CN113093165A - 基于毫米波雷达的车内活体检测方法及系统 - Google Patents
基于毫米波雷达的车内活体检测方法及系统 Download PDFInfo
- Publication number
- CN113093165A CN113093165A CN202110401504.4A CN202110401504A CN113093165A CN 113093165 A CN113093165 A CN 113093165A CN 202110401504 A CN202110401504 A CN 202110401504A CN 113093165 A CN113093165 A CN 113093165A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- living body
- fourier transform
- millimeter wave
- dimensional fourier
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 230000003068 static effect Effects 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000001727 in vivo Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000001574 biopsy Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- G01S13/04—Systems determining presence of a 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
- G01S7/411—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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明揭示了一种基于毫米波雷达的车内活体检测方法及系统，所述方法包括：S1、获取毫米波信号的回波信号，进行一维傅里叶变换后得到一维傅里叶变换数据，并对一维傅里叶变换数据进行静态去杂波处理，去除静态背景；S2、对去除静态背景后的一维傅里叶变换数据进行毫米波信号处理，检测车内是否有活体；S3、对去除静态背景后的一维傅里叶变换数据进行神经网络算法处理，检测是否存在干扰项；S4、判断车内是否有活体，若检测到车内有活体且不存在干扰项，则判定车内有活体，若检测到车内无活体、或存在干扰项，则判定车内无活体。本发明结合毫米波信号处理和神经网络算法处理进行车内活体检测，能够排除车内外的干扰项，具有检测精度高、成本低、抗干扰能力强等优点。
Description
技术领域
本发明属于活体检测技术领域，具体涉及一种基于毫米波雷达的车内活体检测方法及系统。
背景技术
目前，为了避免驾驶人员误将宠物或者儿童遗留在车内而造成危险，车内活体检测方法主要通过红外传感器、超宽带UWB、摄像头等进行检测，上述活体检测方法或多或少存在技术以及应用方面的瓶颈：
红外传感器检测具有价格低廉、使用简单的优点，但其灵敏度较低，受外界气温、气流、光线影响较大；
UWB超宽带检测具有精度高、距离远的优点，但价格昂贵；
摄像头检测具有检测算法成熟的优点，但缺乏隐私。
因此，针对上述技术问题，有必要提供一种基于毫米波雷达的车内活体检测方法及系统。
发明内容
有鉴于此，本发明的目的在于提供一种基于毫米波雷达的车内活体检测方法及系统。
为了实现上述目的，本发明一实施例提供的技术方案如下：
一种基于毫米波雷达的车内活体检测方法，所述方法包括：
S1、获取毫米波信号的回波信号，进行一维傅里叶变换后得到一维傅里叶变换数据，并对一维傅里叶变换数据进行静态去杂波处理，去除静态背景；
S2、对去除静态背景后的一维傅里叶变换数据进行毫米波信号处理，检测车内是否有活体；
S3、对去除静态背景后的一维傅里叶变换数据进行神经网络算法处理，检测是否存在干扰项；
S4、判断车内是否有活体，若检测到车内有活体且不存在干扰项，则判定车内有活体，若检测到车内无活体、或存在干扰项，则判定车内无活体。
一实施例中，所述步骤S2具体为：
将去除静态背景后的一维傅里叶变换数据转化为能量并进行能量累加；
根据恒虚警率检测算法检测车内是否有活体。
一实施例中，所述步骤S3具体为：
对去除静态背景后的一维傅里叶变换数据进行短时傅里叶变换，得到时频域数据；
获取时频域数据的时频域特征，并基于神经网络算法判断该时频域数据是否为干扰项。
一实施例中，所述干扰项为车内干扰项和/或车外干扰项。
一实施例中，所述神经网络算法为卷积神经网络算法。
一实施例中，所述步骤S4后还包括：
若判定车内有活体，控制喇叭进行报警；和/或，
若判定车内有活体，控制车窗打开；和/或，
若判定车内有活体，发布信息到车联网并进行推送。
本发明另一实施例提供的技术方案如下：
一种基于毫米波雷达的车内活体检测系统，所述系统包括：
毫米波雷达，用于发送毫米波信号并接收回波信号；
微处理器，用于对回波信号进行一维傅里叶变换后得到一维傅里叶变换数据，并对一维傅里叶变换数据进行静态去杂波处理，去除静态背景；对去除静态背景后的一维傅里叶变换数据进行毫米波信号处理，检测车内是否有活体；对去除静态背景后的一维傅里叶变换数据进行神经网络算法处理，检测是否存在干扰项；判断车内是否有活体，若检测到车内有活体且不存在干扰项，则判定车内有活体，若检测到车内无活体、或存在干扰项，则判定车内无活体。
