CN112859063A - 基于毫米波的多人体目标识别及计数方法 - Google Patents

基于毫米波的多人体目标识别及计数方法 Download PDF

Info

Publication number
CN112859063A
CN112859063A CN202110040914.0A CN202110040914A CN112859063A CN 112859063 A CN112859063 A CN 112859063A CN 202110040914 A CN202110040914 A CN 202110040914A CN 112859063 A CN112859063 A CN 112859063A
Authority
CN
China
Prior art keywords
millimeter wave
human body
wave sensing
dynamic human
dynamic
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
CN202110040914.0A
Other languages
English (en)
Other versions
CN112859063B (zh
Inventor
关山
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.)
Shenzhen Zongguan Infinite Technology Co ltd
Original Assignee
Lusheng Youbai Chongqing Technology Co 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 Lusheng Youbai Chongqing Technology Co ltd filed Critical Lusheng Youbai Chongqing Technology Co ltd
Priority to CN202110040914.0A priority Critical patent/CN112859063B/zh
Publication of CN112859063A publication Critical patent/CN112859063A/zh
Application granted granted Critical
Publication of CN112859063B publication Critical patent/CN112859063B/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
    • 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
    • G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
    • G01S13/536—Discriminating between fixed and moving objects or between objects moving at different speeds using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves
    • 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
    • G01S13/46—Indirect determination of position data
    • 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
    • G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
    • 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
    • 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
    • G01S7/417—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 involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • G01S13/46—Indirect determination of position data
    • G01S2013/462—Indirect determination of position data using multipath signals
    • 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
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种基于毫米波的多人体目标识别及计数方法，包括：采用毫米波传感设备向监测空间内发射毫米波，并实时接收反射的毫米波传感信号，包括初始毫米波信号和待识别毫米波信号；对接收的毫米波传感信号进行预处理，根据预处理后的初始毫米波信号构建空间环境静物模型；从预处理后的待识别毫米波信号中过滤筛选动态人体毫米波传感信号，并基于动态人体毫米波传感信号和空间环境静物模型数据确定动态人体数量；根据动态人体毫米波传感信号分析实时物理值并采用神经网络识别分析动态人体的空间位置；将动态人体的计数信息和空间位置信息实时发送到监测服务器或用户端。提高了动态人体的识别效率、空间位置识别准确率和计数准确性。

