CN114720977B - 对象跌倒检测方法、装置、毫米波雷达和存储介质 - Google Patents

对象跌倒检测方法、装置、毫米波雷达和存储介质 Download PDF

Info

Publication number
CN114720977B
CN114720977B CN202210651286.4A CN202210651286A CN114720977B CN 114720977 B CN114720977 B CN 114720977B CN 202210651286 A CN202210651286 A CN 202210651286A CN 114720977 B CN114720977 B CN 114720977B
Authority
CN
China
Prior art keywords
point cloud
position information
cloud data
centroid
target object
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.)
Active
Application number
CN202210651286.4A
Other languages
English (en)
Other versions
CN114720977A (zh
Inventor
刘百超
刘军辉
张理斌
唐德琴
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.)
Changsha Microbrain Intelligent Technology Co ltd
Original Assignee
Changsha Microbrain Intelligent Technology Co ltd
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 Changsha Microbrain Intelligent Technology Co ltd filed Critical Changsha Microbrain Intelligent Technology Co ltd
Priority to CN202210651286.4A priority Critical patent/CN114720977B/zh
Publication of CN114720977A publication Critical patent/CN114720977A/zh
Application granted granted Critical
Publication of CN114720977B publication Critical patent/CN114720977B/zh
Priority to PCT/CN2023/098845 priority patent/WO2023236989A1/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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Electromagnetism (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请涉及一种对象跌倒检测方法、装置、毫米波雷达、计算机可读存储介质和计算机程序产品。该方法包括：获取毫米波雷达发射的电磁波被物体反射后形成的回波信号；对回波信号进行傅里叶变换处理和聚类分析，得到目标对象的点云数据；根据点云数据中的位置信息和信号强度信息，对点云数据进行信号强度分析，确定点云数据所构成的点云簇的质心的位置信息；基于质心的位置信息，计算质心相对于特征点的特征角；根据特征角的变化情况确定目标对象的跌倒检测结果。采用上述方法可以提高跌倒检测结果的准确性。

Description

对象跌倒检测方法、装置、毫米波雷达和存储介质
技术领域
本申请涉及跌倒检测技术领域，特别是涉及一种对象跌倒检测方法、装置、毫米波雷达、计算机可读存储介质和计算机程序产品。
背景技术
众所周知，随着年龄的增加，人体机能水平逐渐衰退，健康风险随之增加，例如可能会发生跌倒等意外伤害。一旦发生跌倒，若不能及时被人发现并采取相应的救护措施，可能会引起神经损伤和瘫痪等严重的身体伤害。基于此，有必要对目标对象，特别是独居老人进行跌倒检测，及时发现目标对象的跌倒行为。
传统的对象跌倒检测方法，由目标对象佩戴可穿戴传感装置，通过装置中的传感器感知人体在三维空间的多个方向的速度或者加速度，进行跌倒判断。然而，采用上述方法，一方面，由于可穿戴传感装置的佩戴舒适性差等原因，目标对象在洗漱等易发生跌倒的时间，可能会存在未佩戴可穿戴传感装置的情况，无法进行有效的跌倒检测；另一方面，受跌倒判断算法的制约，甩手等存在跌倒特征的动作容易被误判为跌倒行为。因此，传统的对象跌倒检测方法，存在检测结果准确性差的缺点。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高检测结果准确性的对象跌倒检测方法、装置、毫米波雷达、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种对象跌倒检测方法。所述方法包括：
获取毫米波雷达发射的电磁波被物体反射后形成的回波信号；
对所述回波信号进行傅里叶变换处理和聚类分析，得到目标对象的点云数据；
根据所述点云数据中的位置信息和信号强度信息，对所述点云数据进行信号强度分析，确定所述点云数据所构成的点云簇的质心的位置信息；
基于所述质心的位置信息，计算所述质心相对于特征点的特征角；
根据所述特征角的变化情况确定所述目标对象的跌倒检测结果。
在其中一个实施例中，所述根据所述点云数据中的位置信息和信号强度信息，对所述点云数据进行信号强度分析，确定所述点云数据所构成的点云簇的质心的位置信息，包括：
基于各所述点云数据各自对应的信号强度信息，确定各所述点云数据的权重；
根据各所述点云数据的权重，对各所述点云数据各自对应的位置信息进行加权求和，确定所述点云数据所构成的点云簇的质心的位置信息。
在其中一个实施例中，所述基于各所述点云数据各自对应的信号强度信息，确定各所述点云数据的权重，包括：
