CN113646729A - 使用雷达系统检测和分类姿势的方法 - Google Patents

使用雷达系统检测和分类姿势的方法 Download PDF

Info

Publication number
CN113646729A
CN113646729A CN201980094029.1A CN201980094029A CN113646729A CN 113646729 A CN113646729 A CN 113646729A CN 201980094029 A CN201980094029 A CN 201980094029A CN 113646729 A CN113646729 A CN 113646729A
Authority
CN
China
Prior art keywords
phase difference
radar system
neural network
information
detection
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.)
Pending
Application number
CN201980094029.1A
Other languages
English (en)
Inventor
费泰
孙宇亮
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.)
Hella GmbH and Co KGaA
Original Assignee
Hella GmbH and Co KGaA
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 Hella GmbH and Co KGaA filed Critical Hella GmbH and Co KGaA
Publication of CN113646729A publication Critical patent/CN113646729A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01Q—ANTENNAS, i.e. RADIO AERIALS
    • H01Q1/00—Details of, or arrangements associated with, antennas
    • H01Q1/27—Adaptation for use in or on movable bodies
    • H01Q1/32—Adaptation for use in or on road or rail vehicles
    • H01Q1/325—Adaptation for use in or on road or rail vehicles characterised by the location of the antenna on the vehicle
    • H01Q1/3291—Adaptation for use in or on road or rail vehicles characterised by the location of the antenna on the vehicle mounted in or on other locations inside the vehicle or vehicle body
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Biomedical Technology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

一种使用雷达系统(1)、特别是车辆的雷达系统来进行姿势的检测和分类的方法(100)，包括以下步骤：‑提供雷达系统(1)的检测信息(200)，其中，所述检测信息(200)针对于从雷达系统(1)的天线阵列(10)的不同天线单元(11、12、13、14)接收的信号，‑从检测信息(200)确定至少一个相位差信息(210)，其中，相位差信息(210)针对于所接收的信号的相位差，‑对神经网络(220)施加相位差信息(210)作为神经网络(220)的输入(221)，以获得针对于姿势的检测和分类的结果(222)。

