CN115754967A - 一种基于毫米波雷达人体跌倒检测方法 - Google Patents
一种基于毫米波雷达人体跌倒检测方法 Download PDFInfo
- Publication number
- CN115754967A CN115754967A CN202211501174.7A CN202211501174A CN115754967A CN 115754967 A CN115754967 A CN 115754967A CN 202211501174 A CN202211501174 A CN 202211501174A CN 115754967 A CN115754967 A CN 115754967A
- Authority
- CN
- China
- Prior art keywords
- millimeter wave
- wave radar
- doppler
- spectrogram
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000033001 locomotion Effects 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 5
- 238000005452 bending Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 206010019196 Head injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于毫米波雷达人体跌倒检测方法，该方法通过对毫米波雷达的回波信号进行信号处理，得到待测区域的运动目标的高度变化参数ΔH、宽高比Q以及多普勒谱图，通过多普勒谱图检测突发事件，一旦有突发事件发生，则获取突发事件周围谱图，通过对谱图去噪，提取谱图的极端频率幅值、极端频率比和事件长度这三个特征，联合当前高度变化参数ΔH和宽高比Q这两个特征输入到神经网络进行训练学习，然后对跌倒进行检测。具有覆盖范围比较广，代码复杂度低，计算速度快，跌倒的误判和漏判率低等优点。
Description
技术领域
本发明涉及雷达检测领域，更具体地，本发明涉及一种基于毫米波雷达人体跌倒检测方法。
背景技术
在家中活动时跌倒，是老年人最常面临的意外事故，老年人跌倒大约10％-20％会导致严重损伤如骨折、头部创伤，甚至死亡。跌倒后部分老年人由于没有得到及时救援，损伤发展导致严重后果。通过在家中安装视频监控或者雷达对老年人跌倒进行检测是目前研发的一个方向。
目前，有使用雷达检测的信号能量大小、运动姿态数据、时间-多普勒热度图进行卷积神经网络学习跌倒判定的方法，但上述方法的特征较为单一，出现误判或漏判的概率较大，主要表现为：不能有效的解决由于人体姿态多样性、虚假目标干扰导致不同姿态人体目标检测精准率、召回率低的问题；不能解决由于人体行为动作复杂性导致跌倒与类跌倒的不易区分,导致误判的问题。
发明内容
本发明克服了现有技术的不足，提供一种基于毫米波雷达人体跌倒检测方法，以期望可以解决现有技术对跌倒检测容易误判或漏判问题。
为解决上述的技术问题，本发明的一种实施方式采用以下技术方案：
一种基于毫米波雷达人体跌倒检测方法，包括以下步骤：
对待测空间范围通过毫米波雷达发射电磁波信号，接受回波信号，对回波信号进行处理；
所述回波信号处理包括，通过傅里叶变换提取目标，目标点迹径向速度、距离和角度，得到目标点迹；
使用一个最小立方体把所有点迹全部包含进去，以正对雷达的水平面垂直切割最小立方体，形成一个最小矩形，计算最小矩形的宽高比Q，即目标点云的宽高比Q；
记录最小矩形中心的高度变化情况，每n帧计算一个高度的变化量ΔH，n取5～100；
ΔH＝M1-M2
M1为当前第m帧与第m帧之前的n-1帧最小矩形中心的高度数据平均值；
M2为第m-n帧与第m-n帧之前n-1帧最小矩形中心的高度数据平均值；
对目标所在的距离bin，通过联合时频分析方法，获得不同时刻下的时变多普勒频率，即多普勒频谱；
通过多普勒频谱的能量分布检测突发事件，将突发事件发生前后各1秒～5秒的多普勒谱图提取出来，获取2秒～10秒大小的谱图；
检测到的突发时间通常认为是跌倒，也就是峰值对应的位置；