叠加各所述点云数据各自对应的信号强度信息，得到所述点云数据所构成的点云簇的总能量；
将所述点云数据所对应的信号强度信息与所述总能量的比值，确定为所述点云数据的权重。
在其中一个实施例中，所述对所述回波信号进行傅里叶变换处理和聚类分析，得到目标对象的点云数据，包括：
对所述回波信号进行快速傅里叶变换处理，获得所述物体的位置信息；
根据所述回波信号的信噪比，确定各位置的信号强度信息；
对包含所述位置信息和所述信号强度信息的点云数据进行聚类分析，得到目标对象的点云数据。
在其中一个实施例中，所述特征点为雷达坐标原点；所述特征角的计算公式为：
Figure 161505DEST_PATH_IMAGE001
式中，θ为特征角，x、y和z为所述质心的位置信息。
在其中一个实施例中，所述根据所述特征角的变化情况确定所述目标对象的跌倒检测结果，包括：
获取设定数量的连续时间帧内计算得到的所述特征角；
基于各所述特征角各自对应的时间帧，在所述特征角存在上一帧的历史特征角的情况下，计算所述特征角与上一帧的历史特征角的差值；
若各所述差值满足跌倒判定条件，得到所述目标对象发生跌倒的检测结果。
第二方面，本申请还提供了一种对象跌倒检测装置。装置包括：
回波信号获取模块，用于获取毫米波雷达发射的电磁波被物体反射后形成的回波信号；
目标对象点云数据确定模块，用于对所述回波信号进行傅里叶变换处理和聚类分析，得到目标对象的点云数据；
质心位置信息确定模块，用于根据所述点云数据中的位置信息和信号强度信息，对所述点云数据进行信号强度分析，确定所述点云数据所构成的点云簇的质心的位置信息；
特征角计算模块，用于基于所述质心的位置信息，计算所述质心相对于特征点的特征角；
跌倒检测结果确定模块，用于根据所述特征角的变化情况确定所述目标对象的跌倒检测结果。
第三方面，本申请还提供了一种毫米波雷达。所述毫米波雷达包括雷达信号收发装置和处理器，所述雷达信号收发装置用于发射电磁波，并接收所述电磁波被物体反射后形成的回波信号；所述处理器用于实现以下步骤：
获取毫米波雷达发射的电磁波被物体反射后形成的回波信号；
对所述回波信号进行傅里叶变换处理和聚类分析，得到目标对象的点云数据；
根据所述点云数据中的位置信息和信号强度信息，对所述点云数据进行信号强度分析，确定所述点云数据所构成的点云簇的质心的位置信息；
基于所述质心的位置信息，计算所述质心相对于特征点的特征角；
根据所述特征角的变化情况确定所述目标对象的跌倒检测结果。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取毫米波雷达发射的电磁波被物体反射后形成的回波信号；
对所述回波信号进行傅里叶变换处理和聚类分析，得到目标对象的点云数据；
根据所述点云数据中的位置信息和信号强度信息，对所述点云数据进行信号强度分析，确定所述点云数据所构成的点云簇的质心的位置信息；
基于所述质心的位置信息，计算所述质心相对于特征点的特征角；
根据所述特征角的变化情况确定所述目标对象的跌倒检测结果。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取毫米波雷达发射的电磁波被物体反射后形成的回波信号；
对所述回波信号进行傅里叶变换处理和聚类分析，得到目标对象的点云数据；
根据所述点云数据中的位置信息和信号强度信息，对所述点云数据进行信号强度分析，确定所述点云数据所构成的点云簇的质心的位置信息；
基于所述质心的位置信息，计算所述质心相对于特征点的特征角；
根据所述特征角的变化情况确定所述目标对象的跌倒检测结果。
上述对象跌倒检测方法、装置、毫米波雷达、计算机可读存储介质和计算机程序产品，先获取毫米波雷达发射的电磁波被物体反射后形成的回波信号，再对该回波信号进行傅里叶变换处理和聚类分析，得到目标对象的点云数据，并根据点云数据中的位置信息和信号强度信息，对该点云数据进行信号强度分析，确定点云数据所构成的点云簇的质心的位置信息，然后基于该质心的位置信息，计算该质心相对于特征点的特征角，最后根据该特征角的变化情况确定目标对象的跌倒检测结果。通过对回波信号进行傅里叶变换处理和聚类分析可以识别出目标对象的点云数据，对该点云数据进行信号强度分析，确定点云数据所构成的点云簇的质心的位置信息，可以排除环境中目标对象以外其他物体的干扰，并且整个跌倒检测过程无需目标对象佩戴任何辅助传感装置，环境适应性强，有利于提高目标对象的跌倒检测结果的准确性。
附图说明
图1为一个实施例中对象跌倒检测方法的应用环境图；
图2为一个实施例中对象跌倒检测方法的流程示意图；
图3为一个实施例中特征点与质心的相对位置示意图；
图4为另一个实施例中特征点与质心的相对位置示意图；
图5为另一个实施例中对象跌倒检测方法的流程示意图；
图6为又一个实施例中对象跌倒检测方法的流程示意图；
图7为一个实施例中跌倒判断算法的流程示意图；
图8为一个实施例中对象跌倒检测装置的结构框图；
图9为一个实施例中毫米波雷达的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
在一个实施例中，本申请提供的对象跌倒检测方法，可以应用于如图1所示的应用环境中。其中，毫米波雷达102通过网络与终端104进行通信。毫米波雷达102用于发射电磁波，终端104在进行对象跌倒检测的过程中：先获取毫米波雷达发射的电磁波被物体反射后形成的回波信号；再对该回波信号进行傅里叶变换处理和聚类分析，得到目标对象的点云数据，并根据点云数据中的位置信息和信号强度信息，对该点云数据进行信号强度分析，确定点云数据所构成的点云簇的质心的位置信息；然后基于该质心的位置信息，计算该质心相对于特征点的特征角；最后根据该特征角的变化情况确定目标对象的跌倒检测结果。
在一个实施例中，本申请提供的对象跌倒检测方法，在毫米波雷达的计算处理能力满足要求的情况下，该应用环境不必涉及终端104，仅包括毫米波雷达102，由毫米波雷达102发射电磁波，并基于电磁波被物体反射后形成的回波信号进行跌倒检测，得到目标对象的跌倒检测结果。
其中，终端104包括但不限于是台式计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备。该物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等；该便携式可穿戴设备可为智能手表、智能手环、头戴设备等。毫米波雷达102以及终端104可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
