CN115841707A - 基于深度学习的雷达人体姿态识别方法及相关设备 - Google Patents
基于深度学习的雷达人体姿态识别方法及相关设备 Download PDFInfo
- Publication number
- CN115841707A CN115841707A CN202211450090.5A CN202211450090A CN115841707A CN 115841707 A CN115841707 A CN 115841707A CN 202211450090 A CN202211450090 A CN 202211450090A CN 115841707 A CN115841707 A CN 115841707A
- Authority
- CN
- China
- Prior art keywords
- human body
- point cloud
- body posture
- cloud array
- data
- 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
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于深度学习的雷达人体姿态识别方法及相关设备,涉及雷达监测领域,主要为解决针对雷达领域的人体姿态识别,目前仍缺少一种通用性强且识别精准的方法的问题。该方法包括:获取人体姿态的初始点云数组和人体基础数据,其中,所述人体基础数据包括人体移动数据和人体生物活动数据;对所述人体姿态的初始点云数组进行增强以确定目标点云数组;基于所述目标点云数组和所述人体基础数据通过融合交互模型确定人体姿态。本发明用于基于深度学习的雷达人体姿态识别过程。
Description
技术领域
本发明涉及雷达监测领域,尤其涉及一种基于深度学习的雷达人体姿态识别方法及相关设备。
背景技术
人体姿态识别在智能家居,家庭长期监护,灾后的搜救以及公共场所监控等方面有着广泛的运用。现有的人体姿态识别方法根据传感器种类可分为可穿戴式和非接触式两类。可穿戴式传感器便携性差、容易损坏,准确率低。传统的非接触式视频传感器受光照影响而且侵犯隐私。基于雷达传感器的人体姿态识别由于具有非接触式,准确率高以及不受光照影响等优点,在长期的人体姿态识别方面有着巨大的潜力。
近年来深度学习飞速发展,被广泛应用于各个领域,针对图像姿态数据,目前已有大量的开源数据集,并且数据采集较为方便。而在雷达领域,由于数据采集的困难以及通用性等问题,在姿态识别领域使用雷达点云数据应用深度学习方法时,易发生网络过拟合等问题。
因此,如何结合雷达信号的特性与传感器的参数实现基于雷达点云数据进行可靠的人体姿态判定仍是当下亟需解决的技术问题。
发明内容
鉴于上述问题,本发明提供一种基于深度学习的雷达人体姿态识别方法及相关设备,主要目的在于解决针对雷达领域的人体姿态识别,目前仍缺少一种通用性强且识别精准的方法的问题。
为解决上述至少一种技术问题,第一方面,本发明提供了一种基于深度学习的雷达人体姿态识别方法,该方法包括:
获取人体姿态的初始点云数组和人体基础数据,其中,上述人体基础数据包括人体移动数据和人体生物活动数据;
对上述人体姿态的初始点云数组进行增强以确定目标点云数组;
基于上述目标点云数组和上述人体基础数据通过融合交互模型确定人体姿态。
可选的,上述对上述人体姿态的初始点云数组进行增强以确定目标点云数组,包括:
对上述人体姿态的初始点云数组依次进行距离维度增强、角度维度增强和速度维度增强以确定目标点云数组。
可选的,上述方法还包括:
获取训练集的目标点云数组、人体移动数据和人体生物活动数据,其中,上述人体移动数据和人体生物活动数据为映射关系;
对上述人体移动数据进行训练以获取第一网络模型和对上述人体生物活动数据进行训练以获取第二网络模型;
基于上述第一网络模型确定人体姿态特征和基于上述第二网络模型确定人体生物特征,其中,上述人体生物特征包括人体呼吸特征和/或人体心跳特征;
将上述目标点云数组、上述人体姿态特征和上述人体生物特征进行特征融合以获取上述融合交互模型,其中,上述融合交互模型包括标准人体姿态数据集。
可选的,上述方法还包括:
基于不同的标准人体姿态特性对上述目标点云数组进行点云体素化处理以确定预处理点云数组;
基于上述预处理点云数组通过卷积神经网络模型建立上述标准人体姿态数据集。
可选的,上述基于上述目标点云数组和上述人体基础数据通过融合交互模型确定人体姿态,包括:
将上述目标点云数组和上述人体基础数据输入至上述融合交互模型以确定预估人体姿态;
在上述预估人体姿态与上述标准人体姿态的相似度大于预设值的情况下,确定上述预估人体姿态可信。