一实施例中，所述微处理器还用于：
将去除静态背景后的一维傅里叶变换数据转化为能量并进行能量累加，根据恒虚警率检测算法检测车内是否有活体；
对去除静态背景后的一维傅里叶变换数据进行短时傅里叶变换，得到时频域数据，获取时频域数据的时频域特征，并基于神经网络算法判断该时频域数据是否为干扰项。
一实施例中，所述干扰项为车内干扰项和/或车外干扰项；和/或，所述神经网络算法为卷积神经网络算法。
一实施例中，所述系统还包括车辆控制单元，用于：
在判定车内有活体时，控制喇叭进行报警；和/或，
在判定车内有活体时，控制车窗打开；和/或，
在判定车内有活体时，发布信息到车联网并进行推送。
本发明具有以下有益效果：
本发明结合毫米波信号处理和神经网络算法处理进行车内活体检测，能够排除车内外的干扰项，具有检测精度高、成本低、抗干扰能力强等优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一具体实施例中车内活体检测方法的具体流程图；
图2为本发明一具体实施例中车内活体检测系统的模块示意图；
图3a、3b分别为本发明一具体实施例中人和风扇经过短时傅里叶变换后得到的傅里叶频谱。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
本发明公开了一种基于毫米波雷达的车内活体检测方法，包括：
S1、获取毫米波信号的回波信号，进行一维傅里叶变换后得到一维傅里叶变换数据，并对一维傅里叶变换数据进行静态去杂波处理，去除静态背景；
S2、对去除静态背景后的一维傅里叶变换数据进行毫米波信号处理，检测车内是否有活体；
S3、对去除静态背景后的一维傅里叶变换数据进行神经网络算法处理，检测是否存在干扰项；
S4、判断车内是否有活体，若检测到车内有活体且不存在干扰项，则判定车内有活体，若检测到车内无活体、或存在干扰项，则判定车内无活体。
本发明还公开了一种基于毫米波雷达的车内活体检测系统，包括：
毫米波雷达，用于发送毫米波信号并接收回波信号；
微处理器，用于对回波信号进行一维傅里叶变换后得到一维傅里叶变换数据，并对一维傅里叶变换数据进行静态去杂波处理，去除静态背景；对去除静态背景后的一维傅里叶变换数据进行毫米波信号处理，检测车内是否有活体；对去除静态背景后的一维傅里叶变换数据进行神经网络算法处理，检测是否存在干扰项；判断车内是否有活体，若检测到车内有活体且不存在干扰项，则判定车内有活体，若检测到车内无活体、或存在干扰项，则判定车内无活体。
以下结合具体实施例对本发明作进一步说明。
参图2所示，本发明一具体实施例中基于毫米波雷达的车内活体检测系统包括毫米波雷达、微处理器及车辆控制单元，以下结合图1对本发明的车内活体检测方法进行详细说明。
毫米波雷达：
毫米波雷达能够发送毫米波信号并接收回波信号，毫米波雷达发射毫米波信号(电磁波)，当照射到活体时，毫米波信号被活体(心跳、呼吸、微动等)调制并被反射，因此回波信号中就包含了活体的信息。
优选地，本实施例中采用24G毫米波雷达就可以检测有无活体，成本低廉，使用简单。
微处理器：
微处理器接收毫米波雷达输出的数据并进行活体判断，具体步骤包括：
a、对回波信号进行一维傅里叶变换后得到一维傅里叶变换数据，并对一维傅里叶变换数据进行静态去杂波处理，去除静态背景。
b、对去除静态背景后的一维傅里叶变换数据进行毫米波信号处理，检测车内是否有活体。
该步骤为传统的毫米波信号处理，首先将一维傅里叶变换数据转化为能量，能量计算公式为：E＝20*log10(abs(A))，A为一维傅里叶变换数据，E为能量(单位：db)，而后进行能量E累加，再根据恒虚警率检测算法检测车内是否有活体，恒虚警率检测算法为现有技术中的算法，此处不再进行赘述。
毫米波雷达的单个chirp信号能量有限，通常需要对多个chirp信号进行处理，以提高信噪比，因此利用多个chirp信号做相干和非相干累积，相干积累即利用接收的雷达信号之间的相位关系，将信号的幅度叠加，这种方法的好处是可以把所有雷达回波能量直接相加，非相干积累在取信号的包络之后进行，保留模值。之后再做恒虚警率(CFAR)，得到阈值，将能量值和阈值做比较，判断有无人。
c、对去除静态背景后的一维傅里叶变换数据进行神经网络算法处理，检测是否存在干扰项。
实际场景下活体环境偶尔会复杂一些，比如有时候会存在干扰项，包括车内干扰项或车外干扰项，例如：车窗外行走的人、车内忘关振动的音响等，采用传统的毫米波信号处理不能过滤掉这些干扰因素，会误判断为车内活体。
本实施例中通过神经网络算法处理能有效判断干扰项，优选地，本实施例中采用卷积神经网络算法，首先对去除静态背景后的一维傅里叶变换数据进行短时傅里叶变换，得到时频域数据；获取时频域数据的时频域特征，并基于神经网络算法判断该时频域数据是否为干扰项。由于振动的物体、车辆外的行人以及其他的车内干扰项或车外干扰项，它的时频域特征和车内活体的特征是不一样的，利用这个差别，可以采用卷积神经网络区分是活体还是干扰项。
针对去除静态背景后的一维傅里叶变换数据，再做一次短时傅里叶变换，短时傅里叶变换(ShortTime Fourier Transform，STFT)定义了一个非常有用的时间和频率分布类，其指定了任意信号随时间和频率变化的复数幅度。计算短时傅里叶变换的过程是把一个较长的时间信号分成相同长度的更短的段，在每个更短的段上计算傅里叶变换，即傅里叶频谱。
短时傅里叶变换通常的数学定义如下：
其中：
x(n)＝input signal at time n
w(n)＝length M window function(e.g.，Hamming)
