CN114384507A - 一种基于多普勒微波感应的人体识别算法及传感器 - Google Patents
一种基于多普勒微波感应的人体识别算法及传感器 Download PDFInfo
- Publication number
- CN114384507A CN114384507A CN202111554569.9A CN202111554569A CN114384507A CN 114384507 A CN114384507 A CN 114384507A CN 202111554569 A CN202111554569 A CN 202111554569A CN 114384507 A CN114384507 A CN 114384507A
- Authority
- CN
- China
- Prior art keywords
- human body
- distance
- phi
- target position
- 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.)
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/505—Systems of measurement based on relative movement of target using Doppler effect for determining closest range to a target or corresponding time, e.g. miss-distance indicator
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
- G01S13/56—Discriminating between fixed and moving objects or between objects moving at different speeds for presence detection
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明解决了微波感应不能有效的探测出静止或微动的物体的问题,提出一种基于多普勒微波感应的人体识别算法及传感器,通过微波雷达器件组装的人感探测器,不断获取人感探测器探测到的人体目标的动态数据,然后通过人体判断算法进行有人无人判断,以获得准确的人体探测信息,为后续人感应用提供有效条件。
Description
技术领域
本发明涉及人体感应技术领域,尤其是一种基于多普勒微波感应的人体识别算法及传感器。
背景技术
当前市场上的人体感应技术主要包括红外感应和多普勒微波感应两类:
红外感应:采用热释电红外感应原理,通过收集红外能量变化触发感应器动作,受环境温度影响,当夏天环境温度接近人体体温时,人进入感应范围无红外能量变化,所以夏天人体感应表现非常不灵敏。缺点:受环境温度影响比较大,红外探头部分需要裸露在外,产品整体美观度不高。
多普勒微波感应:物体辐射的波长因为波源和观测者的相对运动而产生变化。在运动的波源前面,波被压缩,波长变得较短,频率变得较高。当运动在波源后面时,会产生相反的效应。波长变得较长,频率变得较低。多普勒效应造成的发射和接收的频率之差称为多普勒频移。它揭示了波的属性在运动中发生变化的规律。微波雷达感应在发射微波信号的同时接收反射波信号,并将两者相混差频产生一个新的低频信号,称中频信号,其频率称为中频频率,是发射频率和反射频率之差。微波雷达感应的工作频率越高,增益和探测波束越窄,探测距离越远。采用多普勒原理,有移动物体进入感应范围,则会改变雷达信号波形,从而触发雷达感应器动作;特点:只对运动的人进行感应,可以穿透塑料隐藏式安装,比较美观;缺点:不能感应静坐、睡眠状态中的人。
参考中国专利公开号为CN204119580U的一种分体式微波感应LED灯以及微波感应装置和LED灯,其中,分体式微波感应LED灯包括微波感应装置和LED灯所述微波感应装置与所述LED灯之间通过无线的方式连接;所述微波感应装置用于检测人体移动,并发送无线控制信号;所述LED灯内置无线通讯模块,能够接收无线控制信号并根据该信号控制LED灯。
微波能够探测物体的距离、相对速度和方位角,但是不能有效的探测出静止或微动的物体,从而不能够在室内空间中准确探测出人体是否存在,造成判断人体存在的大量应用体验感差,比如室内应用场景“人到开灯人走关灯”,就因为在人员进入微动状态或完全静止状态时,而造成灯关闭的情况发生,或者统计室内人数不够准确。
发明内容
本发明解决了微波感应不能有效的探测出静止或微动的物体的问题,提出一种基于多普勒微波感应的人体识别算法及传感器,通过微波雷达器件组装的人感探测器,不断获取人感探测器探测到的人体目标的动态数据,然后通过人体判断算法进行有人无人判断,以获得准确的人体探测信息,为后续人感应用提供有效条件。
