CN113640792B - 一种基于机器学习的车内生命体毫米波雷达检测方法 - Google Patents
一种基于机器学习的车内生命体毫米波雷达检测方法 Download PDFInfo
- Publication number
- CN113640792B CN113640792B CN202110764817.6A CN202110764817A CN113640792B CN 113640792 B CN113640792 B CN 113640792B CN 202110764817 A CN202110764817 A CN 202110764817A CN 113640792 B CN113640792 B CN 113640792B
- Authority
- CN
- China
- Prior art keywords
- millimeter wave
- living body
- vehicle
- wave radar
- machine learning
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000010801 machine learning Methods 0.000 title claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000000241 respiratory effect Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000000819 phase cycle Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01S13/88—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
- 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
- G01S13/886—Radar or analogous systems specially adapted for specific applications for alarm 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于机器学习的车内生命体毫米波雷达检测方法,利用毫米波雷达对车内进行信号采集;对雷达回波信号进行预处理;分别提取生命体目标的距离‑角度热图中的特征和生命体呼吸、心跳的特征;对两种特征进行结合并利用机器学习分类器进行生命体的检测识别。本发明可以有效结合两种包含生命体信息的特征,在不给被测者带来不适的前提下,可以准确地进行车内生命体身份、人数、位置的确定与识别。
Description
技术领域
本发明涉及汽车安全领域,具体为一种基于机器学习的车内生命体毫米波雷达检测方法。
背景技术
近年来,随着私家车的普及,儿童被困车内导致窒息的安全事故屡见不鲜,宠物被困车内致死的案例,更是不计其数。目前检测车内遗留生命体的方法大体分为几类:红外线探测、摄像头探测、重力感应探测等。然而这些方案均存在明显缺陷:红外线探测容易受各种热源如阳光源干扰,且红外穿透力差,人体红外容易被遮挡,不易被探测器接收;摄像头探测方法一方面受周围光线的影响大,且会产生视野盲区,可能存在检测死角,另一方面存在泄露个人隐私的安全问题。重力感应探测误判的可能性更大,一方面儿童或宠物的重量本身很小,可能无法达到触发传感器报警的阈值,另一方面,电脑包、行李等也有可能误触发报警。
最近,由于雷达传感器具有不受外界环境影响、抗干扰能力强、对身体无害、有效保护车内人员隐私等优点,基于雷达传感器的车内生命体检测引起了人们的关注。Lim S,Lee S,Jung J在其发表的论文“Detection and Localization ofPeople Inside VehicleUsing Impulse Radio Ultra-Wideband Radar Sensor”(IEEE Sensors Journal,2019,PP(99):1-1)中使用IR-UWB雷达对车内进行检测,提取雷达回波波形中代表信号统计特性的参数,如均值、方差、方差系数等,将这些特征应用于机器学习的方法,估计出车内人员的位置与人数,其准确度为92%。