CN113591760A - 基于毫米波的远场多人体的步态监测方法 - Google Patents
基于毫米波的远场多人体的步态监测方法 Download PDFInfo
- Publication number
- CN113591760A CN113591760A CN202110907502.2A CN202110907502A CN113591760A CN 113591760 A CN113591760 A CN 113591760A CN 202110907502 A CN202110907502 A CN 202110907502A CN 113591760 A CN113591760 A CN 113591760A
- Authority
- CN
- China
- Prior art keywords
- human body
- data
- millimeter wave
- groups
- value
- 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
- 230000005021 gait Effects 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 31
- 210000003141 lower extremity Anatomy 0.000 claims abstract description 34
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 239000000178 monomer Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 230000005540 biological transmission Effects 0.000 abstract 1
- 239000011295 pitch Substances 0.000 description 11
- 238000005311 autocorrelation function Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Discrete Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及身份识别技术领域，公开了一种基于毫米波的远场多人体的步态监测方法，采用多组对发射和多收的分时复用的MIMO微带天线结构，以提高拾取微弱信号能力和方位角分辨率，利用毫米波段(30GHz‑300GHz)的高精度，高分辨率的特点获取多组毫米波反射信号，并对多组毫米波反射信号处理、建模以得到CNN神经网络机器学习模型，通过该模型实现了对远场空间内多个目标人体的下肢步态，即下肢运动产生的步距、步频(步速)和腿距进行精准识别。
Description
技术领域
本发明涉及身份识别技术领域，特别涉及一种基于毫米波的远场多人体的步态监测方法。
背景技术
随着科技的发展，人体身份识别技术已经深入到人们的日常生活当中，目前，对于人体识别基本上都是基于可视摄像头对脸孔或虹膜，以及指纹或声纹等方式。这些传统的人体身份识别技术有两大弊端：
其一，可视图像(如：人脸)的广泛应用，增加了大众对于隐私泄露的担忧；
其次，传统的非图像识别方法无法同时对多个目标人体进行有效识别。
每个人的步态是唯一的，因而应用射频无线技术对监测空间内的人体的步态进行实时监测，可以准确识别人体，是克服上述两大弊端的有效技术手段。
但是，目前绝大部分运用射频无线技术对人体步态进行识别的方法，都没有很好地解决同时识别远场(距离5米以上)空间内多个人体步态的问题。
发明内容
本发明提出一种基于毫米波的远场多人体的步态监测方法，解决传统的射频无线技术无法同时识别远场(距离5米以上)空间内多个人体步态的技术问题。
本发明提供了一种基于毫米波的远场多人体的步态监测方法，包括步骤：
S1：采用分时复用的MIMO微带天线向监测空间内发射多组线性调频连续毫米波信号，并实时接收监测空间内反射的多组毫米波反射信号；
S2：并对所述毫米波反射信号进行滤波去噪，得到滤波后的毫米波反射信号；
S3：对多组所述滤波后的毫米波反射信号分别做距离FFT和多普勒FFT，形成距离-多普勒图谱，基于所述距离-多普勒图谱得到由人体下肢移动产生的多组点云数据集合；
S4：对所述多组点云数据分别做低通滤波处理和I-Q解调，获得RSS幅值和接收角AoA的角度ω；
S5：对所述接收角AoA的角度ω做角度FFT，根据距离FFT的数据和对应的RSS幅值，以及与相对应的AoA角度FFT数据确定多目标人体的极坐标；
