CN112395920A - 基于雷达的姿态识别装置、方法以及电子设备 - Google Patents

基于雷达的姿态识别装置、方法以及电子设备 Download PDF

Info

Publication number
CN112395920A
CN112395920A CN201910758029.9A CN201910758029A CN112395920A CN 112395920 A CN112395920 A CN 112395920A CN 201910758029 A CN201910758029 A CN 201910758029A CN 112395920 A CN112395920 A CN 112395920A
Authority
CN
China
Prior art keywords
condition
time period
feature
range
threshold
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
Application number
CN201910758029.9A
Other languages
English (en)
Other versions
CN112395920B (zh
Inventor
谢莉莉
田军
李红春
赵倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to CN201910758029.9A priority Critical patent/CN112395920B/zh
Priority to US16/902,749 priority patent/US11604254B2/en
Priority to JP2020109968A priority patent/JP7484492B2/ja
Publication of CN112395920A publication Critical patent/CN112395920A/zh
Application granted granted Critical
Publication of CN112395920B publication Critical patent/CN112395920B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • 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
    • G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
    • G01S13/874—Combination of several systems for attitude determination
    • 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
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • 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
    • G01S7/418—Theoretical aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请实施例提供一种基于雷达的姿态识别装置、方法以及电子设备。所述方法包括：基于从检测目标反射回的雷达回波信号获取雷达反射点信息，并对雷达反射点信息进行聚类；在第一时间段对聚类获得的目标点集计算空间形态特征信息和/或运动特征信息；在第二时间段对多个第一时间段的空间形态特征信息和/或运动特征信息进行统计，以获得第二时间段内的运动过程特征信息，以及将当前时刻所在的第二时间段内的运动过程特征信息以及当前时刻所在的第一时间段的空间形态特征信息和/或运动特征信息作为特征集合，判定检测目标的姿态。

