CN113313165B - 一种基于雷达的人数统计方法、装置、设备及存储介质 - Google Patents
一种基于雷达的人数统计方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113313165B CN113313165B CN202110586525.8A CN202110586525A CN113313165B CN 113313165 B CN113313165 B CN 113313165B CN 202110586525 A CN202110586525 A CN 202110586525A CN 113313165 B CN113313165 B CN 113313165B
- Authority
- CN
- China
- Prior art keywords
- radar data
- preset
- model
- radar
- people
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005070 sampling Methods 0.000 claims description 76
- 230000003068 static effect Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013179 statistical model Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 239000004065 semiconductor Substances 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 15
- 230000033001 locomotion Effects 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
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 Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例公开了一种基于雷达的人数统计方法、装置、设备及存储介质。该方法包括：获取第一预设帧数的第一雷达数据以及第二预设帧数的第二雷达数据；其中，第一预设帧数大于第二预设帧数；根据第一雷达数据的第一雷达数据特征和预设判决模型确定人数统计模型的类别；其中人数统计模型的类别包括静止人数统计模型和运动人数统计模型；根据人数统计模型的类别和第二雷达数据的第二雷达数据特征确定人数统计结果。通过运行本发明实施例所提供的技术方案，可以解决现有的人数统计中存在的安全性较低、统计难度较高、精确度较低以及统计成本较高等问题，实现提高人数统计的安全性、准确率以及降低人数统计的难度和成本的效果。
Description
技术领域
本发明实施例涉及计算机技术，尤其涉及一种基于雷达的人数统计方法、装置、设备及存储介质。
背景技术
随着物联网，5G等技术的发展，智能建筑、智能家居、智慧安防等方面也在飞速的发展。对于上述方面，感兴趣区域的人数信息是一类十分重要的基础数据信息。该类信息可应用于人群异常监控，区域安防，公共资源调度等方面。
现有的人数统计在区域式探测方式中存在常见的三类方法。一是基于机器视觉的有关感兴趣区域(Interest of Region,IOR)的人体目标统计方法。该类方法在公共场景下可以得到很好的应用，但是对于一些个人定制的，或是私密空间(起居室，洗手间，会议室等)，或是环境光照有限的，存在目标成像遮挡的情况时，会存在侵犯人身安全以及性能有所下降的问题；二是基于射频识别(Radio Frequency Identification,RFID)以及WiFi的方法。由于射频识别及WiFi的信号系统特性，较难得到目标的物理特征信息，从而增加了基于上述两种系统的人体目标探测难度。三是基于红外的区域人体信息探测，其探测类型主要包括被动探测和主动探测。被动红外探测器(Passive Infrared Detectors,PIR)，在许多场景下被广泛应用，但是其性能受限于其探测原理(基于探测人体红外温度)；主动红外探测以红外热成像为主，基于其的目标探测算法与机器视觉无异，在一定程度上可以保护隐私安全(只呈现轮廓)，但是热成像传感器成本和功耗较高，且易受强光影响。除此之外，所需要的计算和存储资源与基于光学摄像头的方法相差无几，这也一定程度上制约了其在生活应用中的普及。
发明内容
本发明实施例提供一种基于雷达的人数统计方法、装置、设备及存储介质，以实现提高人数统计的安全性、准确率以及降低人数统计的成本。
第一方面，本发明实施例提供了一种基于雷达的人数统计方法，该方法包括：