S6：对所述多组点云数据集合做运动目标甄别滤波，以获得每个人体下肢移动对应的点云数据集合；
S7：在所述极坐标系中，根据距离-多普勒图谱的每一帧，构造每一帧中每个点云数据的坐标；
S8：根据所述每个人体下肢移动对应的点云数据集合和所述坐标计算每个人体下肢产生的步距、步频及腿距数据，依据所述每个人体下肢产生的步距、步频及腿距数据构建CNN神经网络机器学习模型；
S9：结合分时复用的MIMO微带天线及CNN神经网络机器学习模型实时监测多人体步态。
其中，所述步骤S3包括：
根据所述距离-多普勒图谱对静物环境模型建模，以去除毫米波反射信号中的对应监测空间中静物的成分，得到由人体下肢移动产生的多组点云数据。
其中，所述步骤S5和S6之间还包括：
将所述RSS幅值和接收角AoA的角度ω与预设的RSS幅值阈值和ω阈值做比较，保留所有符合阈值内的数据；
对保留的RSS幅值的能谱积分求和，与预设的单体人体的RSS幅值能谱积分求和值做比较，保留成倍数大于单体值对应的RSS幅值；
对接收角AoA的角度ω和保留成倍数大于单体值对应的RSS幅值做汉明函数加权运算，以抑制副瓣数据影响，提高主瓣数据的信噪比解调，得到汉明函数加权运算后的多组点云数据集合。
其中，所述RSS幅值阈值以每个人体对应的多组RSS幅值中最大值的平均值为阈值上限，最小值的平均值为阈值的下限；所述ω阈值以每个人体对应的接收角AoA的角度ω中最大值的平均值为阈值上限，最小值的平均值为阈值的下限。
其中，预设的单体人体的RSS幅值能谱积分求和值为不同的单体人体的RSS幅值能谱积分求和值的平均值。
其中，所述步骤S8包括：
S8.1：基于KNN模式识别分类器和K均值聚类算法对所述坐标进行分类识别，以确定视监测空间内的目标人体数目K；
S8.2：运用CHI算法将K个目标人体各自对应的距离-多普勒图谱集合一一对应区分开；
S8.3：依据每个目标人体对应的距离-多普勒图谱，解析每个人体下肢移动对应的点云数据集合下的人体下肢产生的步距、步频和腿距数据；
S8.4：对于每个集合内的步距，步频和腿距数据做峰值密度的聚类密度算法处理，去掉最大和最小峰值密度数据，以中间的峰值密度数据为基准，计算出第K个目标人体的最终数据组并记录；
S8.5：以K个目标人体的最终数据组作为CNN神经网络机器学习模型的输入层，以确认的第K个目标人体步态作为CNN神经网络机器学习模型的输出层，从而得到CNN神经网络机器学习模型。
其中，所述步骤S8.3包括：
由步骤S3中多普勒FFT得到的数据集合获得每个目标人体下肢的移动速度，将移动速度换算为步频；
对步骤S3中距离FFT得到的数据集合做K均值聚类运算，收敛为两组第一数据；
对每组内的第一数据做二次K均值聚类运算，进而每组内收敛成两组第二数据；
设定距离阈值范围，分别对两组第二数据做均值处理，并保留均值在所述距离阈值范围内的第二数据；
对保留下来的两组内的四个第二数据进行组之间的四次对比均方差运算；
去掉方差值最大的两个对比数据；
余下的两个方差值，值大的对应的即为步距，值小的即为腿距。
其中，所述距离阈值范围是以目标人体机器学习的数据样本做基础，自动找出该人体移动产生的最大值和最小值作为该距离阈值范围。
其中，所述分时复用的MIMO微带天线包括：一组接收阵列、多组发射阵列、接收端多路射频开关、发射端多路射频开关、毫米波芯片和微处理器，所述接收阵列连接所述接收端多路射频开关，多组发射阵列均连接所述发射端多路射频开关，所述接收端多路射频开关连接所述毫米波芯片，所述发射端多路射频开关分别连接毫米波芯片和微处理器，所述毫米波芯片连接所述微处理器。
其中，所述接收阵列的微带间的相互距离为所使用的频率的半波长λ/2，所述发射阵列的微带间的相互距离为所使用频率的波长λ。
本发明采用多组对发射和多收的分时复用的MIMO微带天线结构，以提高拾取微弱信号能力和方位角分辨率，利用毫米波段(30GHz-300GHz)的高精度，高分辨率的特点获取多组毫米波反射信号，并对多组毫米波反射信号处理、建模以得到CNN神经网络机器学习模型，通过该模型实现了对远场空间内多个目标人体的下肢步态，即下肢运动产生的步距、步频(步速)和腿距进行精准识别。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于毫米波的远场多人体的步态监测方法流程图；
图2为本发明实施例的自相关函数分析的噪声模型建立流程图；
图3为本发明实施例的多径干扰消除算法流程图；
图4为本发明实施例的数字滤波算法流程图；
图5为本发明实施例的I-Q解调流程图；
图6为本发明实施例的运动目标甄别(MTI)滤波流程图；
图7为本发明实施例的监测空间内静物环境模型建立流程图；
图8为本发明实施例的KNN模式识别分类器识别流程图；
图9为本发明实施例的K均值聚类算法流程图；
图10为本发明实施例的聚类密度算法流程图；
图11为本发明实施例的CNN神经网络机器学习模型训练算法流程图；
图12为本发明实施例的一种分时复用的MIMO微带天线结构示意图。
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作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。
本实施例的一种基于毫米波的远场多人体的步态监测方法，如图1所示，包括：
步骤S1：采用分时复用的MIMO微带天线向监测空间内发射多组线性调频连续毫米波信号，并实时接收监测空间内反射的多组毫米波反射信号。
步骤S2：并对所述毫米波反射信号进行滤波去噪，得到滤波后的毫米波反射信号。对每组毫米波反射信号x(t)＝s(t)+n(t)(s(t)是实际信号n(t)是噪声)进行自相关函数和互相关函数分析，将环境噪声干扰，多径干扰以及反射和接收间的射频串扰等通过数字滤波算法消除以提高信噪比SNR，保存去噪后的滤波后的毫米波反射信号。具体地，自相关函数分析过程、多径干扰消除算法及数字滤波算法流程分别如图2、3和4所示。
步骤S3：对多组所述滤波后的毫米波反射信号分别做距离FFT和多普勒FFT，形成距离-多普勒图谱，基于所述距离-多普勒图谱得到由人体下肢移动产生的多组点云数据集合。
步骤S4：对多组点云数据分别做低通滤波处理和I-Q解调，获得接收信号强度(Received Signal Strength，RSS)幅值和接收角AoA的角度ω。具体地，由于测量对象(即人体)的步态为5Hz以内的超低频信号，将多组点云数据分别导入LPF低通滤波算法，得到全部5Hz内的低频信号数据，再对低通滤波后的点云数据做I-Q解调(I-Q解调过程如图5所示)以得到RSS幅值和接收角AoA的角度ω。
步骤S5：对接收角AoA的角度ω做角度FFT，根据距离FFT的数据和对应的RSS幅值，以及与相对应的AoA角度FFT数据确定多目标人体的极坐标。
步骤S6：如图6所示，对多组点云数据集合做运动目标甄别(MTI)滤波，以获得每个人体下肢移动对应的点云数据集合。
步骤S7：在极坐标系中，根据距离-多普勒图谱的每一帧，构造每一帧中每个点云数据的坐标。具体地，对应于第i个距离和第j个角度的第k帧集合点的距离数据D(I,j,k)，可得到其第k帧第i点的二维坐标(Xi＝D(i,j,k)·sin(ω(i,j,k))，Yi＝D(i,j,k)·cos(ω(i,j,k)))。
步骤S8：根据每个人体下肢移动对应的点云数据集合和所述坐标计算每个人体下肢产生的步距、步频及腿距数据，依据所述每个人体下肢产生的步距、步频及腿距数据构建CNN神经网络机器学习模型。
步骤S9：结合分时复用的MIMO微带天线及CNN神经网络机器学习模型实时监测多人体步态。
本实施例的方法采用多组对发射和多收的分时复用的MIMO天线结构，以提高拾取微弱信号能力和方位角分辨率，并利用毫米波段(30GHz-300GHz)的高精度，高分辨率的特点，实现了对远场空间内多个目标人体的下肢步态，即下肢运动产生的步距、步频(步速)和腿距进行精准识别。而且不会泄露个人隐私，可以在公共场所和居家环境中使用，例如：小区安防、楼宇的准入、办公室的准入等无需刷脸等特定动作，方便人员直接进入；酒店等服务场所可根据已存档的客人信息，识别每一位客人，为其提供个性化的服务；在家庭环境下，更不适合大量使用摄像头等影像信息作为识别手段。步态识别技术结合智能家居系统，可根据每个家庭成员的不同偏好，提供一系列个性化的服务，如室温、照明、室内光线、音乐类型及电视节目等等生活起居的细节。
具体地，步骤S3包括：
如图7所示，根据距离-多普勒图谱对静物(墙壁，天花板，家具，家用大型电器及电视电脑等)环境模型建模，以去除毫米波反射信号中的对应监测空间中静物的成分，从而得到由人体下肢移动产生的多组点云数据。
由于监测空间内的运动物体除了人体以为还可能是宠物等，会对人体下肢步态识别产生干扰，因此，本实施例中，步骤S5和S6之间还包括：
将RSS幅值和接收角AoA的角度ω与预设的RSS幅值阈值和ω阈值做比较，保留所有符合阈值内的数据。
对保留的RSS幅值的能谱积分求和，与预设的能谱积分求和值做比较，成倍数大于单体值(即单体人体的RSS幅值)的数据表明为多目标人体，因此保留成倍数大于单体值对应的信号强度幅值，小于单体值为宠物等动物的数值干扰，予以剔除。
