CN115542308A - 基于毫米波雷达的室内人员探测方法、装置、设备及介质 - Google Patents

基于毫米波雷达的室内人员探测方法、装置、设备及介质 Download PDF

Info

Publication number
CN115542308A
CN115542308A CN202211545960.7A CN202211545960A CN115542308A CN 115542308 A CN115542308 A CN 115542308A CN 202211545960 A CN202211545960 A CN 202211545960A CN 115542308 A CN115542308 A CN 115542308A
Authority
CN
China
Prior art keywords
clustering
information
motion
point cloud
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
CN202211545960.7A
Other languages
English (en)
Other versions
CN115542308B (zh
Inventor
袁文忠
杨绍分
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.)
Dexin Intelligent Technology Changzhou Co ltd
Original Assignee
Dexin Intelligent Technology Changzhou 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 Dexin Intelligent Technology Changzhou Co ltd filed Critical Dexin Intelligent Technology Changzhou Co ltd
Priority to CN202211545960.7A priority Critical patent/CN115542308B/zh
Publication of CN115542308A publication Critical patent/CN115542308A/zh
Application granted granted Critical
Publication of CN115542308B publication Critical patent/CN115542308B/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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • 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
    • G01S13/66—Radar-tracking systems; Analogous systems
    • 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
    • G01S13/886—Radar or analogous systems specially adapted for specific applications for alarm systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本公开提供一种基于毫米波雷达的室内人员探测方法、装置、设备及介质，包括基于毫米波雷达获取室内多个目标对象的雷达反馈信息，根据雷达反馈信息通过预设的点云聚类算法对雷达反馈信息进行聚类处理，确定多个目标对象对应的运动信息；通过多个目标对象对应的运动信息，根据预设的多目标跟踪算法将毫米波雷达获取的当前雷达反馈信息与各个目标对象对应的运动信息进行关联，确定多个目标对象对应的运动轨迹；根据运动轨迹对室内多个目标对象进行定位与跟踪，并在任一目标对象的运动轨迹符合预设报警条件时，向目标对象的监护人员发送报警信息。本公开能够对室内多个目标对象进行检测，对于运动轨迹进行定位和跟踪，识别准确度高，针对性强。

Description

基于毫米波雷达的室内人员探测方法、装置、设备及介质
技术领域
本公开涉及定位技术领域，尤其涉及一种基于毫米波雷达的室内人员探测方法、装置、设备及介质。
背景技术
在这个万物互联时代，随着社会进步和消费观念的提升，目前智能化浪潮正在改变各个行业和人们的生活，而智能化的前提就是传感器的布置和感知技术的进步和丰富。当前社会生活的诸多难题（如老人等特殊人群的监护、人们日常健康状态监测等）也需要借助智能化手段实现更经济、更有效的解决。目前市场上智能感知产品主要有四大类，诸如摄像头容易泄露隐私，且受光线影响大；超声波雷达精度不高、信息少；红外探测手段受制于准确率；接触智能穿戴设备如手环，舒适性差，使用体验不佳。
以养老市场为例，我们人口老龄化趋势快速增长，养老产业的压力逐年增大，而在老年人这一特殊群体，预防伤害的一个重要方面就是摔倒伤害，据统计，65岁以上老年人每年摔倒事件概率为25%，也就是4个人中有1人有摔倒风险，而摔倒且不及时响应带来的伤害最大。形成快速响应的机制就成为应对类似特殊群体的以外事件的必要前提，而快速响应的前提就是及时、准确的感知和警示。在室内环境下，通过在客厅、卫生间等场所布置安装传感器可以对摔打事件快速有效做出提示和反应，预防伤害。
公开号为CN114994656A公开了一种基于毫米波雷达的室内人员跟踪方法，其具体公开了：
对毫米波雷达回波信号进行ADC数据采样，得到采样数据；采用CFAR处理所述采样数据，得到检测点云数据；采用改进的DBSCAN算法对所述点云数据进行聚类；采用多径干扰消除算法处理所述聚类结果；对处理后的聚类结果采用无迹卡尔曼滤波跟踪，得到室内人员的轨迹。
其通过改进的DBSCAN算法对所述点云数据进行聚类，但是DBSCAN算法是根据样本集中点与点的距离来进行划分的，但是当样本集中点与点的距离不均匀时，距离阈值较难判定，若距离阈值较小，则稀疏的区域无法聚类，若距离阈值较大，则会将本不属于同一类的点聚为一类。因为聚类不准确导致最后的轨迹分析结果不准。
公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本公开实施例提供一种基于毫米波雷达的室内人员探测方法、装置、设备及介质，至少能够解决现有技术中的部分问题，也即，解决点云数据聚类不准，最后得到的轨迹分析结果不准的问题。
本公开实施例的第一方面，
提供一种基于毫米波雷达的室内人员探测方法，包括基于毫米波雷达获取室内多个目标对象的雷达反馈信息，根据雷达反馈信息通过预设的点云聚类算法对雷达反馈信息进行聚类处理，确定多个目标对象对应的运动信息；
通过多个目标对象对应的运动信息，根据预设的多目标跟踪算法将毫米波雷达获取的当前雷达反馈信息与各个目标对象对应的运动信息进行关联，确定多个目标对象对应的运动轨迹；
根据运动轨迹对室内多个目标对象进行定位与跟踪，并在任一目标对象的运动轨迹符合预设报警条件时，向目标对象的监护人员发送报警信息。
在一种可选的实施方式中，
所述根据所述雷达反馈信息通过预设的点云聚类算法对所述雷达反馈信息进行聚类处理之前，还包括：
确定所述雷达反馈信息在多个预设调频周期的频谱信息，根据相邻预设调频周期的频谱信息筛除所述雷达反馈信息中的第一杂波信息，得到中间滤波信息，其中，所述第一杂波信息用于指示多个目标对象所在室内环境的固定目标所产生的杂波信息；
对所述中间滤波信息，通过粒子滤波算法，筛除所述中间滤波信息中的第二杂波信息，得到清洁运动信息，其中，所述第二杂波信息用于指示所述中间滤波信息所包含的杂波分量与噪声信息。
在一种可选的实施方式中，
所述根据所述雷达反馈信息通过预设的点云聚类算法对所述雷达反馈信息进行聚类处理包括：
基于所述清洁运动信息中各个点云之间的距离阈值通过所述预设的点云聚类算法进行第一聚类，得到第一聚类信息，其中，所述第一聚类信息用于指示同一类型对象的聚类信息；
将所述第一聚类信息中任一特征作为特征初始值，确定所述特征初始值与所述第一聚类信息中其他特征的聚类相关度；
若所述聚类相关度小于预设聚类阈值，则将聚类相关度小于预设聚类阈值的特征作为新的特征初始值，并重新计算新的特征初始值与所述第一聚类信息中其他特征的聚类相关度；
若所述聚类相关度大于预设聚类阈值，则将所述聚类相关度大于预设聚类阈值的特征与所述特征初始值进行聚类，直至完成所述第一聚类信息中所有特征的聚类。
在一种可选的实施方式中，
所述根据所述雷达反馈信息通过预设的点云聚类算法对所述雷达反馈信息进行聚类处理还包括：
按照如下公式进行聚类处理：
Figure 87804DEST_PATH_IMAGE001
其中，R(M,N)表示集合M和集合N的聚类相关度，集合M=[x 1 ,x 2 ,…,x k ]表示特征初始值的集合，集合N=[y 1 ,y 2 ,…,y l ]表示除特征初始值以外特征的集合，D(M X ,N Y )表示集合M和集合N的空间距离，k、l分别表示集合M和集合N的特征的数量，C(Mx) 表示集合M中各个特征的相关性、C(Ny) 表示集合N中各个特征的相关性、C(Mx, Ny)表示集合M中特征和集合N中特征的相关性。
在一种可选的实施方式中，
所述根据预设的多目标跟踪算法将所述毫米波雷达获取的当前雷达反馈信息与各个目标对象对应的运动信息进行关联的方法包括：
将所述毫米波雷达获取的当前雷达反馈信息进行点云过滤后构建第一点云集合，构建所述各个目标对象对应的运动信息对应的第二点云集合；
分别为所述第一点云集合中的第一元素分配第一权重值，为所述第二点云集合中的第二元素分配第二权重值，
根据所述第一点云集合和第一权重值，以及所述第二点云集合和所述第二权重值，确定所述当前雷达反馈信息与各个目标对象对应的运动信息的关联概率值；
根据所述关联概率值，以及通过所述毫米波雷达所获取的各个目标对象的运动速率信息、相位信息，确定所述多个目标对象对应的运动轨迹。
在一种可选的实施方式中，
所述确定所述当前雷达反馈信息与各个目标对象对应的运动信息的关联概率值包括：
Figure 142347DEST_PATH_IMAGE002
其中，L(X,Y)表示关联概率值，m，n分别表示第一点云集合的元素数量和第二点云集合的元素数量，
Figure 306612DEST_PATH_IMAGE003
、
Figure 79396DEST_PATH_IMAGE004
分别表示第一权重值和第二权重值，x i 、y j 分别表示第一点云集合中的第一元素和第二点云集合中的第二元素，
Figure 354520DEST_PATH_IMAGE005
表示第一点云集合中的第一元素和第二点云集合中的第二元素的综合关联概率，p(x i ,y j )表示第一点云集合中的第一元素与第二点云集合中的第二元素属于同一关联矩阵的概率，
Figure 794728DEST_PATH_IMAGE006
表示第一点云集合中的第一元素与第二点云集合中的第二元素属于同一类别的概率，d j 表示第二点云集合中第j个索引，
Figure 864316DEST_PATH_IMAGE007
表示关联矩阵中位于ij位置的元素。
在一种可选的实施方式中，
所述确定所述多个目标对象对应的运动轨迹之后，还包括：
确定所述运动轨迹中任一节点与其相邻的另外两个节点的轨迹紧密度，根据所述轨迹紧密度与预设紧密度阈值确定所述运动轨迹中各个节点的轨迹紧密度的重要程度，其中，所述轨迹紧密度用于指示所述运动轨迹中节点对运动轨迹保持的重要程度；
根据所述运动轨迹中各个节点的轨迹紧密度的重要程度的标准差，筛除所述运动轨迹中冗余节点，并按照所述运动轨迹中各个节点的轨迹紧密度的重要程度压缩所述运动轨迹。
本公开实施例的第二方面，
提供一种基于毫米波雷达的室内人员探测装置，包括：
第一单元，用于基于毫米波雷达获取室内多个目标对象的雷达反馈信息，根据所述雷达反馈信息通过预设的点云聚类算法对所述雷达反馈信息进行聚类处理，确定所述多个目标对象对应的运动信息；
第二单元，用于通过所述多个目标对象对应的运动信息，根据预设的多目标跟踪算法将所述毫米波雷达获取的当前雷达反馈信息与各个目标对象对应的运动信息进行关联，确定所述多个目标对象对应的运动轨迹；
第三单元，用于根据所述运动轨迹对室内所述多个目标对象进行定位与跟踪，并在任一目标对象的运动轨迹符合预设报警条件时，向目标对象的监护人员发送报警信息。
在一种可选的实施方式中，
所述装置还包括第四单元，用于确定所述雷达反馈信息在多个预设调频周期的频谱信息，根据相邻预设调频周期的频谱信息筛除所述雷达反馈信息中的第一杂波信息，得到中间滤波信息，其中，所述第一杂波信息用于指示多个目标对象所在室内环境的固定目标所产生的杂波信息；
对所述中间滤波信息，通过粒子滤波算法，筛除所述中间滤波信息中的第二杂波信息，得到清洁运动信息，其中，所述第二杂波信息用于指示所述中间滤波信息所包含的杂波分量与噪声信息。
在一种可选的实施方式中，
所述第一单元还用于：
基于所述清洁运动信息中各个点云之间的距离阈值通过所述预设的点云聚类算法进行第一聚类，得到第一聚类信息，其中，所述第一聚类信息用于指示同一类型对象的聚类信息；
将所述第一聚类信息中任一特征作为特征初始值，确定所述特征初始值与所述第一聚类信息中其他特征的聚类相关度；
若所述聚类相关度小于预设聚类阈值，则将聚类相关度小于预设聚类阈值的特征作为新的特征初始值，并重新计算新的特征初始值与所述第一聚类信息中其他特征的聚类相关度；
若所述聚类相关度大于预设聚类阈值，则将所述聚类相关度大于预设聚类阈值的特征与所述特征初始值进行聚类，直至完成所述第一聚类信息中所有特征的聚类。
在一种可选的实施方式中，
所述第一单元还用于：
按照如下公式进行聚类处理：
Figure 389975DEST_PATH_IMAGE001
其中，R(M,N)表示集合M和集合N的聚类相关度，集合M=[x 1 ,x 2 ,…,x k ]表示特征初始值的集合，集合N=[y 1 ,y 2 ,…,y l ]表示除特征初始值以外特征的集合，D(M X ,N Y )表示集合M和集合N的空间距离，k、l分别表示集合M和集合N的特征的数量，C(Mx) 表示集合M中各个特征的相关性、C(Ny) 表示集合N中各个特征的相关性、C(Mx, Ny)表示集合M中特征和集合N中特征的相关性。
在一种可选的实施方式中，
所述第二单元还用于：
将所述毫米波雷达获取的当前雷达反馈信息进行点云过滤后构建第一点云集合，构建所述各个目标对象对应的运动信息对应的第二点云集合；
分别为所述第一点云集合中的第一元素分配第一权重值，为所述第二点云集合中的第二元素分配第二权重值，
根据所述第一点云集合和第一权重值，以及所述第二点云集合和所述第二权重值，确定所述当前雷达反馈信息与各个目标对象对应的运动信息的关联概率值；
根据所述关联概率值，以及通过所述毫米波雷达所获取的各个目标对象的运动速率信息、相位信息，确定所述多个目标对象对应的运动轨迹。
在一种可选的实施方式中，
所述第二单元还用于：
所述确定所述当前雷达反馈信息与各个目标对象对应的运动信息的关联概率值包括：
Figure 203210DEST_PATH_IMAGE008
其中，L(X,Y)表示关联概率值，m，n分别表示第一点云集合的元素数量和第二点云集合的元素数量，
Figure 497925DEST_PATH_IMAGE003
、
Figure 738414DEST_PATH_IMAGE004
分别表示第一权重值和第二权重值，x i 、y j 分别表示第一点云集合中的第一元素和第二点云集合中的第二元素，
Figure 751369DEST_PATH_IMAGE005
表示第一点云集合中的第一元素和第二点云集合中的第二元素的综合关联概率，p(x i ,y j )表示第一点云集合中的第一元素与第二点云集合中的第二元素属于同一关联矩阵的概率，
Figure 368295DEST_PATH_IMAGE006
表示第一点云集合中的第一元素与第二点云集合中的第二元素属于同一类别的概率，d j 表示第二点云集合中第j个索引，
Figure 517517DEST_PATH_IMAGE007
表示关联矩阵中位于ij位置的元素。
在一种可选的实施方式中，
所述装置还包括第五单元，用于：
确定所述运动轨迹中任一节点与其相邻的另外两个节点的轨迹紧密度，根据所述轨迹紧密度与预设紧密度阈值确定所述运动轨迹中各个节点的轨迹紧密度的重要程度，其中，所述轨迹紧密度用于指示所述运动轨迹中节点对运动轨迹保持的重要程度；
根据所述运动轨迹中各个节点的轨迹紧密度的重要程度的标准差，筛除所述运动轨迹中冗余节点，并按照所述运动轨迹中各个节点的轨迹紧密度的重要程度压缩所述运动轨迹。
本公开实施例的第三方面，
提供一种设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本公开实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本公开提供一种基于毫米波雷达的室内人员探测方法，包括：
基于毫米波雷达获取室内多个目标对象的雷达反馈信息，根据所述雷达反馈信息通过预设的点云聚类算法对所述雷达反馈信息进行聚类处理，确定所述多个目标对象对应的运动信息；
通过所述多个目标对象对应的运动信息，根据预设的多目标跟踪算法将所述毫米波雷达获取的当前雷达反馈信息与各个目标对象对应的运动信息进行关联，确定所述多个目标对象对应的运动轨迹；
根据所述运动轨迹对室内所述多个目标对象进行定位与跟踪，并在任一目标对象的运动轨迹符合预设报警条件时，向目标对象的监护人员发送报警信息。
在通过预设的点云聚类算法对雷达反馈信息进行聚类处理之前，分别对雷达反馈信息进行两次滤波，去除雷达反馈信息中的第一杂波信息和第二杂波信息，筛除掩盖较弱雷达反馈信息的杂波信息，抑制杂波，改善目标检测性能；
通过预设的点云聚类算法对清洁运动信息进行两次聚类，并且根据聚类相关度与预设聚类阈值的比较关系，针对性进行聚类相关度迭代计算，将空间上存在重叠关系的多个目标对象的特征值进行区分；
根据预设的多目标跟踪算法将所述毫米波雷达获取的当前雷达反馈信息与各个目标对象对应的运动信息进行关联，能够确定预测状态与当前获取状态的关联关系，并且综合多个关联集合，能够有效降低算法的时间复杂度，并且能够有效追踪多个目标对象，针对性地确定多个目标对象的运动轨迹；
分别对多个目标对象的运动轨迹进行定位和跟踪，在任一目标对象的运动轨迹符合预设报警条件时，向目标对象的监护人员发送报警信息，及时且有效地进行报警，保证目标对象的安全。
附图说明
图1为本公开实施例基于毫米波雷达的室内人员探测方法的流程示意图；
图2为本公开实施例毫米波雷达部署示意图；
图3为本公开实施例基于毫米波雷达的室内人员探测装置的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通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，都属于本公开保护的范围。
本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本公开的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
应当理解，在本公开中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本公开中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本公开中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本公开实施例基于毫米波雷达的室内人员探测方法的流程示意图，如图1所示，所述方法包括：
S101、基于毫米波雷达获取室内多个目标对象的雷达反馈信息，根据所述雷达反馈信息通过预设的点云聚类算法对所述雷达反馈信息进行聚类处理，确定所述多个目标对象对应的运动信息；
示例性地，本公开实施例的毫米波雷达能够在扫描周期内发射频率变化的信号，通过接收被物体反射回来的信号和发射信号存在一定的频率差，来计算物体的距离；雷达速度在数据显示上雷达有正负之分，当目标靠近雷达，即来向运动时，速度呈负；当目标原理雷达，即去向运动，速度呈正。两个信号只有相位相差一个周期以上，我们才能够区分出来，所以我们得到了上面的雷达测速的分辨率。根据毫米波雷达天线的距离以及相位差，能够确定目标对象的角度信息。
图2为本公开实施例毫米波雷达部署示意图，如图2所示，毫米波雷达的监控监督不如监控摄像头，在部署毫米波雷达时，尽量使得毫米波的辐射范围能够覆盖整个房间，此外，为了防止毫米波雷达被遮挡或者被移动，可以将毫米波雷达部署在距离地面2m左右的位置，在实际应用中，可以将毫米波雷达与竖直方向设置一定倾斜角度，具体角度可以根据监控需要设定，以毫米波雷达能够覆盖的范围尽可能广为准。
可选地，本公开实施例的预设的点云聚类算法可以包括混合算法，其结合了两种聚类算法，其中，可以先通过DBSCAN算法进行第一次聚类，之后在采用树分类算法进行第二次聚类，能够有效解决DBSCAN算法因为两个目标对象相距较近，并认定为同一运动轨迹的问题。
在一种可选的实施方式中，
所述根据所述雷达反馈信息通过预设的点云聚类算法对所述雷达反馈信息进行聚类处理之前，还包括：
确定所述雷达反馈信息在多个预设调频周期的频谱信息，根据相邻预设调频周期的频谱信息筛除所述雷达反馈信息中的第一杂波信息，得到中间滤波信息，其中，所述第一杂波信息用于指示多个目标对象所在室内环境的固定目标所产生的杂波信息；
对所述中间滤波信息，通过粒子滤波算法，筛除所述中间滤波信息中的第二杂波信息，得到清洁运动信息，其中，所述第二杂波信息用于指示所述中间滤波信息所包含的杂波分量与噪声信息。
雷达接收回波中通常同时包含目标回波与杂波，这使得检测目标信号变得困难。特别是当目标信号处于强杂波背景中，杂波信号几乎掩盖了较弱的目标信号，要从成片杂波信号中分辦出目标回波就会变得更加困难。因此，为了提高雷达的抗干扰性，改善目标检测性能，设计合适的杂波抑制算法至关重要。杂波和目标回波通常在时域上很难区分，可以考虑从频域上区分两者。由于目标速度往往大于静止干扰物的速度，因此产生的多普勒频移也远大于静止干扰物产生的多普勒频移。
示例性地，在实际应用中，可以根据相邻调频周期的频谱信息的差确定室内环境的固定目标所产生的杂波信息，具体地，对于静止日标，相邻调频周期的频谱信息的差为零，对于运动目标来说，相邻调频周期的频谱信息的差不为零，从而可以有效消除静止杂波。
而筛除雷达反馈信息中的第一杂波信息后，虽然可以消除固定目标杂波，但当杂波的平均速度不为零时，会导致杂波谱线的展宽，无法完全滤除杂波。
进一步地，可以对得到的中间滤波信息，通过粒子滤波算法，筛除所述中间滤波信息中的第二杂波信息，得到清洁运动信息，其中，
粒子滤波算法是在跟踪区域内，对粒子群的权值和位置进行初始化，根据一定算法计算出目标特征。在非线性条件下相比于卡尔曼滤波相关算法有着更好的精度。
示例性地，本公开实施例的粒子滤波算法可以参考现有的粒子算法，本公开实施例在此不再赘述。
本公开实施例的粒子滤波算法不需要重采样步骤，当接收到新的測量值时，将执行测量更新和时间更新以获得过滤和预测分布。
通过粒子滤波算法，筛除所述中间滤波信息中的第二杂波信息，得到清洁运动信息，进一步滤除中间滤波信息中包含的杂波分量和噪声信息。将各类杂波信息滤除后，能够更加凸显目标信息，从而提高后续轨迹识别的准确度。
在一种可选的实施方式中，
所述根据所述雷达反馈信息通过预设的点云聚类算法对所述雷达反馈信息进行聚类处理包括：
基于所述清洁运动信息中各个点云之间的距离阈值通过所述预设的点云聚类算法进行第一聚类，得到第一聚类信息，其中，所述第一聚类信息用于指示同一类型对象的聚类信息；
将所述第一聚类信息中任一特征作为特征初始值，确定所述特征初始值与所述第一聚类信息中其他特征的聚类相关度；
若所述聚类相关度小于预设聚类阈值，则将聚类相关度小于预设聚类阈值的特征作为新的特征初始值，并重新计算新的特征初始值与所述第一聚类信息中其他特征的聚类相关度；
若所述聚类相关度大于预设聚类阈值，则将所述聚类相关度大于预设聚类阈值的特征与所述特征初始值进行聚类，直至完成所述第一聚类信息中所有特征的聚类。
示例性地，本公开实施例预设的点云聚类算法可以包括两种不同类型的聚类算法，其中，
通过设定点与点之间的距离國值来对亳米波雷达的反射点进行初次聚类，初次聚类的结果可能与实际的结果有所偏差，但是相差不会太多，初次聚类时的距离阈值设置较小，可以保证将同一个目标对象的点聚类到一个类中。初次聚类的结果因为没有考虑两个或者多个人物相距很近，所以极有可能将多个靠近的人聚为一个类，在初次聚类时因为满足距离國值的判定，所以被归为一类，而这类聚类结果中的数据点要明显高于单个运动目标对应的数据点。
通过第二次聚类，对场景中的单个人物对应运动点数的关系进行分析，得到人数与检测结果的点数之间的关系。由此，可以通过对初次聚类目标的点数进行判断，当聚类结果明显大于单个人物对应的点数，则需要对该聚类结果进行再次分割，即是对大目标进行再次聚类步骤，根据大的聚类目标内 的点数，大致确定该簇中的聚类个数。
可选地，本公开实施例第一聚类算法可以包括DBSCAN聚类算法或者K-means聚类算法中任意一种，用于保证将同一个目标对象的点聚类到一个类中；第二聚类算法可以包括基于ReliefF算法改进的聚类算法。
可选地，特征初始值与所述第一聚类信息中其他特征的聚类相关度，其值与两个特征之间的相关性成正比，值越大，表明特征之间的相关性越大；值越小，表明特征之间的相关性越小。根据求得任意两个特征之间的相关度，并根据相关度大小进行特征聚类，每个簇中每个特征应保证至少与该簇内至少一个特征之间的相关度超过國值。其中，
可以随机选取第一聚类信息中任一特征作为特征初始值，并且计算其与第一聚类信息中其他特征的聚类相关度，
若聚类相关度小于预设聚类阈值，则将聚类相关度小于预设聚类阈值的特征作为新的特征初始值，并重新计算新的特征初始值与所述第一聚类信息中其他特征的聚类相关度；
若聚类相关度大于预设聚类阈值，则将所述聚类相关度大于预设聚类阈值的特征与所述特征初始值进行聚类，直至完成所述第一聚类信息中所有特征的聚类。
在一种可选的实施方式中，
所述根据所述雷达反馈信息通过预设的点云聚类算法对所述雷达反馈信息进行聚类处理还包括：
按照如下公式进行聚类处理：
Figure 194486DEST_PATH_IMAGE001
其中，R(M,N)表示集合M和集合N的聚类相关度，集合M=[x 1 ,x 2 ,…,x k ]表示特征初始值的集合，集合N=[y 1 ,y 2 ,…,y l ]表示除特征初始值以外特征的集合，D(M X ,N Y )表示集合M和集合N的空间距离，k、l分别表示集合M和集合N的特征的数量，C(Mx) 表示集合M中各个特征的相关性、C(Ny) 表示集合N中各个特征的相关性、C(Mx, Ny)表示集合M中特征和集合N中特征的相关性。
S102、通过所述多个目标对象对应的运动信息，根据预设的多目标跟踪算法将所述毫米波雷达获取的当前雷达反馈信息与各个目标对象对应的运动信息进行关联，确定所述多个目标对象对应的运动轨迹；
示例性地，由于亳米波雷达设备自身不具备多目标区分的功能，需要在算法层面上应用多目标追踪的相关算法来实现整个系统的多目标追踪。其中，可以通过前述的聚类算法确定多个目标对象的所属的聚类信息，进一步地，可以根据当前雷达反馈信息与各个目标对象对应的运动信息进行关联，确定所述多个目标对象对应的运动轨迹，根据运动轨迹进行轨迹分析，从而在任一目标对象的运动轨迹符合预设报警条件时，向目标对象的监护人员发送报警信息。
而当前雷达反馈信息包括毫米波雷达所接收到的从目标对象反馈的雷达信号，进一步地，可以将反馈的雷达信号转换为点云信息，以便后续用于轨迹分析。其中，将当前雷达反馈信息与运动信息进行关联可以包括确定两者的关联概率值。
在一种可选的实施方式中，
所述根据预设的多目标跟踪算法将所述毫米波雷达获取的当前雷达反馈信息与各个目标对象对应的运动信息进行关联的方法包括：
将所述毫米波雷达获取的当前雷达反馈信息进行点云过滤后构建第一点云集合，构建所述各个目标对象对应的运动信息对应的第二点云集合；
分别为所述第一点云集合中的第一元素分配第一权重值，为所述第二点云集合中的第二元素分配第二权重值，
根据所述第一点云集合和第一权重值，以及所述第二点云集合和所述第二权重值，确定所述当前雷达反馈信息与各个目标对象对应的运动信息的关联概率值；
根据所述关联概率值，以及通过所述毫米波雷达所获取的各个目标对象的运动速率信息、相位信息，确定所述多个目标对象对应的运动轨迹。
现有的运动轨迹确定方法对微弱运动目标进行检测时，有时会出现因为信杂比过小而无法检测出目标的情况，所以在复杂环境下杂波对于检测结果的准确度有很大的影响。因此在对运动目标进行检测时，可以根据所述第一点云集合和第一权重值，以及所述第二点云集合和所述第二权重值，确定所述当前雷达反馈信息与各个目标对象对应的运动信息的关联概率值，得出准确的目标信息，最后提取出最终目标的完整信息，
在追踪目标过多时，计算当前雷达反馈信息与各个目标对象对应的运动信息的关联概率值，随着追踪目标数量增加，造成关联概率值计算的时间和所需消耗的资源成倍增加。
本公开实施例通过为第一点云集合和第二点云集合分别分配对应的第一权重值和第二权重值，可以得到足够数量的关联集合，不用拆分确认矩阼来计算所有可行联合事件概率，降低算法时问复杂度，同时还能保持多目标追踪精度。
其中，为所述第一点云集合中的第一元素分配第一权重值，为所述第二点云集合中的第二元素分配第二权重值可以根据点云集合的点云数量、点云集合中点云数据的重要程度，并且结合目标追踪精度要求进行设定，示例性地，第一权重值和第二权重值可以分别为0.58和0.64，需要说明的是，本公开实施例对第一权重值和第二权重值的设定并不进行限定。
可选地，在实际应用中，为了使运动轨迹的描述更为准确，可以将毫米波雷达所获取的信息进一步转化为目标对象的运动速率信息和相位信息，从而使得最后的运动轨迹信息更为饱满。
在一种可选的实施方式中，
所述确定所述当前雷达反馈信息与各个目标对象对应的运动信息的关联概率值包括：
Figure 429158DEST_PATH_IMAGE009
其中，L(X,Y)表示关联概率值，m，n分别表示第一点云集合的元素数量和第二点云集合的元素数量，
Figure 584196DEST_PATH_IMAGE003
、
Figure 853503DEST_PATH_IMAGE004
分别表示第一权重值和第二权重值，x i 、y j 分别表示第一点云集合中的第一元素和第二点云集合中的第二元素，
Figure 435794DEST_PATH_IMAGE005
表示第一点云集合中的第一元素和第二点云集合中的第二元素的综合关联概率，p(x i ,y j )表示第一点云集合中的第一元素与第二点云集合中的第二元素属于同一关联矩阵的概率，
Figure 157763DEST_PATH_IMAGE006
表示第一点云集合中的第一元素与第二点云集合中的第二元素属于同一类别的概率，d j 表示第二点云集合中第j个索引，
Figure 116491DEST_PATH_IMAGE007
表示关联矩阵中位于ij位置的元素。
在一种可选的实施方式中，
所述确定所述多个目标对象对应的运动轨迹之后，还包括：
确定所述运动轨迹中任一节点与其相邻的另外两个节点的轨迹紧密度，根据所述轨迹紧密度与预设紧密度阈值确定所述运动轨迹中各个节点的轨迹紧密度的重要程度，其中，所述轨迹紧密度用于指示所述运动轨迹中节点对运动轨迹保持的重要程度；
根据所述运动轨迹中各个节点的轨迹紧密度的重要程度的标准差，筛除所述运动轨迹中冗余节点，并按照所述运动轨迹中各个节点的轨迹紧密度的重要程度压缩所述运动轨迹。
实际应用中，为了后续数据查询，雷达监測的轨迹数据需要存储。当目 标运动緩慢时或者一直在同一个地方转动，其定位位置通常过于集中，如果这些点近似可以连成一条直线，事实上只要知道这条直线首尾端点就可以描绘对应的轨迹，但实际应用中，会将所有的点迹信息存储，这样就造成了路径点冗余，浪费了存储资源，查询轨迹的路径点太多会造成存储资源被浪费。
可选地，可以根据任一节点与其相邻的另外两个节点的轨迹紧密度，与预设紧密度阈值确定所述运动轨迹中各个节点的轨迹紧密度的重要程度，其中，可以根据任一节点与两个相邻节点连接线的垂直距离与两个相邻节点连接线长度之比，来衡量节点的重要性。
如果将某一节点視为当前尺度下的关键点，则尺度改变后该点无法识別，描曲线形状的关键点也会随之改变。如果在原尺度下仍对曲线进行关键点分割，就会出现不合理的情况，导致压缩率的降低。因此，可以基于人类视觉的原理来进行國值选择，将距离最小可见目标作为预设紧密度阈值，用于组合和调整的关键点和算法的國值。示例性地，将各个节点的轨迹紧密度的重要程度的标准差作为衡量标准，将各个节点的轨迹紧密度与标准差进行比较，并将比较结果进行排序，将排序结果靠后，且根据所选定的筛选阈值筛除运动轨迹中冗余节点。
S103、根据所述运动轨迹对室内所述多个目标对象进行定位与跟踪，并在任一目标对象的运动轨迹符合预设报警条件时，向目标对象的监护人员发送报警信息。
通过对目标对象进行定位和跟踪，在其运动轨迹符合跌倒或者摔倒的报警条件时，向目标对象的监护人员发送报警信息，以便监护人员能够第一时间了解情况，并且及时进行救助处理，防止错过最佳救助时间。
基于毫米波雷达的室内人员准确检测和精确定位。该方法主要通过毫米波雷达对室内行人进行距离、方位角、速度的高精度测量以及微动特征识别的基础上进行检测和定位，满足室内人员检测场景中的应用的需求。可应用于不同的毫米波雷达平台实现室内行人的定位、跟踪和识别，为将来毫米波雷达在智能家居场景中的广泛应用提供基础。