Description

基于雷达的姿态识别装置、方法以及电子设备
技术领域
本申请实施例涉及雷达监控技术领域。
背景技术
雷达通过发射天线发射电磁波，经过不同物体反射接收到相应的反射波，对其接收结果进行分析，能有效提取到物体距雷达的位置，径向运动速度等信息，这些信息能够满足许多应用场景的需求。
因此，雷达的发展给许多室内应用带来了新的解决方案，比如人员追踪、跌倒检测、动作检测、生理指标检测等。与基于传感器的方案相比，雷达的安装简单，覆盖范围大；与基于视频的方案相比，雷达对隐私的侵犯小，且不受光线等环境因素影响。
目前基于雷达的目标检测(例如人员追踪)技术方案中，主要是通过对雷达回波信号进行分析处理以获得有效的目标反射点，通过对反射点进行聚类，获得目标的位置等信息。
应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
发明人发现，目前需要对监测目标的姿态进行识别，但是在实际场景中，环境较为复杂，反射点中的噪声较多；姿态识别的精度一般不高或者计算量巨大。
针对上述技术问题的至少之一，本申请实施例提供一种基于雷达的姿态识别装置、方法以及电子设备，能够以较低的计算量高精度地识别出日常的多种行为姿态。
根据本申请实施例的一个方面，提供一种基于雷达的姿态识别装置，包括：
获取单元，其基于从检测目标反射回的雷达回波信号获取雷达反射点信息，并对所述雷达反射点信息进行聚类；
计算单元，其在第一时间段对聚类获得的目标点集计算空间形态特征信息和/或运动特征信息；
统计单元，其在第二时间段对多个所述第一时间段的所述空间形态特征信息和/或所述运动特征信息进行统计，以获得所述第二时间段内的运动过程特征信息，以及
判定单元，其将当前时刻所在的第二时间段内的运动过程特征信息以及所述当前时刻所在的第一时间段的所述空间形态特征信息和/或所述运动特征信息作为特征集合，判断所述特征集合是否满足第一条件集合；
在所述特征集合满足第一条件集合的情况下，将所述检测目标的姿态判定为躺在地上；
在所述特征集合不满足所述第一条件集合的情况下，判断所述特征集合是否满足第二条件集合；在所述特征集合满足所述第二条件集合的情况下，判断所述特征集合是否满足第三条件集合；在所述特征集合满足所述第三条件集合的情况下，将所述检测目标的姿态判定为躺在床上；
在所述特征集合不满足所述第二条件集合或所述第三条件集合的情况下，判断所述特征集合是否满足第四条件集合；在所述特征集合满足所述第四条件集合的情况下，判断所述特征集合是否满足第五条件集合；在所述特征集合满足所述第五条件集合的情况下，将所述检测目标的姿态判定为行走。
根据本申请实施例的另一个方面，提供一种基于雷达的姿态识别方法，包括：
基于从检测目标反射回的雷达回波信号获取雷达反射点信息，并对所述雷达反射点信息进行聚类；
在第一时间段对聚类获得的目标点集计算空间形态特征信息和/或运动特征信息；
在第二时间段对多个所述第一时间段的所述空间形态特征信息和/或所述运动特征信息进行统计，以获得所述第二时间段内的运动过程特征信息，以及
将当前时刻所在的第二时间段内的运动过程特征信息以及所述当前时刻所在的第一时间段的所述空间形态特征信息和/或所述运动特征信息作为特征集合，判断所述特征集合是否满足第一条件集合；
在所述特征集合满足第一条件集合的情况下，将所述检测目标的姿态判定为躺在地上；
在所述特征集合不满足所述第一条件集合的情况下，判断所述特征集合是否满足第二条件集合；在所述特征集合满足所述第二条件集合的情况下，判断所述特征集合是否满足第三条件集合；在所述特征集合满足所述第三条件集合的情况下，将所述检测目标的姿态判定为躺在床上；
在所述特征集合不满足所述第二条件集合或所述第三条件集合的情况下，判断所述特征集合是否满足第四条件集合；在所述特征集合满足所述第四条件集合的情况下，判断所述特征集合是否满足第五条件集合；在所述特征集合满足所述第五条件集合的情况下，将所述检测目标的姿态判定为行走。
根据本申请实施例的又一个方面，提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器被配置为执行如上所述的基于雷达的姿态识别方法。
本申请实施例的有益效果之一在于：通过将第二时间段内的过程特征和第一时间段内的瞬态特征结合起来作为特征集合，首先判断检测目标的姿态是否满足躺在地上的条件，然后判断检测目标的姿态是否满足躺在床上的条件，再判断检测目标的姿态是否满足行走的条件。由此，不仅能够基于雷达判断检测目标的姿态，而且能够以较低的计算量高精度地识别出日常的多种行为姿态。
参照后文的说明和附图，详细公开了本申请实施例的特定实施方式，指明了本申请实施例的原理可以被采用的方式。应该理解，本申请的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本申请的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。
应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
所包括的附图用来提供对本申请实施例的进一步的理解，其构成了说明书的一部分，用于例示本申请的实施方式，并与文字描述一起来阐释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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。在附图中：
图1是本申请实施例的基于雷达的姿态识别方法的一示意图；
图2是本申请实施例的基于雷达的姿态识别方法的一示例图；
图3是本申请实施例的基于雷达的姿态识别方法的另一示例图；
图4是本申请实施例的基于雷达的姿态识别装置的一示意图；
图5是本申请实施例的电子设备的示意图。
具体实施方式
参照附图，通过下面的说明书，本申请实施例的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本申请的特定实施方式，其表明了其中可以采用本申请实施例的原则的部分实施方式，应了解的是，本申请不限于所描述的实施方式，相反，本申请实施例包括落入所附权利要求的范围内的全部修改、变型以及等同物。
在本申请实施例中，术语“第一”、“第二”等用于对不同元素从称谓上进行区分，但并不表示这些元素的空间排列或时间顺序等，这些元素不应被这些术语所限制。术语“和/或”包括相关联列出的术语的一种或多个中的任何一个和所有组合。术语“包含”、“包括”、“具有”等是指所陈述的特征、元素、元件或组件的存在，但并不排除存在或添加一个或多个其他特征、元素、元件或组件。
在本申请实施例中，单数形式“一”、“该”等包括复数形式，应广义地理解为“一种”或“一类”而并不是限定为“一个”的含义；此外术语“所述”应理解为既包括单数形式也包括复数形式，除非上下文另外明确指出。此外术语“根据”应理解为“至少部分根据……”，术语“基于”应理解为“至少部分基于……”，除非上下文另外明确指出。
在本申请实施例中，可使用基于密度的聚类算法DBSCAN(Density-Based SpatialClustering of Applications with Noise)进行聚类，但本申请不限于此，例如其他的聚类算法也可以适用。
第一方面的实施例
本申请实施例提供一种基于雷达的姿态识别方法，图1是本申请实施例的基于雷达的姿态识别方法的一示意图，如图1所示，该方法包括：
101，基于从检测目标反射回的雷达回波信号获取雷达反射点信息，并对雷达反射点信息进行聚类；
102，在第一时间段对聚类获得的目标点集计算空间形态特征信息和/或运动特征信息；
103，在第二时间段对多个第一时间段的空间形态特征信息和/或运动特征信息进行统计，以获得第二时间段内的运动过程特征信息，以及