对接收角AoA的角度ω和保留成倍数大于单体值对应的RSS幅值做汉明函数加权运算，以抑制副瓣数据影响，提高主瓣数据的信噪比解调，得到汉明函数加权运算后的多组点云数据集合。
其中，上述RSS幅值阈值以每个人体对应的多组RSS幅值中最大值的平均值为阈值上限，最小值的平均值为阈值的下限；所述ω阈值以每个人体对应的接收角AoA的角度ω中最大值的平均值为阈值上限，最小值的平均值为阈值的下限，被保留的数据均在最大值的平均值和最小值的平均值范围内，从而可以剔除一些被干扰信号产生的偏差较大的数据。同理，预设的单体人体的RSS幅值能谱积分求和值为不同的单体人体的RSS幅值能谱积分求和值的平均值。
本实施例中，步骤S8包括：
S8.1：基于KNN(K-NearestNeighbor)模式识别分类器和K均值聚类算法对所述坐标进行分类识别，以确定视监测空间内的目标人体数目K，KNN模式识别分类器识别流程和K均值聚类算法流程分别如图8和9所示。
S8.2：运用CHI(Calinski-Harabasz Index)算法将K个目标人体各自对应的距离-多普勒图谱集合一一对应区分开。
S8.3：依据每个目标人体对应的距离-多普勒图谱，解析每个人体下肢移动对应的点云数据集合下的人体下肢产生的步距、步频和腿距数据。
S8.4：对于每个集合内的步距，步频和腿距数据做峰值密度的聚类密度算法(DBSCAN算法，Density-Based Spatial Clustering of Applications with Noise)处理，去掉最大和最小峰值密度数据，以中间的峰值密度数据为基准，计算出第K个目标人体的最终数据组并记录，具体算法流程如图10所示。
S8.5：如图11所示，以K个目标人体的最终数据组作为CNN神经网络机器学习模型的输入层，以确认的第K个目标人体步态作为CNN神经网络机器学习模型的输出层，从而得到CNN神经网络机器学习模型。
其中，步骤S8.3包括：
由步骤S3中多普勒FFT得到的数据集合获得每个目标人体下肢的移动速度，将移动速度换算为步频。
对步骤S3中距离FFT得到的数据集合做K均值聚类运算，收敛为两组第一数据。
对每组内的第一数据做二次K均值聚类运算，进而每组内收敛成两组第二数据。
设定距离阈值范围，分别对两组第二数据做均值处理，并保留均值在所述距离阈值范围内的第二数据。
对保留下来的两组内的四个第二数据进行组之间的四次对比均方差运算。
去掉方差值最大的两个对比数据。
余下的两个方差值，值大的对应的即为步距，值小的即为腿距。
具体地，距离阈值范围是以目标人体机器学习的数据样本做基础，自动找出该人体移动产生的最大值和最小值作为该阈值的设定范围，因此这个距离阈值的设定是动态过程，每个目标人体的距离阈值都不同。
步骤S1中，分时复用的MIMO微带天线如图12所示，包括：一组接收阵列1、多组发射阵列2(图中为四组)、接收端多路射频开关3、发射端多路射频开关4、毫米波芯片5和微处理器6，接收阵列1连接接收端多路射频开关3，多组发射阵列2均连接发射端多路射频开关4，接收端多路射频开关3连接毫米波芯片5，发射端多路射频开关4分别连接毫米波芯片5和微处理器6，毫米波芯片5连接微处理器6。其中，接收阵列1的微带间的相互距离为所使用的频率的半波长λ/2，发射阵列2的微带间的相互距离为所使用频率的波长λ。
发射端多路射频开关2受微处理器6的信号控制，以确定所控制的发射阵列，对第一发射阵列到第四发射阵列依次扫描，每一发射阵列2与之对应的接收数据作为一组集合，每完成一次发射端扫描，获取四组数据集合。
毫米波芯片5内的射频放大器将特定频率的毫米波由发射阵列2发射出去。
接收阵列1将接收的毫米波信号，由接收端多路射频开关3传递给毫米波芯片5内的低噪放大器，进行去噪声处理。
毫米波芯片5将接收到的毫米波反射信号去噪处理后，由微处理器6接收，并进入下一步算法处理。优选地，微处理器6经由无线局域网或运营商网络接入本地服务器或云端服务器，由本地服务器或云端服务器进行下一步算法处理。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于毫米波的远场多人体的步态监测方法，其特征在于，包括步骤：
S1：采用分时复用的MIMO微带天线向监测空间内发射多组线性调频连续毫米波信号，并实时接收监测空间内反射的多组毫米波反射信号；
S2：并对所述毫米波反射信号进行滤波去噪，得到滤波后的毫米波反射信号；
S3：对多组所述滤波后的毫米波反射信号分别做距离FFT和多普勒FFT，形成距离-多普勒图谱，基于所述距离-多普勒图谱得到由人体下肢移动产生的多组点云数据集合；
S4：对所述多组点云数据分别做低通滤波处理和I-Q解调，获得RSS幅值和接收角AoA的角度ω；
S5：对所述接收角AoA的角度ω做角度FFT，根据距离FFT的数据和对应的RSS幅值，以及与相对应的AoA角度FFT数据确定多目标人体的极坐标；
S6：对所述多组点云数据集合做运动目标甄别滤波，以获得每个人体下肢移动对应的点云数据集合；
S7：在所述极坐标系中，根据距离-多普勒图谱的每一帧，构造每一帧中每个点云数据的坐标；
S8：根据所述每个人体下肢移动对应的点云数据集合和所述坐标计算每个人体下肢产生的步距、步频及腿距数据，依据所述每个人体下肢产生的步距、步频及腿距数据构建CNN神经网络机器学习模型；
S9：结合分时复用的MIMO微带天线及CNN神经网络机器学习模型实时监测多人体步态。
2.根据权利要求1所述的基于毫米波的远场多人体的步态监测方法，其特征在于，所述步骤S3包括：
根据所述距离-多普勒图谱对静物环境模型建模，以去除毫米波反射信号中的对应监测空间中静物的成分，得到由人体下肢移动产生的多组点云数据。
3.根据权利要求1所述的基于毫米波的远场多人体的步态监测方法，其特征在于，所述步骤S5和S6之间还包括：
将所述RSS幅值和接收角AoA的角度ω与预设的RSS幅值阈值和ω阈值做比较，保留所有符合阈值内的数据；
对保留的RSS幅值的能谱积分求和，与预设的单体人体的RSS幅值能谱积分求和值做比较，保留成倍数大于单体值对应的RSS幅值；
对接收角AoA的角度ω和保留成倍数大于单体值对应的RSS幅值做汉明函数加权运算，以抑制副瓣数据影响，提高主瓣数据的信噪比解调，得到汉明函数加权运算后的多组点云数据集合。
4.根据权利要求3所述的基于毫米波的远场多人体的步态监测方法，其特征在于，所述RSS幅值阈值以每个人体对应的多组RSS幅值中最大值的平均值为阈值上限，最小值的平均值为阈值的下限；所述ω阈值以每个人体对应的接收角AoA的角度ω中最大值的平均值为阈值上限，最小值的平均值为阈值的下限。
5.根据权利要求3所述的基于毫米波的远场多人体的步态监测方法，其特征在于，预设的单体人体的RSS幅值能谱积分求和值为不同的单体人体的RSS幅值能谱积分求和值的平均值。
6.根据权利要求1所述的基于毫米波的远场多人体的步态监测方法，其特征在于，所述步骤S8包括：
S8.1：基于KNN模式识别分类器和K均值聚类算法对所述坐标进行分类识别，以确定视监测空间内的目标人体数目K；
S8.2：运用CHI算法将K个目标人体各自对应的距离-多普勒图谱集合一一对应区分开；
S8.3：依据每个目标人体对应的距离-多普勒图谱，解析每个人体下肢移动对应的点云数据集合下的人体下肢产生的步距、步频和腿距数据；
S8.4：对于每个集合内的步距，步频和腿距数据做峰值密度的聚类密度算法处理，去掉最大和最小峰值密度数据，以中间的峰值密度数据为基准，计算出第K个目标人体的最终数据组并记录；
S8.5：以K个目标人体的最终数据组作为CNN神经网络机器学习模型的输入层，以确认的第K个目标人体步态作为CNN神经网络机器学习模型的输出层，从而得到CNN神经网络机器学习模型。
7.根据权利要求6所述的基于毫米波的远场多人体的步态监测方法，其特征在于，所述步骤S8.3包括：
由步骤S3中多普勒FFT得到的数据集合获得每个目标人体下肢的移动速度，将移动速度换算为步频；
对步骤S3中距离FFT得到的数据集合做K均值聚类运算，收敛为两组第一数据；
对每组内的第一数据做二次K均值聚类运算，进而每组内收敛成两组第二数据；
设定距离阈值范围，分别对两组第二数据做均值处理，并保留均值在所述距离阈值范围内的第二数据；
对保留下来的两组内的四个第二数据进行组之间的四次对比均方差运算；
去掉方差值最大的两个对比数据；
余下的两个方差值，值大的对应的即为步距，值小的即为腿距。
8.根据权利要求7所述的基于毫米波的远场多人体的步态监测方法，其特征在于，所述距离阈值范围是以目标人体机器学习的数据样本做基础，自动找出该人体移动产生的最大值和最小值作为该距离阈值范围。
9.根据权利要求1～8中任一项所述的基于毫米波的远场多人体的步态监测方法，其特征在于，所述分时复用的MIMO微带天线包括：一组接收阵列、多组发射阵列、接收端多路射频开关、发射端多路射频开关、毫米波芯片和微处理器，所述接收阵列连接所述接收端多路射频开关，多组发射阵列均连接所述发射端多路射频开关，所述接收端多路射频开关连接所述毫米波芯片，所述发射端多路射频开关分别连接毫米波芯片和微处理器，所述毫米波芯片连接所述微处理器。
10.根据权利要求9所述的基于毫米波的远场多人体的步态监测方法，其特征在于，所述接收阵列的微带间的相互距离为所使用的频率的半波长λ/2，所述发射阵列的微带间的相互距离为所使用频率的波长λ。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110907502.2A CN113591760B (zh) | 2021-08-09 | 2021-08-09 | 基于毫米波的远场多人体的步态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110907502.2A CN113591760B (zh) | 2021-08-09 | 2021-08-09 | 基于毫米波的远场多人体的步态监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113591760A true CN113591760A (zh) | 2021-11-02 |
| CN113591760B CN113591760B (zh) | 2024-01-05 |
Family
ID=78256339
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110907502.2A Active CN113591760B (zh) | 2021-08-09 | 2021-08-09 | 基于毫米波的远场多人体的步态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113591760B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023080018A1 (ja) * | 2021-11-04 | 2023-05-11 | オムロン株式会社 | 生体情報処理装置、生体情報処理方法およびプログラム |
| WO2023088395A1 (zh) * | 2021-11-22 | 2023-05-25 | 江苏邦邦智能科技有限公司 | 步态数据的获取方法、助行设备和计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110554379A (zh) * | 2019-09-18 | 2019-12-10 | 南京慧尔视智能科技有限公司 | 基于微多普勒的人员检测方法及系统 |
| CN111259700A (zh) * | 2018-12-03 | 2020-06-09 | 北京京东尚科信息技术有限公司 | 用于生成步态识别模型的方法和装置 |
| CN111476078A (zh) * | 2019-02-28 | 2020-07-31 | 杭州芯影科技有限公司 | 基于毫米波步态生物特征的身份识别方法和系统 |
| US20200268257A1 (en) * | 2019-02-27 | 2020-08-27 | Pegatron Corporation | Multi-target vital sign detection system and method |
| CN111738060A (zh) * | 2020-05-07 | 2020-10-02 | 复旦大学 | 基于毫米波雷达的人体步态识别系统 |
| CN112541398A (zh) * | 2020-11-17 | 2021-03-23 | 芜湖美的厨卫电器制造有限公司 | 基于步态识别用户的方法、装置、处理器及热水器 |
-
2021
- 2021-08-09 CN CN202110907502.2A patent/CN113591760B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259700A (zh) * | 2018-12-03 | 2020-06-09 | 北京京东尚科信息技术有限公司 | 用于生成步态识别模型的方法和装置 |
| US20200268257A1 (en) * | 2019-02-27 | 2020-08-27 | Pegatron Corporation | Multi-target vital sign detection system and method |
| CN111476078A (zh) * | 2019-02-28 | 2020-07-31 | 杭州芯影科技有限公司 | 基于毫米波步态生物特征的身份识别方法和系统 |
| CN110554379A (zh) * | 2019-09-18 | 2019-12-10 | 南京慧尔视智能科技有限公司 | 基于微多普勒的人员检测方法及系统 |
| CN111738060A (zh) * | 2020-05-07 | 2020-10-02 | 复旦大学 | 基于毫米波雷达的人体步态识别系统 |
| CN112541398A (zh) * | 2020-11-17 | 2021-03-23 | 芜湖美的厨卫电器制造有限公司 | 基于步态识别用户的方法、装置、处理器及热水器 |
Non-Patent Citations (1)
| Title |
|---|
| 段鹏松;周志一;王超;曹仰杰;王恩东;: "WiNet：一种适用于无线感知场景的步态识别模型", 西安交通大学学报, no. 07 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023080018A1 (ja) * | 2021-11-04 | 2023-05-11 | オムロン株式会社 | 生体情報処理装置、生体情報処理方法およびプログラム |
| WO2023088395A1 (zh) * | 2021-11-22 | 2023-05-25 | 江苏邦邦智能科技有限公司 | 步态数据的获取方法、助行设备和计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113591760B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112998668B (zh) | 基于毫米波的非接触式远场多人体呼吸心率监测方法 | |
| CN108629380B (zh) | 一种基于迁移学习的跨场景无线信号感知方法 | |
| Yang et al. | Dense people counting using IR-UWB radar with a hybrid feature extraction method | |
| CN108989976B (zh) | 一种智慧教室内的指纹定位方法及系统 | |
| CN106851573B (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
| CN111738060A (zh) | 基于毫米波雷达的人体步态识别系统 | |
| Ni et al. | Gait-based person identification and intruder detection using mm-wave sensing in multi-person scenario | |
| CN113591760B (zh) | 基于毫米波的远场多人体的步态监测方法 | |
| Korany et al. | Multiple people identification through walls using off-the-shelf WiFi | |
| CN113447905A (zh) | 双毫米波雷达人体跌倒检测装置及检测方法 | |
| CN113391282A (zh) | 一种基于雷达多维特征融合的人体姿态识别方法 | |
| CN116106855B (zh) | 摔倒检测方法及摔倒检测装置 | |
| CN112859063A (zh) | 基于毫米波的多人体目标识别及计数方法 | |
| CN113835074A (zh) | 一种基于毫米波雷达的人流量动态监测方法 | |
| CN110413655B (zh) | 一种基于改进隐马尔科夫模型的楼层识别方法 | |
| CN112634566A (zh) | 基于毫米波的智能电子围栏构建方法及系统 | |
| CN111983595A (zh) | 一种室内定位的方法及装置 | |
| WO2023213051A1 (zh) | 一种基于csi信号到达角估计的静态人体姿势估计方法 | |
| CN113739790B (zh) | 一种被动式室内定位系统及定位方法 | |
| CN114676727B (zh) | 一种基于csi的与位置无关的人体活动识别方法 | |
| WO2022101390A2 (en) | Optimization of dataset | |
| CN111239682B (zh) | 一种电磁发射源定位系统及方法 | |
| CN115333624A (zh) | 基于谱估计检测的可见光室内定位方法、系统及计算机可读介质 | |
| CN107607955B (zh) | 一种数据筛选方法以及地物杂波的筛选装置 | |
| CN113947123B (zh) | 人员轨迹识别方法、系统、存储介质和设备 |
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 |