CN113391282B - 一种基于雷达多维特征融合的人体姿态识别方法 - Google Patents
一种基于雷达多维特征融合的人体姿态识别方法 Download PDFInfo
- Publication number
- CN113391282B CN113391282B CN202110517442.3A CN202110517442A CN113391282B CN 113391282 B CN113391282 B CN 113391282B CN 202110517442 A CN202110517442 A CN 202110517442A CN 113391282 B CN113391282 B CN 113391282B
- Authority
- CN
- China
- Prior art keywords
- distance
- frame
- target
- time
- signal
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims 2
- 239000000126 substance Substances 0.000 claims 1
- 238000001914 filtration Methods 0.000 abstract description 4
- 230000036544 posture Effects 0.000 description 16
- 238000000605 extraction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009466 transformation 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
- 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
- G01S7/418—Theoretical aspects
-
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于雷达多维特征融合的人体姿态识别方法，属于雷达信号处理领域。本发明首先将回波信号与发射信号混频，经过低通滤波器后得到回波信号与发射信号的差频信号Sb，然后在Sb的距离向快时间做傅里叶变换(FFT)实现去调频处理(De‑chirp)，得到方位向慢时间每个脉冲重复周期(Tc)上包含杂波的目标距离信息。通过多延时对消器实现动目标显示(MTI),再使用恒虚警检测(CFAR)以及数字图像处理中的形态学降噪算法，得到滤除静止目标、杂波和噪点后的信号Sτ。本发明中主要选取Sτ中步频微多普勒、信息分布熵、加权回波能量幅值三种特征融合实现人体姿态识别。本发明实现对远距离复杂环境下人体目标姿态的全天时、全天候、高准确性识别。
Description
技术领域
本发明涉及一种基于雷达多维特征融合的人体姿态识别方法，属于雷达信号处理领域。
背景技术
随着目标检测技术的发展，在边境安防、日常监控、医疗救援、人机交互、自动驾驶等领域，人体姿态识别得到广泛应用。与仅仅探测目标是否存在相比，姿态识别对探测设备、处理算法以及测试环境都有了更高的要求。目前常使用的姿态识别传感器可以分为接触式和非接触式两种。其中，接触式传感器包括智能手环、手势识别手套等，需要贴身携带，被测目标固定，功能单一，易损坏，普适性较差。非接触式传感器包括超声波、摄像头、红外、雷达等，超声波传播速度慢，距离短且精度低；而摄像头、红外等基于光学系统的传感器，作用距离同样有限，对外界光照、天气等环境因素敏感，在黑暗、强光、浓烟、大雾等多种情况下都无法正常工作。
雷达具有更好的环境普适性，覆盖范围广，且分辨率高，穿透性强，可以实现全天时、全天候工作，非常适用于目标探测和人体姿态识别。但是，现有基于雷达的人体姿态识别方法一般仅适用于理想环境(空旷室内、微波暗室等)中的较短距离(1-10m)，且保持在同一个距离门内，非行进目标，但是识别准确度依然受杂波和噪声影响较大，没有充分利用探测到的目标位置、速度、航向、回波能量、微多普勒信息、分布熵等多维航迹特征。因此需要提出一种可以充分利用多维特征信息，适用于外界较复杂环境下的人体姿态识别方法。
发明内容