104，将当前时刻所在的第二时间段内的运动过程特征信息以及当前时刻所在的第一时间段的空间形态特征信息和/或运动特征信息作为特征集合，判断特征集合是否满足第一条件集合；
105，在特征集合满足第一条件集合的情况下，将检测目标的姿态判定为躺在地上，例如标记为lie(floor)；
106，在特征集合不满足第一条件集合的情况下，判断特征集合是否满足第二条件集合；在特征集合满足第二条件集合的情况下，判断特征集合是否满足第三条件集合；在特征集合满足第三条件集合的情况下，将检测目标的姿态判定为躺在床上，例如标记为lie(bed)；
107，在特征集合不满足第二条件集合或第三条件集合的情况下，判断特征集合是否满足第四条件集合；在特征集合满足第四条件集合的情况下，判断特征集合是否满足第五条件集合；在特征集合满足第五条件集合的情况下，将检测目标的姿态判定为行走，例如标记为walk。
值得注意的是，以上附图1仅示意性地对本申请实施例进行了说明，但本申请不限于此。例如可以适当地调整各个操作之间的执行顺序，此外还可以增加其他的一些操作或者减少其中的某些操作。本领域的技术人员可以根据上述内容进行适当地变型，而不仅限于上述附图1的记载。
在一些实施例中，第一时间段例如为0.2s，在102中可以每0.2s计算目标点集的空间形态特征信息和/或运动特征信息，这些特征信息可以表征瞬态特征。第二时间段例如为2s，可以对102中每0.2s计算出的特征信息(例如2s内共10次)进行统计，获得第二时间段内的运动过程特征信息，这些特征信息可以表征过程特征。
在本申请实施例中，通过将瞬态特征和过程特征结合起来作为特征集合，首先判断检测目标的姿态是否满足躺在地上的条件，然后判断检测目标的姿态是否满足躺在床上的条件，再判断检测目标的姿态是否满足行走的条件。由此，不仅能够基于雷达判断检测目标的姿态，而且能够以较低的计算量高精度地识别出日常的多种行为姿态，例如“躺在地上”、“躺在床上”或“行走”。
在一些实施例中，(x，y，z)为三维空间坐标，doppler为反射点的速度；
Figure BDA0002169373760000061
Figure BDA0002169373760000062
x，y为反射的平面坐标，z是距离地面的高度；关于如何获得检测目标的空间信息和速度信息，以及如果进行聚类等，可以参考相关的技术。
在一些实施例中，空间形态特征信息包括：目标点集的高度平均值z_mid，目标点集的高度最大值z_max，目标点集的长度x_range，目标点集的宽度y_range，目标点集的高度z_range；
运动过程特征信息包括：第二时间段内x_range或y_range大于z_range的数量xy_z，第二时间段内x_range或y_range大于第一特征阈值(例如1m)的数量xy_1，第一时间段内x_range与y_range的最大值与z_range的比值shape_ratio，第二时间段内x_range与y_range标准差的最大值xy_range_var，第二时间段内z_range大于第二特征阈值(例如1m)的数量z_1；第二时间段内目标点集连续为空的数量Lost_frame_num。
通过将上述特征信息结合起来，可以进行条件判断。
在一些实施例中，第一条件集合为z_mid小于第一条件阈值(例如0.3m)且z_max低于第二条件阈值(例如0.8m)且xy_z和xy_1之和大于零且shape_ratio大于1；第二条件集合为xy_1大于零；第三条件集合为xy_z大于零且z_mid小于第三条件阈值(例如1m)且z_range小于第四条件阈值(例如1m)且xy_range_var大于第五条件阈值(例如0.2)；第四条件集合为z_1大于第六条件阈值(例如6)；第五条件集合为Lost_frame_num小于第七条件阈值(例如N为正整数，例如为3)。
通过上述第一条件集合至第五条件集合，可以将“躺在地上”、“躺在床上”或“行走”的姿态识别出来。在以上的判断中，有顺序地对检测目标进行判断，能够提高姿态识别的精度。
在一些实施例中，上述方法还可以包括：在特征集合不满足第五条件集合的情况下，判断特征集合是否满足第六条件集合；在特征集合满足第六条件集合的情况下，将检测目标的姿态判定为坐姿，例如标记为sit，可以是坐在椅子上或坐在床上或坐在沙发上等等；在特征集合不满足第六条件集合的情况下，将检测目标的姿态判定为站立，例如标记为stand；
在特征集合不满足第四条件集合的情况下，判断特征集合是否满足第七条件集合；在特征集合满足第七条件集合的情况下，将检测目标的姿态判定为坐在地上，例如标记为sit on floor。
在一些实施例中，运动特征信息包括：目标点集中反射点的最大速度target.doppler，
运动过程特征信息还包括：第二时间段内r大于第三特征阈值(例如0.5m)的数量r_range_2s，
Figure BDA0002169373760000071
第二时间段的开始第三时间段(例如1s)内r大于第三特征阈值(例如0.5m)的数量r_range_1s；第二时间段内target.doppler大于第四特征阈值(例如0.2m/s)的数量doppler_2s；第二时间段的开始第三时间段(例如1s)内target.doppler大于第四特征阈值(例如0.2m/s)的数量doppler_1s；第二时间段内x_range与y_range均大于z_range一半的数量x_y_05z。
通过将上述特征信息结合起来，可以进行条件判断。
在一些实施例中，第六条件集合为r_range_2s大于或等于第八条件阈值(例如5)且doppler_2s大于或等于第九条件阈值(例如4)，或者，r_range_1s大于或等于第十条件阈值(例如3)且doppler_1s大于或等于第十一条件阈值(例如3)。第七条件集合为z_mid小于第十五条件阈值(例如0.6m)，z_max低于十六条件阈值(例如1m)，x_y_05z大于零。
通过上述第六条件集合至第七条件集合，可以进一步将“坐姿”、“站立”或“坐在地板上”的姿态识别出来。在以上的判断中，有顺序地对检测目标进行判断，能够提高姿态识别的精度。
图2是本申请实施例的基于雷达的姿态识别方法的一示例图，示出了根据第一条件集合至第七条件集合进行姿态识别的情况。其中target_point_clouds_2s表示102和103中计算出来的特征集合，t.label表示姿态的标签，图中使用201至207分别表示第一条件集合至第七条件集合。如图2所示，在识别出姿态后还可以进行后处理，例如后述的修正后得到t.label_final，从而可以进一步提高识别精度。
在另一些实施例中，所述方法还包括：在特征集合不满足第五条件集合的情况下，判断特征集合是否满足第八条件集合；在特征集合满足第八条件集合的情况下，将所述检测目标的姿态判定为站立，例如标记为stand；
在特征集合不满足第八条件集合的情况下，判断特征集合是否满足第九条件集合；在特征集合满足第九条件集合的情况下，将检测目标的姿态判定为坐姿，例如标记为sit；
在特征集合不满足第九条件集合的情况下，判断特征集合是否满足第十条件集合；在特征集合满足第十条件集合的情况下，将检测目标的姿态判定为坐姿，例如标记为sit；在特征集合不满足第十条件集合的情况下，将检测目标的姿态判定为站立，例如标记为stand；
在特征集合不满足第四条件集合的情况下，判断特征集合是否满足第七条件集合；在特征集合满足第七条件集合的情况下，将检测目标的姿态判定为坐在地上，例如标记为sit on floor。
在一些实施例中，运动特征信息还包括：目标点集中高度大于第五特征阈值(例如z0)的反射点的速度均值v_upper_mean，目标点集中高度小于或等于第五特征阈值(例如z0)的反射点的速度均值v_lower_mean，目标点集的高度大于第六特征阈值(例如z1)的平面中心位置xy_upper，目标点集的高度小于或等于第六特征阈值(例如z1)的平面中心位置xy_lower；