可选的,上述人体基础数据可以基于毫米波雷达获取。
可选的,上述方法还包括:
上述毫米波雷达基于预设周期检测上述探测区域内的人体姿态;
在检测到人体信息的情况下,切换工作状态和获取人体姿态的初始点云数组和人体基础数据;
在未检测到人体信息的情况下,保持静默状态。
第二方面,本发明实施例还提供了一种基于深度学习的雷达人体姿态识别装置,包括:
获取单元,用于获取人体姿态的初始点云数组和人体基础数据,其中,上述人体基础数据包括人体移动数据和人体生物活动数据;
增强单元,用于对上述人体姿态的初始点云数组进行增强以确定目标点云数组;
确定单元,用于基于上述目标点云数组和上述人体基础数据通过融合交互模型确定人体姿态。
为了实现上述目的,根据本发明的第三方面,提供了一种计算机可读存储介质,上述计算机可读存储介质包括存储的程序,其中,在上述程序被处理器执行时实现上述的基于深度学习的雷达人体姿态识别方法的步骤。
为了实现上述目的,根据本发明的第四方面,提供了一种电子设备,包括至少一个处理器、以及与上述处理器连接的至少一个存储器;其中,上述处理器用于调用上述存储器中的程序指令,执行上述的基于深度学习的雷达人体姿态识别方法的步骤。
借由上述技术方案,本发明提供的基于深度学习的雷达人体姿态识别方法及相关设备,对于针对雷达领域的人体姿态识别,目前仍缺少一种通用性强且识别精准的方法的问题,本发明通过获取人体姿态的初始点云数组和人体基础数据,其中,上述人体基础数据包括人体移动数据和人体生物活动数据;对上述人体姿态的初始点云数组进行增强以确定目标点云数组;基于上述目标点云数组和上述人体基础数据通过融合交互模型确定人体姿态。在上述方案中,基于雷达采集的真实人体姿态点云数据,可以进行多维度的数据增强,从而便于后续筛选符合特性要求的点云,由于使用针对人体姿态的融合交互模型进行预测判定,有效提升融合交互模型的判定性能,且由于采用了双元(人体移动数据和人体生物活动数据)特征交互判断的逻辑,有效的提高人体姿态的判定准确率和效率。
相应地,本发明实施例提供的基于深度学习的雷达人体姿态识别装置、设备和计算机可读存储介质,也同样具有上述技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种基于深度学习的雷达人体姿态识别方法的流程示意图;
图2示出了本发明实施例提供的一种基于深度学习的雷达人体姿态识别装置的组成示意框图;
图3示出了本发明实施例提供的一种基于深度学习的雷达人体姿态识别电子设备的组成示意框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了解决针对雷达领域的人体姿态识别,目前仍缺少一种通用性强且识别精准的方法的问题,本发明实施例提供了一种基于深度学习的雷达人体姿态识别方法,如图1所示,该方法包括:
S101、获取人体姿态的初始点云数组和人体基础数据,其中,上述人体基础数据包括人体移动数据和人体生物活动数据;
示例性的,本发明实施例通过雷达获取人体姿态的初始点云数组,得到的点云若为直角坐标系下的点云,需转化为极坐标系下的点云。
示例性的,上述人体移动数据和人体生物活动数据可以利用可见光摄像头和雷达等装置实时采集,获取待检测对象的生物活动,并对生物活动回波信号进行预处理确定,具体的,获取上述人体移动数据和人体生物活动数据的步骤为:使人体目标位于可见光和雷达传感器的检测区域内,利用可见光摄像头获取RGB视频序列雷达接收回波信号,雷达向目标用户的区域发射线性调频连续波接收的回波的延时会随着人体的运动而变化,雷达接收信号经过混频和滤波得到中频信号,在中频信号中包含目标生物活动的运动信息,从而增强相关信息、消除无用信息。
S102、对上述人体姿态的初始点云数组进行增强以确定目标点云数组;
示例性的,本发明实施例进行多维度的数据增强,并结合雷达本身特性筛选符合物理特性的点云,采用基于聚类算法对上述人体姿态的初始点云数组进行聚类,剔除不属于人体的异常干扰点,以确定目标点云数组,提高数据精准性。
S103、基于上述目标点云数组和上述人体基础数据通过融合交互模型确定人体姿态。
示例性的,本发明实施例由于使用针对人体姿态的融合交互模型进行预测判定,有效提升融合交互模型的判定性能,且由于使用融合交互模型提取人体姿态的内部特征,以目标点云数组和人体基础数据作为模型的输入,进一步简化了手工提取特征的固定且繁琐的步骤,端到端地实现了对人体姿态的多种本质特征的自动提取,从而有效提高模型的准确率和效率。