获取第一预设帧数的第一雷达数据以及第二预设帧数的第二雷达数据；其中，所述第一预设帧数大于所述第二预设帧数；
根据所述第一雷达数据的第一雷达数据特征和预设判决模型确定人数统计模型的类别；其中所述人数统计模型的类别包括静止人数统计模型和运动人数统计模型；
根据所述人数统计模型的类别和所述第二雷达数据的第二雷达数据特征确定人数统计结果。
第二方面，本发明实施例还提供了一种基于雷达的人数统计装置，该装置包括：
雷达数据获取模块，用于获取第一预设帧数的第一雷达数据以及第二预设帧数的第二雷达数据；其中，所述第一预设帧数大于所述第二预设帧数；
判决模型类别确定模块，用于根据所述第一雷达数据的第一雷达数据特征和预设判决模型确定人数统计模型的类别；其中所述人数统计模型的类别包括静止人数统计模型和运动人数统计模型；
人数统计结果确定模块，用于根据所述人数统计模型的类别和所述第二雷达数据的第二雷达数据特征确定人数统计结果。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的基于雷达的人数统计方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的基于雷达的人数统计方法。
本发明实施例通过获取第一预设帧数的第一雷达数据以及第二预设帧数的第二雷达数据；其中，所述第一预设帧数大于所述第二预设帧数；根据所述第一雷达数据的第一雷达数据特征和预设判决模型确定人数统计模型的类别；其中所述人数统计模型的类别包括静止人数统计模型和运动人数统计模型；根据所述人数统计模型的类别和所述第二雷达数据的第二雷达数据特征确定人数统计结果。解决现有的人数统计中存在的安全性较低、统计难度较高、精确度较低以及统计成本较高等问题，实现提高人数统计的安全性、准确率以及降低人数统计的难度和成本的效果。
附图说明
图1为本发明实施例一提供的一种基于雷达的人数统计方法的流程图；
图2为本发明实施例二提供的一种基于雷达的人数统计方法的流程图；
图3为本发明实施例三提供的一种基于雷达的人数统计装置的结构示意图；
图4为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种基于雷达的人数统计方法的流程图，本实施例可适用于通过雷达对室内人数进行统计的情况，该方法可以由本发明实施例所提供的基于雷达的人数统计装置来执行，该装置可以由软件和/或硬件的方式实现。参见图1，本实施例提供的基于雷达的人数统计方法，包括：
步骤110、获取第一预设帧数的第一雷达数据以及第二预设帧数的第二雷达数据；其中，所述第一预设帧数大于所述第二预设帧数。
雷达数据为雷达发出一定频率的脉冲波，若遇到目标则反射回来，经过模数转换等处理以后得到的数据。
获取第一预设帧数的第一雷达数据可以为将陆续获取的雷达数据按顺序存储至矩阵中，由于每一帧雷达数据中包含多个采样点数据，可以将第一雷达数据存储至M行N列的矩阵中，其中，M为第一预设帧数，N为采样点个数，以供后续特征提取步骤进行相应的操作。可选的，由于雷达数据按帧获取，可以当矩阵存储满第一预设帧数后对存储的第一雷达数据进行统一的特征提取操作，以提高特征提取的效率。
获取第二预设帧数的第二雷达数据可以为对陆续获取的第二预设帧数的雷达数据进行处理，其中，第一预设帧数大于第二预设帧数可以为第一预设帧数是第二预设帧数的整数倍，本实施例对此不作限制。由于第一雷达数据与第二雷达数据为同时获取，可以使得第二雷达数据的处理周期小于第一雷达数据。可选的，获取第二预设帧数的第二雷达数据后，可以通过滑动窗口等方法，经过背景减除的第二雷达数据求模，并对雷达数据中采样点对应的值求和取平均，得到的结果作为后续用于人数统计的一维距离像数据。示例性的，第二预设帧数为B，采样点个数为N，则可构成B行N列的矩阵，对矩阵中的每一行求模，对每一列B个结果求平均，最终得到一维距离像数据。
第一雷达数据以及第二雷达数据的获取方式可以为慢时间脉冲积累，本实施例对此不作限制。
可选的，获取第一预设帧数的第一雷达数据以及第二预设帧数的第二雷达数据，包括：对获取的第一雷达数据和/或第二雷达数据进行数据预处理。其中，数据预处理可以为杂波抑制，即利用指数加权平均法等方式更新背景数据，并对采集的每一帧雷达数据进行背景减除，以此来抑制静态目标数据。避免静态目标数据对数据处理产生的影响，提高后续对人数统计的准确性。
步骤120、根据所述第一雷达数据的第一雷达数据特征和预设判决模型确定人数统计模型的类别；其中所述人数统计模型的类别包括静止人数统计模型和运动人数统计模型。
根据第一雷达数据的第一雷达数据特征确定人数统计模型的类别，其中，第一雷达数据特征从第一雷达数据中提取，第一雷达数据特征的特征类型可以预先根据雷达数据与人员的运动状态的关系确定。
预设判决模型用于判断人员当前的运动状态，以便判断雷达数据更适于通过哪种类型的人数统计模型进行后续具体的人数统计。预设判决模型的生成过程可以为预先根据足量的雷达数据对应的人员运动状态生成相应的特征组，并利用特征组和支持向量机等模型生成。
