CN113189575B - 一种用于烟雾场景下人员定位的探测方法和装置 - Google Patents

一种用于烟雾场景下人员定位的探测方法和装置 Download PDF

Info

Publication number
CN113189575B
CN113189575B CN202110741192.1A CN202110741192A CN113189575B CN 113189575 B CN113189575 B CN 113189575B CN 202110741192 A CN202110741192 A CN 202110741192A CN 113189575 B CN113189575 B CN 113189575B
Authority
CN
China
Prior art keywords
point cloud
distance
target
kcenter
millimeter wave
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
CN202110741192.1A
Other languages
English (en)
Other versions
CN113189575A (zh
Inventor
刘军辉
章锡阳
唐德琴
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 CN202110741192.1A priority Critical patent/CN113189575B/zh
Publication of CN113189575A publication Critical patent/CN113189575A/zh
Application granted granted Critical
Publication of CN113189575B publication Critical patent/CN113189575B/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
    • G01S13/06—Systems determining position data of a target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • 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
    • G06F18/23—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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G01N15/075—Investigating concentration of particle suspensions by optical means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Toxicology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Dispersion Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种用于烟雾场景下人员定位的探测方法和装置，所述装置包括微处理器、烟雾传感器、毫米波雷达、NB‑IoT模块和电源模块；所述方法为：毫米波雷达将回波信号与发射信号混频后得到差拍中频信号；ADC对所述差拍中频信号进行采样得到回波采样序列；并通过依次进行的距离处理，静态杂波滤除，CAPON波束形成，CFAR目标检测，速度估计，得到距离方位图和检测点云集；对点云集进行群跟踪，获取目标的位置及运动轨迹，并对目标做微动识别，输出探测结果。本发明将毫米波雷达与烟雾传感器集成，提升毫米波雷达的普及性；同时利用毫米波雷达精度高，抗干扰的特点可以在烟雾场景下快速定位被困人员位置，节省救援时间。