在一个实施例中，如图2所示，提供了一种对象跌倒检测方法，本实施例以该方法应用于毫米波雷达102进行举例说明，可以理解的是，该方法也可以应用于终端104，还可以应用于包括毫米波雷达102和终端104的系统，并通过毫米波雷达102和终端104的交互实现。本实施例中，该方法包括以下步骤：
步骤S201，获取毫米波雷达发射的电磁波被物体反射后形成的回波信号。
其中，毫米波雷达是指可以通过发射毫米波波段的电磁波，进行目标物体的探测的电子设备。物体是指监测区域中存在的，能够反射电磁波的，具有一定形状的物质。以监测区域为室内的情况为例，该物体可以是墙壁、家具、电器、灯具和人等等。
具体地，毫米波雷达通过发射天线向监测区域发射电磁波，该电磁波被监测区域中的物体反射后形成回波信号。毫米波雷达再通过接收天线接收该回波信号。可以理解，该发射天线和接收天线也可以集成为收发天线，用于实现毫米波段电磁波信号的发射和回波信号的接收功能。进一步地，还可以通过对毫米波雷达的安装位置和电磁波发射角度进行设置，以使电磁波尽量辐射到整个监测区域。例如，可以将毫米波雷达安装在墙角，斜向下或斜向上发射电磁波；又如，可以根据目标对象的身高，将毫米波雷达安装于高度小于目标对象的身高的墙面，水平向外发射电磁波。在一个实施例中，毫米波雷达的安装高度为目标对象的身高的一半，以确保目标对象能被有效检测。
步骤S203，对回波信号进行傅里叶变换处理和聚类分析，得到目标对象的点云数据。
其中，傅里叶变换是将满足一定条件的函数表示成三角函数或者它们的积分的线性组合的过程。该傅里叶变换的具体可以是连续傅里叶变换或离散傅里叶变换。聚类是指将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。该聚类分析的具体算法可以是K近邻聚类、k-means聚类以及密度聚类等算法。目标对象的点云数据是指由表征目标对象的点云的关联信息所构成的数据。该点云数据可以包括各点云所关联的位置信息、信号强度信息、速度信息和角度信息等等。
具体地，通过对回波信号进行傅里叶变换和聚类处理，可以从回波信号中分离出目标对象的回波信号，并获得该目标对象的位置、信号强度和速度等信息。该位置信息可以通过三维空间坐标表征，该信号强度信息可以通过信噪比表征。
在一个实施例中，步骤S203包括：对回波信号进行快速傅里叶变换处理，获得物体的位置信息；根据回波信号的信噪比，确定各位置的信号强度信息；对包含位置信息和信号强度信息的点云数据进行聚类分析，得到目标对象的点云数据。
具体地，毫米波雷达对回波信号进行距离维的快速傅里叶变换，可以得到物体与雷达发射天线的相对距离，进而确定物体的位置信息，并且可以根据各位置所对应的回波信号的信噪比，确定各位置的信号强度信息。可以理解，信噪比越大，对应位置的回波信号能量越大，信号强度也越大。进一步地，毫米波雷达还可以对位置信息进行速度维的快速傅里叶变换，得到物体的速度信息，再将位置信息和速度信息进行合成，生成距离多普勒检测矩阵，并对该距离多普勒检测矩阵进行恒虚警检测，得到多个目标数据，再对目标数据进行快速傅里叶变换，确定角度信息。通过信号处理得到位置和信号强度等信息后，相当于可以得到监测区域的点云数据，该点云数据可以包括位置、信号强度、速度和角度等信息。然后，毫米波雷达再对该点云数据进行聚类分析，即可从点云数据中筛选得到目标对象的点云数据。本实施例中，通过对回波信号进行快速傅里叶变换处理和聚类分析得到目标对象的点云数据，以减少计算量、提高数据处理效率。
需要说明的是，从点云数据中筛选得到目标对象的点云数据的具体方式并不唯一。一个实施例中，由于不同目标物体的材料和反射面纹路等属性特征不同，对电磁波的反射率以及反射角度也会不同，因此可以根据目标对象的属性特征选择对应的聚类算法实现点云数据的筛选。另一个实施例中，由于不同的目标物体的运动特征不同，对应点云数据的速度信息和位置信息的变化情况也会不同，因此可以根据目标对象的运动特征进行点云数据的筛选。例如家具、墙壁等通常不会发生运动，电风扇等电器会严格按照预设周期运动。
进一步地，还可以将上述两种方式结合实现点云数据的筛选。在一个实施例中，毫米波雷达先基于密度聚类算法，将点云数据聚类成多个点云簇，再确定各点云簇的运动特征，将运动特征与目标对象的运动特征匹配的点云簇，确定为包含目标对象的点云数据的点云簇。具体地，基于密度聚类算法，可以聚类得到监测空间中的多个目标物体的点云簇。根据各点云簇的点云数据中的速度信息和位置信息，可以确定各点云簇的运动特征，再将运动特征与目标对象的运动特征进行匹配，即可确定目标对象的点云簇。该点云簇中所包含的点云数据，即为目标对象的点云数据。本实施例中，相当于综合考虑的目标对象的属性特征和运动特征筛选得到目标对象的点云数据，有利于提高点云数据筛选结果的准确性，进而提升跌倒检测结果的准确性。
步骤S205，根据点云数据中的位置信息和信号强度信息，对该点云数据进行信号强度分析，确定点云数据所构成的点云簇的质心的位置信息。
如前文所述，点云数据中包括各点云所关联的位置信息和信号强度信息。点云簇的质心是指用以表征该点云簇的位置的假想点。具体地，毫米波雷达根据点云数据中的信号强度信息，对该点云数据进行信号强度分析，得到信号强度分析结果，再结合该信号强度分析结果与点云数据中的位置信息，确定点云数据所构成的点云簇的质心的位置信息。
需要说明的是，结合信号强度分析结果与点云数据中的位置信息，确定点云数据所构成的点云簇的质心的位置信息的具体方式并不唯一。例如，可以过滤掉信号强度较弱的点云，将信号强度满足强度阈值条件的点云的位置信息的平均值或中位数确定为点云簇的质心的位置信息；又如，可以基于各点云的信号强度，对不同点云分配对应的权重，再基于该权重，对各点云的位置信息进行加权求和，得到点云簇的质心的位置信息。
步骤S207，基于质心的位置信息，计算该质心相对于特征点的特征角。
其中，特征点是指位置相对固定的基准点。该特征点，可以是监测空间内的某一固定位置，如墙角位置，也可以是基于毫米波雷达确定的位置，如毫米波雷达的安装位置。具体地，与质心相同，特征点也关联有对应的特征点位置信息。由于特征点为固定点，该特征点位置信息通常也是固定的。基于此，毫米波雷达可以根据质心的位置信息和特征点位置信息，计算该质心相对于特征点的特征角。
