通过连续稳定判断，利用点的个数阈值和信噪比阈值剔除因多径反射等原因产生的虚假目标集群，具体流程如下：

计算上一帧已标记为某个目标集群的全部运动点的邻域的并集，将当前数据帧中落入该邻域并集的运动点标记为与上一帧相同的目标集群，并计算当前帧中标记为该目标集群的总运动点数和该目标集群的全部运动点的总信噪比之和。

将总点数或信噪比之和低于指定阈值的目标集群标记为噪声集群。本实施例中点数阈值设为10个、信噪比之和的阈值设为100dB。

每帧运动点云数据都进行上述判断，当某个目标集群的总点数与信噪比之和均大于上一步中指定阈值的连续帧数大于指定帧数阈值后，标记为候选目标。本实施例中帧数阈值设为10帧。

23、获取各个候选目标的特征数据，并将这些特征数据放到一个特征向量中。所述特征数据包括以下一项或者多项的组合：

目标在设定的连续一段时间内关联的平均点云个数、目标在设定的连续一段时间内关联的点云个数的标准差、目标在设定的连续一段时间内的平均速度、目标在设定的连续一段时间内的速度的标准差、目标在设定的连续一段时间内的平均尺寸、目标在设定的连续一段时间内的尺寸的标准差、目标在设定的连续一段时间内的平均信噪比、目标在设定的连续一段时间内的信噪比的标准差、目标从产生之时至当前时刻距离最近的房间边界的最大值、目标从产生之时至当前时刻距离诞生点的最大移动距离、目标从产生之时至当前时刻的最大尺寸。

24_、将目标特征向量输入通过机器学习方法训练得到的分类器中，识别出目标的类别，从将多个候选目标进行区分。

具体的，从多个候选目标识别出活动人员目标和运动物体目标。

在本实施例中，以CART(Classification And Regression Tree)决策树作为机器学习方法，即误差函数为基尼系数的决策树算法为例，应当理解本发明实施例还可以应用深度神经网络(Deep Neural Networks,DNN)、支持向量机(Support Vector Machine,SVM)等其他机器学习算法。

如图3所示，在本实施例中，通过如下机器学习训练方法得到分类器：

31、采集已知类别的多个目标特征向量。

本实施例中，参考步骤21-23，采集大量已知类别的目标特征向量，对每个特征向量标记其类别，例如，活动人员目标标记为1，非人目标(其他运动目标)标记为-1；

32、将标记好类别的特征向量随机划分为验证集和训练集。

本实施例中，令训练集占90％，验证集占10％；

33_、对应的训练方法对训练集进行训练。

本实施例中，采用CART决策树生成算法对训练集进行训练，生成CART决策树。

34_、根据验证集采用决策树后剪枝算法决策树进行后剪枝，得到分类器。

具体的，对33中生成的CART决策树进行后剪枝(Postpruning)处理，提高其泛化(Generalization)能力，所得到的剪枝后的决策树即为分类器。

应当理解的是，本实施例中采用了CART决策树及后剪枝处理作为分类器的训练方法，在步骤33中需要预留一定比例的验证集。在其他实施例中，如采用深度神经网络(DeepNeural Networks,DNN)、支持向量机(Support Vector Machine,SVM)等其他机器学习算法，则步骤33中可能将验证集在训练过程中用作其他处理来降低泛化误差或不需要留验证集。

本发明实施例的毫米波雷达目标识别方法，通过获取毫米波雷达输出的多个运动点云数据，对多个运动点云数据进行处理，得出包括活动人员目标和运动物体目标的多个候选目标，获取多个候选目标的特征数据，并基于多个候选目标的特征数据构建特征向量，将特征向量输入分类器识别多个候选目标中的活动人员目标与运动物体目标，实现标识目标类别，从而区分不同类型的目标，以提高检测结果准确性。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种毫米波雷达目标识别方法，其特征在于，包括：

获取毫米波雷达输出的多个运动点云数据；

对所述多个运动点云数据进行处理，得出多个候选目标，所述多个候选目标包括活动人员目标和运动物体目标；

获取所述多个候选目标的特征数据，并基于所述多个候选目标的特征数据构建特征向量；

构建分类器，将所述特征向量输入所述分类器识别所述多个候选目标中的活动人员目标与运动物体目标；

所述多个运动点云数据的云数据包括每个运动点的坐标、速度和信噪比，所述对所述多个运动点云数据进行处理，得出多个候选目标包括：

根据所述每个运动点的坐标、速度和信噪比，对所述多个运动点云数据进行聚类处理，得出多个目标集群；

对所述多个目标集群进行连续稳定判断，得出所述多个候选目标；

其中，所述对所述多个目标集群进行连续稳定判断，得出所述多个候选目标包括：

确定所述多个目标集群中单个目标集群的上一帧中所有运动点的邻域的并集；

将当前帧中落入所述并集的运动点，标记为属于所述单个目标集群的运动点；

获取所述标记为属于所述单个目标集群的运动点的信噪比，与所述单个目标集群中所有运动点的信噪比之和；

获取所述信噪比之和大于设定阈值的目标集群，得出所述多个候选目标。

2.根据权利要求1所述的方法，其特征在于，所述根据所述每个运动点的坐标和速度对所述多个运动点云数据进行聚类处理，得出多个目标集群包括：

选取每一个未进行目标集群划分且未访问的目标运动点，获取与所述目标运动点坐标之差在设定阈值内，且与所述目标运动点速度之差在设定阈值内的邻域；

如果在所述邻域内运动点的数量大于设定数量，则将所述目标运动点与所述邻域内的其他运动点作为一个新集群，得到多个新集群；

确定所述多个新集群中每个新集群包含的运动点的信噪比之和；

选取所述多个新集群中信噪比之和大于设定阈值的集群，得到所述多个目标集群。

3.根据权利要求2所述的方法，其特征在于，所述将所述目标运动点与所述邻域内的其他运动点作为一个新集群包括：

将所述目标运动点标记为所述一个新集群的第一个运动点；

将所述第一个运动点的邻域内的全部运动点标记为属于所述一个新集群，对所述一个新集群中全部运动点进行邻域提取，并将邻域提取获得的运动点标记为属于所述一个新集群。

4.根据权利要求2或3所述的方法，其特征在于，如果在所述邻域内运动点数量小于设定数量，则将所述目标运动点记为噪声点。

5.根据权利要求2或3所述的方法，其特征在于，所述坐标之差的阈值为0.15m，所述速度之差的阈值为1m/s。

6.根据权利要求1所述的方法，其特征在于，所述设定阈值为100dB。

7.根据权利要求1至3中任一项所述的方法，其特征在于，所述多个候选目标的特征数据包括以下至少一项：

所述多个候选目标在设定的连续一段时间内关联的平均点云个数；

所述多个候选目标在设定的连续一段时间内关联的点云个数的标准差；

所述多个候选目标在设定的连续一段时间内的平均速度；

所述多个候选目标在设定的连续一段时间内的速度的标准差；

所述多个候选目标在设定的连续一段时间内的平均尺寸；

所述多个候选目标在设定的连续一段时间内的尺寸的标准差；

所述多个候选目标在设定的连续一段时间内的平均信噪比；

所述多个候选目标在设定的连续一段时间内的信噪比的标准差；

所述多个候选目标从产生之时至当前时刻距离最近的房间边界的最大值；

所述多个候选目标从产生之时至当前时刻距离诞生点的最大移动距离；

所述多个候选目标从产生之时至当前时刻的最大尺寸。

8.根据权利要求1至3中任一项所述的方法，其特征在于，所述构建分类器包括：

采集已知类别的多个目标特征向量，标记每个目标特征向量的类别后，将所述多个目标特征向量随机划分为验证集和训练集；

对所述训练集进行训练生成决策树，根据验证集对所述决策树进行剪枝，得到所述分类器。