Description

一种用于烟雾场景下人员定位的探测方法和装置
技术领域
本发明属于雷达技术领域，尤其是涉及一种用于烟雾场景下人员定位的探测方法和装置。
背景技术
烟雾场景非常复杂，伴随着浓烟、高温，大多数传感器会在该场景下失效。烟感报警器就是感知烟雾的火灾探测报警器，当有火情发生时，烟感报警器的探头能够探测到火灾时产生的大量烟雾，从而发出报警信号。但传统的烟雾传感器只能检测烟雾，无法识别和定位烟雾中被困人群，如何在火灾发生后的烟雾场景下快速定位和追踪被困人员成为关注的焦点。
传统的定位技术有：
1.激光雷达技术
激光雷达发射激光束，通过反射信号与发送信号进行比较获得目标的位置和速度。该技术的优点为结构简单，精度度高，测量距离远，响应速度快；缺点为易受天气及环境的影响，尤其是强光的影响；
2.超声波雷达技术
超声波在空气中传播，通过发射信号与接收信号的时间差，可以定位目标的位置。该技术的优点为超声波指向性强、能耗低并且在某些介质中传输距离远；缺点为测距近，精度低，测量复杂，需对准目标，易受环境影响；
3.视觉镜头技术
视觉镜头技术通常是采用摄像头对区域进行检测。该技术的优点为分辨高；缺点为受环境影响非常大；
发明内容
针对上述现有技术在烟雾环境下不能准确定位被困人员的问题，本发明提供一种用于烟雾场景下人员定位的探测方法和装置。一种用于烟雾场景下人员定位的探测方法，包括以下步骤：
步骤1，获取无人员场景的静态距离方位图RAstatic并记录在雷达的FLASH区域；
步骤2，获取实时的距离方位图RA和检测点云集pointclouds；
步骤3，对所述点云集pointclouds进行群跟踪，获取目标Tk的位置，其中k为正整数；
步骤4，按照所述目标Tk的位置，找到所述距离方位图RA对应位置上的单元格x，并以所述单元格x为中心累计周围r*r范围内能量和Sum(P)，其中r为正整数；
按照所述目标Tk的位置，找到所述静态距离方位图RAstatic对应位置上的单元格y，并以所述单元格y为中心累计周围r*r范围内能量和Sum(Pstatic)，其中r为正整数；
步骤5，对比Sum(P)与Sum(Pstatic)，得到所述目标的位置上的人员探测结果。
作为该方法的进一步改进：
更进一步的，所述步骤1中获取无人员场景的静态距离方位图RAstatic的方法为，在第一次启动雷达时进行毫米波雷达探测并执行以下步骤：
步骤11，毫米波雷达通过多发多收天线向监控区域发射毫米波段射频信号，同时接收经由监控区域内反射点散射的回波信号，所述回波信号经过与发射信号混频后得到差拍中频信号ri(t)；其中，i=1,2,...,I，表示接收通道索引；I表示虚拟天线通道数；t表示时间；
步骤12，毫米波雷达中的模数转换器ADC对所述差拍中频信号ri(t)进行采样，得到回波采样序列ri[l]；其中，l=1,2,...,L，表示时域采用样索引，L表示时域采样点数；
步骤13，对所述回波采样序列ri[l]进行一维快速傅里叶变换，得到多通道的一维距离像Ri[k]=1DFFT{ri[l]}；其中，k=1,2,...,L，表示距离单元索引；L表示时域采样点数；
步骤14，在一帧中发送N个调频连续波，即Chirp序列，并重复步骤13，得到多chirp通道一维距离像矩阵Rik,m={Ri[k,m]},其中，k=1,2,...,L，表示距离单元索引，L表示时域采样点数；m=1,2,...,N，表示Chirp序列；
步骤15，将所述Rik,m的每个距离上减去其所在chirp通道上的平均能量值，保存并输出Rik,m ’；
步骤16，所述Rik,m ’包含L个距离单元，对每个距离单元上的向量采用CAPON波束形成算法，输出静态距离-方位图RAstatic。
更进一步的，所述步骤2中，获取实时的距离方位图RA的方法为实时进行毫米波雷达探测并执行以下步骤：
步骤21，毫米波雷达通过多发多收天线向监控区域发射毫米波段射频信号，同时接收经由监控区域内反射点散射的回波信号，所述回波信号经过与发射信号混频后得到差拍中频信号si(t)；其中，i=1,2,...,I，表示接收通道索引；I表示虚拟天线通道数；t表示时间；
步骤22，毫米波雷达中的模数转换器ADC对所述差拍中频信号si(t)进行采样，得到回波采样序列si[l]；其中，l=1,2,...,L，表示时域采用样索引，L表示时域采样点数；
步骤23，对所述回波采样序列si[l]进行一维快速傅里叶变换，得到多通道的一维距离像Si[k]=1DFFT{si[l]}；其中，k=1,2,...,L，表示距离单元索引；L表示时域采样点数；
步骤24，在一帧中发送N个调频连续波，即Chirp序列，并重复步骤23，得到多chirp通道一维距离像矩阵Sik,m={Si[k,m]},其中，k=1,2,...,L，表示距离单元索引，L表示时域采样点数；m=1,2,...,N，表示Chirp序列；
步骤25，将所述Sik,m的每个距离上减去其所在chirp通道上的平均能量值，保存并输出Sik,m ’；
步骤26，所述Sik,m ’包含L个距离单元，对每个距离单元上的向量采用CAPON波束形成算法，输出距离方位图RA。
更进一步的，所述步骤2中，获取检测点云集pointclouds的方法包括以下步骤：
步骤27，对所述距离方位图RA在距离维和方位维做二维恒虚警检测，获取有效点云i的目标位置，所述点云i的目标位置包括距离Ri和角度θi；
步骤28，确定点云i的目标位置所在的距离单元，在所述Sik,m上找到与点云i的目标位置所在的距离单元对应的距离单元，对该距离单元的所有chirp通道做多普勒维FFT，获取所述点云i的目标位置的点云速度Vi；
