CN114563784A - 一种基于双毫米波雷达的船载环境入侵检测方法及系统 - Google Patents

一种基于双毫米波雷达的船载环境入侵检测方法及系统 Download PDF

Info

Publication number
CN114563784A
CN114563784A CN202210447260.8A CN202210447260A CN114563784A CN 114563784 A CN114563784 A CN 114563784A CN 202210447260 A CN202210447260 A CN 202210447260A CN 114563784 A CN114563784 A CN 114563784A
Authority
CN
China
Prior art keywords
doppler
millimeter wave
feature
azimuth
wave 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.)
Granted
Application number
CN202210447260.8A
Other languages
English (en)
Other versions
CN114563784B (zh
Inventor
刘克中
龚大内
曾旭明
陈默子
郑凯
陈梦达
李春伸
王国宇
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202210447260.8A priority Critical patent/CN114563784B/zh
Publication of CN114563784A publication Critical patent/CN114563784A/zh
Application granted granted Critical
Publication of CN114563784B publication Critical patent/CN114563784B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
    • G01S13/874—Combination of several systems for attitude determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种基于双毫米波雷达的船载环境入侵检测方法及系统，其方法包括：基于双毫米波雷达获得上雷达信号和下雷达信号；基于上雷达信号和下雷达信号获得目标对象的上RDA图和下RDA图；对上RDA图和下RDA图进行距离和角度维累积，获得上肢MD特征、上肢CVD特征、mDs特征和下肢MD特征；构建入侵检测模型，基于上肢MD特征、上肢CVD特征、mDs特征、下肢MD特征以及入侵检测模型，获得目标对象的运动状态和身份信息；构建入侵状态判别模型，基于运动状态、身份信息以及入侵状态判别模型，对目标对象的入侵状态进行判别。本发明克服船舶动态环境影响，提高了船载环境入侵检测的准确性。

Description

一种基于双毫米波雷达的船载环境入侵检测方法及系统
技术领域
本发明涉及船载环境人员特征识别技术领域，具体涉及一种基于双毫米波雷达的船载环境入侵检测方法及系统。
背景技术
船舶作为一种重要的水上交通运输工具，其对敏感区域（船舶驾驶舱、机舱等）的身份识别与异常人员入侵感知受到越来越多的关注。但是不同于陆地环境，船舶舱室众多、弱光、结构复杂、航行中船体震动、舱壁金属干扰严重的船载环境给目前的识别手段带来了一定的挑战和约束。
传统的用户识别解决方案通常基于密码（即文本和图形模式）或生理生物特征（例如语音、指纹和虹膜）。然而，它们作为合作式身份识别都需要用户的干预与配合，防护等级较低有被模仿、伪造的风险，并且难以同时识别多个用户。ID卡和身份手环等device-based方案要求用户携带额外的身份识别设备，往往有遗失、被盗等风险。对环境的自动与智能感知是未来识别系统的一个关键特性，目前现代监控系统主要采用摄像机作为主要传感器收集信息。然而，摄像机具有基本的缺陷，例如无法在弱光环境、恶劣天气条件情况下进行记录。此外，在隐私敏感区域操作时，相机的无限制使用也会引起争议。相比之下，基于毫米波雷达的感知技术不受上述因素的影响，适合在复杂船载环境中实现稳定的身份识别与入侵感知。
现有技术中通常是通过单毫米波雷达进行船载环境入侵检测，但由于单毫米波雷达的视野有限以及船舶在航行中存在船体震动、舱壁金属干扰等场景，导致单毫米波雷达在船载环境中的特征不完整，进而造成船载环境入侵检测不准确的技术问题。
发明内容
有鉴于此，有必要提供一种基于双毫米波雷达的船载环境入侵检测方法及系统，用以解决现有技术中存在的通过单毫米波雷达进行船载环境入侵检测导致检测不准确的技术问题。
一方面，本发明提供了一种基于双毫米波雷达的船载环境入侵检测方法，所述双毫米波雷达包括以一定高度竖直摆放的上毫米波雷达和下毫米波雷达，所述基于双毫米波雷达的船载环境入侵检测方法包括：
将所述上毫米波雷达和所述下毫米波雷达进行时间同步，并基于所述上毫米波雷达和所述下毫米波雷达采集船载环境以及目标对象在所述船载环境中运动时的雷达信号，获得上雷达信号和下雷达信号；
基于所述上雷达信号和所述下雷达信号获得所述目标对象的上距离-多普勒-方位角图和下距离-多普勒-方位角图；
对所述上距离-多普勒-方位角图和所述下距离-多普勒-方位角图进行距离和角度维的累积，获得所述目标对象的上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频谱特征和下肢微多普勒特征；
构建入侵检测模型，并基于所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征以及所述入侵检测模型，获得所述目标对象的运动状态和身份信息；
构建入侵状态判别模型，并基于所述运动状态、所述身份信息以及所述入侵状态判别模型，确定所述目标对象的入侵置信度，并基于所述入侵置信度对所述目标对象的入侵状态进行判别。
在一些可能的实现方式中，所述入侵检测模型包括领域鉴别子模型、状态识别子模型以及身份识别子模型；所述基于所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征以及所述入侵检测模型，获得所述目标对象的运动状态和身份信息，包括：
将所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征输入至所述领域鉴别子模型，获得所述目标对象所在的船载环境的预测领域标签；
将所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征输入至所述状态识别子模型，获得所述目标对象的运动状态；
将所述下肢微多普勒特征、所述平均多普勒频谱特征进行分割，获得多个目标特征，并将所述目标特征输入至所述身份识别子模型，获得所述目标对象的身份信息。
在一些可能的实现方式中，所述领域鉴别子模型的领域损失函数为：
Figure 80177DEST_PATH_IMAGE001