人数统计模型用于根据雷达数据中的指定特征数据确定雷达监测到的人数。静止人数统计模型用于在人员处于静止状态下的人数统计，运动人数统计模型用于在人员处于运动状态下的人数统计。
由于人员运动状态的变化是复杂且随机的，不同的人员运动状态将导致不同的回波模式。现今，基于雷达的人数统计方法往往并未针对人员运动状态，故当回波模式由于人员运动状态多样性而表现得相对复杂时，人数统计方法的性能将会有明显的下降。
步骤130、根据所述人数统计模型的类别和所述第二雷达数据的第二雷达数据特征确定人数统计结果。
根据人数统计模型的类别，将第二雷达数据的第二雷达数据特征提取并输入该类型的人数统计模型中以得到人数统计结果。其中，人数统计结果可以为当前雷达监测区域内的人数总数，例如人员处于静止状态或人员处于运动状态，则可以根据第二雷达数据特征和不同种类的人数统计模型得到人数统计模型的输出结果。
本实施例中，可选的，根据所述人数统计模型的类别和所述第二雷达数据的第二雷达数据特征确定人数统计结果，包括：
确定单帧所述第二雷达数据中数量为第二预设数值的局部最值数据；
获取所述第二雷达数据特征；其中，所述第二雷达数据特征包括所述局部最值数据的幅度信息和位置信息；
根据所述人数统计模型的类别确定预设公式中的公式参数；
根据所述幅度信息、所述位置信息和所述预设公式确定所述人数统计结果。
确定单帧第二雷达数据中数量为第二预设数值的局部最值数据的过程可以为：预先设定局部的尺度，记为Tscale，以左右为Tscale的尺度对待特征提取的一维距离像数据进行第二预设数值个局部最值的获取，将第二预设数值记为Nc。
获取Nc个局部最值处的幅度信息和位置信息，其中，幅度信息可以为局部最值的幅度值，位置信息可以为局部最值处对应的采样点的索引值，不同采样点对应不同的索引值。并按照幅度大小顺序将幅度信息记为[Z1，Z2，Z3，...，ZNc]，将位置信息记为[D1，D2，D3，...，DNc]。
根据所述人数统计模型的类别确定预设公式中的公式参数，即可以根据不同的人数统计模型确定对应的预设公式中的具体参数。其中预设公式可以如下所示：
其中，p为人数分类情况，例如为0-6；PDF(μp，σp)为μp与σp的联合概率密度函数；μp，σp分别为根据人数统计模型的类别确定的，根据预先采集的数据所估计的p人时的均值参数表和方差参数表，即当人数统计模型的类别不同时，对应的公式中的μp和σp不同；argmax用于获取当PDF(μp，σp)取最大值时p的值；Pn为人数统计结果。其中，PDF(μp，σp)的获取公式如下所示：
其中，Nc为单帧雷达数据中获取的局部最值的预设个数，Zi为Nc个局部最值按照幅度大小进行排序后第i个局部最值对应的幅度，Di为Nc个局部最值按照幅度大小进行排序后第i个局部最值对应的位置信息。
将第二雷达数据特征中的幅度信息、位置信息和代入根据人数统计模型的类别确定的公式参数构成的预设公式，通过极大似然估计的方式，获取使得预设联合概率密度函数最大的值，将该值作为人数统计结果。从而提高人数统计结果在人员各运动状态下确定的准确性。
可选的，构建人数统计模型的预设公式的过程，可以为：
收集人员静止和人员运动的雷达数据，分别确定单帧雷达数据中数量为第二预设数值的局部最值数据；将第二预设数值记为Nc。
获取雷达数据特征并记录；其中，雷达数据特征包括所述局部最值数据的幅度信息和位置信息，并按照幅度大小顺序将幅度信息记为[Z1，Z2，Z3，...，ZNc]，将位置信息记为[D1，D2，D3，...，DNc]。
利用如下公式构成二维最大值矩阵：
其中，norder＝1，2，...，Nc。根据一帧雷达数据可以得到一个二维最大值矩阵，将二维最大值矩阵作为特征矩阵。
分别对人员静止和人员运动的情况下，按照不同人数的情况，沿着慢时间维积累多个二维最大值矩阵，并构成一个三维数据立方。示例性的，在人员静止的且人数为一的情况下，构成静止人数统计模型中人数为一的三维数据立方。基于此数据立方，统计每一个幅度顺序下，每一个采样点对应的最值幅度对数的均值和方差。统计的方法为可以为矩估计方法，本实施例对此不作限制。
通过上述方式，获取静止或人员运动的情况下，某一特定人数在不同距离单元在不同幅度顺序下的幅度对数的均值参数表和方差参数表。由此得到不同人数情况的不同参数表。将均值参数表和方差参数表代入预先构建的待填充的公式得到人数统计模型中的预设公式。
需要说明的是，对于实际的人数统计过程而言，雷达数据预处理与构建人数统计模型时的数据预处理一致；特征提取步骤与人数统计模型时的特征矩阵构中提取局部最大值的幅度和位置一致，因此不需要再构建特征矩阵。