Description

基于毫米波的多人体目标识别及计数方法
技术领域
本发明涉及物联网通信和监测技术领域，具体涉及一种基于毫米波的多人体目标识别及计数方法。
背景技术
毫米波，是指波长为1～10毫米的电磁波，它位于微波与远红外波相交叠的波长范围，因而兼有两种波谱的特点。与光波相比，毫米波受自然光和热辐射源影响小；有极宽的带宽，毫米波的频率范围为30GHz-300GHz，具有高精度、高分辨率的特点；毫米波的波束窄，在相同天线尺寸下毫米波的波束要比微波的波束窄得多，可以分辨相距更近的小目标或者更为清晰地观察目标的细节。和激光相比，毫米波的传播受气候的影响要小得多，可以认为具有全天候特性。和微波相比，毫米波元器件的尺寸要小得多更容易小型化。
在公共安全、智慧校园、智慧消防、智慧司法等多个现代智慧生活领域中，都需要对室内或密闭空间(如校车)的人体数目和所处的位置进行精准监测，同时，又不能侵犯个人隐私。比如对民宿的监测管理，对教室的监测管理，对学生宿舍的监测管理，对校车内的人员状况监测管理，对大型商场、影院、写字楼等大型公共场所的监测消防管理，对于智慧司法应用中的囚室智能化精细监测管理等等，都需要准确地知道人员的数目、运动轨迹以及所处的位置等信息。目前一般采用红外感应、超声波检测以及微波检测等技术进行监测，可以作为摄像头监测的有效补充，但大多都存在识别效率低、计数不准确和位置不准确等问题。
发明内容
针对现有技术存在的上述不足，本发明的目的在于：提供一种基于毫米波的多人体目标识别及计数方法，采用毫米波技术，预先构建空间环境静物模型，将监测空间中的环境静物目标数据预先存储，然后过滤筛选动态人体毫米波信号，确定动态人体数量；采用神经网络算法分析各个动态人体的空间位置。提高了监测空间中动态人体的识别效率，提高了动态人体位置的识别准确率和动态人体计数准确性。
一种基于毫米波的多人体目标识别计数方法，包括以下步骤：
采用至少一个毫米波传感设备向监测空间内发射线性调频连续毫米波，并实时接收监测空间内反射的毫米波传感信号；
对接收的毫米波传感信号进行预处理，所述毫米波传感信号包括初始毫米波传感信号和待识别毫米波传感信号；
根据预处理后的初始毫米波传感信号分析计算空间静物的初始物理值，并基于初始物理值构建空间环境静物模型；
从预处理后的待识别毫米波传感信号中过滤筛选出动态人体毫米波传感信号，并基于动态人体毫米波传感信号和空间环境静物模型数据，采用模式识别分类器对动态人体和空间静物进行分类聚合，确定监测空间内的动态人体数量；
根据动态人体毫米波传感信号分析计算动态人体的实时物理值，并基于实时物理值采用神经网络识别分析动态人体的空间位置；
将动态人体于监测空间的计数信息和空间位置信息实时发送到监测服务器或用户端。
进一步地，所述初始物理值包括监测空间中环境静物的距离、角度以及初始毫米波传感信号的信号强度幅值，所述实时物理值包括监测空间中动态人体的距离、角度、速度、相位以及动态人体毫米波传感信号的信号强度幅值。
进一步地，所述基于实时物理值采用神经网络识别分析动态人体的空间位置，具体包括：
根据监测空间中动态人体的距离、速度以及各接收通道相位数据，对各接收通道之间的相位差进行计算，并将相位差转换极坐标角度，得到各个动态人体在监测空间中所处的极坐标；根据所有动态人体的极坐标集合及对应的幅值构建数组矩阵，基于数组矩阵和动态人体的实时物理值采用神经网络识别分析动态人体的空间位置。
进一步地，所述从预处理后的待识别毫米波传感信号中过滤筛选出动态人体毫米波传感信号，包括：
对预处理后的待识别毫米波传感信号进行多普勒运算和MTI数字滤波，得到待识别动态目标的实时物理值，并对监测空间环境静物以及无多普勒效应的目标进行障碍消除；
从待识别动态目标中筛选出动态人体目标，并采用恒虚警率CFAR算法对动态人体目标进行分析计算，对监测空间中的动态人体目标进行计数；
若检测到存在人体目标的运动多普勒效应消失，则对这些人体目标进行微多普勒效应检测，并采用自相关熵算法和互相关熵算法对这些人体目标进行微动计算，从而确定这些人体目标是否仍处于监测空间内。
进一步地，所述采用恒虚警率CFAR算法对动态人体目标进行分析计算，具体包括：
获取动态人体目标的点云集合数据，根据预处理得到距离集合数据配置CFAR参数，设置参考单元个数N和保护单元个数P；
设定预期的虚警率PFA，计算所需的门限尺度因子α；
依次将距离集合的每个数据xi计算对应的估计检测门限Ti，并比较xi和Ti大小，若 xi大于等于Ti，则表示该目标为真实人体目标；若xi小于Ti，则表示该目标对应信号为干扰信号。
