CN112859187B - 被探测物的姿态识别方法和装置、设备及系统 - Google Patents

Abstract

本申请公开了一种被探测物的姿态识别方法，被探测物的姿态识别方法包括获取空间反射的毫米波信号，对毫米波信号进行预处理得到空间参数，依据空间参数构建目标空间的环境静物模型，将环境静物模型进行障碍消除得到目标探测物模型，通过目标探测物模型对应的空间参数获取目标探测物模型的极坐标，基于极坐标进行机器学习得到目标探测物模型的空间位置，依据空间位置进行姿态识别。从而使得本公开的被探测物的姿态识别方法利用毫米波远场无感化的特点，可对监测区域的多个人体的各种姿态进行准确的识别。

Description

被探测物的姿态识别方法和装置、设备及系统

技术领域

本公开涉及空间测绘技术领域，尤其涉及一种被探测物的姿态识别方法和装置、设备及系统。

背景技术

现在可对室内多个人体姿态进行精准识别同时又没有侵犯个人隐私的技术，在需求日益增加的康养市场具有极大的发展潜力。利用毫米波远场无感化的特点，可对监测区域的多个人体的站，坐，躺，蹲，弯腰，行走，跌倒等各种姿态进行准确的识别，从而获取多个人体在室内的日常行为数据，通过机器学习来判断人体是否处于正常状态，以对危情进行预测报警。现有的识别技术精度不高。

发明内容

有鉴于此，本公开提出了一种被探测物姿态识别方法，包括：

获取目标空间反射的毫米波信号；

对所述毫米波信号进行预处理得到空间参数；

依据所述空间参数构建所述目标空间的环境静物模型；

将所述环境静物模型进行障碍消除得到目标探测物模型；

通过所述目标探测物模型对应的空间参数获取所述目标探测物模型的极坐标；

基于所述极坐标进行机器学习得到所述目标探测物模型的空间位置；

依据所述空间位置进行姿态识别。

在一种可能的实现方式中，对所述毫米波信号进行预处理得到空间参数包括：

将所述毫米波信号进行傅里叶变换得到时域信号；

将所述时域信号去除干扰得到距离参数、角度参数和幅值参数。

在一种可能的实现方式中，将所述时域信号去除干扰包括：

将所述时域信号进行数字滤波操作；

将所述时域信号进行多径干扰消除；

将所述时域信号去噪。

在一种可能的实现方式中，将所述环境静物模型进行障碍消除得到目标探测物模型障碍消除目标探测物模型包括：

对所述环境静物模型中的点云数据进行多普勒运算；

将非多普勒效应的障碍消除得到所述目标探测物模型。

在一种可能的实现方式中，基于所述极坐标进行机器学习得到所述目标探测物模型的空间位置包括：

所述幅值参数与对应的所述极坐标构成数组矩阵；

基于所述数组矩阵使用长短期记忆递归神经网络进行学习，得到所述目标探测物模型的空间位置。

在一种可能的实现方式中，依据所述空间位置进行姿态识别包括：

对所述目标探测物模型的物理姿态进行计算得到第一数据；其中，所述物理姿态包括离地高度、身体倾角、身体比例和人体异形；

对所述目标探测物模型进行多普勒相移速度计算得到第二数据；

对所述目标探测物模型进行体倾斜移动角速度计算得到第三数据；

对所述目标探测物模型进行正面及侧面幅值比计算得到第四数据；

对所述目标探测物模型进行微多普勒相移计算得到第五数据。

在一种可能的实现方式中，依据所述空间位置进行姿态识别包括：

依据所述目标探测物模型的第一数据、第二数据、第三数据、第四数据和第五数据的集合进行对应的姿态分类得到原地姿态和移动姿态；

其中，在进行姿态分类时使用子集空间KNN模式识别分类学习器。

根据本公开的另一方面，提供了一种被探测物的姿态识别装置，其特征在于，包括信号接收模块、预处理模块、环境静物模型构建模块、静物去除模块、空间位置识别模块和姿态识别模块；