将获取到的谱图进行图像分割和形态学处理，从处理后的谱图中提取极端频率幅值、极端频率比和事件长度三个特征；
将极端频率幅值、极端频率比、事件长度、ΔH以及宽高比Q进行输入卷积神经网络进行训练学习，然后对跌倒进行检测。
对于跌倒，由于整个身体的平移运动，高能谱图集中在正频率或负频率上，导致了较高的极端频率比。而其他类型的运动，如坐和站，往往在正频段和负频段都表现出较高的能量含量，因为不同的身体部位表现出不同的运动模式，因此对应一个较低的极端频率比，因此使用极端频率比能够将跌倒与其他运动区分开来，达到较好的识别效果。
进一步的技术方案为，所述毫米波雷达采用66GHz毫米波宽带雷达。
更进一步的技术方案为，所述的一种基于毫米波雷达人体跌倒检测方法，其特征在于，所述待测空间范围为4m*4m。
更进一步的技术方案为，所述回波信号处理还包括以下步骤，先利用点迹的位置，再利用点迹信噪比值信息找出信噪比峰值点，再对点迹进行聚类，聚类过程中将一些信噪比值低的噪声点删除。
通过上述处理能够达到排除室内部分物体干扰的目的。
更进一步的技术方案为，所述每n帧计算一个高度的变化量ΔH，n取10。
更进一步的技术方案为，所述将突发事件发生前后各1秒～5秒的多普勒谱图提取出来，具体为，取峰值位置前后各2.5秒的多普勒谱图，获取了一个5秒大小的谱图。
更进一步的技术方案为，所述通过多普勒频谱的能量分布检测突发事件的方法具体包括以下步骤，通过计算各个时间下80～100Hz范围内以及对应的负频率范围内多普勒值的平方的和，形成能量曲线，当能量曲线出现的峰值超过一定阈值，即认为该峰值处有突发事件。
更进一步的技术方案为，所述图像分割是阈值分割，即确定一个合适的阈值，将灰度时频表示分割成目标事件和背景噪声区域，主要目的是去噪，又一次滤除其他物体的干扰；
所述形态学处理，是将位于紧密位置的断节桥接在一起，频谱图可能包含弱分量，特别是在极端频率附近，这可能会在频谱图分割后产生破碎的片段，所述形态学处理，可以将位于紧密位置的断节桥接在一起。另一方面，去除断开的区域只会保留代表目标活动的显著时频区域。
更进一步的技术方案为，在完成跌倒检测后，将所述目标点迹凝聚为不同区域，将凝聚好的点迹区域按条件匹配给已知航迹，得到目标的运动轨迹，跟踪目标区域内的人员运动状态，判定人员是否跌倒。
通过跟踪目标区域内的人员运动状态，可以排除弯腰正常行走、正常行走时弯腰、正常行走时下蹲、从座位上突然起身、行走时弯腰等类跌倒动作，减少误报，如若仍判断为跌倒则确认为跌倒。
与现有技术相比，本发明至少具有以下有益效果：本发明综合了时域、频域、空间域以及多普勒特征，对跌倒的事件行为有了全面的概括，提出将极端频率幅值、极端频率比、事件长度、高度的变化趋势以及宽高比作为特征进行机器学习，又利用目标区域内的人员运动状态对跌倒进行再确认，大大减小了跌倒的误判和漏判几率。同时，本发明提供的人体跌倒检测方法具有覆盖范围比较广，能方便，准确的实现独居老人或者医院内活动的病人监测，代码复杂度低，计算速度快，检测准确率高等优点，能够适应诸多场景。
附图说明
图1为本发明实施例的流程示意图。
图2为点云聚类示意图。
图3为点云中心及宽高获取示意图。
图4为信号处理算法与卷积神经训练检测流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1、图2所示，一种基于毫米波雷达人体跌倒检测方法，包括以下步骤：
S1、对待测空间范围通过毫米波雷达发射电磁波信号，接受回波信号，并对回波信号进行处理；
所述毫米波雷达采用66GHz毫米波宽带雷达，待测空间范围为4m*4m；
所述对回波信号进行处理包括以下步骤，对所接收到的信号进行傅里叶变换提取目标，利用CFAR检测器对目标点迹径向速度、距离和角度粗略测量，先利用点迹的位置，得到目标点迹；
S2、利用点迹信噪比值信息找出信噪比峰值点，再对点迹进行聚类，聚类过程中将一些信噪比值低的噪声点删除，如图3所示，以此达到排除室内部分物体干扰的目的；
S3、使用一个最小立方体把所有点迹全部包含进去，以正对雷达的水平面垂直切割最小立方体，形成一个最小矩形，计算最小矩形的宽高比Q，即目标点云的宽高比Q；