Description

使用雷达系统检测和分类姿势的方法
技术领域
本发明涉及使用雷达系统检测和分类姿势的方法。此外，本发明涉及雷达系统和计算机程序。
背景技术
从本领域中已知，神经网络可以被用于基于雷达信号进行姿势检测。这使得可以通过使用雷达系统来分类不同的姿势，如手势。然而，在这方面的神经网络的使用仍然在技术上是复杂和有限的。例如，分类的可靠性可能不足。此外，通常需要执行从雷达系统接收的数据流的手动剪辑以分离多个姿势。换句话说，传统方法不能在这些数据流中自动检测和分类多个姿势。因此，必须确保只有一个单个的姿势存在于用于神经网络的输入中的剪辑时间段中，这需要更多的努力并且不能成为自动化方法的一部分。
通用方法是从DE 11 2015 003 655T5、DE 10 2016 216 250A1、DE 10 2016 213667A1和DE 10 2016 120 50 50 507A1已知的。
发明内容
通过根据独立权利要求1的方法、根据独立权利要求7的雷达系统、以及根据独立权利要求11的计算机程序来解决上述问题。本发明的特征和细节由从属权利要求、说明书和相应附图得出。因此，关于本发明的方法所讨论的特征和细节也与雷达系统和计算机程序的特征和细节相关。
根据本发明的一个方面，提供了一种用于使用雷达系统进行检测和分类姿势的方法。雷达系统尤其可以是车辆的一部分，优选地是机动车辆和/或乘用车。
根据该方法，可以尤其是一个接一个地以以下顺序或以任何顺序执行以下步骤，其中还可以重复单个步骤：
-提供雷达系统的检测信息，其中，检测信息针对于从雷达系统的天线阵列的不同天线单元接收的信号，其中，尤其是，所述信号包含关于至少一个姿势或多个姿势的信息，其中，优选地，这个或这些姿势由雷达系统的环境中的用户(例如车辆的用户)执行，
-从检测信息确定至少一个相位差信息，其中，相位差信息针对于所接收的信号、特别是在从不同天线单元接收的信号之间的相位差，
-对神经网络施加相位差信息作为神经网络的输入，以获得针对于姿势的检测和分类的结果(作为神经网络的输出)。
这具有以下优点，即通过使用作为神经网络的输入的相位差信息，可以提高检测和/或分类精度的性能。这也使得姿势分类的可靠性更高。
根据另一个优点，根据本发明的方法的步骤可以完全自动地进行，特别是，没有必要根据每个姿势对检测信息(例如，以数据流的形式)进行手动检测和剪辑以作为中间步骤。
可以的是，在使用上述方法步骤之前，执行神经网络的训练。用于对神经网络进行施加的步骤的输入也可以用作用于训练的输入。训练可以基于无监督的学习或监督下的学习，从而教导神经网络以基于输入来检测和分类姿势。
有利地，可以通过使用从不同的天线单元接收的信号来确定检测信息。例如，雷达系统可以采用线性啁啾序列频率调制来设计波形。在混合、过滤和采样这些所接收的信号中的每个之后，相应的离散的节拍信号可以包括环境中的对象的反射点，以用于来自天线单元、特别是接收器天线中的一个的不同的测量周期。为了计算所接收的信号的相位差，可以考虑两个接收器天线之间的在仰角方向和方位角方向上的空间差，其可以是λ/2，其中λ是用于雷达系统的波长。可以进一步处理所接收的信号、特别是节拍信号，以从信号中获得至少一个频谱图。例如，可以在所接收的信号(特别是节拍信号)上施加二维有限的傅立叶变换，优选地用于每个测量周期，使得可以观察到随时间变化的速度信息。作为为每个测量周期施加的傅里叶变换的结果，可以获得三维的范围-多普勒测量周期阵列。通过将所得的三维的范围-多普勒测量周期阵列在范围内进行积分，可以推导出特别是代表μD签名的频谱图。使用具有λ/2的空间差的两个接收器天线，可以基于单脉冲角度估算原理通过相位差来估算对象的方向角度(参见S.Sharenson的“Angle estimation accuracy with amonopulse radar in the search mode(使用搜索模式下的单脉冲雷达的角度预测精确度),”IRE Trans.Aerosp.Navig.Electron,Vol.ANE-9,No.3,pp.175-179,Sep.1962)。对于姿势识别，即检测和分类，相位差信息可以直接用作测量周期的函数，其包含姿势的方向角度的信息。
可以想到，雷达系统用作(特别是用于车辆的)人机界面，因此，雷达系统可以被配置为识别出姿势，如人的手势。这具有的优点是，与光学姿势识别系统不同，雷达传感器对环境光条件不敏感。此外，用于检测雷达系统的电磁波可以穿透介电材料，这允许雷达系统被嵌入装置中。
雷达系统可用于车辆的车载信息娱乐和/或驾驶员监测系统。
有利地，检测信息针对于在雷达系统的环境中、特别是在天线阵列的环境中执行的至少一个(或多个)姿势。这个环境可以例如是车辆的内部空间，从而姿势是由车辆乘员执行的。