步骤29，获取检测点云集pointclouds={P0，P1……,Pn-1}；其中，n为点云数量，Pi=[Ri，Vi，θi，SNRi]，Ri为点云i的到雷达的距离，Vi为点云i与雷达的相对径向速度，θi为点云i与雷达的夹角，SNRi为该点云的信噪比。
更进一步的，所述步骤3中群跟踪包括以下步骤：
步骤31，对所述点云集pointclouds进行聚类，输出聚类目标集T={T1...Tk...Tw}，其中每个目标Tk包含唯一的目标标签；
步骤32，采用扩展卡尔曼跟踪算法对所述聚类目标集T={T1...Tk...Tw}中的每个目标Tk进行预测和更新，实时获取目标Tk的位置；所述目标Tk的位置包括距离R和角度θ，即Tk={Rm，θj}；其中，m表示距离维上的第m个距离单元；j指角度维上第j个角度单元。
更进一步的，所述步骤31中对所述点云集pointclouds进行聚类的方法包括以下步骤：
步骤311，从点云集pointclouds中选取第一个未被标记的点，记为Pc，并将Pc作为待聚类目标Tk的中心Tkcenter，所述Tkcenter=[Rkcenter,Vkcenter,θkcenter]=[Rc，Vc，θc]，其中c={0,1,2,...，n-1}；
步骤312，Tkcenter与点云集中未被标记的点云Pi（i={0,1,2,.....，n-1}）逐次比较，
若满足条件：
|Rkcenter*Rkcenter+Ri*Ri-2Rkcenter*Ri*cos(θkcenter-θi)|<阈值a；
|Vkcenter-Vi|<阈值b；
其中a为可设置阈值，b为可设置阈值；
则更新Tkcenter为：
Tkcenter=[Rkcenter,Vkcenter,θkcenter]=[(Rkcenter+Ri)/2,(Vkcenter+Vi)/2,(θkcenter+θi)/2]；
并标记点云Pi为已遍历状态，标记点云Pi的标签与待聚类目标Tk的目标标签一致，将点云Pi保存至待聚类目标Tk的集合中，则Tk={ Pe,...,Pi,...},其中e为小于i的正整数；
继续比较更新后的Tkcenter与点云集中下一个未被标记的点云Pi+n，其中n为任意正整数；
若不满足条件，则不更新Tkcenter，继续比较Tkcenter与下一个未被标记的点云Pi+n，其中n为任意正整数；
步骤313，判断待聚类目标Tk中包含的点云情况，若点云个数大于预设的最小点云个数阈值Pnum，且点云信噪比之和SNRsum大于预设能量阈值，则判断TK为有效聚类目标并保存至聚类目标集T，否则将TK从T中删除；
步骤314，重复上述步骤得到并输出聚类目标集T={T1...Tk...Tw}。
更进一步的，所述步骤4中，r=3，以单元格x为中心累计周围3*3范围内能量和的Sum(P)表示为：
Sum(P)=Sum(Rm-1Aj-1+Rm-1Aj+Rm-1Aj+1+RmAj-1+RmAj+RmAj+1+Rm+1Aj-1+Rm+1Aj+1+Rm+1Aj)
其中，其中单元格x的坐标表示为（m,j），m表示距离维上的第m个距离单元；j指角度维上第j个角度单元，RmAj表示当前时刻距离方位图RA上坐标为（m,j）的单元格的SNR值。
更进一步的，所述阈值a=0.5。
更进一步的，所述阈值b=1。
更进一步的，一种用于烟雾场景下人员定位的探测装置，包括：微处理器、烟雾传感器、毫米波雷达、NB-IoT模块和电源模块；其中，所述微处理器通过串口分别与所述烟雾传感器、所述毫米波雷达及所述NB-IoT模块连接；所述电源模块与所述微处理器连接；
所述微处理器为中心控制部件，用于接收毫米波雷达和烟雾传感器的信号，并将接收到的信号处理后通过NB-IoT模块发送到终端客户；
所述烟雾传感器发射和接收红外光束，并将接收到的经烟尘散射且发生强弱变化的红外光束转化为点信号，生成报警信号；所述报警信号通过串口传输到微处理器；
所述毫米波雷达对视场内人员情况进行探测并将结果通过串口传输至微处理器；
所述NB-IoT模块用于微处理器与终端客户间的通信；
所述电源模块为微处理提供动力支持。
相对于现有技术，该发明的有益效果如下：
1.将毫米波雷达集成在烟雾报警器中，依托建筑物消防验收中对烟雾报警器的安装要求，增加了毫米波雷达安装的普及性，同时保证安装方位可以较好的收发信号。
2.将毫米波雷达集成在烟雾报警器中，与两个装置分别安装相比，提高了安装的便捷性。
3.将毫米波雷达集成在烟雾报警器中，仅当烟雾报警器报警时触发毫米波雷达工作，减少了雷达的工作频次，提高了使用寿命。
4.依托毫米波雷达在烟雾场景下的稳定性，保证在火场浓烟高温的环境中雷达可以正常运行，为救援提供信息支持。
5.毫米波雷达在探测过程中无需成像，保护了视场内的人员隐私。
6.对毫米波雷达点云进行群跟踪处理，可以精准快速的跟踪定位被困人员。
7.对微动或静止人员做背景能量对比校准，可以进一步确定该位置是否存在活体。
附图说明
图1为本发明探测装置的系统框图；
图2为本发明探测方法的流程图；
图3为本发明探测方法中根据目标的位置信息定位目标单元的示意图；
图4为本发明探测方法实施例中利用背景对比定位场内人员的流程图。
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。
