CN113093170B - 一种基于knn算法的毫米波雷达室内人员检测方法 - Google Patents

一种基于knn算法的毫米波雷达室内人员检测方法 Download PDF

Info

Publication number
CN113093170B
CN113093170B CN202110629713.4A CN202110629713A CN113093170B CN 113093170 B CN113093170 B CN 113093170B CN 202110629713 A CN202110629713 A CN 202110629713A CN 113093170 B CN113093170 B CN 113093170B
Authority
CN
China
Prior art keywords
point cloud
target
point
value
distance
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.)
Active
Application number
CN202110629713.4A
Other languages
English (en)
Other versions
CN113093170A (zh
Inventor
张习之
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.)
Changsha Microbrain Intelligent Technology Co ltd
Original Assignee
Changsha Microbrain Intelligent 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 Changsha Microbrain Intelligent Technology Co ltd filed Critical Changsha Microbrain Intelligent Technology Co ltd
Priority to CN202110629713.4A priority Critical patent/CN113093170B/zh
Publication of CN113093170A publication Critical patent/CN113093170A/zh
Application granted granted Critical
Publication of CN113093170B publication Critical patent/CN113093170B/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
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • 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
    • G01S13/66—Radar-tracking systems; Analogous systems
    • 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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于KNN算法的毫米波雷达室内人员检测方法，其特征在于，包括以下步骤：设置样本数据对KNN分类器进行训练，得到K值；对毫米波雷达回波信号进行ADC数据采集，得到采样数据；对所述采样数据进行FFT处理，得到CFAR点云数据；对所述点云数据进行聚类与轨迹跟踪；提取点云数据聚类后得到的点云特征，提取轨迹跟踪后得到的轨迹跟踪特征，输出目标特征向量；将所述目标特征向量输入至步骤1中训练的KNN分类器中，利用步骤1中得到的K值进行预测，得到初步预测结果；将所述初步预测结果输入至后处理器中，得到最终分类结果。该方法可以准确的实现人与其他运动目标的精确分类，从而对室内人员进行准确检测与统计。