此外，神经网络可以被配置为基于区域的深卷积神经网络(R-DCNN)。这种R-DCNN是由S.REN，K.HE，R.Girshick和J.Sun在“Faster R-CNN:Towards real-time objectdetection with region proposal networks(使用区域提案网络进行的针对实时对象的检测),”IEEE Trans.Pattern Anal.Mach.Intell.,Vol.39,No.6,pp.1137-1149,June.2017中公开的示例性实施例。与R-DCNN相关的另一个公开可以在V.Sze,Y.Chen,T.Yang和J.S.Emer的“Efficient processing of deep neural networks:A tutorialand survey(高效的深神经网络处理：教程和考察),”Proceedings of the IEEE,vol.105,No.12,pp.2295-2329,Dec.2017和R.Girshick的在Proceedings IEEEInt.Conf.Comput.Vision,Santiago,Chile,Dec.2015中的“Fast R-CNN,”中找到。R-DCNN能够自动检测和分类来自输入的姿势。进一步地，结果，R-DCNN可以自动区分检测信息内的不同(多个)姿势。因此，可以避免在对神经网络进行施加的步骤之前手动选择包含在检测信息中的姿势。输入可以包括未明确区分的多个姿势。
还可以想到，检测信息针对于姿势的微多普勒签名。因此，为了获得检测信息，雷达系统也可以使用多普勒频率调制，所述多普勒频率调制被称为微多普勒(μD)效应(参见：V.C.Chen,F.Li,S.Ho和H.Wechsler的“Micro-Doppler effect in radar:phenomenon,model,and simulation study(雷达中的微多普勒效应：现象、模型和仿真学习),”IEEETrans.Aerosp.Electron.Syst.,Vol.42,no.1,pp.2-21,Jan.2006)。这使得可以从检测信息(尤其是由检测信息确定的频谱图)中提取μD特征。这些μD特征可以理解为姿势的微多普勒签名。换句话说，微多普勒签名是多普勒频率调制的结果。
可以规定，除了相位差信息之外，至少一个频谱图由检测信息确定并且被用作输入以用于神经网络。换句话说，输入包括频谱图和相位差信息，并被馈送到神经网络中。因此，可能的是，神经网络的输入包含三个通道，即一个频谱图通道和两个相位差通道。这可以进一步提高分类的效率。
优选地，可以规定，输入针对于多个姿势，并且使用神经网络(并且其特别合适)以区分这些多个姿势，使得结果针对于对多个姿势的单个的检测以及对这些单个姿势的分类。这可以具有以下优点：可以自动检测和分类多个姿势而无需根据每个姿势预先手动剪辑检测信息(例如，以数据流的形式)。姿势特别地可以是人体等的身体部位的运动、优选地是手部的运动。
有利地，检测信息由从天线阵列的第一和第二天线单元接收的针对于仰角的信号、以及由从天线阵列的第三和第四天线单元接收的针对于方位角的信号确定。
天线阵列的天线单元可以在天线阵列平台上定位和/或附接成彼此之间具有预定距离。该预定距离可以例如是λ/2，其中λ是用于雷达系统的波长。这允许通过将天线单元的不同信号彼此进行比较来计算来自天线单元的所接收的信号的相位差信息。此外，这允许根据天线阵列平台上的天线单元的布置来计算仰角和方位角。
根据本发明的另一方面，雷达系统包括用于在天线阵列的环境中进行检测的天线阵列，以及数据处理设备。
数据处理设备可以包括：
-用于提供雷达系统的检测信息的装置，其中，检测信息针对于从天线阵列的不同天线单元(例如，单个的天线)接收的信号，
-用于从检测信息确定至少一个相位差信息的装置，其中，相位差信息针对于所接收的信号的相位差，
-用于对神经网络施加相位差信息作为用于神经网络的输入、以获得针对于姿势的检测和分类的结果的装置。
这些装置可以优选地配置为雷达系统的电子设备(硬件)的一部分，如处理器或处理器的部件，或者作为雷达系统的软件部分。如果配置为软件部分，这些装置可以例如是根据本发明的计算机程序的一部分，其可以由处理器从雷达系统的数据存储器读出，以便执行根据本发明的方法的步骤。
数据处理设备可以适用于执行根据本发明的方法的方法步骤。因此，根据本发明的雷达系统可以具有与根据本发明的方法的上下文中所描述的相同的优点。
天线阵列可以被配置为L形天线阵列。这意味着单个天线单元可以在天线阵列平台上以L形几何地布置。这允许从检测信息计算仰角和方位角。特别是，对于该计算，至少两个天线单元之间的空间差是已知的，并且该空间差例如是用于雷达系统的检测的波长的一半。
雷达系统也可以被配置为频率调制的连续波雷达系统(FMCW)。例如，雷达系统可以配置为77GHz FMCW雷达。这允许有效地识别姿势。
根据本发明的另一方面，一种计算机程序、特别是计算机程序产品包括这样的指令，该指令使得当程序由计算机执行时，使计算机执行以下步骤和/或根据本发明的方法的步骤：
-提供雷达系统的检测信息，其中，检测信息针对于从雷达系统的天线阵列的不同天线单元接收的信号，
-从检测信息确定至少一个相位差信息，其中，相位差信息针对于所接收的信号的相位差，
-对神经网络施加相位差信息作为神经网络的输入，以获得针对于姿势的检测和分类的结果。
因此，根据本发明的计算机程序具有与根据本发明的方法的上下文中所描述的相同的优点。计算机程序可以配置成非易失的，并且例如存储在计算机的数据存储器中。此外，计算机可以包括配置为从数据存储器读出计算机程序的处理器，以便执行方法步骤。
附图说明