运动过程特征信息还包括：第二时间段内后半段(例如2s中的后1s)的多个目标点集的xy_upper与第二时间段开始时刻的xy_upper之间距离的均值d_upper_mean；第二时间段内整段(例如2s)的多个目标点集的xy_upper与第二时间段开始时刻的xy_upper之间距离的标准差d_upper_var；第二时间段内后半段(例如2s中的后1s)的多个目标点集的xy_lower与第二时间段开始时刻的xy_lower之间距离的均值d_lower_mean；第二时间段内整段(例如2s)的多个目标点集的xy_lower与第二时间段开始时刻的xy_lower之间距离的标准差d_lower_var；第二时间段内v_upper_mean大于v_lower_mean的数量v_mask；第二时间段内x_range与y_range均大于z_range一半的数量x_y_05z。
通过将上述特征信息结合起来，可以进行条件判断。
在一些实施例中，第七条件集合为z_mid小于第十五条件阈值(例如0.6m)，z_max低于十六条件阈值(例如1m)，x_y_05z大于零；第八条件集合为r_range_2s小于第十二条件阈值(例如3)；第九条件集合为d_upper_var大于d_lower_var，并且d_upper_mean与d_lower_mean之差大于或等于第十三条件阈值(例如0.15m)；第十条件集合为v_mask大于或等于第十四条件阈值(例如5)。
通过上述第七条件集合至第十条件集合，可以进一步将“坐姿”、“站立”或“坐在地板上”的姿态识别出来。在以上的判断中，有顺序地对检测目标进行判断，能够提高姿态识别的精度。
图3是本申请实施例的基于雷达的姿态识别方法的另一示例图，示出了根据第一条件集合至第五条件集合以及第七条件集合至第十条件集合进行姿态识别的情况。其中target_point_clouds_2s表示102和103中计算出来的特征集合，t.label表示姿态的标签，图中使用301至305、307至310分别表示第一条件集合第五条件集合、第七条件集合至第十条件集合。如图3所示，在识别出姿态后还可以进行后处理，例如后述的修正后得到t.label_final，从而可以进一步提高识别精度。
在一些实施例中，还可以根据多个连续第二时间段内检测目标的姿态，对其中一个第二时间段内检测目标的姿态进行修正。
例如，可以将时间窗设置为2s，即每个第二时间段为一个时间窗，连续的两个时间窗之间相隔0.2s，则连续的两个时间窗重叠1.8s。当连续五个连续时间窗判定的姿态为“行走”、“行走”、“躺在地上”、“行走”、“行走”，因0.2s内检测目标不可能完成从行走到躺在地上再到行走的动作，因此第三个时间窗的姿态可以修正为“行走”。以上仅示例性说明了如何进行修正，但本申请不限于此。
以上仅对与本申请相关的各步骤或过程进行了说明，但本申请不限于此。识别方法还可以包括其他步骤或者过程，关于这些步骤或者过程的具体内容，可以参考现有技术。此外，以上仅以上述特征信息为例对本申请实施例进行了示例性说明，但本申请不限于这些信息，还可以对这些信息进行适当的变型，这些变型的实施方式均应包含在本申请实施例的范围之内。
以上各个实施例仅对本申请实施例进行了示例性说明，但本申请不限于此，还可以在以上各个实施例的基础上进行适当的变型。例如，可以单独使用上述各个实施例，也可以将以上各个实施例中的一种或多种结合起来。
由上述实施例可知，通过将第二时间段内的过程特征和第一时间段内的瞬态特征结合起来作为特征集合，首先判断检测目标的姿态是否满足躺在地上的条件，然后判断检测目标的姿态是否满足躺在床上的条件，再判断检测目标的姿态是否满足行走的条件。由此，不仅能够基于雷达判断检测目标的姿态，而且能够以较低的计算量高精度地识别出日常的多种行为姿态。
第二方面的实施例
本申请实施例提供一种基于雷达的姿态识别装置，与第一方面的实施例相同的内容不再赘述。
图4是本申请实施例的基于雷达的姿态识别装置的一示意图，如图4所示，基于雷达的姿态识别装置400包括：
获取单元401，其基于从检测目标反射回的雷达回波信号获取雷达反射点信息，并对雷达反射点信息进行聚类；
计算单元402，其在第一时间段对聚类获得的目标点集计算空间形态特征信息和/或运动特征信息；
统计单元403，其在第二时间段对多个第一时间段的空间形态特征信息和/或运动特征信息进行统计，以获得第二时间段内的运动过程特征信息，以及
判定单元404，其将当前时刻所在的第二时间段内的运动过程特征信息以及当前时刻所在的第一时间段的空间形态特征信息和/或运动特征信息作为特征集合，判断特征集合是否满足第一条件集合；
在特征集合满足第一条件集合的情况下，将检测目标的姿态判定为躺在地上；
在特征集合不满足第一条件集合的情况下，判断特征集合是否满足第二条件集合；在特征集合满足第二条件集合的情况下，判断特征集合是否满足第三条件集合；在特征集合满足第三条件集合的情况下，将检测目标的姿态判定为躺在床上；
在特征集合不满足第二条件集合或第三条件集合的情况下，判断特征集合是否满足第四条件集合；在特征集合满足第四条件集合的情况下，判断特征集合是否满足第五条件集合；在特征集合满足第五条件集合的情况下，将检测目标的姿态判定为行走。
在一些实施例中，判定单元404还用于：
在特征集合不满足第五条件集合的情况下，判断特征集合是否满足第六条件集合；在特征集合满足第六条件集合的情况下，将检测目标的姿态判定为坐姿；在特征集合不满足第六条件集合的情况下，将检测目标的姿态判定为站立。
在一些实施例中，判定单元404还用于：
在特征集合不满足第五条件集合的情况下，判断特征集合是否满足第八条件集合；在特征集合满足第八条件集合的情况下，将检测目标的姿态判定为站立；
在特征集合不满足第八条件集合的情况下，判断特征集合是否满足第九条件集合；在特征集合满足第九条件集合的情况下，将检测目标的姿态判定为坐姿；
在特征集合不满足第九条件集合的情况下，判断特征集合是否满足第十条件集合；在特征集合满足第十条件集合的情况下，将检测目标的姿态判定为坐姿；在特征集合不满足第十条件集合的情况下，将检测目标的姿态判定为站立。
在一些实施例中，判定单元404还用于：
在特征集合不满足第四条件集合的情况下，判断特征集合是否满足第七条件集合；在特征集合满足第七条件集合的情况下，将检测目标的姿态判定为坐在地上。
在一些实施例中，空间形态特征信息包括：目标点集的高度平均值z_mid，目标点集的高度最大值z_max，目标点集的长度x_range，目标点集的宽度y_range，目标点集的高度z_range；
运动过程特征信息包括：第二时间段内x_range或y_range大于z_range的数量xy_z，第二时间段内x_range或y_range大于第一特征阈值(例如1m)的数量xy_1，第一时间段内x_range与y_range的最大值与z_range的比值shape_ratio，第二时间段内x_range与y_range标准差的最大值xy_range_var，第二时间段内z_range大于第二特征阈值(例如1m)的数量z_1；第二时间段内目标点集连续为空的数量Lost_frame_num；
第一条件集合为z_mid小于第一条件阈值(例如0.3m)且z_max低于第二条件阈值(例如0.8m)且xy_z和xy_1之和大于零且shape_ratio大于1；
第二条件集合为xy_1大于零；
第三条件集合为xy_z大于零且z_mid小于第三条件阈值(例如1m)且z_range小于第四条件阈值(例如1m)且xy_range_var大于第五条件阈值(例如0.2)；
第四条件集合为z_1大于第六条件阈值(例如6)；