如图1所示，本实施例提供一种用于烟雾场景下人员定位的探测装置，包括：微处理器、烟雾传感器、毫米波雷达、NB-IoT模块和电源模块；其中，微处理器通过串口分别与烟雾传感器、毫米波雷达及NB-IoT模块连接；电源模块与微处理器连接；微处理器为中心控制部件，用于接收毫米波雷达和烟雾传感器的信号，并将接收到的信号处理后通过NB-IoT模块发送到终端客户；烟雾传感器发射和接收红外光束，并将接收到的经烟尘散射且发生强弱变化的红外光束转化为点信号，生成报警信号；所述报警信号通过串口传输到微处理器；微处理器对所述报警信号报警信号进行判断，认为必要时，微处理器发送启动信号给毫米波雷达，毫米波雷达对视场内人员情况进行探测并将结果通过串口传输至微处理器；NB-IoT模块用于微处理器与终端客户间的通信；电源模块为微处理提供动力支持。
本实施例中将毫米波雷达集成在烟雾报警器中，依托建筑物消防验收中对烟雾报警器的安装要求，增加了毫米波雷达安装的普及性，保证安装方位可以较好的收发信号。同时，与两个装置分别安装相比，提高了安装的便捷性。与传统的视觉镜头技术相比，毫米波雷达在探测过程中无需成像，保护了视场内的人员隐私。
该实施例中，将毫米波雷达集成在烟雾报警器中，仅当烟雾报警器报警时触发毫米波雷达工作，减少了雷达的收发和处理信号的工作量，提高了使用寿命。同时，依托毫米波雷达在烟雾场景下的稳定性，保证在火场浓烟高温的环境中雷达可以正常运行，为救援提供信息支持。
如图2所示，本实施例提供一种用于烟雾场景下人员定位的探测方法，应用于用于烟雾场景下人员定位的探测装置中，包括以下步骤：
步骤1，获取无人员场景的静态距离方位图RAstatic并记录在雷达的FLASH区域；
示例性的，在第一次启动雷达时或者在视场内没有人员时，毫米波雷达通过以下步骤得到静态距离方位图RAstatic:
步骤11，毫米波雷达通过多发多收天线向监控区域发射毫米波段射频信号，同时接收经由监控区域内反射点散射的回波信号，所述回波信号经过与发射信号混频后得到差拍中频信号ri(t)；其中，i=1,2,...,I，表示接收通道索引；I表示虚拟天线通道数；t表示时间；
步骤12，毫米波雷达中的模数转换器ADC对所述差拍中频信号ri(t)进行采样，得到回波采样序列ri[l]；其中，l=1,2,...,L，表示时域采用样索引，L表示时域采样点数；
步骤13，对所述回波采样序列ri[l]进行一维快速傅里叶变换，得到多通道的一维距离像Ri[k]=1DFFT{ri[l]}；其中，k=1,2,...,L，表示距离单元索引；L表示时域采样点数；
步骤14，在一帧中发送N个调频连续波，即Chirp序列，并重复步骤13，得到多chirp通道一维距离像矩阵Rik,m={Ri[k,m]},其中，k=1,2,...,L，表示距离单元索引，L表示时域采样点数；m=1,2,...,N，表示Chirp序列；
步骤15，将所述Rik,m的每个距离上减去其所在chirp通道上的平均能量值，保存并输出Rik,m ’；
步骤16，对所述Rik,m ’包含L个距离单元，对每个距离单元上的向量采用CAPON波束形成算法，输出静态距离-方位图RAstatic。
步骤2，获取实时的距离方位图RA和检测点云集pointclouds；
在实时场景下，毫米波雷达通过与得到静态距离方位图RAstatic相同的步骤得到实时场景下的距离方位图RA。由于场景不同，静态距离-方位图RAstatic与距离方位图RA区别的点即为需要做进一步判断的点。通过对距离方位图RA做如下处理得到检测点云集pointclouds，检测点云集pointclouds为获取目标Tk位置的基础。
步骤27，对所述距离方位图RA在距离维和方位维做二维恒虚警检测，获取有效点云i的目标位置，所述点云i的目标位置包括距离Ri和角度θi；
步骤28，确定点云i的目标位置所在的距离单元，在所述Sik,m上找到与点云i的目标位置所在的距离单元对应的距离单元，对该距离单元的所有chirp通道做多普勒维FFT，获取所述点云i的目标位置的点云速度Vi；
步骤29，获取检测点云集pointclouds={P0，P1……,Pn-1}；其中，n为点云数量，Pi=[Ri，Vi，θi，SNRi]，Ri为点云i的到雷达的距离，Vi为点云i与雷达的相对径向速度，θi为点云i与雷达的夹角，SNRi为该点云的信噪比。
步骤3，对所述点云集pointclouds进行群跟踪，获取目标Tk的位置，其中k为正整数；
其中群跟踪包括以下步骤：
步骤31，对所述点云集pointclouds进行聚类，输出聚类目标集T={T1...Tk...Tw}，其中每个目标Tk包含唯一的目标标签；所述聚类的方法为：
步骤311，从点云集pointclouds中选取第一个未被标记的点，记为Pc，其中c={0,1,2......，n-1}，并将Pc作为待聚类目标Tk的中心Tkcenter，所述Tkcenter=[Rkcenter,Vkcenter,θkcenter]=[Rc，Vc，θc]；
步骤312，Tkcenter与点云集中未被标记的点云Pi（i={0,1,2......，n-1}）逐次比较，
若满足条件：
|Rkcenter*Rkcenter+Ri*Ri-2Rkcenter*Ri*cos(θkcenter-θi)|<阈值a；
|Vkcenter-Vi|<阈值b；
则更新Tkcenter为：
Tkcenter=[Rkcenter,Vkcenter,θkcenter]=[(Rkcenter+Ri)/2,(Vkcenter+Vi)/2,(θkcenter+θi)/2]；
并标记点云Pi为已遍历状态，标记点云Pi的标签与待聚类目标Tk的目标标签一致，将点云Pi保存至待聚类目标Tk的集合中，则Tk={...,Pi,...}；
继续比较更新后的Tkcenter与点云集中下一个未被标记的点云Pi+n，其中n为任意正整数；