Description

一种基于KNN算法的毫米波雷达室内人员检测方法
技术领域
本发明属于人员检测技术领域，尤其是涉及一种基于KNN算法的毫米波雷达室内人员检测方法。
背景技术
室内人员检测和数量统计是诸多应用场景下不可或缺的需求，比如车站，医院，图书馆等公共场合需要实时跟踪室内人员数量来合理控制人流量。传统基于人工的人数统计不仅耗时、费力、成本高昂，且人在相同场景下重复点数极易出错，因此需要利用智能传感器来解决人员检测与统计问题。传统人员检测技术主要包括基于主动红外的人员检测技术、基于PIR热成像的人员检测技术以及基于光学摄像头的人员检测技术。这些方法受温度和光照环境影响大，且无法识别多个目标。常用的毫米波雷达在人员检测方面，仅笼统的基于轨迹跟踪实现目标检测，并未在特征上实现对人和运动物体的识别，无法准确的实现人与其他运动目标的精确分类。
发明内容
为解决上述问题，提供一种可以对室内人与其他运动目标进行精确分类的方法，本发明提供了一种基于KNN算法的毫米波雷达室内人员检测方法，包括以下步骤：
步骤1，设置样本数据对KNN分类器进行训练，得到K值，其中K为正整数；
步骤2，对毫米波雷达回波信号进行模数转换器（ADC）数据采集，得到采样数据；
步骤3，对所述采样数据进行快速傅立叶变换（FFT）处理，得到恒虚警率（CFAR）点云数据；
步骤4，对所述点云数据进行聚类与轨迹跟踪；
步骤5，提取点云数据聚类后得到的点云特征，提取轨迹跟踪后得到的轨迹跟踪特征，输出目标特征向量；
步骤6，将所述目标特征向量输入至步骤1中训练的KNN分类器中，利用步骤1中得到的K值进行预测，得到初步预测结果；
步骤7，将所述初步预测结果输入至后处理器中，得到最终分类结果。
作为本发明的进一步改进，
更进一步的，步骤1中设置样本数据对KNN分类器进行训练，得到K值的步骤包括：
步骤11，按照N：1的比例将样本分为训练样本与标签样本；所述样本标签分为两类，人和非人运动物体，其中N为正整数；
步骤12，从K值为1开始对KNN分类器进行训练，并逐渐增加K值，直到K值为样本总数；
步骤13，选取训练结果误差最小的K值为预测用的K值。
更进一步的，步骤５中提取点云数据聚类后得到的点云特征，提取轨迹跟踪后得到的轨迹跟踪特征，输出目标特征向量的步骤包括：
步骤51，提取所述点云特征，包括点云的距离-方位维质心，点云内点到质心的最大与最小距离，点云的多普勒能量上下包络特征和点云的距离-多普勒维度质心；
步骤52，基于卡尔曼滤波的输出，得到所述轨迹跟踪特征，包括轨迹速度v、加速度a、卡尔曼滤波预测协方差矩阵EC和增益g；
步骤53，输出目标特征向量，所述目标特征向量包含所述点云特征和所述轨迹跟踪特征。
更进一步的，所述步骤51中的点云特征分别为：
所述点云的距离-方位维质心表征点云的空间方位，其坐标表示为：
Figure 259954DEST_PATH_IMAGE001
；
其中xi表示第i个点的x坐标，yi表示第i个点的y坐标，n表示点云的数量；
所述点云内点到质心的最大与最小距离表征点云的大小范围，所述点云内点到质心的最大距离为：
Figure 492352DEST_PATH_IMAGE002
；
所述点云内点到质心的最小距离为：
Figure 44425DEST_PATH_IMAGE003
；
所述点云的多普勒能量上包络特征为：
Figure 183281DEST_PATH_IMAGE004
；
所述点云的多普勒能量下包络特征为：
Figure 409994DEST_PATH_IMAGE005
；
其中
Figure 496898DEST_PATH_IMAGE006