所述状态识别子模型的状态识别损失函数为：
Figure 305622DEST_PATH_IMAGE002
所述身份识别子模型的身份识别损失函数为：
Figure 222763DEST_PATH_IMAGE003
式中，
Figure 533658DEST_PATH_IMAGE004
为所述领域损失函数；
Figure 460026DEST_PATH_IMAGE005
为真实领域标签向量；
Figure 274398DEST_PATH_IMAGE006
为预测领域标签向量；
Figure 628019DEST_PATH_IMAGE007
为输入至所述领域鉴别子模型中特征的总个数；
Figure 160632DEST_PATH_IMAGE008
为真实领域的总个数；
Figure 625111DEST_PATH_IMAGE009
为所述状态识别损失函数；
Figure 559569DEST_PATH_IMAGE010
为多特征融合网络计算损失；
Figure 349671DEST_PATH_IMAGE011
为单峰仅使用单模态k时的分类损失；
Figure 104000DEST_PATH_IMAGE012
为交叉验证系数；
Figure 372170DEST_PATH_IMAGE013
为领域损失权重；
Figure 161135DEST_PATH_IMAGE014
为单模态的总个数；
Figure 856558DEST_PATH_IMAGE015
为所述身份识别损失函数；
Figure 363763DEST_PATH_IMAGE016
为目标特征的总个数；
Figure 170045DEST_PATH_IMAGE017
为真实身份信息的总个数；
Figure 813516DEST_PATH_IMAGE018
为第d个目标特征的编码向量；
Figure 945420DEST_PATH_IMAGE019
为身份信息预测概率向量。
在一些可能的实现方式中，在所述获得所述目标对象的上距离-多普勒-方位角图和下距离-多普勒-方位角图之后，还包括：
基于预设的聚类算法分别对所述上距离-多普勒-方位角图和所述下距离-多普勒-方位角图进行聚类，对应获得所述目标对象的第一目标簇和第二目标簇；
获得所述第一目标簇的实际距离和实际速度；
基于所述实际距离和实际速度获得所述第二目标簇的理论距离和理论速度；
基于所述实际距离和所述理论距离获得补偿距离，并基于所述实际速度和所述理论速度获得补偿速度；
基于所述补偿距离和所述补偿速度获得补偿下距离-多普勒-方位角图；
基于所述上距离-多普勒-方位角图和所述补偿下距离-多普勒-方位角图确定共有环境动态噪声；
基于所述共有环境动态噪声对所述上距离-多普勒-方位角图和所述下距离-多普勒-方位角图进行去噪，获得去噪上距离-多普勒-方位角图和去噪下距离-多普勒-方位角图。
在一些可能的实现方式中，所述去噪上距离-多普勒-方位角图：
Figure 674341DEST_PATH_IMAGE020
式中，
Figure 284314DEST_PATH_IMAGE021
为所述去噪上距离-多普勒-方位角图；
Figure 313450DEST_PATH_IMAGE022
为所述上距离-多普勒-方位角图；
Figure 85097DEST_PATH_IMAGE023
为所述补偿下距离-多普勒-方位角图。
在一些可能的实现方式中，所述补偿距离为：
Figure 566894DEST_PATH_IMAGE024
Figure 714979DEST_PATH_IMAGE025
所述补偿速度为：
Figure 333042DEST_PATH_IMAGE026
式中，
Figure 541169DEST_PATH_IMAGE027
为所述补偿距离；
Figure 244683DEST_PATH_IMAGE028
为所述补偿速度；| |为绝对值；
Figure 462038DEST_PATH_IMAGE029
为所述实际距离；
Figure 934607DEST_PATH_IMAGE030
为所述理论距离；
Figure 313636DEST_PATH_IMAGE031
为所述上毫米波雷达和所述下毫米波雷达的高度差；
Figure 504446DEST_PATH_IMAGE032
为所述第一目标点的俯角；
Figure 259912DEST_PATH_IMAGE033
为实际速度；
Figure 852568DEST_PATH_IMAGE034
为理论速度。
在一些可能的实现方式中，所述上肢微多普勒特征为：
Figure 402498DEST_PATH_IMAGE035
式中，
Figure 80604DEST_PATH_IMAGE036
为所述上肢微多普勒特征；
Figure 374182DEST_PATH_IMAGE037
为第n个上距离-多普勒-方位角图；
Figure 821344DEST_PATH_IMAGE038
为上距离-多普勒-方位角图的总个数；
Figure 807754DEST_PATH_IMAGE039
为方位角；
Figure 973157DEST_PATH_IMAGE040
为距离。
在一些可能的实现方式中，所述上肢节奏速度图特征为：
Figure 804846DEST_PATH_IMAGE041
Figure 372094DEST_PATH_IMAGE042
式中，
Figure 263826DEST_PATH_IMAGE043
为所述上肢节奏速度图特征；
Figure 650945DEST_PATH_IMAGE044
为上肢微多普勒特征经功率阈值降噪后的平方幅值；
Figure 551905DEST_PATH_IMAGE045
为节奏频率的总个数；
Figure 973659DEST_PATH_IMAGE046
为离散频率索引；
Figure 36293DEST_PATH_IMAGE047
为虚部。
在一些可能的实现方式中，所述平均多普勒频谱特征为：
Figure 176288DEST_PATH_IMAGE048
式中，
Figure 349780DEST_PATH_IMAGE049
为所述平均多普勒频谱特征。
另一方面，本发明还提供了一种基于双毫米波雷达的船载环境入侵检测系统，所述双毫米波雷达包括以一定高度竖直摆放的上毫米波雷达和下毫米波雷达，所述基于双毫米波雷达的船载环境入侵检测系统包括：
雷达信号获取单元，用于将所述上毫米波雷达和所述下毫米波雷达进行时间同步，并基于所述上毫米波雷达和所述下毫米波雷达采集船载环境以及目标对象在所述船载环境中运动时的雷达信号，获得上雷达信号和下雷达信号；
RDA图获取单元，用于基于所述上雷达信号和所述下雷达信号获得所述目标对象的上距离-多普勒-方位角图和下距离-多普勒-方位角图；
上下肢特征获取单元，用于对所述上距离-多普勒-方位角图和所述下距离-多普勒-方位角图进行距离和角度维的累积，获得所述目标对象的上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频谱特征和下肢微多普勒特征；
入侵检测单元，用于构建入侵检测模型，并基于所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征以及所述入侵检测模型，获得所述目标对象的运动状态和身份信息；
入侵状态判别单元，用于构建入侵状态判别模型，并基于所述运动状态、所述身份信息以及所述入侵状态判别模型，确定所述目标对象的入侵置信度，并基于所述入侵置信度对所述目标对象的入侵状态进行判别。
采用上述实施例的有益效果是：本发明提供的基于双毫米波雷达的船载环境入侵检测方法，通过设置以一定高度竖直摆放的上毫米波雷达和下毫米波雷达共同对船载环境进行入侵检测，可克服单毫米波雷达的视野小、受船体震动、舱壁金属干扰严重的技术问题，提高船载环境入侵检测的准确性。
进一步地，本发明分别通过上雷达信号和下雷达信号获得目标对象的上距离-多普勒-方位角图和下距离-多普勒-方位角图，并对上距离-多普勒-方位角图和下距离-多普勒-方位角图进行距离和角度维的累积，获得目标对象的上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频谱特征和下肢微多普勒特征，并通过上述多个特征实现船载环境入侵检测，可融合多特征对船载环境进行入侵检测，进一步提高船载环境入侵检测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于双毫米波雷达的船载环境入侵检测方法的一个实施例流程示意图；
图2为本发明提供的双毫米雷达设置方式的一个实施例结构示意图；
图3为本发明图1中S104的一个实施例流程示意图；
图4为本发明提供的入侵检测模型的一个实施例结构示意图；
图5为本发明提供的状态识别子模型的一个实施例结构示意图；
图6为本发明提供的消除共有环境动态噪声的一个实施例流程示意图；
图7为本发明提供的基于双毫米波雷达的船载环境入侵检测系统的一个实施例结构示意图；
图8为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解，本领域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明实施例提供了一种基于双毫米波雷达的船载环境入侵检测及系统，以下分别进行说明。
图1为本发明提供的基于双毫米波雷达的船载环境入侵检测方法的一个实施例流程示意图，图2为本发明提供的双毫米雷达设置方式的一个实施例结构示意图，如图1和图2所示，双毫米波雷达包括以一定高度竖直摆放的上毫米波雷达和下毫米波雷达，基于双毫米波雷达的船载环境入侵检测方法包括：
S101、将上毫米波雷达和下毫米波雷达进行时间同步，并基于上毫米波雷达和下毫米波雷达采集船载环境以及目标对象在船载环境中运动时的雷达信号，获得上雷达信号和下雷达信号；
S102、基于上雷达信号和下雷达信号获得目标对象的上距离-多普勒-方位角（Range-Doppler-Azimuth，RDA）图和下距离-多普勒-方位角图；
S103、对上距离-多普勒-方位角图和下距离-多普勒-方位角图进行距离和角度维的累积，获得目标对象的上肢微多普勒（micro-Doppler，MD）特征、上肢节奏速度图（Cadence-Velocity Diagram，CVD）特征、平均多普勒频谱（mean Doppler spectrum，mDs）特征和下肢微多普勒（micro-Doppler，MD）特征；
S104、构建入侵检测模型，并基于上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频谱特征、下肢微多普勒特征以及入侵检测模型，获得目标对象的运动状态和身份信息；
S105、构建入侵状态判别模型，并基于运动状态、身份信息以及入侵状态判别模型，确定目标对象的入侵置信度，并基于入侵置信度对目标对象的入侵状态进行判别。
与现有技术相比，本发明实施例提供的基于双毫米波雷达的船载环境入侵检测方法，通过设置以一定高度竖直摆放的上毫米波雷达和下毫米波雷达共同对船载环境进行入侵检测，可克服单毫米波雷达的视野小、受船体震动、舱壁金属干扰严重的技术问题，提高船载环境入侵检测的准确性。
进一步地，本发明实施例分别通过上雷达信号和下雷达信号获得目标对象的上距离-多普勒-方位角图和下距离-多普勒-方位角图，并对上距离-多普勒-方位角图和下距离-多普勒-方位角图进行距离和角度维的累积，获得目标对象的上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频谱特征和下肢微多普勒特征，并通过上述多个特征实现船载环境入侵检测，可融合多特征对船载环境进行入侵检测，进一步提高船载环境入侵检测的准确性。
需要说明的是：上毫米波雷达和下毫米波雷达之间的高度差可根据实际应用场景进行调整，在本发明的具体实施例中，上毫米波雷达和下毫米波雷达之间的高度差为1.4m。
还需要说明的是：基于双毫米波雷达的船载环境入侵检测方法还可包括：
从上雷达信号和下雷达信号中提取船载环境的时间-频率特征，以确定船体震动的震动特征。且由图2中可以看出：本发明实施例中的船体震动特征为非周期震动。
其中，步骤S101中的将上毫米波雷达和下毫米波雷达进行时间同步可具体为：使用时间戳来标记两个毫米波雷达的雷达信号，进行时间同步。在两台计算机上运行时间同步网络时间协议（NTP），其中一台计算机作为NTP服务器，另一台作为客户端，使用客户端计算机与服务器的时间同步。
且为了避免上毫米波雷达和下毫米波雷达相互干扰，在本发明的一些实施例中，上毫米波雷达和下毫米波雷达的调谐频率不同。
在本发明的一些实施例中，步骤S102具体为：将上雷达信号和下雷达信号进行三维傅里叶变换，获得目标对象的上距离-多普勒-方位角图和下距离-多普勒-方位角图。
为了避免由于上雷达信号和/或下雷达信号中的杂波或噪声对入侵检测结果造成影响，在本发明的一些实施例中，在步骤S102之前，还包括：
分别对上雷达信号和下雷达信号进行静态杂波去除、二脉冲对消、动目标指示（MIT）和动目标检测(MTD)的至少一种预处理。
通过上述预处理，可一定程度上消除上雷达信号和下雷达信号的噪声，进而提高船载环境入侵检测的准确性。
还需要说明的是：步骤S104中的运动状态包括但不限于持械行走、奔跑、下蹲行走等。
进一步需要说明的是：步骤S106中的构建入侵状态判别模型可具体为：基于领域专家判别和船舶不同场景危险度分析构建入侵状态判别模型。
在本发明的一些实施例中，入侵检测模型包括领域鉴别子模型、状态识别子模型以及身份识别子模型；则如图3和图4所示，步骤S104包括：
S301、将上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频谱特征、下肢微多普勒特征输入至领域鉴别子模型，获得目标对象所在的船载环境的预测领域标签；
S302、将上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频谱特征、下肢微多普勒特征输入至状态识别子模型，获得目标对象的运动状态；
S303、将下肢微多普勒特征、平均多普勒频谱特征进行分割，获得多个目标特征，并将目标特征输入至身份识别子模型，获得目标对象的身份信息。
其中，领域鉴别子模型为卷积神经网络（Convolutional Neural Networks，CNN）模型。
状态识别子模型是一种神经网络模型，包括多个单峰网络层、多个多特征融合网络层、卷积层以及输出层。
身份识别子模型包括5×5，3×3，1×1的三个和滤波器以及全连接层。
在本发明的一些实施例中，步骤S302具体为：将上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频谱特征、下肢微多普勒特征输入至，状态识别子模型，状态识别子模型首先对特征进行特征融合，根据融合后的特征获得目标对象的运动状态。
具体地，如图5所示，状态识别子模型通过将单峰网络层和其先前层的加权和作为每一层的输入，从而将两个雷达的特征进行组合；
Figure 626041DEST_PATH_IMAGE050
其中，
Figure 859576DEST_PATH_IMAGE051
为
Figure 486866DEST_PATH_IMAGE052
层多特征融合网络层的输入；
Figure 464050DEST_PATH_IMAGE053
为融合的特征数；
Figure 860396DEST_PATH_IMAGE054
为第
Figure 264832DEST_PATH_IMAGE055
层融合网络层的标量权重；
Figure 113840DEST_PATH_IMAGE056
为第
Figure 894714DEST_PATH_IMAGE055
层单峰网络层的标量权重；
Figure 145567DEST_PATH_IMAGE057
为
Figure 720904DEST_PATH_IMAGE055
层单峰网络层的隐藏表示；
Figure 57208DEST_PATH_IMAGE058
为第
Figure 376194DEST_PATH_IMAGE055
层多特征融合网络层的隐藏表示。
其中，图5中的WSUM表示加权和。
对于特征融合动作识别模型中心网第一层(
Figure 747132DEST_PATH_IMAGE059
)，由于没有隐藏表示，只对从单峰网络层发出的所有隐藏表示进行加权求和。在输出层，最后一个加权和是在单峰预测和中心预测间完成，将多特征融合网络层的输出作为最终预测。
特征融合状态识别模型中训练参数包括子网的结构参数、多特征融合网络结构参数和融合系数，通过adam方法应用随机梯度下降进行联合优化。
在本发明的具体实施例中，领域鉴别子模型的领域损失函数为：
Figure 493371DEST_PATH_IMAGE060
状态识别子模型的状态识别损失函数为：
Figure 316971DEST_PATH_IMAGE061
身份识别子模型的身份识别损失函数为：
Figure 174068DEST_PATH_IMAGE062
式中，
Figure 399513DEST_PATH_IMAGE063
为所述领域损失函数；
Figure 582233DEST_PATH_IMAGE064
为真实领域标签向量；
Figure 627549DEST_PATH_IMAGE065
为预测领域标签向量；
Figure 553917DEST_PATH_IMAGE066
为输入至所述领域鉴别子模型中特征的总个数；
Figure 633869DEST_PATH_IMAGE067
为真实领域的总个数；
Figure 721910DEST_PATH_IMAGE068
为所述状态识别损失函数；
Figure 254523DEST_PATH_IMAGE069
为多特征融合网络计算损失；
Figure 984581DEST_PATH_IMAGE070
为单峰仅使用单模态k时的分类损失；
Figure 919039DEST_PATH_IMAGE071
为交叉验证系数；
Figure 177982DEST_PATH_IMAGE072
为领域损失权重；
Figure 197891DEST_PATH_IMAGE073
为单模态的总个数；
Figure 731641DEST_PATH_IMAGE074
为所述身份识别损失函数；
Figure 520605DEST_PATH_IMAGE075
为目标特征的总个数；
Figure 216029DEST_PATH_IMAGE076
为真实身份信息的总个数；
Figure 723233DEST_PATH_IMAGE077
为第d个目标特征的编码向量；
Figure 529515DEST_PATH_IMAGE078
为身份信息预测概率向量。
本发明实施例在状态识别损失函数和身份识别损失函数中均引入领域损失函数，可消除输入至状态识别子模型和身份识别子模型中的特征中的船载动态环境影响，从而可消除船载环境对入侵检测的影响，进而可进一步提高船载环境入侵检测的准确性。
为了消除上距离-多普勒-方位角图和下距离-多普勒-方位角图中的共有环境动态噪声，进一步提高船载环境入侵检测的准确性，在本发明的一些实施例中，如图6所示，在步骤S103之后，还包括：
S601、基于预设的聚类算法分别对上距离-多普勒-方位角图和下距离-多普勒-方位角图进行聚类，对应获得目标对象的第一目标簇和第二目标簇；
S602、获得第一目标簇的实际距离和实际速度；
S603、基于实际距离和实际速度获得第二目标簇的理论距离和理论速度；
S604、基于实际距离和理论距离获得补偿距离，并基于实际速度和理论速度获得补偿速度；
S605、基于补偿距离和补偿速度获得补偿下距离-多普勒-方位角图；
S606、基于上距离-多普勒-方位角图和补偿下距离-多普勒-方位角图确定共有环境动态噪声；
S607、基于共有环境动态噪声对上距离-多普勒-方位角图和下距离-多普勒-方位角图进行去噪，获得去噪上距离-多普勒-方位角图和去噪下距离-多普勒-方位角图。
本发明实施例通过确定共有环境动态噪声，并基于共有环境动态噪声对上距离-多普勒-方位角图和下距离-多普勒-方位角图进行去噪，可进一步降低环境动态噪声对入侵检测结果的影响，进一步提高船载环境入侵检测的可靠性。
在本发明的具体实施例中，步骤S601中的聚类算法为DBSCAN聚类算法。
在本发明的一些实施例中，去噪上距离-多普勒-方位角图为：
Figure 172986DEST_PATH_IMAGE079
式中，
Figure 304890DEST_PATH_IMAGE080
为去噪上距离-多普勒-方位角图；
Figure 33812DEST_PATH_IMAGE081
为上距离-多普勒-方位角图；
Figure 909364DEST_PATH_IMAGE082
为补偿下距离-多普勒-方位角图。
应当理解的是：去噪下距离-多普勒-方位角图的求解方式与去噪上距离-多普勒-方位角图的求解方式相同，在此不做赘述。
在本发明的一些实施例中，补偿距离为：
Figure 407341DEST_PATH_IMAGE083
Figure 444568DEST_PATH_IMAGE084
补偿速度为：
Figure 926364DEST_PATH_IMAGE085
式中，
Figure 74449DEST_PATH_IMAGE086
为所述补偿距离；
Figure 958091DEST_PATH_IMAGE087
为所述补偿速度；| |为绝对值；
Figure 166219DEST_PATH_IMAGE088
为所述实际距离；
Figure 135312DEST_PATH_IMAGE089
为所述理论距离；
Figure 87087DEST_PATH_IMAGE090
为所述上毫米波雷达和所述下毫米波雷达的高度差；
Figure 559657DEST_PATH_IMAGE091
为所述第一目标点的俯角；
Figure 204265DEST_PATH_IMAGE092
为实际速度；
Figure 395075DEST_PATH_IMAGE093
为理论速度。
本发明实施例针对人体的上肢具有非周期性和不规律性的特点，使用上肢的时不变特征节奏速度图特征，可提高目标对象上下肢特征的提取完整性，从而可提高船载环境入侵检测的可靠性。
在本发明的一些实施例中，上肢微多普勒特征为：
Figure 884962DEST_PATH_IMAGE094
式中，
Figure 477617DEST_PATH_IMAGE095
为上肢微多普勒特征；
Figure 761968DEST_PATH_IMAGE096
为第n个上距离-多普勒-方位角图；
Figure 705653DEST_PATH_IMAGE097
为上距离-多普勒-方位角图的总个数；
Figure 999232DEST_PATH_IMAGE098
为方位角；
Figure 711973DEST_PATH_IMAGE099
为距离。
在本发明的一些实施例中，上肢节奏速度图特征为：
Figure 432804DEST_PATH_IMAGE100
Figure 332627DEST_PATH_IMAGE101
式中，
Figure 429896DEST_PATH_IMAGE102
为上肢节奏速度图特征；
Figure 997143DEST_PATH_IMAGE103
为上肢微多普勒特征经功率阈值降噪后的平方幅值；
Figure 888876DEST_PATH_IMAGE104
为节奏频率的总个数；
Figure 275995DEST_PATH_IMAGE105
为离散频率索引；
Figure 176955DEST_PATH_IMAGE106
为虚部。
在本发明的一些实施例中，平均多普勒频谱特征为：
Figure 598709DEST_PATH_IMAGE107
式中，
Figure 661343DEST_PATH_IMAGE108
为平均多普勒频谱特征。
为了更好实施本发明实施例中的基于双毫米波雷达的船载环境入侵检测方法，在基于双毫米波雷达的船载环境入侵检测方法基础之上，对应的，如图7所示，本发明实施例还提供了一种基于双毫米波雷达的船载环境入侵检测系统，双毫米波雷达包括以一定高度竖直摆放的上毫米波雷达和下毫米波雷达，基于双毫米波雷达的船载环境入侵检测系统700包括：
雷达信号获取单元701，用于将上毫米波雷达和下毫米波雷达进行时间同步，并基于上毫米波雷达和下毫米波雷达采集船载环境以及目标对象在船载环境中运动时的雷达信号，获得上雷达信号和下雷达信号；
RDA图获取单元702，用于基于上雷达信号和下雷达信号获得目标对象的上距离-多普勒-方位角图和下距离-多普勒-方位角图；
上下肢特征获取单元703，用于对上距离-多普勒-方位角图和下距离-多普勒-方位角图进行距离和角度维的累积，获得目标对象的上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频谱特征和下肢微多普勒特征；
入侵检测单元704，用于构建入侵检测模型，并基于上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频谱特征、下肢微多普勒特征以及入侵检测模型，获得目标对象的运动状态和身份信息；
入侵状态判别单元705，用于构建入侵状态判别模型，并基于运动状态、身份信息以及入侵状态判别模型，确定目标对象的入侵置信度，并基于入侵置信度对目标对象的入侵状态进行判别。
上述实施例提供的基于双毫米波雷达的船载环境入侵检测系统500可实现上述基于双毫米波雷达的船载环境入侵检测方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述基于双毫米波雷达的船载环境入侵检测方法实施例中的相应内容，此处不再赘述。
如图8所示，本发明还相应提供了一种电子设备800。该电子设备800包括处理器801、存储器802及显示器803。图8仅示出了电子设备800的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
处理器801在一些实施例中可以是一中央处理器（Central Processing Unit，CPU），微处理器或其他数据处理芯片，用于运行存储器802中存储的程序代码或处理数据，例如本发明中的基于双毫米波雷达的船载环境入侵检测方法。
在一些实施例中，处理器801可以是单个服务器或服务器组。服务器组可为集中式或分布式的。在一些实施例中，处理器801可为本地的或远程的。在一些实施例中，处理器801可实施于云平台。在一实施例中，云平台可包括私有云、公共云、混合云、社区云、分布式云、内部间、多重云等，或以上的任意组合。
存储器802在一些实施例中可以是电子设备800的内部存储单元，例如电子设备800的硬盘或内存。存储器802在另一些实施例中也可以是电子设备800的外部存储设备，例如电子设备800上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。
进一步地，存储器802还可既包括电子设备800的内部储存单元也包括外部存储设备。存储器802用于存储安装电子设备800的应用软件及各类数据。
显示器803在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器803用于显示在电子设备800的信息以及用于显示可视化的用户界面。电子设备800的部件801-803通过系统总线相互通信。
在一实施例中，当处理器801执行存储器802中的基于双毫米波雷达的船载环境入侵检测程序时，可实现以下步骤：
将上毫米波雷达和下毫米波雷达进行时间同步，并基于上毫米波雷达和下毫米波雷达采集船载环境以及目标对象在船载环境中运动时的雷达信号，获得上雷达信号和下雷达信号；
基于上雷达信号和下雷达信号获得目标对象的上距离-多普勒-方位角图和下距离-多普勒-方位角图；
对上距离-多普勒-方位角图和下距离-多普勒-方位角图进行距离和角度维的累积，获得目标对象的上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频谱特征和下肢微多普勒特征；
构建入侵检测模型，并基于上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频谱特征、下肢微多普勒特征以及入侵检测模型，获得目标对象的运动状态和身份信息；
构建入侵状态判别模型，并基于运动状态、身份信息以及入侵状态判别模型，确定目标对象的入侵置信度，并基于入侵置信度对目标对象的入侵状态进行判别。
应当理解的是：处理器801在执行存储器802中的基于双毫米波雷达的船载环境入侵检测程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
进一步地，本发明实施例对提及的电子设备800的类型不做具体限定，电子设备800可以为手机、平板电脑、个人数字助理(personal digital assistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备800也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
相应地，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述各方法实施例提供的基于双毫米波雷达的船载环境入侵检测方法中的步骤或功能。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件（如处理器，控制器等）来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的基于双毫米波雷达的船载环境入侵检测方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于双毫米波雷达的船载环境入侵检测方法，其特征在于，所述双毫米波雷达包括以一定高度竖直摆放的上毫米波雷达和下毫米波雷达，所述基于双毫米波雷达的船载环境入侵检测方法包括：
将所述上毫米波雷达和所述下毫米波雷达进行时间同步，并基于所述上毫米波雷达和所述下毫米波雷达采集船载环境以及目标对象在所述船载环境中运动时的雷达信号，获得上雷达信号和下雷达信号；
基于所述上雷达信号和所述下雷达信号获得所述目标对象的上距离-多普勒-方位角图和下距离-多普勒-方位角图；
对所述上距离-多普勒-方位角图和所述下距离-多普勒-方位角图进行距离和角度维的累积，获得所述目标对象的上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频谱特征和下肢微多普勒特征；
构建入侵检测模型，并基于所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征以及所述入侵检测模型，获得所述目标对象的运动状态和身份信息；
构建入侵状态判别模型，并基于所述运动状态、所述身份信息以及所述入侵状态判别模型，确定所述目标对象的入侵置信度，并基于所述入侵置信度对所述目标对象的入侵状态进行判别。
2.根据权利要求1所述的基于双毫米波雷达的船载环境入侵检测方法，其特征在于，所述入侵检测模型包括领域鉴别子模型、状态识别子模型以及身份识别子模型；所述基于所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征以及所述入侵检测模型，获得所述目标对象的运动状态和身份信息，包括：
将所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征输入至所述领域鉴别子模型，获得所述目标对象所在的船载环境的预测领域标签；
将所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征输入至所述状态识别子模型，获得所述目标对象的运动状态；
将所述下肢微多普勒特征、所述平均多普勒频谱特征进行分割，获得多个目标特征，并将所述目标特征输入至所述身份识别子模型，获得所述目标对象的身份信息。
3.根据权利要求2所述的基于双毫米波雷达的船载环境入侵检测方法，其特征在于，所述领域鉴别子模型的领域损失函数为：
Figure 268392DEST_PATH_IMAGE001
所述状态识别子模型的状态识别损失函数为：
Figure 340253DEST_PATH_IMAGE002
所述身份识别子模型的身份识别损失函数为：
Figure 249303DEST_PATH_IMAGE003
式中，
Figure 850049DEST_PATH_IMAGE004
为所述领域损失函数；
Figure 110129DEST_PATH_IMAGE005
为真实领域标签向量；
Figure 720102DEST_PATH_IMAGE006
为预测领域标签向量；
Figure 483658DEST_PATH_IMAGE007
为输入至所述领域鉴别子模型中特征的总个数；
Figure 255305DEST_PATH_IMAGE008
为真实领域的总个数；
Figure 737102DEST_PATH_IMAGE009
为所述状态识别损失函数；
Figure 150766DEST_PATH_IMAGE010
为多特征融合网络计算损失；
Figure 768829DEST_PATH_IMAGE011
为单峰仅使用单模态k时的分类损失；
Figure 242536DEST_PATH_IMAGE012
为交叉验证系数；
Figure 946050DEST_PATH_IMAGE013
为领域损失权重；
Figure 632246DEST_PATH_IMAGE014
为单模态的总个数；
Figure 370395DEST_PATH_IMAGE015
为所述身份识别损失函数；
Figure 749423DEST_PATH_IMAGE016
为目标特征的总个数；
Figure 940233DEST_PATH_IMAGE017
为真实身份信息的总个数；
Figure 430120DEST_PATH_IMAGE018
为第d个目标特征的编码向量；
Figure 288355DEST_PATH_IMAGE019
为身份信息预测概率向量。
4.根据权利要求1所述的基于双毫米波雷达的船载环境入侵检测方法，其特征在于，在所述获得所述目标对象的上距离-多普勒-方位角图和下距离-多普勒-方位角图之后，还包括：
基于预设的聚类算法分别对所述上距离-多普勒-方位角图和所述下距离-多普勒-方位角图进行聚类，对应获得所述目标对象的第一目标簇和第二目标簇；
获得所述第一目标簇的实际距离和实际速度；
基于所述实际距离和实际速度获得所述第二目标簇的理论距离和理论速度；
基于所述实际距离和所述理论距离获得补偿距离，并基于所述实际速度和所述理论速度获得补偿速度；
基于所述补偿距离和所述补偿速度获得补偿下距离-多普勒-方位角图；
基于所述上距离-多普勒-方位角图和所述补偿下距离-多普勒-方位角图确定共有环境动态噪声；
基于所述共有环境动态噪声对所述上距离-多普勒-方位角图和所述下距离-多普勒-方位角图进行去噪，获得去噪上距离-多普勒-方位角图和去噪下距离-多普勒-方位角图。
5.根据权利要求4所述的基于双毫米波雷达的船载环境入侵检测方法，其特征在于，所述去噪上距离-多普勒-方位角图为：
Figure 838285DEST_PATH_IMAGE020
式中，
Figure 516391DEST_PATH_IMAGE021
为所述去噪上距离-多普勒-方位角图；
Figure 809969DEST_PATH_IMAGE022
为所述上距离-多普勒-方位角图；
Figure 257131DEST_PATH_IMAGE023
为所述补偿下距离-多普勒-方位角图。
6.根据权利要求4所述的基于双毫米波雷达的船载环境入侵检测方法，其特征在于，所述补偿距离为：
Figure 977962DEST_PATH_IMAGE024
Figure 408944DEST_PATH_IMAGE025
所述补偿速度为：
Figure 240633DEST_PATH_IMAGE026
式中，
Figure 807881DEST_PATH_IMAGE027
为所述补偿距离；
Figure 699614DEST_PATH_IMAGE028
为所述补偿速度；| |为绝对值；
Figure 617891DEST_PATH_IMAGE029
为所述实际距离；
Figure 987693DEST_PATH_IMAGE030
为所述理论距离；
Figure 409447DEST_PATH_IMAGE031
为所述上毫米波雷达和所述下毫米波雷达的高度差；
Figure 737660DEST_PATH_IMAGE032
为所述第一目标点的俯角；
Figure 612075DEST_PATH_IMAGE033
为实际速度；
Figure 51147DEST_PATH_IMAGE034
为理论速度。
7.根据权利要求1所述的基于双毫米波雷达的船载环境入侵检测方法，其特征在于，所述上肢微多普勒特征为：
Figure 327407DEST_PATH_IMAGE035
式中，
Figure 826522DEST_PATH_IMAGE036
为所述上肢微多普勒特征；
Figure 188233DEST_PATH_IMAGE037
为第n个上距离-多普勒-方位角图；
Figure 899837DEST_PATH_IMAGE038
为上距离-多普勒-方位角图的总个数；
Figure 296183DEST_PATH_IMAGE039
为方位角；
Figure 966199DEST_PATH_IMAGE040
为距离。
8.根据权利要求7所述的基于双毫米波雷达的船载环境入侵检测方法，其特征在于，所述上肢节奏速度图特征为：
Figure 815206DEST_PATH_IMAGE041
Figure 330501DEST_PATH_IMAGE042
式中，
Figure 846933DEST_PATH_IMAGE043
为所述上肢节奏速度图特征；
Figure 422271DEST_PATH_IMAGE044
为上肢微多普勒特征经功率阈值降噪后的平方幅值；
Figure 758574DEST_PATH_IMAGE045
为节奏频率的总个数；
Figure 77560DEST_PATH_IMAGE046
为离散频率索引；
Figure 448499DEST_PATH_IMAGE047
为虚部。
9.根据权利要求8所述的基于双毫米波雷达的船载环境入侵检测方法，其特征在于，所述平均多普勒频谱特征为：
Figure 194738DEST_PATH_IMAGE048
式中，
Figure 18337DEST_PATH_IMAGE049
为所述平均多普勒频谱特征。
10.一种基于双毫米波雷达的船载环境入侵检测系统，其特征在于，所述双毫米波雷达包括以一定高度竖直摆放的上毫米波雷达和下毫米波雷达，所述基于双毫米波雷达的船载环境入侵检测系统包括：
雷达信号获取单元，用于将所述上毫米波雷达和所述下毫米波雷达进行时间同步，并基于所述上毫米波雷达和所述下毫米波雷达采集船载环境以及目标对象在所述船载环境中运动时的雷达信号，获得上雷达信号和下雷达信号；
RDA图获取单元，用于基于所述上雷达信号和所述下雷达信号获得所述目标对象的上距离-多普勒-方位角图和下距离-多普勒-方位角图；
上下肢特征获取单元，用于对所述上距离-多普勒-方位角图和所述下距离-多普勒-方位角图进行距离和角度维的累积，获得所述目标对象的上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频谱特征和下肢微多普勒特征；
入侵检测单元，用于构建入侵检测模型，并基于所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征以及所述入侵检测模型，获得所述目标对象的运动状态和身份信息；
入侵状态判别单元，用于构建入侵状态判别模型，并基于所述运动状态、所述身份信息以及所述入侵状态判别模型，确定所述目标对象的入侵置信度，并基于所述入侵置信度对所述目标对象的入侵状态进行判别。
CN202210447260.8A 2022-04-27 2022-04-27 一种基于双毫米波雷达的船载环境入侵检测方法及系统 Active CN114563784B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210447260.8A CN114563784B (zh) 2022-04-27 2022-04-27 一种基于双毫米波雷达的船载环境入侵检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210447260.8A CN114563784B (zh) 2022-04-27 2022-04-27 一种基于双毫米波雷达的船载环境入侵检测方法及系统

Publications (2)

Publication Number Publication Date
CN114563784A true CN114563784A (zh) 2022-05-31
CN114563784B CN114563784B (zh) 2022-08-09

Family

ID=81721035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210447260.8A Active CN114563784B (zh) 2022-04-27 2022-04-27 一种基于双毫米波雷达的船载环境入侵检测方法及系统

Country Status (1)

Country Link
CN (1) CN114563784B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116125466A (zh) * 2023-03-02 2023-05-16 武汉理工大学 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备
CN116453227A (zh) * 2023-06-19 2023-07-18 武汉理工大学 一种基于双毫米波雷达的船舶环境下步态识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060044179A1 (en) * 2004-03-15 2006-03-02 Fossum Bjorn A Method and system for determining the position marine vessels and similar objects
CN107765246A (zh) * 2017-09-27 2018-03-06 江苏大学 一种基于毫米波双雷达探测的有效目标识别方法
CN110488264A (zh) * 2019-07-05 2019-11-22 珠海格力电器股份有限公司 人员检测方法、装置、电子设备及存储介质
CN112433207A (zh) * 2020-11-06 2021-03-02 浙江理工大学 基于双通道卷积神经网络的人体身份识别方法
WO2021068470A1 (zh) * 2020-04-09 2021-04-15 浙江大学 一种基于雷达信号的身份及手势识别方法
CN112700619A (zh) * 2020-12-29 2021-04-23 潍坊医学院 一种老人摔倒智能监测方法及系统
CN113341392A (zh) * 2021-06-01 2021-09-03 北京理工大学 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
CN113744570A (zh) * 2021-11-03 2021-12-03 武汉理工大学 一种桥区水域船舶防撞预警方法及装置
CN113963441A (zh) * 2021-10-25 2022-01-21 中国科学技术大学 一种基于跨域增强的毫米波雷达手势识别方法及系统
CN114325623A (zh) * 2020-11-05 2022-04-12 北京航空航天大学 一种基于毫米波雷达的人体肢体运动信息测量方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060044179A1 (en) * 2004-03-15 2006-03-02 Fossum Bjorn A Method and system for determining the position marine vessels and similar objects
CN107765246A (zh) * 2017-09-27 2018-03-06 江苏大学 一种基于毫米波双雷达探测的有效目标识别方法
CN110488264A (zh) * 2019-07-05 2019-11-22 珠海格力电器股份有限公司 人员检测方法、装置、电子设备及存储介质
WO2021068470A1 (zh) * 2020-04-09 2021-04-15 浙江大学 一种基于雷达信号的身份及手势识别方法
CN114325623A (zh) * 2020-11-05 2022-04-12 北京航空航天大学 一种基于毫米波雷达的人体肢体运动信息测量方法
CN112433207A (zh) * 2020-11-06 2021-03-02 浙江理工大学 基于双通道卷积神经网络的人体身份识别方法
CN112700619A (zh) * 2020-12-29 2021-04-23 潍坊医学院 一种老人摔倒智能监测方法及系统
CN113341392A (zh) * 2021-06-01 2021-09-03 北京理工大学 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
CN113963441A (zh) * 2021-10-25 2022-01-21 中国科学技术大学 一种基于跨域增强的毫米波雷达手势识别方法及系统
CN113744570A (zh) * 2021-11-03 2021-12-03 武汉理工大学 一种桥区水域船舶防撞预警方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ARINDAM SENGUPTA等: "mm-Pose: Real-Time Human Skeletal Posture", 《IEEE SENSORS JOURNAL》 *
张翼: "基于微多普勒特征的人体目标雷达回波信号分析", 《信号处理》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116125466A (zh) * 2023-03-02 2023-05-16 武汉理工大学 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备
CN116453227A (zh) * 2023-06-19 2023-07-18 武汉理工大学 一种基于双毫米波雷达的船舶环境下步态识别方法
CN116453227B (zh) * 2023-06-19 2023-09-19 武汉理工大学 一种基于双毫米波雷达的船舶环境下步态识别方法

Also Published As

Publication number Publication date
CN114563784B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN114563784B (zh) 一种基于双毫米波雷达的船载环境入侵检测方法及系统
US10706285B2 (en) Automatic ship tracking method and system based on deep learning network and mean shift
CN111399642A (zh) 手势的识别方法、装置、移动终端和存储介质
CN109145680A (zh) 一种获取障碍物信息的方法、装置、设备和计算机存储介质
CN111770427A (zh) 麦克风阵列的检测方法、装置、设备以及存储介质
CN102254394A (zh) 一种基于视频差异分析的输电线路杆塔防盗监控方法
Rizik et al. Cost-efficient FMCW radar for multi-target classification in security gate monitoring
CN114084201A (zh) 基于光栅阵列的列车位置速度确定方法及装置
CN114397963B (zh) 一种手势识别方法、装置、电子设备及存储介质
CN116338684A (zh) 基于毫米波雷达与深度学习的人体跌倒检测方法及系统
CN113640768B (zh) 一种基于小波变换的低分辨雷达目标识别方法
CN117388835B (zh) 一种多拼融合的声雷达信号增强方法
CN109447112A (zh) 一种人像聚类方法、电子设备和存储介质
CN115494472B (zh) 一种基于增强雷达波信号的定位方法、毫米波雷达、装置
CN113625232A (zh) 雷达检测中多径虚假目标抑制方法、装置、介质和设备
CN112669332A (zh) 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法
CN116151965A (zh) 一种风险特征提取方法、装置、电子设备及存储介质
CN114998387A (zh) 一种物体距离监测方法、装置、电子设备和存储介质
CN115330841A (zh) 基于雷达图的抛洒物检测方法、装置、设备和介质
CN115060184A (zh) 一种基于递归图的光纤周界入侵检测方法及系统
CN114972146A (zh) 基于生成对抗式双通道权重分配的图像融合方法及装置
CN113439274A (zh) 身份识别方法、终端设备及计算机存储介质
CN116125466B (zh) 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备
CN110120075A (zh) 用于处理信息的方法和装置
Zhang et al. Correlation network from multivariate time series: a new method for characterizing nonlinear dynamic behavior in marine acoustic signal

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