Xm(ω)＝DTFT of windowed data centered about time mR
R＝hop size.in samples.between successive DTFTs.
以车内的人和打开的风扇为例，它们的短时傅里叶变换后的傅里叶频谱是不一样的，参图3a、3b所示为实际在车内用毫米波雷达分别采集人和风扇数据再做短时傅里叶变换后得到的傅里叶频谱。
具体地，本实施例中的神经网络处理部分选用意法半导体的微处理器，利用它的神经网络开发工具箱实现卷积神经网络，使得最终检测精度更高，抗干扰能力强，并且成本也较低廉。
d、判断车内是否有活体，若检测到车内有活体且不存在干扰项，则判定车内有活体，若检测到车内无活体、或存在干扰项，则判定车内无活体。
将传统的毫米波信号处理判断的结果和神经网络算法处理的结果相结合，即可综合判断有无活体，该判断结果有效排除了干扰项的影响。
车辆控制单元：
当最终判定车内有活体时，通过车辆控制单元对车辆等进行控制，包括：
控制喇叭进行报警；
控制车窗打开；
发布信息到车联网并进行推送给用户。
由以上技术方案可以看出，本发明具有以下优点：
本发明结合毫米波信号处理和神经网络算法处理进行车内活体检测，能够排除车内外的干扰项，具有检测精度高、成本低、抗干扰能力强等优点。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书一个或多个实施例的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种基于毫米波雷达的车内活体检测方法，其特征在于，所述方法包括：
S1、获取毫米波信号的回波信号，进行一维傅里叶变换后得到一维傅里叶变换数据，并对一维傅里叶变换数据进行静态去杂波处理，去除静态背景；
S2、对去除静态背景后的一维傅里叶变换数据进行毫米波信号处理，检测车内是否有活体；
S3、对去除静态背景后的一维傅里叶变换数据进行神经网络算法处理，检测是否存在干扰项；
S4、判断车内是否有活体，若检测到车内有活体且不存在干扰项，则判定车内有活体，若检测到车内无活体、或存在干扰项，则判定车内无活体。
2.根据权利要求1所述的基于毫米波雷达的车内活体检测方法，其特征在于，所述步骤S2具体为：
将去除静态背景后的一维傅里叶变换数据转化为能量并进行能量累加；
根据恒虚警率检测算法检测车内是否有活体。
3.根据权利要求1所述的基于毫米波雷达的车内活体检测方法，其特征在于，所述步骤S3具体为：
对去除静态背景后的一维傅里叶变换数据进行短时傅里叶变换，得到时频域数据；
获取时频域数据的时频域特征，并基于神经网络算法判断该时频域数据是否为干扰项。
4.根据权利要求3所述的基于毫米波雷达的车内活体检测方法，其特征在于，所述干扰项为车内干扰项和/或车外干扰项。
5.根据权利要求3所述的基于毫米波雷达的车内活体检测方法，其特征在于，所述神经网络算法为卷积神经网络算法。
6.根据权利要求1所述的基于毫米波雷达的车内活体检测方法，其特征在于，所述步骤S4后还包括：
若判定车内有活体，控制喇叭进行报警；和/或，
若判定车内有活体，控制车窗打开；和/或，
若判定车内有活体，发布信息到车联网并进行推送。
7.一种基于毫米波雷达的车内活体检测系统，其特征在于，所述系统包括：
毫米波雷达，用于发送毫米波信号并接收回波信号；
微处理器，用于对回波信号进行一维傅里叶变换后得到一维傅里叶变换数据，并对一维傅里叶变换数据进行静态去杂波处理，去除静态背景；对去除静态背景后的一维傅里叶变换数据进行毫米波信号处理，检测车内是否有活体；对去除静态背景后的一维傅里叶变换数据进行神经网络算法处理，检测是否存在干扰项；判断车内是否有活体，若检测到车内有活体且不存在干扰项，则判定车内有活体，若检测到车内无活体、或存在干扰项，则判定车内无活体。
8.根据权利要求7所述的基于毫米波雷达的车内活体检测系统，其特征在于，所述微处理器还用于：
将去除静态背景后的一维傅里叶变换数据转化为能量并进行能量累加，根据恒虚警率检测算法检测车内是否有活体；
对去除静态背景后的一维傅里叶变换数据进行短时傅里叶变换，得到时频域数据，获取时频域数据的时频域特征，并基于神经网络算法判断该时频域数据是否为干扰项。
9.根据权利要求8所述的基于毫米波雷达的车内活体检测系统，其特征在于，所述干扰项为车内干扰项和/或车外干扰项；和/或，所述神经网络算法为卷积神经网络算法。
10.根据权利要求7所述的基于毫米波雷达的车内活体检测系统，其特征在于，所述系统还包括车辆控制单元，用于：
在判定车内有活体时，控制喇叭进行报警；和/或，
在判定车内有活体时，控制车窗打开；和/或，
在判定车内有活体时，发布信息到车联网并进行推送。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110401504.4A CN113093165B (zh) | 2021-04-14 | 2021-04-14 | 基于毫米波雷达的车内活体检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110401504.4A CN113093165B (zh) | 2021-04-14 | 2021-04-14 | 基于毫米波雷达的车内活体检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113093165A true CN113093165A (zh) | 2021-07-09 |