是目标点的多普勒能量，表征点云的速度范围，dmax表示点云多普勒能量的最大值，dmin表示点云多普勒能量的最小值；
所述点云的距离-多普勒维度质心表征点云的中心速度，表示为：
Figure 610086DEST_PATH_IMAGE007
；
其中，rc表示点云质心的距离，dc表示点云质心的速度，ri表示点的距离，di表示点的速度，n表示点云的数量；
更进一步的，步骤6中将提取的目标特征向量输入至步骤1中训练的KNN分类器中，利用步骤1中得到的K值进行预测，得到初步预测结果的步骤为：
步骤61，计算所述步骤53中输出的目标特征向量与样本库向量之间的马氏距离，
Figure 516862DEST_PATH_IMAGE008
其中，A、B分别为特征向量和样本库向量，
Figure 671900DEST_PATH_IMAGE009
为向量A、B的协方差矩阵，向量A的第i个元素与向量B的第j个元素之间的协方差为
Figure 613311DEST_PATH_IMAGE010
其中，
Figure 398864DEST_PATH_IMAGE011
为元素
Figure 792936DEST_PATH_IMAGE012
的期望，
Figure 751665DEST_PATH_IMAGE013
为特征向量内第i个特征的均值；
步骤62，根据所述步骤1中得到的K值选取马氏距离最近的K个样本，并对样本标签数量进行统计；
步骤63，将统计得到的数量最多的样本标签作为分类的初步预测结果。
更进一步的，步骤7中将所述初步预测结果输入至后处理器中，得到最终分类结果的步骤为：
步骤71，将所述初步预测结果输入至后处理器中，并将初步预测结果进行帧数累积，设定HC为判定为人的帧数，NC为判定为非人目标的帧数；当前帧目标为人时，HC+1，NC-1；目标为非人时则HC-1，NC+1；
步骤72，计算目标的独立性，独立性由目标间的距离最小值u来表征，
Figure 983801DEST_PATH_IMAGE014
设定阈值为
Figure 736993DEST_PATH_IMAGE015
，当
Figure 883941DEST_PATH_IMAGE016
时，该目标与其他目标相关联，为非独立目标，当前帧该目标的预测结果不进行更新；
步骤73，计算目标与对应轨迹起始点间的距离dm，设定阈值为D，当
Figure 380781DEST_PATH_IMAGE017
时，强制判定目标为人；
步骤74，得到目标的进一步预测结果，并对该结果进行滑窗判定，
Figure 31206DEST_PATH_IMAGE018
时，目标判断为非人，
Figure 892982DEST_PATH_IMAGE019
时，目标判定为人；
步骤75，输出最终分类结果。
相对于现有技术，该发明的有益效果如下：
1.毫米波雷达具有稳定的探测性能与良好的环境适应性，结构简单、发射功率低、分辨率与灵敏度高、雷达尺寸小的优点，并且不仅可以获得目标的数量还可以获得目标的位置、速度、尺寸等信息。
2.该方法综合提取目标的点云与轨迹特征，充分利用了雷达回波里的目标信息。
3.该方法采用KNN算法对多类目标进行识别与匹配，准确的分类出人与其他运动目标，提高室内人员检测和统计的灵敏度与准确率。
4.该方法基于多帧累积以及轨迹特性，对预测结果进行后处理，提高预测的稳定性与可靠性。
附图说明
图1为本发明中毫米波雷达的安装位置示意图；
图2为本发明中基于KNN算法的毫米波雷达室内人员检测方法的整体流程图；
图3为本发明步骤7中后处理算法的结构图；
图4为本发明中的雷达软件结构图；
图5为本发明中的雷达硬件结构图。