为了解决在多变外界环境中，如何通过雷达充分利用目标的多维特征信息，本发明提出了一种基于雷达多维特征融合的人体姿态识别方法，实现对远距离复杂环境下全天时、全天候、高准确性的人体目标姿态识别问题。
本发明为解决其技术问题采用如下技术方案：
一种基于雷达多维特征融合的人体姿态识别方法，包括如下步骤：
步骤1、使用雷达进行数据测量，将回波信号与发射信号混频，经过低通滤波器后得到回波信号与发射信号的差频信号Sb，在其距离向快时间维做傅里叶变换实现去调频处理，经过频率与距离的换算得到方位向慢时间维每个脉冲重复周期Tr上包含杂波的目标距离信息，完成位于不同距离单元的人体目标和杂波分离；
步骤2、对步骤1中得到的包含杂波的目标距离信息，通过多延时对消器实现动目标显示,多延时对消器的频率响应为：
其中，Tr为脉冲重复周期，Nc为延时对消器阶数；多延时对消器在抑制零频除杂波信号的同时减少了单延时对消器对整数倍脉冲重复频率nfr,n＝1,2,3...处目标信号的衰减，得到滤除静态杂波后的信号；
步骤3、对步骤2中的滤除静态杂波后的信号，通过恒虚警检测计算出的门限值
提取出各时刻目标所在区域，将其他所有区域置零；
步骤4、对步骤3中已部分置零的距离-时间数据，使用数字图像处理中的形态学降噪算法，先腐蚀再膨胀，删除小面积孤岛对象，进一步去除小面积孤立杂点，只保留人体回波区域，记为Sτ，对Sτ分别进行步骤5-7操作；
步骤5、对步骤4中得到的Sτ，在距离向快时间使用短时傅里叶变换，提取其微多普勒特征；对含有手臂、腿部摆动包络的微多普勒时频图，首先进行坐标转换，将大致呈正弦分布的包络转换至水平方向，再提取出上下包络的边缘散点，进行函数拟合或傅里叶变换，即提取出躯干主回波信号两旁由于手臂、腿部摆动产生的周期曲线，求得人体目标在各帧内的步频特征ε1＝[f1 f2 … fK],K为总帧数；
步骤6、对步骤4中得到的Sτ，使用信息论中分布熵H的概念，定义为：
其中，M为每帧内的脉冲数，N为距离向采样点个数，E(m,n)为第m个脉冲第n个采样点的能量，分布熵越大，表示目标散射点回波能量在空间中分布越分散，反之则越集中；计算目标散射点回波在空间中的分布集中情况，求得人体目标在各帧内的分布熵特征ε2＝[H1H2 … HK],K为总帧数；
步骤7、对步骤4中得到的Sτ，按照多帧数据的统计平均特性：
其中，Nb为多帧数据二值化后目标所占总点数，K为总帧数，取各帧中能量从高到低排前Q个数作为有效特征点；计算第k帧能量从高到低排名前Q个点各自对应权值：
其中，Ek,i为第k帧前Q个数中第i个点的能量，σk,i为计算出的该点对应权重，其中i＝1,2,…Q，k＝1,2,…,K；将这前Q个点的能量、所在距离门、所在时间加权叠加：
rk,i和tk,i为第k帧前Q个数中第i个点的所在的距离和时间，求得人体目标在第k帧加权后的能量Ek、距离rk和时间tk，获取目标的加权能量幅值特征ε3＝[E1 E2 … EK],K为总帧数；并用加权后的距离rk和时间tk等效表示该帧内的所有散射点所在的距离和时间信息；
步骤8、将步骤5-7中还获得平均速度、航向、中心矩、方差、峰值幅度、信噪比特征，记为ε4,ε5…εL，L为选取的特征总数；
步骤9、将步骤5-8中得到的各帧步频微动特征ε1、分布熵特征ε2、加权能量幅值特征ε3联合，得到K帧的多维特征εA＝[ε1 ε2 … εL]T；使用主成分分析法对各特征进行分析处理，去除冗余项实现降维至LJ，且LJ≤L，并计算出各特征的贡献率ωj,j＝1,2,…LJ，将此贡献率作为权重对归一化后的特征线性加权，得到各帧的融合特征εk，与距离rk和时间tk一起，作为姿态识别分类的依据；
步骤10、对步骤8中得到的时间-距离-融合特征数据，采用总测量时间内通过同一距离区间所留下融合特征数据作为判断依据，使用支持向量机或机器学习的方法完成融合特征数据的分类，实现姿态识别。
步骤1所述雷达配置带宽2.7GHz，距离分辨率5.5cm，最大测距范围100m，波束宽度θ为±20°。
本发明的有益效果如下：
常使用的姿态识别传感器中如超声波、摄像头、红外等，都存在作用距离有限，对外界光照、天气等环境因素敏感，在黑暗、强光、浓烟、大雾等多种情况下都无法正常工作等问题。而现有的基于雷达实现的姿态识别，也一般仅适用于理想环境(空旷室内、微波暗室等)中的较短距离(1-10m)，且保持在同一个距离门内，非行进目标，但是识别准确度依然受杂波和噪声影响较大，且没有充分利用探测到的目标位置、速度、航向、回波能量、微多普勒信息、分布熵等多维航迹特征。本发明可以适应于多变外界环境，充分利用雷达探测到的目标多维特征信息，实现对远距离复杂环境下人体目标姿态的全天时、全天候、高准确性识别。算法思路较为简化，便于工程、生产的应用实现。
附图说明
图1是本发明实现的流程图。
图2是实际检测环境示意图。
图3(a)是距离向去调频(De-chirp)处理图；图3(b)是动目标显示(MTI)图。
图4(a)是初步二值化处理图；图4(b)是数字图像处理中形态学去噪效果图。
图5(a)是原始航迹图；图5(b)是原始包络提取图；图5(c)是坐标转化图；图5(d)是校准后的上下包络绘制图；图5(e)是包络提取散点图；
图5(f)是行进中人体步频微多普勒特征图；图5(g)是行进中人体步频微多普勒特征包络图。
图6是分布熵特征提取图。
图7是加权能量幅值特征提取图。
图8(a)是时间-距离-融合特征图；图8(b)是时间-距离-融合特征(时间-距离维)图；图8(c)是时间-距离-融合特征(距离-融合特征维)图；图8(d)是时间-距离-融合特征(时间-融合特征维)图。
具体实施方式
下面结合附图对本发明创造做进一步详细说明。
本发明首先将回波信号与发射信号混频，经过低通滤波器后得到回波信号与发射信号的差频信号Sb，然后在Sb的距离向快时间做傅里叶变换(FFT)实现去调频处理(De-chirp)，得到方位向慢时间每个脉冲重复周期(Tc)上包含杂波的目标距离信息。通过多延时对消器实现动目标显示(MTI),再使用恒虚警检测(CFAR)以及数字图像处理中的形态学降噪算法，得到滤除静止目标、杂波和噪点后的信号Sτ。本发明中主要选取步频微多普勒、信息分布熵、加权回波能量幅值三种特征识别人体姿态，对Sb或Sτ通过三项不同算法处理：第一项算法通过做包络检测或短时傅里叶变换(STFT)提取干回波信号两旁对称的手臂、腿部摆动曲线，获得目标步频特征；第二项算法通过对Sτ使用信息论中分布熵的概念，计算目标散射点回波在空间中的分布集中情况，获得目标分布熵特征；第三项算法将各帧人体目标信号所占的多个距离门内能量按权重加权叠加，获得目标的加权能量幅值特征。经过以上三项算法处理后，还可获得平均速度、航向、中心矩、方差峰值幅度、信噪比等特征，可以按照实际需要选取。最后，对三种算法获得的距离-时间-多维特征信息进行融合，作为识别分类的依据，完成人体姿态识别。
结合附图1，对本发明的具体实施步骤描述如下：
步骤1、按照应用场景确定雷达参数，满足所需的测距范围、距离分辨率要求后进行数据测量。回波信号与发射信号混频，经过低通滤波器后得到回波信号与发射信号的差频信号Sb，在其快时间维做傅里叶变换(FFT)实现去调频处理(De-chirp)，经过频率与距离的换算可以得到慢时间维每个脉冲重复周期Tr上包含杂波的目标距离信息，完成位于不同距离单元的人体目标和杂波分离。
步骤2、对步骤1中得到的包含杂波的目标距离信息，通过多延时对消器实现动目标显示(MTI),多延时对消器的频率响应为：
其中，Tr为脉冲重复周期，Nc为延时对消器阶数。多延时对消器在抑制零频除杂波信号的同时减少了单延时对消器(Nc＝1)对整数倍脉冲重复频率nfr,n＝1,2,3...处目标信号的衰减，得到滤除静态杂波后的信号。
步骤3、对步骤2中的滤除静态杂波后的信号，通过恒虚警检测(CFAR)计算出的门限值
提取出各时刻目标所在区域，将其他所有区域置零。
步骤4、对步骤3中已部分置零的距离-时间数据，使用数字图像处理中的形态学降噪算法，先腐蚀再膨胀，删除小面积孤岛对象，进一步去除小面积孤立杂点，只保留人体回波区域，记为Sτ。对Sτ分别进行步骤5-7操作。
步骤5、对步骤4中得到的Sτ，在距离向快时间使用短时傅里叶变换(STFT)，提取其微多普勒特征；对含有手臂、腿部摆动包络的微多普勒时频图，首先进行坐标转换，将大致呈正弦分布的包络转换至水平方向，再提取出上下包络的边缘散点，进行函数拟合或傅里叶变换，即提取出躯干主回波信号两旁由于手臂、腿部摆动产生的周期曲线，求得人体目标在各帧内的步频特征ε1＝[f1 f2 … fK],K为总帧数。
步骤6、对步骤4中得到的Sτ，使用信息论中分布熵H的概念，定义为：
其中，M为每帧内的脉冲数，N为距离向采样点个数，E(m,n)为第m个脉冲第n个采样点的能量，分布熵越大，表示目标散射点回波能量在空间中分布越分散，反之则越集中；计算目标散射点回波在空间中的分布集中情况，求得人体目标在各帧内的分布熵特征ε2＝[H1H2 … HK],K为总帧数。
步骤7、对步骤4中得到的Sτ，按照多帧数据的统计平均特性：
其中，Nb为多帧数据二值化后目标所占总点数，K为总帧数，取各帧中能量从高到低排前Q个数作为有效特征点；计算第k帧能量从高到低排名前Q个点各自对应权值：
其中，Ek,i为第k帧前Q个数中第i个点的能量，σk,i为计算出的该点对应权重，其中：i＝1,2,…Q，k＝1,2,…,K；将这前Q个点的能量、所在距离门、所在时间加权叠加：
rk,i和tk,i为第k帧前Q个数中第i个点的所在的距离和时间，求得人体目标在第k帧加权后的能量Ek、距离rk和时间tk，获取目标的加权能量幅值特征ε3＝[E1 E2 … EK],K为总帧数；并用加权后的距离rk和时间tk等效表示该帧内的所有散射点所在的距离和时间信息。
步骤8、在步骤5-7中，还获得平均速度、航向、中心矩、方差、峰值幅度、信噪比等特征，记为ε4,ε5…εL，L为选取的特征总数；
步骤9、将步骤5-8中得到的各帧步频微动特征ε1、分布熵特征ε2、加权能量幅值特征ε3联合，得到K帧的多维特征εA＝[ε1 ε2 … εL]T；使用主成分分析法对各特征进行分析处理，去除冗余项实现降维至LJ，且LJ≤L，并计算出各特征的贡献率ωj,j＝1,2,…LJ，将此贡献率作为权重对归一化后的特征线性加权，得到各帧的融合特征εk，与距离rk和时间tk一起，作为姿态识别分类的依据；
步骤10、对步骤8中得到的时间-距离-融合特征数据(tk-rk-εk)，采用总测量时间内通过同一距离区间所留下融合特征数据作为判断依据，使用支持向量机(SVM)或机器学习的方法完成融合特征数据的分类，实现姿态识别。
本发明可通过一个实际案例进一步说明：两名测试目标，目标一身高168cm，体重75kg，目标二身高178cm，体重63kg，分别以直立行走、半蹲行走两种姿态由距离雷达15m位置行进至5m位置。使用毫米波雷达对覆盖区域内的复杂环境进行实时监测，实际检测环境示意图如附图2所示。雷达配置带宽2.7GHz，距离分辨率5.5cm，最大测距范围100m，波束宽度θ为±20°，雷达由三脚架架起距离地面1.5m。当区域内出现运动人体时，经过步骤1处理获得附图3(a)中包含杂波的目标距离信息，完成位于不同距离单元的人体目标和杂波分离。经过步骤2动目标显示后获得附图3(b)仅保留了动目标的回波。经过步骤3和步骤4，初步二值化得到附图4(a)中带有噪点的效果，形态学降噪处理后的效果如附图4(b)所示，实现了杂波的滤除且只保留人体回波区域。步骤5通过包络检测、坐标转换、边缘提取和傅里叶变换后，得到各帧的步频特征ε1，如附图5所示。步骤6计算目标散射点回波在空间中的分布集中情况，求得人体目标在各帧内的分布熵特征ε2，如附图6所示。步骤7通过对人体回波散点加权，获得各帧内的加权能量幅值特征ε3，如附图7所示。步骤8将上述过程中同时获得的平均速度、航向、中心矩、方差、峰值幅度、信噪比等特征综合考虑，与步频微动特征ε1、分布熵特征ε2、加权能量幅值特征ε3一起通过步骤9处理，使用主成分分析法(PCA)对各特征进行分析处理，去除冗余项实现降维后，对主要特征进行加权融合，获得附图8中的时间-距离-融合特征分布。最后，将此数据经过步骤10中的处理，即可实现姿态的分类与识别。
Claims (2)
1.一种基于雷达多维特征融合的人体姿态识别方法，其特征在于，包括如下步骤：
步骤1、使用雷达进行数据测量，将回波信号与发射信号混频，经过低通滤波器后得到回波信号与发射信号的差频信号Sb，在其距离向快时间维做傅里叶变换实现去调频处理，经过频率与距离的换算得到方位向慢时间维每个脉冲重复周期Tr上包含杂波的目标距离信息，完成位于不同距离单元的人体目标和杂波分离；
步骤2、对步骤1中得到的包含杂波的目标距离信息，通过多延时对消器实现动目标显示,多延时对消器的频率响应为：
其中，Tr为脉冲重复周期，Nc为延时对消器阶数；多延时对消器在抑制零频除杂波信号的同时减少了单延时对消器对整数倍脉冲重复频率nfr,n＝1,2,3...处目标信号的衰减，得到滤除静态杂波后的信号；
步骤3、对步骤2中的滤除静态杂波后的信号，通过恒虚警检测计算出的门限值
提取出各时刻目标所在区域，将其他所有区域置零；
步骤4、对步骤3中已部分置零的距离-时间数据，使用数字图像处理中的形态学降噪算法，先腐蚀再膨胀，删除小面积孤岛对象，进一步去除小面积孤立杂点，只保留人体回波区域，记为Sτ，对Sτ分别进行步骤5-7操作；
步骤5、对步骤4中得到的Sτ，在距离向快时间使用短时傅里叶变换，提取其微多普勒特征；对含有手臂、腿部摆动包络的微多普勒时频图，首先进行坐标转换，将大致呈正弦分布的包络转换至水平方向，再提取出上下包络的边缘散点，进行函数拟合或傅里叶变换，即提取出躯干主回波信号两旁由于手臂、腿部摆动产生的周期曲线，求得人体目标在各帧步频微动特征ε1＝[f1 f2 … fK],K为总帧数；
步骤6、对步骤4中得到的Sτ，使用信息论中分布熵H的概念，定义为：
其中，M为每帧内的脉冲数，N为距离向采样点个数，E(m,n)为第m个脉冲第n个采样点的能量，分布熵越大，表示目标散射点回波能量在空间中分布越分散，反之则越集中；计算目标散射点回波在空间中的分布集中情况，求得人体目标在各帧内的分布熵特征ε2＝[H1 H2… HK],K为总帧数；
步骤7、对步骤4中得到的Sτ，按照多帧数据的统计平均特性：
其中，Nb为多帧数据二值化后目标所占总点数，K为总帧数，取各帧中能量从高到低排前Q个数作为有效特征点；计算第k帧能量从高到低排名前Q个点各自对应权值：
其中，Ek,i为第k帧前Q个数中第i个点的能量，σk,i为Ek,i占第k帧前Q个数总能量的权值，其中i＝1,2,…Q，k＝1,2,L,K；将这前Q个点的能量、所在距离门、所在时间加权叠加：
rk,i和tk,i为第k帧前Q个数中第i个点的所在的距离和时间，求得人体目标在第k帧加权后的能量Ek、距离rk和时间tk，获取目标的加权能量幅值特征ε3＝[E1 E2 … EK],K为总帧数；并用加权后的距离rk和时间tk等效表示该帧内的所有散射点所在的距离和时间信息；
步骤8、将步骤5-7中还获得平均速度、航向、中心矩、方差、峰值幅度、信噪比特征，记为ε4,ε5…εL，L为选取的特征总数；
步骤9、将步骤5-8中得到的各帧步频微动特征ε1、分布熵特征ε2、加权能量幅值特征ε3联合，得到K帧的多维特征εA＝[ε1 ε2 … εL]T；使用主成分分析法对各特征进行分析处理，去除冗余项实现降维至LJ，且LJ≤L，并计算出各特征的贡献率ωj,j＝1,2,…LJ，将此贡献率作为权重对归一化后的特征线性加权，得到各帧的融合特征εk，与距离rk和时间tk一起，作为姿态识别分类的依据；
步骤10、对步骤8中得到的时间-距离-融合特征数据，采用总测量时间内通过同一距离区间所留下融合特征数据作为判断依据，使用支持向量机或机器学习的方法完成融合特征数据的分类，实现姿态识别。
2.根据权利要求1所述的一种基于雷达多维特征融合的人体姿态识别方法，其特征在于，步骤1所述雷达配置带宽2.7GHz，距离分辨率5.5cm，最大测距范围100m，波束宽度θ为±20°。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110517442.3A CN113391282B (zh) | 2021-05-12 | 2021-05-12 | 一种基于雷达多维特征融合的人体姿态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110517442.3A CN113391282B (zh) | 2021-05-12 | 2021-05-12 | 一种基于雷达多维特征融合的人体姿态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113391282A CN113391282A (zh) | 2021-09-14 |
| CN113391282B true CN113391282B (zh) | 2022-06-17 |
Family
ID=77617036
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110517442.3A Active CN113391282B (zh) | 2021-05-12 | 2021-05-12 | 一种基于雷达多维特征融合的人体姿态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113391282B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114966672A (zh) * | 2022-06-09 | 2022-08-30 | 深圳大学 | 一种基于光学与微波视觉的智能安防监控处理方法及系统 |
| 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 |
| CN116027325B (zh) * | 2023-03-31 | 2023-08-01 | 泛擎科技(深圳)有限公司 | 基于智能可穿戴设备的人体动作识别方法、装置 |
| CN116559818B (zh) * | 2023-07-04 | 2023-09-12 | 南昌大学 | 一种人体姿态识别方法、系统、计算机及可读存储介质 |
| CN117851735B (zh) * | 2024-03-07 | 2024-05-28 | 四川思凌科微电子有限公司 | 一种简化的延时融合测距方法 |
| CN117849753B (zh) * | 2024-03-07 | 2024-05-03 | 长沙莫之比智能科技有限公司 | 一种基于车载毫米波雷达的目标泛特征提取方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101697006A (zh) * | 2009-09-18 | 2010-04-21 | 北京航空航天大学 | 基于机载雷达和红外成像传感器数据融合的目标识别方法 |
| KR20150042559A (ko) * | 2013-10-11 | 2015-04-21 | 삼성중공업 주식회사 | 선박용 레이더 장치 및 그 운용 방법 |
| JP6223504B1 (ja) * | 2016-05-18 | 2017-11-01 | 三菱電機株式会社 | レーダ装置およびこれを用いたセンサフュージョン装置 |
| CN107886121A (zh) * | 2017-11-03 | 2018-04-06 | 北京清瑞维航技术发展有限公司 | 基于多波段雷达的目标识别方法、装置及系统 |
| CN108614993A (zh) * | 2018-03-23 | 2018-10-02 | 武汉雷博合创电子科技有限公司 | 一种基于雷达及模式识别的行人姿态识别方法及系统 |
| CN111089590A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种视觉和激光融合的移动机器人跟踪人腿方法 |
-
2021
- 2021-05-12 CN CN202110517442.3A patent/CN113391282B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101697006A (zh) * | 2009-09-18 | 2010-04-21 | 北京航空航天大学 | 基于机载雷达和红外成像传感器数据融合的目标识别方法 |
| KR20150042559A (ko) * | 2013-10-11 | 2015-04-21 | 삼성중공업 주식회사 | 선박용 레이더 장치 및 그 운용 방법 |
| JP6223504B1 (ja) * | 2016-05-18 | 2017-11-01 | 三菱電機株式会社 | レーダ装置およびこれを用いたセンサフュージョン装置 |
| CN107886121A (zh) * | 2017-11-03 | 2018-04-06 | 北京清瑞维航技术发展有限公司 | 基于多波段雷达的目标识别方法、装置及系统 |
| CN108614993A (zh) * | 2018-03-23 | 2018-10-02 | 武汉雷博合创电子科技有限公司 | 一种基于雷达及模式识别的行人姿态识别方法及系统 |
| CN111089590A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种视觉和激光融合的移动机器人跟踪人腿方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113391282A (zh) | 2021-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113391282B (zh) | 一种基于雷达多维特征融合的人体姿态识别方法 | |
| Yang et al. | Dense people counting using IR-UWB radar with a hybrid feature extraction method | |
| EP0888560B1 (en) | Improved method of moment estimation and feature extraction for devices which measure spectra as a function of range or time | |
| 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 | |
| Chang et al. | Human detection and tracking via ultra-wideband (UWB) radar | |
| Chang et al. | An algorithm for UWB radar-based human detection | |
| CN106597411A (zh) | 雷达信号处理方法 | |
| Shao et al. | Human motion classification based on range information with deep convolutional neural network | |
| CN107656255A (zh) | 基于多径回波的超宽带雷达动目标二维定位方法 | |
| CN113835074B (zh) | 一种基于毫米波雷达的人流量动态监测方法 | |
| CN109407094A (zh) | 车载超宽带雷达前视成像系统 | |
| WO2022116467A1 (zh) | 一种基于毫米波雷达的非接触式身份识别方法及系统 | |
| CN113447905A (zh) | 双毫米波雷达人体跌倒检测装置及检测方法 | |
| CN114814832A (zh) | 基于毫米波雷达的人体跌倒行为实时监测系统及监测方法 | |
| CN106468772B (zh) | 一种基于距离-多普勒量测的多站雷达人体跟踪方法 | |
| Cai et al. | Foreign objects intrusion detection using millimeter wave radar on railway crossings | |
| CN114325623A (zh) | 一种基于毫米波雷达的人体肢体运动信息测量方法 | |
| CN113341392B (zh) | 一种基于多站雷达微多普勒运动测向的人体行为分类方法 | |
| CN112327286B (zh) | 低复杂度下日常活动分类方法、装置、设备及存储介质 | |
| CN115422962A (zh) | 一种基于毫米波雷达和深度学习算法的姿态和手势识别方法及装置 | |
| Kern et al. | Radar-based gesture recognition under ego-motion for automotive applications | |
| Susithra et al. | Deep learning-based activity monitoring for smart environment using radar | |
| Sardjono et al. | Human Motion Change Detection Based On FMCW Radar | |
| CN112363115B (zh) | 一种抵抗恶劣天气对雷达传感器影响的方法 | |
| Yu et al. | CNN-based weather signal detection algorithm for airborne weather radar |
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 |