本发明的进一步的优点、特征和细节由以下描述得知，其中参考附图详细描述了本发明的实施例。因此，权利要求书和说明书中描述的特征的每个都可以单独地或者在每个组合中对本发明来说至关重要。其中：
图1是根据本发明的方法的示意图，
图2是根据本发明的方法的进一步示意图，
图3是根据本发明的方法的进一步示意图，
图4是根据本发明的雷达系统的示意图。
在不同的图中，相同的特征始终对应于相同的附图标记，因此通常相同的特征仅描述一次。
具体实施方式
在图1中，示出了使用雷达系统1的用于检测和分类姿势的方法100。根据第一方法步骤101，提供了雷达系统1的检测信息200，其中检测信息200针对于从雷达系统1的天线阵列10的不同天线单元11、12、13、14接收的信号。根据第二方法步骤102，确定来自检测信息200的至少一个相位差信息210，其中相位差信息210针对于所接收的信号的相位差。根据第三方法步骤103，神经网络220被施加作为神经网络220的输入221的相位差信息210，以获得针对于姿势的检测和分类的结果222。
图2示出了如何示例性地为神经网络220生成输入221的进一步的细节。第一雷达信号111可以从接收自天线阵列10的第一天线单元11的信号获得。第二雷达信号112可以从接收自天线阵列10的第二天线单元12的信号获得。第三雷达信号113可以从接收自天线阵列10的第三天线单元13的信号获得。第四雷达信号114可以从接收自天线阵列10的第四天线单元14的信号获得。
然后，第一雷达信号111可用于时频分析120，以便获得时频谱133(频谱图)。第一雷达信号111和第二雷达信号112可用于通过使用计算121来计算第一相位差信息131。第三雷达信号113和第四雷达信号114可用于通过使用计算121来计算第二相位差信息132。第一相位差信息131和第二相位差信息132与频谱图133一起可以形成用于神经网络220的输入221。
根据图3，描述了用于确定用于神经网络220的输入221的示例性过程。为了产生神经网络220的输入221，可以可选地使用特征提取网络(FEN)。为了从频谱图133和相位差信息131、132中提取特征，可以通过使用七个卷积(Conv)层来构造FEN 134，并且它们中的每一个可以具有3×3的内核尺寸。前四个Conv层的内核数量可以从64、128、256增加到512，并且Conv层5、6和7的内核数量可以为512。在每个Conv层中，经调整的线性单元(RELU)可用作激活功能。此外，Conv层1、2、3和5之后是具有内核尺寸2×2的最大池层。FEN 134的输出是特征地图135。特征地图135可以具有W×H×512的尺寸。在特征地图135的每个像素中，可以使用三个规模8×8、16×16、32×32和三个长宽比1：2、1：1、2：1产生九个锚点。然后，在总共九个W H的可能的锚点中，网络可以给出几个区域提案，即感兴趣的区域(RoIs)，其通过网络中的接下来的层被进一步处理。使用由区域提案网络(RPN 136)获取的区域提案，可以选择特征地图135中的相关RoIs作为RoI池化层138的输入(指定为具有ROI的特征地图137)。对于每个RoI，由于在接下来的完全连接(FC)层中的尺寸约束，特征地图135可以被裁剪然后被最大池化成固定尺寸的特征地图135。然后可以将每个池化的RoI馈入两个FC层139，其中任何一个FC层都具有4096个隐藏单元，并且在之后跟随有用于防止网络过拟合的丢弃层140。对于每个RoI，网络使用两个单独的输出层141给出了两个输出。在其后跟随有softmax函数142的输出层141给出了预测的类别，而另一个输出层给出了四个值，其对所预测的类别的边界框位置143进行编码。
在图4中，示出了具有L形(即L形天线阵列)的示例性天线阵列10。天线阵列10可以包括四个天线单元，例如，每个天线单元均配置为雷达系统1的接收天线。第一天线单元11可以布置成距第二天线单元12距离15。第三天线单元13可以布置成距第四天线单元14距离15。距离15例如是λ/2，其中λ是用于雷达系统的波长。这允许使用一对第一天线单元11和第二天线单元12进行仰角的计算，并且使用一对第三天线单元13和第四天线单元14进行方位角的计算。此外，示出了雷达系统1的数据处理设备300，其可以执行该计算。
上文对实施例的描述仅在示例的范围内描述了本发明。当然，在技术上有意义的实施例的单独的特征也可以在不脱离本发明的范围的情况下彼此自由地结合。
附图标记
1 雷达系统
10 天线阵列
11 第一天线单元
12 第二天线单元
13 第三天线单元
14 第四天线单元
15 距离
100 方法
101 第一方法步骤
102 第二方法步骤
103 第三方法步骤
111 第一雷达信号
112 第二雷达信号
113 第三雷达信号
114 第四雷达信号
120 时频分析
121 计算相位差
131 第一相位差信息
132 第二相位差信息
133 时频谱、频谱图
134 FEN
135 特征地图
136 RPN
137 具有ROI的特征地图
138 ROI池化层
139 FC层
140 丢弃层
141 输出层
142 具有softmax的分类器
143 边界框回归量
200 检测信息
210 相位差信息
220 神经网络
221 输入
222 结果
300 数据处理设备

