CN112327288A - 雷达人体动作识别方法、装置、电子设备和存储介质 - Google Patents
雷达人体动作识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112327288A CN112327288A CN202011179743.1A CN202011179743A CN112327288A CN 112327288 A CN112327288 A CN 112327288A CN 202011179743 A CN202011179743 A CN 202011179743A CN 112327288 A CN112327288 A CN 112327288A
- Authority
- CN
- China
- Prior art keywords
- determining
- energy
- frequency
- human body
- state
- 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
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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例公开了一种雷达人体动作识别方法、装置、电子设备和存储介质。该雷达人体动作识别方法包括:根据获取到的雷达回波数据确定人体的运动轨迹,并根据所述运动轨迹确定人体的第一动作状态;根据所述第一动作状态和所述雷达回波数据确定第二动作状态的识别特征;其中,所述识别特征包括时频特征和属性特征;根据所述识别特征确定人体的第二动作状态。本发明实施例基于雷达回波数据识别到人体的不同起始状态,进而对人体的下一动作状态进行识别,并且利用提取到的时频特征和属性特征对第二动作状态进行识别,提高了对人体动作的识别准确率。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种雷达人体动作识别方法、装置、电子设备和存储介质。
背景技术
随着人口老龄化进程的加快,对老年人的监护问题正逐渐成为一个社会热点问题。而在日常生活中,摔倒是导致老年人受伤的主要原因之一,因此需要对老年人的日常生活进行监测。近几年来,老年人摔倒检测已经成为老年人监护研究和开发的活跃领域。
目前,常用的对于摔倒检测设备可以分为两大类:穿戴式和非穿戴式。穿戴式检测设备包括压力鞋垫、手环、按钮和智能手机等。非穿戴式检测设备包括视觉传感器、声音、压力和震动传感器等。
但是穿戴式设备容易引起用户不适,影响用户的正常生活,且识别准确度不足。而视觉传感器会造成人员暴露在摄像头下,容易泄露隐私;声音、压力和震动传感器等受环境的影响比较大,抗干扰性弱。
发明内容
本发明实施例提供一种雷达人体动作识别方法、装置、电子设备和存储介质,通过雷达回波数据对人体动作进行识别,提高对人体动作识别的准确度,进而提高对老人摔倒状态的识别准确度。
第一方面,本发明实施例提供了一种雷达人体动作识别方法,包括:
根据获取到的雷达回波数据确定人体的运动轨迹,并根据所述运动轨迹确定人体的第一动作状态;
根据所述第一动作状态和所述雷达回波数据确定第二动作状态的识别特征;其中,所述识别特征包括时频特征和属性特征;
根据所述识别特征确定人体的第二动作状态。
第二方面,本发明实施例还提供了一种雷达人体动作识别装置,包括:
第一动作状态确定模块,用于根据获取到的雷达回波数据确定人体的运动轨迹,并根据所述运动轨迹确定人体的第一动作状态;
识别特征确定模块,用于根据所述第一动作状态和所述雷达回波数据确定第二动作状态的识别特征;其中,所述识别特征包括时频特征和属性特征;
第二动作状态确定模块,用于根据所述识别特征确定人体的第二动作状态。
第三方面,本发明实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例所述的雷达人体动作识别方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的雷达人体动作识别方法。
本发明实施例基于雷达回波数据识别到人体的不同起始状态,进而对人体的下一动作状态进行识别,并且利用提取到的时频特征和属性特征对第二动作状态进行识别,提高了对人体动作的识别准确率。
附图说明
图1是本发明实施例一中的雷达人体动作识别方法的流程图;
图2是人体的运动轨迹确定结果展示图;
图3是本发明实施例二中的雷达人体动作识别方法的流程图;
图4是本发明实施例三中的雷达人体动作识别装置的结构示意图;
图5是本发明实施例四中的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中的雷达人体动作识别方法的流程图,本实施例可适用于通过雷达传感器获取到的老人动作回波数据对老人动作进行识别的情况。该方法可以由雷达人体动作识别装置来执行,该装置可以采用软件和/或硬件的方式实现,并可配置在电子设备中,例如电子设备可以是后台服务器等具有通信和计算能力的设备。如图1所示,该方法具体包括:
步骤101、根据获取到的雷达回波数据确定人体的运动轨迹,并根据运动轨迹确定人体的第一动作状态。
其中,雷达回波数据通过设置的雷达传感器进行获取。例如需要对老人摔倒动作进行检测时,将雷达传感器安装在老人活动的场所内,采集该场所下的雷达回波数据。第一运动状态即人体被雷达检测到时的初始动作状态。
从雷达回波数据中对出现的人体进行识别,并追踪该人体的运动轨迹,从人体的运动轨迹中确定人体初始出现时的第一动作状态。示例性的,根据人体的体态特征从雷达回波数据中确定人体出现的时机,并定位该人体距离雷达的距离,通过对该人体的追踪确定人体的运动轨迹。人体在短时间内的运动轨迹可以反映该人体的当前状态,因此可以通过人体的运动轨迹判断人体的第一动作状态。示例性的,当人体出现雷达采集范围内处于静止站立状态时和走路状态时,在短时间内人体的运动范围是不同的,因此可以通过运动轨迹确定人体的第一动作状态。
