CN115529204A - 一种室内控制系统及方法 - Google Patents

Abstract

本发明涉及一种室内控制系统及方法，室内控制系统至少包括毫米波雷达、数据处理单元和控制单元，数据处理单元将从毫米波雷达采集的信号中分析室内人员状态并发送至控制单元，控制单元基于室内人员状态和预设的控制策略向至少一个智能设备发送对应的控制指令，数据处理单元至少包括：特征提取单元，从经过背景噪声抑制后的微多普勒时频图中提取至少一个特征值；判断单元，基于构建的判断模型和提取的微多普勒特征对雷达数据进行分类以判断室内人员状态。通过对室内主要干扰因素进行采集和计算，提高了对室内人员的监测的准确程度，提高了控制系统对智能设备控制的精确度，使得人的体验更舒适。

Description

一种室内控制系统及方法

技术领域

本发明涉及智能控制技术领域，尤其涉及一种室内控制系统及方法。

背景技术

当前，智能家居的使用数量正在快速增长，并且预计将在未来几年内超过5亿。只有越来越数字化且功能越来越精细的设备，才能使得房屋变得智能。但是，智能设备即使在“关闭”状态也需要能量。即便处于待机模式，也需要设备对用户输入做出即时反应。例如，通过语音控制或者来自智能家居或网络的最新信息。不仅如此，在室内无人的情况下，设备则没有必要在待机模式下运行并消耗能量。

能否准确监测室内的人在场是重要的技术问题，因为这决定着设备是否需要处于待机模式。当前，提出了通过毫米波雷达来检测室内是否有人在场，并且与智能家居结合使用的技术方案。与现有技术将恒温器、智能扬声器和数字助理等设备置于正常待机模式相比，更好的降低能耗的方式是在无人在室内时将他们置于“深度睡眠模式”。对于一些设备，能够节省几瓦或者一小部分能量。但是，对于特殊的应用设备，比如电视、笔记本电脑、音响系统和空调，节省的能量可以超过100W。通过使用毫米波雷达系统感知室内人员的存在或者移动。如果室内无人，智能设备可以自动切换到睡眠模式。由于毫米波雷达系统的功耗仅为几毫瓦，最大功耗为0.1W，明显低于电子设备“启动”或标准待机模式的能量需求。因此，通过毫米波雷达系统来监测室内是否有人状态并启动智能设备是未来智能家电控制的发展趋势，也符合人类智能系统节能、环保的发展趋势。

例如，中国专利CN110687816A公开了一种基于毫米波雷达的智能家居控制系统和方法。该发明系统包括毫米波雷达系统、信号处理系统、人工智能分类系统、中央控制系统；毫米波雷达系统向雷达照射场景发射线性调频连续波信号，并且接收场景反射的回波信号，经处理得到中频原始数据；信号处理系统对原始数据进行处理得到特征数据，并将特征数据传输至人工智能分类系统；人工智能分类系统对毫米波雷达特征数据进行离线训练和在线分类，并传输至中央控制系统；中央控制系统对系统实时控制、监测与通信。

例如，中国专利CN112762581A公开了一种基于毫米波雷达的智能空调控制方法，旨在基于毫米波雷达数据自动判断家居场景、选择对应的空调控制模式，从而实现空调的智能控制。为此目的，该发明的方法包括：基于毫米波雷达的测量结果，建立房间的固有环境模型；通过毫米波雷达检测人员当前位置和停留时间；根据人员当前位置、停留时间、当前时间和房间的固有环境模型，确定对应的家居场景；根据所述家居场景确定空调的运行模式。

中国专利CN114488838A公开了一种基于毫米波雷达的智能家居控制方法、电子设备及系统，对于用户的烹饪时段以及烹饪时段在烹饪区域的行为进行识别，在烹饪时段当用户在烹饪区域进行烹饪行为时，若其在离开烹饪区域后的行进轨迹的趋势是朝向冰箱位置行进的趋势时，其有很大概率是前往冰箱位置并需要打开冰箱取用食材，因此，在用户离开烹饪区域的时候就开始利用第一功率对摄像头进行加热，在用户打开冰箱时可以实现良好的拍摄效果。

中国专利CN111796527A公开了一种基于毫米波雷达的智能控制系统，该智能控制系统的智能开关通过控制器与毫米波雷达传感器连接，无线通信模块分别与控制器、智能开关、控制系统连接；毫米波雷达传感器将接收毫米波后产生的信号发送给控制器；控制器通过信号处理电路对信号进行处理以获取人体检测结果；主控线路板分别与无线通信模块、控制器连接，根据人体检测结果或控制指令控制智能开关动作。

如上所示，现有技术集中于如何改进控制方法，但是其数据的处理过程没有涉及设备自身的干扰因素，因此在干扰因素的干扰情况下就会增大监测误差。例如，对于室内窗帘的干扰和空调自身的干扰，当前的数据处理过程无法通过计算排除，使得毫米波雷达系统对室内人的存在状态的监测出现误差。因此，如何排除设备自身对毫米波雷达的监测结果的干扰，是当前现有技术还没有解决的技术问题。

此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于申请人做出本发明时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本发明不具备这些现有技术的特征，相反本发明已经具备现有技术的所有特征，而且申请人保留在背景技术中增加相关现有技术之权利。

发明内容

现有技术中的对于室内人员的监测情况，不仅需要毫米波雷达作为监测端，还需要摄像头作为监测端，采集的数据数量大，数据处理量大，数据种类多，导致数据在后续分析过程中计算误差大，控制系统的控制不准确。因此，现有技术的控制系统在实际运用过程中的准确度并不高。

针对现有技术之不足，本发明提供一种室内控制系统，至少包括毫米波雷达、数据处理单元和控制单元，所述数据处理单元将从毫米波雷达采集的信号中分析室内人员状态并发送至控制单元，所述控制单元基于室内人员状态和预设的控制策略向至少一个智能设备发送对应的控制指令，所述数据处理单元至少包括：特征提取单元，从经过背景噪声抑制后的微多普勒时频图中提取至少一个特征值；判断单元，基于构建的判断模型和所述微多普勒的特征值对雷达数据进行分类以判断室内人员状态。

本发明中的室内控制系统，对物品或者设备的干扰数据进行采集和计算，提高了对室内人员的监测的准确程度，从而提高了控制单元对智能设备控制的精确度，使得人的体验更舒适。

本发明的特征提取单元减少了数据采集量和数据处理量，也减少了数据处理的时间和数据存储的空间。本发明的控制单元的数据延迟发送情况明显减少。

本发明的监测端仅有毫米波雷达，减少了数据采集量和数据处理量，也减少了数据处理的时间和数据存储的空间。本发明的控制系统的数据延迟发送情况明显减少。

优选地，所述数据处理单元还包括信号分隔单元，所述信号分隔单元被配置为：将谱图中低于预设的分隔阈值的部分作为噪声处理并设置为噪声特征值，将谱图中大于分隔阈值的部分设置为有效微多普勒信号；将经背景噪声抑制后的谱图表示为

其中th表示分隔阈值；

F(t,f)表示噪声抑制后的谱图；Spectrogram(t,f)表示噪声抑制前的谱图。所述特征提取单元从所述信号分隔单元接收经过背景噪声抑制后的谱图。

优选地，所述数据处理单元还包括谱图提取单元，所述谱图提取单元被配置为：基于毫米波雷达发送的数据计算均值：

N表示雷达信号序列的长度；n表示信号序号；从第一雷达信号数据s(n)中减去所述均值以抑制零多普勒分量并得到第二信号雷达数据

对第二信号雷达数据

进行短时傅里叶变换以得到人体动作和各类干扰的短时傅里叶变换的结果STFT(t,f)；基于短时傅里叶变换的结果STFT(t,f)得到谱图：Spectrogram(t,f)＝|STFT(t,f)|²；所述谱图提取单元将所述谱图的信息发送至所述信号分隔单元。

优选地，所述特征提取单元从微多普勒时频图提取的指定特征至少包括以下的一种或几种：质心的平均值和标准差、带宽的平均值和标准差、上下轮廓多普勒频率间隔的平均值和标准差、大于分隔阈值的有效微多普勒信号在谱图中所占比重，上轮廓对应的多普勒频率的最大峰值和峰值间多普勒频率的最大间隔。

优选地，所述特征提取单元提取上下轮廓多普勒频率间隔的方式包括：

C＝mean(F(i,j))+α*std(F(i,j))

f_span(j)＝f(u_j)-f(l_j)

其中，C表示轮廓阈值，α表示小于1的比例因子；f_span(j)表示上下轮廓多普勒频率间隔，mean(F(i,j))表示谱图矩阵的平均值，std(F(i,j))表示谱图的标准差，u_j表示在第j个时间块中与上包络对应的第u_j个多普勒块，l_i表示在第j个时间块中与下包络对应的第l_i个多普勒块。

优选地，所述判断模型的构建方式至少包括：设置训练集数据，其中所述训练集数据由从经过背景噪声抑制后的微多普勒谱图中提取的指定特征组成；基于由所述微多普勒谱图中提取的指定特征组成的训练数据对随机森林分类器进行分类训练，形成判断模型。

优选地，所述数据处理单元还包括状态分析单元，所述状态分析单元被配置为：设置统计数据的初始状态为0，当判断模型将一组输入数据判断为第一类室内情况时，统计数值加1；当一组输入数据被判断为第二类室内情况时，统计数值减1；若此时统计状态的数据值为0，则统计数值状态保持不变；当输入数据被判断为第三、第四或第五类室内情况时，统计数值状态保持不变；所述控制单元基于所述状态分析单元发送的数据值来确定对应的控制策略。

本发明提供一种室内控制方法，所述方法包括：将从毫米波雷达采集的雷达信号中分析室内人员状态并发送至控制单元，所述控制单元基于室内人员状态和预设的控制策略向至少一个智能设备发送对应的控制指令，所述方法至少还包括：从经背景噪声抑制处理后的微多普勒时频图中提取至少一个特征值；基于构建的判断模型和所述的微多普勒的特征值对雷达数据进行分类以判断室内人员状态。

优选地，获取背景噪声抑制后的微多普勒谱图的方法包括：

将低于预设的分隔阈值的部分作为噪声处理并设置为噪声特征值，将大于阈值的部分设置为有效微多普勒信号；

将经背景噪声抑制后的谱图表示为

其中th表示分隔阈值；

F(t,f)表示噪声抑制后的谱图；Spectrogram(t,f)表示噪声抑制前的谱图。

优选地，所述方法还包括：在进行抑制谱图中背景噪声之前，进行谱图提取；其中，谱图提取的方式至少包括：

基于毫米波雷达发送的数据计算均值：

N表示雷达信号序列的长度；n表示信号序号；

从第一雷达信号数据s(n)中减去所述均值以抑制零多普勒分量并得到第二信号雷达数据

对第二信号雷达数据

进行短时傅里叶变换以得到人体动作和各类干扰的短时傅里叶变换的结果STFT(t,f)；

基于短时傅里叶变换的结果STFT(t,f)得到谱图：Spectrogram(t,f)＝|STFT(t,f)|²；

所述谱图提取单元将所述谱图的信息发送至所述信号分隔单元。

附图说明

图1是本发明提供的一种优选实施方式的室内控制系统的简化模块连接关系示意图；

图2是各种场景中的微多普勒谱图的示意图；

图3是部分场景中噪声抑制前后的多普勒谱图的示意图；

图4是谱图中上包络的峰点以及峰值扩展的示意图。

附图标记列表

1：毫米波雷达；21：谱图提取单元；22：信号分隔单元；23：特征提取单元；24：判断单元；25：状态分析单元；3：控制单元。

具体实施方式

下面结合附图进行详细说明。

基于现有技术中无法对智能设备的自身干扰因素进行排除的缺陷，本发明希望提供一种能够将智能设备的自身干扰因素排除，使得通过毫米雷达波监测室内人的状态的结果更准确的室内控制系统及方法。

本发明提供一种室内控制系统及方法，还可以是一种基于毫米雷达波的数据处理方法及装置。

本发明的室内控制系统，至少包括毫米波雷达、数据处理单元和控制单元。毫米波雷达用于采集室内的指定物品或设备的数据。例如采集人的数据、物品的第一数据和设备的第二数据。

控制单元能够根据预存储的控制策略向以有线或者无线连接的设备发送控制指令，来控制智能设备的运行。

具体地，控制单元3用于根据数据处理单元发送的数据结果和预设的控制策略来对室内的指定设备进行控制。

毫米波雷达1：是工作在毫米波波段探测的雷达。毫米波的范围为30～300GHz频域(波长为1～10mm)。在室内设置毫米波雷达时，一般将毫米波雷达设置在进入室内的门口的正上方位置，以用来采集室内数据。

本发明中的数据处理单元2，用于接收由毫米波雷达发送的数据，并且对数据进行计算处理和分析，从而得到人是否在室内的分析结果。数据处理单元2与毫米波雷达1以有线或者无线的通信方式建立连接关系。优选地，数据处理单元2与毫米波雷达1以无线的通信方式建立连接关系，以减少室内线路的设置和对室内美观的破坏。

数据处理单元2可以是单独的处理器，也可以由多个子处理器组合构成。数据处理单元2可以是专用集成芯片、处理器、微处理器中的一种。数据处理单元2还可以是服务器、云服务器或者服务器群组。

控制单元3可以是接收数据处理单元2发送的额室内人的状态信息，并且根据预设的控制策略对智能设备进行控制的专用集成芯片、处理器、微处理器中的一种。

数据处理单元2至少包括信号分隔单元22、特征提取单元23、判断单元24和状态分析单元25。

优选地，数据处理单元2还包括谱图提取单元21。谱图提取单元21被配置为：对接收的数据进行预处理。

信号分隔单元22被配置为：基于设定阈值对谱图进行去噪处理。

特征提取单元23被配置为：基于接收的谱图提取指定的微多普勒的特征值。

判断单元24被配置为：预设有判断模型。基于由微多普勒谱图中提取的指定特征组成的训练数据对随机森林分类器进行分类训练，形成判断模型。基于判断模型和由特征提取单元23发送的特征值进行特征分类以提取干扰数据值。状态分析单元25被配置为：统计人进出室内的次数。

如图1所示，谱图提取单元21与信号分隔单元22建立数据连接关系，以用于将预处理后的数据发送至信号分隔单元22。信号分隔单元22与特征提取单元23建立数据连接关系，以将提取出的去噪后的谱图发送至特征提取单元23。特征提取单元23与判断单元24建立数据连接关系，以将提出的特征信息基于判断模型进行分类处理。判断单元24与状态分析单元25建立带护具连接关系，以将分类结果发送至状态分析单元25。

本发明的数据处理单元2还能够与智能家电的控制单元建立信号连接关系，以将分类结果和状态分析单元25统计的信息发送至控制单元，使得控制单元能够根据人是否在室内的结果来按照预设的策略控制智能家电的运行。

本发明的室内监测装置，其进行的室内监测方法如下所述。

本发明以窗帘和通风设备作为干扰因素为例来进行说明。本发明示例中的窗帘干扰因素和通风设备干扰因素也能够被其他干扰因素替代来进行计算和干扰排除。

本发明中，室内的窗帘抖动为第一干扰因素。通风设备的空气扰动为第二干扰因素。

毫米波雷达1按照将时长两秒的数据作为一组输入数据的方式发送至数据处理单元2。

谱图提取单元21接收由毫米波雷达1发送的输入数据s(n)，并且进行数据处预处理。数据预处理的步骤包括：

S1：基于毫米波雷达1发送的数据计算均值：

N表示雷达信号序列的长度；n表示信号序号。

S2：从第一雷达信号数据s(n)中减去所述均值以抑制零多普勒分量并得到第二信号雷达数据

第二雷达信号数据

对第二信号雷达数据

进行短时傅里叶变换以得到人体动作和各类干扰的短时傅里叶变换的结果。短时傅里叶变换的结果表示为STFT(t,f)。

基于短时傅里叶变换的结果STFT(t,f)得到谱图：Spectrogram(t,f)＝|STFT(t,f)|²。Spectrogram(t,f)表示谱图。

谱图是显示时变信号的时变频谱密度的一种广泛使用的方法，它是一种频谱-时间的表达方式，并且提供了信号的频谱内容随时间的实际变化情况。谱图不需要保留信号的相位信息，

所述谱图提取单元21将谱图的信息发送至所述信号分隔单元22。

短时傅里叶变换的基本原理为：把信号划分成许多小的时间间隔，再用傅里叶变换分析每一个时间间隔，以便确定在那个时间间隔存在的频率。

S3：得到谱图Spectrogram(t,f)＝|STFT(t,f)|²。t表示时间间隔；f表示在时间间隔内存在的频率。

如图2所示，各种场景中的微多普勒谱图均不相同。图2中分别示出了人在走出房间、走入房间、人在风扇干扰下走出房间、人在风扇干扰下走入房间、在仅有风扇运行干扰、在仅有窗帘干扰、人在窗帘干扰情况下走出房间、人在窗帘干扰情况下走入房间等八个场景的微多普勒谱图。

谱图提取单元21将预处理得到的谱图：Spectrogram(t,f)＝|STFT(t,f)|²发送至信号分隔单元22。信号分隔单元22对谱图进行信号分隔的步骤至少包括下述步骤。

设定分隔阈值。分隔阈值用于抑制微多普勒谱图中的噪声以提高人体活动和干扰活动的微多普勒特征提取的准确性。

S5：抑制噪声。将低于分隔阈值的数据部分作为噪声数据处理并设置成噪声特征值，将大于分隔阈值的部分选择为所需的有效微多普勒信号。噪声特征值为极小值。

S6：经噪声抑制后的谱图的表示如下：

其中th表示分隔阈值；如式中所示，噪声特征值优选为-130。高于阈值的有效微多普勒信号为为10log₁₀(Spectrogram(t,f))，其中Spectrogram(t,f)>th。。F(t,f)表示背景噪声抑制后的谱图；Spectrogram(t,f)表示噪声抑制前的谱图。式中，极小的数示例为-130。

信号分隔单元22将经去噪处理后的谱图发送至特征提取单元23。特征提取单元23用于提取微多普勒时频图中的指定特征。

特征提取单元23提取特征的步骤包括：

S7：从去噪处理后微多普勒时频图提取的指定特征包括：质心的平均值和标准差、带宽的平均值和标准差、上下轮廓多普勒频率间隔的平均值和标准差。

S8：计算去噪处理后的微多普勒时频图中的特征信息。特征信息包括但不限于：大于分隔阈值的有效微多普勒信号在谱图中所占比重，上轮廓对应的多普勒频率的最大峰值以及峰值间多普勒频率的最大间隔。

具体地，如图3所示，第一行从左往右依次为窗帘干扰情况，风扇干扰情况，无干扰因素下人进入房间情况，无干扰因素下人走出房间情况的噪声抑制前的谱图。第二行从左往右依次为窗帘干扰情况，风扇干扰情况，无干扰因素下人进入房间情况，无干扰因素下人走出房间情况的噪声抑制后的谱图。通过对比能够明显看出，背景噪声得到了有效的抑制，这也大幅度降低了噪声对人体进出动作和干扰活动的微多普勒信号的影响，有利于之后的特征的提取。

特征提取单元23提取各个指定特征的方式如下所示。

提取多普勒质心的公式为：

提取多普勒带宽的公式为：

F(i,j)表示谱图在第i个多普勒块和第j个时间块的值，f(i)表示多普勒频率在第i个多普勒块的值。

在得到各个多普勒质心和多普勒带宽的数值后，计算多普勒质心f_c(j)和多普勒带宽B_c(j)的平均值和标准差。

提取上下轮廓多普勒频率间隔的间隔f_span(j)的公式为：

C＝mean(F(i,j))+α*std(F(i,j))

f_span(j)＝f(u_j)-f(l_j)

其中，C表示轮廓阈值，用于准确提取上下轮廓。α表示小于1的比例因子，用于调整轮廓阈值的数值。mean(F(i,j))表示谱图矩阵的平均值，std(F(i,j))表示谱图的标准差，u_j表示在第j个时间块中与上包络对应的第u_j个多普勒块，l_i表示在第j个时间块中与下包络对应的第l_i个多普勒块。F(u,j)表示表示谱图在第u个多普勒块和第j个时间块的值。F(l,j)表示谱图在第l个多普勒块和第j个时间块的值。

在提取上下轮廓多普勒频率间隔的间隔后，计算上下轮廓多普勒频率间隔的平均值和标准差。

提取谱图的轮廓大小的方式如下所示。

f_s表示轮廓大小。轮廓大小表示经过噪声抑制的微多普勒谱图中高于阈值的部分在谱图中所占比重。谱图矩阵共有N×T个值，N表示多普勒块的个数，T表示时间块的个数。定义间隔阈值，th＝mean(F(i,j))-0.05*std(F(i,j))，谱图矩阵中高于该阈值的元素共有K个。提取谱图的轮廓大小的公式为：

提取多普勒频率峰值的平均值。

图4为谱图中上包络的峰点以及峰值扩展的示例图。如图4所示，在微多普勒特谱图中示出了多普勒频率的若干峰值。图4中的多普勒频率峰值包括峰值1、峰值2和峰值3。

假定有上包络共有m个峰点，每个峰点对应的多普勒频率为p_i,i∈m。多普勒频率峰值的平均值的公式如下：

其中，mean(f_c)表示的是多普勒质心的平均值。

谱图中的峰值扩展为峰值间多普勒频率的最大间隔，公式如下：

P_s＝p_max-p_min。

特征提取单元23将从去噪后的谱图中提取的指定特征发送至判断单元24。

判断单元24优选为分类器，其内部设置有判断模型。判断模型是基于随机森林算法构建的。优选地，判断模型的算法不限于随机森林算法，还可以是其他能够进行分类的算法。

判断模型是基于随机森林算法和训练集数据进行分类训练并形成的。训练集数据由雷达数据经过上述步骤S1～S9后提取的指定特征的数据组成。训练集数据用于判断模型的训练。

随机森林分类器的决策树个数设置为150。随机森林分类器的输入为在特征提取部分描述的九个特征，输出为雷达数据的类别。

构建判断模型的步骤包括：

将一组雷达数据经过短时傅里叶变换和分离噪声后提取的九个特征值作为判断模型的输入的特征值。

输入的特征值对应的雷达数据可被分为五类：

第一类室内情况，指人走进房间的室内情况。

第二类室内情况，指人走出房间的室内情况。

第三类室内情况，指第一干扰因素存在的室内情况。

第四类室内情况，指第二干扰因素存在的室内情况。

第五类室内情况，指人不处于室内状态，并且第一干扰因素和第二干扰因素不存在的室内情况。

第三、第四和第五类室内情况都可以归类为干扰。

判断单元24对接收的特征值进行分类处理，并且将数据类型发送至状态分析单元25。状态分析单元25接收并统计分类数据以及各类室内情况出现的频率。

状态分析单元25优选为计数器。设置计数器初始状态为0，计数器的状态改变只与检测到的进出有关。

当判断单元24将一组输入数据分类为人走进房间的第一类室内情况时，计数器的状态加1。当一组输入数据被分类为人走出房间的第二类室内情况时，计数器状态减1。若此时计数器状态为0，则计数器状态保持不变。当数据被分类为干扰状态时，计数器状态保持不变。

当数据训练完成后，本发明的室内监测装置能够在不受第一干扰因素、第二干扰因素干扰的情况下准确监测到人是否在室内的情况。因此，本发明对室内人的监测情况的准确度较高，并且计算数据较少，数据处理速度快，反馈结果更快。

本发明通过对室内的主要干扰源：窗帘(第一干扰因素)和通风设备(第二干扰因素)的干扰数据的采集和计算，提高了对室内人的监测的准确程度。例如，本发明将雷达采集的室内数据分为五类：存在风扇或窗帘干扰或无这两者干扰情况下人的进出数据，窗帘晃动数据，风扇转动数据，以及无人且无窗帘或风扇在动情况下雷达采集的数据。本发明依据这五类数据进行数据的分析、特征提取、数据分类和数据训练，能够得到对于室内监测的准确的结果，精准地判断室内是否存在人，也为未来智能家电基于室内人存在与否的情况进行分类智能控制提供了更多可操作的方案。

例如，判断单元能够根据毫米波雷达采集的真实数据来计算室内人员的监测结果，并且将监测结果发送至控制单元。控制单元根据监测结果选择对应的控制策略，向对应的智能设备发送控制指令以实现精准的控制的目的。

例如，毫米波雷达采集室内的人的进出数据、窗帘数据和空调数据，数据处理单元2经过数据计算，得到室内没有人的监测结果。当人不在室内的时间长度超过预设第一时间阈值时，控制单元向空调发送关闭指令，空调关闭；控制单元向窗帘控制件发送关闭指令，使得窗帘关闭。

当人不在室内的时间长度没有超过预设第一时间阈值时，控制单元不向指定的智能设备发送对应的控制指令。

当室内人员的监测结果由无人状态变化为有人状态，并且人在室内停留的时间长度超过第二时间阈值时，控制单元向指定的智能设备发送对应的控制指令，例如向空调和窗帘控制器发送控制指令，使得窗帘打开或关闭，空调开启。

如上所述，本发明的控制系统仅根据毫米波雷达一个监测端的采集数据就能够实现数据分析并发出准确的控制指令，实现智能设备的准确控制。

本发明的优势还包括：不需要监测人的位移、方位角和移动速度这些数据，减少了数据的计算量，也减少了数据存储需要的存储空间，从而本发明的监测装置的数据处理量少，数据结果反馈更快。

当数据处理单元的训练完成后，数据处理单元能够根据毫米波雷达采集的真实数据来计算室内人员的监测结果，并且将监测结果发送至控制单元。控制单元根据监测结果选择对应的控制策略，向对应的智能设备发送控制指令以实现精准的控制的目的。

例如，毫米波雷达采集室内的人的进出数据、窗帘数据和空调数据，数据处理单元经过数据计算，得到室内没有人的监测结果。当人不在室内的时间长度超过预设时间阈值时，控制单元向空调发送关闭指令，空调关闭；控制单元向窗帘控制件发送关闭指令，使得窗帘关闭。

当人不在室内的时间长度没有超过预设第一时间阈值时，控制单元不向指定的智能设备发送对应的控制指令。

当室内人员的监测结果由无人状态变化为有人状态，并且人在室内停留的时间长度超过第二时间阈值时，控制单元向指定的智能设备发送对应的控制指令，例如向空调和窗帘控制器发送控制指令，使得窗帘打开或关闭，空调开启。

如上所述，本发明的控制系统仅根据毫米波雷达一个监测端的采集数据就能够实现数据分析并发出准确的控制指令，实现智能设备的准确控制。

需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。本发明说明书包含多项发明构思，诸如“优选地”、“根据一个优选实施方式”或“可选地”均表示相应段落公开了一个独立的构思，申请人保留根据每项发明构思提出分案申请的权利。

Claims (10)

1.一种室内控制系统，至少包括毫米波雷达(1)、数据处理单元(2)和控制单元(3)，所述数据处理单元(2)将从毫米波雷达(1)采集的信号中分析室内人员状态并发送至控制单元(3)，所述控制单元(3)基于室内人员状态和预设的控制策略向至少一个智能设备发送对应的控制指令，