进一步地，采用自相关熵算法和互相关熵算法对这些人体目标进行微动计算，具体包括：
自相关熵算法，获取微动人体目标的点云数据集合矩阵D，并对数据集合矩阵D做自相关熵计算，运算得到自相关熵矩阵V；对自相关熵矩阵V做高通滤波，对自相关熵矩阵 V做数字插值融合平滑，对自相关熵矩阵做傅里叶变换得自相关熵频谱密度Pv；
互相关熵算法，获取微动人体目标的点云数据集合矩阵D，并对数据集合矩阵D做自相关熵计算，运算得到自相关熵矩阵V；对自相关熵矩阵V的相邻两组做互相关处理得到互相关熵矩阵Vil，对互相关熵矩阵Vil做数字插值融合平滑得互相关熵结果V＝ΣVil，对互相关熵矩阵做傅里叶变换得互相关熵频谱密度Pv。
进一步地，所述对接收的毫米波传感信号进行预处理，具体包括：
将毫米波传感信号由模拟信号转换为数字信号，对毫米波传感信号进行逆傅里叶变换，将频域数字信号转为时域数字信号；对时域数字信号依次进行数字滤波处理、空间多径干扰消除和空间噪声处理。
进一步地，所述MTI数字滤波的具体甄别过程包括：
获取t时刻的时域数字信号x(t)，滤波输出y(t)＝x(t)-(1-K)w(t)，其中，延时T加权函数w(t)是混频函数v(t)的延时w(t)＝v(t-T)，混频函数v(t)＝y(t)+w(t)。
进一步地，所述空间环境静物模型的构建方法如下：
通过毫米波传感设备对静态的监测空间进行N次扫描；获取每次扫描所对应的距离、角度和幅值数据，幅值为距离和角度的二维相关函数；
比较k时刻的幅值数据与k+1时刻的幅值数据是否在容差δ的容限范围内；
若k+1时刻在相同距离和角度的比较数据小于容差δ，即为真实空间环境静物的反射点云；
对每一个真实反射点云重做N次数据比较，确定空间环境静物的所有真实反射点云集，并对所有环境静物点云集数据和坐标进行存储。
进一步地，所述神经网络采用长短期记忆递归神经网络LSTM，LSTM神经网络的学习过程如下：
S101：获取k时刻学习型数据向量Xk，并作为输入层，由权重值W确定输入权重向量U；
S102：确定k时刻隐含层的向量函数Sk＝f(Uk·Xk+W·Sk-1)；其中，Uk表示k时刻的输入权重向量，Sk-1表示k-1时刻隐含层的向量函数；
S103：设定输出权重向量V，确定k时刻输出层的向量函数Ok＝g(V·Sk)；
S104：完成k时刻数据学习，循环执行步骤S101～S103。
相比于现有技术，本发明具有以下优点：
本发明提供了提供一种基于毫米波的多人体目标识别及计数方法，可以应用于公共安全、智慧校园、智慧消防、智慧司法等多个现代智慧生活领域中，采用毫米波技术，预先构建空间环境静物模型，将监测空间中的环境静物目标数据预先存储，然后过滤筛选动态人体毫米波信号，确定动态人体数量；采用神经网络算法分析各个动态人体的空间位置。提高了监测空间中动态人体的识别效率，提高了动态人体位置的识别准确率和动态人体计数准确性，同时又不侵犯个人隐私。
附图说明
图1为本发明实施例中基于毫米波的多人体目标识别及计数方法的控制流程图；
图2为本发明实施例中基于实时物理值分析动态人体空间位置的流程图；
图3为本发明实施例中过滤筛选出动态人体毫米波传感信号的流程图；
图4为本发明实施例中采用恒虚警率CFAR算法分析计算的流程图；
图5为本发明实施例中采用自相关熵算法对人体目标进行微动计算的流程图；
图6为本发明实施例中采用互相关熵算法对人体目标进行微动计算的流程图；
图7为本发明实施例中采用MTI数字滤波处理待识别毫米波传感信号的流程图；
图8为本发明实施例中空间环境静物模型的构建流程图；
图9为本发明实施例中长短期记忆递归神经网络LSTM的学习流程图；
图10为本发明实施例中KNN分类器的识别流程图；
图11为本发明实施例中对时域数字信号进行信号数字滤波的流程图；
图12为本发明实施例中对时域数字信号进行空间多径干扰消除的流程图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。
实施例：
参照图1～图12，一种基于毫米波的多人体目标识别及计数方法，包括以下步骤：