第五条件集合为Lost_frame_num小于第七条件阈值(例如N)；
在一些实施例中，运动特征信息包括：目标点集中反射点的最大速度target.doppler，
运动过程特征信息还包括：第二时间段内r大于第三特征阈值(例如0.5m)的数量r_range_2s，
Figure BDA0002169373760000111
第二时间段的开始第三时间段(例如1s)内r大于第三特征阈值(例如0.5m)的数量r_range_1s；第二时间段内target.doppler大于第四特征阈值(例如0.2m/s)的数量doppler_2s；第二时间段的开始第三时间段(例如1s)内target.doppler大于第四特征阈值(例如0.2m/s)的数量doppler_1s；
第六条件集合为r_range_2s大于或等于第八条件阈值(例如5)且doppler_2s大于或等于第九条件阈值(例如4)，或者，r_range_1s大于或等于第十条件阈值(例如3)且doppler_1s大于或等于第十一条件阈值(例如3)。
在一些实施例中，运动特征信息还包括：目标点集中高度大于第五特征阈值(例如z0)的反射点的速度均值v_upper_mean，目标点集中高度小于或等于第五特征阈值(例如z0)的反射点的速度均值v_lower_mean，目标点集的高度大于第六特征阈值(例如z1)的平面中心位置xy_upper，目标点集的高度小于或等于第六特征阈值(例如z1)的平面中心位置xy_lower；
运动过程特征信息还包括：第二时间段内后半段(例如2s中的后1s)的多个目标点集的xy_upper与第二时间段开始时刻的xy_upper之间距离的均值d_upper_mean；第二时间段内整段(例如2s)的多个目标点集的xy_upper与第二时间段开始时刻的xy_upper之间距离的标准差d_upper_var；第二时间段内后半段(例如2s中的后1s)的多个目标点集的xy_lower与第二时间段开始时刻的xy_lower之间距离的均值d_lower_mean；第二时间段内整段(例如2s)的多个目标点集的xy_lower与第二时间段开始时刻的xy_lower之间距离的标准差d_lower_var；第二时间段内v_upper_mean大于v_lower_mean的数量v_mask；
第八条件集合为r_range_2s小于第十二条件阈值(例如3)；
第九条件集合为d_upper_var大于d_lower_var，并且d_upper_mean与d_lower_mean之差大于或等于第十三条件阈值(例如0.15m)；
第十条件集合为v_mask大于或等于第十四条件阈值(例如5)。
在一些实施例中，运动过程特征信息还包括：所述第二时间段内x_range与y_range均大于z_range一半的数量x_y_05z；
第七条件集合为z_mid小于第十五条件阈值(例如0.6m)，z_max低于十六条件阈值(例如1m)，x_y_05z大于零。
在一些实施例中，如图4所示，基于雷达的姿态识别装置400还包括：
修正单元405，其根据多个连续第二时间段内检测目标的姿态，对其中一个第二时间段内检测目标的姿态进行修正。
值得注意的是，以上仅对与本申请相关的各部件进行了说明，但本申请不限于此。基于雷达的姿态识别装置400还可以包括其他部件或者模块，关于这些部件或者模块的具体内容，可以参考现有技术。
为了简单起见，图4中仅示例性示出了各个部件或模块之间的连接关系或信号走向，但是本领域技术人员应该清楚的是，可以采用总线连接等各种相关技术。上述各个部件或模块可以通过例如处理器、存储器等硬件设施来实现；本申请实施例并不对此进行限制。
以上各个实施例仅对本申请实施例进行了示例性说明，但本申请不限于此，还可以在以上各个实施例的基础上进行适当的变型。例如，可以单独使用上述各个实施例，也可以将以上各个实施例中的一种或多种结合起来。
由上述实施例可知，通过将第二时间段内的过程特征和第一时间段内的瞬态特征结合起来作为特征集合，首先判断检测目标的姿态是否满足躺在地上的条件，然后判断检测目标的姿态是否满足躺在床上的条件，再判断检测目标的姿态是否满足行走的条件。由此，不仅能够基于雷达判断检测目标的姿态，而且能够以较低的计算量高精度地识别出日常的多种行为姿态。
第三方面的实施例
本申请实施例提供一种电子设备，包括有如第二方面的实施例所述的基于雷达的姿态识别装置，其内容被合并于此。该电子设备例如可以是计算机、服务器、工作站、膝上型计算机、智能手机，等等；但本申请实施例不限于此。
图5是本申请实施例的电子设备的示意图。如图5所示，电子设备500可以包括：处理器(例如中央处理器CPU)510和存储器520；存储器520耦合到中央处理器510。其中该存储器520可存储各种数据；此外还存储信息处理的程序521，并且在处理器510的控制下执行该程序521。
在一些实施例中，基于雷达的姿态识别装置400的功能被集成到处理器510中实现。其中，处理器510被配置为实现如第一方面的实施例所述的基于雷达的姿态识别方法。
在一些实施例中，基于雷达的姿态识别装置400与处理器510分开配置，例如可以将基于雷达的姿态识别装置400配置为与处理器510连接的芯片，通过处理器510的控制来实现基于雷达的姿态识别装置400的功能。
此外，如图5所示，电子设备500还可以包括：输入输出(I/O)设备530和显示器540等；其中，上述部件的功能与现有技术类似，此处不再赘述。值得注意的是，电子设备500也并不是必须要包括图5中所示的所有部件；此外，电子设备500还可以包括图5中没有示出的部件，可以参考相关技术。
本申请实施例还提供一种计算机可读程序，其中当在电子设备中执行所述程序时，所述程序使得计算机在所述电子设备中执行如第一方面的实施例所述的基于雷达的姿态识别方法。
本申请实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在电子设备中执行如第一方面的实施例所述的基于雷达的姿态识别方法。
本申请以上的装置和方法可以由硬件实现，也可以由硬件结合软件实现。本申请涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。本申请还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、DVD、flash存储器等。
结合本申请实施例描述的方法/装置可直接体现为硬件、由处理器执行的软件模块或二者组合。例如，图中所示的功能框图中的一个或多个和/或功能框图的一个或多个组合，既可以对应于计算机程序流程的各个软件模块，亦可以对应于各个硬件模块。这些软件模块，可以分别对应于图中所示的各个步骤。这些硬件模块例如可利用现场可编程门阵列(FPGA)将这些软件模块固化而实现。
软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息；或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该软件模块可以存储在移动终端的存储器中，也可以存储在可插入移动终端的存储卡中。例如，若设备(如移动终端)采用的是较大容量的MEGA-SIM卡或者大容量的闪存装置，则该软件模块可存储在该MEGA-SIM卡或者大容量的闪存装置中。
针对附图中描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，可以实现为用于执行本申请所描述功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。针对附图描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，还可以实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、与DSP通信结合的一个或多个微处理器或者任何其它这种配置。