本公开实施例的第二方面，
提供一种基于毫米波雷达的室内人员探测装置，图3为本公开实施例基于毫米波雷达的室内人员探测装置的结构示意图，如图3所示，包括：
第一单元，用于基于毫米波雷达获取室内多个目标对象的雷达反馈信息，根据所述雷达反馈信息通过预设的点云聚类算法对所述雷达反馈信息进行聚类处理，确定所述多个目标对象对应的运动信息；
第二单元，用于通过所述多个目标对象对应的运动信息，根据预设的多目标跟踪算法将所述毫米波雷达获取的当前雷达反馈信息与各个目标对象对应的运动信息进行关联，确定所述多个目标对象对应的运动轨迹；
第三单元，用于根据所述运动轨迹对室内所述多个目标对象进行定位与跟踪，并在任一目标对象的运动轨迹符合预设报警条件时，向目标对象的监护人员发送报警信息。
在一种可选的实施方式中，
所述装置还包括第四单元，用于确定所述雷达反馈信息在多个预设调频周期的频谱信息，根据相邻预设调频周期的频谱信息筛除所述雷达反馈信息中的第一杂波信息，得到中间滤波信息，其中，所述第一杂波信息用于指示多个目标对象所在室内环境的固定目标所产生的杂波信息；
对所述中间滤波信息，通过粒子滤波算法，筛除所述中间滤波信息中的第二杂波信息，得到清洁运动信息，其中，所述第二杂波信息用于指示所述中间滤波信息所包含的杂波分量与噪声信息。
在一种可选的实施方式中，
所述第一单元还用于：
基于所述清洁运动信息中各个点云之间的距离阈值通过所述预设的点云聚类算法进行第一聚类，得到第一聚类信息，其中，所述第一聚类信息用于指示同一类型对象的聚类信息；
将所述第一聚类信息中任一特征作为特征初始值，确定所述特征初始值与所述第一聚类信息中其他特征的聚类相关度；
若所述聚类相关度小于预设聚类阈值，则将聚类相关度小于预设聚类阈值的特征作为新的特征初始值，并重新计算新的特征初始值与所述第一聚类信息中其他特征的聚类相关度；
若所述聚类相关度大于预设聚类阈值，则将所述聚类相关度大于预设聚类阈值的特征与所述特征初始值进行聚类，直至完成所述第一聚类信息中所有特征的聚类。
在一种可选的实施方式中，
所述第一单元还用于：
按照如下公式进行聚类处理：
Figure 240305DEST_PATH_IMAGE001
其中，R(M,N)表示集合M和集合N的聚类相关度，集合M=[x 1 ,x 2 ,…,x k ]表示特征初始值的集合，集合N=[y 1 ,y 2 ,…,y l ]表示除特征初始值以外特征的集合，D(M X ,N Y )表示集合M和集合N的空间距离，k、l分别表示集合M和集合N的特征的数量，C(Mx) 表示集合M中各个特征的相关性、C(Ny) 表示集合N中各个特征的相关性、C(Mx, Ny)表示集合M中特征和集合N中特征的相关性。
在一种可选的实施方式中，
所述第二单元还用于：
将所述毫米波雷达获取的当前雷达反馈信息进行点云过滤后构建第一点云集合，构建所述各个目标对象对应的运动信息对应的第二点云集合；
分别为所述第一点云集合中的第一元素分配第一权重值，为所述第二点云集合中的第二元素分配第二权重值，
根据所述第一点云集合和第一权重值，以及所述第二点云集合和所述第二权重值，确定所述当前雷达反馈信息与各个目标对象对应的运动信息的关联概率值；
根据所述关联概率值，以及通过所述毫米波雷达所获取的各个目标对象的运动速率信息、相位信息，确定所述多个目标对象对应的运动轨迹。
在一种可选的实施方式中，
所述第二单元还用于：
所述确定所述当前雷达反馈信息与各个目标对象对应的运动信息的关联概率值包括：
Figure 259077DEST_PATH_IMAGE009
其中，L(X,Y)表示关联概率值，m，n分别表示第一点云集合的元素数量和第二点云集合的元素数量，
Figure 468341DEST_PATH_IMAGE003
、
Figure 965182DEST_PATH_IMAGE004
分别表示第一权重值和第二权重值，x i 、y j 分别表示第一点云集合中的第一元素和第二点云集合中的第二元素，
Figure 943502DEST_PATH_IMAGE005
表示第一点云集合中的第一元素和第二点云集合中的第二元素的综合关联概率，p(x i ,y j )表示第一点云集合中的第一元素与第二点云集合中的第二元素属于同一关联矩阵的概率，
Figure 133175DEST_PATH_IMAGE006
表示第一点云集合中的第一元素与第二点云集合中的第二元素属于同一类别的概率，d j 表示第二点云集合中第j个索引，
Figure 829735DEST_PATH_IMAGE007
表示关联矩阵中位于ij位置的元素。
在一种可选的实施方式中，
所述装置还包括第五单元，用于：
确定所述运动轨迹中任一节点与其相邻的另外两个节点的轨迹紧密度，根据所述轨迹紧密度与预设紧密度阈值确定所述运动轨迹中各个节点的轨迹紧密度的重要程度，其中，所述轨迹紧密度用于指示所述运动轨迹中节点对运动轨迹保持的重要程度；
根据所述运动轨迹中各个节点的轨迹紧密度的重要程度的标准差，筛除所述运动轨迹中冗余节点，并按照所述运动轨迹中各个节点的轨迹紧密度的重要程度压缩所述运动轨迹。
本公开实施例的第三方面，
提供一种设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本公开实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
注意，除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims (10)

1.一种基于毫米波雷达的室内人员探测方法，其特征在于，包括：
基于毫米波雷达获取室内多个目标对象的雷达反馈信息，根据所述雷达反馈信息通过预设的点云聚类算法对所述雷达反馈信息进行聚类处理，确定所述多个目标对象对应的运动信息；
通过所述多个目标对象对应的运动信息，根据预设的多目标跟踪算法将所述毫米波雷达获取的当前雷达反馈信息与各个目标对象对应的运动信息进行关联，确定所述多个目标对象对应的运动轨迹；
根据所述运动轨迹对室内所述多个目标对象进行定位与跟踪，并在任一目标对象的运动轨迹符合预设报警条件时，向目标对象的监护人员发送报警信息。
2.根据权利要求1所述的基于毫米波雷达的室内人员探测方法，其特征在于，所述根据所述雷达反馈信息通过预设的点云聚类算法对所述雷达反馈信息进行聚类处理之前，还包括：
确定所述雷达反馈信息在多个预设调频周期的频谱信息，根据相邻预设调频周期的频谱信息筛除所述雷达反馈信息中的第一杂波信息，得到中间滤波信息，其中，所述第一杂波信息用于指示多个目标对象所在室内环境的固定目标所产生的杂波信息；
对所述中间滤波信息，通过粒子滤波算法，筛除所述中间滤波信息中的第二杂波信息，得到清洁运动信息，其中，所述第二杂波信息用于指示所述中间滤波信息所包含的杂波分量与噪声信息。
3.根据权利要求2所述的基于毫米波雷达的室内人员探测方法，其特征在于，所述根据所述雷达反馈信息通过预设的点云聚类算法对所述雷达反馈信息进行聚类处理包括：
基于所述清洁运动信息中各个点云之间的距离阈值通过所述预设的点云聚类算法进行第一聚类，得到第一聚类信息，其中，所述第一聚类信息用于指示同一类型对象的聚类信息；
将所述第一聚类信息中任一特征作为特征初始值，确定所述特征初始值与所述第一聚类信息中其他特征的聚类相关度；
若所述聚类相关度小于预设聚类阈值，则将聚类相关度小于预设聚类阈值的特征作为新的特征初始值，并重新计算新的特征初始值与所述第一聚类信息中其他特征的聚类相关度；
若所述聚类相关度大于预设聚类阈值，则将所述聚类相关度大于预设聚类阈值的特征与所述特征初始值进行聚类，直至完成所述第一聚类信息中所有特征的聚类。
4.根据权利要求3所述的基于毫米波雷达的室内人员探测方法，其特征在于，所述根据所述雷达反馈信息通过预设的点云聚类算法对所述雷达反馈信息进行聚类处理还包括：
按照如下公式进行聚类处理：
Figure 598309DEST_PATH_IMAGE001
其中，R(M,N)表示集合M和集合N的聚类相关度，集合M=[x 1 ,x 2 ,…,x k ]表示特征初始值的集合，集合N=[y 1 ,y 2 ,…,y l ]表示除特征初始值以外特征的集合，D(M X ,N Y )表示集合M和集合N的空间距离，k、l分别表示集合M和集合N的特征的数量，C(Mx) 表示集合M中各个特征的相关性、C(Ny) 表示集合N中各个特征的相关性、C(Mx, Ny)表示集合M中特征和集合N中特征的相关性。
5.根据权利要求1所述的基于毫米波雷达的室内人员探测方法，其特征在于，所述根据预设的多目标跟踪算法将所述毫米波雷达获取的当前雷达反馈信息与各个目标对象对应的运动信息进行关联的方法包括：
将所述毫米波雷达获取的当前雷达反馈信息进行点云过滤后构建第一点云集合，构建所述各个目标对象对应的运动信息对应的第二点云集合；
分别为所述第一点云集合中的第一元素分配第一权重值，为所述第二点云集合中的第二元素分配第二权重值，
根据所述第一点云集合和第一权重值，以及所述第二点云集合和所述第二权重值，确定所述当前雷达反馈信息与各个目标对象对应的运动信息的关联概率值；
根据所述关联概率值，以及通过所述毫米波雷达所获取的各个目标对象的运动速率信息、相位信息，确定所述多个目标对象对应的运动轨迹。
6.根据权利要求5所述的基于毫米波雷达的室内人员探测方法，其特征在于，
所述确定所述当前雷达反馈信息与各个目标对象对应的运动信息的关联概率值包括：
Figure 712896DEST_PATH_IMAGE002
其中，L(X,Y)表示关联概率值，m，n分别表示第一点云集合的元素数量和第二点云集合的元素数量，
Figure 759349DEST_PATH_IMAGE003
、
Figure 479044DEST_PATH_IMAGE004
分别表示第一权重值和第二权重值，x i 、y j 分别表示第一点云集合中的第一元素和第二点云集合中的第二元素，
Figure 319961DEST_PATH_IMAGE005
表示第一点云集合中的第一元素和第二点云集合中的第二元素的综合关联概率，p(x i ,y j )表示第一点云集合中的第一元素与第二点云集合中的第二元素属于同一关联矩阵的概率，
Figure 187423DEST_PATH_IMAGE006
表示第一点云集合中的第一元素与第二点云集合中的第二元素属于同一类别的概率，d j 表示第二点云集合中第j个索引，
Figure 975250DEST_PATH_IMAGE007
表示关联矩阵中位于ij位置的元素。
7.根据权利要求1所述的基于毫米波雷达的室内人员探测方法，其特征在于，所述确定所述多个目标对象对应的运动轨迹之后，还包括：
确定所述运动轨迹中任一节点与其相邻的另外两个节点的轨迹紧密度，根据所述轨迹紧密度与预设紧密度阈值确定所述运动轨迹中各个节点的轨迹紧密度的重要程度，其中，所述轨迹紧密度用于指示所述运动轨迹中节点对运动轨迹保持的重要程度；
根据所述运动轨迹中各个节点的轨迹紧密度的重要程度的标准差，筛除所述运动轨迹中冗余节点，并按照所述运动轨迹中各个节点的轨迹紧密度的重要程度压缩所述运动轨迹。
8.一种基于毫米波雷达的室内人员探测装置，其特征在于，包括：
第一单元，用于基于毫米波雷达获取室内多个目标对象的雷达反馈信息，根据所述雷达反馈信息通过预设的点云聚类算法对所述雷达反馈信息进行聚类处理，确定所述多个目标对象对应的运动信息；
第二单元，用于通过所述多个目标对象对应的运动信息，根据预设的多目标跟踪算法将所述毫米波雷达获取的当前雷达反馈信息与各个目标对象对应的运动信息进行关联，确定所述多个目标对象对应的运动轨迹；
第三单元，用于根据所述运动轨迹对室内所述多个目标对象进行定位与跟踪，并在任一目标对象的运动轨迹符合预设报警条件时，向目标对象的监护人员发送报警信息。
9.一种设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的基于毫米波雷达的室内人员探测方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的基于毫米波雷达的室内人员探测方法。
CN202211545960.7A 2022-12-05 2022-12-05 基于毫米波雷达的室内人员探测方法、装置、设备及介质 Active CN115542308B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211545960.7A CN115542308B (zh) 2022-12-05 2022-12-05 基于毫米波雷达的室内人员探测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211545960.7A CN115542308B (zh) 2022-12-05 2022-12-05 基于毫米波雷达的室内人员探测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN115542308A true CN115542308A (zh) 2022-12-30
CN115542308B CN115542308B (zh) 2023-03-31

Family

ID=84722623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211545960.7A Active CN115542308B (zh) 2022-12-05 2022-12-05 基于毫米波雷达的室内人员探测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115542308B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115792890A (zh) * 2023-02-06 2023-03-14 成都九洲迪飞科技有限责任公司 基于凝聚量测自适应互联的雷达多目标跟踪方法及系统
CN116879863A (zh) * 2023-09-09 2023-10-13 德心智能科技(常州)有限公司 一种连续波4d毫米波雷达多目标测量方法及系统
CN117906617A (zh) * 2024-03-19 2024-04-19 深圳森磊弘泰消防科技有限公司 一种基于bim数据的室内融合定位的移动设备及定位方法
CN117908018A (zh) * 2024-03-19 2024-04-19 清澜技术(深圳)有限公司 一种挥手告警方法、系统、设备及存储介质

Citations (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070133840A1 (en) * 2005-11-04 2007-06-14 Clean Earth Technologies, Llc Tracking Using An Elastic Cluster of Trackers
EP2600171A1 (en) * 2011-11-30 2013-06-05 Selex Sistemi Integrati S.P.A. Mode S anti-reflection algorithm for eliminating false tracks due to reflected replies in ground radar systems
CN103593361A (zh) * 2012-08-14 2014-02-19 中国科学院沈阳自动化研究所 感应网络环境下移动时空轨迹分析方法
CN104050641A (zh) * 2014-06-09 2014-09-17 中国人民解放军海军航空工程学院 基于形状方位描述符的集中式多传感器编队目标粒子滤波算法
US20170285158A1 (en) * 2013-08-28 2017-10-05 Max Peter HALBERT Radar system and associated apparatus and methods
CN109212521A (zh) * 2018-09-26 2019-01-15 同济大学 一种基于前视相机与毫米波雷达融合的目标跟踪方法
CN109709589A (zh) * 2019-01-09 2019-05-03 深圳市芯鹏智能信息有限公司 一种海空区域立体感知防控系统
CN110441788A (zh) * 2019-07-31 2019-11-12 北京理工大学 一种基于单线激光雷达的无人艇环境感知方法
CN110647626A (zh) * 2019-07-30 2020-01-03 浙江工业大学 基于互联网服务域的rest数据服务聚类方法
CN110690914A (zh) * 2019-11-21 2020-01-14 郑州大学 一种基于物理层安全的毫米波大规模mimo-noma系统下混合预编码设计方法
CN111351491A (zh) * 2018-12-24 2020-06-30 长城汽车股份有限公司 目标数据融合方法及系统
CN111708021A (zh) * 2020-07-15 2020-09-25 四川长虹电器股份有限公司 一种基于毫米波雷达的人员跟踪与识别算法
US20200331146A1 (en) * 2017-02-07 2020-10-22 Clara Vu Dynamic, interactive signaling of safety-related conditions in a monitored environment
CN112379393A (zh) * 2020-10-29 2021-02-19 中车株洲电力机车研究所有限公司 一种列车碰撞预警方法及其装置
CN113064155A (zh) * 2021-03-18 2021-07-02 沈阳理工大学 一种空中雷达多目标跟踪下航迹关联的优化方法
CN113848545A (zh) * 2021-09-01 2021-12-28 电子科技大学 一种基于视觉和毫米波雷达的融合目标检测和跟踪方法
CN114137526A (zh) * 2021-10-31 2022-03-04 际络科技(上海)有限公司 基于标签的车载毫米波雷达多目标检测方法和系统
CN114217308A (zh) * 2021-12-07 2022-03-22 德心智能科技(常州)有限公司 一种基于毫米波雷达的室内人员跌倒检测方法
CN114366052A (zh) * 2021-12-21 2022-04-19 山东师范大学 一种基于毫米波雷达的养老院智能监护系统及方法
CN114419152A (zh) * 2022-01-14 2022-04-29 中国农业大学 一种基于多维度点云特征的目标检测与跟踪方法及系统
CN114509750A (zh) * 2022-01-21 2022-05-17 上海交通大学 一种基于多航海雷达的水上目标追踪方法
CN114660592A (zh) * 2022-03-21 2022-06-24 大连理工大学 一种基于毫米波雷达点云数据的室内人员信息检测方法
CN114814820A (zh) * 2022-05-12 2022-07-29 重庆交通职业学院 一种基于毫米波雷达的多扩展目标跟踪方法及其设备
CN114994656A (zh) * 2021-11-16 2022-09-02 上海昉恩智能科技有限公司 一种基于毫米波雷达的室内人员跟踪方法
CN115015907A (zh) * 2022-05-12 2022-09-06 大连海事大学 一种基于稀疏表示的粒子滤波检测前跟踪方法及装置
CN115052338A (zh) * 2022-06-13 2022-09-13 朱留青 一种基于远程报警的智能家居家庭安防系统
CN115131756A (zh) * 2022-06-28 2022-09-30 上海高德威智能交通系统有限公司 一种目标检测方法及装置
CN115220028A (zh) * 2022-07-14 2022-10-21 浙江德清知路导航科技有限公司 基于毫米波的无携带设备定位与居家活动感知方法
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

Patent Citations (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070133840A1 (en) * 2005-11-04 2007-06-14 Clean Earth Technologies, Llc Tracking Using An Elastic Cluster of Trackers
EP2600171A1 (en) * 2011-11-30 2013-06-05 Selex Sistemi Integrati S.P.A. Mode S anti-reflection algorithm for eliminating false tracks due to reflected replies in ground radar systems
CN103593361A (zh) * 2012-08-14 2014-02-19 中国科学院沈阳自动化研究所 感应网络环境下移动时空轨迹分析方法
US20170285158A1 (en) * 2013-08-28 2017-10-05 Max Peter HALBERT Radar system and associated apparatus and methods
CN104050641A (zh) * 2014-06-09 2014-09-17 中国人民解放军海军航空工程学院 基于形状方位描述符的集中式多传感器编队目标粒子滤波算法
US20200331146A1 (en) * 2017-02-07 2020-10-22 Clara Vu Dynamic, interactive signaling of safety-related conditions in a monitored environment
CN109212521A (zh) * 2018-09-26 2019-01-15 同济大学 一种基于前视相机与毫米波雷达融合的目标跟踪方法
CN111351491A (zh) * 2018-12-24 2020-06-30 长城汽车股份有限公司 目标数据融合方法及系统
CN109709589A (zh) * 2019-01-09 2019-05-03 深圳市芯鹏智能信息有限公司 一种海空区域立体感知防控系统
CN110647626A (zh) * 2019-07-30 2020-01-03 浙江工业大学 基于互联网服务域的rest数据服务聚类方法
CN110441788A (zh) * 2019-07-31 2019-11-12 北京理工大学 一种基于单线激光雷达的无人艇环境感知方法
CN110690914A (zh) * 2019-11-21 2020-01-14 郑州大学 一种基于物理层安全的毫米波大规模mimo-noma系统下混合预编码设计方法
CN111708021A (zh) * 2020-07-15 2020-09-25 四川长虹电器股份有限公司 一种基于毫米波雷达的人员跟踪与识别算法
CN112379393A (zh) * 2020-10-29 2021-02-19 中车株洲电力机车研究所有限公司 一种列车碰撞预警方法及其装置
CN113064155A (zh) * 2021-03-18 2021-07-02 沈阳理工大学 一种空中雷达多目标跟踪下航迹关联的优化方法
CN113848545A (zh) * 2021-09-01 2021-12-28 电子科技大学 一种基于视觉和毫米波雷达的融合目标检测和跟踪方法
CN114137526A (zh) * 2021-10-31 2022-03-04 际络科技(上海)有限公司 基于标签的车载毫米波雷达多目标检测方法和系统
CN114994656A (zh) * 2021-11-16 2022-09-02 上海昉恩智能科技有限公司 一种基于毫米波雷达的室内人员跟踪方法
CN114217308A (zh) * 2021-12-07 2022-03-22 德心智能科技(常州)有限公司 一种基于毫米波雷达的室内人员跌倒检测方法
CN114366052A (zh) * 2021-12-21 2022-04-19 山东师范大学 一种基于毫米波雷达的养老院智能监护系统及方法
CN114419152A (zh) * 2022-01-14 2022-04-29 中国农业大学 一种基于多维度点云特征的目标检测与跟踪方法及系统
CN114509750A (zh) * 2022-01-21 2022-05-17 上海交通大学 一种基于多航海雷达的水上目标追踪方法
CN114660592A (zh) * 2022-03-21 2022-06-24 大连理工大学 一种基于毫米波雷达点云数据的室内人员信息检测方法
CN114814820A (zh) * 2022-05-12 2022-07-29 重庆交通职业学院 一种基于毫米波雷达的多扩展目标跟踪方法及其设备
CN115015907A (zh) * 2022-05-12 2022-09-06 大连海事大学 一种基于稀疏表示的粒子滤波检测前跟踪方法及装置
CN115052338A (zh) * 2022-06-13 2022-09-13 朱留青 一种基于远程报警的智能家居家庭安防系统
CN115131756A (zh) * 2022-06-28 2022-09-30 上海高德威智能交通系统有限公司 一种目标检测方法及装置
CN115220028A (zh) * 2022-07-14 2022-10-21 浙江德清知路导航科技有限公司 基于毫米波的无携带设备定位与居家活动感知方法
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

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
H. ZHANG, Z. DUAN, N. ZHENG, Y. LI, Y. ZENG AND W. SHI: "An Efficient Class-Constrained DBSCAN Approach for Large-Scale Point Cloud Clustering", 《IEEE》 *
J. VERMAAK等: "Monte Carlo filtering for multi target tracking and data association", 《IEEE》 *
RODRIGUEZ, SIR等: "Fuzzy clustering algorithms with distance metric learning and entropy regularization", 《APPLIED SOFT COMPUTING》 *
刘洪彬: "复杂场景下基于检测的数据关联多目标跟踪方法研究", 《中国优秀博士学位论文全文数据库 信息科技辑》 *
吕义民: "基于距离变换的运动轨迹聚类分析研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
张欢庆: "基于随机有限集的多目标跟踪及航迹维持算法研究", 《中国博士学位论文全文数据库 信息科技辑》 *
童文浩: "基于雷达的室内运动目标识别与跟踪系统的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
郝美薇: "基于密度的K-means算法在轨迹数据聚类中的优化", 《计算机应用》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115792890A (zh) * 2023-02-06 2023-03-14 成都九洲迪飞科技有限责任公司 基于凝聚量测自适应互联的雷达多目标跟踪方法及系统
CN115792890B (zh) * 2023-02-06 2023-08-15 成都九洲迪飞科技有限责任公司 基于凝聚量测自适应互联的雷达多目标跟踪方法及系统
CN116879863A (zh) * 2023-09-09 2023-10-13 德心智能科技(常州)有限公司 一种连续波4d毫米波雷达多目标测量方法及系统
CN116879863B (zh) * 2023-09-09 2023-12-05 德心智能科技(常州)有限公司 一种连续波4d毫米波雷达多目标测量方法及系统
CN117906617A (zh) * 2024-03-19 2024-04-19 深圳森磊弘泰消防科技有限公司 一种基于bim数据的室内融合定位的移动设备及定位方法
CN117908018A (zh) * 2024-03-19 2024-04-19 清澜技术(深圳)有限公司 一种挥手告警方法、系统、设备及存储介质
CN117906617B (zh) * 2024-03-19 2024-05-24 深圳森磊弘泰消防科技有限公司 一种基于bim数据的室内融合定位的移动设备及定位方法

Also Published As

Publication number Publication date
CN115542308B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
CN115542308B (zh) 基于毫米波雷达的室内人员探测方法、装置、设备及介质
US10706285B2 (en) Automatic ship tracking method and system based on deep learning network and mean shift
Lakshmanan et al. An automated technique to quality control radar reflectivity data
Yang et al. Dense people counting using IR-UWB radar with a hybrid feature extraction method
Johnson et al. The storm cell identification and tracking algorithm: An enhanced WSR-88D algorithm
Choi et al. People counting using IR-UWB radar sensor in a wide area
CN110488264A (zh) 人员检测方法、装置、电子设备及存储介质
US9075143B2 (en) Sparse array RF imaging for surveillance applications
CN116027324B (zh) 基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备
CN115220133A (zh) 一种多气象要素降雨预测方法、装置、设备及存储介质
WO2020111934A1 (en) A method and system for detection of natural disaster occurrence
CN112946630A (zh) 一种基于毫米波雷达的人员计数跟踪方法
CN115422962A (zh) 一种基于毫米波雷达和深度学习算法的姿态和手势识别方法及装置
CN117872354B (zh) 一种多毫米波雷达点云的融合方法、装置、设备及介质
CN115291184A (zh) 一种毫米波雷达与深度学习结合的姿态监测方法
Lu et al. Tropical cyclone size identification over the Western North Pacific using support vector machine and general regression neural network
CN111538918B (zh) 一种推荐方法、装置、电子设备及存储介质
Li et al. Gait Recognition Using Spatio‐Temporal Information of 3D Point Cloud via Millimeter Wave Radar
Georgy et al. Unconstrained underwater multi-target tracking in passive sonar systems using two-stage PF-based technique
CN117434507A (zh) 使用可解释人工智能对机器学习算法的训练
Enoch et al. A Comparative Performance Study of Support Vector Machine, KNN, and Ensemble Classifiers on through-wall human detection Dataset
Gal et al. Tracking objects using PHD filter for USV autonomous capabilities
CN113221709B (zh) 用于识别用户运动的方法、装置及热水器
DK180729B1 (en) System for processing radar data representing intensity values of received power of reflected radar wave signals
Susithra et al. Deep learning-based activity monitoring for smart environment using radar

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