需要说明的是，该特征角的具体类型并不唯一，可以是指特征点与质心的连线与任一确定直线的夹角。该确定直线，可以是三维坐标系中的坐标轴。如图3中，质心A相对于特征点O的特征角可以是∠OAB、∠OAC和∠OAD中的任意一个。
在一个实施例中，特征点为雷达坐标原点；特征角的计算公式为：
Figure 499077DEST_PATH_IMAGE002
式中，θ为特征角，x、y和z为质心的位置信息。也即，图3和图4中的特征点O为雷达坐标原点，特征角θ为∠OAB。本实施例中，将特征点定义为雷达坐标原点，由于基于毫米波雷达的回波信号确定的位置信息，与雷达坐标原点的坐标系对应，因此，在计算特征角的过程中，无需进行坐标转换，可以简化特征角的计算过程，有利于提高数据处理效率。
步骤S209，根据特征角的变化情况确定目标对象的跌倒检测结果。
其中，跌倒检测结果可以包括发生跌倒和未发生跌倒。基于目标对象发生跌倒时特征角的变化特点，可以确定用于表征特征角变化情况与跌倒检测结果的对应关系的跌倒判定条件。该跌倒判定条件可以是当前特征角相对于历史特征角的变化趋势满足设定趋势判定条件，和/或，当前特征角相对于历史特征角的变化量满足设定变化量判定条件。例如，特征角为∠OAB的情况下，图3对应的设定趋势判定条件可以是特征角变大，图4对应的设定趋势判定条件可以是特征角变小。又如，由于跌倒过程中，受重力加速度的影响，特征角的变化量可能会逐步增大，基于此，特征角为∠OAB的情况下，图3对应的设定变化量判定条件可以是当前特征角相对于上一次计算得到的第一历史特征角的第一变化量，大于该第一历史特征角相对于上一次计算得到的第二历史特征角的第二变化量。
具体地，在计算得到特征角后，可以将当前计算得到的特征角相对于历史特征角的变化情况，与跌倒判定条件进行比对，在特征角的变化情况满足跌倒判定条件的情况下，得到目标对象发生跌倒的跌倒检测结果。
进一步地，在得到跌倒检测结果后，毫米波雷达还可以以图片、文字和语音等多种形式中的至少一种，或者结合上述至少两种形式，输出该跌倒检测结果，并且该跌倒检测结果的输出对象，可以是存储装置、显示装置或通信装置。此外，毫米波雷达还可以通过通信装置将跌倒检测结果输出至终端。毫米波雷达还可以在跌倒检测结果为发生跌倒的情况下，输出警示信息。
上述对象跌倒检测方法，先获取毫米波雷达发射的电磁波被物体反射后形成的回波信号，再对该回波信号进行傅里叶变换处理和聚类分析，得到目标对象的点云数据，并根据点云数据中的位置信息和信号强度信息，对该点云数据进行信号强度分析，确定点云数据所构成的点云簇的质心的位置信息，然后基于该质心的位置信息，计算该质心相对于特征点的特征角，最后根据该特征角的变化情况确定目标对象的跌倒检测结果。通过对回波信号进行傅里叶变换处理和聚类分析可以识别出目标对象的点云数据，对该点云数据进行信号强度分析，确定点云数据所构成的点云簇的质心的位置信息，可以排除环境中目标对象以外其他物体的干扰，并且整个跌倒检测过程无需目标对象佩戴任何辅助传感装置，环境适应性强，有利于提高目标对象的跌倒检测结果的准确性。此外，基于毫米波雷达进行跌倒检测，无隐私泄露风险，且无需佩戴，环境适应性强，有利于扩展跌倒检测方法的应用场景。
在一个实施例中，如图5所示，步骤S205包括：
步骤S505，基于各点云数据各自对应的信号强度信息，确定各点云数据的权重。
步骤S506，根据各点云数据的权重，对各点云数据各自对应的位置信息进行加权求和，确定点云数据所构成的点云簇的质心的位置信息。
具体地，如前文所述，每一个点云对应有一个点云数据，各点云数据中均包含有位置信息和信号强度信息。具体地，毫米波雷达基于各点云数据各自对应的信号强度信息，可以确定各点云数据的权重，再根据各点云数据的权重，对各点云数据各自对应的位置信息进行加权求和，可以确定点云数据所构成的点云簇的质心的位置信息。
进一步地，确定各点云数据的权重的具体方式并不唯一。例如，在点云数据中的信号强度信息不满足强度阈值条件的情况下，可以将该点云数据的权重确定为零，并将其余满足强度阈值条件的点云数据的权重设置为相同值；又如，可以建立信号强度区间与权重的对应关系，并根据各点云数据中的信号强度信息所在的信号强度区间，确定各点云数据的权重。
上述实施例中，基于各点云数据的信号强度信息确定点云簇的质心，算法简单，有利于提高数据处理效率。
在一个实施例中，步骤S505包括：叠加各点云数据各自对应的信号强度信息，得到点云数据所构成的点云簇的总能量；将点云数据所对应的信号强度信息与该总能量的比值，确定为该点云数据的权重。
其中，点云数据所构成的点云簇的总能量，为各点云数据各自对应的信号强度信息之和。具体地，毫米波雷达叠加各点云数据各自对应的信号强度信息，得到点云数据所构成的点云簇的总能量，再将点云数据所对应的信号强度信息与该总能量的比值，确定为该点云数据的权重。
上述实施例中，基于各点云数据的能量分布确定点云数据的权重，可以自动过滤掉能量较小的点云，有利于提高质心的位置信息的准确性。
在一个实施例中，请继续参考图5，步骤S209包括：
步骤S508，获取设定数量的连续时间帧内计算得到的特征角；
步骤S509，基于各特征角各自对应的时间帧，在特征角存在上一帧的历史特征角的情况下，计算特征角与上一帧的历史特征角的差值；
步骤S510，若各差值满足跌倒判定条件，得到目标对象发生跌倒的检测结果。
其中，时间帧是指特征角所对应的时间信息。具体地，由于毫米波雷达在进行跌倒检测的过程中，按照一定的周期向外发射电磁波，而特征角是基于某一周期的电磁波的回波信号计算得到的，因此，特征角对应有唯一的时间帧，该时间帧与电磁波的发射时间对应。
具体地，毫米波雷达获取设定数量的连续时间帧内计算得到的特征角。该设定数量的具体数值并不唯一，例如可以是10、12、14、15或18等等。然后，毫米波雷达基于各特征角各自对应的时间帧，在特征角存在上一帧的历史特征角的情况下，将特征角减去上一帧的历史特征角，计算得到特征角与上一帧的历史特征角的差值。可以理解，在设定数量为12的情况下，将得到11个差值。最后，毫米波雷达再将各差值与跌倒判定条件进行比对，在各差值满足跌倒判定条件的情况下，得到目标对象发生跌倒的检测结果。以图3为例，特征角为∠OAB的情况下，该跌倒判定条件，可以是各差值中正值的比例大于设定比例，例如，在设定数量为12的情况下，得到11个差值均为正值；也可以是各差值相对于前一差值的差值变化量增大，例如，在设定数量为12的情况下，将得到11个差值再求差，可以得到10个差值变化量，各差值变化量均为正值。