以上结合具体的实施方式对本申请进行了描述，但本领域技术人员应该清楚，这些描述都是示例性的，并不是对本申请保护范围的限制。本领域技术人员可以根据本申请原理对本申请做出各种变型和修改，这些变型和修改也在本申请的范围内。
关于包括以上实施例的实施方式，还公开下述的附记：
附记1、一种基于雷达的姿态识别方法，包括：
基于从检测目标反射回的雷达回波信号获取雷达反射点信息，并对所述雷达反射点信息进行聚类；
在第一时间段(例如0.2s)对聚类获得的目标点集计算空间形态特征信息和/或运动特征信息；
在第二时间段(例如2s)对多个所述第一时间段(例如10个)的所述空间形态特征信息和/或所述运动特征信息进行统计，以获得所述第二时间段内的运动过程特征信息，以及
将当前时刻所在的第二时间段内的运动过程特征信息以及所述当前时刻所在的第一时间段的所述空间形态特征信息和/或所述运动特征信息作为特征集合，判断所述特征集合是否满足第一条件集合；
在所述特征集合满足第一条件集合的情况下，将所述检测目标的姿态判定为躺在地上；
在所述特征集合不满足所述第一条件集合的情况下，判断所述特征集合是否满足第二条件集合；在所述特征集合满足所述第二条件集合的情况下，判断所述特征集合是否满足第三条件集合；在所述特征集合满足所述第三条件集合的情况下，将所述检测目标的姿态判定为躺在床上；
在所述特征集合不满足所述第二条件集合或所述第三条件集合的情况下，判断所述特征集合是否满足第四条件集合；在所述特征集合满足所述第四条件集合的情况下，判断所述特征集合是否满足第五条件集合；在所述特征集合满足所述第五条件集合的情况下，将所述检测目标的姿态判定为行走。
附记2、根据附记1所述的方法，其中，所述方法还包括：
在所述特征集合不满足所述第五条件集合的情况下，判断所述特征集合是否满足第六条件集合；在所述特征集合满足所述第六条件集合的情况下，将所述检测目标的姿态判定为坐姿；在所述特征集合不满足所述第六条件集合的情况下，将所述检测目标的姿态判定为站立。
附记3、根据附记1所述的方法，其中，所述方法还包括：
在所述特征集合不满足所述第五条件集合的情况下，判断所述特征集合是否满足第八条件集合；在所述特征集合满足所述第八条件集合的情况下，将所述检测目标的姿态判定为站立；
在所述特征集合不满足所述第八条件集合的情况下，判断所述特征集合是否满足第九条件集合；在所述特征集合满足所述第九条件集合的情况下，将所述检测目标的姿态判定为坐姿；
在所述特征集合不满足所述第九条件集合的情况下，判断所述特征集合是否满足第十条件集合；在所述特征集合满足所述第十条件集合的情况下，将所述检测目标的姿态判定为坐姿；在所述特征集合不满足所述第十条件集合的情况下，将所述检测目标的姿态判定为站立。
附记4、根据附记1至3任一项所述的方法，其中，所述方法还包括：
在所述特征集合不满足所述第四条件集合的情况下，判断所述特征集合是否满足第七条件集合；在所述特征集合满足所述第七条件集合的情况下，将所述检测目标的姿态判定为坐在地上。
附记5、根据附记1至4任一项所述的方法，其中，
所述空间形态特征信息包括：所述目标点集的高度平均值z_mid，所述目标点集的高度最大值z_max，所述目标点集的长度x_range，所述目标点集的宽度y_range，所述目标点集的高度z_range；
所述运动过程特征信息包括：所述第二时间段内x_range或y_range大于z_range的数量xy_z，所述第二时间段内x_range或y_range大于第一特征阈值(例如1m)的数量xy_1，所述第一时间段内x_range与y_range的最大值与z_range的比值shape_ratio，所述第二时间段内x_range与y_range标准差的最大值xy_range_var，所述第二时间段内z_range大于第二特征阈值(例如1m)的数量z_1；所述第二时间段内所述目标点集连续为空的数量Lost_frame_num；
所述第一条件集合为z_mid小于第一条件阈值(例如0.3m)且z_max低于第二条件阈值(例如0.8m)且xy_z和xy_1之和大于零且shape_ratio大于1；
所述第二条件集合为xy_1大于零；
所述第三条件集合为xy_z大于零且z_mid小于第三条件阈值(例如1m)且z_range小于第四条件阈值(例如1m)且xy_range_var大于第五条件阈值(例如0.2)；
所述第四条件集合为z_1大于第六条件阈值(例如6)；
所述第五条件集合为Lost_frame_num小于第七条件阈值(例如N)；
附记6、根据附记5所述的方法，其中，
所述运动特征信息包括：所述目标点集中反射点的最大速度target.doppler，
所述运动过程特征信息还包括：所述第二时间段内r大于第三特征阈值(例如0.5m)的数量r_range_2s，
Figure BDA0002169373760000171
所述第二时间段的开始第三时间段(例如1s)内r大于所述第三特征阈值(例如0.5m)的数量r_range_1s；所述第二时间段内target.doppler大于第四特征阈值(例如0.2m/s)的数量doppler_2s；所述第二时间段的开始第三时间段(例如1s)内target.doppler大于所述第四特征阈值(例如0.2m/s)的数量doppler_1s；
所述第六条件集合为r_range_2s大于或等于第八条件阈值(例如5)且doppler_2s大于或等于第九条件阈值(例如4)，或者，r_range_1s大于或等于第十条件阈值(例如3)且doppler_1s大于或等于第十一条件阈值(例如3)。
附记7、根据附记5所述的方法，其中，
所述运动特征信息还包括：所述目标点集中高度大于第五特征阈值(例如z0)的反射点的速度均值v_upper_mean，所述目标点集中高度小于或等于所述第五特征阈值(例如z0)的反射点的速度均值v_lower_mean，所述目标点集的高度大于第六特征阈值(例如z1)的平面中心位置xy_upper，所述目标点集的高度小于或等于所述第六特征阈值(例如z1)的平面中心位置xy_lower；
所述运动过程特征信息还包括：所述第二时间段内后半段(例如2s中的后1s)的多个目标点集的xy_upper与所述第二时间段开始时刻的xy_upper之间距离的均值d_upper_mean；所述第二时间段内整段(例如2s)多个目标点集的xy_upper与所述第二时间段开始时刻的xy_upper之间距离的标准差d_upper_var；所述第二时间段内后半段(例如2s中的后1s)多个目标点集的xy_lower与所述第二时间段开始时刻的xy_lower之间距离的均值d_lower_mean；所述第二时间段内整段(例如2s)的多个目标点集的xy_lower与所述第二时间段开始时刻的xy_lower之间距离的标准差d_lower_var；所述第二时间段内v_upper_mean大于v_lower_mean的数量v_mask；
所述第八条件集合为r_range_2s小于第十二条件阈值(例如3)；
所述第九条件集合为d_upper_var大于d_lower_var，并且d_upper_mean与d_lower_mean之差大于或等于第十三条件阈值(例如0.15)；
所述第十条件集合为v_mask大于或等于第十四条件阈值(例如5)。
附记8、根据附记6或7所述的方法，其中，
所述运动过程特征信息还包括：所述第二时间段内x_range与y_range均大于z_range一半的数量x_y_05z；
所述第七条件集合为z_mid小于第十五条件阈值(例如0.6m)，z_max低于十六条件阈值(例如1m)，x_y_05z大于零。