若不满足条件，则不更新Tkcenter，继续比较Tkcenter与下一个未被标记的点云Pi+n，其中n为任意正整数；示例性的，根阈值a=0.5，阈值b=1。
示例性的，当T=1时，首先，从点云集pointclouds中选取第一个点，记为P0，并将P0作为待聚类目标T1的中心T1center，所述T1center=[R1center,V1center,θ1center]=[R0，V0，θ0]；
T1center与点云集中的点云P1比较，
若满足条件：
|R1center*R1center+R1*R1-2R1center*R1*cos(θ1center-θ1)|<0.5；
|V1center-V1|<阈值1；
则更新T1center为：
T1center=[R1center,V1center,θ1center]=[(R1center+R1)/2,(V1center+Vi)/2,(θ1center+θ1)/2]；
并标记点云P1为已遍历状态，标记点云P1的标签与待聚类目标T1的目标标签一致，将点云P1保存至待聚类目标T1的集合中。因P0为第一个计入运算的点，标记点云P0为已遍历状态，标记点云P0的标签与待聚类目标T1的目标标签一致，将点云P0保存至待聚类目标T1的集合中T1={P0,P1,...}；
继续比较更新后的T1center与点云P2；更新后的T1center与点云P2若满足条件：
|R1center*R1center+R2*R2-2R1center*R2*cos(θ1center-θ2)|<0.5；
|V1center-V2|<阈值1；
则继续更新T1center为：
T1center=[R1center,V1center,θ1center]=[(R1center+R2)/2,(V1center+V2)/2,(θ1center+θ2)/2]；
并标记点云P2为已遍历状态，标记点云P2的标签与待聚类目标T1的目标标签一致，将点云P2保存至待聚类目标T1的集合中，T1={P0,P1,P2...}；。
若不满足条件，则不更新T1center,继续比较T1center与点云P3；此时T1={P0,P1,...}。
T1center遍历点云集中的点云Pi后，示例性的，得到，T1={P0,P1,P5,P8,P11，...}。
则，当T=2时，首先，从点云集pointclouds中选取第一个点未被标记的点P2，并将P2作为待聚类目标T2的中心T2center，所述T2center=[R2center,V2center,θ2center]=[R2，V2，θ2]，并将T2center与点云集中的仍未被标记的点云Pi（i={3,4,6,7,9,10,...}）逐次比较。
重复步骤，得到聚类目标集T={T1...Tk...Tw}，示例性的，
T1={P0,P1,P5,P8,P11,P15}；
T2={P2,P4,P7,P12}；
T3={P3,P6,P9,P10,P13,P14}；
步骤313，判断待聚类目标Tk中包含的点云情况，若点云个数大于预设的最小点云个数阈值Pnum，且点云信噪比之和SNRsum大于预设能量阈值，则判断TK为有效聚类目标并保存至聚类目标集T，否则将TK从T中删除；
步骤314，重复上述步骤得到并输出聚类目标集T={T1...Tk...Tw}。
示例性的，待聚类目标T1={P0,P1,P5,P8,P11,P15}，T3={P3,P6,P9,P10,P13,P14}中点云个数大于预设的最小点云个数阈值Pnum，且点云信噪比之和SNRsum大于预设能量阈值，则T1和T3为有效聚类目标并保存至聚类目标集T中，T2不满足点云个数大于预设的最小点云个数阈值Pnum，或不满足且点云信噪比之和SNRsum大于预设能量阈值，则从T中删除。
输出的聚类目标集T={T1,T3}。
步骤32，采用扩展卡尔曼跟踪算法对所述聚类目标集T={T1,...,Tk,...,Tw}中的每个目标Tk进行预测和更新，实时获取目标Tk的位置；所述目标Tk的位置包括距离R和角度θ，即Tk={Rm，θj}；其中，m表示距离维上的第m个距离单元；j指角度维上第j个角度单元。
步骤4，按照所述目标Tk的位置，找到所述距离方位图RA对应位置上的单元格x，并以所述单元格x为中心累计周围r*r范围内能量和Sum(P)，其中r为正整数；
按照所述目标Tk的位置，找到所述静态距离方位图RAstatic对应位置上的单元格y，并以所述单元格y为中心累计周围r*r范围内能量和Sum(Pstatic)，其中r为正整数；
示例性的，如图3所示，当r=3，以单元格x为中心累计周围3*3范围内能量和的Sum(P)表示为：
Sum(P)=Sum(Rm-1Aj-1+Rm-1Aj+Rm-1Aj+1+RmAj-1+RmAj+RmAj+1+Rm+1Aj-1+Rm+1Aj+1+Rm+1Aj)
其中，其中单元格x的坐标表示为（m,j），m表示距离维上的第m个距离单元；j指角度维上第j个角度单元，RmAj表示当前时刻距离方位图RA上坐标为（m,j）的单元格的SNR值。
步骤5，对比Sum(P)与Sum(Pstatic)，得到所述目标的位置上的人员探测结果。
示例性的，如图4所示，在连续10帧在该位置上，Sum(P)＞Sum(Pstatic)；则判断该位置上存在生命活体。确定场景中存在人员目标，继而雷达通过串口将目标位置发送给微处理器，微处理器再将目标位置信息通过NB-IOT模块发送给后台供搜救人员定位被困人员；
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 (10)