借由上述技术方案,本发明提供的基于深度学习的雷达人体姿态识别方法,对于针对雷达领域的人体姿态识别,目前仍缺少一种通用性强且识别精准的方法的问题,本发明通过获取人体姿态的初始点云数组和人体基础数据,其中,上述人体基础数据包括人体移动数据和人体生物活动数据;对上述人体姿态的初始点云数组进行增强以确定目标点云数组;基于上述目标点云数组和上述人体基础数据通过融合交互模型确定人体姿态。在上述方案中,基于雷达采集的真实人体姿态点云数据,可以进行多维度的数据增强,从而便于后续筛选符合特性要求的点云,由于使用针对人体姿态的融合交互模型进行预测判定,有效提升融合交互模型的判定性能,且由于采用了双元(人体移动数据和人体生物活动数据)特征交互判断的逻辑,有效的提高人体姿态的判定准确率和效率。
在一种实施例中,上述对上述人体姿态的初始点云数组进行增强以确定目标点云数组,包括:
对上述人体姿态的初始点云数组依次进行距离维度增强、角度维度增强和速度维度增强以确定目标点云数组。
示例性的,由于人体姿态点云在水平面关联紧密和在垂直面上分散性大的特性,故本发明实施例采用改进后的欧几里得距离代替传统欧几里得距离作为基于密度的聚类算法中的距离参数,减弱聚类过程中z轴的影响,从而得到距离维度增强后的点云数组。
示例性的,由于本发明实施例的雷达支持俯仰角与水平角的探测,因此可以同时对点云数据进行水平角维度和俯仰角维度的数组增强。然后将二者结合得到角度维扩展后的人体姿态点云数据。
示例性的,由于本发明实施例的雷达以固定帧率采集数据,当人体加速运动时,采集同一姿态动作的帧数将会减少,而采集的点云数组按时序分布,故还可以对速度维度进行增强。
示例性的,本发明实施例的目标点云数组组成不同距离、角度和速度的点云数据集。针对人体姿态点云数据特性,速度维度增强可以为神经网络提供包含更多信息量的不同速度的人体姿态点云数据,而距离维度平移与角度维度旋转相比对人体姿态点云分布改变较小,因此,三个维度的选择顺序为:速度维、角度维度、距离维度为最优,在组合扩展时,分配的权重依次递减。
在一种实施例中,上述方法还包括:
获取训练集的目标点云数组、人体移动数据和人体生物活动数据,其中,上述人体移动数据和人体生物活动数据为映射关系;
对上述人体移动数据进行训练以获取第一网络模型和对上述人体生物活动数据进行训练以获取第二网络模型;
基于上述第一网络模型确定人体姿态特征和基于上述第二网络模型确定人体生物特征,其中,上述人体生物特征包括人体呼吸特征和/或人体心跳特征;
将上述目标点云数组、上述人体姿态特征和上述人体生物特征进行特征融合以获取上述融合交互模型,其中,上述融合交互模型包括标准人体姿态数据集。
示例性的,上述人体移动数据和人体生物活动数据可以利用可见光摄像头和雷达等装置实时采集待检测对象的视频序列和呼吸心跳回波信号,并对呼吸心跳回波信号进行预处理确定,具体的,获取上述人体移动数据和人体生物活动数据的步骤为:使人体目标位于可见光和雷达传感器的检测区域内,利用可见光摄像头获取RGB视频序列雷达接收回波信号,雷达向目标用户的胸部区域发射线性调频连续波接收的回波的延时会随着胸腔的运动而变化,雷达接收信号经过混频和滤波得到中频信号,在中频信号中包含目标胸腔呼吸和心跳混合之后的运动信息,从而增强相关信息、消除无用信息。
示例性的,基于有限次实验可以发现人体的呼吸心跳波形信息与人体目标所在距离单元的相位有关系,通过提取一段时间内目标所在距离单元的相位信息,可以得到人体目标的呼吸心跳波形信息。上述标准人体姿态数据集用于作为参考标准。
在一种实施例中,上述方法还包括:
基于不同的标准人体姿态特性对上述目标点云数组进行点云体素化处理以确定预处理点云数组;
基于上述预处理点云数组通过卷积神经网络模型建立上述标准人体姿态数据集。
示例性的,通过体素化方法对点云进行预处理。遍历人体的全部点云获取人体姿态点云的三维坐标最大值与最小值,得到人体区域的长X,宽Y,高Z,将人体区域均匀划分为若干体块,并计算体块内所有点云的信噪比之和作为该体块的强度值,为后续建立标准人体姿态数据集提供数据基础。
示例性的,本发明实施例基于人体的常见姿态,人体主要运动部分划分为左臂、躯干与右臂三部分,使用长短期记忆网络对左臂、躯干、右臂和人体整体进行处理,同时对时间窗内的所有帧的人体姿态点云叠加聚合后使用卷积神经网络进行处理,采用决策后融合的方式,通过注意力机制模块调节这五部分的权重,得到人体姿态识别结果。
在一种实施例中,上述基于上述目标点云数组和上述人体基础数据通过融合交互模型确定人体姿态,包括:
将上述目标点云数组和上述人体基础数据输入至上述融合交互模型以确定预估人体姿态;
在上述预估人体姿态与上述标准人体姿态的相似度大于预设值的情况下,确定上述预估人体姿态可信。