Claims (12)

1.一种使用雷达系统(1)、特别是车辆的雷达系统来进行姿势的检测和分类的方法(100)，包括以下步骤：
-提供雷达系统(1)的检测信息(200)，其中，所述检测信息(200)针对于从雷达系统(1)的天线阵列(10)的不同天线单元(11、12、13、14)接收的信号，
-从所述检测信息(200)确定至少一个相位差信息(210)，其中，所述相位差信息(210)针对于所接收的信号的相位差，
-对神经网络(220)施加所述相位差信息(210)作为所述神经网络(220)的输入(221)，以获得针对于姿势的检测和分类的结果(222)。
2.根据权利要求1所述的方法(100)，其特征在于，所述神经网络(220)被配置为基于区域的深卷积神经网络。
3.根据权利要求1或2所述的方法(100)，其特征在于，所述检测信息(200)针对于姿势的微多普勒签名。
4.根据前述权利要求中任一项所述的方法(100)，其特征在于，至少一个频谱图从所述检测信息(200)被确定，并且被用作用于所述神经网络(220)的除了所述相位差信息(210)之外的输入(221)。
5.根据前述权利要求中任一项所述的方法(100)，其特征在于，所述输入(221)针对于多个姿势，并且所述神经网络(220)用于区分这些多个姿势，使得所述结果(222)针对于对所述多个姿势中的单个姿势的检测和对这些单个姿势的分类。
6.根据前述权利要求中任一项所述的方法(100)，其特征在于，所述检测信息(200)由从所述天线阵列(10)的第一和第二天线单元(11、12)接收的针对于仰角的信号、以及由从所述天线阵列(10)的第三和第四天线单元(13、14)接收的针对于方位角的信号确定。
7.雷达系统(1)，其包括用于在天线阵列(10)的环境中进行检测的天线阵列(10)，以及数据处理设备(300)，其中，所述数据处理设备(300)包括：
-用于提供所述雷达系统(1)的检测信息(200)的装置，其中，所述检测信息(200)针对于从所述天线阵列(10)的不同天线单元(11、12、13、14)接收的信号，
-用于从所述检测信息(200)确定至少一个相位差信息(210)的装置，其中，所述相位差信息(210)针对于所接收的信号的相位差，
-用于对神经网络(220)施加所述相位差信息(210)作为用于所述神经网络(220)的输入(221)、以获得针对于姿势的检测和分类的结果(222)的装置。
8.根据权利要求7所述的雷达系统(1)，其特征在于，所述天线阵列(10)被配置为L形天线阵列(10)。
9.根据权利要求7或8所述的雷达系统(1)，其特征在于，所述雷达系统(1)被配置为频率调制的连续波雷达系统(1)。
10.根据权利要求7至9中任一项所述的雷达系统(1)，其特征在于，所述数据处理设备(300)适用于执行根据权利要求1至6中任一项所述的方法的方法步骤。
11.一种计算机程序，其包括指令，当所述计算机程序由计算机执行时，所述指令使计算机执行以下步骤：
-提供雷达系统(1)的检测信息(200)，其中，所述检测信息(200)针对于从所述雷达系统(1)的天线阵列(10)的不同天线单元(11、12、13、14)接收的信号，
-从所述检测信息(200)确定至少一个相位差信息(210)，其中，所述相位差信息(210)针对于所接收的信号的相位差，
-对神经网络(220)施加所述相位差信息(210)作为所述神经网络(220)的输入(221)，以获得针对于姿势的检测和分类的结果(222)。
12.根据权利要求11所述的计算机程序，其特征在于，所述计算机程序适用于执行根据权利要求1至6中任一项所述的方法的方法步骤。
CN201980094029.1A 2019-03-19 2019-03-19 使用雷达系统检测和分类姿势的方法 Pending CN113646729A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2019/056820 WO2020187397A1 (en) 2019-03-19 2019-03-19 A method for a detection and classification of gestures using a radar system

Publications (1)

Publication Number Publication Date
CN113646729A true CN113646729A (zh) 2021-11-12

Family

ID=65895002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980094029.1A Pending CN113646729A (zh) 2019-03-19 2019-03-19 使用雷达系统检测和分类姿势的方法

Country Status (4)

Country Link
US (1) US20220003862A1 (zh)
CN (1) CN113646729A (zh)
DE (1) DE112019007053T5 (zh)
WO (1) WO2020187397A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11467254B2 (en) * 2020-02-27 2022-10-11 Samsung Electronics Co., Ltd. Method and apparatus of radar-based activity detection
CN112198966B (zh) * 2020-12-08 2021-03-16 中南大学 基于fmcw雷达系统的笔画识别方法以及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160259037A1 (en) * 2015-03-03 2016-09-08 Nvidia Corporation Radar based user interface
CN106537173A (zh) * 2014-08-07 2017-03-22 谷歌公司 基于雷达的姿势识别
DE102016213667A1 (de) * 2016-07-26 2018-02-01 Audi Ag Verfahren zum Betrieb eines Fahrerassistenzsystems zur Unterstützung eines Insassen bei der Bedienung von Fahrzeugsystemen und Kraftfahrzeug
DE102016216250A1 (de) * 2016-08-30 2018-03-01 Audi Ag Kraftfahrzeug mit Bedieneinrichtung für ein Lenksystem und Verfahren zum Betrieb eines Lenksystems
CN109271838A (zh) * 2018-07-19 2019-01-25 重庆邮电大学 一种基于fmcw雷达的三参数特征融合手势识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9864918B2 (en) 2015-11-04 2018-01-09 Ford Global Technologies, Llc Predicting vehicle movements based on driver body language