上述实施例中，基于设定数量的连续时间帧内计算得到的特征角进行跌倒判断，有利于提高跌倒检测结果的准确性。
为便于理解，下面结合图6和图7，对对象跌倒检测方法的具体过程进行详细说明。
在一个实施例中，该毫米波雷达安装在距离地面1.5米高度的墙面，雷达法线方向平行于地面。如图6所示，毫米波雷达通过多进多出（multiple-in multipleout，MIMO）射频收发天线向监测区域发射毫米波段的射频信号，同时接收该射频信号经由监测区域内的障碍物散射得到的回波信号。该回波信号与发射信号混频后形成中频信号，该中频信号经过ADC（Analog to Digital Converter，模数转换）采样后得到采样信息。通过对该采样信息进行距离维的快速傅里叶转换（1D-FFT），可以获得目标物体的位置信息。对该位置信息进行doppler处理（2D-FFT），可以获得目标物体的速度信息。将各个通道上的位置信息及速度信息进行合成，生成距离多普勒检测矩阵，然后再对该检测矩阵进行恒虚警（ConstantFalse-Alarm Rate，CFAR）处理和角度计算，过滤掉虚假目标，得到目标物体的点云数据集。该点云数据集包括位置信息、角度信息、多普勒速度信息和信号强度信息。该位置信息通过雷达三维坐标系的坐标值表征，该信号强度信息通过信噪比表征。例如，点云数据集可以表示成pointclouds={P0,P1……,Pn-1}。其中，Pi=[Xi,Yi,Zi,Vi,Si]表示一个点云数据，(Xi,Yi,Zi)为点i的三维坐标，Vi为点i的速度，Si为点i的信噪比。
如图7所示，得到目标物体的点云数据集后，再基于DBSCAN聚类算法对该点云数据集进行聚类分析，将人体的点云数据挑选出来，记为p_cluster。p_cluster={pc0,pc1,……,pck}，pci=[Xci,Yci,Zci,Vci,Sci]表示人体的一个点云数据，0≤i≤k。为确保聚类结果的准确性，k需大于聚类的最小点数5。挑选出的人体点云数据将构成一个点云簇，基于点云簇中各点云数据的能量分布，可以计算得到该点云簇的质心的位置信息。
具体地，先计算点云簇的总能量点云簇总能量SP_cluster_all：
Figure 722248DEST_PATH_IMAGE003
然后将点云簇中每个点所对应的信噪比除以总能量，计算得到点云簇中每个点的权重W_cluster：
Figure 52735DEST_PATH_IMAGE004
最后，基于各点各自对应的权重，对各点的坐标信息进行加权求和，计算得到点云簇的质心坐标Ccenter：
Figure 310541DEST_PATH_IMAGE005
得到质心坐标后，再根据式（1）计算点云簇的质心相对于毫米波雷达的坐标原点的俯仰角（例如图3中的∠OAB），并将俯仰角计算结果保存在滑窗w1中，窗体长度为50，w1数组初始值全为0。即w1={θ1,0,……,0}，w1数组初始值全为0。
至此，可以得到一个时间帧所对应的俯仰角。
对每一帧重复上述步骤，可以得到连续50帧的俯仰角，存满w1数组，此时，w1数组更新为w1={θ1,θ2,……,θ50}。然后，计算w1窗中相邻元素的差α，并将差保存在窗体w2中，w2同样为滑窗保存,窗体长度为49。即w2={α1,α2,……,α49}；α1=θ2-θ1，α2=θ3-θ2，α49=θ50-θ49。最后，计算w2窗中相邻元素的差β，并将差保存在窗体w3中，窗体w3同样为滑窗保存,窗体长度为48。即w3={β1,β2,……,β48}；β1=α2-α1，β2=α3-α2，α48=α49-α48。若w3中连续不少于10个元素的值为正，则判断该目标对象，即人体发生跌倒。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的对象跌倒检测方法的对象跌倒检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个对象跌倒检测装置实施例中的具体限定可以参见上文中对于对象跌倒检测方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种对象跌倒检测装置800，包括：回波信号获取模块801、目标对象点云数据确定模块802、质心位置信息确定模块803、特征角计算模块804和跌倒检测结果确定模块805，其中：
回波信号获取模块801，用于获取毫米波雷达发射的电磁波被物体反射后形成的回波信号；
目标对象点云数据确定模块802，用于对回波信号进行傅里叶变换处理和聚类分析，得到目标对象的点云数据；
质心位置信息确定模块803，用于根据点云数据中的位置信息和信号强度信息，对点云数据进行信号强度分析，确定点云数据所构成的点云簇的质心的位置信息；
特征角计算模块804，用于基于质心的位置信息，计算质心相对于特征点的特征角；
跌倒检测结果确定模块805，用于根据特征角的变化情况确定目标对象的跌倒检测结果。
在一个实施例中，质心位置信息确定模块803包括：权重确定单元，用于基于各点云数据各自对应的信号强度信息，确定各点云数据的权重；质心位置信息计算单元，用于根据各点云数据的权重，对各点云数据各自对应的位置信息进行加权求和，确定点云数据所构成的点云簇的质心的位置信息。
在一个实施例中，权重确定单元具体用于：叠加各点云数据各自对应的信号强度信息，得到该点云数据所构成的点云簇的总能量；将点云数据所对应的信号强度信息与总能量的比值，确定为点云数据的权重。
在一个实施例中，目标对象点云数据确定模块802具体用于：对回波信号进行快速傅里叶变换处理，获得物体的位置信息；根据回波信号的信噪比，确定各位置的信号强度信息；对包含位置信息和信号强度信息的点云数据进行聚类分析，得到目标对象的点云数据。
在一个实施例中，特征点为雷达坐标原点；特征角的计算公式为：
Figure 583128DEST_PATH_IMAGE001
式中，θ为特征角，x、y和z为质心的位置信息。
在一个实施例中，跌倒检测结果确定模块805具体用于：获取设定数量的连续时间帧内计算得到的特征角；基于各特征角各自对应的时间帧，在特征角存在上一帧的历史特征角的情况下，计算特征角与上一帧的历史特征角的差值；若各差值满足跌倒判定条件，得到目标对象发生跌倒的检测结果。