1.一种用于烟雾场景下人员定位的探测方法，其特征在于，包括以下步骤：
步骤1，获取无人员场景的静态距离方位图RAstatic并记录在雷达的FLASH区域；
步骤2，获取实时的距离方位图RA和检测点云集pointclouds；
步骤3，对所述点云集pointclouds进行群跟踪，获取目标Tk的位置，其中k为正整数；
步骤4，按照所述目标Tk的位置，找到所述距离方位图RA对应位置上的单元格x，并以所述单元格x为中心累计周围r*r范围内能量和Sum(P)，其中r为正整数；
按照所述目标Tk的位置，找到所述静态距离方位图RAstatic对应位置上的单元格y，并以所述单元格y为中心累计周围r*r范围内能量和Sum(Pstatic)，其中r为正整数；
步骤5，对比Sum(P)与Sum(Pstatic)，得到所述目标的位置上的人员探测结果。
2.根据权利要求1所述的用于烟雾场景下人员定位的探测方法，其特征在于，所述步骤1中获取无人员场景的静态距离方位图RAstatic的方法为，在第一次启动雷达时进行毫米波雷达探测并执行以下步骤：
步骤11，毫米波雷达通过多发多收天线向监控区域发射毫米波段射频信号，同时接收经由监控区域内反射点散射的回波信号，所述回波信号经过与发射信号混频后得到差拍中频信号ri(t)；其中，i=1,2,...,I，表示接收通道索引；I表示虚拟天线通道数；t表示时间；
步骤12，毫米波雷达中的模数转换器ADC对所述差拍中频信号ri(t)进行采样，得到回波采样序列ri[l]；其中，l=1,2,...,L，表示时域采用样索引，L表示时域采样点数；
步骤13，对所述回波采样序列ri[l]进行一维快速傅里叶变换，得到多通道的一维距离像Ri[k]=1DFFT{ri[l]}；其中，k=1,2,...,L，表示距离单元索引；L表示时域采样点数；
步骤14，在一帧中发送N个调频连续波，即Chirp序列，并重复步骤13，得到多chirp通道一维距离像矩阵Rik,m={Ri[k,m]},其中，k=1,2,...,L，表示距离单元索引，L表示时域采样点数；m=1,2,...,N，表示Chirp序列；
步骤15，将所述Rik,m的每个距离上减去其所在chirp通道上的平均能量值，保存并输出Rik,m ’；
步骤16，所述Rik,m ’包含L个距离单元，对每个距离单元上的向量采用CAPON波束形成算法，输出静态距离-方位图RAstatic。
3.根据权利要求2所述的用于烟雾场景下人员定位的探测方法，其特征在于，所述步骤2中，获取实时的距离方位图RA的方法为实时进行毫米波雷达探测并执行以下步骤：
步骤21，毫米波雷达通过多发多收天线向监控区域发射毫米波段射频信号，同时接收经由监控区域内反射点散射的回波信号，所述回波信号经过与发射信号混频后得到差拍中频信号si(t)；其中，i=1,2,...,I，表示接收通道索引；I表示虚拟天线通道数；t表示时间；
步骤22，毫米波雷达中的模数转换器ADC对所述差拍中频信号si(t)进行采样，得到回波采样序列si[l]；其中，l=1,2,...,L，表示时域采用样索引，L表示时域采样点数；
步骤23，对所述回波采样序列si[l]进行一维快速傅里叶变换，得到多通道的一维距离像Si[k]=1DFFT{si[l]}；其中，k=1,2,...,L，表示距离单元索引；L表示时域采样点数；
步骤24，在一帧中发送N个调频连续波，即Chirp序列，并重复步骤23，得到多chirp通道一维距离像矩阵Sik,m={Si[k,m]},其中，k=1,2,...,L，表示距离单元索引，L表示时域采样点数；m=1,2,...,N，表示Chirp序列；
步骤25，将所述Sik,m的每个距离上减去其所在chirp通道上的平均能量值，保存并输出Sik,m ’；
步骤26，所述Sik,m ’包含L个距离单元，对每个距离单元上的向量采用CAPON波束形成算法，输出距离方位图RA。
4.根据权利要求3所述的用于烟雾场景下人员定位的探测方法，其特征在于，所述步骤2中，获取检测点云集pointclouds的方法包括以下步骤：
步骤27，对所述距离方位图RA在距离维和方位维做二维恒虚警检测，获取有效点云i的目标位置，所述点云i的目标位置包括距离Ri和角度θi；
步骤28，确定点云i的目标位置所在的距离单元，在所述Sik,m上找到与点云i的目标位置所在的距离单元对应的距离单元，对该距离单元的所有chirp通道做多普勒维FFT，获取所述点云i的目标位置的点云速度Vi；
步骤29，获取检测点云集pointclouds={P0，P1……,Pn-1}；其中，n为点云数量，Pi=[Ri，Vi，θi，SNRi]，Ri为点云i的到雷达的距离，Vi为点云i与雷达的相对径向速度，θi为点云i与雷达的夹角，SNRi为该点云的信噪比。
5.根据权利要求4所述的用于烟雾场景下人员定位的探测方法，其特征在于，所述步骤3中群跟踪包括以下步骤：