为实现上述目的,提出以下技术方案:
一种基于多普勒微波感应的人体识别算法,包括以下步骤:
S1,基于多普勒微波感应实时获取人体目标的动态数据,所述动态数据包括人体目标到测试点的距离λ、相对速度v和方位角φ;
S2,使用DBSCAN聚类算法对所述动态数据进行分类标记,并按类获得动态数据的数据几何中心,生成分类信息,所述分类信息包括:
分类标记Oid;
分类的数据几何中心Oloc[λ0、φ0];
动态数据的数组D[[λ1、ν1、φ1],[λ2、ν2、φ2],…,[λn、νn、φn]];
S3,设置现存目标位置数据集Ldata(Oid、Oloc、D),
依次计算实时获取的目标位置Oloc[λ(t)、φ(t)]与现存目标位置数据的距离变化值Δλ和方位角变化值Δφ,获得一组变化值[Δλ、Δφ];其中:λ(t)为当前时刻采集得到的目标对象几何中心距离值;φ(t)为当前时刻采集得到的目标对象几何中心方位角值;
S4,将一组变化值[Δλ、Δφ]代入关联公式:
Y(t)=Δλ+2*λ(t)*sin(Δφ/2),
其中Y(t)为变化空间距离,得到一组变化空间距离[Y]值,判断最小Y值是否小于Ymin,若是,将最小Y值对应的分类信息更新现存目标位置数据集;若否,将最小Y值对应的分类信息加入到现存目标位置数据集;所述Ymin为允许最小欧式距离参考误差值;
S5,提取当前没有更新过的目标位置数据集记录,比较最后一次更新记录的相对速度是否大于参考速度Vmin,若是判断该记录为失效状态,并从现存目标位置数据集移除,若否,不进行操作;
S6,统计目标位置数据集记录个数,当个数大于0时,判断当前状态为有人状态,当个数为0时,判断当前状态为无人状态。
本发明基于多普勒微波感应不断获取人体目标到测试点的测试点的距离λ、相对速度v和方位角φ,再通过人体判断算法计算人体目标的位置分布范围,再将相对运动速度与上一个位置的分布范围进行匹配,能够提高匹配命中率,即提高微波感应对静止物体的识别率,以获得准确的人体探测信息,为后续人感应用提供有效条件。
作为优选,所述距离λ的计算公式如下:
其中:c为光速,T为调制三角波周期,ΔF为调频带宽,fb+为三角波的上升沿输出的中频频率,fb-为三角波的下降沿输出的中频频率;
所述相对速度v的计算公式如下:
其中:f为发射信号的频率;
所述方位角φ的计算公式如下:
其中:Δd为差分距离。
作为优选,所述S2还包括设置距离λ、相对速度v和方位角φ的轮廓系数,并根据实际工作情况进行系数调整。
本发明按照经验默认设置距离、相对速度、方位角的轮廓半径系数,并根据实际工作情况进行系数调整;根据当前设置的轮廓系数,使用DBSCAN聚类算法对采集的反射点信号[λn、vn、φn]进行分类标记。使用聚类算法对采集的反射点信号进行分类方法,可以通过机器学习调整轮廓系数值,以获得更准确的分类结果。
作为优选,所述Δλ的计算公式如下:
Δλ=λ(i)-λ(t),
其中:λ(i)为现存目标位置数据集Ldata内保存的数据几何中心Oloc中的距离值;
所述Δφ的计算公式如下:
Δφ=φ(i)-φ(t),其中:φ(i)为现存目标位置数据集Ldata内保存的数据几何中心Oloc中的方位角值。
一种基于多普勒微波感应的人体识别传感器,采用上述的一种基于多普勒微波感应的人体识别算法,包括微波雷达、主控模块和存储模块,所述微波雷达用于利用多普勒微波感应实时获取人体目标的动态数据,并将动态数据传输到主控模块,所述主控模块设有人体识别算法,根据获得动态数据得出人体识别结果,所述存储模块用于存储和更新动态数据记录。
本发明的有益效果是:本发明基于多普勒微波感应不断获取人体目标到测试点的距离λ、相对速度v和方位角φ,再通过人体判断算法计算人体目标的位置分布范围,再将相对运动速度与上一个位置的分布范围进行匹配,能够提高匹配命中率,即提高微波感应对静止物体的识别率,以获得准确的人体探测信息,为后续人感应用提供有效条件。
附图说明
图1是实施例的算法流程图;
图2是实施例微波雷达连续调频微波波形图;
图3是实施例微波雷达测方位角原理图。
具体实施方式
实施例:
本实施例提出一种基于多普勒微波感应的人体识别算法,参考图1,包括以下步骤:
S1,基于多普勒微波感应实时获取人体目标的动态数据,动态数据包括人体目标到测试点的距离λ、相对速度v和方位角φ;
当前使用多普勒微波感应技术人体感应器基本为微波雷达,人体探测使用的微波雷达,通常采用结构简单成本较低,适合近距离探测的FMCW雷达体制。微波雷达能够对运动物体进行测距、测速及方位判断等。
微波雷达通过发射天线发出相应波段的有指向性的微波,当微波遇到障碍目标后反射回来,通过接收天线接收反射回来的微波。根据微波的波段,通过公式计算微波在途中飞行的时间:τ=2*距离/光速,当已知微波雷达和移动目标之间的相对距离,能求出目标的位置。
雷达天线向外发出一系列连续调频微波,频率随时间按调制电压的规律变化,一般是连续的三角波,发射与接收信号参考图2所示。图2中实线是发射信号,虚线是相对静止和相对运动物体的反射信号。反射与发射信号波形相同,只是差一个延时时间td。
