一种基于毫米波雷达的卫生间跌倒检测方法
技术领域
本发明属于跌倒检测技术领域,具体涉及一种基于毫米波雷达的卫生间跌倒检测方法。
背景技术
世界卫生组织(WHO)2016年9月报道指出跌伤是世界各地意外或非故意伤害死的第二大原因。大约10%到15%的跌倒会导致老年人严重跌伤,65岁以上老人当中超过33%的每年跌倒依次,特别是在浴室这个狭小的空间内更容易跌倒,浴室内的跌倒相比其他房间的跌倒更加复杂,又由于在浴室这个环境中进行设备检测时极需要保护到用户的个人隐私,因此基于毫米波雷达的多种跌倒情况的判别系统就显得尤为有价值。
(1)第一种是基于视觉识别的人体跌倒检测系统,这个系统是基于图像的跌倒检测,主要是通过摄像头拍摄视频或拍照获取图片。跌倒检测有以下分类:基于图像静态特征的跌倒检测和基于人体动作图像的跌倒检测。基于图片静态特征的跌倒检测系统,是利用人跌倒后的跌倒检测。基于人体动作图像的跌倒检测系统,根据日常活动到跌倒的变化过程检测跌倒。基于图像的跌倒检测系统,优点是检测精度高,缺点是成本高,计算量大,隐私保护弱,智能对安装视频监控设备的场所进行跌倒检测。
(2)第二种是基于WI-FI设备获取信道状态信息CSI进行人体行为识别与跌倒检测系统,此系统通过手机WI-FI无线信号的CS(ChannelStateInformation)数据,并对这些数据进行处理和分析,使用机器学习分类算法来检测和识别室内人体活动,此系统具有识别精度高,安装简便,检测方便的优点,缺点是WI-FI信号在传播的过程中,很容易受到其他因素的影响和干扰,并且在检测复杂场景的跌倒时准确度会降低。
(3)第三种是基于可穿戴设备和传感器的方法,此类方法通过传感器检测加速度对人体的跌倒行为进行检测,优点是实现了人体跌倒检测与定位精细化管理,提高了检测精度与位置测量精度,同时不受环境条件干扰,不仅适用范围广,而且成本低,具有结构简单的特点,但是需要时刻穿戴,影响正常生活;基于环境传感器的检测方法,如压力传感器,声音传感器,优点是计算量小、实时性好并且检测精度高、检测方便的特点,但此方法受环境压力,声音变化影响太大,虚警较高;
上述各个方法中,方法(1)成本高,计算量大,隐私保护弱,并不适用于浴室中这种极需要隐私的检测场所;方法(2)缺点是WI-FI信号在传播的过程,很容易受到其他因素的影响和干扰方法,具有较强的时变特性确定为精度和准确度较差,并不适用于浴室这种需要全天候检测的场景。方法(3)需要时刻穿戴,影响正常生活障。
发明内容
针对现有技术中的上述不足,本发明提供的基于毫米波雷达的卫生间跌倒检测方法解决了现有的跌倒检测方法存在的监测过程复杂、计算量大及易受环境影响等问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于毫米波雷达的卫生间跌倒检测方法,包括以下步骤:
S1、在卫生间内布设毫米波雷达;
S2、通过毫米波雷达实时采集用户数据上传至服务端,并对毫米波雷达上传的用户数据进行坐标转换,确定其在实际场景中的三维点云数据;
S3、基于用户在实际场景中的三维点云数据,通过服务端对其进行处理,获得用户的三维点云图;
S4、基于毫米波雷达的安装位置,对用户进行定位;
S5、基于用户定位结果及用户的三维点云图,判断用户是否跌倒;
若是,则进入步骤S6;
若否,则返回步骤S2;
S6、通过服务端向远程连接的监护机构报警,实现跌倒检测。
进一步地,所述步骤S1中的毫米波雷达为安装在卫生间房顶角落的姿态检测设备雷达;
所述毫米波雷达向下倾斜30°,并与左右墙体均保持45°的夹角。
进一步地,所述步骤S3具体为:
S31、通过服务端构建三维点云数据对应的多普勒谱;
S32、基于构建的多普勒谱,将三维点云数据中静态物体的点云数据删除,获得动态物体点云图;
S33、对动态物体点云图进行降噪处理,获得用户的三维点云图。
进一步地,所述步骤S31具体为:
通过检测由同一位置的毫米波雷达在时间间隔发射的两个信号产生的相位差,得到因用户移动引起的多普勒频移,进而得到多普勒谱;
所述步骤S32具体为:
当多普勒谱中,连续时间间隔内的多普勒频移均为0时,判定其对应的物体为静态物体,将其对应的三维点云数据删除,获得动态物体点云图。
进一步地,所述步骤S33具体为:
A1、将动态点云图中最近10帧的点云数据依次保存在数组A中;
A2、判断数组A中的点云数据的最大值和最小值在连续相邻的5个点内是否出现突变;
若是,则进入步骤A3;
若否,则进入步骤A4;
A3、判定该点云数据为噪声点,将其从数组A中去除,返回步骤A2;
A4、判定该点云数据为非噪声点,进入步骤A5;
A5、将当前数组A中的数据作为动态用户的三维点云图。
进一步地,所述步骤S4具体为:
S41、将毫米波雷达的位置作为坐标原点,以毫米波雷达通过发射回波和发射信号的频差获取用户和毫米波雷达之间的电磁波传输时间,进而估算出用户到毫米波雷达的距离;
S42、基于距离R,确定用户所在的直角坐标;
其中,,/>,/>,/>为方位角,为仰角;
S42、基于服务端内存储的卫生间的空间布局和直角坐标,确定用户所在位置,实现用户定位。
进一步地,所述步骤S5中的用户定位结果包括淋浴房内、淋浴房外和马桶上;
所述步骤S5具体为:
S51、基于用户的三维点云图,计算用户的宽高比、最高点/>和下降速度/>;
S52、基于用户的定位位置,判断用户的最高点是否小于设置阈值;
若是,则进入步骤S53;
若否,则返回步骤S51;
S53、判断用户的宽高比是否大于设置阈值;
若是,则进入步骤S54;
若否,则返回步骤S51;
S54、判断用户的下降速度是否大于设定阈值;
若是,则进入步骤S55;
若否,则返回步骤S51;
S55、判定用户存在跌倒行为,进入步骤S6。
进一步地,所述步骤S51中,用户的宽高比的计算方法为:
B1、将用户的三维点云图的外接矩形作为目标框;
B2、按顺时针方向提取目标框的四个顶点坐标;
B3、基于四个顶点坐标,利用欧氏距离公式计算出目标框的宽度和高度,进而得到目标框的宽高比作为用户的宽高比;
其中,目标框的宽度和高度/>分别为:
式中,、/>、/>和/>依次为按顺时针提取的目标框的四个顶点/>、/>、/>和/>的坐标;
所述步骤S51中,用户的最高点为用户的三维点云图中垂直距离最高的点;
所述步骤S51中,用户的下降速度为:
式中,为用户下落初始速度,/>为重力加速度,/>为下落时间。
进一步地,所述步骤S5中的用户定位结果中的淋浴房外、淋浴房内和马桶上均设置有对应的宽高比阈值、最高点阈值和下降速度阈值。
本发明的有益效果为:
(1)本发明采用了毫米波雷达技术,在实际使用中发现,除厕所以外的地方,使用红外成像的效果要比毫米波的成像效果更佳,但在卫生间内中,花洒喷出的热水会很大程度上影响红外成像的效果,并且在厕所这样极需隐私保护的场所,毫米波雷达的隐私保护效果要比红外成像强。
(2)本发明采用的人体宽高比作为跌倒判别的依据之一,很大程度上避免了譬如坐在马桶上或者弯腰丢垃圾这种类跌倒现象的误报警,提高了跌倒判别的准确性。
(3)本发明采用了云点去噪算法,去除了多余的噪声点和墙壁反射的信号,使人物成像、最高点判断和宽高比的计算更加精确,一定程度上提高了判别的准确性。
(4)本发明采用了多普勒值判断动静物的方法,区分了人体和其他静物,提高了人体成像的精确度。
(5)总体来说,本发明中的整个检测过程其检测设备只用到了毫米波雷达,无需使用传感器,可佩戴设备,减小了设备占用的场地空间,使监测变得更加简便,通过空间聚类的方法,让人物呈现在云点图中的时只会有由点组成的大致人体轮廓,使该系统在使用的过程中不会出现人物的声音,图片等信息,避免了用户的隐私泄露。
附图说明
图1为本发明提供的毫米波雷达的卫生间跌倒检测方法流程图。
图2为本发明提供的毫米波雷达布设示意图,
图3为本发明提供的用户定位方法示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