所述信号接收模块，被配置为获取空间反射的毫米波信号；

所述预处理模块，被配置为对所述毫米波信号进行预处理得到空间参数；

所述环境静物模型构建模块，被配置为依据所述空间参数构建所述目标空间的环境静物模型；

所述静物去除模块，被配置为将所述环境静物模型进行障碍消除得到目标探测物模型；

所述空间位置识别模块，被配置为通过所述目标探测物模型对应的空间参数获取所述目标探测物模型的极坐标；

基于所述极坐标进行机器学习得到所述目标探测物模型的空间位置；

所述姿态识别模块，被配置为依据所述空间位置进行姿态识别。

根据本公开的另一方面，提供了一种被探测物的姿态识别设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述可执行指令时实现前面任一所述的方法；

还包括天线、毫米波芯片和通信模块；

所述天线与所述毫米波芯片电连接；

所述毫米波芯片与所述处理器电连接；

所述处理器与所述通信模块电连接。

根据本公开的另一方面，提供了一种被探测物的姿态识别系统，其特征在于，包括毫米波传感器、服务器、运维终端和用户终端；

所述毫米波传感器与所述服务器通信连接；用于进行被探测物的姿态识别，并将所述姿态识别的结果发送至所述服务器；

所述服务器与所述运维终端通信连接；

所述服务器与所述用户终端通信连接。

通过获取空间反射的毫米波信号，对毫米波信号进行预处理得到空间参数，依据空间参数构建目标空间的环境静物模型，将环境静物模型进行障碍消除得到目标探测物模型，通过目标探测物模型对应的空间参数获取目标探测物模型的极坐标，基于极坐标进行机器学习得到目标探测物模型的空间位置，依据空间位置进行姿态识别。从而使得本公开的被探测物的姿态识别方法利用毫米波远场无感化的特点，可对监测区域的多个人体的各种姿态进行准确的识别。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出本公开实施例的被探测物的姿态识别方法的流程图；

图2示出本公开实施例的被探测物的姿态识别方法的另一流程图；

图3示出本公开实施例的被探测物的姿态识别方法的数字滤波的流程图；

图4示出本公开实施例的被探测物的姿态识别方法的多径干扰消除的流程图；

图5示出本公开实施例的被探测物的姿态识别方法的噪声模型建模的流程图；

图6示出本公开实施例的被探测物的姿态识别方法的环境静物模型建立的流程图；

图7示出本公开实施例的被探测物的姿态识别方法的长短期记忆递归神经网络模型的流程图；

图8示出本公开实施例的被探测物的姿态识别方法的分类学习器建模的流程图；

图9示出本公开实施例的被探测物的姿态识别方法的子集空间KNN模式识别分类学习器的流程图；

图10示出本公开实施例的被探测物的姿态识别装置的框图；

图11示出本公开实施例的被探测物的姿态识别设备的框图；

图12示出本公开另一实施例的被探测物的姿态识别设备的示意图；

图13示出本公开实施例的被探测物的姿态识别系统的示意图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开一实施例的被探测物的姿态识别方法的流程图。如图1所示，该被探测物的姿态识别方法包括：

步骤S100，获取空间反射的毫米波信号，步骤S200，对毫米波信号进行预处理得到空间参数，步骤S300，依据空间参数构建目标空间的环境静物模型，步骤S400，将环境静物模型进行障碍消除得到目标探测物模型，步骤S500，通过目标探测物模型对应的空间参数获取目标探测物模型的极坐标，基于极坐标进行机器学习得到目标探测物模型的空间位置，步骤S600，依据空间位置进行姿态识别。

通过获取空间反射的毫米波信号，对毫米波信号进行预处理得到空间参数，依据空间参数构建目标空间的环境静物模型，将环境静物模型进行障碍消除得到目标探测物模型，通过目标探测物模型对应的空间参数获取目标探测物模型的极坐标，基于极坐标进行机器学习得到目标探测物模型的空间位置，依据空间位置进行姿态识别。从而使得本公开的被探测物的姿态识别方法利用毫米波远场无感化的特点，可对监测区域的多个人体的各种姿态进行准确的识别。

具体的，参见图1，执行步骤S100，获取空间反射的毫米波信号。

在一种可能的实现方式中，在需要监测的空间环境中设置毫米波传感器，毫米波传感器实时监测空间环境，这样，也就可以实时获取空间反射的毫米波信号。

需要说明的是，毫米波传感器可以为一个或多个，本公开不进行限定。

进一步的，参见图1，执行步骤S200，对毫米波信号进行预处理得到空间参数。

在一种可能的实现方式中，参见图2，对毫米波信号进行预处理得到空间参数包括：执行步骤S210，将毫米波信号进行傅里叶变换得到时域信号，将时域信号去除干扰得到距离参数、角度参数和幅值参数。其中，将时域信号去除干扰包括：执行步骤S221，将时域信号进行数字滤波操作，执行步骤S222，将时域信号进行多径干扰消除，执行步骤S223，将时域信号去噪。举例来说，实时获取空间反射的毫米波信号，首先将毫米波信号进行傅里叶变换得到时域信号，接着将时域信号进行数字滤波操作，参见图3，其中进行数字滤波操作包括：执行步骤S221a，执行步骤S221b和221c，依据设定的数字滤波参数进行抗扰均值数字滤波，执行步骤S221d，接着由第k时刻的数据预测第k+1的数据，执行步骤S221e，由第k时刻的预测误差估计k+1时刻的预测误差，执行步骤S221f，然后计算卡尔曼增益，执行步骤S221g，计算数据最优估算值，执行步骤S221h，计算当前时刻k的预测误差，参见图4，进一步的，将时域信号进行多径干扰消除，其中包括：执行步骤S222a，获取本时刻k信号发射后接收的时域数字信号Sk，执行步骤S222b，计算当前时刻k的权重Qk，执行步骤S222c，获取时刻k+1接收的在k时刻发射信号产生的时域数字信号Sk+1，执行步骤S222d，计算当前时刻k+1的权重Qk+1，执行步骤S222e，生成多径干扰抵消量ΔS，其中，ΔS＝Sk·Qk-Sk+1·Qk+1，接着执行步骤S222f，计算抵消干扰后的有效数据S，其中，S＝Sk-ΔS，执行步骤S222，重复上述多径干扰消除的步骤直至所有数据收敛。进一步的，通过建立的噪声模型再次对信号进行去噪，执行步骤S230，对时域信号进行计算即可得到距离参数、角度参数和幅值参数。

另外的，参见图2，执行步骤S201，建立噪声模型，参见图5，建立噪声模型的步骤包括：执行步骤S201a，自相关数字噪声信号监测，执行步骤S201，互相关数字噪声信号监测，执行步骤S201c，数字噪声信号相位差时域运算，执行步骤S201d，数字噪声信号导入延时器，执行步骤S201e，延时器输出信号与前项噪声信号导入乘法器，执行步骤S201f，乘法器输出信号导入积分器，执行步骤S201g，积分器输出信号导入数字FIR滤波器，执行步骤S201h，输出数字噪声函数。

进一步的，参见图1，执行步骤S300，依据空间参数构建目标空间的环境静物模型。

在一种可能的实现方式中，参见图6，毫米波传感器包括微带阵列天线，执行步骤S301a，对待检测的环境空间进行全阵列扫描，执行步骤S301b，扫描次数为N次，执行步骤S301c，获取每次扫描所对应的距离、角度和幅值数据，其中，执行步骤S301d，幅值为距离和角度的二维相关函数，执行步骤S301e，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，执行步骤S301f，对k+1时刻在相同距离和角度的比较数据小于δ即为真实空间静物的反射点云，执行步骤S301g，对每一真实反射点重做N次数据比较，执行步骤S301h，确定空间静物的所有真实反射点云集，执行步骤S301i，存储所有静物点云集数据和坐标。

