CN113945913A - 一种基于毫米波雷达点云的车内人员检测方法 - Google Patents

Abstract

本发明属于电子信息技术领域，公开了一种基于毫米波雷达点云的车内人员检测方法，毫米波雷达包括射频前端模块和信号处理模块；射频前端模块包括发射天线、接收天线、中频滤波放大模块、雷达射频芯片；信号处理模块包括ADC中频信号采样，DSP数字信号处理，目标点云提取，机器学习聚类，检测结果显示。本发明毫米波雷达通过发射和接收电磁波能有效的监测车内环境，其穿透性强不易受到遮挡，并具有多普勒效应能精确的检测到车内人员的动作以及呼吸心跳等生命特征，同时不会侵犯个人隐私，成本低，检测准确度高。本发明能准确检测到车内是否有人，提供车内人员的数量、位置等信息，并及时做出预警。

Description

一种基于毫米波雷达点云的车内人员检测方法

技术领域

本发明属于电子信息技术领域，特别是一种基于毫米波雷达点云的车内人员检测方法。

背景技术

随着汽车的普及，近年来私家车的数量大幅增多，它给人们带来便利的同时也会带来更多的安全隐患。由于大人的疏忽，时常会发生儿童被误锁在车内的案例。而封闭车辆内的温度会迅速升高，从而导致车内的生命处于危险的境地，很可能造成中暑或缺氧而酿成悲剧。对于此类问题，可以通过车内人员检测系统来不断对车内环境进行监测，当车辆熄火并上锁后若检测到车内仍有人员，即会发出警报信息来提醒驾驶员以及周围人员，从而能避免此类问题。

传统的车内人员检测技术主要包括基于摄像头的人员检测、基于座椅压力传感器的检测、基于气体传感器和温度传感器的检测等。但是基于这些方法的车内人员检测系统在性能和应用上都存在固有的缺陷。例如摄像头易受光照、遮挡、人体姿态的影响，并且存在侵犯隐私的风险。座椅压力传感器会受儿童的体重和姿势影响，并且容易座椅上物品干扰而出现误警报现象。而专利CN105913609A中提出的气体和温度检测方法，非常容易受到周围环境的影响，会对检测结果造成干扰。

发明内容

本发明的目的是为了克服上述背景技术的不足，提出了一种基于毫米波雷达点云的车内人员检测的方法，能够准确的检测出车内是否有人，并且能得到车内人员的数量和位置，具有检测准确度高且成本低的优点。

为实现上述技术目的，本发明采用的技术方案如下：一种基于毫米波雷达点云的车内人员检测方法，毫米波雷达包括射频前端模块和信号处理模块；所述射频前端模块包括发射天线、接收天线、中频滤波放大模块、雷达射频芯片；所述信号处理模块包括ADC中频信号采样，DSP数字信号处理，目标点云提取，机器学习聚类，检测结果显示。

车内人员检测方法，包括如下步骤：

步骤1，所述毫米波雷达安装在车内天窗位置，此时，毫米波雷达距离车内地板为1.2米，距离后座0.6米，该位置能够同时监测到前排和后排座椅，能覆盖到所有座椅位置，并且受到的干扰较少；

步骤2，所述毫米波雷达通过所述信号发射模块不断向车内监控区域发射雷达射频信号，反射的电磁波被接收天线接收后形成回波信号；将回波信号和信号源传输到混频器的一部分信号进行混频，从而得到中频信号，随后通过所述中频放大模块对中频信号进行放大；

步骤3，将所述中频信号输入至所述信号处理电路模块中，对中频信号进行解调，数模转换，以及一系列信号处理方法后可以得到目标点云的距离，速度，角度，SNR信息；

步骤4，将车辆内部划分为五个区域，分别对应着车内的五个乘员座位。将得到的点云映射到车内座位区域中，通过DBSCAN聚类来滤除杂点；并对每个区域内部的点云进行特征提取，最后采用机器学习方法进行有无人检测。