如图4所示，01为雷达的位置，02是能包裹目标点云的最小立方体，03是能包含目标点云的最小矩阵，该矩阵为正对雷达的垂直切面，04是正对雷达的最小矩形的中心，05是最小矩阵Z方向的长度，即最小矩形的高，06是最小矩阵X方向的长度，最小矩形的宽。
S4、记录最小矩形中心04的高度变化情况，每n帧计算一个高度的变化量ΔH，n可以取5～100，在本实施例中n为10；
ΔH＝M1-M2
M1为当前第30帧与第30帧之前的9帧最小矩形中心的高度数据平均值；
M2为第20帧与第20帧之前的9帧最小矩形中心的高度数据平均值；
S5、对目标所在的距离bin,通过联合时频分析方法，获得不同时刻下的时变多普勒频率，即多普勒频谱。
所述联合时频分析方法，为短时傅里叶变换，获得不同时刻下的时变多普勒频率；
S6、通过多普勒频谱的能量分布检测突发事件，计算特定频率范围内多普勒能量的分布曲线，当出现某一峰值，且该峰值超过一定阈值即认为该峰值处有突发事件；
所述多普勒能量曲线的计算即计算各个时间下80～100Hz范围内以及对应的负频率范围内多普勒值的平方的和，形成能量曲线，当能量曲线出现的峰值超过一定阈值，即认为该峰值处有突发事件；
S7、检测到的突发时间通常认为是跌倒，也就是峰值对应的位置，获取峰值位置前后各2.5秒的多普勒谱图，获取了一个5秒大小的谱图；
S8、将获取到的谱图进行图像分割和形态学处理；
所述图像分割是通过适当的阈值分割。确定一个合适的阈值，将灰度时频表示分割成目标事件和背景噪声区域；所述形态学处理，是将位于紧密位置的断节桥接在一起，
从处理后的谱图中提取极端频率幅值、极端频率比和事件长度三个特征；
当与其他类型的观察运动相比，临界跌倒经常表现出一个高的极端频率幅度，所述极端频率幅值为正频率范围的最大频率和负频率范围的最小频率之差。
对于跌倒，由于整个身体的平移运动，高能谱图集中在正频率或负频率上，导致了较高的极端频率比。另一方面，其他类型的运动，如坐和站，往往在正频段和负频段都表现出较高的能量含量，因为不同的身体部位表现出不同的运动模式，因此对应一个较低的极端频率比。所述极限频率比为正频率范围的最大频率和负频率范围的最小频率之比与负频率范围的最小频率和正频率范围的最大频率之比两者比较后的较大值。
不同的运动模式被比较，通常表现出不同的时间跨度，所述事件长度是指极端频率发生的时间与事件开始的时间之差。
S9、将极端频率幅值、极端频率比、事件长度、ΔH以及宽高比Q进行输入卷积神经网络进行训练学习，然后对跌倒进行检测。
如图2所示，所述神经网络为卷积神经网络，层数为5层，包含3个卷积层和两个全连接层。
S10、将所述目标点迹凝聚为不同区域，将凝聚好的点迹区域按条件匹配给已知航迹，得到目标的运动轨迹，跟踪目标区域内的人员运动状态，判定人员是否跌倒。
通过跟踪目标区域内的人员运动状态，可以排除弯腰等类跌倒动作，减少误报，如若仍判断为跌倒则确认为跌倒。
本发明通过对毫米波雷达的回波信号进行信号处理，得到待测区域的运动目标的高度变化参数ΔH、宽高比Q以及多普勒谱图，通过多普勒谱图检测突发事件，一旦有突发事件发生，则获取突发事件周围谱图，通过对谱图去噪，提取谱图的极端频率幅值、极端频率比和事件长度这三个特征，联合当前高度变化参数ΔH和宽高比Q这两个特征输入到神经网络进行训练学习，然后对跌倒进行检测。
尽管这里参照本发明的解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变型和改进外，对于本领域技术人员来说，其他的用途也将是明显的。
Claims (9)
1.一种基于毫米波雷达人体跌倒检测方法，其特征在于，包括以下步骤：
对待测空间范围通过毫米波雷达发射电磁波信号，接受回波信号，对回波信号进行处理；
所述回波信号处理包括，通过傅里叶变换提取目标，目标点迹径向速度、距离和角度，得到目标点迹；
使用一个最小立方体把所有点迹全部包含进去，以正对雷达的水平面垂直切割最小立方体，形成一个最小矩形，计算最小矩形的宽高比Q，即目标点云的宽高比Q；
记录最小矩形中心的高度变化情况，每n帧计算一个高度的变化量ΔH，n取5～100；
ΔH＝M1-M2
M1为当前第m帧与第m帧之前的n-1帧最小矩形中心的高度数据平均值；
M2为第m-n帧与第m-n帧之前n-1帧最小矩形中心的高度数据平均值；
对目标所在的距离bin，通过联合时频分析方法，获得不同时刻下的时变多普勒频率，即多普勒频谱；