步骤31，对所述点云集pointclouds进行聚类，输出聚类目标集T={T1...Tk...Tw}，其中每个目标Tk包含唯一的目标标签；
步骤32，采用扩展卡尔曼跟踪算法对所述聚类目标集T={T1...Tk...Tw}中的每个目标Tk进行预测和更新，实时获取目标Tk的位置；所述目标Tk的位置包括距离R和角度θ，即Tk={Rm，θj}；其中，m表示距离维上的第m个距离单元；j指角度维上第j个角度单元。
6.根据权利要求5所述的用于烟雾场景下人员定位的探测方法，其特征在于，所述步骤31中对所述点云集pointclouds进行聚类的方法包括以下步骤：
步骤311，从点云集pointclouds中选取第一个未被标记的点，记为Pc，并将Pc作为待聚类目标Tk的中心Tkcenter，所述Tkcenter=[Rkcenter,Vkcenter,θkcenter]=[Rc，Vc，θc]，其中c={0,1,2,...，n-1}；
步骤312，Tkcenter与点云集中未被标记的点云Pi（i={0,1，2,.....，n-1}）逐次比较，
若满足条件：
|Rkcenter*Rkcenter+Ri*Ri-2Rkcenter*Ri*cos(θkcenter-θi)|<阈值a；
|Vkcenter-Vi|<阈值b；
其中a为可设置阈值，b为可设置阈值；
则更新Tkcenter为：
Tkcenter=[Rkcenter,Vkcenter,θkcenter]=[(Rkcenter+Ri)/2,(Vkcenter+Vi)/2,(θkcenter+θi)/2]；
并标记点云Pi为已遍历状态，标记点云Pi的标签与待聚类目标Tk的目标标签一致，将点云Pi保存至待聚类目标Tk的集合中，则Tk={ Pe,...,Pi,...},其中e为小于i的正整数；
继续比较更新后的Tkcenter与点云集中下一个未被标记的点云Pi+n，其中n为任意正整数；
若不满足条件，则不更新Tkcenter，继续比较Tkcenter与下一个未被标记的点云Pi+n，其中n为任意正整数；
步骤313，判断待聚类目标Tk中包含的点云情况，若点云个数大于预设的最小点云个数阈值Pnum，且点云信噪比之和SNRsum大于预设能量阈值，则判断TK为有效聚类目标并保存至聚类目标集T，否则将TK从T中删除；
步骤314，重复上述步骤得到并输出聚类目标集T={T1...Tk...Tw}。
7.根据权利要求6中所述的用于烟雾场景下人员定位的探测方法，其特征在于，所述步骤4中，r=3，以单元格x为中心累计周围3*3范围内能量和的Sum(P)表示为：
Sum(P)=Sum(Rm-1Aj-1+Rm-1Aj+Rm-1Aj+1+RmAj-1+RmAj+RmAj+1+Rm+1Aj-1+Rm+1Aj+1+Rm+1Aj)
其中，其中单元格x的坐标表示为（m,j），m表示距离维上的第m个距离单元；j指角度维上第j个角度单元，RmAj表示当前时刻距离方位图RA上坐标为（m,j）的单元格的SNR值。
8.根据权利要求6所述的用于烟雾场景下人员定位的探测方法，其特征在于，所述阈值a=0.5。
9.根据权利要求6所述的用于烟雾场景下人员定位的探测方法，其特征在于，所述阈值b=1。
10.一种应用权利要求1-9中任意一项的用于烟雾场景下人员定位的探测方法的探测装置，其特征在于，包括：微处理器、烟雾传感器、毫米波雷达、NB-IoT模块和电源模块；其中，所述微处理器通过串口分别与所述烟雾传感器、所述毫米波雷达及所述NB-IoT模块连接；所述电源模块与所述微处理器连接；
所述微处理器为中心控制部件，用于接收毫米波雷达和烟雾传感器的信号，并将接收到的信号处理后通过NB-IoT模块发送到终端客户；
所述烟雾传感器发射和接收红外光束，并将接收到的经烟尘散射且发生强弱变化的红外光束转化为点信号，生成报警信号；所述报警信号通过串口传输到微处理器；
所述毫米波雷达对视场内人员情况进行探测并将结果通过串口传输至微处理器；
所述NB-IoT模块用于微处理器与终端客户间的通信；
所述电源模块为微处理提供动力支持。
CN202110741192.1A 2021-07-01 2021-07-01 一种用于烟雾场景下人员定位的探测方法和装置 Active CN113189575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110741192.1A CN113189575B (zh) 2021-07-01 2021-07-01 一种用于烟雾场景下人员定位的探测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110741192.1A CN113189575B (zh) 2021-07-01 2021-07-01 一种用于烟雾场景下人员定位的探测方法和装置