但该方法存在的不足之处是,实验参与者全部为成人且要求实验时身体保持静止,该方法没有考虑人体微动和儿童遗留在车里的情况,并且分类情况为车内无人的准确率为96%,将其应用于报警系统,会发生误报。Hyun E,JinY S,Park J H在其发表的论文“Machine Learning-Based Human Recognition Scheme Using a DopplerRadar Sensor for In-Vehicle Applications”(Sensors,2020,20(21):6202.)中提出一种基于多普勒频谱的CW雷达传感器的车内乘客检测方法,使用决策树的方法对车内有无运动的人进行分类,平均分类准确率达到98.6%,该方法考虑到了人体微动的情况,但该方法存在的不足之处是,该方案仅考虑了一个成人的情况,并且没有考虑识别车内人员的位置。
发明内容
本发明的目的在于提供了一种基于机器学习的车内生命体毫米波雷达检测方法。
实现本发明目的的技术方案为:一种基于机器学习的车内生命体毫米波雷达检测方法,具体步骤为:
步骤1,利用毫米波雷达对车内后排座位的各种情况进行原始数据的采集;
步骤2,对步骤1采集到的雷达信号进行预处理,包括对雷达回波信号的快时间维进行Savitzky-Golay滤波,以及进行快时间维的傅里叶变换;
步骤3,对步骤2中预处理过的回波信号通过最小协方差谱估计算法得到距离-角度热图,并对热图进行目标区域的划分,从目标区域提取生命体位置信息特征,得到生命体位置信息特征数据集;
步骤4,对步骤2中预处理过的回波信号进行目标生命体相位信号的提取,并对相位信号进行差分后,通过改进的多序列VMD算法进行呼吸信号与心跳信号的分离,在频域提取出特征值,得到生命体体征信息特征数据集;
步骤5,将生命体位置信息特征数据集与体征信息特征集进行特征的结合,得到最终的特征数据集;
步骤6,利用特征数据集训练机器学习分类器,对车内后排生命体进行识别分类。
优选地,所述毫米波雷达的发射信号为调频连续波信号,采用多天线收发模式,并通过虚拟天线增加天线口径,进而提高角度分辨率。
优选地,所述毫米波雷达安装在前排座椅靠背上方的车顶上,面向后排座椅。
优选地,所述生命体位置信息特征包括移动平均功率能量、平均功率比、区域功率相关系数,其中:
第i个区域,慢时间维度上的第t帧的移动平均功率能量为:
其中,L是移动平均窗的长度,Qi[l]表示在区域i中,慢时间维度上的第l帧的平均功率能量,具体为:Sx,y[l]是在l帧时距离-角度热图中坐标为(x,y)处的元素,Zi为目标区域;
第i个区域,第t帧图像的平均功率比为:
其中,NZ是目标区域的个数;
第i个区域,第t帧图像的区域功率相关系数为:
其中,σi[t]是区域i的Qi[t]的标准偏差,定义如下:
优选地,提取目标生命体相位信号的具体方法为:
对预处理过的回波信号进行目标的检测,获取一个接收通道得到的二维雷达数据块y[M′,N′],在快时间维度上找到幅度最大的点作为目标所在的距离单元;
对二维雷达数据块进行DC直流偏置校准;
使用扩展的微分交叉乘法算法进行相位提取,具体公式为:其中t为帧数,Q[t]、I[t]是无直流时信号的实部和虚部,I(t)′与Q(t)′分别是I(t)和Q(t)的微分形式。
优选地,通过改进的多序列VMD算法进行呼吸信号与心跳信号的分离的具体方法为:
将相位差序列构成矩阵;
使用改进的多序列VMD算法对矩阵进行分解获得IMF分量;
在多个IMF分量中选取生命体的呼吸和心跳分量,提取频域中的频率值和振幅强度作为生命体的体征信息特征。
优选地,使用改进的多序列VMD算法对矩阵进行分解获得IMF分量的具体过程为:
1.初始化模态分量的带宽中心频率ωk 0,拉格朗日乘子/>迭代次数q←0,以及最大迭代次数Q;
2.q=q+1,进入循环;
3.依据和ωk的更新公式进行更新,直至分解个数达到K时停止内循环,/>和ωk的更新公式分别为:
其中分别对应uk(t)、zs(t)的傅里叶变换,uk(t)为第k个IMF分量,zs(t)为S个序列构成的矩阵;
4.依据的更新公式/>更新每一个序列的拉格朗日乘子/>式中η为噪声容忍度,/>为第q+1次迭代时,第k个IMF分量的带宽;
5.给定精度ε>0,若不满足停止条件且q<Q,则返回2,否则完成迭代,输出最终的/>和ωk。
本发明与现有技术相比,其显著优点为:
1.本发明采用毫米波雷达进行生命体的识别,毫米波雷达具有不受温度、湿度、光线等影响的特点,且抗干扰能力强、灵敏度高、具有一定的穿透性,毫米波雷达对身体无害,对生命体的识别精度高;
2.本发明结合生命体的位置信息特征和体征信息特征共同进行判断,进一步保障了检测的精度,大大降低了误差率,本发明不仅能对生命体位置进行判断,还可以对生命体身份进行识别;
3.本发明为了应对车内复杂的环境,以及减小生命体自身身体晃动对体征信号提取的影响,运用一种新的多序列VMD算法,能够更为准确地估计回波中所携带的生命体征信号,从而提高识别的准确性。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明基于机器学习的毫米波车内生命体检测方法的流程图。
图2为本发明毫米波雷达安装示意图。
图3为本发明毫米波雷达提取目标位置信息的流程图。
图4为本发明毫米波雷达提取目标体征信息的流程图。
图5为一个实施例中不同特征数据集的分类准确度对比图。
具体实施方式
下面对照附图,通过对实施例的描述,对本发明的具体实施方式作进一步详细的说明。
如图1所示,一种基于机器学习的车内生命体毫米波雷达检测方法,包括以下步骤:
步骤1,利用毫米波雷达对车内后排座位的各种情况进行原始信号的采集。
本实施例使用的毫米波雷达中心频率在77GHz、带宽为4GHz,发射信号为调频连续波信号,采用多天线收发模式,具体为两发四收模式,发射天线采用分时复用的工作模式。
结合图2,本实施例关注目标为车内后排座位生命体识别情况,并对表1中的八种情况分别进行数据的采集。
表1
为了减少车内环境对信号的影响更好地实现对待检测区域的覆盖,考虑将毫米波雷达安装在前排座椅靠背上方的车顶上,面向后排座椅。将待测目标区域划分为若干个子区域进行检测;
在某些实施例中,将待检的目标区域划分为左边区域zone1和右边区域zone2,zone1和zone2所覆盖的距离范围均为100cm~150cm,角度范围分别为-35°~-5°和5°~35°。
步骤2,对步骤1采集到的雷达信号进行预处理,包括对雷达回波信号的快时间维进行Savitzky-Golay滤波,并进行快时间维的傅里叶变换,并进一步平滑去噪,具体步骤为:
步骤2-1,将采集到的原始数据存入雷达数据块y[M,N,R]中,雷达数据块分别以快时间、慢时间和天线相位中心为坐标轴,M为快时间采样点数,N为慢时间采样点数,即帧数,R为天线相位中心对应的接收通道数。对雷达回波信号的快时间维度进行Savitzky-Golay滤波,通过多项式最小二乘拟合的滤波方法来平滑回波中的杂波和噪声,同时保留生命体目标回波的微弱细节信息。本发明选用拟合点数为11,阶数为4的Savitzky-Golay滤波器,实现信号的增强。
步骤2-2,对雷达数据块进行快时间维的傅里叶变换,并将每一个接收通道得到的二维雷达数据块y[m,n]进行均值滤波,通过公式:
消除一些静态的杂波,式中M表示快时间采样点数,N表示慢时间维上总脉冲帧数,m为第n帧中回波位置数。
步骤3,对步骤2中预处理过的回波信号通过最小协方差谱估计算法(Capon)得到距离-角度热图,并将若干个子区域对应的热图中的区域定义为关注的目标区域,是第i个区域内所有距离-角度热图中数据的集合,表示区域i的距离范围边界值和角度范围边界值,从目标区域Zi中提取移动平均功率能量、平均功率比、区域功率相关系数等特征,得到生命体位置信息特征数据集。具体流程图如图3所示,上述特征值具体定义为:
(1)移动平均功率能量,表征前L帧热图中,目标区域的平均功率。
对于第i个区域,慢时间维度上的第t帧的移动平均功率能量为:
其中,L是移动平均窗的长度,Qi[l]表示在区域i中,慢时间维度上的第l帧的平均功率能量,具体为:Sx,y[l]是在l帧时距离-角度热图中坐标为(x,y)处的元素。
(2)平均功率比,表征某个区域能量占总能量的比值。对于第i个区域,慢时间维度上的第t帧时,其平均功率比为:
其中,NZ是目标区域的个数。
(3)区域功率相关系数,表示不同目标区域间的相关性,对于区域i和区域j,其相关系数为:
其中,σi[t]是区域i的Qi[t]的标准偏差,定义如下:
步骤4,对步骤2中预处理过的回波信号进行目标生命体相位信号的提取,并对相位信号进行差分后,通过多序列VMD算法进行呼吸信号与心跳信号的分离,最后在频域提取出特征值,得到生命体体征信息特征数据集。具体流程图如图4所示,具体步骤为:
步骤4-1,目标检测:对预处理过的回波信号进行目标的检测,获取一个接收通道得到的二维雷达数据块y[M′,N′],在快时间维度上找到幅度最大的点,即为目标所在的距离单元。目标的检测是持续跟踪变化的,例如生命体位置发生改变,则会重新确定目标所在的距离单元。
步骤4-2,DC直流偏置校准:在实际情况中,接收的信号是存在DC直流项的,在相位分析之前应将DC直流偏置校准,否则在相位域中会产生谐波。在复平面中,DC直流会导致信号的星座图中心从原点移动到新点x(x=[dcr,dci]T),如果DC直流项表示为di+jdq,则受到损坏的相位值为其中Q[t]、I[t]是无直流时信号的实部和虚部。基于非线性最小二乘估计法(NLLS)找到复平面中星座图的中心和半径,从而校准信号的星座图使之从点x移动回到原点坐标,以去除假目标等非线性失真和干扰。
步骤4-3,相位提取:由于呼吸和心跳导致的胸部位移大概是12mm,是本发明所采用毫米波雷达波长(4mm)的几倍,使用非线性反正切解调提取包含生命体征信号的相位值时,相位值将超过相位范围这会导致相位不连续和相位跳变等问题。因此使用扩展的微分交叉乘法(DACM)算法以解决相位模糊的问题,将反正切函数变为求导运算,则有其中I(t)′与Q(t)′分别是I(t)和Q(t)的微分形式,将上式用离散形式表示并将积分变为累加得:/>其中n为慢时间维上的帧数,至此获得了较为实际的相位序列。
步骤4-4,相位差提取:将步骤4-3得到的相位序列中相邻的两个相位做差运算,即得到一组新的相位差数据。差分相位可以消除相位漂移并增强心跳信号,若相位差中一些数据超出所规定的阈值threshold=1.0,则采用分段三次Hermite插值多项式(PCHIP)将其替换。
步骤4-5,呼吸信号与心跳信号的分离:使用改进的多序列变分模态分解算法进行信号的分离。实际情况中,车内环境较为复杂,回波中包含生命体的呼吸信号、心跳信号、和自身身体的微动等,而这些分量在频率上是重叠的,仅用简单的带通滤波器是无法滤除的。传统的变分模态分解算法是通过迭代来得到最优解,从而确定每个固有模态分量的中心频率和带宽来提取出每个模态分量,且每个模态的大部分都在中心频率附近,分量的带宽之和最小。由于传统的变分模态分解算法只适用于单个序列,而实际情况中单个信号序列不足以提取完整的生命体征,因此将多个序列组合起来以实现更为准确的生命体征信号的提取。
本发明中采用的序列个数S=3,具体为步骤4-4得到的相位差序列以及在快时间维度上相邻的前、后序列,将这三个序列构成的矩阵使用多序列变分模态算法进行分解,根据呼吸的频率范围0.1~0.5Hz和心跳的频率范围0.8~2Hz,在多个IMF分量中选取生命体的呼吸和心跳分量,提取频域中的频率值和振幅强度作为生命体的体征信息特征。
多序列变分模态算法具体为:
将S个序列构成的矩阵z(t)=[z1(t),z2(t),...,zS(t)]T分解成K个固有模态函数(IMF),得到其中uk(t)是第k个IMF分量,分解IMF的过程具体如下:
1.初始化模态分量的带宽中心频率ωk 0,拉格朗日乘子/>迭代次数q←0,以及最大迭代次数Q。
2.q=q+1,进入循环;
3.依据和ωk的更新公式进行更新,直至分解个数达到K时停止内循环,/>和ωk的更新公式分别为
其中分别对应uk(t)、zs(t)的傅里叶变换。
4.依据的更新公式/>更新每一个序列的拉格朗日乘子/>式中η为噪声容忍度,以满足信号分解的保真度要求。
5.给定精度ε>0,若不满足停止条件且q<Q,则返回步骤2,否则完成迭代,输出最终的/>和ωk。
本发明中对算法中几个重要参数设置如下:序列个数S=3,模态个数K=4;收敛公差准则ε=1e-7,最大迭代次数为Q=500;
步骤5,将步骤3和步骤4得到的生命体位置信息特征数据集与体征信息特征集进行组合,得到最终的总特征数据集。
步骤6,利用步骤5得到的特征数据集采用5-折交叉验证法进行机器学习分类器的训练,对车内后排生命体进行识别分类,最终得到分类结果。结合图5,仅用位置信息特征数据集进行分类,准确率最高为95.9%,利用总特征数据集进行分类,准确率有所提升,最高为99.0%。
综上所述,本发明的基于机器学习的车内生命体毫米波雷达检测方法,适用于车内的复杂环境,对生命体身体无害、有效保护车内人员隐私且不受外界环境影响,组合位置信息特征与体征信息特征,有效地提高了识别准确性,可靠性高。
上面对本专利的实施方式作了详细说明,但本专利并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本专利宗旨的前提下做出各种变化。
Claims (6)
1.一种基于机器学习的车内生命体毫米波雷达检测方法,其特征在于,具体步骤为:
步骤1,利用毫米波雷达对车内后排座位的各种情况进行原始信号采集;
步骤2,对步骤1采集到的雷达信号进行预处理,包括对雷达回波信号的快时间维进行Savitzky-Golay滤波,以及进行快时间维的傅里叶变换;
步骤3,对步骤2中预处理过的回波信号通过最小协方差谱估计算法得到距离-角度热图,并对热图进行目标区域的划分,从目标区域提取生命体位置信息特征,得到生命体位置信息特征数据集;
所述生命体位置信息特征包括移动平均功率能量、平均功率比、区域功率相关系数,其中:
第i个区域,慢时间维度上的第t帧的移动平均功率能量为:
其中,L是移动平均窗的长度,Qi[l]表示在区域i中,慢时间维度上的第l帧的平均功率能量,具体为:Sx,y[l]是在l帧时距离-角度热图中坐标为(x,y)处的元素,Zi为目标区域;
第i个区域,第t帧图像的平均功率比为:
其中,NZ是目标区域的个数;
第i个区域,第t帧图像的区域功率相关系数为:
其中,σi[t]是区域i的Qi[t]的标准偏差,定义如下:
步骤4,对步骤2中预处理过的回波信号进行目标生命体相位信号的提取,并对相位信号进行差分后,通过改进的多序列VMD算法进行呼吸信号与心跳信号的分离,在频域提取出特征值,得到生命体体征信息特征数据集;
步骤5,将生命体位置信息特征数据集与体征信息特征集进行特征的结合,得到最终的特征数据集;
步骤6,利用特征数据集训练机器学习分类器,对车内后排生命体进行识别分类。
2.根据权利要求1所述的基于机器学习的车内生命体毫米波雷达检测方法,其特征在于,所述毫米波雷达的发射信号为调频连续波信号,采用多天线收发模式,并通过虚拟天线增加天线口径,进而提高角度分辨率。
3.根据权利要求1所述的基于机器学习的车内生命体毫米波雷达检测方法,其特征在于,所述毫米波雷达安装在前排座椅靠背上方的车顶上,面向后排座椅。
4.根据权利要求1所述的基于机器学习的车内生命体毫米波雷达检测方法,其特征在于,提取目标生命体相位信号的具体方法为:
对预处理过的回波信号进行目标的检测,获取一个接收通道得到的二维雷达数据块y[M′,N′],在快时间维度上找到幅度最大的点作为目标所在的距离单元;
对二维雷达数据块进行DC直流偏置校准;
使用扩展的微分交叉乘法算法进行相位提取,具体公式为:其中t为帧数,Q[t]、I[t]是无直流时信号的实部和虚部,I(t)′与Q(t)′分别是I(t)和Q(t)的微分形式。
5.根据权利要求1所述的基于机器学习的车内生命体毫米波雷达检测方法,其特征在于,通过改进的多序列VMD算法进行呼吸信号与心跳信号的分离的具体方法为:
将相位差序列构成矩阵;
使用改进的多序列VMD算法对矩阵进行分解获得IMF分量;
在多个IMF分量中选取生命体的呼吸和心跳分量,提取频域中的频率值和振幅强度作为生命体的体征信息特征。
6.根据权利要求5所述的基于机器学习的车内生命体毫米波雷达检测方法,其特征在于,使用改进的多序列VMD算法对矩阵进行分解获得IMF分量的具体过程为:
1.初始化模态分量的带宽中心频率ωk 0,拉格朗日乘子/>迭代次数q←0,以及最大迭代次数Q;
2.q=q+1,进入循环;
3.依据和ωk的更新公式进行更新,直至分解个数达到K时停止内循环,/>和ωk的更新公式分别为:
其中分别对应uk(t)、zs(t)的傅里叶变换,uk(t)为第k个IMF分量,zs(t)为S个序列构成的矩阵;
4.依据的更新公式/>更新每一个序列的拉格朗日乘子/>式中η为噪声容忍度,/>为第q+1次迭代时,第k个IMF分量的带宽;
5.给定精度ε<0,若不满足停止条件且q>Q,则返回2,否则完成迭代,输出最终的/>和ωk。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764817.6A CN113640792B (zh) | 2021-07-06 | 2021-07-06 | 一种基于机器学习的车内生命体毫米波雷达检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764817.6A CN113640792B (zh) | 2021-07-06 | 2021-07-06 | 一种基于机器学习的车内生命体毫米波雷达检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113640792A CN113640792A (zh) | 2021-11-12 |
CN113640792B true CN113640792B (zh) | 2024-02-13 |
Family
ID=78416803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110764817.6A Active CN113640792B (zh) | 2021-07-06 | 2021-07-06 | 一种基于机器学习的车内生命体毫米波雷达检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113640792B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114527463B (zh) * | 2022-04-24 | 2022-08-12 | 南京楚航科技有限公司 | 一种利用相位匹配的车内活体检测方法及设备 |
CN114841291B (zh) * | 2022-07-01 | 2022-09-30 | 山东大学 | 一种基于毫米波的非接触物质检测方法 |
CN115061113B (zh) * | 2022-08-19 | 2022-11-01 | 南京隼眼电子科技有限公司 | 用于雷达的目标检测模型训练方法、装置及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956388A (zh) * | 2016-04-27 | 2016-09-21 | 南京理工大学 | 基于vmd的人体生命体征信号分离方法 |
CN110058225A (zh) * | 2019-04-09 | 2019-07-26 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种基于毫米波雷达的车内生命体检测系统及方法 |
CN112137620A (zh) * | 2020-08-27 | 2020-12-29 | 广东省地震局 | 一种基于超宽带雷达的人体微弱呼吸信号检测方法 |
CN112711979A (zh) * | 2020-11-18 | 2021-04-27 | 北京邮电大学 | 基于生物雷达的慢速随机运动下非接触生命体征监测 |
CN112741611A (zh) * | 2020-12-25 | 2021-05-04 | 上海交通大学 | 基于毫米波感知的多人体生命体征同步监测系统及方法 |
CN113009584A (zh) * | 2021-02-06 | 2021-06-22 | 中国人民解放军国防科技大学 | 一种超宽带mimo雷达生命体征探测定位方法 |
CN112998701A (zh) * | 2021-03-27 | 2021-06-22 | 复旦大学 | 基于毫米波雷达的生命体征检测与身份识别系统和方法 |
-
2021
- 2021-07-06 CN CN202110764817.6A patent/CN113640792B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956388A (zh) * | 2016-04-27 | 2016-09-21 | 南京理工大学 | 基于vmd的人体生命体征信号分离方法 |
CN110058225A (zh) * | 2019-04-09 | 2019-07-26 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种基于毫米波雷达的车内生命体检测系统及方法 |
CN112137620A (zh) * | 2020-08-27 | 2020-12-29 | 广东省地震局 | 一种基于超宽带雷达的人体微弱呼吸信号检测方法 |
CN112711979A (zh) * | 2020-11-18 | 2021-04-27 | 北京邮电大学 | 基于生物雷达的慢速随机运动下非接触生命体征监测 |
CN112741611A (zh) * | 2020-12-25 | 2021-05-04 | 上海交通大学 | 基于毫米波感知的多人体生命体征同步监测系统及方法 |
CN113009584A (zh) * | 2021-02-06 | 2021-06-22 | 中国人民解放军国防科技大学 | 一种超宽带mimo雷达生命体征探测定位方法 |
CN112998701A (zh) * | 2021-03-27 | 2021-06-22 | 复旦大学 | 基于毫米波雷达的生命体征检测与身份识别系统和方法 |
Non-Patent Citations (1)
Title |
---|
基于MUSIC算法的生命探测雷达信号处理方法;文乐;方晖;张兴敢;;南京大学学报(自然科学)(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113640792A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113640792B (zh) | 一种基于机器学习的车内生命体毫米波雷达检测方法 | |
CN104237881B (zh) | Fmcw防碰撞雷达多目标检测与跟踪系统及方法 | |
CN102058411B (zh) | 一种多通道基于uwb雷达式生命探测仪 | |
CN109507653A (zh) | 一种基于uwb的多信息感知生物雷达系统及其获取目标信息的方法 | |
CN106019254B (zh) | 一种uwb冲击生物雷达多人体目标距离向分离辨识方法 | |
CN106093868B (zh) | 一种基于双源ir-uwb生物雷达的强反射杂波消除方法 | |
CN109597065B (zh) | 一种用于穿墙雷达检测的虚警抑制方法、装置 | |
CN102073042A (zh) | 一种多通道基于uwb雷达式生命探测仪的多个人体目标二维定位方法 | |
Lim et al. | Detection and localization of people inside vehicle using impulse radio ultra-wideband radar sensor | |
CN113945913A (zh) | 一种基于毫米波雷达点云的车内人员检测方法 | |
CN110200607B (zh) | 基于光流法与lms算法消除生命体征检测中体动影响的方法 | |
CN110456320A (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 | |
CN116981954A (zh) | 用于操作超宽带设备的方法、超宽带设备以及包括超宽带设备的车辆 | |
CN102018515B (zh) | 单通道基于uwb雷达式生命探测仪的多个人体目标识别和一维定位方法 | |
CN106019391A (zh) | 一种基于全向生物雷达的二维ca-cfar人体随机体动的检测方法 | |
CN110703272B (zh) | 一种基于车车通信和gmphd滤波的周边目标车辆状态估计方法 | |
CN107220628A (zh) | 红外干扰源检测的方法 | |
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 | |
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 | |
CN106027963B (zh) | 一种应用于车辆的防逃逸方法及系统 | |
KR20210001840A (ko) | 딥러닝을 이용한 사람 감지 및 인원 수 검출을 위한 레이더 신호 처리 방법 및 레이더 시스템 | |
Ding et al. | A fall detection method based on K-nearest neighbor algorithm with MIMO millimeter-wave radar | |
Kalra et al. | Target detection using smooth pseudo Wigner-Ville distribution | |
CN110287957B (zh) | 一种低慢小目标的定位方法及定位装置 | |
Tahmoush et al. | Stride rate in radar micro-doppler images |
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 |