发射信号与反射信号在某一时刻的频差即为混频输出的中频频率fb。相对运动物体反射信号由于多普勒效应产生的频移的原因。在三角波的上升沿与下降沿输出的中频频率分别为fb+、fb-。
距离λ的计算公式如下:
其中:c为光速,T为调制三角波周期,ΔF为调频带宽,fb+为三角波的上升沿输出的中频频率,fb-为三角波的下降沿输出的中频频率;
本实施例中:光速c=300000000m/s,fb-加上fb+的差频信号的频率的最小频率=fs/N=500Hz,在采样频率fs=512kHz,采样点数N=1024下,ΔF=1GHz,T=2ms,人感探测器的两个接收天线的几何距离Δd=1cm。
根据多普勒效应,微波雷达的频率变化与雷达和物体的相对速度是紧密相关的,根据反射回来的微波频率的变化,可以获得雷达和物体相对运动速度。雷达和物体距离越近,微波反射回波的频率就越高,反之则频率越低。
相对速度v的计算公式如下:
其中:f为发射信号的频率;
参考图3,微波雷达设置的两个接收天线,通过接收到同一监测目标反射回来的微波的相位差,可以计算出被监测目标的方位角。方位角φ是通过微波雷达接收天线RX1和接收天线RX2之间的几何距离d,以及两根微波雷达天线所收到反射回波的相位差b,然后通过三角函数计算得到方位角φ的值。
方位角φ的计算公式如下:
其中:Δd为从目标到每个天线的差分距离。
S2,设置距离λ、相对速度ν和方位角φ的轮廓系数,并根据实际工作情况进行系数调整,根据当前设置的轮廓系数,使用DBSCAN聚类算法对动态数据进行分类标记,并按类获得动态数据的数据几何中心,生成分类信息,所述分类信息包括:
分类标记Oid;
分类的数据几何中心Oloc[λ0、φ0];
动态数据的数组D[[λ1、ν2、φ1],[λ2、ν2、φ2],…,[λn、νn、φn]];
按计算公式:
求得最小测距:
Δλ=300000000*(2/1000)*500/4*1000000000=0.075;按最小计算数据8倍设定轮廓系数;考虑人体的厚度一般为300mm,距离相差需满足最低条件大于0.3m;
计算获得:
距离λ的轮廓系数为8*0.075=0.6。
按计算公式:
最小速度v=300000000/(4*512000)*((1/2*1000)/2)=0.0366
速度v的轮廓系数为8*0.0366=0.29。
按计算公式:
计算获得:
方位角φ的轮廓系数为8*(2*3.14*0.01/0.075)=0.037。
本发明按照经验默认设置距离、相对速度、方位角的轮廓半径系数,并根据实际工作情况进行系数调整;根据当前设置的轮廓系数,使用DBSCAN聚类算法对采集的反射点信号[λn、vn、φn]进行分类标记。使用聚类算法对采集的反射点信号进行分类方法,可以通过机器学习调整轮廓系数值,以获得更准确的分类结果。
S3,设置现存目标位置数据集Ldata(Oid、Oloc、D),依次计算实时获取的目标位置Oloc[λ(t)、φ(t)]与现存目标位置数据的距离变化值Δλ和方位角变化值Δφ,获得一组变化值[Δλ、Δφ];其中:λ(t)为当前时刻采集得到的目标对象几何中心距离值;φ(t)为当前时刻采集得到的目标对象几何中心方位角值;
Δλ的计算公式如下:
Δλ=λ(i)-λ(t),
其中:λ(i)为现存目标位置数据集Ldata内保存的数据几何中心Oloc中的距离值;
Δφ的计算公式如下:
Δφ=φ(i)-φ(t),
其中:φ(i)为现存目标位置数据集Ldata内保存的数据几何中心Oloc中的方位角值。[0029]S4,将一组变化值[Δλ、Δφ]代入关联公式:
Y(t)=Δλ+2*λ(t)*sin(Δφ/2),
其中Y(t)为变化空间距离,得到一组变化空间距离[Y]值,判断最小Y值是否小于Ymin,若是,将最小Y值对应的分类信息更新现存目标位置数据集;若否,将最小Y值对应的分类信息加入到现存目标位置数据集;Ymin为允许最小欧式距离参考误差值;本实施例Ymin=40cm。
S5,提取当前没有更新过的目标位置数据集记录,比较最后一次更新记录的相对速度是否大于参考速度Vmin,若是判断该记录为失效状态,并从现存目标位置数据集移除,若否,不进行操作;本实施例Vmin=40cm/s。
S6,统计目标位置数据集记录个数,当个数大于0时,判断当前状态为有人状态,当个数为0时,判断当前状态为无人状态。
本发明基于多普勒微波感应不断获取人体目标到测试点的距离λ、相对速度ν和方位角φ,再通过人体判断算法计算人体目标的位置分布范围,再将相对运动速度与上一个位置的分布范围进行匹配,能够提高匹配命中率,即提高微波感应对静止物体的识别率,以获得准确的人体探测信息,为后续人感应用提供有效条件。
本实施例还提出一种基于多普勒微波感应的人体识别传感器,采用上述的一种基于多普勒微波感应的人体识别算法,包括微波雷达、主控模块和存储模块,微波雷达用于利用多普勒微波感应实时获取人体目标的动态数据,并将动态数据传输到主控模块,主控模块设有人体识别算法,根据获得动态数据得出人体识别结果,存储模块用于存储和更新动态数据记录。