Claims (10)

1.一种基于雷达的姿态识别装置，其特征在于，所述装置包括：
获取单元，其基于从检测目标反射回的雷达回波信号获取雷达反射点信息，并对所述雷达反射点信息进行聚类；
计算单元，其在第一时间段对聚类获得的目标点集计算空间形态特征信息和/或运动特征信息；
统计单元，其在第二时间段对多个所述第一时间段的所述空间形态特征信息和/或所述运动特征信息进行统计，以获得所述第二时间段内的运动过程特征信息，以及
判定单元，其将当前时刻所在的第二时间段内的运动过程特征信息以及所述当前时刻所在的第一时间段的所述空间形态特征信息和/或所述运动特征信息作为特征集合，判断所述特征集合是否满足第一条件集合；
在所述特征集合满足第一条件集合的情况下，将所述检测目标的姿态判定为躺在地上；
在所述特征集合不满足所述第一条件集合的情况下，判断所述特征集合是否满足第二条件集合；在所述特征集合满足所述第二条件集合的情况下，判断所述特征集合是否满足第三条件集合；在所述特征集合满足所述第三条件集合的情况下，将所述检测目标的姿态判定为躺在床上；
在所述特征集合不满足所述第二条件集合或所述第三条件集合的情况下，判断所述特征集合是否满足第四条件集合；在所述特征集合满足所述第四条件集合的情况下，判断所述特征集合是否满足第五条件集合；在所述特征集合满足所述第五条件集合的情况下，将所述检测目标的姿态判定为行走。
2.根据权利要求1所述的装置，其中，所述判定单元还用于：
在所述特征集合不满足所述第五条件集合的情况下，判断所述特征集合是否满足第六条件集合；在所述特征集合满足所述第六条件集合的情况下，将所述检测目标的姿态判定为坐姿；在所述特征集合不满足所述第六条件集合的情况下，将所述检测目标的姿态判定为站立。
3.根据权利要求1所述的装置，其中，所述判定单元还用于：
在所述特征集合不满足所述第五条件集合的情况下，判断所述特征集合是否满足第八条件集合；在所述特征集合满足所述第八条件集合的情况下，将所述检测目标的姿态判定为站立；
在所述特征集合不满足所述第八条件集合的情况下，判断所述特征集合是否满足第九条件集合；在所述特征集合满足所述第九条件集合的情况下，将所述检测目标的姿态判定为坐姿；
在所述特征集合不满足所述第九条件集合的情况下，判断所述特征集合是否满足第十条件集合；在所述特征集合满足所述第十条件集合的情况下，将所述检测目标的姿态判定为坐姿；在所述特征集合不满足所述第十条件集合的情况下，将所述检测目标的姿态判定为站立。
4.根据权利要求1所述的装置，其中，所述判定单元还用于：
在所述特征集合不满足所述第四条件集合的情况下，判断所述特征集合是否满足第七条件集合；在所述特征集合满足所述第七条件集合的情况下，将所述检测目标的姿态判定为坐在地上。
5.根据权利要求1所述的装置，其中，
所述空间形态特征信息包括：所述目标点集的高度平均值z_mid，所述目标点集的高度最大值z_max，所述目标点集的长度x_range，所述目标点集的宽度y_range，所述目标点集的高度z_range；
所述运动过程特征信息包括：所述第二时间段内x_range或y_range大于z_range的数量xy_z，所述第二时间段内x_range或y_range大于第一特征阈值的数量xy_1，所述第一时间段内x_range与y_range的最大值与z_range的比值shape_ratio，所述第二时间段内x_range与y_range标准差的最大值xy_range_var，所述第二时间段内z_range大于第二特征阈值的数量z_1；所述第二时间段内所述目标点集连续为空的数量Lost_frame_num；
所述第一条件集合为z_mid小于第一条件阈值且z_max低于第二条件阈值且xy_z和xy_1之和大于零且shape_ratio大于1；所述第二条件集合为xy_1大于零；所述第三条件集合为xy_z大于零且z_mid小于第三条件阈值且z_range小于第四条件阈值且xy_range_var大于第五条件阈值；所述第四条件集合为z_1大于第六条件阈值；所述第五条件集合为Lost_frame_num小于第七条件阈值。
6.根据权利要求5所述的装置，其中，
所述运动特征信息包括：所述目标点集中反射点的最大速度target.doppler，
所述运动过程特征信息还包括：所述第二时间段内r大于第三特征阈值的数量r_range_2s，
Figure FDA0002169373750000031
所述第二时间段的开始第三时间段内r大于所述第三特征阈值的数量r_range_1s；所述第二时间段内target.doppler大于第四特征阈值的数量doppler_2s；所述第二时间段的开始第三时间段内target.doppler大于所述第四特征阈值的数量doppler_1s；所述第二时间段内x_range与y_range均大于z_range一半的数量x_y_05z；
所述第六条件集合为r_range_2s大于或等于第八条件阈值且doppler_2s大于或等于第九条件阈值，或者，r_range_1s大于或等于第十条件阈值且doppler_1s大于或等于第十一条件阈值；所述第七条件集合为z_mid小于第十五条件阈值且z_max低于十六条件阈值且x_y_05z大于零。
7.根据权利要求5所述的装置，其中，
所述运动特征信息还包括：所述目标点集中高度大于第五特征阈值的反射点的速度均值v_upper_mean，所述目标点集中高度小于或等于所述第五特征阈值的反射点的速度均值v_lower_mean，所述目标点集的高度大于第六特征阈值的平面中心位置xy_upper，所述目标点集的高度小于或等于所述第六特征阈值的平面中心位置xy_lower；
所述运动过程特征信息还包括：所述第二时间段内后半段的多个目标点集的xy_upper与所述第二时间段开始时刻的xy_upper之间距离的均值d_upper_mean；所述第二时间段内整段的多个目标点集的xy_upper与所述第二时间段开始时刻的xy_upper之间距离的标准差d_upper_var；所述第二时间段内后半段的多个目标点集的xy_lower与所述第二时间段开始时刻的xy_lower之间距离的均值d_lower_mean；所述第二时间段内整段的多个目标点集的xy_lower与所述第二时间段开始时刻的xy_lower之间距离的标准差d_lower_var；所述第二时间段内v_upper_mean大于v_lower_mean的数量v_mask；所述第二时间段内x_range与y_range均大于z_range一半的数量x_y_05z；
所述第七条件集合为z_mid小于第十五条件阈值且z_max低于十六条件阈值且x_y_05z大于零；所述第八条件集合为r_range_2s小于第十二条件阈值；所述第九条件集合为d_upper_var大于d_lower_var，并且d_upper_mean与d_lower_mean之差大于或等于第十三条件阈值；所述第十条件集合为v_mask大于或等于第十四条件阈值。
8.根据权利要求1所述的装置，其中，所述装置还包括：
修正单元，其根据多个连续第二时间段内所述检测目标的姿态，对其中一个第二时间段内所述检测目标的姿态进行修正。
9.一种基于雷达的姿态识别方法，其特征在于，所述方法包括：
基于从检测目标反射回的雷达回波信号获取雷达反射点信息，并对所述雷达反射点信息进行聚类；
在第一时间段对聚类获得的目标点集计算空间形态特征信息和/或运动特征信息；
在第二时间段对多个所述第一时间段的所述空间形态特征信息和/或所述运动特征信息进行统计，以获得所述第二时间段内的运动过程特征信息，以及
将当前时刻所在的第二时间段内的运动过程特征信息以及所述当前时刻所在的第一时间段的所述空间形态特征信息和/或所述运动特征信息作为特征集合，判断所述特征集合是否满足第一条件集合；
在所述特征集合满足第一条件集合的情况下，将所述检测目标的姿态判定为躺在地上；
在所述特征集合不满足所述第一条件集合的情况下，判断所述特征集合是否满足第二条件集合；在所述特征集合满足所述第二条件集合的情况下，判断所述特征集合是否满足第三条件集合；在所述特征集合满足所述第三条件集合的情况下，将所述检测目标的姿态判定为躺在床上；
在所述特征集合不满足所述第二条件集合或所述第三条件集合的情况下，判断所述特征集合是否满足第四条件集合；在所述特征集合满足所述第四条件集合的情况下，判断所述特征集合是否满足第五条件集合；在所述特征集合满足所述第五条件集合的情况下，将所述检测目标的姿态判定为行走。
10.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器被配置为执行如权利要求9所述的基于雷达的姿态识别方法。
CN201910758029.9A 2019-08-16 2019-08-16 基于雷达的姿态识别装置、方法以及电子设备 Active CN112395920B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910758029.9A CN112395920B (zh) 2019-08-16 2019-08-16 基于雷达的姿态识别装置、方法以及电子设备
US16/902,749 US11604254B2 (en) 2019-08-16 2020-06-16 Radar-based posture recognition apparatus and method and electronic device
JP2020109968A JP7484492B2 (ja) 2019-08-16 2020-06-25 レーダーに基づく姿勢認識装置、方法及び電子機器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910758029.9A CN112395920B (zh) 2019-08-16 2019-08-16 基于雷达的姿态识别装置、方法以及电子设备

Publications (2)

Publication Number Publication Date
CN112395920A true CN112395920A (zh) 2021-02-23
CN112395920B CN112395920B (zh) 2024-03-19

Family

ID=74568339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910758029.9A Active CN112395920B (zh) 2019-08-16 2019-08-16 基于雷达的姿态识别装置、方法以及电子设备

Country Status (3)

Country Link
US (1) US11604254B2 (zh)
JP (1) JP7484492B2 (zh)
CN (1) CN112395920B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822241A (zh) * 2021-11-22 2021-12-21 江苏邦邦智能科技有限公司 步态数据的获取方法、助行设备和计算机可读存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022188651A (ja) 2021-06-09 2022-12-21 株式会社アイシン 乗員検知装置、方法、およびプログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8306273B1 (en) * 2009-12-28 2012-11-06 Ball Aerospace & Technologies Corp. Method and apparatus for LIDAR target identification and pose estimation
US20150223733A1 (en) * 2012-10-05 2015-08-13 TransRobotics, Inc. Systems and methods for high resolution distance sensing and applications
US20160041617A1 (en) * 2014-08-07 2016-02-11 Google Inc. Radar-Based Gesture Recognition
CN109507653A (zh) * 2018-10-22 2019-03-22 中国人民解放军第四军医大学 一种基于uwb的多信息感知生物雷达系统及其获取目标信息的方法
CN110118966A (zh) * 2019-05-28 2019-08-13 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

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008008046A1 (en) 2006-07-11 2008-01-17 Agency For Science, Technology And Research Method and system for multi-object tracking
JP5648840B2 (ja) 2009-09-17 2015-01-07 清水建設株式会社 ベッド上及び室内の見守りシステム
JP6890813B2 (ja) 2016-08-22 2021-06-18 学校法人慶應義塾 行動検知システム、情報処理装置、プログラム
JP2018059884A (ja) 2016-10-07 2018-04-12 日本無線株式会社 物標識別装置、プログラム及び方法
US10912493B2 (en) * 2017-01-06 2021-02-09 Panasonic Intellectual Property Management Co., Ltd. Sensor and method
JP6868846B2 (ja) 2017-01-06 2021-05-12 パナソニックＩｐマネジメント株式会社 センサーおよび方法
CA3076015A1 (en) 2017-10-06 2019-04-11 Tellus You Care, Inc. Non-contact activity sensing network for elderly care
CN107749143B (zh) 2017-10-30 2023-09-19 安徽工业大学 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法
JP2019158862A (ja) 2018-03-12 2019-09-19 パナソニックＩｐマネジメント株式会社 追尾装置および追尾方法
US20190277947A1 (en) * 2018-03-12 2019-09-12 Panasonic Intellectual Property Management Co., Ltd. Tracking apparatus and tracking method
CN108510710A (zh) 2018-04-03 2018-09-07 广州市燧烽电子有限公司 室内看护求助方法及系统
CN108805021A (zh) 2018-04-27 2018-11-13 西安理工大学 基于特征算子的实时个体跌倒行为检测报警方法
US11226408B2 (en) * 2018-07-03 2022-01-18 Panasonic Intellectual Property Management Co., Ltd. Sensor, estimating device, estimating method, and recording medium
CN109961058B (zh) 2019-04-03 2021-06-04 长沙军民先进技术研究有限公司 一种非接触式跌倒检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8306273B1 (en) * 2009-12-28 2012-11-06 Ball Aerospace & Technologies Corp. Method and apparatus for LIDAR target identification and pose estimation
US20150223733A1 (en) * 2012-10-05 2015-08-13 TransRobotics, Inc. Systems and methods for high resolution distance sensing and applications
US20160041617A1 (en) * 2014-08-07 2016-02-11 Google Inc. Radar-Based Gesture Recognition
CN109507653A (zh) * 2018-10-22 2019-03-22 中国人民解放军第四军医大学 一种基于uwb的多信息感知生物雷达系统及其获取目标信息的方法
CN110118966A (zh) * 2019-05-28 2019-08-13 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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822241A (zh) * 2021-11-22 2021-12-21 江苏邦邦智能科技有限公司 步态数据的获取方法、助行设备和计算机可读存储介质
CN113822241B (zh) * 2021-11-22 2022-07-01 江苏邦邦智能科技有限公司 步态数据的获取方法、助行设备和计算机可读存储介质

Also Published As

Publication number Publication date
US11604254B2 (en) 2023-03-14
JP7484492B2 (ja) 2024-05-16
CN112395920B (zh) 2024-03-19
JP2021032879A (ja) 2021-03-01
US20210048511A1 (en) 2021-02-18

Similar Documents

Publication Publication Date Title
CN112394334B (zh) 雷达反射点的聚类装置、方法以及电子设备
CN109035304B (zh) 目标跟踪方法、介质、计算设备和装置
CN107256377B (zh) 用于检测视频中的对象的方法、设备和系统
CN111399642B (zh) 手势的识别方法、装置、移动终端和存储介质
CN108875533B (zh) 人脸识别的方法、装置、系统及计算机存储介质
CN109559330B (zh) 运动目标的视觉跟踪方法、装置、电子设备及存储介质
CN113723190A (zh) 一种面向同步移动目标的多目标跟踪方法
US12087040B2 (en) Information processing device, information processing method, and program recording medium
CN111738225B (zh) 人群聚集检测方法、装置、设备及存储介质
US11983951B2 (en) Human detection device and human detection method
CN111814548A (zh) 一种异常行为检测方法和装置
CN107918688B (zh) 场景模型动态估计方法、数据分析方法及装置、电子设备
CN108647597A (zh) 一种手腕识别方法、手势识别方法、装置和电子设备
CN112198507B (zh) 人体跌倒特征的检测方法及装置
CN112395920B (zh) 基于雷达的姿态识别装置、方法以及电子设备
US20160063345A1 (en) Pattern recognition apparatus, pattern recognition method, and storage medium
CN111507361B (zh) 基于微波雷达的动作识别装置、方法及系统
CN111382606A (zh) 摔倒检测方法、摔倒检测装置和电子设备
CN106406507B (zh) 图像处理方法以及电子设备
CN113298852A (zh) 目标跟踪方法、装置、电子设备及计算机可读存储介质
CN113466851A (zh) 人体姿态检测方法、装置和数据处理设备
CN111598158A (zh) 一种基于ai分析技术的仓储库存状态感知方法
CN114373203A (zh) 图片归档方法、装置、终端设备及计算机可读存储介质
CN111722196A (zh) 雷达反射点提取方法和装置
Kerdvibulvech Hybrid model of human hand motion for cybernetics application

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