采用至少一个毫米波传感设备向监测空间内发射线性调频连续毫米波，并实时接收监测空间内反射的毫米波传感信号。具体地，监测空间由用户自由选定，监测空间可以是民宿房间、教室、学生宿舍、校车、监狱囚室、商场、影院、写字楼等场所；毫米波传感设备的布置数量可以根据监测空间的大小、是否有阻隔墙等来具体确定，比如，在宿舍、教师、校车里面、监狱囚室等，由于没有墙壁阻隔，相对开阔，且一般面积不是很大，就只需要一个毫米波传感设备即可满足要求；如果是针对商场、写字楼等大型复杂场所，存在多个小空间，且小空间之间有墙壁隔挡，就需要在各个小空间分别布置毫米波传感设备。毫米波作用在空间内物体或人体上会形成反射点云，根据反射点云的毫米波信号可以对物体或人体的位移、、速度、轨迹或微波动等各类状态进行分析，从而对物体或人体进行计数、精确掌握目标的运动轨迹和空间位置。
对接收的毫米波传感信号进行预处理，所述毫米波传感信号包括初始毫米波传感信号和待识别毫米波传感信号；具体地，预处理的方法包括：将毫米波传感信号由模拟信号转换为数字信号，对毫米波传感信号进行逆傅里叶变换，将频域数字信号转为时域数字信号；对时域数字信号依次进行数字滤波处理、空间多径干扰消除和对可能的环境噪声和谐波噪声进行二次消除。
根据预处理后的初始毫米波传感信号分析计算空间静物的初始物理值，并基于初始物理值构建空间环境静物模型。具体地，所述初始物理值包括监测空间中环境静物的距离、角度以及初始毫米波传感信号的信号强度幅值RSS。环境静物包括学生床、学习桌、讲台、车辆上的座位、墙壁、天花板、家具、电器、投影仪、电脑电视等。
从预处理后的待识别毫米波传感信号中过滤筛选出动态人体毫米波传感信号，并基于动态人体毫米波传感信号和空间环境静物模型数据，采用模式识别分类器对动态人体和空间静物进行分类聚合，确定监测空间内的动态人体数量。具体地，待识别毫米波传感信号包括动态人体毫米波传感信号、静态人体毫米波传感信号、动态物体毫米波传感信号和静态物体毫米波传感信号等，从这些信号中筛选出动态人体毫米波传感信号；动态人体毫米波传感信号包括运动人体毫米波传感信号和微动人体毫米波传感信号。将待识别的动态人体毫米波传感信号和空间环境静物模型数据输入KNN模式识别分类器，对运动人体、微动人体和空间静物进行分类聚合，从而确定运动人体和微动人体的数量。
根据动态人体毫米波传感信号分析计算动态人体的实时物理值，并基于实时物理值采用神经网络识别分析动态人体的空间位置；具体地，所述实时物理值包括监测空间中动态人体的距离、角度、速度、相位以及动态人体毫米波传感信号的信号强度幅值RSS。
将动态人体于监测空间的计数信息和空间位置信息实时发送到监测服务器或用户端。
上述基于毫米波的多人体目标识别及计数方法，可以应用于公共安全、智慧校园、智慧消防、智慧司法等多个现代智慧生活领域中，采用毫米波技术，预先构建空间环境静物模型，将监测空间中的环境静物目标数据预先存储，然后过滤筛选动态人体毫米波信号，确定动态人体数量；采用神经网络算法分析各个动态人体的空间位置。从而可以同时获得监测空间中动态人体的计数信息和空间位置信息，并且根据动态人体的微动信息和相位可以了解目标的运动轨迹，从而提高了监测空间中动态人体的识别效率，提高了动态人体位置的识别准确率和动态人体计数准确性，同时又不侵犯个人隐私。
可以将基于毫米波的多人体目标识别及计数方法应用在对民宿的监测管理，对教室的监测管理，对学生宿舍的监测管理，对校车内的人员状况监测管理，对大型商场、影院、写字楼等大型公共场所的监测消防管理，对于智慧司法应用中的囚室智能化精细监测管理等场景中。下面具体介绍两个例子，做具体说明：
在学生宿舍或教室中，可以将毫米波传感设备安装在宿舍或教室的正前方，这样可以基本可以监测到整个宿舍空间或教室空间；提前对学生宿舍中的床、桌子等环境静物的数据进行识别存储，当监测空间中存在其他目标需要进行监测识别时，进行监测，比如当几个学生一起回宿舍时，其中一个学生背着书包、提着电脑，先筛选出监测空间中的动态目标(多个学生、书包和电脑)，然后根据目标的运动轨迹、微动等特征从动态目标中筛选出动态人体目标，从而对学生人数进行计数，并且可以得到每个学生的运动轨迹以及实时所处的位置信息。教室场景同理，预先识别教室内的环境静物(多排座位、讲台、投影仪、空调等)，当上课时多个学生进入教室后，和上述分析类似，先筛选动态目标(多个学生、书包、电脑、书本等)，然后确定动态人体，最后进行学生计数、运动轨迹和空间位置确定。这样，可以掌握学生一天在宿舍中待的时间，若时间过长，可以基于此分析是否逃课、是否需要进行进一步监督、进而判断是否需要心理辅导等等；可以对上课学生进行大数据统计，作为教师评分的一项因素等等。
在校车中，一般用于小学生校车，可以将毫米波传感设备安装在校车内车头部位；提前对校车中的座位、电视、把手等环境静物的数据进行识别存储，监测时，先筛选出校车中的动态目标(多个学生、书包和饭盒等)，然后根据目标的运动轨迹、微动等特征从动态目标中筛选出动态人体目标，从而对学生人数进行计数，并且可以得到每个学生的运动轨迹以及实时所处的位置信息。这样，可以实时掌握校车内的学生人数，进而知道哪些站点对应的学生未上车或下车；可以实时掌握校车内学生的空间位置信息，比如有的学生贪玩钻到座位底下、把头伸出窗外、随意跑动等，避免在校车行进过程中没有在座位上意外受伤等。
参照图2，所述基于实时物理值采用神经网络识别分析动态人体的空间位置，具体包括：
根据监测空间中动态人体的距离、速度以及各接收通道相位数据，对各接收通道之间的相位差进行计算，并将相位差转换极坐标角度，得到各个动态人体在监测空间中所处的极坐标；根据所有动态人体的极坐标集合及对应的幅值构建数组矩阵，基于数组矩阵和动态人体的实时物理值采用神经网络识别分析动态人体的空间位置。
具体地，根据预处理得到的距离，速度及各接收通道相位数据，对各接收通道之间的相位差进行计算，从而获取一个或多个目标人体所处的极坐标。在静物消除后空间内，所有幅值(RSS)及对应的极坐标集合构成数组矩阵，运用递归神经网络(RNN)下的长短期记忆递归神经网络(LSTM)进行机器学习，获得一个或多个人体的空间位置。
参照图3，所述从预处理后的待识别毫米波传感信号中过滤筛选出动态人体毫米波传感信号，包括：
对预处理后的待识别毫米波传感信号进行多普勒运算和MTI数字滤波，得到待识别动态目标的实时物理值，并对监测空间环境静物以及无多普勒效应的目标进行障碍消除；
从待识别动态目标中筛选出动态人体目标，并采用恒虚警率CFAR算法对动态人体目标进行分析计算，对监测空间中的动态人体目标进行计数；
若检测到存在人体目标的运动多普勒效应消失，则对这些人体目标进行微多普勒效应检测，并采用自相关熵算法和互相关熵算法对这些人体目标进行微动计算，从而确定这些人体目标是否仍处于监测空间内。
具体地，将系统存储的环境静物及非多普勒效应的其它物体消除，由多普勒运算对人体运动目标进行恒虚警率CFAR算法处理，获取准确的运动人体目标。当检测到某些人体的运动多普勒效应消失，则对这些目标进行微多普勒效应检测，运用自相关和互相关熵分析人体微动算法，以确定这些人体目标仍处于探测空间。运用模式识别分类器KNN算法，对运动人体和微动人体进行分类聚合，从而精准区分探测空间内的人体个数。
参照图4，所述采用恒虚警率CFAR算法对动态人体目标进行分析计算，具体包括：
获取动态人体目标的点云集合数据，根据预处理得到距离集合数据配置CFAR参数，设置参考单元个数N和保护单元个数P；
设定预期的虚警率PFA，计算所需的门限尺度因子α；
依次将距离集合的每个数据xi计算对应的估计检测门限Ti，并比较xi和Ti大小，若xi大于等于Ti，则表示该目标为真实人体目标；若xi小于Ti，则表示该目标对应信号为干扰信号。
这样，可以进一步对动态人体毫米波传感信号进行过滤，过滤到信号中的噪声和杂声等干扰信号，确保接收分析的都是动态人体毫米波传感信号，提高动态人体位置的识别准确率和动态人体计数准确性。
参照图5和图6，采用自相关熵算法和互相关熵算法对这些人体目标进行微动计算，具体包括：
自相关熵算法，获取微动人体目标的点云数据集合矩阵D，并对数据集合矩阵D做自相关熵计算，运算得到自相关熵矩阵V；对自相关熵矩阵V做高通滤波，对自相关熵矩阵 V做数字插值融合平滑，对自相关熵矩阵做傅里叶变换得自相关熵频谱密度Pv；
互相关熵算法，获取微动人体目标的点云数据集合矩阵D，并对数据集合矩阵D做自相关熵计算，运算得到自相关熵矩阵V；对自相关熵矩阵V的相邻两组做互相关处理得到互相关熵矩阵Vil，对互相关熵矩阵Vil做数字插值融合平滑得互相关熵结果V＝ΣVil，对互相关熵矩阵做傅里叶变换得互相关熵频谱密度Pv。
这样，可以对监测空间的微弱多普勒效应检测，从而确定微弱多普勒效应对应的人体目标是否还存在于监测空间内，通过自相关和互相关熵分析人体微动算法，可以进一步提高监测空间中动态人体位置的识别准确率和动态人体计数准确性。
参照图7，所述MTI数字滤波的具体甄别过程包括：
获取t时刻的时域数字信号x(t)，滤波输出y(t)＝x(t)-(1-K)w(t)，其中，延时T加权函数w(t)是混频函数v(t)的延时w(t)＝v(t-T)，混频函数v(t)＝y(t)+w(t)。
这样，可以对待识别毫米波传感信号进行运动人体目标的甄别，从而有助于提高动态人体位置的识别准确率和动态人体计数准确性。
参照图8，所述空间环境静物模型的构建方法如下：
通过毫米波传感设备对静态的监测空间进行N次扫描；获取每次扫描所对应的距离、角度和幅值数据，幅值为距离和角度的二维相关函数；
比较k时刻的幅值数据与k+1时刻的幅值数据是否在容差δ的容限范围内；
若k+1时刻在相同距离和角度的比较数据小于容差δ，即为真实空间环境静物的反射点云；
对每一个真实反射点云重做N次数据比较，确定空间环境静物的所有真实反射点云集，并对所有环境静物点云集数据和坐标进行存储。
这样，可以将监测空间中的静物目标数据预先存储，防止在动态人体目标识别过程中环境静物的影响，从而有助于提高动态人体位置的识别准确率和动态人体计数准确性。
参照图9，所述神经网络采用长短期记忆递归神经网络LSTM，LSTM神经网络的学习过程如下：
S101：获取k时刻学习型数据向量Xk，并作为输入层，由权重值W确定输入权重向量U；
S102：确定k时刻隐含层的向量函数Sk＝f(Uk·Xk+W·Sk-1)；其中，Uk表示k时刻的输入权重向量，Sk-1表示k-1时刻隐含层的向量函数；
S103：设定输出权重向量V，确定k时刻输出层的向量函数Ok＝g(V·Sk)；
S104：完成k时刻数据学习，循环执行步骤S101～S103。
这样，通过长短期记忆递归神经网络LSTM可以有效分析待识别的动态人体目标在监测空间中的位置，空间位置识别准确率高，识别结果稳定。
参照图10，所述模式识别分类学习器采用KNN分类器，所述KNN分类器的识别过程如下：
获取子集空间内的数据集合，基于欧式距离函数计算数据样本；
获取数据样本中最靠近的k个训练样本，将k个样本基于距离做加权平均；
选择k个样本中出现最多的类别，以得到的加权平均值作为相应类别，这个识别的类别即为对应的姿态输出。
这样，通过KNN分类器对运动人体、微动人体和空间静物进行分类聚合，从而确定运动人体和微动人体的数量，有助于提高动态人体计数准确性。
参照图11，对时域数字信号进行信号数字滤波，具体包括：
S201：设定数字滤波参数，对毫米波传感信号的时域数字信号进行抗扰均值数字滤波；
S202：由第K时刻的数据预测第K+1时刻的数据，由第K时刻的预测误差估计第K+1时刻的预测误差；
S203：根据第K时刻的数据和第K+1时刻的预测数据计算卡尔曼增益，计算数据最优估算值，计算当前时刻K的预测误差；
S204：循环步骤S202和步骤S203。
这样，可以将毫米波监测信号中的干扰信号初步过滤。
参照图12，对时域数字信号进行空间多径干扰消除，具体包括：
S301：获取当前时刻K发射后接收的毫米波的时域数字信号SK，计算当前时刻K的权重QK；
S302：获取时刻K+1接收在K时刻发射的毫米波的时域数字信号SK+1，计算时刻K+1的权重QK+1；：
S303：生成多径干扰抵消量：ΔS＝SK·QK-SK+1·QK+1，计算抵消干扰后的有效数据：S＝SK-ΔS；
S304：循环步骤S301～步骤S303，直至所有数据收敛。
这样，可以将毫米波监测信号中的干扰信号有效消除。
上述基于毫米波的多人体目标识别及计数方法中，对毫米波监测信号的时域数字信号进行空间噪声处理的方法如下：
对毫米波监测信号的时域数字信号进行自相关数字噪声信号监测和互相关数字噪声信号监测，并筛选出数字噪声信号；
对数字噪声信号的相位差时域进行运算，将数字噪声信号导入延时器，延时器输出信号与前项噪声信号导入乘法器，乘法器输出信号导入积分器，积分器输出信号导入数字FIR 滤波器，输出数字噪声函数。
这样，可以将毫米波监测信号中的噪声信号有效消除。针对在监测空间采集的毫米波信号，毫米波信号的预处理依次经过上述数字滤波、空间多径干扰消除、空间噪声处理等，可以将毫米波监测信号中的干扰信号、噪声信号、障碍物信号等有效消除。进而为后续的目标识别、目标状态分析提供有力的数据支持，保证目标识别的灵敏度、敏捷性，提高目标监测结果的准确性和可靠性，抗干扰能力强。
上述基于毫米波的多人体目标识别及计数方法，可以应用于公共安全、智慧校园、智慧消防、智慧司法等多个现代智慧生活领域中，采用毫米波技术，预先构建空间环境静物模型，将监测空间中的环境静物目标数据预先存储，然后过滤筛选动态人体毫米波信号，确定动态人体数量；采用神经网络算法分析各个动态人体的空间位置。提高了监测空间中动态人体的识别效率，提高了动态人体位置的识别准确率和动态人体计数准确性，同时又不侵犯个人隐私。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (10)

1.一种基于毫米波的多人体目标识别及计数方法，其特征在于，包括以下步骤：
采用至少一个毫米波传感设备向监测空间内发射线性调频连续毫米波，并实时接收监测空间内反射的毫米波传感信号；
对接收的毫米波传感信号进行预处理，所述毫米波传感信号包括初始毫米波传感信号和待识别毫米波传感信号；
根据预处理后的初始毫米波传感信号分析计算空间静物的初始物理值，并基于初始物理值构建空间环境静物模型；
从预处理后的待识别毫米波传感信号中过滤筛选出动态人体毫米波传感信号，并基于动态人体毫米波传感信号和空间环境静物模型数据，采用模式识别分类器对动态人体和空间静物进行分类聚合，确定监测空间内的动态人体数量；
根据动态人体毫米波传感信号分析计算动态人体的实时物理值，并基于实时物理值采用神经网络识别分析动态人体的空间位置；
将动态人体于监测空间的计数信息和空间位置信息实时发送到监测服务器或用户端。
2.根据权利要求1所述的基于毫米波的多人体目标识别及计数方法，其特征在于，所述初始物理值包括监测空间中环境静物的距离、角度以及初始毫米波传感信号的信号强度幅值，所述实时物理值包括监测空间中动态人体的距离、角度、速度、相位以及动态人体毫米波传感信号的信号强度幅值。
3.根据权利要求2所述的基于毫米波的多人体目标识别及计数方法，其特征在于，所述基于实时物理值采用神经网络识别分析动态人体的空间位置，具体包括：
根据监测空间中动态人体的距离、速度以及各接收通道相位数据，对各接收通道之间的相位差进行计算，并将相位差转换极坐标角度，得到各个动态人体在监测空间中所处的极坐标；根据所有动态人体的极坐标集合及对应的幅值构建数组矩阵，基于数组矩阵和动态人体的实时物理值采用神经网络识别分析动态人体的空间位置。
4.根据权利要求2所述的基于毫米波的多人体目标识别及计数方法，其特征在于，所述从预处理后的待识别毫米波传感信号中过滤筛选出动态人体毫米波传感信号，包括：
对预处理后的待识别毫米波传感信号进行多普勒运算和MTI数字滤波，得到待识别动态目标的实时物理值，并对监测空间环境静物以及无多普勒效应的目标进行障碍消除；
从待识别动态目标中筛选出动态人体目标，并采用恒虚警率CFAR算法对动态人体目标进行分析计算，对监测空间中的动态人体目标进行计数；
若检测到存在人体目标的运动多普勒效应消失，则对这些人体目标进行微多普勒效应检测，并采用自相关熵算法和互相关熵算法对这些人体目标进行微动计算，从而确定这些人体目标是否仍处于监测空间内。
5.根据权利要求3所述的基于毫米波的多人体目标识别及计数方法，其特征在于，所述采用恒虚警率CFAR算法对动态人体目标进行分析计算，具体包括：
获取动态人体目标的点云集合数据，根据预处理得到距离集合数据配置CFAR参数，设置参考单元个数N和保护单元个数P；
设定预期的虚警率PFA，计算所需的门限尺度因子α；
依次将距离集合的每个数据xi计算对应的估计检测门限Ti，并比较xi和Ti大小，若xi大于等于Ti，则表示该目标为真实人体目标；若xi小于Ti，则表示该目标对应信号为干扰信号。
6.根据权利要求3所述的基于毫米波的多人体目标识别及计数方法，其特征在于，采用自相关熵算法和互相关熵算法对这些人体目标进行微动计算，具体包括：
自相关熵算法，获取微动人体目标的点云数据集合矩阵D，并对数据集合矩阵D做自相关熵计算，运算得到自相关熵矩阵V；对自相关熵矩阵V做高通滤波，对自相关熵矩阵V做数字插值融合平滑，对自相关熵矩阵做傅里叶变换得自相关熵频谱密度Pv；
互相关熵算法，获取微动人体目标的点云数据集合矩阵D，并对数据集合矩阵D做自相关熵计算，运算得到自相关熵矩阵V；对自相关熵矩阵V的相邻两组做互相关处理得到互相关熵矩阵Vil，对互相关熵矩阵Vil做数字插值融合平滑得互相关熵结果V＝ΣVil，对互相关熵矩阵做傅里叶变换得互相关熵频谱密度Pv。
7.根据权利要求3所述的基于毫米波的多人体目标识别及计数方法，其特征在于，所述对接收的毫米波传感信号进行预处理，具体包括：
将毫米波传感信号由模拟信号转换为数字信号，对毫米波传感信号进行逆傅里叶变换，将频域数字信号转为时域数字信号；对时域数字信号依次进行数字滤波处理、空间多径干扰消除和空间噪声处理。
8.根据权利要求7所述的基于毫米波的多人体目标识别及计数方法，其特征在于，所述MTI数字滤波的具体甄别过程包括：
获取t时刻的时域数字信号x(t)，滤波输出y(t)＝x(t)-(1-K)w(t)，其中，延时T加权函数w(t)是混频函数v(t)的延时w(t)＝v(t-T)，混频函数v(t)＝y(t)+w(t)。
9.根据权利要求1所述的基于毫米波的多人体目标识别及计数方法，其特征在于，所述空间环境静物模型的构建方法如下：
通过毫米波传感设备对静态的监测空间进行N次扫描；获取每次扫描所对应的距离、角度和幅值数据，幅值为距离和角度的二维相关函数；
比较k时刻的幅值数据与k+1时刻的幅值数据是否在容差δ的容限范围内；
若k+1时刻在相同距离和角度的比较数据小于容差δ，即为真实空间环境静物的反射点云；
对每一个真实反射点云重做N次数据比较，确定空间环境静物的所有真实反射点云集，并对所有环境静物点云集数据和坐标进行存储。
10.根据权利要求1所述的基于毫米波的多人体目标识别及计数方法，其特征在于，所述神经网络采用长短期记忆递归神经网络LSTM，LSTM神经网络的学习过程如下：
S101：获取k时刻学习型数据向量Xk，并作为输入层，由权重值W确定输入权重向量U；
S102：确定k时刻隐含层的向量函数Sk＝f(Uk·Xk+W·Sk-1)；其中，Uk表示k时刻的输入权重向量，Sk-1表示k-1时刻隐含层的向量函数；
S103：设定输出权重向量V，确定k时刻输出层的向量函数Ok＝g(V·Sk)；
S104：完成k时刻数据学习，循环执行步骤S101～S103。
CN202110040914.0A 2021-01-13 2021-01-13 基于毫米波的多人体目标识别及计数方法 Active CN112859063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110040914.0A CN112859063B (zh) 2021-01-13 2021-01-13 基于毫米波的多人体目标识别及计数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110040914.0A CN112859063B (zh) 2021-01-13 2021-01-13 基于毫米波的多人体目标识别及计数方法