| CN113093165B CN113093165B (zh) | 2024-04-12 |
Family
ID=76677677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110401504.4A Active CN113093165B (zh) | 2021-04-14 | 2021-04-14 | 基于毫米波雷达的车内活体检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113093165B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113393701A (zh) * | 2021-07-14 | 2021-09-14 | 深圳电目科技有限公司 | 停车场管理方法、装置以及系统 |
| CN114527463A (zh) * | 2022-04-24 | 2022-05-24 | 南京楚航科技有限公司 | 一种利用相位匹配的车内活体检测方法及设备 |
| WO2023284764A1 (zh) * | 2021-07-14 | 2023-01-19 | 森思泰克河北科技有限公司 | 车内生命体的雷达探测方法、装置及终端设备 |
| CN116643247A (zh) * | 2023-07-25 | 2023-08-25 | 南京航空航天大学 | 一种舱内活体检测杂波抑制方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109375215A (zh) * | 2018-10-09 | 2019-02-22 | 深圳卓影科技有限公司 | 车内生命体探测方法、装置、计算机设备及存储介质 |
| CN109532741A (zh) * | 2018-11-23 | 2019-03-29 | 中科传启（苏州）科技有限公司 | 车内生命体提醒方法、装置及行车记录仪 |
| CN109884614A (zh) * | 2019-02-19 | 2019-06-14 | 厦门镭通智能科技有限公司 | 一种主动活体检测的装置及方法 |
| WO2019238575A1 (en) * | 2018-06-11 | 2019-12-19 | Iee International Electronics & Engineering S.A. | Method for robust vehicle occupancy detection with vital sign monitoring |
| CN110927706A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 基于卷积神经网络的雷达干扰检测识别方法 |
| 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 |
| CN112464840A (zh) * | 2020-12-03 | 2021-03-09 | 奇瑞汽车股份有限公司 | 车辆和车内活体检测装置、方法及存储介质 |
-
2021
- 2021-04-14 CN CN202110401504.4A patent/CN113093165B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019238575A1 (en) * | 2018-06-11 | 2019-12-19 | Iee International Electronics & Engineering S.A. | Method for robust vehicle occupancy detection with vital sign monitoring |
| CN109375215A (zh) * | 2018-10-09 | 2019-02-22 | 深圳卓影科技有限公司 | 车内生命体探测方法、装置、计算机设备及存储介质 |
| CN109532741A (zh) * | 2018-11-23 | 2019-03-29 | 中科传启（苏州）科技有限公司 | 车内生命体提醒方法、装置及行车记录仪 |
| CN109884614A (zh) * | 2019-02-19 | 2019-06-14 | 厦门镭通智能科技有限公司 | 一种主动活体检测的装置及方法 |
| CN110927706A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 基于卷积神经网络的雷达干扰检测识别方法 |
| 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 |
| CN112464840A (zh) * | 2020-12-03 | 2021-03-09 | 奇瑞汽车股份有限公司 | 车辆和车内活体检测装置、方法及存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113393701A (zh) * | 2021-07-14 | 2021-09-14 | 深圳电目科技有限公司 | 停车场管理方法、装置以及系统 |
| WO2023284764A1 (zh) * | 2021-07-14 | 2023-01-19 | 森思泰克河北科技有限公司 | 车内生命体的雷达探测方法、装置及终端设备 |
| CN114527463A (zh) * | 2022-04-24 | 2022-05-24 | 南京楚航科技有限公司 | 一种利用相位匹配的车内活体检测方法及设备 |