通过多普勒频谱的能量分布检测突发事件，将突发事件发生前后各1秒～5秒的多普勒谱图提取出来，获取2秒～10秒大小的谱图；
将获取到的谱图进行图像分割和形态学处理，从处理后的谱图中提取极端频率幅值、极端频率比和事件长度三个特征；
将极端频率幅值、极端频率比、事件长度、ΔH以及宽高比Q进行输入卷积神经网络进行训练学习，然后对跌倒进行检测。
2.如权利要求1所述的一种基于毫米波雷达人体跌倒检测方法，其特征在于，所述毫米波雷达采用66GHz毫米波宽带雷达。
3.如权利要求1所述的一种基于毫米波雷达人体跌倒检测方法，其特征在于，所述待测空间范围为4m*4m。
4.如权利要求1所述的一种基于毫米波雷达人体跌倒检测方法，其特征在于，所述回波信号处理还包括以下步骤，先利用点迹的位置，再利用点迹信噪比值信息找出信噪比峰值点，再对点迹进行聚类，聚类过程中将一些信噪比值低的噪声点删除。
5.如权利要求1所述的一种基于毫米波雷达人体跌倒检测方法，其特征在于，所述每n帧计算一个高度的变化量ΔH，n取10。
6.如权利要求1所述的一种基于毫米波雷达人体跌倒检测方法，其特征在于，所述将突发事件发生前后各1秒～5秒的多普勒谱图提取出来，具体为，取峰值位置前后各2.5秒的多普勒谱图，获取了一个5秒大小的谱图。
7.如权利要求1所述的一种基于毫米波雷达人体跌倒检测方法，其特征在于，所述通过多普勒频谱的能量分布检测突发事件的方法具体包括以下步骤，通过计算各个时间下80～100Hz范围内以及对应的负频率范围内多普勒值的平方的和，形成能量曲线，当能量曲线出现的峰值超过一定阈值，即认为该峰值处有突发事件。
8.如权利要求1所述的一种基于毫米波雷达人体跌倒检测方法，其特征在于，所述图像分割是阈值分割；
所述形态学处理，是将位于紧密位置的断节桥接在一起。
9.如权利要求1-8任意一条所述的一种基于毫米波雷达人体跌倒检测方法，其特征在于，在完成跌倒检测后，将所述目标点迹凝聚为不同区域，将凝聚好的点迹区域按条件匹配给已知航迹，得到目标的运动轨迹，跟踪目标区域内的人员运动状态，判定人员是否跌倒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211501174.7A CN115754967A (zh) | 2022-11-28 | 2022-11-28 | 一种基于毫米波雷达人体跌倒检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211501174.7A CN115754967A (zh) | 2022-11-28 | 2022-11-28 | 一种基于毫米波雷达人体跌倒检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115754967A true CN115754967A (zh) | 2023-03-07 |
Family
ID=85339314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211501174.7A Pending CN115754967A (zh) | 2022-11-28 | 2022-11-28 | 一种基于毫米波雷达人体跌倒检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115754967A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117331047A (zh) * | 2023-12-01 | 2024-01-02 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的人体行为数据分析方法及系统 |
| CN118363021A (zh) * | 2024-06-19 | 2024-07-19 | 大连海事大学 | 一种基于数据与模型混合驱动的无线跌倒检测方法 |
-
2022
- 2022-11-28 CN CN202211501174.7A patent/CN115754967A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117331047A (zh) * | 2023-12-01 | 2024-01-02 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的人体行为数据分析方法及系统 |