其特征在于，所述数据处理单元(2)至少包括：

特征提取单元(23)，从经过背景噪声抑制后的微多普勒时频图中提取至少一个特征值；

判断单元(24)，基于构建的判断模型和微多普勒的所述特征值对雷达数据进行分类以判断室内人员状态。

2.根据权利要求1所述的室内控制系统，其特征在于，所述数据处理单元(2)还包括信号分隔单元(22)，所述信号分隔单元(22)被配置为：

将谱图中低于预设的分隔阈值的部分作为噪声处理并设置为噪声特征值，将谱图中大于分隔阈值的部分设置为有效微多普勒信号；

经背景噪声抑制后的谱图表示为

其中th表示分隔阈值；

F(t,f)表示噪声抑制后的谱图；，Spectrogram(t,f)表示噪声抑制前的谱图，

所述特征提取单元(23)从所述信号分隔单元(22)接收经过背景噪声抑制后的谱图。

3.根据权利要求2所述的室内控制系统，其特征在于，所述数据处理单元(2)还包括谱图提取单元(21)，所述谱图提取单元(21)被配置为：

基于毫米波雷达(1)发送的数据计算均值：

N表示雷达信号序列的长度；n表示信号序号；

从第一雷达信号数据s(n)中减去所述均值以抑制零多普勒分量并得到第二信号雷达数据

对第二信号雷达数据

进行短时傅里叶变换以得到人体动作和各类干扰的短时傅里叶变换结果STFT(t,f)；

基于短时傅里叶变换的结果STFT(t,f)得到谱图：Spectrogram(t,f)＝|STFT(t,f)|²；

所述谱图提取单元(21)将所述谱图的信息发送至所述信号分隔单元(22)。

4.根据权利要求1～3任一项所述的室内控制系统，其特征在于，所述特征提取单元(23)从微多普勒时频图提取的指定特征至少包括以下的一种或几种：

质心的平均值和标准差、带宽的平均值和标准差、上下轮廓多普勒频率间隔的平均值和标准差、大于分隔阈值的有效微多普勒信号在谱图中所占比重，上轮廓对应的多普勒频率的最大峰值和峰值间多普勒频率的最大间隔。

5.根据权利要求1～4任一项所述的室内控制系统，其特征在于，所述特征提取单元(23)提取上下轮廓多普勒频率间隔的方式包括：

C＝mean(F(i，j))+α*std(F(i，j))

f_span(j)＝f(u_j)-f(l_j)

其中，C表示轮廓阈值，α表示小于1的比例因子；f_span(j)表示上下轮廓多普勒频率间隔，mean(F(i,j))表示谱图矩阵的平均值，std(F(i,j)0表示谱图的标准差，u_j表示在第j个时间块中与上包络对应的第u_j个多普勒块，l_i表示在第j个时间块中与下包络对应的第l_i个多普勒块。

6.根据权利要求1～5任一项所述的室内控制系统，其特征在于，所述判断模型的构建方式至少包括：

设置训练集数据，其中所述训练集数据由从经过背景噪声抑制后的微多普勒谱图中提取的指定特征组成；

基于由所述微多普勒谱图中提取的指定特征组成的训练数据对随机森林分类器进行分类训练，形成判断模型。

7.根据权利要求1～6任一项所述的室内控制系统，其特征在于，所述数据处理单元(2)还包括状态分析单元(25)，所述状态分析单元(25)被配置为：

设置统计数据的初始状态为0，

当判断模型将一组输入数据判断为第一类室内情况时，统计数值加1；

当一组输入数据被判断为第二类室内情况时，统计数值减1；若此时统计状态的数据值为0，则统计数值状态保持不变；

当输入数据被判断为第三、第四或第五类室内情况时，统计数值状态保持不变；

所述控制单元(3)基于所述状态分析单元(25)发送的数据值来确定对应的控制策略。

8.一种室内控制方法，所述方法包括：将从毫米波雷达(1)采集的雷达信号中分析室内人员状态并发送至控制单元(3)，所述控制单元(3)基于室内人员状态和预设的控制策略向至少一个智能设备发送对应的控制指令，

其特征在于，所述方法至少还包括：

从经背景噪声抑制处理后的微多普勒时频图中提取至少一个特征值；

基于构建的判断模型和所述的微多普勒的特征值对雷达数据进行分类以判断室内人员状态。

9.根据权利要求8所述的室内控制方法，其特征在于，获取背景噪声抑制后的微多普勒谱图的方法包括：

将低于预设的分隔阈值的部分作为噪声处理并设置为噪声特征值，将大于阈值的部分设置为有效微多普勒信号；

将经背景噪声抑制后的谱图表示为：

其中th表示分隔阈值；

F(t,f)表示噪声抑制后的谱图；Spectrogram(t,f)表示噪声抑制前的谱图。

10.根据权利要求8或9所述的室内控制方法，其特征在于，所述方法还包括：

在进行抑制谱图中背景噪声之前，进行谱图提取；

其中，谱图提取的方式至少包括：

基于毫米波雷达(1)发送的数据计算均值：

N表示雷达信号序列的长度；n表示信号序号；

从第一雷达信号数据s(n)中减去所述均值以抑制零多普勒分量并得到第二信号雷达数据

对第二信号雷达数据

进行短时傅里叶变换以得到人体动作和各类干扰的短时傅里叶变换的结果STFT(t,f)；

基于短时傅里叶变换的结果STFT(t,f)得到谱图：Spectrogram(t,f)＝|STFT(t,f)|²；

所述谱图提取单元(21)将所述谱图的信息发送至所述信号分隔单元(22)。

Images