示例性的,本发明实施例在确定上述融合交互模型后,实时获取目标人体的目标点云数组和上述人体基础数据,将已经获取的目标点云数组和人体呼吸特征和/或人体心跳特征进行交互融合,获得融合交互特征,输入至上述融合交互模型后,获取预估人体姿态,计算预估人体姿态与标准人体姿态的相似度,根据相似度评分确定预估人体姿态可信是否可信。
在一种实施例中,上述人体基础数据可以基于毫米波雷达获取。
示例性的,毫米波雷达传感器使用毫米波,与摄像头、红外、激光等光学传感器相比,毫米波雷达穿透雾、烟、灰尘的能力强,抗干扰能力强,具有全天候全天时的特点,毫米波雷达通过雷达天线发射电磁波信号,并同步接收目标反射后的回波信号,处理器通过解析回波信号的波形参量,反馈目标人体的距离、方向、速度等信息,实现探测运动物体的状态和轨迹的探测。由于本发明实施例采用了毫米波雷达,故而可以精准的获取上述人体基础数据。
在一种实施例中,上述方法还包括:
上述毫米波雷达基于预设周期检测上述探测区域内的人体姿态;
在检测到人体信息的情况下,切换工作状态和获取人体姿态的初始点云数组和人体基础数据;
在未检测到人体信息的情况下,保持静默状态。
示例性的,配备本发明实施例的处理器根据毫米波雷达检测的人体信息确定人体状态,进而通过控制模块发送管理设备的设备管理信号,其中,该设备管理信号用于控制设备的开启、低功耗、待机、关机等。其中,被管理的设备可以为电视、空调、热水器等家电设备。
示例性的,处理器中预存不同人信息对应的人员状态信息以及该人员状态信息对应的设备工作状态。处理器在获取人员状态信息后,查找对应的设备的工作状态,判断该工作状态是否与预存的工作状态匹配,若不匹配,则通过控制模块向不匹配的设备发送设备管理信号以使设备的工作状态调整为预存的工作状态。
示例性的,毫米波雷达周期性给出当前雷达探测区域内人员的存在性状态及运动状态,主要状态包括:1)无人;2)有人、静止;3)有人、活动。运行模式下,为了状态判断准确性,雷达模内部还可以进行逻辑判别工作,雷达状态输出逻辑如下:1、雷达设备只有当检测到状态改变时,雷达才有相对应的状态输出;反之,雷达保持静默;2、雷达从无人状态切换到有人状态(运动、接近、远离)时快速切换状态;C、雷达从有人状态切换到无人状态,需要注意的是,期间需要经过多次状态确认)。
进一步的,作为对上述图1所示方法的实现,本发明实施例还提供了一种基于深度学习的雷达人体姿态识别装置,用于对上述图1所示的方法进行实现。该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图2所示,该装置包括:获取单元21、增强单元22及确定单元23,其中
获取单元21,用于获取人体姿态的初始点云数组和人体基础数据,其中,上述人体基础数据包括人体移动数据和人体生物活动数据;
增强单元22,用于对上述人体姿态的初始点云数组进行增强以确定目标点云数组;
确定单元23,用于基于上述目标点云数组和上述人体基础数据通过融合交互模型确定人体姿态。
示例性的,上述对上述人体姿态的初始点云数组进行增强以确定目标点云数组,包括:
对上述人体姿态的初始点云数组依次进行距离维度增强、角度维度增强和速度维度增强以确定目标点云数组。
示例性的,上述单元还用于:
获取训练集的目标点云数组、人体移动数据和人体生物活动数据,其中,上述人体移动数据和人体生物活动数据为映射关系;
对上述人体移动数据进行训练以获取第一网络模型和对上述人体生物活动数据进行训练以获取第二网络模型;
基于上述第一网络模型确定人体姿态特征和基于上述第二网络模型确定人体生物特征,其中,上述人体生物特征包括人体呼吸特征和/或人体心跳特征;
将上述目标点云数组、上述人体姿态特征和上述人体生物特征进行特征融合以获取上述融合交互模型,其中,上述融合交互模型包括标准人体姿态数据集。
示例性的,上述单元还用于:
基于不同的标准人体姿态特性对上述目标点云数组进行点云体素化处理以确定预处理点云数组;
基于上述预处理点云数组通过卷积神经网络模型建立上述标准人体姿态数据集。
示例性的,上述基于上述目标点云数组和上述人体基础数据通过融合交互模型确定人体姿态,包括:
将上述目标点云数组和上述人体基础数据输入至上述融合交互模型以确定预估人体姿态;
在上述预估人体姿态与上述标准人体姿态的相似度大于预设值的情况下,确定上述预估人体姿态可信。
示例性的,上述人体基础数据可以基于毫米波雷达获取。
示例性的,上述单元还用于:
上述毫米波雷达基于预设周期检测上述探测区域内的人体姿态;
在检测到人体信息的情况下,切换工作状态和获取人体姿态的初始点云数组和人体基础数据;
在未检测到人体信息的情况下,保持静默状态。
借由上述技术方案,本发明提供的基于深度学习的雷达人体姿态识别装置,对于针对雷达领域的人体姿态识别,目前仍缺少一种通用性强且识别精准的方法的问题,本发明通过获取人体姿态的初始点云数组和人体基础数据,其中,上述人体基础数据包括人体移动数据和人体生物活动数据;对上述人体姿态的初始点云数组进行增强以确定目标点云数组;基于上述目标点云数组和上述人体基础数据通过融合交互模型确定人体姿态。在上述方案中,基于雷达采集的真实人体姿态点云数据,可以进行多维度的数据增强,从而便于后续筛选符合特性要求的点云,由于使用针对人体姿态的融合交互模型进行预测判定,有效提升融合交互模型的判定性能,且由于采用了双元(人体移动数据和人体生物活动数据)特征交互判断的逻辑,有效的提高人体姿态的判定准确率和效率。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现一种基于深度学习的雷达人体姿态识别方法,能够解决针对雷达领域的人体姿态识别,目前仍缺少一种通用性强且识别精准的方法的问题。
本发明实施例提供了一种计算机可读存储介质,上述计算机可读存储介质包括存储的程序,该程序被处理器执行时实现上述基于深度学习的雷达人体姿态识别方法。
本发明实施例提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述基于深度学习的雷达人体姿态识别方法。
本发明实施例提供了一种电子设备,上述电子设备包括至少一个处理器、以及与上述处理器连接的至少一个存储器;其中,上述处理器用于调用上述存储器中的程序指令,执行如上述的基于深度学习的雷达人体姿态识别方法
本发明实施例提供了一种电子设备30,如图3所示,电子设备包括至少一个处理器301、以及与处理器连接的至少一个存储器302、总线303;其中,处理器301、存储器302通过总线303完成相互间的通信;处理器301用于调用存储器中的程序指令,以执行上述的基于深度学习的雷达人体姿态识别方法。
本文中的智能电子设备可以是PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在流程管理电子设备上执行时,适于执行初始化有如下方法步骤的程序:
获取人体姿态的初始点云数组和人体基础数据,其中,上述人体基础数据包括人体移动数据和人体生物活动数据;
对上述人体姿态的初始点云数组进行增强以确定目标点云数组;
基于上述目标点云数组和上述人体基础数据通过融合交互模型确定人体姿态。
进一步的,上述对上述人体姿态的初始点云数组进行增强以确定目标点云数组,包括:
对上述人体姿态的初始点云数组依次进行距离维度增强、角度维度增强和速度维度增强以确定目标点云数组。
进一步的,上述方法还包括:
获取训练集的目标点云数组、人体移动数据和人体生物活动数据,其中,上述人体移动数据和人体生物活动数据为映射关系;
对上述人体移动数据进行训练以获取第一网络模型和对上述人体生物活动数据进行训练以获取第二网络模型;
基于上述第一网络模型确定人体姿态特征和基于上述第二网络模型确定人体生物特征,其中,上述人体生物特征包括人体呼吸特征和/或人体心跳特征;
将上述目标点云数组、上述人体姿态特征和上述人体生物特征进行特征融合以获取上述融合交互模型,其中,上述融合交互模型包括标准人体姿态数据集。
进一步的,上述方法还包括:
基于不同的标准人体姿态特性对上述目标点云数组进行点云体素化处理以确定预处理点云数组;
基于上述预处理点云数组通过卷积神经网络模型建立上述标准人体姿态数据集。
进一步的,上述基于上述目标点云数组和上述人体基础数据通过融合交互模型确定人体姿态,包括:
将上述目标点云数组和上述人体基础数据输入至上述融合交互模型以确定预估人体姿态;
在上述预估人体姿态与上述标准人体姿态的相似度大于预设值的情况下,确定上述预估人体姿态可信。
进一步的,上述人体基础数据可以基于毫米波雷达获取。
进一步的,上述方法还包括:
上述毫米波雷达基于预设周期检测上述探测区域内的人体姿态;
在检测到人体信息的情况下,切换工作状态和获取人体姿态的初始点云数组和人体基础数据;
在未检测到人体信息的情况下,保持静默状态。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本申请实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机软件指令,当计算机软件指令在处理设备上运行时,使得处理设备执行如图1对应实施例中的存储器的控制的流程。
计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于深度学习的雷达人体姿态识别方法,其特征在于,包括:
获取人体姿态的初始点云数组和人体基础数据,其中,所述人体基础数据包括人体移动数据和人体生物活动数据;
对所述人体姿态的初始点云数组进行增强以确定目标点云数组;
基于所述目标点云数组和所述人体基础数据通过融合交互模型确定人体姿态。
2.根据权利要求1所述的方法,其特征在于,所述对所述人体姿态的初始点云数组进行增强以确定目标点云数组,包括:
对所述人体姿态的初始点云数组依次进行距离维度增强、角度维度增强和速度维度增强以确定目标点云数组。
3.根据权利要求1所述的方法,其特征在于,还包括:
获取训练集的目标点云数组、人体移动数据和人体生物活动数据,其中,所述人体移动数据和人体生物活动数据为映射关系;
对所述人体移动数据进行训练以获取第一网络模型和对所述人体生物活动数据进行训练以获取第二网络模型;
基于所述第一网络模型确定人体姿态特征和基于所述第二网络模型确定人体生物特征,其中,所述人体生物特征包括人体呼吸特征和/或人体心跳特征;
将所述目标点云数组、所述人体姿态特征和所述人体生物特征进行特征融合以获取所述融合交互模型,其中,所述融合交互模型包括标准人体姿态数据集。
4.根据权利要求3所述的方法,其特征在于,还包括:
基于不同的标准人体姿态特性对所述目标点云数组进行点云体素化处理以确定预处理点云数组;
基于所述预处理点云数组通过卷积神经网络模型建立所述标准人体姿态数据集。
5.根据权利要求3所述的方法,其特征在于,所述基于所述目标点云数组和所述人体基础数据通过融合交互模型确定人体姿态,包括:
将所述目标点云数组和所述人体基础数据输入至所述融合交互模型以确定预估人体姿态;
在所述预估人体姿态与所述标准人体姿态的相似度大于预设值的情况下,确定所述预估人体姿态可信。
6.根据权利要求1所述的方法,其特征在于,所述人体基础数据可以基于毫米波雷达获取。
7.根据权利要求6所述的方法,其特征在于,还包括:
所述毫米波雷达基于预设周期检测所述探测区域内的人体姿态;
在检测到人体信息的情况下,切换工作状态和获取人体姿态的初始点云数组和人体基础数据;
在未检测到人体信息的情况下,保持静默状态。
8.一种基于深度学习的雷达人体姿态识别装置,其特征在于,包括:
获取单元,用于获取人体姿态的初始点云数组和人体基础数据,其中,所述人体基础数据包括人体移动数据和人体生物活动数据;
增强单元,用于对所述人体姿态的初始点云数组进行增强以确定目标点云数组;
确定单元,用于基于所述目标点云数组和所述人体基础数据通过融合交互模型确定人体姿态。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序被处理器执行时实现如权利要求1至权利要求7中任一项所述的基于深度学习的雷达人体姿态识别方法的步骤。
10.一种电子设备,其特征在于,所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器;其中,所述处理器用于调用所述存储器中的程序指令,执行如权利要求1至权利要求7中任一项所述的基于深度学习的雷达人体姿态识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211450090.5A CN115841707A (zh) | 2022-11-19 | 2022-11-19 | 基于深度学习的雷达人体姿态识别方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211450090.5A CN115841707A (zh) | 2022-11-19 | 2022-11-19 | 基于深度学习的雷达人体姿态识别方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115841707A true CN115841707A (zh) | 2023-03-24 |
Family
ID=85575721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211450090.5A Pending CN115841707A (zh) | 2022-11-19 | 2022-11-19 | 基于深度学习的雷达人体姿态识别方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841707A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117412440A (zh) * | 2023-10-17 | 2024-01-16 | 广州易而达科技股份有限公司 | 基于人体姿势检测的灯具控制方法、装置、照明灯和介质 |