进一步的，参见图1，执行步骤S400，将环境静物模型进行障碍消除得到目标探测物模型。

在一种可能的实现方式中，参见图2，将环境静物模型进行障碍消除得到目标探测物模型包括：执行步骤S410，对环境静物模型中的点云数据进行多普勒运算，执行步骤S420，将非多普勒效应的障碍消除得到目标探测物模型。举例来说，在得到空间静物模型之后，将已探测到的静物进行储存，则优先清除已储存的静物，然后再次对环境静物模型中的点云数据进行多普勒运算，将未产生多普勒效应的物体进行清除，即得到了目标探测物模型。

进一步的，参见图1，执行步骤S500，通过目标探测物模型对应的空间参数获取目标探测物模型的极坐标，基于极坐标进行机器学习得到目标探测物模型的空间位置。

在一种可能的实现方式中，参见图2，基于极坐标进行机器学习得到目标探测物模型的空间位置包括：执行步骤S510，幅值参数与对应的极坐标构成数组矩阵，执行步骤S520，基于数组矩阵使用长短期记忆递归神经网络进行学习，得到目标探测物模型的空间位置。举例来说，首先对毫米波信号进行预处理得到空间参数，具体的，将毫米波信号进行傅里叶变换得到时域信号，将时域信号去除干扰得到距离参数、角度参数和幅值参数。其中，将时域信号去除干扰包括：将时域信号进行数字滤波操作，将时域信号进行多径干扰消除，将时域信号去噪。依据其中得到的距离参数及角度参数来计算一个或多个目标探测物模型所处的极坐标，所有幅值(RSS)及对应的极坐标集合构成数组矩阵，接着使用递归神经网络(RNN)下的长短期记忆递归神经网络(LSTM)进行机器学习，获得一个或多个目标探测物模型的空间位置。参见图7，其中，使用长短期记忆递归神经网络(LSTM)进行机器学习包括执行步骤S520a，获取k时刻学习型数据向量Xk为输入层，执行步骤S520b，权重值W确定输入权重向量U，执行步骤S520c，由此确定k时刻隐含层的向量函数：Sk＝f(Uk·Xk+W·Sk-1)，执行步骤S520d，确定输出权重向量V，执行步骤S520e，由此确定k时刻输出层的向量函数：Ok＝g(V·Sk)，执行步骤S520f，完成k时刻数据学习即得到了k时刻目标探测物模型的空间位置，执行步骤S520g，进行下一时刻数据学习。

进一步的，参见图1，执行步骤S600，依据空间位置进行姿态识别。

在一种可能的实现方式中，参见图2，依据空间位置进行姿态识别包括：执行步骤S610，对目标探测物模型的物理姿态进行计算得到第一数据，其中，物理姿态包括离地高度、身体倾角、身体比例和人体异形，对目标探测物模型进行多普勒相移速度计算得到第二数据，对目标探测物模型进行体倾斜移动角速度计算得到第三数据，对目标探测物模型进行正面及侧面幅值比计算得到第四数据，对目标探测物模型进行微多普勒相移计算得到第五数据，进一步的，执行步骤S620，依据空间位置进行姿态识别包括：依据目标探测物模型的第一数据、第二数据、第三数据、第四数据和第五数据的集合进行对应的姿态分类得到原地姿态和移动姿态，其中，在进行姿态分类时使用子集空间KNN模式识别分类学习器。举例来说，对每个人体的所处的物理姿态进行计算，其中物理姿态包括离地高度：目标探测物模型中各点和地面之间的距离；身体倾角：目标探测物模型和地面的倾斜角；身体横纵比例：目标探测物模型的高和宽的比例；身体上下部的比例：目标探测物模型的上半身和下半身的比例；人体上部异形：示例性的，在背双肩包时即为上部异性；下部异形，示例性的，在拄拐行走或手提物品时为下部异形；人体多普勒相移速度；人体倾斜移动角速度；人体正面及侧面RSS比；微多普勒相移计算；在分别得到上述物理姿态的计算之后，基于以上一个或多个数据的集合，运用子集空间KNN(sub-space KNN)模式识别分类学习器，进行对应的姿态分类。其中，姿态分类包括步骤S621的原地姿态和步骤S622的移动姿态两大子集空间，示例性的，原地姿态包括：站立，坐立，弯腰，下蹲，单膝跪，双膝跪，横卧，半卧，侧卧，伏案；移动姿态包括行走，跑行，跳跃，拄拐行走，爬行，提物行走，前摔，侧摔，自主卧倒。

其中，在进行姿态分类之前，参见图8，首先进行Sub-space KNN分类学习器建模，进行Sub-space KNN分类学习器建模包括：执行步骤S601a，基于数据的姿态识别特征集，执行步骤S601b，进行子空间的抽取，然后分为多个姿态KNN分类学习器，示例性的，执行步骤S601c、步骤S601d和步骤S601e，分为姿态1KNN分类学习器、姿态mKNN分类学习器和姿态nKNN分类学习器，接着执行步骤S601f，将各姿态KNN分类学习器中的数据输出到投票决策器，然后执行步骤S601g，通过投票决策器进行姿态识别结果输出。

在完成Sub-space KNN分类学习器建模之后，即可进行姿态识别，参见图9，其中包括：执行步骤S620a，获取子集空间内的数据集合，执行步骤S620b，基于欧式距离函数计算数据样本，执行步骤S620c，找出数据样本中最靠近的k个训练样本，执行步骤S620d，这k个样本基于距离做加权平均，执行步骤S620e，选择k个样本中出现最多的类别，执行步骤S620f，以最终的加权平均值作为相应类别，执行步骤S620g和步骤S620h，依据得到的相应类别进行姿态输出，即完成了姿态识别。

需要说明的是，在进行多个物体姿态识别的时候，通过毫米波传感器获取到的点云数据中的坐标，聚集在一起的点云数据被识别为一个物体。

进一步的，可以使用本公开的被探测物的姿态识别方法进行人体的姿态识别，从而获取多个人体在室内的日常行为数据，通过机器学习来判断人体是否处于正常状态，以对危情进行预测报警。示例性的，在婴儿的房间内布置毫米波传感器进行本公开的被探测物的姿态识别方法，进行实时监控婴儿的状态，其中，毫米波传感器可以为多个，同时对婴儿进行监测，进一步的，参见图2，执行步骤S700，毫米波传感器将姿态识别的结果实时上传服务器，服务器进行数据分发，可以将数据发送至用户运维平台进行管控，也可以直接将数据传输至用户的移动设备进行查看，这样也就保证了对人体是否处于正常状态的判断，以对危情进行预测报警。

需要说明的是，尽管以上述各个步骤作为示例介绍了本公开的被探测物的姿态识别方法如上，但本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活设定被探测物的姿态识别方法，只要达到所需功能即可。

这样，通过获取空间反射的毫米波信号，对毫米波信号进行预处理得到空间参数，依据空间参数构建目标空间的环境静物模型，将环境静物模型进行障碍消除得到目标探测物模型，通过目标探测物模型对应的空间参数获取目标探测物模型的极坐标，基于极坐标进行机器学习得到目标探测物模型的空间位置，依据空间位置进行姿态识别。从而使得本公开的被探测物的姿态识别方法利用毫米波远场无感化的特点，可对监测区域的多个人体的各种姿态进行准确的识别。

进一步的，根据本公开的另一方面，还提供了一种被探测物的姿态识别装置100。由于本公开实施例的被探测物的姿态识别装置100的工作原理与本公开实施例的被探测物的姿态识别方法的原理相同或相似，因此重复之处不再赘述。参见图10，本公开实施例的被探测物的姿态识别装置100包括信号接收模块110、预处理模块120、环境静物模型构建模块130、静物去除模块140、空间位置识别模块150和姿态识别模块160；

信号接收模块110，被配置为获取空间反射的毫米波信号；

预处理模块120，被配置为对毫米波信号进行预处理得到空间参数；

环境静物模型构建模块130，被配置为依据空间参数构建目标空间的环境静物模型；

静物去除模块140，被配置为将环境静物模型进行障碍消除得到目标探测物模型；

空间位置识别模块150，被配置为通过目标探测物模型对应的空间参数获取目标探测物模型的极坐标；

基于极坐标进行机器学习得到目标探测物模型的空间位置；

姿态识别模块160，被配置为依据空间位置进行姿态识别。

更进一步地，根据本公开的另一方面，还提供了一种被探测物的姿态识别设备200。参阅图11，本公开实施例被探测物的姿态识别设备200包括处理器210以及用于存储处理器210可执行指令的存储器220。其中，处理器210被配置为执行可执行指令时实现前面任一所述的被探测物的姿态识别方法。

此处，应当指出的是，处理器210的个数可以为一个或多个。同时，在本公开实施例的被探测物的姿态识别设备200中，还可以包括输入装置230和输出装置240。其中，处理器210、存储器220、输入装置230和输出装置240之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。

存储器220作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的被探测物的姿态识别方法所对应的程序或模块。处理器210通过运行存储在存储器220中的软件程序或模块，从而执行被探测物的姿态识别设备200的各种功能应用及数据处理。

输入装置230可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置240可以包括显示屏等显示设备。

进一步的，参见图12，在一种可能的实现方式中，本公开的被探测物的姿态识别设备为毫米波传感器300，该毫米波传感器300包括天线310、毫米波芯片320、微处理器330和通信模块340，天线310与毫米波芯片320电连接，毫米波芯片320与微处理器330电连接，微处理器330与通信模块340电连接。举例来说，天线310为微带阵列天线，发送和接收毫米波信号，毫米波芯片320调制毫米波信号，并将调制好的毫米波信号传输至微带阵列天线，在接收时，毫米波芯片320将从天线310接收到的毫米波信号经过解调发送给微处理器330，微处理器330进行计算，最后将计算结果可以通过通信模块340传输至其他设备，示例性的，微处理器330通过通信模块340传输至服务器，服务器进行数据分发，可以将数据发送至用户运维平台进行管控，也可以直接将数据传输至用户的移动设备进行查看，这样也就保证了对人体是否处于正常状态的判断，以对危情进行预测报警。

进一步的，根据本公开的另一方面，提供了一种被探测物的姿态识别系统400，由于本公开实施例的被探测物的姿态识别系统400的工作原理与本公开实施例的被探测物的姿态识别方法的原理相同或相似，因此重复之处不再赘述。参见图13，该被探测物的姿态识别系统400包括毫米波传感器410、服务器420、运维终端430和用户终端440；

其中，毫米波传感器410与服务器420通信连接，用于进行被探测物的姿态识别，并将姿态识别的结果发送至服务器420，服务器420与运维终端430通信连接，服务器420与用户终端440通信连接。

在一种可能的实现方式中，毫米波传感器410可以为多个，参见图13，举例来说，可以包括毫米波传感器1、毫米波传感器2和毫米波传感器3，通过多个传感器联动监测，同时对需要识别环境空间进行监测，示例性的，毫米波传感器410对人体姿态进行识别，毫米波传感器410将姿态识别的结果实时上传服务器420，服务器420进行数据分发，可以将数据发送至用户运维平台进行管控，也可以直接将数据传输至用户的移动设备进行查看，这样也就保证了对人体是否处于正常状态的判断，以对危情进行预测报警。

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

Claims (5)

1.一种被探测物的姿态识别方法，其特征在于，包括：

获取目标空间反射的毫米波信号；

对所述毫米波信号进行预处理得到空间参数；

依据所述空间参数构建所述目标空间的环境静物模型；

将所述环境静物模型进行障碍消除得到目标探测物模型；

通过所述目标探测物模型对应的空间参数获取所述目标探测物模型的极坐标；

基于所述极坐标进行机器学习得到所述目标探测物模型的空间位置；

依据所述空间位置进行姿态识别；

其中，对所述毫米波信号进行预处理得到空间参数包括：

将所述毫米波信号进行傅里叶变换得到时域信号；

将所述时域信号去除干扰得到距离参数、角度参数和幅值参数；

其中，基于所述极坐标进行机器学习得到所述目标探测物模型的空间位置包括：

所述幅值参数与对应的所述极坐标构成数组矩阵；

基于所述数组矩阵使用长短期记忆递归神经网络进行学习，得到所述目标探测物模型的空间位置；

其中，依据所述空间位置进行姿态识别包括：

对所述目标探测物模型的物理姿态进行计算得到第一数据；其中，所述物理姿态包括离地高度、身体倾角、身体比例和人体异形；

对所述目标探测物模型进行多普勒相移速度计算得到第二数据；

对所述目标探测物模型进行体倾斜移动角速度计算得到第三数据；

对所述目标探测物模型进行正面及侧面幅值比计算得到第四数据；

对所述目标探测物模型进行微多普勒相移计算得到第五数据；

依据所述目标探测物模型的第一数据、第二数据、第三数据、第四数据和第五数据的集合进行对应的姿态分类得到原地姿态和移动姿态；

其中，在进行姿态分类时使用子集空间KNN模式识别分类学习器。

2.根据权利要求1所述的方法，其特征在于，将所述时域信号去除干扰包括：

将所述时域信号进行数字滤波操作；

将所述时域信号进行多径干扰消除；

将所述时域信号去噪。

3.根据权利要求1所述的方法，其特征在于，将所述环境静物模型进行障碍消除得到目标探测物模型包括：

对所述环境静物模型中的点云数据进行多普勒运算；

将非多普勒效应的障碍消除得到所述目标探测物模型。

4.一种被探测物的姿态识别装置，其特征在于，包括信号接收模块、预处理模块、环境静物模型构建模块、静物去除模块、空间位置识别模块和姿态识别模块；

所述信号接收模块，被配置为获取目标空间反射的毫米波信号；

所述预处理模块，被配置为对所述毫米波信号进行预处理得到空间参数；

所述环境静物模型构建模块，被配置为依据所述空间参数构建所述目标空间的环境静物模型；

所述静物去除模块，被配置为将所述环境静物模型进行障碍消除得到目标探测物模型；

所述空间位置识别模块，被配置为通过所述目标探测物模型对应的空间参数获取所述目标探测物模型的极坐标；

基于所述极坐标进行机器学习得到所述目标探测物模型的空间位置；

所述姿态识别模块，被配置为依据所述空间位置进行姿态识别；

其中，对所述毫米波信号进行预处理得到空间参数包括：

将所述毫米波信号进行傅里叶变换得到时域信号；

将所述时域信号去除干扰得到距离参数、角度参数和幅值参数；

其中，基于所述极坐标进行机器学习得到所述目标探测物模型的空间位置包括：

所述幅值参数与对应的所述极坐标构成数组矩阵；

基于所述数组矩阵使用长短期记忆递归神经网络进行学习，得到所述目标探测物模型的空间位置；

其中，依据所述空间位置进行姿态识别包括：

对所述目标探测物模型的物理姿态进行计算得到第一数据；其中，所述物理姿态包括离地高度、身体倾角、身体比例和人体异形；

对所述目标探测物模型进行多普勒相移速度计算得到第二数据；

对所述目标探测物模型进行体倾斜移动角速度计算得到第三数据；

对所述目标探测物模型进行正面及侧面幅值比计算得到第四数据；

对所述目标探测物模型进行微多普勒相移计算得到第五数据；

依据所述目标探测物模型的第一数据、第二数据、第三数据、第四数据和第五数据的集合进行对应的姿态分类得到原地姿态和移动姿态；

其中，在进行姿态分类时使用子集空间KNN模式识别分类学习器。

5.一种被探测物的姿态识别设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述可执行指令时实现权利要求1至3中任意一项所述的方法；

还包括天线、毫米波芯片和通信模块；

所述天线与所述毫米波芯片电连接；

所述毫米波芯片与所述处理器电连接；

所述处理器与所述通信模块电连接。

Images