可选的,根据运动轨迹确定人体的第一动作状态,包括:
提取运动轨迹中在初始时间后第三预设时间段内的轨迹数据;其中,初始时间是指初始识别到人体轨迹的时间;
根据轨迹数据确定在第三预设时间段内人体的最大位移;
若最大位移小于预设位移阈值,则确定人体的第一动作状态为静止站立状态,否则,确定人体的第一动作状态为走路状态。
其中,初始时间是指人体初次出现在雷达采集范围内的时间,即被雷达传感器识别到的初始时间。第三预设时间段是指预先设置的对人体移动范围进行确定的时间段,其中的第三并不对时间段的长短进行区分,只用做与后续的预设时间段进行区分。示例性的,第三预设时间段可以设置为两秒。由于不同动作状态下人体的移动速度不同,因此预设位置阈值可以根据人体的移动速度进行确定,以区分不同的动作状态。示例性的,当人体的移动速度低于0.25m/s时,可以认为该人体处于静止站立状态。最大位移可以反映该人体出现在雷达采集范围内时的初始移动速度情况。
示例性的,在识别到人体轨迹后,积累2秒的轨迹数据,从轨迹图中获取最大位移,如果最大位移小于0.5m,则确定该人体的第一动作状态是静止站立状态,否则确定该人体的第一动作状态为走路状态。以此通过人体的轨迹运动确定人体的第一动作状态。
可选的,根据获取到的雷达回波数据确定人体的运动轨迹,包括:
对获取到的雷达回波数据进行杂波抑制;
根据进行杂波抑制后的雷达回波数据确定距离雷达最近的人体距离单元,作为人体所在的目标位置;
根据目标位置的变化确定人体的运动轨迹。
由于雷达信号采集系统采集到的雷达回波数据中,包含了多种背景杂波,在人体动作检测过程中,由于背景杂波主要是静态杂波,以及雷达天线引起的能量泄露。对于静态杂波,常用的杂波抑制方法有,带通滤波、杂波图法、二次对消器、三次对消器等,本发明实施例通过移动平均算法为例来说明杂波抑制过程。移动平均杂波抑制算法可表示为:
其中,R'(m,n)表示去除背景杂波后的信号;(m,n)表示信号采集的时间信息;α是更新因子,用于控制当前雷达回波R(m,n)对背景杂波C(m,n)的影响程度。当α设定为0的时候,上式表示的是二次对消器杂波抑制方法。
通过雷达回波数据检测人体,主要是找到人体所在的距离单元。通常使用恒虚警概率检测算法(CFAR),本发明实施例以对数高斯恒虚警检测算法(Log-CFAR)为例来说明主要步骤:对于去除背景杂波的回波数据进行正交分解后,将一定窗长(例如0.5秒)的雷达回波数据进行慢时间维的叠加;通过Log-CFAR对距离维的数据进行目标检测;提取距离雷达最近的目标。
通过人体目标检测找到人体所在的距离单元,由于本发明实施例只考虑一个人的情况,所以在慢时间维上提取距离雷达最近的距离单元作为人体所在的目标位置,由此获得人体的运动轨迹。由于环境的影响,获得的人体运动轨迹存在断开的情况,所以采用插值的方法把断开的轨迹连接起来。在本发明实施例中以线性插值算法获得由静止到摔倒事件的轨迹为例来说明。首先将轨迹转换为一维数据f(x),将没有目标的位置数值置1,然后令f(x)=a1x+a2,取x往前n个点,通过如下公式对轨迹中断的位置进行线性插值:
为了让轨迹曲线更加接近人体运动轨迹的真实情况,在本发明实施例中对其进行滤波处理。以均值滤波为例说明,取x往前n-1个点,通过如下公式对轨迹进行滤波:
如图2所示是人体的运动轨迹确定结果展示图,图2中(a)图表示了将轨迹转换为一维数据f(x),并将没有目标的位置数值置1的轨迹结果展示图;图2中(b)图表示了对(a)图中的结果进行线性插值的结果;图2中(c)图表示了对(b)图中的结果进行滤波的结果。
步骤102、根据第一动作状态和雷达回波数据确定第二动作状态的识别特征;其中,识别特征包括时频特征和属性特征。
其中,第二动作状态可以包括走路状态、坐下状态和摔倒状态,根据时频特征和属性特征可以对三种状态进行区分。其中,时频特征从时频图中进行确定,属性特征从轨迹图中进行确定,时频图和轨迹图均可以通过雷达回波数据进行确定。示例性的,不同的动作状态具有不同的特征,例如对于三种状态所持续的时间长度有所不同,可以将时长作为第二动作状态的识别特征。
此外,对于不同的第一动作状态,对于后续关注的第二动作状态不同。如果人体的第一动作状态是静止站立,本发明实施例重点识别的第二动作状态是走路、坐下和摔倒三类状态。如果人体的第一动作状态是走路,本发明实施例重点识别的第二动作状态是非摔倒(例如静止站立、坐下等)和摔倒状态,通过第一动作状态和第二动作状态的对应,可以提高对人体动作的识别准确度,进行针对性的识别,并且可以提高识别效率。
步骤103、根据识别特征确定人体的第二动作状态。
对于提取的识别特征使用SVM分类器进行第二动作状态识别,得到人体动作的分类识别结果。
本发明实施例基于雷达回波数据识别到人体的不同起始状态,进而对人体的下一动作状态进行识别,并且利用提取到的时频特征和属性特征对第二动作状态进行识别,提高了对人体动作的识别准确率。
实施例二
图3是本发明实施例二中的雷达人体动作识别方法的流程图,本实施例二在实施例一的基础上进行进一步地优化。如图3所示,方法包括:
步骤301、根据获取到的雷达回波数据确定人体的运动轨迹,并根据运动轨迹确定人体的第一动作状态;第一动作状态包括静止站立状态和走路状态。
步骤302、根据雷达回波数据确定能量突发曲线。
利用雷达回波数据的能量突发曲线(PBC)来确定异常事件发生的时间。其中,异常事件是指与人体的第一动作状态不同的动作事件,表明人体改变了动作。能量突发曲线中的PBC能量值是指频率f1和f2之间特定频带内信号能量的总和,表示为:
其中,X(f,t)是指对雷达回波数据进行傅里叶变换得到的频率结果。f1和f2之间的频带内包含了不同动作状态的较多的高多普勒能量。在本发明实施例中,将f1=12.5Hz,f2=125Hz进行检测,因为走路、坐下和摔倒通常在该频带内具有高多普勒能量含量。
步骤303、根据能量突发曲线确定能量突发阈值。
其中,能量突发阈值用于对人体动作改变的能量变换情况进行表征。通过统计,可认为背景噪声的PBC能量值服从高斯分布,在本发明实施例中通过如下公式计算能量突发阈值PBC_Th:
PBC_Th=PBC_mean+k*PBC_sigma;
其中,PBC_mean和PBC_sigma分别是背景数据的PBC能量值的均值和标准差,k是经验值。
步骤304、根据能量突发阈值和能量突发曲线,确定异常事件发生时间。
由于能量突发阈值可以反映人体动作改变的能量变换情况,因此可以根据能量突发曲线中PBC能量值与能量突发阈值的比较情况确定异常事件发生时间。
示例性的,若第一动作状态是静止站立状态,则一旦检测到PBC能量值大于能量突发阈值,则确定PBC能量值大于能量突发阈值的时间点为异常事件发生时间;若第一动作状态是走路状态,则一旦检测到PBC能量值小于能量突发阈值,则确定PBC能量值小于能量突发阈值的时间点为异常事件发生时间。由于人体初始状态不同,当其动作发生变化后,产生的能量也不同,因此根据第一动作状态进行针对性的确定异常事件发生时间,可以提高对异常事件监测的准确度。
可选的,根据能量突发阈值和能量突发曲线,确定异常事件发生时间,包括:
若第一动作状态是静止站立状态,则若在确定第一动作状态之后存在第二目标时间点处的能量数据大于能量突发阈值,且第二目标时间点后第二预设时间段内的能量数据中大于能量突发阈值的数据占第二预设时间段内的能量数据的比例超过比例阈值,则确定第二目标时间点为异常事件发生时间;
若第一动作状态是走路状态,则若在确定第一动作状态之后存在第三目标时间点处的能量数据小于能量突发阈值,且第三目标时间点后第二预设时间段内的能量数据中小于能量突发阈值的数据占第二预设时间段内的能量数据的比例超过比例阈值,则确定第三目标时间点为异常事件发生时间。
由于单纯根据某一时刻的PBC能量值与能量突发阈值的比较情况确定异常事件发生时间,会导致当人体进行某些不相关的短暂性动作时也会发生能量突变,因此给检测结果带来一定干扰性。
示例性的,如果人体的第一动作状态识别结果是静止站立状态,一旦检测到PBC能量值大于能量突发阈值,则累积其后1秒的能量数据进行二次检测,如果1秒内的PBC能量值有一半以上超过能量突发阈值,则此时刻即为异常事件发生时间PBC_t_ab,否则继续检测异常事件是否发生。如果第一动作状态识别结果是走路状态,一旦检测到PBC能量值小于能量突发阈值,则累积其后1秒的能量数据进行二次检测,如果1秒内的PBC能量值有一半以上小于能量突发阈值,则此时刻即为异常事件发生时间PBC_t_still。通过二次检测可以提高对异常事件发生检测的准确度,避免无关动作带来的能量变换的干扰。
步骤305、若第一动作状态是静止站立状态,则确定异常事件发生时间后第一预设时间段为目标时间段,根据所述目标时间段内的雷达回波数据和能量突发曲线,确定第二动作状态的识别特征包括:异常事件持续时长参数、能量比参数、极端频率参数和最大位移参数。
由于时频特征中的异常事件持续时长参数、能量比参数和极端频率参数以及属性特征中的最大位移参数对人体的走路状态、坐下状态以及摔倒状态具有区分性,因此当第一动作状态是静止站立状态时,确定异常事件持续时长参数、能量比参数、极端频率参数和最大位移参数。并且由于摔倒和坐下一般发生在3秒之内,因此将第一预设时间段设置为3秒,累积异常事件发生时间PBC_t_ab其后3秒的数据用于特征提取以确定识别特征。
步骤306、若第一动作状态是走路状态,则确定异常事件发生时间前第一预设时间段为目标时间段,根据所述目标时间段内的雷达回波数据和能量突发曲线,确定第二动作状态的识别特征包括:能量比参数、极端频率参数和最大位移参数。
其中,异常事件持续时长参数、能量比参数和极端频率参数是时频特征,最大位移参数是属性特征。
如果人体的第一动作状态是走路状态,本发明实施例重点识别的第二动作状态是非摔倒和摔倒状态,即对非摔倒状态中的静止站立状态和坐下状态不作区分,这是由于本发明实施例所解决的问题是老人摔倒检测困难的问题,因此不进行区分,但是若需要进行进一步的区分,由于本发明实施例提出的时频特征和属性特征可以区分其他动作状态,本领域的人员可以从本发明实施例中得到对人体动作状态进行进一步细分的启示,在此不作详细说明。
由于摔倒和非摔倒发生在2秒之内,因此将对应于第一动作状态为走路状态的第一预设时间段设置为2秒,累积异常事件发生时间PBC_t_still其前2秒的数据用于特征提取以确定识别特征,确定导致人体静止的动作是否是摔倒。示例性的,将从时频图中提取时频特征能量比参数和极端频率参数,从轨迹中提取属性特征最大位移参数,用于分类识别。
其中,异常事件持续时长参数的确定步骤如下所示:
提取能量突发曲线中在目标时间段内的能量数据;
若第一目标时间点处的能量数据小于能量突发阈值,且第一目标时间点后第二预设时间段内的能量数据中小于能量突发阈值的数据占第二预设时间段内的能量数据的比例超过比例阈值,则确定第一目标时间点为异常事件结束时间;
根据异常事件发生时间和异常事件结束时间确定异常事件持续时长参数。
示例性的,通过PBC检测,提取其第一预设时间段内超过能量突发阈值的时长确定为异常事件持续时长。同样由于仅凭某一时刻的PBC能量值与能量突发阈值的比较结果,会造成判断结果不准确,因此进行二次检测,如果1秒内的PBC能量值有一半以上小于能量突发阈值,则此时刻即为异常事件结束时间。异常事件发生时间和异常事件结束时间之差为异常事件持续时长参数。例如,对于摔倒和坐下一般持续发生时长在2秒之内,而走路状态可能持续较长时间。因此,异常事件持续时长参数对走路和摔倒、坐下等动作状态有一定的区分度。
其中,能量比参数的确定步骤如下所示:
根据人体的不同动作状态的运动速度确定第一频率、第二频率、第三频率和第四频率;其中,第一频率小于第二频率,第二频率小于第三频率,第三频率小于第四频率;
确定第一频率和第二频率为第一频带,并确定第一频带内多普勒能量的总和为第一能量;
确定第二频率和第三频率为第二频带,并确定第二频带内多普勒能量的总和为第二能量;
确定第三频率和第四频率为第三频带,并确定第三频带内多普勒能量的总和为第三能量;
根据第三能量和第二能量的比值确定第一能量比参数,并根据第二能量和第一能量的比值确定第二能量比参数。
由于人体在进行不同动作时的速度不同,因此能量集中的频带也不同,例如人体摔倒在高频段内具有高多普勒能量含量,而坐下和走路在较低频段内具有高多普勒能量含量,因此根据所处频段的不同划分频率范围区间。示例性的,第一频率f1=12.5Hz,第二频率f2=50Hz,第三频率f3=87.5Hz,第四频率f4=125Hz,因此,第一能量E1即表示f1=12.5Hz,f2=50Hz之间特定频带内信号能量的总和,第二能量E2即表示f2=50Hz,f3=87.5Hz之间特定频带内信号能量的总和,第三能量E3即表示f3=87.5Hz,f4=125Hz之间特定频带内信号能量的总和,第一能量比参数为E3/E2,第二能量比参数为E2/E1。因此第一能量比参数(E3/E2)、第二能量比参数(E2/E1)对摔倒和走路、坐下有一定的区分度。
其中,极端频率参数的确定步骤如下所示:
根据雷达回波数据确定时频图;
确定时频图中正频范围内的最大正频率和负频范围内的最大负频率;
确定最大正频率和最大负频率中绝对值最大的频率为极端频率。
通过对雷达回波数据进行短时傅里叶变换后得到时频图,通过生成的时频图对多普勒信号进行时频分析。再对时频图进行归一化、二值化和形态学处理后,从中提取极端频率F,极端频率的确定公式可表示为:
F=max(f+max,f-max);
其中,f+max和f-max分别表示正频范围内的最大频率和负频范围内的最大频率。通过分析得到摔倒的极端频率要大于走路和坐下的极端频率。因此其对摔倒和走路、坐下有一定的区分度。
其中,最大位移参数的确定步骤如下所示:
提取运动轨迹中在目标时间段内的轨迹数据;
根据轨迹数据确定在第一预设时间段内人体的最大位移。
示例性的,将第一预设时间段设置为3秒,累积异常事件发生时间其后紧邻3秒的数据,得到的人体摔倒、坐下、走路状态的轨迹数据,通过轨迹数据可以得到在这3秒内人体的最大位移,并将该最大位移作为人体动作识别的属性特征。通过分析得到人体坐下的位移要比人体摔倒和走路所发生的相对位移小。因此,最大位移参数可以对人体坐下和摔倒、走路事件有一定的区分度。
步骤307、根据识别特征确定人体的第二动作状态。
本发明实施例基于雷达回波数据识别到人体的不同起始状态,进而对人体的下一动作状态进行识别,即二阶级联的人体动作识别方法,并且利用提取到的异常事件持续时长参数、能量比参数、极端频率参数和最大位移参数对第二动作状态进行识别,提高了对人体动作的识别准确率,进而提高对老人摔倒的识别准确度。
本发明实施例提出了一种基于时频和属性特征的二阶级联人体摔倒雷达检测方法。该方法能够识别人体目标从静止站立到走路、坐下和摔倒三类动作,以及识别从走路到摔倒和非摔倒两类动作。该方法具有低成本,计算量存储量要求低等优势,可以应用于独居老人看护,比如养老院和独居老人的房间。
本发明实施例还提供了一个通过二阶级联的人体动作识别方法对人体动作进行识别的检测结果。实验场景设计:将雷达固定在距离地面1m高的三角支架上,在距离雷达2.2米处有一跟椅子和一个豆袋(防止摔伤)。录取5人的实验数据,人体第一动作状态是静止站立的共有279组数据,其中,55组摔倒,85组走路,139组坐下。人体第一动作状态是走路的共有996组数据,其中,197组摔倒,799组日常活动(静止站立、走路等)。
对于提取的特征,使用SVM分类器分类识别的结果(20次训练测试取平均值)如表1所示。表1中的一级状态即为第一动作状态,二级状态即为第二动作状态。
表1动作分类识别结果
从上述结果可以看出,基于所选的几类特征进行人体动作分类有较好的识别结果,也充分证明了所提取的时频和属性特征对识别人体不同动作的有效性。
实施例三
图4是本发明实施例三中的雷达人体动作识别装置的结构示意图,本实施例可适用于通过雷达传感器获取到的老人动作回波数据对老人动作进行识别的情况。如图4所示,该装置包括:
第一动作状态确定模块410,用于根据获取到的雷达回波数据确定人体的运动轨迹,并根据所述运动轨迹确定人体的第一动作状态;
识别特征确定模块420,用于根据所述第一动作状态和所述雷达回波数据确定第二动作状态的识别特征;其中,所述识别特征包括时频特征和属性特征;
第二动作状态确定模块430,用于根据所述识别特征确定人体的第二动作状态。
本发明实施例基于雷达回波数据识别到人体的不同起始状态,进而对人体的下一动作状态进行识别,并且利用提取到的时频特征和属性特征对第二动作状态进行识别,提高了对人体动作的识别准确率。
可选的,所述装置还包括异常时间确定模块,用于:
能量突发曲线确定单元,用于在所述根据所述第一动作状态和所述雷达回波数据确定第二动作状态的识别特征之前,根据所述雷达回波数据确定能量突发曲线;
能量突发阈值确定单元,用于根据所述能量突发曲线确定能量突发阈值;
异常事件发生时间确定单元,用于根据所述能量突发阈值和所述能量突发曲线,确定异常事件发生时间。
可选的,所述第一动作状态包括静止站立状态和走路状态;
相应的,识别特征确定模块420,具体用于:
若所述第一动作状态是静止站立状态,则确定所述异常事件发生时间后第一预设时间段为目标时间段,根据所述目标时间段内的雷达回波数据和所述能量突发曲线,确定第二动作状态的识别特征包括:异常事件持续时长参数、能量比参数、极端频率参数和最大位移参数;
若所述第一动作状态是走路状态,则确定所述异常事件发生时间前第一预设时间段为目标时间段,根据所述目标时间段内的雷达回波数据和所述能量突发曲线,确定第二动作状态的识别特征包括:能量比参数、极端频率参数和最大位移参数;
其中,异常事件持续时长参数、能量比参数和极端频率参数是时频特征,最大位移参数是属性特征。
可选的,识别特征确定模块420包括:异常事件持续时长参数确定单元、能量比参数确定单元、极端频率参数确定单元和最大位移参数确定单元;
其中,异常事件持续时长参数确定单元,具体用于:
提取所述能量突发曲线中在所述目标时间段内的能量数据;
若第一目标时间点处的能量数据小于所述能量突发阈值,且所述第一目标时间点后第二预设时间段内的能量数据中小于所述能量突发阈值的数据占所述第二预设时间段内的能量数据的比例超过比例阈值,则确定所述第一目标时间点为异常事件结束时间;
根据所述异常事件发生时间和所述异常事件结束时间确定异常事件持续时长参数;
其中,能量比参数确定单元,具体用于:
根据人体的不同动作状态的运动速度确定第一频率、第二频率、第三频率和第四频率;其中,所述第一频率小于第二频率,第二频率小于第三频率,第三频率小于第四频率;
确定所述第一频率和所述第二频率为第一频带,并确定第一频带内多普勒能量的总和为第一能量;
确定所述第二频率和所述第三频率为第二频带,并确定第二频带内多普勒能量的总和为第二能量;
确定所述第三频率和所述第四频率为第三频带,并确定第三频带内多普勒能量的总和为第三能量;
根据所述第三能量和第二能量的比值确定第一能量比参数,并根据所述第二能量和所述第一能量的比值确定第二能量比参数;
其中,极端频率参数确定单元,具体用于:
根据所述雷达回波数据确定时频图;
确定所述时频图中正频范围内的最大正频率和负频范围内的最大负频率;
确定所述最大正频率和所述最大负频率中绝对值最大的频率为极端频率;
其中,最大位移参数确定单元,具体用于:
提取所述运动轨迹中在所述目标时间段内的轨迹数据;
根据所述轨迹数据确定在第一预设时间段内人体的最大位移。
可选的,所述第一动作状态包括静止站立状态和走路状态;
相应的,异常事件发生时间确定单元,具体用于:
若所述第一动作状态是静止站立状态,则若在确定第一动作状态之后存在第二目标时间点处的能量数据大于所述能量突发阈值,且所述第二目标时间点后第二预设时间段内的能量数据中大于所述能量突发阈值的数据占所述第二预设时间段内的能量数据的比例超过比例阈值,则确定所述第二目标时间点为异常事件发生时间;
若所述第一动作状态是走路状态,则若在确定第一动作状态之后存在第三目标时间点处的能量数据小于所述能量突发阈值,且所述第三目标时间点后第二预设时间段内的能量数据中小于所述能量突发阈值的数据占所述第二预设时间段内的能量数据的比例超过比例阈值,则确定所述第三目标时间点为异常事件发生时间。
可选的,第一动作状态确定模块包括第一动作状态确定单元,具体用于:
提取所述运动轨迹中在初始时间后第三预设时间段内的轨迹数据;其中,所述初始时间是指初始识别到人体轨迹的时间;
根据所述轨迹数据确定在第三预设时间段内人体的最大位移;
若所述最大位移小于预设位移阈值,则确定人体的第一动作状态为静止站立状态,否则,确定人体的第一动作状态为走路状态。
可选的,第一动作状态确定模块包括运动轨迹确定单元,具体用于:
对所述获取到的雷达回波数据进行杂波抑制;
根据进行杂波抑制后的雷达回波数据确定距离雷达最近的人体距离单元,作为人体所在的目标位置;
根据所述目标位置的变化确定人体的运动轨迹。
本发明实施例所提供的雷达人体动作识别装置可执行本发明任意实施例所提供的雷达人体动作识别方法,具备执行雷达人体动作识别方法相应的功能模块和有益效果。
实施例四
图5是本发明实施例四提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储装置28,连接不同系统组件(包括系统存储装置28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储装置总线或者存储装置控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储装置28可以包括易失性存储装置形式的计算机系统可读介质,例如随机存取存储装置(RAM)30和/或高速缓存存储装置32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储装置28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储装置28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图5所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图5中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储装置28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的雷达人体动作识别方法,包括:
根据获取到的雷达回波数据确定人体的运动轨迹,并根据所述运动轨迹确定人体的第一动作状态;
根据所述第一动作状态和所述雷达回波数据确定第二动作状态的识别特征;其中,所述识别特征包括时频特征和属性特征;
根据所述识别特征确定人体的第二动作状态。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的雷达人体动作识别方法,包括:
根据获取到的雷达回波数据确定人体的运动轨迹,并根据所述运动轨迹确定人体的第一动作状态;
根据所述第一动作状态和所述雷达回波数据确定第二动作状态的识别特征;其中,所述识别特征包括时频特征和属性特征;
根据所述识别特征确定人体的第二动作状态。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种雷达人体动作识别方法,其特征在于,包括:
根据获取到的雷达回波数据确定人体的运动轨迹,并根据所述运动轨迹确定人体的第一动作状态;
根据所述第一动作状态和所述雷达回波数据确定第二动作状态的识别特征;其中,所述识别特征包括时频特征和属性特征;
根据所述识别特征确定人体的第二动作状态。
2.根据权利要求1所述的方法,其特征在于,在所述根据所述第一动作状态和所述雷达回波数据确定第二动作状态的识别特征之前,还包括:
根据所述雷达回波数据确定能量突发曲线;
根据所述能量突发曲线确定能量突发阈值;
根据所述能量突发阈值和所述能量突发曲线,确定异常事件发生时间。
3.根据权利要求2所述的方法,其特征在于,所述第一动作状态包括静止站立状态和走路状态;
相应的,根据所述第一动作状态和所述雷达回波数据确定第二动作状态的识别特征,包括:
若所述第一动作状态是静止站立状态,则确定所述异常事件发生时间后第一预设时间段为目标时间段,根据所述目标时间段内的雷达回波数据和所述能量突发曲线,确定第二动作状态的识别特征包括:异常事件持续时长参数、能量比参数、极端频率参数和最大位移参数;
若所述第一动作状态是走路状态,则确定所述异常事件发生时间前第一预设时间段为目标时间段,根据所述目标时间段内的雷达回波数据和所述能量突发曲线,确定第二动作状态的识别特征包括:能量比参数、极端频率参数和最大位移参数;
其中,异常事件持续时长参数、能量比参数和极端频率参数是时频特征,最大位移参数是属性特征。
4.根据权利要求3所述的方法,其特征在于,
其中,所述异常事件持续时长参数的确定步骤如下所示:
提取所述能量突发曲线中在所述目标时间段内的能量数据;
若第一目标时间点处的能量数据小于所述能量突发阈值,且所述第一目标时间点后第二预设时间段内的能量数据中小于所述能量突发阈值的数据占所述第二预设时间段内的能量数据的比例超过比例阈值,则确定所述第一目标时间点为异常事件结束时间;
根据所述异常事件发生时间和所述异常事件结束时间确定异常事件持续时长参数;
其中,所述能量比参数的确定步骤如下所示:
根据人体的不同动作状态的运动速度确定第一频率、第二频率、第三频率和第四频率;其中,所述第一频率小于第二频率,第二频率小于第三频率,第三频率小于第四频率;
确定所述第一频率和所述第二频率为第一频带,并确定第一频带内多普勒能量的总和为第一能量;
确定所述第二频率和所述第三频率为第二频带,并确定第二频带内多普勒能量的总和为第二能量;
确定所述第三频率和所述第四频率为第三频带,并确定第三频带内多普勒能量的总和为第三能量;
根据所述第三能量和第二能量的比值确定第一能量比参数,并根据所述第二能量和所述第一能量的比值确定第二能量比参数;
其中,所述极端频率参数的确定步骤如下所示:
根据所述雷达回波数据确定时频图;
确定所述时频图中正频范围内的最大正频率和负频范围内的最大负频率;
确定所述最大正频率和所述最大负频率中绝对值最大的频率为极端频率;
其中,所述最大位移参数的确定步骤如下所示:
提取所述运动轨迹中在所述目标时间段内的轨迹数据;
根据所述轨迹数据确定在第一预设时间段内人体的最大位移。
5.根据权利要求2所述的方法,其特征在于,所述第一动作状态包括静止站立状态和走路状态;
相应的,根据所述能量突发阈值和所述能量突发曲线,确定异常事件发生时间,包括:
若所述第一动作状态是静止站立状态,则若在确定第一动作状态之后存在第二目标时间点处的能量数据大于所述能量突发阈值,且所述第二目标时间点后第二预设时间段内的能量数据中大于所述能量突发阈值的数据占所述第二预设时间段内的能量数据的比例超过比例阈值,则确定所述第二目标时间点为异常事件发生时间;
若所述第一动作状态是走路状态,则若在确定第一动作状态之后存在第三目标时间点处的能量数据小于所述能量突发阈值,且所述第三目标时间点后第二预设时间段内的能量数据中小于所述能量突发阈值的数据占所述第二预设时间段内的能量数据的比例超过比例阈值,则确定所述第三目标时间点为异常事件发生时间。
6.根据权利要求1所述的方法,其特征在于,根据所述运动轨迹确定人体的第一动作状态,包括:
提取所述运动轨迹中在初始时间后第三预设时间段内的轨迹数据;其中,所述初始时间是指初始识别到人体轨迹的时间;
根据所述轨迹数据确定在第三预设时间段内人体的最大位移;
若所述最大位移小于预设位移阈值,则确定人体的第一动作状态为静止站立状态,否则,确定人体的第一动作状态为走路状态。
7.根据权利要求1所述的方法,其特征在于,根据获取到的雷达回波数据确定人体的运动轨迹,包括:
对所述获取到的雷达回波数据进行杂波抑制;
根据进行杂波抑制后的雷达回波数据确定距离雷达最近的人体距离单元,作为人体所在的目标位置;
根据所述目标位置的变化确定人体的运动轨迹。
8.一种雷达人体动作识别装置,其特征在于,包括:
第一动作状态确定模块,用于根据获取到的雷达回波数据确定人体的运动轨迹,并根据所述运动轨迹确定人体的第一动作状态;
识别特征确定模块,用于根据所述第一动作状态和所述雷达回波数据确定第二动作状态的识别特征;其中,所述识别特征包括时频特征和属性特征;
第二动作状态确定模块,用于根据所述识别特征确定人体的第二动作状态。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的雷达人体动作识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的雷达人体动作识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179743.1A CN112327288B (zh) | 2020-10-29 | 2020-10-29 | 雷达人体动作识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179743.1A CN112327288B (zh) | 2020-10-29 | 2020-10-29 | 雷达人体动作识别方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327288A true CN112327288A (zh) | 2021-02-05 |
CN112327288B CN112327288B (zh) | 2023-07-25 |
Family
ID=74296214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011179743.1A Active CN112327288B (zh) | 2020-10-29 | 2020-10-29 | 雷达人体动作识别方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327288B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113208566A (zh) * | 2021-05-17 | 2021-08-06 | 深圳大学 | 一种数据处理方法、装置、电子设备及存储介质 |
CN113420634A (zh) * | 2021-06-18 | 2021-09-21 | 深圳大学 | 人体摔倒的检测方法、装置、电子设备及存储介质 |
CN115059990A (zh) * | 2022-03-01 | 2022-09-16 | 北京小米移动软件有限公司 | 空调控制方法、装置和存储介质 |
CN116449330A (zh) * | 2023-06-20 | 2023-07-18 | 精华隆智慧感知科技(深圳)股份有限公司 | 一种室内人数的估计方法、装置、计算机设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107290741A (zh) * | 2017-06-02 | 2017-10-24 | 南京理工大学 | 基于加权联合距离时频变换的室内人体姿态识别方法 |
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 |
CN109961058A (zh) * | 2019-04-03 | 2019-07-02 | 湖南省顺鸿智能科技有限公司 | 一种非接触式跌倒检测方法及装置 |
CN110245718A (zh) * | 2019-06-21 | 2019-09-17 | 南京信息工程大学 | 一种基于联合时域频域特征的人体行为识别方法 |
CN110286368A (zh) * | 2019-07-10 | 2019-09-27 | 北京理工大学 | 一种基于超宽带雷达的老人跌倒检测方法 |
US20190317191A1 (en) * | 2018-04-11 | 2019-10-17 | Infineon Technologies Ag | Human Detection and Identification in a Setting Using Millimiter-Wave Radar |
CN110988861A (zh) * | 2019-10-31 | 2020-04-10 | 复旦大学 | 基于毫米波雷达的人体姿态识别系统 |
CN111345793A (zh) * | 2018-12-21 | 2020-06-30 | 纬创资通股份有限公司 | 非接触式生命征象检测系统与方法 |
CN111505632A (zh) * | 2020-06-08 | 2020-08-07 | 北京富奥星电子技术有限公司 | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 |
CN111507361A (zh) * | 2019-01-30 | 2020-08-07 | 富士通株式会社 | 基于微波雷达的动作识别装置、方法及系统 |
-
2020
- 2020-10-29 CN CN202011179743.1A patent/CN112327288B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107290741A (zh) * | 2017-06-02 | 2017-10-24 | 南京理工大学 | 基于加权联合距离时频变换的室内人体姿态识别方法 |
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 |
US20190317191A1 (en) * | 2018-04-11 | 2019-10-17 | Infineon Technologies Ag | Human Detection and Identification in a Setting Using Millimiter-Wave Radar |
CN111345793A (zh) * | 2018-12-21 | 2020-06-30 | 纬创资通股份有限公司 | 非接触式生命征象检测系统与方法 |
CN111507361A (zh) * | 2019-01-30 | 2020-08-07 | 富士通株式会社 | 基于微波雷达的动作识别装置、方法及系统 |
CN109961058A (zh) * | 2019-04-03 | 2019-07-02 | 湖南省顺鸿智能科技有限公司 | 一种非接触式跌倒检测方法及装置 |
CN110245718A (zh) * | 2019-06-21 | 2019-09-17 | 南京信息工程大学 | 一种基于联合时域频域特征的人体行为识别方法 |
CN110286368A (zh) * | 2019-07-10 | 2019-09-27 | 北京理工大学 | 一种基于超宽带雷达的老人跌倒检测方法 |
CN110988861A (zh) * | 2019-10-31 | 2020-04-10 | 复旦大学 | 基于毫米波雷达的人体姿态识别系统 |
CN111505632A (zh) * | 2020-06-08 | 2020-08-07 | 北京富奥星电子技术有限公司 | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 |
Non-Patent Citations (1)
Title |
---|
祁富贵;吕昊;梁福来;李钊;刘淼;安强;李川涛;王健琪;: "基于生物雷达的人体运动状态探测识别技术研究", 医疗卫生装备 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113208566A (zh) * | 2021-05-17 | 2021-08-06 | 深圳大学 | 一种数据处理方法、装置、电子设备及存储介质 |
CN113208566B (zh) * | 2021-05-17 | 2023-06-23 | 深圳大学 | 一种数据处理方法、装置、电子设备及存储介质 |
CN113420634A (zh) * | 2021-06-18 | 2021-09-21 | 深圳大学 | 人体摔倒的检测方法、装置、电子设备及存储介质 |
CN113420634B (zh) * | 2021-06-18 | 2023-09-29 | 深圳大学 | 人体摔倒的检测方法、装置、电子设备及存储介质 |
CN115059990A (zh) * | 2022-03-01 | 2022-09-16 | 北京小米移动软件有限公司 | 空调控制方法、装置和存储介质 |
CN116449330A (zh) * | 2023-06-20 | 2023-07-18 | 精华隆智慧感知科技(深圳)股份有限公司 | 一种室内人数的估计方法、装置、计算机设备及存储介质 |
CN116449330B (zh) * | 2023-06-20 | 2023-10-13 | 精华隆智慧感知科技(深圳)股份有限公司 | 一种室内人数的估计方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112327288B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112327288B (zh) | 雷达人体动作识别方法、装置、电子设备和存储介质 | |
CN111399642B (zh) | 手势的识别方法、装置、移动终端和存储介质 | |
CN112401856B (zh) | 一种基于毫米波雷达的疗养院监护方法及系统 | |
CN110069199B (zh) | 一种基于智能手表的皮肤式手指手势识别方法 | |
CN111089604B (zh) | 基于可穿戴传感器的健身运动识别方法 | |
CN111505632A (zh) | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 | |
CN109657572B (zh) | 一种基于Wi-Fi的墙后目标行为识别方法 | |
CN114469076B (zh) | 一种融合身份特征的独居老人跌倒识别方法及系统 | |
CN107105092A (zh) | 一种基于动态时间规整的人体跌倒识别方法 | |
CN113963192A (zh) | 跌倒检测方法、装置和电子设备 | |
Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
Kambhampati et al. | Unified framework for triaxial accelerometer‐based fall event detection and classification using cumulants and hierarchical decision tree classifier | |
CN114442079A (zh) | 目标对象的跌倒检测方法及装置 | |
CN110111812A (zh) | 一种键盘击键内容的自适应识别方法和系统 | |
CN110660411B (zh) | 基于语音识别的健身安全提示方法、装置、设备及介质 | |
CN112699744A (zh) | 跌倒姿态的分类识别方法、装置和可穿戴设备 | |
CN108537105B (zh) | 一种家庭环境下的危险行为识别方法 | |
Suriani et al. | Sudden fall classification using motion features | |
Ntalampiras | Audio surveillance | |
Zhang et al. | Automatic recognition of porcine abnormalities based on a sound detection and recognition system | |
CN111025288B (zh) | 安防雷达监测装置及系统 | |
Pipanmaekaporn et al. | Mining Acceleration Data for Smartphone-based Fall Detection | |
WO2020147098A1 (zh) | 基于地面振动信号的人体摔倒检测系统 | |
CN112960506B (zh) | 基于音频特征的电梯告警音检测系统 | |
KR101302060B1 (ko) | 진동센서 기반의 능동형 문턱값을 이용한 표적 탐지 시스템 및 이를 이용한 표적 탐지 방법 |
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 |