上述对象跌倒检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于毫米波雷达中的处理器中，也可以以软件形式存储于毫米波雷达中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，如图9所示，提供了一种毫米波雷达，该毫米波雷达包括雷达信号收发装置901和处理器902。该雷达信号收发装置901用于发射电磁波，并接收该电磁波被物体反射后形成的回波信号；该处理器902用于实现上述对象跌倒检测方法中的步骤。
其中，雷达信号收发装置901可以包括发射装置和接收装置，也可以是收发一体的集成装置。进一步地，该雷达信号收发装置901还可以是射频收发装置。该处理器902可以是包含各类处理芯片及其外围电路，具备逻辑运算功能的硬件模块。该处理芯片，可以是单片机、DSP（Digital Signal Process，数字信号处理）芯片或FPGA（Field Programmable GateArray，现场可编程逻辑门阵列）芯片。关于对象跌倒检测方法的具体限定参见上文，此处不再赘述。具体地，该雷达信号收发装置901用于发射电磁波，并接收该电磁波被物体反射后形成的回波信号；该处理器902用于实现上述对象跌倒检测方法中的步骤。
进一步地，如图9所示，该毫米波雷达还可以包括通信装置903和电源装置904。通信装置903可以是有线通信装置或无线通信装置。该有线通信装置，可以为总线通信装置，如485通信装置、CAN通信装置或RS232通信装置。该无线通信装置，可以是蓝牙通信装置、无线通信装置或蜂窝通信装置。该电源装置904可以是供电插头，用于向外部电源获取电能，也可以是包含储能器件，可以向外输出电能的装置。该储能器件，可以是储能电池组或超级电容。处理器902可以通过串口分别连接雷达信号收发装置901和通信装置903。
此外，毫米波雷达还可以包括存储装置、显示装置和警示装置等等。该存储装置用于存储计算机程序，处理器902处理该计算机程序时实现上述的对象跌倒检测方法。该显示装置用于显示跌倒检测结果，该警示装置用于在跌倒检测结果为发生跌倒的情况下输出警示信息。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的毫米波雷达的限定，具体地毫米波雷达可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在其中一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述对象跌倒检测方法中的步骤。
在其中一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述对象跌倒检测方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种对象跌倒检测方法，其特征在于，所述方法包括：
获取毫米波雷达发射的电磁波被物体反射后形成的回波信号；
结合所述物体中的目标对象的属性特征和运动特征中的至少一种，对所述回波信号进行傅里叶变换处理和聚类分析，筛选得到所述目标对象的点云数据；
根据所述点云数据中的位置信息和信号强度信息，对所述点云数据对应的每一点云进行信号强度分析，并基于各所述点云各自对应的位置信息和信号强度信息，确定各所述点云所构成的点云簇的质心的位置信息；所述信号强度信息通过信噪比表征；
基于所述质心的位置信息，计算所述质心相对于特征点的特征角；所述特征点的位置固定；
若设定数量的连续时间帧内所述特征角的变化情况满足跌倒判定条件，确定所述目标对象的跌倒检测结果为发生跌倒；所述跌倒判定条件为各所述特征角与上一帧的历史特征角的差值中正值或负值的比例大于设定比例，或者，各所述差值相对于前一差值的差值变化量增大。
2.根据权利要求1所述的方法，其特征在于，所述对所述点云数据对应的每一点云进行信号强度分析，并基于各所述点云各自对应的位置信息和信号强度信息，确定各所述点云所构成的点云簇的质心的位置信息，包括：
基于各所述点云各自对应的信号强度信息，确定各所述点云的权重；
根据各所述点云的权重，对各所述点云各自对应的位置信息进行加权求和，确定各所述点云所构成的点云簇的质心的位置信息。
3.根据权利要求2所述的方法，其特征在于，所述基于各所述点云各自对应的信号强度信息，确定各所述点云的权重，包括：
叠加各所述点云各自对应的信号强度信息，得到所述点云所构成的点云簇的总能量；
将所述点云所对应的信号强度信息与所述总能量的比值，确定为所述点云的权重。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述结合所述物体中的目标对象的属性特征和运动特征中的至少一种，对所述回波信号进行傅里叶变换处理和聚类分析，筛选得到所述目标对象的点云数据，包括：
对所述回波信号进行快速傅里叶变换处理，获得所述物体的位置信息；
根据所述回波信号的信噪比，确定各位置的信号强度信息；
结合所述物体中的目标对象的属性特征和运动特征中的至少一种，对包含所述位置信息和所述信号强度信息的点云数据进行聚类分析，得到所述目标对象的点云数据。
5.根据权利要求1至3中任意一项所述的方法，其特征在于，所述特征点为雷达坐标原点；所述特征角的计算公式为：
Figure 971717DEST_PATH_IMAGE001
式中，θ为特征角，x、y和z为所述质心的位置信息。
6.根据权利要求1至3中任意一项所述的方法，其特征在于，所述若设定数量的连续时间帧内所述特征角的变化情况满足跌倒判定条件，确定所述目标对象的跌倒检测结果为发生跌倒，包括：
获取设定数量的连续时间帧内计算得到的所述特征角；
基于各所述特征角各自对应的时间帧，在所述特征角存在上一帧的历史特征角的情况下，计算所述特征角与上一帧的历史特征角的差值；
若各所述差值满足跌倒判定条件，得到所述目标对象发生跌倒的检测结果。
7.一种对象跌倒检测装置，其特征在于，所述装置包括：
回波信号获取模块，用于获取毫米波雷达发射的电磁波被物体反射后形成的回波信号；
目标对象点云数据确定模块，用于结合所述物体中的目标对象的属性特征和运动特征中的至少一种，对所述回波信号进行傅里叶变换处理和聚类分析，筛选得到所述目标对象的点云数据；