进一步地，步骤3的信号处理方法包括以下步骤：

步骤31，多通道的连续波雷达其数据采集和储存方法如下：为了方便雷达进行数据处理，将雷达工作时间分解为一个个的雷达周期，每一个雷达周期中，雷达信号处理芯片根据雷达接收到的数据得到当前时间附近的目标的状态；一个雷达周期包括多个波形周期，一个波形周期的数据包括在这一个周期内雷达采样得到的点数。在雷达的一个雷达周期中，获得的数据被高速的储存在结构中的y[l,m,n]层中，如从同一信道的第二个周期波形获得的数据被储存在同一层的第二行，y[l,m,n]中的l维为快时间维，为一个周期的波形的中采样的数据，m维为慢时间维，表示一个雷达周期中第m个周期的波形，n表示第n个通道储存的数据，在同一个时间具有不同的相位；对不同维度的数据进行处理，能够得到不同的目标信息；

步骤32，对雷达信号的三维数据矩阵进行快时间维FFT，获得目标的距离信息；然后对慢时间维进行FFT获得目标的多普勒信息，二者结合能获得目标的距离多普勒图；

步骤33，由于车内存在座椅等静止的固定物体，同样会反射电磁波，会对人员判断造成干扰，考虑到车内人员会有一定的动作并且具有呼吸心跳等生命特征，对得到的距离多普勒图进行MTI静态除杂方法，从而提取出车内的动态区域，滤除由静态物体区域反射的回波信号；

步骤34，为了提高雷达检测的准确度，对距离多普勒图进行恒虚警检测（CFAR），通过CFAR算法的门限值选取，按幅值阈值来截取待测目标点云的距离和速度信息；

步骤35，采用FFT角度估计方法来获得待测目标点云的角度信息，即对距离多普勒图中的峰值在天线维度上进行FFT，最后能获得点云的距离、速度、角度、SNR信息。

进一步地，步骤4的人员检测方法包括以下步骤：

步骤41，对信号处理后得到的点云进行预处理，将不在五个座椅区域内的点云舍弃；对剩余点云进行DBSCAN聚类，由于多路径传播等原因，会出现无法聚类的杂点，将这些聚类后无类别的杂点滤掉；

步骤42，将聚类点云进行特征提取，分别从SNR平均值、区域点云数量、点云距离方差以及SNR方差方面综合考虑，从而对每个区域进行人员检测，并输出检测结果。

与现有技术相比，本发明具有如下优点：（1）本发明采用的毫米波雷达能够有效的抵抗外部因素的影响，能完全覆盖车内的所有座椅，同时穿透性强，成本低，检测准确度高，并且不会侵犯车内人员的隐私。

（2）本发明采用的毫米波雷达点云的方法来进行车内人员检测，相比起直接处理波形信号更加简单和直观，并且将点云映射到车辆内部划分；采用了机器学习的DBSCAN聚类方法，能够准确的将车内各座椅上的人员检测出来。并结合了雷达点云的数量和SNR等特征，通过机器学习算法综合判断车内人员的位置和数量，提高了检测的准确度。

（3）考虑到车内固有静止物体如座椅等的干扰，而人体在车内会有运动以及呼吸心跳等生命特征，在点云处理过程中加入了MTI静态除杂方法，能够对车内的静态物体进行滤除。并且采用了恒虚警检测（CFAR），通过CFAR算法的门限值选取来滤除噪点，从而减少干扰提高检测准确度。

附图说明

图1为毫米波雷达结构示意图；

图2为本发明中雷达点云检测方法流程图；

图3为本发明的多通道连续波雷达数据储存方式图；

图4为本发明的车内人员毫米波雷达点云图；

图5为本发明的检测结果图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。

本发明提供的一种基于毫米波雷达点云的车内人员检测方法，旨在通过车内人员检测系统来不断对车内环境进行监测，能够准确的检测出车内是否有人，有效的提醒驾驶员注意车内的遗留生命体，并且能得到车内人员的数量和位置，具有检测准确度高并且成本低的优点。

本实施例中，参见图1，毫米波雷达为调频连续波（FMCW）雷达，主要由射频前端模块和信号处理模块组成，射频前端模块包括发射天线、接收天线、中频滤波放大模块、雷达射频芯片。雷达的高频电信号由控制器直接连接发射天线，电信号以电磁波的方式发射，天线的作用是放大信号。电磁波在传播中遇到障碍物时，就会反射一小部分电磁波，反射的电磁波被接收天线接收后形成回波信号。回波信号为高频信号，高频信号由于模数转换不够快，难以被数字化处理。因此，将回波信号和信号源传输到混频器的一部分信号进行混频，得到中频信号，中频信号的频率记录了目标的距离、速度等信息，通过对中频信号的放大，解调，数模转换，信号处理等可以得到目标的信息。

参见图2，基于毫米波雷达点云的车内人员检测方法，包括以下步骤：

S1、将毫米波雷达安装在车内天窗处，雷达距离车内地板约为1.2米，距离侧后座约0.6米。保证雷达视角（FOV）能覆盖车内所有座椅，并且能尽可能减少遮挡和干扰情况。

S2、雷达不断向车内的待测区域发射并接收电磁波，将回波信号与发射信号送入混频器中进行混频从而获得中频信号，随后通过所述中频放大模块对中频信号进行放大。

S3、将中频信号输入到处理电路模块中，对中频信号进行解调，数模转换后，进行一系列信息处理的方法，从而能获得区域内目标的点云信息。

S4、获得车内区域的目标点云信息后，将车辆内部划分为五个区域，分别对应着车内的五个乘员座位。对每个区域的点云进行特征提取，随后通过机器学习算法来进行车内人员检测，能够同时获得车内人员的数量和位置。

其中，步骤S3中，所述雷达信号处理方法如下所示：

S31、参见图2，多通道的连续波雷达的数据采集和储存方式如下，雷达获得的数据 被高速的储存在结构中的

层中，其中，l维为快时间维，为一个周期的波形的中采 样的数据，m维为慢时间维，表示一个雷达周期中第m个周期的波形，n表示第n个通道储存的 数据，在同一个时间具有不同的相位。对不同维度的数据进行处理，能够得到不同的目标信 息。

S32、对图3中雷达信号进行距离和多普勒信息的提取。对于目标距离信息的获取，需要考虑一个雷达周期内，不同周期的波形的数据，这里对一个雷达周期中的m个周期的回波数据进行分析，可以对雷达信号的快时间维（即l维）进行FFT。对于目标速度信息的获取，需要对采样数据中的慢时间采样（即m维），对一个雷达周期的m个周期的波形进行采样。获取到目标的距离和速度信息后，将二者结合可以获得距离多普勒图。

S33，由于车内环境中固有障碍物较多，如座椅、车底板等。这些障碍物的点云会干扰车内人员产生的点云信息。同时由于车内人员会有小幅度动作并且具有呼吸心跳等生命特征，可以对得到的距离多普勒图进行MTI静态除杂方法，从而提取出车内的动态区域，滤除由静态物体区域反射的回波信号。

S34，由于毫米波雷达在运行中会产生噪点，因此需要对距离多普勒图进行恒虚警检测（CFAR），通过CFAR算法的门限值选取来滤除噪点，并按CFAR中的幅值阈值来截取待测目标点云的距离和速度信息。

S35，对于目标点云的角度信息的提取，采用了FFT角度估计的方法来获得待测目标点云的角度信息，即对距离多普勒图中的峰值在天线维度（即n维）上进行FFT。结合CFAR算法后得到的点云的距离和速度信息，最后能获得目标点云的距离、速度、角度、SNR信息，从而方便进行后续检测和处理。

其中，步骤S4中，所述的人员检测方法包括以下步骤：

S41，对信号处理后得到的点云进行预处理，将不在五个区域内的点云舍弃。对剩余点云进行DBSCAN聚类，由于多路径传播等原因，会出现无法聚类的杂点，因此滤除掉无法聚类的杂点。

S42，将聚类后的点云结果进行特征提取，从SNR平均值、区域点云数量、点云距离方差、SNR方差等方面综合考虑，通过机器学习算法对每个区域进行人员检测，并输出检测结果。

参见图4和图5，图4为经过上述数据处理后，车内雷达检测出的点云图像，最外框代表着车辆区域即为待测区域，并将车内分为五个区域。当人员检测算法判断出某区域存在待测目标时，相应的区域将显示出来。图5为车内人员检测的最终结果，当人员检测算法判断某区域存在待测目标时，在图5中的相应位置会出现相应符号，来显示检测结果。

Claims (4)

1.一种基于毫米波雷达点云的车内人员检测方法，其特征在于，所述毫米波雷达包括射频前端模块和信号处理模块；所述射频前端模块包括发射天线、接收天线、中频滤波放大模块、雷达射频芯片；所述信号处理模块包括ADC中频信号采样，DSP数字信号处理，目标点云提取，机器学习聚类，检测结果显示。

2.根据权利要求书1所述的基于毫米波雷达点云的车内人员检测方法，其特征在于，包括如下步骤：

步骤1，所述毫米波雷达安装在车内天窗位置，此时，毫米波雷达距离车内地板为1.2米，距离后座0.6米，该位置能够同时监测到前排和后排座椅，能覆盖到所有座椅位置，并且受到的干扰较少；

步骤2，所述毫米波雷达通过所述信号发射模块不断向车内监控区域发射雷达射频信号，反射的电磁波被接收天线接收后形成回波信号；将回波信号和信号源传输到混频器的一部分信号进行混频，从而得到中频信号，随后通过所述中频放大模块对中频信号进行放大；

步骤3，将所述中频信号输入至所述信号处理电路模块中，对中频信号进行解调，数模转换，以及一系列信号处理方法后可以得到目标点云的距离，速度，角度，SNR信息；

步骤4，将车辆内部划分为五个区域，分别对应着车内的五个乘员座位；

将得到的点云映射到车内座位区域中，通过DBSCAN聚类来滤除杂点；并对每个区域内部的点云进行特征提取，最后采用机器学习方法进行有无人检测。

3.根据权利要求书2所述的基于毫米波雷达点云的车内人员检测方法，其特征在于，所述步骤3的信号处理方法包括以下步骤：

步骤31，多通道的连续波雷达其数据采集和储存方法如下：为了方便雷达进行数据处理，将雷达工作时间分解为一个个的雷达周期，每一个雷达周期中，雷达信号处理芯片根据雷达接收到的数据得到当前时间附近的目标的状态；一个雷达周期包括多个波形周期，一个波形周期的数据包括在这一个周期内雷达采样得到的点数；

在雷达的一个雷达周期中，获得的数据被高速的储存在结构中的y[l,m,n]层中，如从同一信道的第二个周期波形获得的数据被储存在同一层的第二行，y[l,m,n]中的l维为快时间维，为一个周期的波形的中采样的数据，m维为慢时间维，表示一个雷达周期中第m个周期的波形，n表示第n个通道储存的数据，在同一个时间具有不同的相位；对不同维度的数据进行处理，能够得到不同的目标信息；

步骤32，对雷达信号的三维数据矩阵进行快时间维FFT，获得目标的距离信息；然后对慢时间维进行FFT获得目标的多普勒信息，二者结合能获得目标的距离多普勒图；

步骤33，由于车内存在座椅等静止的固定物体，同样会反射电磁波，会对人员判断造成干扰，考虑到车内人员会有一定的动作并且具有呼吸心跳等生命特征，对得到的距离多普勒图进行MTI静态除杂方法，从而提取出车内的动态区域，滤除由静态物体区域反射的回波信号；

步骤34，为了提高雷达检测的准确度，对距离多普勒图进行恒虚警检测（CFAR），通过CFAR算法的门限值选取，按幅值阈值来截取待测目标点云的距离和速度信息；

步骤35，采用FFT角度估计方法来获得待测目标点云的角度信息，即对距离多普勒图中的峰值在天线维度上进行FFT，最后能获得点云的距离、速度、角度、SNR信息。

4.根据权利要求书2所述的基于毫米波雷达点云的车内人员检测方法，其特征在于，步骤4所述的人员检测方法包括以下步骤：

步骤41，对信号处理后得到的点云进行预处理，将不在五个座椅区域内的点云舍弃；对剩余点云进行DBSCAN聚类，由于多路径传播等原因，会出现无法聚类的杂点，将这些聚类后无类别的杂点滤掉；

步骤42，将聚类点云进行特征提取，分别从SNR平均值、区域点云数量、点云距离方差以及SNR方差方面综合考虑，从而对每个区域进行人员检测，并输出检测结果。

Images