本发明运用毫米波雷达检测技术实现空间聚类人物行为识别方法,采用基于密度的DBSAN算法将毫米波雷达采集的坐标数据聚类成不同的聚类群,使得每一个聚类群对应单一人体的行为,再对其进行数据处理、特征提取后在进行跌倒判断,相比于利用摄像头、红外传感器和WiFi的监测系统,具有保护 隐私、准确度高的特点。
基于上述原理,本发明提供了如图1所示的,基于毫米波雷达的卫生间跌倒检测方法,包括以下步骤:
S1、在卫生间内布设毫米波雷达;
S2、通过毫米波雷达实时采集用户数据上传至服务端,并对毫米波雷达上传的用户数据进行坐标转换,确定其在实际场景中的三维点云数据;
S3、基于用户在实际场景中的三维点云数据,通过服务端对其进行处理,获得用户的三维点云图;
S4、基于毫米波雷达的安装位置,对用户进行定位;
S5、基于用户定位结果及用户的三维点云图,判断用户是否跌倒;
若是,则进入步骤S6;
若否,则返回步骤S2;
S6、通过服务端向远程连接的监护机构报警,实现跌倒检测。
上述步骤S1中,由于毫米波雷达的探测角度以及在卫生间中的安装限制,为了保证监测设备的检测范围覆盖到整个卫生间,将毫米波雷达为安装在卫生间房顶角落,该毫米波雷达为姿态检测设备雷达,使用了TI公司的FMCW雷达,在使用中分发现,卫生间以外的地方,使用红外成像的效果比毫米波雷达的成像效果更佳,但在卫生间内,花洒喷出的热水会很大程度上影响红外成像的效果,并且在卫生间这样急需隐私保护的场所,毫米波雷达的隐私保护效果要比红外成像强;
如图2所示,毫米波雷达天线发射探测有效角度为120度,圆锥形向外发射探测波束,在大小不超过2m×4m的房间内,设备的最优安装角度为:向下倾斜30°,与左右墙体均保持45°的夹角。在此安装角度下可保证设备能对室内进行全方位覆盖检测。
在上述步骤S2中,由于毫米波雷达的扫描角度是俯视角并非平视角,后续涉及用户的点云坐标均需要经过三维变换映射得到,使用坐标转换矩阵将其转换为实际场景中的坐标,进而构三维点云坐标;
具体地,使用毫米波雷达可以检测得到室内用户数据,并将其转化为笛卡尔三维坐标值呈现出来,,对水平面内的坐标值进行数据分析处理及坐标映射,得到室内用户在实际场景中的坐标/>,/>代表处理人体点云数据后得到的代表人体位置的坐标。坐标/>相当于是将坐标/>进行旋转得到的,旋转角度的大小为θ值,此θ值需根据安装场所确定,所以转换矩阵实质上是一个根据坐标变化的三角函数关系计算得出的2×2的矩阵。
得到、/>与/>、/>的关系式为:
其坐标转化矩阵的具体形式如下:
上述所述步骤S3具体为:
S31、通过服务端构建三维点云数据对应的多普勒谱;
S32、基于构建的多普勒谱,将三维点云数据中静态物体的点云数据删除,获得动态物体点云图;
S33、对动态物体点云图进行降噪处理,获得用户的三维点云图。
在步骤S31中
多普勒效应公式为:
式中,为观测者接收到的频率,/>为发射的频率,c为声音在介质中传播的速度,为观测者的运动速度,若接收位置靠近波源则其为正,否则为负,/>为发射源的运动速度,发射源远离接收位置则为正,靠近观测者则为正.由于实验中接收位置(毫米波雷达)为固定,而发射源为运动物体(用户),故/>为0;
基于多普勒效应得到上述步骤S31具体为:
通过检测由同一位置的毫米波雷达在时间间隔发射的两个信号产生的相位差,得到因用户移动引起的多普勒频移,进而得到多普勒谱;
基于上述相位差,还能得到用户的运动速度/>:
所述步骤S32具体为:
当多普勒谱中,连续时间间隔内的多普勒频移均为0时,判定其对应的物体为静态物体,将其对应的三维点云数据删除,获得动态物体点云图;即只有在多普勒频移不为0时,毫米波雷达才会对用户进行取点成像。
在步骤S33中,在卫生间环境中,活动中用户和其他物体反射产生的毫米波雷达采集数据可能会混叠在一起,不利于行为动作的识别,考虑到对于毫米波雷达而言,用户不是点反射器,其对应的采集数据为一组在空间上较为接近的坐标信息,本文对采集到的雷达数据在在二维平面内使用DBSCAN算法将人场景采集到的数据聚类成不同的聚类群,而后对各聚类分别处理;DBSCAN聚类算法是一种基于密度的空间聚类方法,该聚类方法不易受环境噪声影响,且对聚类的形状没有偏倚,在聚类之后会有一些噪声点的出现影响最终的人物程序,所以该步骤中使用算法去除掉多余的噪声点;基于此,上述步骤S33具体为:
A1、将动态点云图中最近10帧的点云数据依次保存在数组A中;
A2、判断数组A中的点云数据的最大值和最小值在连续相邻的5个点内是否出现突变;
若是,则进入步骤A3;
若否,则进入步骤A4;
A3、判定该点云数据为噪声点,将其从数组A中去除,返回步骤A2;
A4、判定该点云数据为非噪声点,进入步骤A5;
A5、将当前数组A中的数据作为动态用户的三维点云图。
上述步骤S4具体为:
S41、将毫米波雷达的位置作为坐标原点,以毫米波雷达通过发射回波和发射信号的频差获取用户和毫米波雷达之间的电磁波传输时间,进而估算出用户到毫米波雷达的距离;
S42、如图3所示,基于距离R,确定用户所在的直角坐标;
其中,,/>,/>,/>为方位角,为仰角;
S42、基于服务端内存储的卫生间的空间布局和直角坐标,确定用户所在位置,实现用户定位。
这里的用户定位结果包括淋浴房内、淋浴房外和马桶上;例如在8m2的卫生间内,淋浴房距离毫米波雷范围为y方向1.5-2.5m,x方向为1.2-2 m,当人物的y坐标在1.5-2.5m时,x坐标在1.2-2m时判断为人物淋浴房内,否则,判断为在淋浴房外;马桶距离毫米波雷范围为y方向为2.5-3.0m,x方向为1.4-2m,当人物的y坐标在2.5-3.0m,x坐标在1.4-2m时,判断为马桶上。
基于前面得到的用户定位结果,上述步骤S5具体为:
S51、基于用户的三维点云图,计算用户的宽高比、最高点/>和下降速度/>;
S52、基于用户的定位位置,判断用户的最高点是否小于设置阈值;
若是,则进入步骤S53;
若否,则返回步骤S51;
S53、判断用户的宽高比是否大于设置阈值;
若是,则进入步骤S54;
若否,则返回步骤S51;
S54、判断用户的下降速度是否大于设定阈值;
若是,则进入步骤S55;
若否,则返回步骤S51;
S55、判定用户存在跌倒行为,进入步骤S6。
在步骤S51中, 用户的宽高比的计算方法为:
B1、将用户的三维点云图的外接矩形作为目标框;
B2、按顺时针方向提取目标框的四个顶点坐标;
B3、基于四个顶点坐标,利用欧氏距离公式计算出目标框的宽度和高度,进而得到目标框的宽高比作为用户的宽高比;
其中,目标框的宽度和高度/>分别为:
式中,、/>、/>和/>依次为按顺时针提取的目标框的四个顶点/>、/>、/>和/>的坐标;
上述宽高比能够描述用户整体形状变化的量,无论一个人胖到什么程度,在直立的姿势下,他的宽高比都小于1,无论是横向跌倒还是纵向跌倒,当用户站立时,宽度小于高度;当用户又站立逐渐跌倒时,W的值会逐渐增大,H的值会逐渐减小;因此,当人体跌倒时,目标框宽度W小于等于目标框高度H,为了更好的描述不同倾斜方向导致跌倒过程中目标框宽度与高度的变化情况,本文用目标框宽度W与高度H的比值Q作为人体跌倒判断的一个特征:
所述步骤S51中,用户的最高点为用户的三维点云图中垂直距离最高的点;人在跌倒时,最高点/>一定会降低到一定值下,因此最高点的变化也可以作为用户跌倒的一个判断依据
在判断用户跌倒过程中凭最高点的变化和宽高比的变化是不足以判断是否跌倒的,如果人只是缓缓趴在地上寻找东西,高度和宽度也有可能会到达阈值,所以引入最高点下降的速度来作为跌倒判断依据之一,用户的下降速度为:
式中,为用户下落初始速度,/>为重力加速度,/>为下落时间。
人日常活动的肢体运动的最大速度为2.4m/s,假设人体的高度为1.7m。跌倒后最高点会以重力加速度伽罗,直到落到地面,根据下落位移s和时间可以得到下落速度,在失重状态下,位移为1.7m,速度可以达到5.7m/s以上,根据前述,可以将最高点下降速度阈值设为4m/s作为区分跌倒和一般运动的条件;
步骤S5中的用户定位结果中的淋浴房外、淋浴房内和马桶上均设置有对应的宽高比阈值、最高点阈值和下降速度阈值;例如在淋浴房外,只有在竖直方向大于4m/s,并且最高点高度小于0.5米,并且宽高比大于2.5后才会成立,判定为跌倒。