本实施例所提供的技术方案，通过获取第一预设帧数的第一雷达数据以及第二预设帧数的第二雷达数据；其中，所述第一预设帧数大于所述第二预设帧数；根据所述第一雷达数据的第一雷达数据特征和预设判决模型确定人数统计模型的类别；其中所述人数统计模型的类别包括静止人数统计模型和运动人数统计模型；根据所述人数统计模型的类别和所述第二雷达数据的第二雷达数据特征确定人数统计结果，解决了现有的人数统计中存在的安全性较低、统计难度较高、精确度较低以及统计成本较高等问题。
相比基于红外被动，红外主动对射的形式，采用基于雷达的检测原理，能得到更好的检测精度；相比基于主动红外热成像，光学摄像头的检测系统，本实施例中所需要的计算资源较上述两种方式大幅降低。此外，在许多较为极端的场景下(大雾天，雨天，黑夜，强光等)，仍然拥有相对较好的工作性能，达到了提高人数统计的安全性、准确率以及降低人数统计的难度和成本的效果。
实施例二
图2为本发明实施例二提供的一种基于雷达的人数统计方法的流程图，本技术方案是针对在根据所述第一雷达数据的第一雷达数据特征和预设判决模型确定人数统计模型的类别之前的过程进行补充说明的。与上述方案相比，本方案具体优化为，在根据所述第一雷达数据的第一雷达数据特征和预设判决模型确定人数统计模型的类别之前，还包括：
提取所述第一雷达数据的所述第一雷达数据特征；其中，所述第一雷达数据特征包括时间平均激活区域特征、时间累积帧能量特征和平均累积连通区域特征。具体的，基于雷达的人数统计方法的流程图如图2所示：
步骤210、获取第一预设帧数的第一雷达数据以及第二预设帧数的第二雷达数据；其中，所述第一预设帧数大于所述第二预设帧数。
步骤220、提取所述第一雷达数据的所述第一雷达数据特征；其中，所述第一雷达数据特征包括时间平均激活区域特征、时间累积帧能量特征和平均累积连通区域特征。
其中，将第一雷达数据整体进行数据特征提取，以保证特征提取的准确性。通过对第一雷达数据进行处理。将平均激活区域特征、时间累积帧能量特征和平均累积连通区域特征共同构成第一雷达数据特征，以输入至后续预设判决模型。
本实施例中，可选的，提取所述第一雷达数据的所述第一雷达数据特征，包括：
根据所述第一雷达数据中每一采样点对应数值的绝对值，提取所述第一预设帧数中对应数值的绝对值超过第一预设数值的采样点数量的数量平均值，以将所述数量平均值作为所述时间平均激活区域特征；
根据所述第一雷达数据中每一采样点对应数值的绝对值，提取所述第一预设帧数中对应数值的数值平方总和，以将所述数值平方总和作为所述时间累积帧能量特征。
其中，根据第一雷达数据中每一采样点对应数值的绝对值，提取第一预设帧数中对应数值的绝对值超过第一预设数值的采样点数量的数量平均值，为将第一预设数值记为Tnoise，统计每一帧第一雷达数据中每一采样点对应数值的绝对值大于Tnoise的采样点数量，若第一预设帧数为M，则数量平均值为超过Tnoise的采样点数量的M个结果的平均值，将该数量平均值作为时间平均激活区域特征。
根据所述第一雷达数据中采样点的对应数值，提取所述第一预设帧数中对应数值的数值平方和，即对M帧中每一帧雷达数据中采样点的对应数值进行数值平方求和的操作，并对这M个结果求和，得到数值平方总和，将该数值平方总和作为时间累积帧能量特征。
从而将第一雷达数据中与运动状态判断密切相关的特征数据进行提取，提高后续预设判决模型判断的准确性。
本实施例中，可选的，提取所述第一雷达数据的所述第一雷达数据特征，包括：
根据所述第一雷达数据中每一采样点对应数值的绝对值是否大于所述第一预设数值，确定采样点比较结果；
根据所述采样点比较结果和所述第一预设帧数，确定每个所述采样点对应的采样点比较结果总和；
根据所述采样点比较结果总和的分布信息确定构成连通区域的采样点数量，以根据所述采样点数量提取所述平均累积连通区域特征。
根据第一雷达数据中每一采样点对应数值的绝对值是否大于第一预设数值，确定采样点比较结果，可以为记录M帧第一雷达数据中每一帧数据的每一采样点对应数值的绝对值与Tnoise比较的结果，大于Tnoise采样点比较结果记为1，小于等于Tnoise的采样点比较结果记为0，将结果可以存放于实施例一中所述的M行N列的矩阵中。
根据采样点比较结果和所述第一预设帧数，确定每个所述采样点对应的采样点比较结果总和，可以为将M帧第一雷达数据中的同一个采样点的比较结果对应相加得到总和。由此得到每个采样点对应的采样点比较结果总和。
根据所述采样点比较结果总和的分布信息确定构成连通区域的采样点数量，以根据所述采样点数量提取所述平均累积连通区域特征，其中，分布信息可以为采样点对应的采样点比较结果的分布情况，例如相邻情况。根据分布信息确定构成连通区域的采样点数量，可以为判断是否存在相邻的采样点比较结果连续大于等于1，若存在，则该连续的采样点区域为连通区域。每个连通区域中存在的采样点个数为构成该连通区域的采样点数量。
根据采样点数量提取平均累积连通区域特征，可以为按照排序提取前五个最大连通区域的采样点数量的平均值，以作为平均累积连通区域特征，本实施例对此不作限制。从而将第一雷达数据中与运动状态判断密切相关的特征数据进行提取，提高后续预设判决模型判断的准确性。
步骤230、根据所述第一雷达数据的第一雷达数据特征和预设判决模型确定人数统计模型的类别；其中所述人数统计模型的类别包括静止人数统计模型和运动人数统计模型。
步骤240、根据所述人数统计模型的类别和所述第二雷达数据的第二雷达数据特征确定人数统计结果。
本发明实施例通过提取所述第一雷达数据的所述第一雷达数据特征；其中，所述第一雷达数据特征包括时间平均激活区域特征、时间累积帧能量特征和平均累积连通区域特征。由于人员在运动时会引起一大片多径信号，而在静止时引起的多径信号较为稀少，以此为依据分别提取平均激活区域特征、时间累积帧能量特征和平均累积连通区域特征，得以区分雷达数据中包含的人员静止数据和人员运动数据，提高判断人数统计模型的类别的准确性。
实施例三
图3为本发明实施例三提供的一种基于雷达的人数统计装置的结构示意图。该装置可以由硬件和/或软件的方式来实现，可执行本发明任意实施例所提供的一种基于雷达的人数统计方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置包括：
雷达数据获取模块310，用于获取第一预设帧数的第一雷达数据以及第二预设帧数的第二雷达数据；其中，所述第一预设帧数大于所述第二预设帧数；
判决模型类别确定模块320，用于根据所述第一雷达数据的第一雷达数据特征和预设判决模型确定人数统计模型的类别；其中所述人数统计模型的类别包括静止人数统计模型和运动人数统计模型；
人数统计结果确定模块330，用于根据所述人数统计模型的类别和所述第二雷达数据的第二雷达数据特征确定人数统计结果。
本发明实施例通过获取第一预设帧数的第一雷达数据以及第二预设帧数的第二雷达数据；其中，所述第一预设帧数大于所述第二预设帧数；根据所述第一雷达数据的第一雷达数据特征和预设判决模型确定人数统计模型的类别；其中所述人数统计模型的类别包括静止人数统计模型和运动人数统计模型；根据所述人数统计模型的类别和所述第二雷达数据的第二雷达数据特征确定人数统计结果。解决现有的人数统计中存在的安全性较低、统计难度较高、精确度较低以及统计成本较高等问题，实现提高人数统计的安全性、准确率以及降低人数统计的难度和成本的效果。
在上述各技术方案的基础上，可选的，所述装置还包括：
数据特征提取模块，用于所述判决模型类别确定模块之前，提取所述第一雷达数据的所述第一雷达数据特征；其中，所述第一雷达数据特征包括时间平均激活区域特征、时间累积帧能量特征和平均累积连通区域特征。
在上述各技术方案的基础上，可选的，所述数据特征提取模块，包括：
第一数据特征提取单元，用于根据所述第一雷达数据中每一采样点对应数值的绝对值，提取所述第一预设帧数中对应数值的绝对值超过第一预设数值的采样点数量的数量平均值，以将所述数量平均值作为所述时间平均激活区域特征；
第二数据特征提取单元，用于根据所述第一雷达数据中采样点的对应数值，提取所述第一预设帧数中对应数值的数值平方总和，以将所述数值平方总和作为所述时间累积帧能量特征。
在上述各技术方案的基础上，可选的，所述数据特征提取模块，包括：
采样点比较结果确定单元，用于根据所述第一雷达数据中采样点的对应数值是否大于所述第一预设数值，确定采样点比较结果；
采样点比较结果总和确定单元，用于根据所述采样点比较结果和所述第一预设帧数，确定每个所述采样点对应的采样点比较结果总和；
第三数据特征提取单元，用于根据所述采样点比较结果总和的分布信息确定构成连通区域的采样点数量，以根据所述采样点数量提取所述平均累积连通区域特征。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图，如图4所示，该电子设备包括处理器40、存储器41、输入装置42和输出装置43；电子设备中处理器40的数量可以是一个或多个，图4中以一个处理器40为例；电子设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的基于雷达的人数统计方法对应的程序指令/模块。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的基于雷达的人数统计方法。
存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种基于雷达的人数统计方法，该方法包括：
获取第一预设帧数的第一雷达数据以及第二预设帧数的第二雷达数据；其中，所述第一预设帧数大于所述第二预设帧数；
根据所述第一雷达数据的第一雷达数据特征和预设判决模型确定人数统计模型的类别；其中所述人数统计模型的类别包括静止人数统计模型和运动人数统计模型；
根据所述人数统计模型的类别和所述第二雷达数据的第二雷达数据特征确定人数统计结果。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的基于雷达的人数统计方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述基于雷达的人数统计装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种基于雷达的人数统计方法，其特征在于，包括：
获取第一预设帧数的第一雷达数据以及第二预设帧数的第二雷达数据；其中，所述第一预设帧数大于所述第二预设帧数；
根据所述第一雷达数据的第一雷达数据特征和预设判决模型确定人数统计模型的类别；其中所述人数统计模型的类别包括静止人数统计模型和运动人数统计模型；
根据所述人数统计模型的类别和所述第二雷达数据的第二雷达数据特征确定人数统计结果；
所述根据所述人数统计模型的类别和所述第二雷达数据的第二雷达数据特征确定人数统计结果，包括：
确定单帧所述第二雷达数据中数量为第二预设数值的局部最值数据；
获取所述第二雷达数据特征；其中，所述第二雷达数据特征包括所述局部最值数据的幅度信息和位置信息；
根据所述人数统计模型的类别确定预设公式中的公式参数；
根据所述幅度信息、所述位置信息和所述预设公式确定所述人数统计结果；
所述根据所述人数统计模型的类别确定所述预设公式中的所述公式参数，其中所述预设公式如下所示：
其中，p为人数分类情况；PDF(μp,σp)为μp与σp的联合概率密度函数；μp,σp分别为根据所述人数统计模型的类别确定的，根据预先采集的数据所估计的p人时的均值参数表和方差参数表；argmax用于获取当所述PDF(μp,σp)取最大值时p的值；Pn为所述人数统计结果；其中，所述PDF(μp,σp)的获取公式如下所示：
其中，Nc为单帧雷达数据中获取的局部最值的预设个数，Zi为Nc个所述局部最值按照幅度大小进行排序后第i个所述局部最值对应的幅度，Di为Nc个所述局部最值按照幅度大小进行排序后第i个所述局部最值对应的位置信息。
2.根据权利要求1所述的方法，其特征在于，在根据所述第一雷达数据的第一雷达数据特征和预设判决模型确定人数统计模型的类别之前，还包括：
提取所述第一雷达数据的所述第一雷达数据特征；其中，所述第一雷达数据特征包括时间平均激活区域特征、时间累积帧能量特征和平均累积连通区域特征。
3.根据权利要求2所述的方法，其特征在于，提取所述第一雷达数据的所述第一雷达数据特征，包括：
根据所述第一雷达数据中每一采样点对应数值的绝对值，提取所述第一预设帧数中对应数值的绝对值超过第一预设数值的采样点数量的数量平均值，以将所述数量平均值作为所述时间平均激活区域特征；
根据所述第一雷达数据中采样点的对应数值，提取所述第一预设帧数中对应数值的数值平方总和，以将所述数值平方总和作为所述时间累积帧能量特征。
4.根据权利要求2所述的方法，其特征在于，提取所述第一雷达数据的所述第一雷达数据特征，包括：
根据所述第一雷达数据中每一采样点对应数值的绝对值是否大于第一预设数值，确定采样点比较结果；
根据所述采样点比较结果和所述第一预设帧数，确定每个所述采样点对应的采样点比较结果总和；
根据所述采样点比较结果总和的分布信息确定构成连通区域的采样点数量，以根据所述采样点数量提取所述平均累积连通区域特征。
5.一种基于雷达的人数统计装置，其特征在于，包括：
雷达数据获取模块，用于获取第一预设帧数的第一雷达数据以及第二预设帧数的第二雷达数据；其中，所述第一预设帧数大于所述第二预设帧数；
判决模型类别确定模块，用于根据所述第一雷达数据的第一雷达数据特征和预设判决模型确定人数统计模型的类别；其中所述人数统计模型的类别包括静止人数统计模型和运动人数统计模型；
人数统计结果确定模块，用于根据所述人数统计模型的类别和所述第二雷达数据的第二雷达数据特征确定人数统计结果；
所述人数统计结果确定模块，具体用于：
确定单帧所述第二雷达数据中数量为第二预设数值的局部最值数据；
获取所述第二雷达数据特征；其中，所述第二雷达数据特征包括所述局部最值数据的幅度信息和位置信息；
根据所述人数统计模型的类别确定预设公式中的公式参数；
根据所述幅度信息、所述位置信息和所述预设公式确定所述人数统计结果；
所述根据所述人数统计模型的类别确定所述预设公式中的所述公式参数，其中所述预设公式如下所示：
其中，p为人数分类情况；PDF(μp,σp)为μp与σp的联合概率密度函数；μp,σp分别为根据所述人数统计模型的类别确定的，根据预先采集的数据所估计的p人时的均值参数表和方差参数表；argmax用于获取当所述PDF(μp,σp)取最大值时p的值；Pn为所述人数统计结果；其中，所述PDF(μp,σp)的获取公式如下所示：
其中，Nc为单帧雷达数据中获取的局部最值的预设个数，Zi为Nc个所述局部最值按照幅度大小进行排序后第i个所述局部最值对应的幅度，Di为Nc个所述局部最值按照幅度大小进行排序后第i个所述局部最值对应的位置信息。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
数据特征提取模块，用于所述判决模型类别确定模块之前，提取所述第一雷达数据的所述第一雷达数据特征；其中，所述第一雷达数据特征包括时间平均激活区域特征、时间累积帧能量特征和平均累积连通区域特征。
7.根据权利要求6所述的装置，其特征在于，所述数据特征提取模块，包括：
第一数据特征提取单元，用于根据所述第一雷达数据中每一采样点对应数值的绝对值，提取所述第一预设帧数中对应数值的绝对值超过第一预设数值的采样点数量的数量平均值，以将所述数量平均值作为所述时间平均激活区域特征；
第二数据特征提取单元，用于根据所述第一雷达数据中采样点的对应数值，提取所述第一预设帧数中对应数值的数值平方总和，以将所述数值平方总和作为所述时间累积帧能量特征。
8.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的基于雷达的人数统计方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的基于雷达的人数统计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110586525.8A CN113313165B (zh) | 2021-05-27 | 2021-05-27 | 一种基于雷达的人数统计方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110586525.8A CN113313165B (zh) | 2021-05-27 | 2021-05-27 | 一种基于雷达的人数统计方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113313165A CN113313165A (zh) | 2021-08-27 |
| CN113313165B true CN113313165B (zh) | 2023-11-24 |
Family
ID=77375631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110586525.8A Active CN113313165B (zh) | 2021-05-27 | 2021-05-27 | 一种基于雷达的人数统计方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113313165B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116449330B (zh) * | 2023-06-20 | 2023-10-13 | 精华隆智慧感知科技（深圳）股份有限公司 | 一种室内人数的估计方法、装置、计算机设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490030A (zh) * | 2018-05-15 | 2019-11-22 | 保定市天河电子技术有限公司 | 一种基于雷达的通道人数统计方法及系统 |
| CN111444926A (zh) * | 2020-03-20 | 2020-07-24 | 深圳大学 | 基于雷达的区域人数统计方法、装置、设备和存储介质 |
-
2021
- 2021-05-27 CN CN202110586525.8A patent/CN113313165B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490030A (zh) * | 2018-05-15 | 2019-11-22 | 保定市天河电子技术有限公司 | 一种基于雷达的通道人数统计方法及系统 |
| CN111444926A (zh) * | 2020-03-20 | 2020-07-24 | 深圳大学 | 基于雷达的区域人数统计方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113313165A (zh) | 2021-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chidurala et al. | Occupancy estimation using thermal imaging sensors and machine learning algorithms | |
| CN110378259A (zh) | 一种面向监控视频的多目标行为识别方法及系统 | |
| Ko | A survey on behavior analysis in video surveillance for homeland security applications | |
| CN106559749B (zh) | 一种基于射频层析成像的多目标被动式定位方法 | |
| US9075143B2 (en) | Sparse array RF imaging for surveillance applications | |
| Shukri et al. | Device free localization technology for human detection and counting with RF sensor networks: A review | |
| CN111505632A (zh) | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 | |
| WO2021248472A1 (zh) | 基于超宽带雷达的目标跟踪方法、装置、设备及存储介质 | |
| Ko | A survey on behaviour analysis in video surveillance applications | |
| Yadav et al. | [Retracted] A Real‐Time Crowd Monitoring and Management System for Social Distance Classification and Healthcare Using Deep Learning | |
| Alam et al. | Palmar: Towards adaptive multi-inhabitant activity recognition in point-cloud technology | |
| CN113313165B (zh) | 一种基于雷达的人数统计方法、装置、设备及存储介质 | |
| Mohan et al. | Non-invasive technique for real-time myocardial infarction detection using faster R-CNN | |
| Huang et al. | Tscnn: A 3d convolutional activity recognition network based on rfid rssi | |
| Avanzato et al. | A cnn-based differential image processing approach for rainfall classification | |
| CN115171160A (zh) | 软硬件约束下的健壮轻量级跌倒检测神经网络构建方法 | |
| Zhou et al. | Random Forest Based Adaptive DBSCAN for Reducing Noise in mmWave Radar Point Clouds | |
| Gao | Abnormal behavior detection and warning based on deep intelligent video analysis for geriatric patients | |
| Chiu et al. | Moving/motionless foreground object detection using fast statistical background updating | |
| Gupta et al. | A Bipedal detection and tracking algorithm using 2D LiDAR | |
| Sandhan et al. | Object counting in a single surveillance image | |
| Cai et al. | A new family monitoring alarm system based on improved yolo network | |
| Liu et al. | Radio tomographic imaging based body pose sensing for fall detection | |
| Ruan et al. | Non-contact sensor-based human fall detection method | |
| Tsai et al. | Markov random field based background subtration method for foreground detection under moving background scene |
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 |