| CN114527463B (zh) * | 2022-04-24 | 2022-08-12 | 南京楚航科技有限公司 | 一种利用相位匹配的车内活体检测方法及设备 |
| CN116643247A (zh) * | 2023-07-25 | 2023-08-25 | 南京航空航天大学 | 一种舱内活体检测杂波抑制方法和装置 |
| CN116643247B (zh) * | 2023-07-25 | 2023-10-27 | 南京航空航天大学 | 一种舱内活体检测杂波抑制方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113093165B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113093165A (zh) | 基于毫米波雷达的车内活体检测方法及系统 | |
| US11801774B2 (en) | Method and system for unattended child detection | |
| Kwon et al. | Human detection by neural networks using a low-cost short-range Doppler radar sensor | |
| Ghosh et al. | Time–frequency analysis based robust vehicle detection using seismic sensor | |
| US8180634B2 (en) | System that detects and identifies periodic interference | |
| US10049157B2 (en) | Siren signal source detection, recognition and localization | |
| Andrić et al. | The database of radar echoes from various targets with spectral analysis | |
| JP2020101415A (ja) | 乗員状態検知システム | |
| JP2015068826A (ja) | 超音波システムのノイズ除去装置及び方法 | |
| Andrić et al. | Feature extraction related to target classification for a radar Doppler echoes | |
| WO2023284764A1 (zh) | 车内生命体的雷达探测方法、装置及终端设备 | |
| JP3567906B2 (ja) | レーダ用信号処理装置 | |
| JP2024514618A (ja) | Ｄｎｎ基盤の人の顔分類 | |
| Astapov et al. | A multistage procedure of mobile vehicle acoustic identification for single-sensor embedded device | |
| JP6281912B2 (ja) | 生体信号検出装置 | |
| Viunytskyi et al. | Human gesture recognition using bispectrum-based wireless signal processing | |
| CN107330462B (zh) | 基于时频分析的手势识别方法及其装置 | |
| Wang et al. | Soft fall detection using frequency modulated continuous wave radar and regional power burst curve | |
| CN105286920B (zh) | 超声多普勒信息自适应干扰抑制方法 | |
| CN112327260A (zh) | 一种sar回波数据中脉冲式干扰信号的抑制方法和装置 | |
| Viunytskyi et al. | Novel bispectrum-based wireless vision technique using disturbance of electromagnetic field by human gestures | |
| Parineh et al. | Detecting emergency vehicles With 1D-CNN using fourier processed audio signals | |
| Saini et al. | Human Motion Detection Using Ultra-Wide Band Radar | |
| Kwon et al. | Radar application of deep neural networks for recognizing micro-Doppler radar signals by human walking and background noise | |
| US20220244353A1 (en) | Feature Enhancement and Data Augmentation Method, and Motion Detection Device Thereof |
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 |