Publications (2)

Publication Number Publication Date
CN113189575A CN113189575A (zh) 2021-07-30
CN113189575B true CN113189575B (zh) 2021-09-10

Family

ID=76976825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110741192.1A Active CN113189575B (zh) 2021-07-01 2021-07-01 一种用于烟雾场景下人员定位的探测方法和装置

Country Status (1)

Country Link
CN (1) CN113189575B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114994672B (zh) * 2022-08-03 2022-10-25 中国人民解放军国防科技大学 毫米波雷达惯性组合的火场烟雾场景定位建图方法与装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9383442B2 (en) * 2014-05-12 2016-07-05 Autoliv Asp, Inc. Radar system and method for determining range, relative velocity and bearing of an object using continuous-wave and chirp signals
US10401479B2 (en) * 2014-05-16 2019-09-03 University Of Ottawa Remote sensing of human breathing at a distance
CN110118966B (zh) * 2019-05-28 2020-10-13 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
CN110192862B (zh) * 2019-05-31 2023-10-31 长沙军民先进技术研究有限公司 一种基于雷达的非接触式人体呼吸检测方法及装置
CN110412516B (zh) * 2019-08-20 2021-05-07 河北德冠隆电子科技有限公司 毫米波雷达对静止物体和缓慢变化物体的检测方法和装置
CN110969855A (zh) * 2019-12-13 2020-04-07 长沙莫之比智能科技有限公司 一种基于毫米波雷达的交通流量监测系统

Also Published As

Publication number Publication date
CN113189575A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN110118966B (zh) 基于毫米波雷达的人员检测与计数系统
US11340332B2 (en) Method and apparatus for processing radar data
CN111289967A (zh) 基于毫米波雷达的人员检测跟踪与计数算法
US10830874B2 (en) Method to determine the suitability of a radar target as a positional landmark
US10175348B2 (en) Use of range-rate measurements in a fusion tracking system via projections
US8134493B2 (en) System and method for precision geolocation utilizing multiple sensing modalities
US9610961B2 (en) Method and device for measuring speed in a vehicle independently of the wheels
CN113189575B (zh) 一种用于烟雾场景下人员定位的探测方法和装置
US6756935B1 (en) Full polarization ground moving target indicator radar automatic target detection algorithm
US20070268182A1 (en) Real-time multistatic radar signal processing system and method
CN113267773B (zh) 一种基于毫米波雷达的室内人员准确检测和精确定位方法
JP3122389B2 (ja) 背景クラッタ中のレーダ目標追跡システム
CN113835074B (zh) 一种基于毫米波雷达的人流量动态监测方法
JP4424272B2 (ja) 空港面監視システムおよびこれに用いる航跡統合装置
CN111474537A (zh) 一种雷达人员监测测量系统及方法
KR20180115034A (ko) 레이더 장치 및 그를 이용한 타겟 식별방법
CN113156417B (zh) 反无人机探测系统、方法和雷达设备
US20040243344A1 (en) Analytical estimation of performance of a sensor system
CN111983595A (zh) 一种室内定位的方法及装置
US11333750B2 (en) Method and system for tracking non-cooperative objects using secondary surveillance radar
JP2004309166A (ja) 目標追尾装置
CN113740855B (zh) 占位识别方法、装置、毫米波雷达及存储介质
CN113848535A (zh) 一种基于跨监督学习的毫米波雷达人员定位方法
CN109934840A (zh) 基于gmphd滤波器的圆周sar运动目标跟踪方法
CN111751796B (zh) 一种基于一维线阵的交通雷达角度测量方法、系统及装置

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