具体实施方式
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，都属于本发明保护的范围。
本发明的说明书和权利要求书的术语“第一”、“第二”、“第三”、“第四”等(如果存在)或“左”、“右”、“前”、“后”、“顶”、“底”是用于区别类似的对象或便于本发明的结构描述，而不必用于描述特定的顺序或先后次序以及限制本发明的结构技术特征。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明的目的在于提供一种基于KNN算法的毫米波雷达室内人员检测方法，以在特征上实现对人和运动物体的识别，对人与其他运动目标精确分类，从而精确检测和统计室内人员情况。
本发明中，为保证毫米波雷达探测的准确性，要求其安装位置周围无遮挡，且角度便于雷达波的发射与接收，任一雷达被其它雷达照射的数量不应多于1个。室内雷达布局时，先通过仿真的方法获取雷达安装的位置参数，包括位置坐标和方向角，再根据仿真结果进行施工。示例性的，如图1所示，该实施例中对毫米波雷达的安装位置设置在距离地面高度为2.0米的墙面上，且毫米波雷达与竖直墙面间成15°角。
如图2所示，一种基于KNN算法的毫米波雷达室内人员检测方法包括以下步骤：
步骤1，首先按照N：1的比例将样本分为训练样本与标签样本；所述样本标签分为两类，人和非人运动物体；然后从K值为1开始对KNN分类器进行训练，并逐渐增加K值，直到K值为样本总数；最后选取训练结果误差最小的K值为预测用的K值。
步骤2，对毫米波雷达回波信号进行ADC数据采集，得到采样数据；
步骤3，对所述采样数据进行FFT处理，得到CFAR点云数据；
步骤4，对所述点云数据进行聚类与轨迹跟踪；
步骤5，提取点云数据聚类后得到的点云特征，提取轨迹跟踪后得到的轨迹跟踪特征，输出目标特征向量；具体包括：
步骤51，提取所述点云特征，包括点云的距离-方位维质心，点云内点到质心的最大与最小距离，点云的多普勒能量上下包络特征和点云的距离-多普勒维度质心；
所述点云的距离-方位维质心表征点云的空间方位，其坐标表示为：
Figure 25761DEST_PATH_IMAGE001
；
其中xi表示第i个点的x坐标，yi表示第i个点的y坐标，n表示点云的数量；
所述点云内点到质心的最大与最小距离表征点云的大小范围，所述点云内点到质心的最大距离为：
Figure 60713DEST_PATH_IMAGE002
；
所述点云内点到质心的最小距离：
为
Figure 34486DEST_PATH_IMAGE003
；
所述点云的多普勒能量上包络特征为：
Figure 863901DEST_PATH_IMAGE004
；
下包络特征为：
Figure 719862DEST_PATH_IMAGE005
；
其中
Figure 824084DEST_PATH_IMAGE006
是目标点的多普勒能量，表征点云的速度范围，dmax表示点云多普勒能量的最大值，dmin表示点云多普勒能量的最小值；
所述点云的距离-多普勒维度质心表征点云的中心速度，表示为：
Figure 183521DEST_PATH_IMAGE007
；
其中，rc表示点云质心的距离，dc表示点云质心的速度，ri表示点的距离，di表示点的速度，n表示点云的数量；
步骤52，基于卡尔曼滤波的输出，得到所述轨迹跟踪特征，包括轨迹速度v、加速度a、卡尔曼滤波预测协方差矩阵EC和增益g；
步骤53，输出目标特征向量，所述目标的特征向量包含所述点云特征和所述轨迹跟踪特征。