Publications (2)

Publication Number Publication Date
CN112859063A true CN112859063A (zh) 2021-05-28
CN112859063B CN112859063B (zh) 2023-12-05

Family

ID=76003315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110040914.0A Active CN112859063B (zh) 2021-01-13 2021-01-13 基于毫米波的多人体目标识别及计数方法

Country Status (1)

Country Link
CN (1) CN112859063B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113093170A (zh) * 2021-06-07 2021-07-09 长沙莫之比智能科技有限公司 一种基于knn算法的毫米波雷达室内人员检测方法
CN113687348A (zh) * 2021-09-18 2021-11-23 无锡威孚高科技集团股份有限公司 基于追踪微多普勒图的行人识别方法和装置
CN113835074A (zh) * 2021-08-04 2021-12-24 南京常格科技发展有限公司 一种基于毫米波雷达的人流量动态监测方法
CN115390055A (zh) * 2022-08-10 2022-11-25 南京远能电力工程有限公司 一种配网不停电作业毫米波距离监测装置及其监测方法
US20220381893A1 (en) * 2021-05-28 2022-12-01 Tata Consultancy Services Limited Method and system for detection of a desired object occluded by packaging

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120293356A1 (en) * 2009-11-23 2012-11-22 Paul Barthel Method for detecting objects
CN106054156A (zh) * 2016-06-22 2016-10-26 中国人民解放军第四军医大学 一种基于uwb mimo生物雷达的静止人体目标识别与定位方法
CN107422318A (zh) * 2017-05-27 2017-12-01 南京理工大学 一种基于多普勒技术的占用传感器及其检测方法
CN110045370A (zh) * 2019-05-10 2019-07-23 成都宋元科技有限公司 基于毫米波雷达的人体感知方法及其系统
CN110082831A (zh) * 2018-08-31 2019-08-02 深圳迈睿智能科技有限公司 基于混合检测的人体存在探测方法和微波探测器及应用
CN110109090A (zh) * 2019-03-28 2019-08-09 北京邮电大学 基于微波雷达的未知环境多目标检测方法和装置
CN110488264A (zh) * 2019-07-05 2019-11-22 珠海格力电器股份有限公司 人员检测方法、装置、电子设备及存储介质
CN210166504U (zh) * 2019-01-14 2020-03-20 长沙莫之比智能科技有限公司 基于毫米波雷达的机器人避障系统
CN111856592A (zh) * 2020-08-20 2020-10-30 江西商思伏沌科技有限公司 室内活体监测装置和方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120293356A1 (en) * 2009-11-23 2012-11-22 Paul Barthel Method for detecting objects
CN106054156A (zh) * 2016-06-22 2016-10-26 中国人民解放军第四军医大学 一种基于uwb mimo生物雷达的静止人体目标识别与定位方法
CN107422318A (zh) * 2017-05-27 2017-12-01 南京理工大学 一种基于多普勒技术的占用传感器及其检测方法
CN110082831A (zh) * 2018-08-31 2019-08-02 深圳迈睿智能科技有限公司 基于混合检测的人体存在探测方法和微波探测器及应用
CN210166504U (zh) * 2019-01-14 2020-03-20 长沙莫之比智能科技有限公司 基于毫米波雷达的机器人避障系统
CN110109090A (zh) * 2019-03-28 2019-08-09 北京邮电大学 基于微波雷达的未知环境多目标检测方法和装置
CN110045370A (zh) * 2019-05-10 2019-07-23 成都宋元科技有限公司 基于毫米波雷达的人体感知方法及其系统
CN110488264A (zh) * 2019-07-05 2019-11-22 珠海格力电器股份有限公司 人员检测方法、装置、电子设备及存储介质
CN111856592A (zh) * 2020-08-20 2020-10-30 江西商思伏沌科技有限公司 室内活体监测装置和方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SANGHYUN CHANG ET AL.: "Human Detection and Tracking via Ultra-Wideband(UWB) Radar", 《2010 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION》, pages 452 - 457 *
许华伟: "基于毫米波雷达时频特征的路面动目标识别", 《中国硕士学位论文全文数据库 工程科技II辑》, pages 38 - 78 *
许言午 等: "行人检测系统研究新进展及关键技术展望", 《电子学报》, vol. 36, no. 5, pages 962 - 966 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220381893A1 (en) * 2021-05-28 2022-12-01 Tata Consultancy Services Limited Method and system for detection of a desired object occluded by packaging
CN113093170A (zh) * 2021-06-07 2021-07-09 长沙莫之比智能科技有限公司 一种基于knn算法的毫米波雷达室内人员检测方法
CN113093170B (zh) * 2021-06-07 2021-08-13 长沙莫之比智能科技有限公司 一种基于knn算法的毫米波雷达室内人员检测方法
CN113835074A (zh) * 2021-08-04 2021-12-24 南京常格科技发展有限公司 一种基于毫米波雷达的人流量动态监测方法
CN113835074B (zh) * 2021-08-04 2024-01-16 南京常格科技发展有限公司 一种基于毫米波雷达的人流量动态监测方法
CN113687348A (zh) * 2021-09-18 2021-11-23 无锡威孚高科技集团股份有限公司 基于追踪微多普勒图的行人识别方法和装置
CN113687348B (zh) * 2021-09-18 2024-03-15 无锡威孚高科技集团股份有限公司 基于追踪微多普勒图的行人识别方法和装置
CN115390055A (zh) * 2022-08-10 2022-11-25 南京远能电力工程有限公司 一种配网不停电作业毫米波距离监测装置及其监测方法

Also Published As

Publication number Publication date
CN112859063B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
CN112859063A (zh) 基于毫米波的多人体目标识别及计数方法
Shih et al. Occupancy estimation using ultrasonic chirps
Yang et al. Dense people counting using IR-UWB radar with a hybrid feature extraction method
CN108629380B (zh) 一种基于迁移学习的跨场景无线信号感知方法
CN112998668B (zh) 基于毫米波的非接触式远场多人体呼吸心率监测方法
Singh et al. Sense through wall human detection using UWB radar
CN111512178A (zh) 基于无线信号属性的机器学习的运动检测
US20180313950A1 (en) CNN-Based Remote Locating and Tracking of Individuals Through Walls
CN112634566B (zh) 基于毫米波的智能电子围栏构建方法及系统
Mokhtari et al. Non-wearable UWB sensor to detect falls in smart home environment
Blumrosen et al. Noncontact wideband sonar for human activity detection and classification
Chen et al. Multitarget detection and tracking for through-the-wall radars
CN108898066B (zh) 一种基于生成式对抗网络的人体运动检测方法
CN111712730A (zh) 通过多信道雷达监测生活设施
Sobhani et al. Target TOA association with the Hough transform in UWB radars
CN113591760B (zh) 基于毫米波的远场多人体的步态监测方法
Yang et al. A device-free localization and size prediction system for road vehicle surveillance via UWB networks
Khawaja et al. UWB radar based beyond wall sensing and tracking for ambient assisted living
Li et al. Gait Recognition Using Spatio‐Temporal Information of 3D Point Cloud via Millimeter Wave Radar
CN116847457B (zh) 一种基于权重自适应网络的室内无线被动定位方法
Al-Hameed et al. Artificial neural network for LiDAL systems
CN112731332A (zh) 基于毫米波的静态目标存在识别方法及系统
Mostafa et al. Unobtrusive human activity classification based on combined time‐range and time‐frequency domain signatures using ultrawideband radar
De Maio et al. Cognitive radar signal processing
Xie et al. CNN based joint positioning and pose recognition of concealed human for 3D through-wall imaging radar

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
TR01 Transfer of patent right

Effective date of registration: 20240313

Address after: 518000, Building 2, Aerospace Building, No. 53 Gaoxin South 9th Road, Gaoxin Community, Yuehai Street, Nanshan District, Shenzhen, Guangdong Province 908

Patentee after: Shenzhen Zongguan Infinite Technology Co.,Ltd.

Country or region after: China

Address before: 402260 11th floor, Fortune Center, No. 390, north section of Nanbei Avenue, Shuangfu New District, Jiangjin District, Chongqing

Patentee before: Lusheng Youbai (Chongqing) Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right