Claims (6)
1.一种基于多普勒微波感应的人体识别算法,其特征是,包括以下步骤:
S1,基于多普勒微波感应实时获取人体目标的动态数据,所述动态数据包括人体目标到测试点的距离λ、相对速度v和方位角φ;
S2,使用DBSCAN聚类算法对所述动态数据进行分类标记,并按类获得动态数据的数据几何中心,生成分类信息,所述分类信息包括:
分类标记Oid;
分类的数据几何中心Oloc[λ0、φ0];
动态数据的数组D[[λ1、v1、φ1],[λ2、v2、φ2],…,[λn、νn、φn]];
S3,设置现存目标位置数据集Ldata(Oid、Oloc、D),
依次计算实时获取的目标位置Oloc[λ(t)、φ(t)]与现存目标位置数据的距离变化值Δλ和方位角变化值Δφ,获得一组变化值[Δλ、Δφ];其中:λ(t)为当前时刻采集得到的目标对象几何中心距离值;φ(t)为当前时刻采集得到的目标对象几何中心方位角值;
S4,将一组变化值[Δλ、Δφ]代入关联公式:
Y(t)=Δλ+2*λ(t)*sin(Δφ/2),
其中Y(t)为变化空间距离,得到一组变化空间距离[Y]值,判断最小Y值是否小于Ymin,若是,将最小Y值对应的分类信息更新现存目标位置数据集;若否,将最小Y值对应的分类信息加入到现存目标位置数据集;所述Ymin为允许最小欧式距离参考误差值;
S5,提取当前没有更新过的目标位置数据集记录,比较最后一次更新记录的相对速度是否大于参考速度Vmin,若是判断该记录为失效状态,并从现存目标位置数据集移除,若否,不进行操作;
S6,统计目标位置数据集记录个数,当个数大于0时,判断当前状态为有人状态,当个数为0时,判断当前状态为无人状态。
3.根据权利要求1所述的一种基于多普勒微波感应的人体识别算法,其特征是,所述S2还包括设置距离λ、相对速度v和方位角φ的轮廓系数,并根据实际工作情况进行系数调整。
4.根据权利要求1所述的一种基于多普勒微波感应的人体识别算法,其特征是,所述Δλ的计算公式如下:
Δλ=λ(i)-λ(t),
其中:λ(i)为现存目标位置数据集Ldata内保存的数据几何中心Oloc中的距离值;
所述Δφ的计算公式如下:
Δφ=φ(i)-φ(t),
其中:φ(i)为现存目标位置数据集Ldata内保存的数据几何中心Oloc中的方位角值。
5.根据权利要求1所述的一种基于多普勒微波感应的人体识别算法,其特征是,所述参考速度Vmin为40cm/s。
6.一种基于多普勒微波感应的人体识别传感器,采用权利要求1所述的一种基于多普勒微波感应的人体识别算法,其特征是,包括微波雷达、主控模块和存储模块,所述微波雷达用于利用多普勒微波感应实时获取人体目标的动态数据,并将动态数据传输到主控模块,所述主控模块设有人体识别算法,根据获得动态数据得出人体识别结果,所述存储模块用于存储和更新动态数据记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111554569.9A CN114384507A (zh) | 2021-12-17 | 2021-12-17 | 一种基于多普勒微波感应的人体识别算法及传感器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111554569.9A CN114384507A (zh) | 2021-12-17 | 2021-12-17 | 一种基于多普勒微波感应的人体识别算法及传感器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114384507A true CN114384507A (zh) | 2022-04-22 |
Family
ID=81197275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111554569.9A Pending CN114384507A (zh) | 2021-12-17 | 2021-12-17 | 一种基于多普勒微波感应的人体识别算法及传感器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114384507A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236661A (zh) * | 2022-08-22 | 2022-10-25 | 深圳市海兴科技有限公司 | 一种基于微波感应的人体存在检测方法及微波感应器 |
-
2021
- 2021-12-17 CN CN202111554569.9A patent/CN114384507A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236661A (zh) * | 2022-08-22 | 2022-10-25 | 深圳市海兴科技有限公司 | 一种基于微波感应的人体存在检测方法及微波感应器 |