步骤6，将所述目标特征向量输入至步骤1中训练的KNN分类器中，利用步骤1中得到的K值进行预测，得到初步预测结果，具体步骤包括：首先计算所述步骤53中输出的目标特征向量与样本库向量之间的马氏距离，
Figure 157074DEST_PATH_IMAGE008
其中，A、B分别为特征向量和样本库向量，
Figure 234752DEST_PATH_IMAGE009
为向量A、B的协方差矩阵，向量A的第i个元素与向量B的第j个元素之间的协方差为
Figure 814769DEST_PATH_IMAGE010
其中，
Figure 559871DEST_PATH_IMAGE011
为元素
Figure 996668DEST_PATH_IMAGE012
的期望，
Figure 263439DEST_PATH_IMAGE013
为特征向量内第i个特征的均值；
其次，根据所述步骤1中得到的K值选取马氏距离最近的K个样本，并对样本标签数量进行统计；
最后，将统计得到的数量最多的样本标签作为分类的初步预测结果。
步骤7，将所述初步预测结果输入至后处理器中，得到最终分类结果，具体步骤包括：
步骤71，将所述初步预测结果输入至后处理器中，并将初步预测结果进行帧数累积，设定HC为判定为人的帧数，NC为判定为非人目标的帧数；当前帧目标为人时，HC+1，NC-1；目标为非人时则HC-1，NC+1；
步骤72，计算目标的独立性，独立性由目标间的距离最小值u来表征，
Figure 443885DEST_PATH_IMAGE014
设定阈值为
Figure 43494DEST_PATH_IMAGE015
，当
Figure 854455DEST_PATH_IMAGE016
时，该目标与其他目标相关联，为非独立目标，当前帧该目标的预测结果不进行更新；
步骤73，计算目标与对应轨迹起始点间的距离dm，设定阈值为D，当
Figure 906725DEST_PATH_IMAGE017
时，强制判定目标为人；
步骤74，得到目标的进一步预测结果，并对该结果进行滑窗判定，
Figure 890861DEST_PATH_IMAGE018
时，目标判断为非人，
Figure 843511DEST_PATH_IMAGE019
时，目标判定为人；
步骤75，输出最终分类结果。
如图4所示，该实施例中毫米波雷达的软件结构包括回波信号采集模块、数字信号处理器（DSP）处理模块、聚类跟踪模块、特征提取模块、分类模块和后处理模块。所述回波信号采集模块进行毫米波雷达回波信号信息采集；DSP处理模块完成ADC数据转换和FFT处理，得到CFAR点云数据；聚类跟踪模块对点云数据进行聚类与轨迹跟踪；特征提取模块提取点云数据聚类后得到的点云特征，提取轨迹跟踪后得到的轨迹跟踪特征，输出目标特征向量；分类模块将所述目标特征向量输入至训练的KNN分类器中，利用步骤1中得到的K值进行预测，得到初步预测结果；后处理模块将所述初步预测结果输入至后处理器中，得到最终分类结果。
如图5所示，该实施例中毫米波雷达的硬件结构包括电源模块和依次连接的射频模块、DSP模块、ARM模块和串口通信模块。接收天线和发射天线安装在射频模块上。电源模块同时连接射频模块、DSP模块和ARM模块。该硬件结构仅是运行该发明方法的一种硬件结构，并不作为对该发明保护范围的任何限定。
以上仅是本发明的优选实施例，并非对本发明作任何形式上的限制。虽然本发明已以优选实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围的情况下，都可利用上述揭示的技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (5)