-
2022
- 2022-11-19 CN CN202211450090.5A patent/CN115841707A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117412440A (zh) * | 2023-10-17 | 2024-01-16 | 广州易而达科技股份有限公司 | 基于人体姿势检测的灯具控制方法、装置、照明灯和介质 |
CN117412440B (zh) * | 2023-10-17 | 2024-05-10 | 广州易而达科技股份有限公司 | 基于人体姿势检测的灯具控制方法、装置、照明灯和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Meng et al. | Gait recognition for co-existing multiple people using millimeter wave sensing | |
Zhang et al. | Pedestrian detection method based on Faster R-CNN | |
CN111695420B (zh) | 一种手势识别方法以及相关装置 | |
Cui et al. | 3D semantic map construction using improved ORB-SLAM2 for mobile robot in edge computing environment | |
KR100612858B1 (ko) | 로봇을 이용하여 사람을 추적하는 방법 및 장치 | |
CN103353935A (zh) | 一种用于智能家居系统的3d动态手势识别方法 | |
CN113609976B (zh) | 一种基于WiFi设备的方向敏感多手势识别系统及方法 | |
CN103105924B (zh) | 人机交互方法和装置 | |
CN115244586A (zh) | 微波识别方法及系统 | |
US20230184921A1 (en) | Radar point cloud-based posture determination system | |
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 | |
Gao et al. | Visual tracking method based on cuckoo search algorithm | |
CN113064483A (zh) | 一种手势识别方法以及相关装置 | |
CN115841707A (zh) | 基于深度学习的雷达人体姿态识别方法及相关设备 | |
CN114818788A (zh) | 基于毫米波感知的追踪目标状态识别方法和装置 | |
Yu et al. | An intelligent implementation of multi-sensing data fusion with neuromorphic computing for human activity recognition | |
CN102890822B (zh) | 具有物体位置侦测功能的装置及其侦测方法 | |
JP2021032879A (ja) | レーダーに基づく姿勢認識装置、方法及び電子機器 | |
CN116520315A (zh) | 一种目标识别系统、目标识别方法以及目标识别装置 | |
CN116236173A (zh) | 基于毫米波雷达的智能养老监护管理系统 | |
CN117312935A (zh) | 动作类别识别方法、装置、计算机设备和存储介质 | |
CN117523652A (zh) | 一种跌倒检测方法、装置、电子设备及存储介质 | |
Luo et al. | Edgeactnet: Edge intelligence-enabled human activity recognition using radar point cloud | |
Wu et al. | Human Detection and Action Classification Based on Millimeter Wave Radar Point Cloud Imaging Technology | |
CN111880656A (zh) | 一种基于p300信号的智能脑控系统及康复设备 |
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 |