CN115236661B (zh) * | 2022-08-22 | 2023-04-07 | 深圳市海兴科技有限公司 | 一种基于微波感应的人体存在检测方法及微波感应器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11435443B2 (en) | Integration of tracking with classifier in mmwave radar | |
US4649388A (en) | Radar detection of hazardous small scale weather disturbances | |
US5252980A (en) | Target location system | |
USRE33152E (en) | Radar detection of hazardous small scale weather disturbances | |
US5247303A (en) | Data quality and ambiguity resolution in a doppler radar system | |
AU2006235724B2 (en) | Method and apparatus for detecting a target in a scene | |
JP3648236B2 (ja) | 超広帯域レーダの運動センサ | |
EP2382486B1 (en) | A method for estimating an object motion characteristic from a radar signal, a computer system and a computer program product | |
US5164731A (en) | Turbulence radar system | |
Stephan et al. | Radar-based human target detection using deep residual u-net for smart home applications | |
Chang et al. | An algorithm for UWB radar-based human detection | |
CN113267773A (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 | |
EP3494404B1 (en) | System and method for detecting heading and velocity of a target object | |
CN107783123B (zh) | 无人驾驶汽车复杂环境防撞毫米波雷达信号处理系统及方法 | |
Yan et al. | Vital-SAR-imaging with a drone-based hybrid radar system | |
CN114384507A (zh) | 一种基于多普勒微波感应的人体识别算法及传感器 | |
Cui et al. | 3D detection and tracking for on-road vehicles with a monovision camera and dual low-cost 4D mmWave radars | |
Bennett et al. | Use of symmetrical peak extraction in drone micro-doppler classification for staring radar | |
Onunka et al. | Autonomous marine craft navigation: On the study of radar obstacle detection | |
KR20220141748A (ko) | 레이더 신호로부터 표적 정보를 추출하는 방법 및 컴퓨터 판독가능 저장 매체 | |
CN114384489A (zh) | 一种浴室跌倒检测雷达的水雾杂波滤除方法 | |
EP4130782A2 (en) | Scene-adaptive radar | |
US20220260702A1 (en) | Radar-Based Target Tracker | |
CN107783124B (zh) | 基于组合波形的旋翼无人机复杂环境防碰撞雷达系统及信号处理方法 | |
JP7377494B2 (ja) | 属性の識別装置および識別方法 |
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 |