| CN118363021A (zh) * | 2024-06-19 | 2024-07-19 | 大连海事大学 | 一种基于数据与模型混合驱动的无线跌倒检测方法 |
| CN118363021B (zh) * | 2024-06-19 | 2024-08-23 | 大连海事大学 | 一种基于数据与模型混合驱动的无线跌倒检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115754967A (zh) | 一种基于毫米波雷达人体跌倒检测方法 | |
| CN109031287B (zh) | 基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法 | |
| CN111481184B (zh) | 基于毫米波雷达技术的多目标呼吸心率监测方法与系统 | |
| US10775482B2 (en) | Human detection and identification in a setting using millimeter-wave radar | |
| CN112401856B (zh) | 一种基于毫米波雷达的疗养院监护方法及系统 | |
| Seifert et al. | Detection of gait asymmetry using indoor Doppler radar | |
| US20160048672A1 (en) | HERMA - Heartbeat Microwave Authentication | |
| CN112754441B (zh) | 一种基于毫米波的非接触式心跳检测方法 | |
| KR102221839B1 (ko) | 잡음 환경 내 실시간 심장 박동수 탐지 장치 및 그 방법 | |
| US20210080557A1 (en) | Human Target Tracking System and Method | |
| CN115345908B (zh) | 一种基于毫米波雷达的人体姿态识别方法 | |
| CN113854981A (zh) | 一种基于毫米波雷达的运动多人生命体征监测方法 | |
| CN111856455A (zh) | 匹配不同雷达带宽的多目标心率呼吸测量方法及系统 | |
| CN110161491B (zh) | 一种针对微弱生命体的测距和呼吸频率估计方法 | |
| KR20210001217A (ko) | 신호 분리 기반의 잡음 환경 내 실시간 생체 신호 탐지 장치 및 그 방법 | |
| EP1384092B1 (en) | System and method for detection and feature extraction in passive coherent location | |
| CN114814832A (zh) | 基于毫米波雷达的人体跌倒行为实时监测系统及监测方法 | |
| KR20210006225A (ko) | 레이더 기반 다중 객체 생체신호 측정방법 및 그 장치 | |
| CN112327288A (zh) | 雷达人体动作识别方法、装置、电子设备和存储介质 | |
| CN117530666B (zh) | 呼吸异常识别模型训练方法、呼吸异常识别方法及设备 | |
| CN114509749A (zh) | 一种室内定位检测系统及方法 | |
| CN114442079A (zh) | 目标对象的跌倒检测方法及装置 | |
| Yang et al. | Body orientation and vital sign measurement with IR-UWB radar network | |
| CN113288058B (zh) | 信号处理方法及装置 | |
| CN117491991A (zh) | 一种毫米波雷达室内静态人员检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |