CN114217308A - 一种基于毫米波雷达的室内人员跌倒检测方法 - Google Patents
一种基于毫米波雷达的室内人员跌倒检测方法 Download PDFInfo
- Publication number
- CN114217308A CN114217308A CN202111485827.2A CN202111485827A CN114217308A CN 114217308 A CN114217308 A CN 114217308A CN 202111485827 A CN202111485827 A CN 202111485827A CN 114217308 A CN114217308 A CN 114217308A
- Authority
- CN
- China
- Prior art keywords
- target
- point
- clustering
- value
- radar
- 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
Links
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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Electromagnetism (AREA)
- Dentistry (AREA)
- Physiology (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于毫米波雷达的室内人员跌倒检测方法,包括通过聚类算法对点迹数据进行聚类判断有无目标,并在有目标时提取目标的相关信息的步骤;点迹数据为大地坐标系下的点迹数据,由雷达输出的目标的点迹数据转化而成;聚类步骤为:(i)利用速度预聚类,计算任意两点的速度Vdi和Vdj差值的绝对值,将该值小于阈值deltaV的点聚成一类;(ii)利用距离聚类,计算步骤(i)得到的类中的任意两点的距离,将距离小于阈值Dist的点聚成一类;(iii)计算步骤(ii)得到的类中的点的数量,如果数量大于阈值Num,则认为有目标;反之,则认为无目标。本发明的检测方法综合考虑多个判断因素,显著提高了检测的准确性。
Description
技术领域
本发明属于雷达应用技术领域,涉及一种基于毫米波雷达的室内人员跌倒检测方法。
背景技术
我国作为人口大国,人口老龄化问题非常严重,据统计,2015-2020年我国老龄人口总数从2亿上升至2.5亿,其中独居老人达到1.18亿。根据卫生部《老年人跌倒干预技术指南》显示,跌倒是65岁以上的老年人伤害死亡的主要原因。老年人身体较弱,一旦跌倒后可能自己无法起身求助,如果情况严重又不能及时就医,会对老人身体造成非常大的伤害。
目前,已有部分专利申请公开了基于毫米波雷达的人员跌倒检测技术,但是这些检测技术并不精确。
专利202110572750.6提出了《一种基于毫米波雷达的人体跌倒智能检测系统及识别方法》,其结合了毫米波雷达检测+神经网络的技术。此申请的缺陷有两个:(1)人体跌倒的场景复杂多变,比如浴室、办公室、客厅等布局是不同的,而静止的物体和运动的物体都会有反射点,这就导致静止的物体会对运动的物体产生干扰,用户的一个房间就对应着一个新的场景,这就造成该方法应用在不同的场景时,误报率较高;(2)当室内存在多个运动目标,且目标的运动轨迹交叉时,使得多个运动目标之间相互干扰,导致误报率较高。
专利202110233701.X和专利202011146676.3都公开了基于毫米波雷达的跌倒检测方法,前者提到了利用毫米波雷达检测目标跌倒的装置,未曾提到如何实现其中的逻辑或者算法;后者提到根据毫米波雷达来检测目标姿态,从而判断目标是否跌倒,细查之下其实只是利用了目标的高度信息,结果不准确。
另外,在利用毫米波雷达进行室内人员跌倒检测时,由于毫米波雷达反射的点迹比较稀疏,基于稀疏点迹得出的结论并不可靠,而已公开的技术并未考虑到这一点。
发明内容
为解决现有技术中存在的问题,本发明提供一种基于毫米波雷达的室内人员跌倒检测方法。
为达到上述目的,本发明采用的方案如下:
一种基于毫米波雷达的室内人员跌倒检测方法,包括通过聚类算法对点迹数据进行聚类判断有无目标,并在有目标时提取目标的相关信息的步骤;
点迹数据为大地坐标系下的点迹数据,由雷达输出的目标的点迹数据转化而成;
雷达输出的目标的点迹数据包括点到雷达的距离Range、点迹速度Vd、点迹水平角α和点迹俯仰角θ,雷达为毫米波雷达,目标为室内人员;
聚类步骤如下:
(i)利用速度预聚类,计算任意两个点的速度Vdi和Vdj差值的绝对值,将速度差值的绝对值小于阈值deltaV的点聚成一个类,Vdi和Vdj的单位为m/s,deltaV的取值范围为0.5~0.8m/s;
(ii)利用距离聚类,计算步骤(i)得到的类中的任意两个点之间的距离,将距离小于阈值Dist的点聚成一类,距离的单位为m,Dist的取值范围为0.2~0.36m;
(iii)计算步骤(ii)得到的类中的点的数量,如果数量大于阈值Num,则认为有目标,Num的取值范围为4~6;反之,则认为无目标。
本发明先使用速度预聚类,再利用距离聚类,这样设计的原因在于:利用毫米波雷达对室内目标进行检测时,室内场景除了人员之外,还有非常多的物品,比如沙发、电视、桌椅等,这些物品都会产生回波,在雷达检测中体现在能检测到非常多的静止的点迹,当人员运动到这些物品的旁边时,利用速度预聚类可以将人员反射的点迹与物品反射的点迹区分开来。此外,当室内人员运动轨迹发生交叉且速度差异大于阈值delta_V时,利用速度预聚类也可以将不同人员反射的点迹区分开来。顺序不可颠倒,因为如果先用距离预聚类,那么聚类后的结果将包含非常多的非人员发射的点迹,增加了聚类的计算量。
在速度预聚类时,阈值delta_V设计为0.5~0.8m/s,这是一个较小的数值,主要是考虑到同一个人在运动过程中,反射到雷达模块的不同点迹速度相差不会太大;在利用距离聚类时,阈值Dist设计为0.2~0.36m,也是考虑到同一个人反射到雷达模块的不同点迹距离相差不会太大。
作为优选的技术方案:
如上所述的一种基于毫米波雷达的室内人员跌倒检测方法,利用速度预聚类和利用距离聚类都采用DBSCAN算法;DBSCAN算法的流程如下:
(a)计算样本集中任意两个点之间的距离d(i,j),其中利用速度预聚类时距离d(i,j)的定义如下:
d(i,j)=|Vdi–Vdj|;
利用距离聚类时距离d(i,j)的定义如下:
d(i,j)=((Xi-Xj)^2+(Yi-Yj)^2+(Zi-Zj)^2)^0.5;
式中,Xi、Yi、Zi分别为点i的X轴坐标、Y轴坐标、Z轴坐标,单位均为m;Xj、Yj、Zj分别为点j的X轴坐标、Y轴坐标、Z轴坐标,单位均为m;
(b)统计每个点epsilon邻域内点的数量,利用速度预聚类时epsilon值设置为所述阈值deltaV,利用距离聚类时epsilon值设置为所述阈值Dist,如果点数大于MinPoints,则说明该点为核心对象,否则为杂波点,MinPoints的取值范围为3~5;
(c)确定密度直达关系,如果点1为核心对象,且点2在点1的epsilon邻域内,则点2对点1密度直达;
(d)确定密度可达关系,点P和点Q为任意两点,如果存在点的序列X1,X2,......Xm,同时满足:X1为点P,Xm为点Q,Xt+1对Xt密度直达,m为大于2的整数,1≤t≤m-1,则点Q对点P密度可达;
(e)确定密度相连关系,点P和点Q为任意两点,如果存在核心对象点Xn,使得点P和点Q密度可达,则点Q与点P密度相连;
(f)将所有密度相连的点聚成一个类。
DBSCAN算法是一种典型的密度聚类方法,与其他聚类方式相比,DBSCAN算法具有以下优势:其一是不需要预先设定类的个数;其二是可以在聚类的同时发现异常点迹,该聚类算法对数据集中的异常点迹不敏感(对杂波点不敏感说明杂波对这种聚类方式不会产生大的影响)。
本发明中,预先并不知道室内目标的个数,也就是说无法预先设定类的个数,正好与DBSCAN的第一个优点相结合。本发明中,为了解决毫米波雷达检测中点迹稀疏的问题,在预处理中将N帧数据合并后输出(具体说明见下文),考虑这样一种现象,在某次输出的N帧数据中,不同帧之间检测到的是同一个人不同部位发射的点,这些点之间的距离相差较大,这种情况下利用DBSCAN“密度可达”的搜索原理能很好地将这些点迹聚成一个类,聚成的类符合实际情况。
如上所述的一种基于毫米波雷达的室内人员跌倒检测方法,聚类前,还将所述大地坐标系下的点迹数据进行合并。
如上所述的一种基于毫米波雷达的室内人员跌倒检测方法,合并的步骤如下:
(1)设计一个能够存储N帧数据的队列容器,该队列容器命名为BUFFER,雷达开始扫描时依次将连续N帧数据存入BUFFER中,N的取值范围为3~4;点迹数据是以单帧的形式存在的,N帧数据表示将N帧点迹数据合并在一起的数据;
(2)雷达扫描的帧数更新时,将新的一帧数据存入BUFFER中,并且将BUFFER中最早存入的一帧移出BUFFER;
(3)将BUFFER中的数据实时输出。
如上所述的一种基于毫米波雷达的室内人员跌倒检测方法,基于毫米波雷达的室内人员跌倒检测方法的步骤如下:
S1:雷达系统初始化;
S2:雷达输出目标的点迹数据;
S3:将雷达输出的目标的点迹数据转化成大地坐标系下的点迹数据;
S4:将大地坐标系下的点迹数据进行合并;
S5:通过聚类算法对点迹数据进行聚类判断有无目标,并在有目标时提取目标的相关信息;
S6:对目标的运动状态进行判断,一旦检测到目标的运动状态为跌倒时则触发报警模块。
如上所述的一种基于毫米波雷达的室内人员跌倒检测方法,S3中,大地坐标系的定义为:以雷达安装位置在地面的竖直投影作为大地坐标系原点,雷达法线方向在地面的竖直投影作为大地坐标系的X轴方向,大地坐标系下的Y轴和Z轴方向按照右手定则来确定;所述转化采用的方程如下:
Range_x=Range×(cosβcosθcosα+sinβsinθ);
Range_y=Range×cosθsinα;
Range_z=Range×(cosβsinθ-sinβcosθcosα)+h;