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106537173A (zh) * 2014-08-07 2017-03-22 谷歌公司 基于雷达的姿势识别
US20160259037A1 (en) * 2015-03-03 2016-09-08 Nvidia Corporation Radar based user interface
US20170060254A1 (en) * 2015-03-03 2017-03-02 Nvidia Corporation Multi-sensor based user interface
DE102016213667A1 (de) * 2016-07-26 2018-02-01 Audi Ag Verfahren zum Betrieb eines Fahrerassistenzsystems zur Unterstützung eines Insassen bei der Bedienung von Fahrzeugsystemen und Kraftfahrzeug
DE102016216250A1 (de) * 2016-08-30 2018-03-01 Audi Ag Kraftfahrzeug mit Bedieneinrichtung für ein Lenksystem und Verfahren zum Betrieb eines Lenksystems
CN109271838A (zh) * 2018-07-19 2019-01-25 重庆邮电大学 一种基于fmcw雷达的三参数特征融合手势识别方法

Also Published As

Publication number Publication date
WO2020187397A1 (en) 2020-09-24
US20220003862A1 (en) 2022-01-06
DE112019007053T5 (de) 2022-01-27

Similar Documents

Publication Publication Date Title
CN107076836B (zh) 用于对机动车辆周围区域中的对象分类的方法、驾驶员辅助系统和机动车辆
US11340332B2 (en) Method and apparatus for processing radar data
Ouaknine et al. Multi-view radar semantic segmentation
US11506776B2 (en) Method and device with improved radar resolution
US11719811B2 (en) Method and device to improve radar data using reference data
EP3553551B1 (en) Method for the recognition of an object
CN107103275B (zh) 使用雷达和视觉基于车轮进行的车辆检测和追踪
Sun et al. Automatic radar-based gesture detection and classification via a region-based deep convolutional neural network
US20220003862A1 (en) Method for a detection and classification of gestures using a radar system
US11899132B2 (en) Super-resolution enhancement techniques for radar
CN113050082A (zh) 用于处理雷达信号的方法及设备
CN112241003A (zh) 用于对象检测的方法和系统
US20220283288A1 (en) Methods for classifying objects in automotive-grade radar signals
Kern et al. Pointnet+ lstm for target list-based gesture recognition with incoherent radar networks
KR20220141748A (ko) 레이더 신호로부터 표적 정보를 추출하는 방법 및 컴퓨터 판독가능 저장 매체
Kim et al. Target classification using combined YOLO-SVM in high-resolution automotive FMCW radar
Debnath et al. Fmcw radar range profile and micro-doppler signature fusion for improved traffic signaling motion classification
Dubey et al. Uncertainty analysis of deep neural network for classification of vulnerable road users using micro-doppler
Park et al. Ground reflection-based misalignment detection of automotive radar sensors
Jayakumar et al. A new algorithm for automated LSS targets’ activities measurement based on a 24GHz CW RF sensor
EP4369028A1 (en) Interface for detection representation of hidden activations in neural networks for automotive radar
CN117784035A (zh) 目标检测方法、装置、设备、存储介质和程序产品
CN115512071A (zh) 一种对象识别方法以及相关装置
Abedi et al. On the Use of Low-Cost Radars and Machine Learning for In-Vehicle Passenger Detection
CN114690184A (zh) 加速对象的雷达检测和参数估计

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