1.一种基于KNN算法的毫米波雷达室内人员检测方法，其特征在于，包括以下步骤：
步骤1，设置样本数据对KNN分类器进行训练，得到K值，其中K为正整数；
步骤2，对毫米波雷达回波信号进行ADC数据采集，得到采样数据；
步骤3，对所述采样数据进行FFT处理，得到CFAR点云数据；
步骤4，对所述点云数据进行聚类与轨迹跟踪；
步骤5，提取点云数据聚类后得到的点云特征，提取轨迹跟踪后得到的轨迹跟踪特征，输出目标特征向量；
步骤6，将所述目标特征向量输入至步骤1中训练的KNN分类器中，利用步骤1中得到的K值进行预测，得到初步预测结果；
步骤7，将所述初步预测结果输入至后处理器中，得到最终分类结果；
所述步骤7中将所述初步预测结果输入至后处理器中，得到最终分类结果的步骤为：
步骤71，将所述初步预测结果输入至后处理器中，并将初步预测结果进行帧数累积，设定HC为判定为人的帧数，NC为判定为非人目标的帧数；当前帧目标为人时，HC+1，NC-1；目标为非人时则HC-1，NC+1；
步骤72，计算目标的独立性，独立性由目标间的距离最小值u来表征，
Figure DEST_PATH_IMAGE001
设定阈值为
Figure 187651DEST_PATH_IMAGE002
，当
Figure DEST_PATH_IMAGE003
时，该目标与其他目标相关联，为非独立目标，当前帧该目标的预测结果不进行更新；
步骤73，计算目标与对应轨迹起始点间的距离dm，设定阈值为D，当
Figure 101380DEST_PATH_IMAGE004
时，强制判定目标为人；
步骤74，得到目标的进一步预测结果，并对该结果进行滑窗判定，
Figure DEST_PATH_IMAGE005
时，目标判断为非人，
Figure 173242DEST_PATH_IMAGE006
时，目标判定为人；
步骤75，输出最终分类结果。
2.根据权利要求1所述的基于KNN算法的毫米波雷达室内人员检测方法，其特征在于，所述步骤1中设置样本数据对KNN分类器进行训练，得到K值的步骤包括：
步骤11，按照N：1的比例将样本分为训练样本与标签样本；所述样本标签分为两类，人和非人运动物体，其中N为正整数；
步骤12，从K值为1开始对KNN分类器进行训练，并逐渐增加K值，直到K值为样本总数；
步骤13，选取训练结果误差最小的K值为预测用的K值。
3.根据权利要求2所述的基于KNN算法的毫米波雷达室内人员检测方法，其特征在于，所述步骤５中提取点云数据聚类后得到的点云特征，提取轨迹跟踪后得到的轨迹跟踪特征，输出目标特征向量的步骤包括：
步骤51，提取所述点云特征，包括点云的距离-方位维质心，点云内点到质心的最大与最小距离，点云的多普勒能量上下包络特征和点云的距离-多普勒维度质心；
步骤52，基于卡尔曼滤波的输出，得到所述轨迹跟踪特征，包括轨迹速度v、加速度a、卡尔曼滤波预测协方差矩阵EC和增益g；
步骤53，输出目标特征向量，所述目标特征向量包含所述点云特征和所述轨迹跟踪特征。
4.根据权利要求3所述的基于KNN算法的毫米波雷达室内人员检测方法，其特征在于，所述步骤51中的点云特征分别为：
所述点云的距离-方位维质心表征点云的空间方位，其坐标表示为：
Figure DEST_PATH_IMAGE007
；
其中xi表示第i个点的x坐标，yi表示第i个点的y坐标，n表示点云的数量；
所述点云内点到质心的最大与最小距离表征点云的大小范围，所述点云内点到质心的最大距离为：
Figure 252931DEST_PATH_IMAGE008
；
所述点云内点到质心的最小距离为：
Figure DEST_PATH_IMAGE009
；
所述点云的多普勒能量上包络特征为：
Figure 260201DEST_PATH_IMAGE010
；
所述点云的多普勒能量下包络特征为：
Figure DEST_PATH_IMAGE011
；
其中
Figure 661227DEST_PATH_IMAGE012
是目标点的多普勒能量，表征点云的速度范围，dmax表示点云多普勒能量的最大值，dmin表示点云多普勒能量的最小值，n表示点云的数量；
所述点云的距离-多普勒维度质心表征点云的中心速度，表示为：
Figure DEST_PATH_IMAGE013
；
其中，rc表示点云质心的距离，dc表示点云质心的速度，ri表示点的距离，di是目标点的多普勒能量，表征点云的速度范围，n表示点云的数量。
5.根据权利要求3所述的基于KNN算法的毫米波雷达室内人员检测方法，其特征在于，所述步骤6中将所述目标特征向量输入至步骤1中训练的KNN分类器中，利用步骤1中得到的K值进行预测，得到初步预测结果的步骤为：
步骤61，计算所述步骤53中输出的目标特征向量与样本库向量之间的马氏距离，
Figure 677724DEST_PATH_IMAGE014
其中，A、B分别为特征向量和样本库向量，
Figure DEST_PATH_IMAGE015
为向量A、B的协方差矩阵，向量A的第i个元素与向量B的第j个元素之间的协方差为
Figure 346341DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
为元素
Figure 55671DEST_PATH_IMAGE018
的期望，μi为特征向量内第i个特征的均值；
步骤62，根据所述步骤1中得到的K值选取马氏距离最近的K个样本，并对样本标签数量进行统计；
步骤63，将统计得到的数量最多的样本标签作为分类的初步预测结果。
CN202110629713.4A 2021-06-07 2021-06-07 一种基于knn算法的毫米波雷达室内人员检测方法 Active CN113093170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110629713.4A CN113093170B (zh) 2021-06-07 2021-06-07 一种基于knn算法的毫米波雷达室内人员检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110629713.4A CN113093170B (zh) 2021-06-07 2021-06-07 一种基于knn算法的毫米波雷达室内人员检测方法