式中,Range_x、Range_y、Range_z分别表示目标在大地坐标系下X轴、Y轴、Z轴的距离分量;Range表示点到雷达之间的距离,单位为m;β表示安装时雷达法线与水平面之间的俯角(30°),单位为°;θ表示目标的俯仰角,俯角为负,仰角为正,单位为°;α表示目标的水平角,单位为°;h为2.2~2.4m。
如上所述的一种基于毫米波雷达的室内人员跌倒检测方法,S5中,所述目标的相关信息包括目标的瞬时高度H、瞬时高度差delta_H、平均高度ave_H、平均高度差delta_ave_H、速度差delta_Vd、加速度A_Z,H、delta_H、ave_H、delta_ave_H的单位都为m,delta_Vd的单位为m/s,A_Z的单位为m/s2;所述提取的步骤如下:
(a)将聚类后的属于同一类的点按照高度值划分成M个不同区域,高度值为目标在大地坐标系下Z轴的距离分量,M=4,其中,区域M1:高度值>1.85m;区域M2:1.45m<高度值≤1.85m;区域M3:0.35m<高度值≤1.45m;区域M4:高度值≤0.35m;这里分类的依据是:对于M1区域的点,考虑到本装置一般用于检测室内孤寡老人的跌倒状态,而老人身高一般低于1.85m,所以认为M1区域内的点为杂波点;对于M2、M3、M4的分类,主要考虑到不同高度在跌倒时速度差异较大,在后续步骤中求目标速度时应乘以不同的权重;
(b)提取目标的瞬时高度H:取类(即聚类得到的类)中目标的高度的最大值和次大值,以它们的平均值作为目标的瞬时高度H的值;
(c)提取目标的瞬时高度差delta_H:用当前时刻的目标的瞬时高度H减去前一时刻的目标的瞬时高度H得到目标的瞬时高度差delta_H;
(d)提取目标的平均高度ave_H:将步骤(a)中区域M2、区域M3、区域M4目标的高度的均值作为目标的平均高度ave_H;
(e)提取目标的平均高度差delta_ave_H:用当前时刻的目标的平均高度ave_H减去前一时刻的目标的平均高度ave_H得到目标的平均高度差delta_ave_H;
(f)提取目标的速度差delta_Vd:对目标的速度Vd做一阶差分,得到目标的速度差delta_Vd,其中目标的速度Vd的计算公式如下:
式中,Vdk是第k个区域内点迹速度的均值,单位为m/s;Wk是第k个区域内点迹速度均值的权重,W1=0,W2=0.25,W3=0.5,W4=0.25;
(g)提取目标的加速度A_Z,即目标在Z方向的加速度:计算公式如下:
A_Z=(delta_ave_H1–delta_ave_H2)/(delta_t)^2;
式中,delta_ave_H1是当前时刻的平均高度差,单位为m/s;delta_ave_H2是前一时刻的平均高度差,单位为m/s;delta_t雷达扫描的帧间隔时间,单位为s。
如上所述的一种基于毫米波雷达的室内人员跌倒检测方法,S6中,对目标的运动状态进行判断的流程如下:
(1)设计一个计数器,命名为Counter,并初始化为0;
(2)判断:
条件1:delta_H<0;
条件2:delta_ave_H<0;
条件3:delta_Vd>0;
如果满足至少两个以上条件,则进入下一步;反之,则返回步骤(1),等待下一组数据的到来;
当雷达检测到(2)中的条件后,认为人体在Z轴方向开始向下运动;如果是跌倒的过程,那么在Z轴方向加速度的绝对值会比较大;当跌倒这一过程完成后,人体的瞬时高度H、平均高度ave_H都会较小;上述判断实际上是利用雷达对开始跌倒到跌倒结束这一过程中人体运动状态的判断;
上述判断过程中也在尽可能地提高判断的准确性;在(2)中,理论上人体开始向下运动时三个判断条件会同时满足,但是雷达并不能保证每次都检测到人体的同一个部位,所以本发明中认为三个判断条件中发生两个或者两个以上时就认为人体在Z轴方向开始向下运动;
(3)对Counter进行加1操作,记录A_Z的绝对值最大、次大的两个值,记为最大值A_Z1和次大值A_Z2(即除了绝对值最大值以外的最大值);理论上存储一个加速度绝对值最大值就够了,但是本发明考虑到人体跌倒是一个持续的过程,记录一个最大值和一个次大值也是加强对跌倒过程的判定;
(4)判断Counter是否大于阈值,阈值的取值范围为3~5,如果是,则进入下一步;反之,则返回步骤(2),对下一组数据继续判断;
(5)判断A_Z1和A_Z2是否都大于阈值,阈值的取值范围为2~3m/s2,如果是,则进入下一步(6);反之,则返回步骤(2),对下一组数据进行判断;
(6)判断:
条件1:实时输出的BUFFER中的数据对应的目标的瞬时高度H<阈值,阈值的取值范围为1.0~1.15m;
条件2:实时输出的BUFFER中的数据对应的目标的平均高度ave_H<阈值,阈值的取值范围为0.5~0.8m;
如果同时满足以上两个条件,则输出目标的运动状态为跌倒;反之,则输出目标的运动状态为未跌倒;两个判断条件是用来区分人体跌倒、坐下、蹲下、躺沙发上等不同的情况;人体跌倒之后两个条件会同时满足,其他情况则不会满足条件2。
如上所述的一种基于毫米波雷达的室内人员跌倒检测方法,基于毫米波雷达的室内人员跌倒检测方法的误报率小于等于20%,成功率大于等于86%。