质心位置信息确定模块，用于根据所述点云数据中的位置信息和信号强度信息，对所述点云数据对应的每一点云进行信号强度分析，并基于各所述点云各自对应的位置信息和信号强度信息，确定各所述点云所构成的点云簇的质心的位置信息；所述信号强度信息通过信噪比表征；
特征角计算模块，用于基于所述质心的位置信息，计算所述质心相对于特征点的特征角；所述特征点的位置固定；
跌倒检测结果确定模块，用于若设定数量的连续时间帧内所述特征角的变化情况满足跌倒判定条件，确定所述目标对象的跌倒检测结果为发生跌倒；所述跌倒判定条件为各所述特征角与上一帧的历史特征角的差值中正值或负值的比例大于设定比例，或者，各所述差值相对于前一差值的差值变化量增大。
8.根据权利要求7所述的装置，其特征在于，所述质心位置信息确定模块包括：
权重确定单元，用于基于各所述点云各自对应的信号强度信息，确定各所述点云的权重；
质心位置信息计算单元，用于根据各所述点云的权重，对各所述点云各自对应的位置信息进行加权求和，确定各所述点云所构成的点云簇的质心的位置信息。
9.一种毫米波雷达，其特征在于，包括雷达信号收发装置和处理器，所述雷达信号收发装置用于发射电磁波，并接收所述电磁波被物体反射后形成的回波信号；所述处理器用于实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202210651286.4A 2022-06-10 2022-06-10 对象跌倒检测方法、装置、毫米波雷达和存储介质 Active CN114720977B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210651286.4A CN114720977B (zh) 2022-06-10 2022-06-10 对象跌倒检测方法、装置、毫米波雷达和存储介质
PCT/CN2023/098845 WO2023236989A1 (zh) 2022-06-10 2023-06-07 对象跌倒检测方法、装置、毫米波雷达和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210651286.4A CN114720977B (zh) 2022-06-10 2022-06-10 对象跌倒检测方法、装置、毫米波雷达和存储介质

Publications (2)

Publication Number Publication Date
CN114720977A CN114720977A (zh) 2022-07-08
CN114720977B true CN114720977B (zh) 2022-09-20

Family

ID=82233082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210651286.4A Active CN114720977B (zh) 2022-06-10 2022-06-10 对象跌倒检测方法、装置、毫米波雷达和存储介质

Country Status (2)

Country Link
CN (1) CN114720977B (zh)
WO (1) WO2023236989A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114720977B (zh) * 2022-06-10 2022-09-20 长沙莫之比智能科技有限公司 对象跌倒检测方法、装置、毫米波雷达和存储介质
CN116106855B (zh) * 2023-04-13 2023-07-18 中国科学技术大学 摔倒检测方法及摔倒检测装置
CN116338684A (zh) * 2023-05-29 2023-06-27 长沙莫之比智能科技有限公司 基于毫米波雷达与深度学习的人体跌倒检测方法及系统
CN116439694B (zh) * 2023-06-14 2023-08-15 深圳市魔样科技有限公司 基于运动模型训练的智能手表动态数据监测方法
CN117636404B (zh) * 2024-01-26 2024-04-16 贵州信邦富顿科技有限公司 基于非穿戴式设备的跌倒检测方法及系统
CN117647788B (zh) * 2024-01-29 2024-04-26 北京清雷科技有限公司 一种基于人体3d点云的危险行为识别方法及设备
CN117831224B (zh) * 2024-02-29 2024-05-24 深圳市迈远科技有限公司 基于毫米雷达的跌倒报警方法、装置、设备及介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3028343B1 (fr) * 2014-11-10 2016-12-23 Centre Nat Rech Scient Procede de detection de chute d'un sujet humain et dispositif actimetrique correspondant
WO2017118610A1 (de) * 2016-01-07 2017-07-13 WOLFGANG, Müller-Adam Verfahren und vorrichtung zur sturzerkennung
JP6777403B2 (ja) * 2016-02-26 2020-10-28 株式会社デンソー 物体認識装置及びプログラム
CN111134685B (zh) * 2018-11-02 2022-08-09 富士通株式会社 跌倒检测方法和装置
CN112386248B (zh) * 2019-08-13 2024-01-23 中国移动通信有限公司研究院 人体跌倒的检测方法、装置、设备及计算机可读存储介质
CN111191499B (zh) * 2019-11-11 2023-05-23 广东工业大学 一种基于最小中心线的跌倒检测方法及装置
CN111166342B (zh) * 2020-01-07 2022-10-14 四川宇然智荟科技有限公司 一种毫米波雷达和摄像头融合跌倒检测装置及其检测方法
CN113392681A (zh) * 2020-03-13 2021-09-14 深圳云天励飞技术有限公司 人体跌倒检测方法、装置及终端设备
CN114005246B (zh) * 2021-01-29 2024-01-30 江苏中科西北星信息科技有限公司 一种基于调频连续波毫米波雷达的老人跌倒检测方法及装置
CN114220119B (zh) * 2021-11-10 2022-08-12 深圳前海鹏影数字软件运营有限公司 人体姿态检测方法、终端设备及计算机可读存储介质
CN114332922A (zh) * 2021-12-16 2022-04-12 上海电机学院 一种基于图像静态特征的摔倒检测方法
CN114330726A (zh) * 2021-12-29 2022-04-12 广东电网有限责任公司 追踪定位方法、装置、电子设备及存储介质
CN114720977B (zh) * 2022-06-10 2022-09-20 长沙莫之比智能科技有限公司 对象跌倒检测方法、装置、毫米波雷达和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fall Detection System for Elderly based on 2D LiDAR: A Preliminary Study of Fall Incident and Activities of Daily Living (ADL) Detection;Herti Miawarni 等;《2020 International Conference on Computer Engineering, Network, and Intelligent Multimedia (CENIM)》;20201224;第1-5页 *
基于激光雷达的室内跌倒检测系统设计与实践;王智;《电声技术》;20211105;第45卷(第11期);第51-54页 *

Also Published As

Publication number Publication date
WO2023236989A1 (zh) 2023-12-14
CN114720977A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN114720977B (zh) 对象跌倒检测方法、装置、毫米波雷达和存储介质
Jin et al. Multiple patients behavior detection in real-time using mmWave radar and deep CNNs
US11435443B2 (en) Integration of tracking with classifier in mmwave radar
Viani et al. Electromagnetic passive localization and tracking of moving targets in a WSN-infrastructured environment
CN110032670A (zh) 时序数据的异常检测方法、装置、设备及存储介质
US11054511B2 (en) Phasor approach to signal to noise ratio measurement evaluation of physiological signals
WO2021248472A1 (zh) 基于超宽带雷达的目标跟踪方法、装置、设备及存储介质
JP2011099753A (ja) 測位装置、及びこれを用いたセンサ情報の統合解析による見守りシステム
US20120274498A1 (en) Personal electronic device providing enhanced user environmental awareness
US8098186B2 (en) Through-the-obstacle radar system and method of operation
CN109917390A (zh) 基于雷达的车辆检测方法和系统
Gelb et al. Statistics of distinct clutter classes in midfrequency active sonar
CN111142102A (zh) 一种呼吸数据计算方法以及相关设备
CN112986973B (zh) 距离测量方法和距离测量装置
US20240329236A1 (en) Radar-based Cross-sectional Image Reconstruction of Subject
CN113885022A (zh) 一种跌倒检测方法及雷达设备
CN116106855A (zh) 摔倒检测方法及摔倒检测装置
Yang et al. Spatial-temporal-circulated GLCM and physiological features for in-vehicle people sensing based on IR-UWB radar
CN113854990A (zh) 一种心跳检测方法及装置
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
Xie et al. Lightweight midrange arm-gesture recognition system from mmwave radar point clouds
CN117315886B (zh) 一种基于uwb雷达的人员即将跌倒检测方法及装置
Huang et al. RPCRS: Human Activity Recognition Using Millimeter Wave Radar
Singh et al. Node localization in wireless sensor networks using the M5P tree and SMOreg algorithms
Choudhary et al. Event detection and localization for sparsely populated outdoor environment using seismic sensor

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