Publications (2)

Publication Number Publication Date
CN113093170A CN113093170A (zh) 2021-07-09
CN113093170B true CN113093170B (zh) 2021-08-13

Family

ID=76666113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110629713.4A Active CN113093170B (zh) 2021-06-07 2021-06-07 一种基于knn算法的毫米波雷达室内人员检测方法

Country Status (1)

Country Link
CN (1) CN113093170B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537035A (zh) * 2021-07-12 2021-10-22 宁波溪棠信息科技有限公司 人体目标检测方法、装置、电子装置和存储介质
CN113759357B (zh) * 2021-09-07 2023-11-21 四川启睿克科技有限公司 一种智慧家庭中精确定位人员位置的方法及系统
CN113723365B (zh) * 2021-09-29 2024-05-14 西安电子科技大学 基于毫米波雷达点云数据的目标特征提取及分类方法
CN113985393B (zh) * 2021-10-25 2024-04-16 南京慧尔视智能科技有限公司 一种目标检测方法、装置及系统
CN114241015B (zh) * 2022-02-28 2022-05-13 长沙莫之比智能科技有限公司 一种基于毫米波雷达的进出人数计数方法和装置
CN114742117B (zh) * 2022-06-13 2022-09-09 长沙莫之比智能科技有限公司 复杂室内场景下毫米波雷达的人体生命体征检测方法
CN115345908B (zh) * 2022-10-18 2023-03-07 四川启睿克科技有限公司 一种基于毫米波雷达的人体姿态识别方法
CN117368876B (zh) * 2023-10-18 2024-03-29 广州易而达科技股份有限公司 一种人体检测方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107389071A (zh) * 2017-08-02 2017-11-24 电子科技大学 一种改进的室内定位knn方法
CN108388850A (zh) * 2018-02-08 2018-08-10 天津大学 一种基于k最近邻及微多普勒特征的人体动作识别方法
CN109901130A (zh) * 2019-03-15 2019-06-18 桂林电子科技大学 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法
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
DE102018222195A1 (de) * 2018-12-18 2020-06-18 Robert Bosch Gmbh Ortung und/oder KIassifikation von Objekten aus Radardaten mit maschinellem Lernen
CN112859063A (zh) * 2021-01-13 2021-05-28 路晟悠拜(重庆)科技有限公司 基于毫米波的多人体目标识别及计数方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107389071A (zh) * 2017-08-02 2017-11-24 电子科技大学 一种改进的室内定位knn方法
CN108388850A (zh) * 2018-02-08 2018-08-10 天津大学 一种基于k最近邻及微多普勒特征的人体动作识别方法
DE102018222195A1 (de) * 2018-12-18 2020-06-18 Robert Bosch Gmbh Ortung und/oder KIassifikation von Objekten aus Radardaten mit maschinellem Lernen
CN109901130A (zh) * 2019-03-15 2019-06-18 桂林电子科技大学 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法
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
CN112859063A (zh) * 2021-01-13 2021-05-28 路晟悠拜(重庆)科技有限公司 基于毫米波的多人体目标识别及计数方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于毫米波雷达的多目标检测与跟踪技术研究;王瑞昕;《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》;20200215;第I,5-6，45-46，49-50，54-55,58-61，75页 *

Also Published As

Publication number Publication date
CN113093170A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN113093170B (zh) 一种基于knn算法的毫米波雷达室内人员检测方法
CN114859339B (zh) 一种基于毫米波雷达的多目标跟踪方法
CN111650582B (zh) 一种基于mimo毫米波雷达的手势识别方法
WO2022141914A1 (zh) 一种基于雷视融合的多目标车辆检测及重识别方法
US11126885B2 (en) Character recognition in air-writing based on network of radars
CN112946630B (zh) 一种基于毫米波雷达的人员计数跟踪方法
CN110456320B (zh) 一种基于自由空间步态时序特征的超宽带雷达身份识别方法
CN111708021B (zh) 一种基于毫米波雷达的人员跟踪与识别算法
CN113050797A (zh) 一种通过毫米波雷达实现手势识别的方法
Chen et al. Classification of UAV and bird target in low-altitude airspace with surveillance radar data
CN112881993B (zh) 自动识别雷达分布杂波引起虚假航迹的方法
CN113156417B (zh) 反无人机探测系统、方法和雷达设备
CN113777600A (zh) 一种多毫米波雷达协同定位跟踪方法
CN112859033A (zh) 目标探测的方法、装置及相关设备
CN113537417B (zh) 基于雷达的目标识别方法、装置、电子设备及存储介质
CN112782664A (zh) 一种基于毫米波雷达的卫生间跌倒检测方法
CN113064483A (zh) 一种手势识别方法以及相关装置
CN113687429B (zh) 一种确定毫米波雷达监测区域边界的装置及方法
EP4264319A1 (en) Radar detection and tracking
CN110764083A (zh) 毫米波雷达防入侵的数据融合方法及系统
CN114994656A (zh) 一种基于毫米波雷达的室内人员跟踪方法
Wang et al. A survey of hand gesture recognition based on FMCW radar
Ehrman et al. Automated target recognition using passive radar and coordinated flight models
CN113064489A (zh) 一种基于L1-Norm的毫米波雷达手势识别方法
CN113591695A (zh) 一种基于毫米波雷达点云的行人重识别方法及装置

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