利用毫米波雷达进行室内人员跌倒检测时,目标的高度信息是最重要的一个特征,但是毫米波雷达检测的点迹比较稀疏,输出的目标高度无法反映目标的真实高度,导致基于这一最重要特征制定的策略不准确;此外,虽然毫米波雷达检测的点迹比较稀疏,但是用于室内目标检测时,由于室内物品杂多,场景复杂,再加上雷达检测中虚警和多径效应的存在,雷达会检测到非常多的杂波信息,从这么多的杂波点中将人员的点迹识别出来变得复杂。针对所述问题,本发明提供了一种新的基于毫米波雷达的室内人员跌倒检测方法予以解决,其原理如下:
本发明首先通过队列容器来合并数据,将雷达连续检测到的N帧点迹数据进行合并,用N帧点迹数据来确定目标的瞬时高度和平均高度;毫米波雷达检测的点迹比较稀疏,采用本发明中合并数据的方式,只要N帧点迹数据中有一帧检测到目标的真实高度,那么输出的目标瞬时高度信息就是准确的,这样可以显著提高目标高度信息的准确性;
其次,针对室内场景大量杂波的问题,本发明提出了一种“速度预聚类+距离聚类”的方法,可以从大量杂波的环境下识别到室内人员反射的点迹;室内人员在运动(行走、跌倒等)时产生的回波与杂波速度不同,利用速度预聚类可以将速度相近的点迹初步聚成类,这样可以将静态目标和运动目标区分开来,在此基础上再利用距离聚类,可以将位置相近的点迹聚成类;这种聚类方式可以将室内其他物品和人员区分开,也可以将不同速度的人员区分开;
最后,在进行目标跌倒状态判断时,综合考虑了瞬时高度、瞬时高度差、平均高度、平均高度差、速度差、加速度等多个特征进行判断。
相比已公开的技术,本发明显著提高了检测的准确性。
有益效果
(1)本发明的一种基于毫米波雷达的室内人员跌倒检测方法,通过队列容器来合并数据,解决了毫米波雷达检测数据的稀疏问题;
(2)本发明的一种基于毫米波雷达的室内人员跌倒检测方法,创造性的采用预聚类结合聚类的方式,是先通过速度预聚类将可能属于同一目标的点聚成一个类,再通过距离聚类,显著提高聚类的性能,从而提高基于聚类数据的目标信息的准确性;
(3)本发明的一种基于毫米波雷达的室内人员跌倒检测方法,综合考虑到多个判断因素,相比目前已公开的技术,性能显著提高。
附图说明
图1为本发明的基于毫米波雷达的室内人员跌倒检测方法的流程图;
图2为对目标的运动状态进行判断的流程图。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本发明所附权利要求书所限定的范围。
一种基于毫米波雷达的室内人员跌倒检测方法,如图1所示,具体步骤如下:
S1:雷达系统初始化;其中,雷达为毫米波雷达;
S2:雷达输出目标的点迹数据;其中,点迹数据包括点到雷达的距离Range、点迹速度Vd、点迹水平角α、点迹俯仰角θ;目标为室内人员;
S3:将雷达输出的目标的点迹数据转化成大地坐标系下的点迹数据;其中,大地坐标系的定义为:以雷达安装位置在地面的竖直投影作为大地坐标系原点,雷达法线方向在地面的竖直投影作为大地坐标系的X轴方向,大地坐标系下的Y轴和Z轴方向按照右手定则来确定;所述转化采用的方程如下:
Range_x=Range×(cosβcosθcosα+sinβsinθ);
Range_y=Range×cosθsinα;
Range_z=Range×(cosβsinθ-sinβcosθcosα)+h;
式中,Range_x、Range_y、Range_z分别表示目标在大地坐标系下X轴、Y轴、Z轴的距离分量;Range表示点到雷达之间的距离,单位为m;β表示安装时雷达法线与水平面之间的俯角(30°),单位为°;θ表示目标的俯仰角,俯角为负,仰角为正,单位为°;α表示目标的水平角,单位为°;h为2.2~2.4m;
S4:将大地坐标系下的点迹数据进行合并,具体的合并步骤如下:
(1)设计一个能够存储N帧数据的队列容器,该队列容器命名为BUFFER,雷达开始扫描时依次将连续N帧数据存入BUFFER中,N的取值范围为3~4;
(2)雷达扫描的帧数更新时,将新的一帧数据存入BUFFER中,并且将BUFFER中最早存入的一帧移出BUFFER;
(3)将BUFFER中的数据实时输出;
S5:通过聚类算法对点迹数据进行聚类判断有无目标,并在有目标时提取目标的相关信息;其中,目标的相关信息包括目标的瞬时高度H、瞬时高度差delta_H、平均高度ave_H、平均高度差delta_ave_H、速度差delta_Vd、加速度A_Z,H、delta_H、ave_H、delta_ave_H的单位都为m,delta_Vd的单位为m/s,A_Z的单位为m/s2;
聚类步骤如下:
(i)利用速度预聚类,计算任意两个点的速度Vdi和Vdj差值的绝对值,将速度差值的绝对值小于阈值deltaV的点聚成一个类,Vdi和Vdj的单位为m/s,deltaV的取值范围为0.5~0.8m/s;
(ii)利用距离聚类,计算步骤(i)得到的类中的任意两个点之间的距离,将距离小于阈值Dist的点聚成一类,距离的单位为m,Dist的取值范围为0.2~0.36m;
(iii)计算步骤(ii)得到的类中的点的数量,如果数量大于阈值Num,则认为有目标,Num的取值范围为4~6;反之,则认为无目标;
其中,速度预聚类和距离聚类采用的聚类算法都为DBSCAN算法,DBSCAN算法的流程如下:
(a)计算样本集中任意两个点之间的距离d(i,j),其中利用速度预聚类时距离d(i,j)的定义如下:
d(i,j)=|Vdi–Vdj|;
利用距离聚类时距离d(i,j)的定义如下:
d(i,j)=((Xi-Xj)^2+(Yi-Yj)^2+(Zi-Zj)^2)^0.5;
式中,Xi、Yi、Zi分别为点i的X轴坐标、Y轴坐标、Z轴坐标,单位均为m;Xj、Yj、Zj分别为点j的X轴坐标、Y轴坐标、Z轴坐标,单位均为m;
(b)统计每个点epsilon邻域内点的数量,利用速度预聚类时epsilon值设置为所述阈值deltaV,利用距离聚类时epsilon值设置为所述阈值Dist,如果点数大于MinPoints,则说明该点为核心对象,否则为杂波点,MinPoints的取值范围为3~5;
(c)确定密度直达关系,如果点1为核心对象,且点2在点1的epsilon邻域内,则点2对点1密度直达;
(d)确定密度可达关系,点P和点Q为任意两点,如果存在点的序列X1,X2,......Xm,同时满足:X1为点P,Xm为点Q,Xt+1对Xt密度直达,m为大于2的整数,1≤t≤m-1,则点Q对点P密度可达;
(e)确定密度相连关系,点P和点Q为任意两点,如果存在核心对象点Xn,使得点P和点Q密度可达,则点Q与点P密度相连;
(f)将所有密度相连的点聚成一个类;
提取目标的相关信息的步骤如下:
(I)将聚类后的属于同一类的点按照高度值划分成M个不同区域,高度值为目标在大地坐标系下Z轴的距离分量,M=4,其中,区域M1:高度值>1.85m;区域M2:1.45m<高度值≤1.85m;区域M3:0.35m<高度值≤1.45m;区域M4:高度值≤0.35m;
(II)提取目标的瞬时高度H:取类中目标的高度的最大值和次大值,以它们的平均值作为目标的瞬时高度H的值;
(III)提取目标的瞬时高度差delta_H:对步骤(II)中得到的目标的瞬时高度H做一阶差分,得到目标的瞬时高度差delta_H;
(IV)提取目标的平均高度ave_H:将步骤(I)中区域M2、区域M3、区域M4目标的高度的均值作为目标的平均高度ave_H;
(V)提取目标的平均高度差delta_ave_H:对步骤(IV)中得到的目标的平均高度ave_H做一阶差分,得到目标的平均高度差delta_ave_H;
(VI)提取目标的速度差delta_Vd:对目标的速度Vd做一阶差分,得到目标的速度差delta_Vd,其中目标的速度Vd的计算公式如下:
式中,Vdk是第k个区域内点迹速度的均值,单位为m/s;Wk是第k个区域内点迹速度均值的权重,W1=0,W2=0.25,W3=0.5,W4=0.25;
(VII)提取目标的加速度A_Z,即目标在Z方向的加速度:计算公式如下:
A_Z=(delta_ave_H1–delta_ave_H2)/(delta_t)^2;
式中,delta_ave_H1是当前时刻的平均高度差,单位为m/s;delta_ave_H2是前一时刻的平均高度差,单位为m/s;delta_t雷达扫描的帧间隔时间,单位为s;
S6:如图2所示,对目标的运动状态进行判断,一旦检测到目标的运动状态为跌倒时则触发报警模块;其中,对目标的运动状态进行判断的流程如下:
(i)设计一个计数器,命名为Counter,并初始化为0;
(ii)判断:
条件1:delta_H<0;
条件2:delta_ave_H<0;
条件3:delta_Vd>0;
如果满足至少两个以上条件,则进入下一步;反之,则返回步骤(i),等待下一组数据的到来;
(iii)对Counter进行加1操作,记录A_Z的绝对值最大、次大的两个值,记为最大值A_Z1和次大值A_Z2(即除了绝对值最大值以外的最大值);
(iv)判断Counter是否大于阈值,阈值的取值范围为3~5,如果是,则进入下一步;反之,则返回步骤(ii),对下一组数据继续判断;
(v)判断A_Z1和A_Z2是否都大于阈值,阈值的取值范围为2~3m/s2,如果是,则进入下一步(vi);反之,则返回步骤(ii),对下一组数据进行判断;
(vi)判断:
条件1:实时输出的BUFFER中的数据对应的目标的瞬时高度H<阈值,阈值的取值范围为1.0~1.15m;
条件2:实时输出的BUFFER中的数据对应的目标的平均高度ave_H<阈值,阈值的取值范围为0.5~0.8m;
如果同时满足以上两个条件,则输出目标的运动状态为跌倒;反之,则输出目标的运动状态为未跌倒。
基于毫米波雷达的室内人员跌倒检测方法的误报率小于等于20%,成功率大于等于86%。
下面结合具体案例对本发明的基于毫米波雷达的室内人员跌倒检测方法进行说明,本发明使用加特兰微电子公司RDP-77S244-ABM-AIP毫米波雷达传感器,测试卧室、客厅、卫生间三个不同的室内场景;本发明的方法中,S4中的N的取值为4,S5中的deltaV的取值为0.8m/s,Dist的取值为0.36m,Num的取值为6,MinPoints的取值为5,S6中的(iv)中的阈值取值为5,(v)的阈值取值为3m/s2,(vi)中的条件1的阈值取值为1.15m,(vi)中的条件2的阈值取值为0.8m。
每个场景测试200次,其中100次用于测试误报率,另外100次用于测试成功率;误报率FPR和成功率TRP计算方式如下:
其中,T1是在某场景中执行完动作(蹲下35,坐下35次,行走30次)后输出状态为跌倒的次数,T2是某场景中执行完动作(跌倒100次)后输出状态为跌倒的次数。如表1所示,本发明公开的方法相对于已公开的方法(未考虑将雷达输出数据合并、未使用速度预聚类且仅考虑目标高度信息的方法,例如专利202110233701.X和专利202011146676.3中所提到的方法),显著降低了误报率,并且大幅度提高了检测的成功率。
表1
Claims (9)
1.一种基于毫米波雷达的室内人员跌倒检测方法,其特征在于,包括通过聚类算法对点迹数据进行聚类判断有无目标,并在有目标时提取目标的相关信息的步骤;
点迹数据为大地坐标系下的点迹数据,由雷达输出的目标的点迹数据转化而成;
雷达输出的目标的点迹数据包括点到雷达的距离Range、点迹速度Vd、点迹水平角α、点迹俯仰角θ,雷达为毫米波雷达,目标为室内人员;
聚类步骤如下:
(i)利用速度预聚类,计算任意两个点的速度Vdi和Vdj差值的绝对值,将速度差值的绝对值小于阈值deltaV的点聚成一个类,Vdi和Vdj的单位为m/s,deltaV的取值范围为0.5~0.8m/s;
(ii)利用距离聚类,计算步骤(i)得到的类中的任意两个点之间的距离,将距离小于阈值Dist的点聚成一类,距离的单位为m,Dist的取值范围为0.2~0.36m;
(iii)计算步骤(ii)得到的类中的点的数量,如果数量大于阈值Num,则认为有目标,Num的取值范围为4~6;反之,则认为无目标。
2.根据权利要求1所述的一种基于毫米波雷达的室内人员跌倒检测方法,其特征在于,利用速度预聚类和利用距离聚类都采用DBSCAN算法;DBSCAN算法的流程如下:
(a)计算样本集中任意两个点之间的距离d(i,j),其中利用速度预聚类时距离d(i,j)的定义如下:
d(i,j)=|Vdi–Vdj|;
利用距离聚类时距离d(i,j)的定义如下:
d(i,j)=((Xi-Xj)^2+(Yi-Yj)^2+(Zi-Zj)^2)^0.5;
式中,Xi、Yi、Zi分别为点i的X轴坐标、Y轴坐标、Z轴坐标,单位均为m;Xj、Yj、Zj分别为点j的X轴坐标、Y轴坐标、Z轴坐标,单位均为m;
(b)统计每个点epsilon邻域内点的数量,利用速度预聚类时epsilon值设置为所述阈值deltaV,利用距离聚类时epsilon值设置为所述阈值Dist,如果点数大于MinPoints,则说明该点为核心对象,否则为杂波点,MinPoints的取值范围为3~5;
(c)确定密度直达关系,如果点1为核心对象,且点2在点1的epsilon邻域内,则点2对点1密度直达;
(d)确定密度可达关系,点P和点Q为任意两点,如果存在点的序列X1,X2,......Xm,同时满足:X1为点P,Xm为点Q,Xt+1对Xt密度直达,m为大于2的整数,1≤t≤m-1,则点Q对点P密度可达;
(e)确定密度相连关系,点P和点Q为任意两点,如果存在核心对象点Xn,使得点P和点Q密度可达,则点Q与点P密度相连;
(f)将所有密度相连的点聚成一个类。
3.根据权利要求1所述的一种基于毫米波雷达的室内人员跌倒检测方法,其特征在于,聚类前,还将所述大地坐标系下的点迹数据进行合并。
4.根据权利要求3所述的一种基于毫米波雷达的室内人员跌倒检测方法,其特征在于,合并的步骤如下:
(1)设计一个能够存储N帧数据的队列容器,该队列容器命名为BUFFER,雷达开始扫描时依次将连续N帧数据存入BUFFER中,N的取值范围为3~4;
(2)雷达扫描的帧数更新时,将新的一帧数据存入BUFFER中,并且将BUFFER中最早存入的一帧移出BUFFER;
(3)将BUFFER中的数据实时输出。
5.根据权利要求4所述的一种基于毫米波雷达的室内人员跌倒检测方法,其特征在于,基于毫米波雷达的室内人员跌倒检测方法的步骤如下:
S1:雷达系统初始化;
S2:雷达输出目标的点迹数据;
S3:将雷达输出的目标的点迹数据转化成大地坐标系下的点迹数据;
S4:将大地坐标系下的点迹数据进行合并;
S5:通过聚类算法对点迹数据进行聚类判断有无目标,并在有目标时提取目标的相关信息;
S6:对目标的运动状态进行判断,一旦检测到目标的运动状态为跌倒时则触发报警模块。
6.根据权利要求5所述的一种基于毫米波雷达的室内人员跌倒检测方法,其特征在于,S3中,大地坐标系的定义为:以雷达安装位置在地面的竖直投影作为大地坐标系原点,雷达法线方向在地面的竖直投影作为大地坐标系的X轴方向,大地坐标系下的Y轴和Z轴方向按照右手定则来确定;所述转化采用的方程如下:
Range_x=Range×(cosβcosθcosα+sinβsinθ);
Range_y=Range×cosθsinα;
Range_z=Range×(cosβsinθ-sinβcosθcosα)+h;
式中,Range_x、Range_y、Range_z分别表示目标在大地坐标系下X轴、Y轴、Z轴的距离分量;Range表示点到雷达之间的距离,单位为m;β表示安装时雷达法线与水平面之间的俯角,单位为°;h为2.2~2.4m。
7.根据权利要求6所述的一种基于毫米波雷达的室内人员跌倒检测方法,其特征在于,S5中,所述目标的相关信息包括目标的瞬时高度H、瞬时高度差delta_H、平均高度ave_H、平均高度差delta_ave_H、速度差delta_Vd、加速度A_Z,H、delta_H、ave_H、delta_ave_H的单位都为m,delta_Vd的单位为m/s,A_Z的单位为m/s2;所述提取的步骤如下:
(a)将聚类后的属于同一类的点按照高度值划分成M个不同区域,高度值为目标在大地坐标系下Z轴的距离分量,M=4,其中,区域M1:高度值>1.85m;区域M2:1.45m<高度值≤1.85m;区域M3:0.35m<高度值≤1.45m;区域M4:高度值≤0.35m;
(b)提取目标的瞬时高度H:取类中目标的高度的最大值和次大值,以它们的平均值作为H的值;
(c)提取目标的瞬时高度差delta_H:用当前时刻的H减去前一时刻的H得到delta_H;
(d)提取目标的平均高度ave_H:将步骤(a)中区域M2、区域M3、区域M4目标的高度的均值作为ave_H;
(e)提取目标的平均高度差delta_ave_H:用当前时刻的ave_H减去前一时刻的ave_H得到delta_ave_H;
(f)提取目标的速度差delta_Vd:对目标的速度Vd做一阶差分,得到delta_Vd,其中Vd的计算公式如下:
式中,Vdk是第k个区域内点迹速度的均值,单位为m/s;Wk是第k个区域内点迹速度均值的权重,W1=0,W2=0.25,W3=0.5,W4=0.25;
(g)提取目标的加速度A_Z:计算公式如下:
A_Z=(delta_ave_H1–delta_ave_H2)/(delta_t)^2;
式中,delta_ave_H1是当前时刻的平均高度差,单位为m/s;delta_ave_H2是前一时刻的平均高度差,单位为m/s;delta_t雷达扫描的帧间隔时间,单位为s。
8.根据权利要求7所述的一种基于毫米波雷达的室内人员跌倒检测方法,其特征在于,S6中,对目标的运动状态进行判断的流程如下:
(1)设计一个计数器,命名为Counter,并初始化为0;
(2)判断:
条件1:delta_H<0;
条件2:delta_ave_H<0;
条件3:delta_Vd>0;
如果满足至少两个以上条件,则进入下一步;反之,则返回步骤(1);
(3)对Counter进行加1操作,记录A_Z的绝对值最大、次大的两个值,记为最大值A_Z1和次大值A_Z2;
(4)判断Counter是否大于阈值,阈值的取值范围为3~5,如果是,则进入下一步;反之,则返回步骤(2);
(5)判断A_Z1和A_Z2是否都大于阈值,阈值的取值范围为2~3m/s2,如果是,则进入下一步(6);反之,则返回步骤(2);
(6)判断:
条件1:实时输出的BUFFER中的数据对应的H<阈值,阈值的取值范围为1.0~1.15m;
条件2:实时输出的BUFFER中的数据对应的ave_H<阈值,阈值的取值范围为0.5~0.8m;
如果同时满足以上两个条件,则输出目标的运动状态为跌倒;反之,则输出目标的运动状态为未跌倒。
9.根据权利要求1所述的一种基于毫米波雷达的室内人员跌倒检测方法,其特征在于,基于毫米波雷达的室内人员跌倒检测方法的误报率小于等于20%,成功率大于等于86%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111485827.2A CN114217308A (zh) | 2021-12-07 | 2021-12-07 | 一种基于毫米波雷达的室内人员跌倒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111485827.2A CN114217308A (zh) | 2021-12-07 | 2021-12-07 | 一种基于毫米波雷达的室内人员跌倒检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114217308A true CN114217308A (zh) | 2022-03-22 |
Family
ID=80700069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111485827.2A Pending CN114217308A (zh) | 2021-12-07 | 2021-12-07 | 一种基于毫米波雷达的室内人员跌倒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114217308A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115345908A (zh) * | 2022-10-18 | 2022-11-15 | 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 |
CN115542308A (zh) * | 2022-12-05 | 2022-12-30 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 |
CN116859406A (zh) * | 2023-09-05 | 2023-10-10 | 武汉煜炜光学科技有限公司 | 一种基于激光雷达的车速的计算方法和装置 |
-
2021
- 2021-12-07 CN CN202111485827.2A patent/CN114217308A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115345908A (zh) * | 2022-10-18 | 2022-11-15 | 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 |
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 |
CN115542308A (zh) * | 2022-12-05 | 2022-12-30 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 |
CN115542308B (zh) * | 2022-12-05 | 2023-03-31 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 |
CN116859406A (zh) * | 2023-09-05 | 2023-10-10 | 武汉煜炜光学科技有限公司 | 一种基于激光雷达的车速的计算方法和装置 |
CN116859406B (zh) * | 2023-09-05 | 2023-11-28 | 武汉煜炜光学科技有限公司 | 一种基于激光雷达的车速的计算方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114217308A (zh) | 一种基于毫米波雷达的室内人员跌倒检测方法 | |
CN110458061A (zh) | 一种识别老年人跌倒的方法及陪伴机器人 | |
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 | |
CN112782664B (zh) | 一种基于毫米波雷达的卫生间跌倒检测方法 | |
CN115345908B (zh) | 一种基于毫米波雷达的人体姿态识别方法 | |
CN105510896A (zh) | 一种集中式多雷达数据处理的加权最近邻域数据关联方法 | |
CN108734725A (zh) | 基于高斯过程的概率数据关联滤波扩展目标跟踪方法 | |
CN114038012A (zh) | 基于毫米波雷达和机器学习的跌倒检测方法及系统 | |
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 | |
CN116602663A (zh) | 一种基于毫米波雷达的智能监测方法及系统 | |
CN115343684A (zh) | 一种基于毫米波雷达的跌倒检测方法及系统 | |
CN105445732A (zh) | 在密集杂波条件下利用多径观测的目标航迹初始化方法 | |
CN117741647A (zh) | 一种毫米波雷达智能家居感知方法与装置 | |
CN117471453A (zh) | 一种基于毫米波雷达的人体运动状态检测方法 | |
CN112395920B (zh) | 基于雷达的姿态识别装置、方法以及电子设备 | |
CN113283330A (zh) | 基于深度学习与多目标跟踪算法的视频sar动目标检测方法 | |
CN113283415B (zh) | 一种基于深度相机的久坐久卧检测方法 | |
TWI772208B (zh) | 基於毫米波雷達的人數偵測方法 | |
CN114216440B (zh) | 一种高耸结构安全姿态监测及其预警方法及系统 | |
CN115982620A (zh) | 基于多类三维特征与Transformer的毫米波雷达人体跌倒行为识别方法及系统 | |
CN106646377B (zh) | 基于时间序列相似搜索的震动目标定位方法 | |
Liu et al. | A novel key point trajectory model for fall detection from RGB-D videos | |
CN107561506A (zh) | 一种多级虚警概率联合递推目标检测方法 | |
Yangjiaozi et al. | Research on fall detection based on improved human posture estimation algorithm | |
CN110412531A (zh) | 杂波情况下基于幅值信息的接收站路径优化方法 |
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 |