CN116449330B - 一种室内人数的估计方法、装置、计算机设备及存储介质 - Google Patents
一种室内人数的估计方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116449330B CN116449330B CN202310728891.1A CN202310728891A CN116449330B CN 116449330 B CN116449330 B CN 116449330B CN 202310728891 A CN202310728891 A CN 202310728891A CN 116449330 B CN116449330 B CN 116449330B
- Authority
- CN
- China
- Prior art keywords
- state
- radar echo
- indoor space
- personnel
- target indoor
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000033001 locomotion Effects 0.000 claims abstract description 87
- 238000001228 spectrum Methods 0.000 claims abstract description 49
- 238000013145 classification model Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims description 50
- 238000000605 extraction Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 6
- 239000002609 medium Substances 0.000 description 20
- 238000012544 monitoring process Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009545 invasion Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000000428 dust Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009982 effect on human Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 102000054765 polymorphisms of proteins Human genes 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例公开了一种室内人数的估计方法、装置、计算机设备及存储介质，涉及雷达检测技术领域。该方法包括：获取目标室内空间的雷达回波信号；根据雷达回波信号对目标室内空间中的人员运动特征、功率谱特征以及簇峰值特征进行提取；根据人员运动特征确定目标室内空间中的人员运动状态；将功率谱特征与簇峰值特征进行拼接后输入到与人员运动状态对应的人数分类模型中，以预测得到目标室内空间中的人数。本发明实施例所提供的技术方案，通过先进行人员多态辨识，再在单一态下进行人数估计，大大降低了不同运动状态导致的回波混淆复杂程度，也降低了对训练样本数和估计模型的要求，提高了泛化能力以及对人数估计的精度。
Description
技术领域
本发明实施例涉及雷达检测技术领域，尤其涉及一种室内人数的估计方法、装置、计算机设备及存储介质。
背景技术
随着物联网（Internet of Thing，IOT）技术以及5G技术的逐步落地，各类场景的信息互通互联已经成为了一种趋势。同时，上述两种技术的兴起也加速了智慧城市、智能工厂以及智能家居等方面的发展。对于各类智慧场景的建设，人体目标信息，如人员是否存在，人员个数以及人员活动轨迹等是必不可少的。人体目标监测的问题很早就进入了研究者们的视野，随着各类传感器的日益成熟，基于各类传感器的人体目标监测方法也随之发展。人体目标监测的类型大体有断面式和区域式两种。对于断面式，现阶段常用的监测方法有基于红外线感应的监测方法、基于重力感应的监测方法以及基于机械闸门设备的监测方法，其中红外线极易受到外界因素干扰，且很难判断人体运动方向，监测效果会受到影响，重力感应所需的设备安装及维护成本较高，检测稳定性也较差，机械闸门也往往会受到建筑环境的制约，并在一定程度上限制了被探测者的人身活动，从而带来较为不适的体验感。
对于区域式，常用的监测方法有四种。第一是基于光学摄像头的方法，该方法目前已经在许多场景得到了相关应用，但是对于如环境光照分布不均、存在目标成像遮挡等情况时，其性能将受到严重影响，此外，对于个人隐私需求高的场景，如起居室、洗手间、会议室等，该类方法存在侵犯人身隐私安全的问题。第二是基于射频网络的方法，该类方法要求在探测场景内布设一定数量的射频节点。第三是基于WiFi的方法，该类方法主要分析WiFi接收信号的强度、信道状态等信息以进行人体目标监测。由于射频网络及WiFi探测方式的系统特性，其较难得到目标的物理特征信息，因此，基于第二种及第三种方法的人体目标监测效果将受到限制。第四是基于雷达传感器的方法，相比上述三种传感器，雷达传感器具有穿透性好、极端情况下工作稳定、全天时全天候工作以及不侵犯个人隐私等优点，因此，该类方法在人体目标监测上具有不可替代的作用。
但是在室内环境下存在多人员时，不同运动状态会导致雷达回波高度混淆，传统的基于雷达的监测方法通常仅使用单一的模型进行人员数量的估计，往往需要海量的训练数据和大的分类估计模型，其复杂度高，泛化能力弱，准确性和可靠性也较低。
发明内容
本发明实施例提供一种室内人数的估计方法、装置、计算机设备及存储介质，以降低不同运动状态导致的回波混淆复杂程度，以及对训练样本数和估计模型的要求，从而提高泛化能力以及人数估计的精度。
第一方面，本发明实施例提供了一种室内人数的估计方法，该方法包括：
获取目标室内空间的雷达回波信号；
根据所述雷达回波信号对所述目标室内空间中的人员运动特征、功率谱特征以及簇峰值特征进行提取；
根据所述人员运动特征确定所述目标室内空间中的人员运动状态；
将所述功率谱特征与所述簇峰值特征进行拼接后输入到与所述人员运动状态对应的人数分类模型中，以预测得到所述目标室内空间中的人数。
可选的，所述人员运动特征包括：活动指数特征、连通活动区域特征、帧能量特征以及高频活跃特征中的至少一种。
可选的，所述根据所述雷达回波信号对所述目标室内空间中的人员运动特征进行提取，包括：
将所述雷达回波信号中所有距离单元处的幅值分别与预设噪声阈值进行比较；
若所述幅值大于所述预设噪声阈值，则将所述雷达回波信号的标记向量中所述幅值对应位置的值置为“1”，否则置为“0”；
根据所述标记向量中所有元素的总和确定所述活动指数特征。
可选的，所述根据所述雷达回波信号对所述目标室内空间中的人员运动特征进行提取，包括：
按照慢时间维度对标记矩阵进行求和得到目标向量，其中，所述标记矩阵用于记录预设帧数的所述雷达回波信号的所述标记向量；
若所述目标向量中的元素大于预设连通阈值，则将对应位置的值置为“1”，否则置为“0”；
遍历所述目标向量，并统计连续的“1”的个数，得到连通活动区域统计值；
根据所述连通活动区域统计值确定所述连通活动区域特征。
可选的，所述根据所述雷达回波信号对所述目标室内空间中的人员运动特征进行提取，包括：
根据所述雷达回波信号中所有距离单元的平方和确定所述帧能量特征。
可选的，所述高频活跃特征包括高频活跃事件指数和高频活跃值；所述根据所述雷达回波信号对所述目标室内空间中的人员运动特征进行提取，包括：
对所述雷达回波信号中的每个距离单元进行多普勒分析，并将其中的高频成分占比确定为对应距离单元的所述高频活跃事件指数；
将所述高频活跃事件指数超过预设指数门限的个数确定为所述高频活跃值。
可选的，所述根据所述雷达回波信号对所述目标室内空间中的功率谱特征进行提取，包括：
对所述雷达回波信号按距离单元进行功率谱计算，并将所有距离单元的功率谱按频率进行相加，以得到所述功率谱特征；
所述根据所述雷达回波信号对所述目标室内空间中的簇峰值特征进行提取，包括：
获取所述雷达回波信号中预设数量的局部最值，并根据所述局部最值的幅度和位置确定所述簇峰值特征。
第二方面，本发明实施例还提供了一种室内人数的估计装置，该装置包括：
信号获取模块，用于获取目标室内空间的雷达回波信号；
特征提取模块，用于根据所述雷达回波信号对所述目标室内空间中的人员运动特征、功率谱特征以及簇峰值特征进行提取；
状态确定模块，用于根据所述人员运动特征确定所述目标室内空间中的人员运动状态；
人数预测模块，用于将所述功率谱特征与所述簇峰值特征进行拼接后输入到与所述人员运动状态对应的人数分类模型中，以预测得到所述目标室内空间中的人数。
第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的室内人数的估计方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的室内人数的估计方法。
本发明实施例提供了室内人数的估计方法，首先获取目标室内空间的雷达回波信号，然后根据雷达回波信号对目标室内空间中的人员运动特征、功率谱特征以及簇峰值特征进行提取，并可以根据其中的人员运动特征确定目标室内空间中的人员运动状态，随后可以将功率谱特征与簇峰值特征进行拼接后输入到与该人员运动状态对应的人数分类模型中，从而通过模型预测得到目标室内空间中的人数。本发明实施例所提供的室内人数的估计方法，通过采用基于雷达的监测方式，具有可持续工作、操作简单、不受光照影响、可稳健工作在灰尘、烟雾等极端环境、不侵害个人隐私等优点，同时通过先进行人员多态辨识，再在单一态下进行人数估计，大大降低了不同运动状态导致的回波混淆复杂程度，也降低了对训练样本数和估计模型的要求，提高了泛化能力以及对人数估计的精度。
附图说明
图1为本发明实施例一提供的室内人数的估计方法的流程图；
图2为本发明实施例二提供的室内人数的估计装置的结构示意图；
图3为本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的室内人数的估计方法的流程图。本实施例可适用于需要对室内人数进行统计的情况，该方法可以由本发明实施例所提供的室内人数的估计装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图1所示，具体包括如下步骤：
S11、获取目标室内空间的雷达回波信号。
具体的，可以通过雷达发射电磁波信号至目标室内空间，经由人体目标的散射后被雷达接收机接收，然后可以对接收到的信号进行低噪声放大器、混频器以及ADC采样等等，从而得到一个包含了距离维和时间维信息的离散回波信号，该信号可以表示为x(m,n)，其中m表示慢时间维，是第m个脉冲回波，n表示快时间维，是第n个采样点。进一步可以对该离散回波信号进行预处理，从而得到所需的雷达回波信号。预处理的过程可以包括：首先对离散回波信号在快时间维做傅里叶变换，得到距离-慢时间维信号y(m,l)，其中l表示距离单元采样，然后可以对该距离-慢时间维信号进行距离维杂波抑制，具体可采用滑动平均算法或奇异值分解算法等等，从而得到杂波抑制后的信号z(m,l)，最后可以对指定帧数的杂波抑制后的信号进行相参积累，以得到所需的雷达回波信号。
S12、根据所述雷达回波信号对所述目标室内空间中的人员运动特征、功率谱特征以及簇峰值特征进行提取。
具体的，为了克服室内环境下多人员时，不同运动状态导致的雷达回波高度混淆的问题，可以先进行人员多态辨识，以确定当前目标室内空间中的人员运动状态。则可以首先根据获得的雷达回波信号对目标室内空间中的人员运动特征进行提取，以便根据人员运动特征进行多态分类。同时还可以根据雷达回波信号对其中的功率谱特征和簇峰值特征进行提取，以作为后续模型输入备用。其中，可选的，所述人员运动特征包括：活动指数特征、连通活动区域特征、帧能量特征以及高频活跃特征中的至少一种。
可选的，所述根据所述雷达回波信号对所述目标室内空间中的人员运动特征进行提取，包括：将所述雷达回波信号中所有距离单元处的幅值分别与预设噪声阈值进行比较；若所述幅值大于所述预设噪声阈值，则将所述雷达回波信号的标记向量中所述幅值对应位置的值置为“1”，否则置为“0”；根据所述标记向量中所有元素的总和确定所述活动指数特征。具体的，可以根据大量的实验数据分析来设置固定的预设噪声阈值Tnoise，同时可以预先设置雷达回波信号的标记向量Mk(n)，n=1,2,…,N，其中N表示雷达回波信号中距离单元的个数。针对一帧雷达回波信号，可以将雷达回波信号中所有距离单元处的幅值分别与预设噪声阈值进行比较，如果第n个距离单元处的幅值大于预设噪声阈值，则可以将其标记向量中Mk(n)处的值置为“1”，否则，如果第n个距离单元处的幅值小于或等于预设噪声阈值，则可以将其标记向量中Mk(n)处的值置为“0”。然后可以将得到的标记向量Mk的所有元素的总和作为距离单元活动指数，并可以直接将该距离单元活动指数确定为所需的活动指数特征，进一步还可以累计指定帧数的距离单元活动指数并取其平均值作为所需的活动指数特征，以提高该特征的可靠性。
进一步可选的，所述根据所述雷达回波信号对所述目标室内空间中的人员运动特征进行提取，包括：按照慢时间维度对标记矩阵进行求和得到目标向量，其中，所述标记矩阵用于记录预设帧数的所述雷达回波信号的所述标记向量；若所述目标向量中的元素大于预设连通阈值，则将对应位置的值置为“1”，否则置为“0”；遍历所述目标向量，并统计连续的“1”的个数，得到连通活动区域统计值；根据所述连通活动区域统计值确定所述连通活动区域特征。具体的，首先可以设置一个标记矩阵CR=[M1,M2,…,MB]T来记录预设帧数（B帧）的标记向量，其中的标记向量可以参考上述处理方式最终确定，同时还可以预先设置固定的预设连通阈值Tconnect。然后可以将标记矩阵CR按照慢时间维度求和之后得到目标向量CRsum，随后可以将目标向量CRsum中每个元素的值分别与预设连通阈值进行比较，如果第n个距离单元处的元素值大于预设连通阈值，则可以将目标向量中CRsum(n)处的值置为“1”，否则，如果第n个距离单元处的元素值小于或等于预设连通阈值，则可以将目标向量中CRsum(n)处的值置为“0”，从而得到更新后的目标向量CRsum。然后可以遍历更新后的目标向量CRsum，并统计其中连续的“1”的个数，从而可以得到一系列的连通活动区域统计值cr，随后可以对各个连通活动区域统计值cr从大到小进行记录，得到目标向量CRsum中所有连通活动区域的统计值向量CRmax=[cr1,cr2,…]，进一步可以取统计值向量CRmax中最靠前的一个统计值或多个（优选为7个）统计值的平均值作为所需的连通活动区域特征CRavg。
可选的，所述根据所述雷达回波信号对所述目标室内空间中的人员运动特征进行提取，包括：根据所述雷达回波信号中所有距离单元的平方和确定所述帧能量特征。具体的，通过观察静止状态和走动状态的能量变化可发现，走动状态下的能量通常大于静止状态。因此可以将雷达回波信号中所有距离单元的平方和表示为对应帧信号的帧能量特征。进一步还可以通过累加连续多帧的帧能量特征作为最终的总帧能量特征以提高辨别能力。
可选的，所述高频活跃特征包括高频活跃事件指数和高频活跃值；所述根据所述雷达回波信号对所述目标室内空间中的人员运动特征进行提取，包括：对所述雷达回波信号中的每个距离单元进行多普勒分析，并将其中的高频成分占比确定为对应距离单元的所述高频活跃事件指数；将所述高频活跃事件指数超过预设指数门限的个数确定为所述高频活跃值。
可选的，所述根据所述雷达回波信号对所述目标室内空间中的功率谱特征进行提取，包括：对所述雷达回波信号按距离单元进行功率谱计算，并将所有距离单元的功率谱按频率进行相加，以得到所述功率谱特征；所述根据所述雷达回波信号对所述目标室内空间中的簇峰值特征进行提取，包括：获取所述雷达回波信号中预设数量的局部最值，并根据所述局部最值的幅度和位置确定所述簇峰值特征。具体的，针对功率谱特征提取，可以对雷达回波信号按照距离单元进行功率谱计算，并将所有距离单元的功率谱按频率进行相加，可以得到一维的功率谱特征向量Qm=[q1,q2,…,qNl]。针对簇峰值特征提取，可以对雷达回波信号/>中预设数量（Nc）个局部最值进行获取，然后可以将这些局部最值的幅度按照提取的顺序进行记录，同时可以记录各个局部最值所处的位置，从而可以获得局部最值的幅度向量Pm=[p1,p2,…,pNc]，以及局部最值的位置向量Dm=[d1,d2,…,dNc]。
S13、根据所述人员运动特征确定所述目标室内空间中的人员运动状态。
具体的，在获得人员运动特征之后，即可根据人员运动特征确定目标室内空间中的人员运动状态，从而后续可以在单一态下进行人数估计。具体可以基于所获得的人员运动特征，采用聚类方法将人员运动状态分解为多态，所采用的聚类方法可以是K-means聚类方法或层次聚类方法等等。优选的，可以将人员运动状态分解为五态，分别为静止态、走动态、微动态、中间态和零态，其中，静止态为数据中人员活动最低的态，走动态为人员活动最高的态，微动态为仅高于静止态的，轻微肢体活动的态，中间态为既有人员静止、微动、也有人员走动的态，零态为无人状态。上述五态具有较好的解耦性，可以进一步降低对训练样本的要求以及提高人数估计的精度，其泛化能力、准确性及可靠性都更高，同时通过利用无监督聚类的方式划分出五态，可以尽可能从物理意义和数据特性等角度进行双重考虑，从而分离出更合适的五态。
S14、将所述功率谱特征与所述簇峰值特征进行拼接后输入到与所述人员运动状态对应的人数分类模型中，以预测得到所述目标室内空间中的人数。
具体的，在确定了目标室内空间中的人员运动状态之后，可以根据该人员运动状态确定所要使用的人数分类模型，然后即可将提取到的功率谱特征与簇峰值特征进行拼接后输入到该人数分类模型中，从而预测得到目标室内空间中的人数。其中的人数分类模型具体可以采用神经网络、支持向量机或决策树等方法，其架构灵活，进一步可以挑选机器学习方法中复杂度较低的方法，从而可以适合嵌入到低功耗的边缘设备中，以适应更多的应用场景。以随机森林分类器为例，其属于集成学习的一种，集成了多个以决策树为基础的学习器，该分类器简单、容易实现、并且计算开销小。采用的随机森林分类器是集成装袋树（Bagging Tree，BT），其包括了30个由决策树组成的基学习器，最大分裂数为7200，学习率为0.1。进一步的，在使用相应的人数分类模型进行预测之前，还可以首先针对每一种独立的人员运动状态，分别录取足够多的数据，并针对该数据进行人员多态辨识，再对辨识后的数据单独训练对应的人数分类模型。
进一步对上述方案进行了测试，根据人们实际生活场景较为普遍的室内环境尺寸特点，实验选择5.0 m×4.0 m的室内房间作为实验场景。在实验场景中，超宽带雷达安装在房间里的一角，由支架固定，并且雷达安装高度距地面约为2.2 m，雷达主瓣与水平线夹角约为15°，参与实验的测试人员随机的在房间范围内运动，同时将雷达的探测范围设置为0.4 m-6.0 m左右，帧率设置为100 Hz。其中，除了0人情况之外，其他1-6人每类人数情况分为：全部实验人员静止（含微动）、全部实验人员随机走动（两种情况各采集30分钟数据）。具体来说，对于0人的情况采集30分钟的数据，即一共采集了30×60×100 = 180000帧的雷达原始数据，对于1-6人的每一类人数情况都将采集60分钟的数据，即每一类人数情况一共采集了60×60×100 = 360000帧的雷达原始数据。经测试，采用现有的基于概率模型的室内人数估计方法的混淆矩阵如表1所示，而采用本方法的混淆矩阵如表2所示。
从表1和表2可见，本实施例提出的室内人数的估计方法的精确人数平均准确率为75.1%，精确人数误差范围±1平均准确率为97.9%。相比于现有方法（精确人数平均准确率为55.6%，精确人数误差范围±1平均准确率为86.7%），本实施例所提出的室内人数的估计方法性能提升显著。
本发明实施例所提供的技术方案，首先获取目标室内空间的雷达回波信号，然后根据雷达回波信号对目标室内空间中的人员运动特征、功率谱特征以及簇峰值特征进行提取，并可以根据其中的人员运动特征确定目标室内空间中的人员运动状态，随后可以将功率谱特征与簇峰值特征进行拼接后输入到与该人员运动状态对应的人数分类模型中，从而通过模型预测得到目标室内空间中的人数。通过采用基于雷达的监测方式，具有可持续工作、操作简单、不受光照影响、可稳健工作在灰尘、烟雾等极端环境、不侵害个人隐私等优点，同时通过先进行人员多态辨识，再在单一态下进行人数估计，大大降低了不同运动状态导致的回波混淆复杂程度，也降低了对训练样本数和估计模型的要求，提高了泛化能力以及对人数估计的精度。
实施例二
图2为本发明实施例二提供的室内人数的估计装置的结构示意图，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中，用于执行本发明任意实施例所提供的室内人数的估计方法。如图2所示，该装置包括：
信号获取模块21，用于获取目标室内空间的雷达回波信号；
特征提取模块22，用于根据所述雷达回波信号对所述目标室内空间中的人员运动特征、功率谱特征以及簇峰值特征进行提取；
状态确定模块23，用于根据所述人员运动特征确定所述目标室内空间中的人员运动状态；
人数预测模块24，用于将所述功率谱特征与所述簇峰值特征进行拼接后输入到与所述人员运动状态对应的人数分类模型中，以预测得到所述目标室内空间中的人数。
本发明实施例所提供的技术方案，首先获取目标室内空间的雷达回波信号，然后根据雷达回波信号对目标室内空间中的人员运动特征、功率谱特征以及簇峰值特征进行提取，并可以根据其中的人员运动特征确定目标室内空间中的人员运动状态，随后可以将功率谱特征与簇峰值特征进行拼接后输入到与该人员运动状态对应的人数分类模型中，从而通过模型预测得到目标室内空间中的人数。通过采用基于雷达的监测方式，具有可持续工作、操作简单、不受光照影响、可稳健工作在灰尘、烟雾等极端环境、不侵害个人隐私等优点，同时通过先进行人员多态辨识，再在单一态下进行人数估计，大大降低了不同运动状态导致的回波混淆复杂程度，也降低了对训练样本数和估计模型的要求，提高了泛化能力以及对人数估计的精度。
在上述技术方案的基础上，可选的，所述人员运动特征包括：活动指数特征、连通活动区域特征、帧能量特征以及高频活跃特征中的至少一种。
在上述技术方案的基础上，可选的，特征提取模块22，包括：
幅值比较单元，用于将所述雷达回波信号中所有距离单元处的幅值分别与预设噪声阈值进行比较；
标记向量确定单元，用于若所述幅值大于所述预设噪声阈值，则将所述雷达回波信号的标记向量中所述幅值对应位置的值置为“1”，否则置为“0”；
活动指数特征确定单元，用于根据所述标记向量中所有元素的总和确定所述活动指数特征。
在上述技术方案的基础上，可选的，特征提取模块22，包括：
目标向量确定单元，用于按照慢时间维度对标记矩阵进行求和得到目标向量，其中，所述标记矩阵用于记录预设帧数的所述雷达回波信号的所述标记向量；
目标向量更新单元，用于若所述目标向量中的元素大于预设连通阈值，则将对应位置的值置为“1”，否则置为“0”；
连通活动区域统计值确定单元，用于遍历所述目标向量，并统计连续的“1”的个数，得到连通活动区域统计值；
连通活动区域特征确定单元，用于根据所述连通活动区域统计值确定所述连通活动区域特征。
在上述技术方案的基础上，可选的，特征提取模块22，包括：
帧能量特征确定单元，用于根据所述雷达回波信号中所有距离单元的平方和确定所述帧能量特征。
在上述技术方案的基础上，可选的，所述高频活跃特征包括高频活跃事件指数和高频活跃值；特征提取模块22，包括：
高频活跃事件指数确定单元，用于对所述雷达回波信号中的每个距离单元进行多普勒分析，并将其中的高频成分占比确定为对应距离单元的所述高频活跃事件指数；
高频活跃值确定单元，用于将所述高频活跃事件指数超过预设指数门限的个数确定为所述高频活跃值。
在上述技术方案的基础上，可选的，特征提取模块22，包括：
功率谱特征确定单元，用于对所述雷达回波信号按距离单元进行功率谱计算，并将所有距离单元的功率谱按频率进行相加，以得到所述功率谱特征；
簇峰值特征确定单元，用于获取所述雷达回波信号中预设数量的局部最值，并根据所述局部最值的幅度和位置确定所述簇峰值特征。
本发明实施例所提供的室内人数的估计装置可执行本发明任意实施例所提供的室内人数的估计方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，在上述室内人数的估计装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
图3为本发明实施例三提供的计算机设备的结构示意图，示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图3显示的计算机设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图3所示，该计算机设备包括处理器31、存储器32、输入装置33及输出装置34；计算机设备中处理器31的数量可以是一个或多个，图3中以一个处理器31为例，计算机设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图3中以通过总线连接为例。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的室内人数的估计方法对应的程序指令/模块（例如，室内人数的估计装置中的信号获取模块21、特征提取模块22、状态确定模块23及人数预测模块24）。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的室内人数的估计方法。
存储器32可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器32可进一步包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置33可用于获取目标室内空间的雷达回波信号，以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置34可包括显示屏等，可用于向用户展示人数估计结果等等。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行一种室内人数的估计方法，该方法包括：
获取目标室内空间的雷达回波信号；
根据所述雷达回波信号对所述目标室内空间中的人员运动特征、功率谱特征以及簇峰值特征进行提取；
根据所述人员运动特征确定所述目标室内空间中的人员运动状态；
将所述功率谱特征与所述簇峰值特征进行拼接后输入到与所述人员运动状态对应的人数分类模型中，以预测得到所述目标室内空间中的人数。
存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM、兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的室内人数的估计方法中的相关操作。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory, ROM）、随机存取存储器（RandomAccess Memory, RAM）、闪存（FLASH）、硬盘或光盘等，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）执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种室内人数的估计方法，其特征在于，包括：
获取目标室内空间的雷达回波信号；
根据所述雷达回波信号对所述目标室内空间中的人员运动特征、功率谱特征以及簇峰值特征进行提取；
根据所述人员运动特征确定所述目标室内空间中的人员运动状态；所述人员运动状态包括静止态、走动态、微动态、中间态和零态，并通过无监督聚类方式划分得到；所述静止态为人员活动最低的态，所述走动态为人员活动最高的态，所述微动态为仅高于所述静止态的轻微肢体活动的态，所述中间态为既有人员静止、微动，又有人员走动的态，所述零态为无人状态；
将所述功率谱特征与所述簇峰值特征进行拼接后输入到与所述人员运动状态对应的人数分类模型中，以预测得到所述目标室内空间中的人数；所述人数分类模型为神经网络、支持向量机或决策树；
所述根据所述雷达回波信号对所述目标室内空间中的功率谱特征进行提取，包括：
对所述雷达回波信号按距离单元进行功率谱计算，并将所有距离单元的功率谱按频率进行相加，以得到所述功率谱特征；
所述根据所述雷达回波信号对所述目标室内空间中的簇峰值特征进行提取，包括：
获取所述雷达回波信号中预设数量的局部最值，并根据所述局部最值的幅度和位置确定所述簇峰值特征。
2.根据权利要求1所述的室内人数的估计方法，其特征在于，所述人员运动特征包括：活动指数特征、连通活动区域特征、帧能量特征以及高频活跃特征中的至少一种。
3.根据权利要求2所述的室内人数的估计方法，其特征在于，所述根据所述雷达回波信号对所述目标室内空间中的人员运动特征进行提取，包括：
将所述雷达回波信号中所有距离单元处的幅值分别与预设噪声阈值进行比较；
若所述幅值大于所述预设噪声阈值，则将所述雷达回波信号的标记向量中所述幅值对应位置的值置为“1”，否则置为“0”；
根据所述标记向量中所有元素的总和确定所述活动指数特征。
4.根据权利要求3所述的室内人数的估计方法，其特征在于，所述根据所述雷达回波信号对所述目标室内空间中的人员运动特征进行提取，包括：
按照慢时间维度对标记矩阵进行求和得到目标向量，其中，所述标记矩阵用于记录预设帧数的所述雷达回波信号的所述标记向量；
若所述目标向量中的元素大于预设连通阈值，则将对应位置的值置为“1”，否则置为“0”；
遍历所述目标向量，并统计连续的“1”的个数，得到连通活动区域统计值；
根据所述连通活动区域统计值确定所述连通活动区域特征。
5.根据权利要求2所述的室内人数的估计方法，其特征在于，所述根据所述雷达回波信号对所述目标室内空间中的人员运动特征进行提取，包括：
根据所述雷达回波信号中所有距离单元的平方和确定所述帧能量特征。
6.根据权利要求2所述的室内人数的估计方法，其特征在于，所述高频活跃特征包括高频活跃事件指数和高频活跃值；所述根据所述雷达回波信号对所述目标室内空间中的人员运动特征进行提取，包括：
对所述雷达回波信号中的每个距离单元进行多普勒分析，并将其中的高频成分占比确定为对应距离单元的所述高频活跃事件指数；
将所述高频活跃事件指数超过预设指数门限的个数确定为所述高频活跃值。
7.一种室内人数的估计装置，其特征在于，包括：
信号获取模块，用于获取目标室内空间的雷达回波信号；
特征提取模块，用于根据所述雷达回波信号对所述目标室内空间中的人员运动特征、功率谱特征以及簇峰值特征进行提取；
状态确定模块，用于根据所述人员运动特征确定所述目标室内空间中的人员运动状态；所述人员运动状态包括静止态、走动态、微动态、中间态和零态，并通过无监督聚类方式划分得到；所述静止态为人员活动最低的态，所述走动态为人员活动最高的态，所述微动态为仅高于所述静止态的轻微肢体活动的态，所述中间态为既有人员静止、微动，又有人员走动的态，所述零态为无人状态；
人数预测模块，用于将所述功率谱特征与所述簇峰值特征进行拼接后输入到与所述人员运动状态对应的人数分类模型中，以预测得到所述目标室内空间中的人数；所述人数分类模型为神经网络、支持向量机或决策树；
所述特征提取模块，包括：
功率谱特征确定单元，用于对所述雷达回波信号按距离单元进行功率谱计算，并将所有距离单元的功率谱按频率进行相加，以得到所述功率谱特征；
簇峰值特征确定单元，用于获取所述雷达回波信号中预设数量的局部最值，并根据所述局部最值的幅度和位置确定所述簇峰值特征。
8.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的室内人数的估计方法。
9.一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，该程序被处理器执行时实现如权利要求1-6中任一所述的室内人数的估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310728891.1A CN116449330B (zh) | 2023-06-20 | 2023-06-20 | 一种室内人数的估计方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310728891.1A CN116449330B (zh) | 2023-06-20 | 2023-06-20 | 一种室内人数的估计方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116449330A CN116449330A (zh) | 2023-07-18 |
| CN116449330B true CN116449330B (zh) | 2023-10-13 |
Family
ID=87136060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310728891.1A Active CN116449330B (zh) | 2023-06-20 | 2023-06-20 | 一种室内人数的估计方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449330B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096662A (zh) * | 2016-06-24 | 2016-11-09 | 深圳市颐通科技有限公司 | 基于加速度传感器的人体运动状态识别 |
| CN111444926A (zh) * | 2020-03-20 | 2020-07-24 | 深圳大学 | 基于雷达的区域人数统计方法、装置、设备和存储介质 |
| CN112327288A (zh) * | 2020-10-29 | 2021-02-05 | 深圳大学 | 雷达人体动作识别方法、装置、电子设备和存储介质 |
| CN112327286A (zh) * | 2020-10-13 | 2021-02-05 | 深圳大学 | 低复杂度下日常活动分类方法、装置、设备及存储介质 |
| CN112731380A (zh) * | 2020-12-16 | 2021-04-30 | 路晟悠拜(重庆)科技有限公司 | 一种基于毫米波的人体智能监测方法及监测设备 |
| CN112731366A (zh) * | 2020-12-17 | 2021-04-30 | 北京清雷科技有限公司 | 室内人员的定位方法及装置、系统 |
| CN112946618A (zh) * | 2021-01-26 | 2021-06-11 | 北京清雷科技有限公司 | 室内人员的定位方法及装置、系统、家电设备 |
| CN113313165A (zh) * | 2021-05-27 | 2021-08-27 | 深圳大学 | 一种基于雷达的人数统计方法、装置、设备及存储介质 |
| CN113311405A (zh) * | 2021-05-27 | 2021-08-27 | 深圳大学 | 一种区域人数统计方法、装置、计算机设备及存储介质 |
| CN114049604A (zh) * | 2021-11-09 | 2022-02-15 | 深圳大学 | 基于运动状态的区域人数统计方法、装置、设备及介质 |
| CN114742117A (zh) * | 2022-06-13 | 2022-07-12 | 长沙莫之比智能科技有限公司 | 复杂室内场景下毫米波雷达的人体生命体征检测方法 |
-
2023
- 2023-06-20 CN CN202310728891.1A patent/CN116449330B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096662A (zh) * | 2016-06-24 | 2016-11-09 | 深圳市颐通科技有限公司 | 基于加速度传感器的人体运动状态识别 |
| CN111444926A (zh) * | 2020-03-20 | 2020-07-24 | 深圳大学 | 基于雷达的区域人数统计方法、装置、设备和存储介质 |
| CN112327286A (zh) * | 2020-10-13 | 2021-02-05 | 深圳大学 | 低复杂度下日常活动分类方法、装置、设备及存储介质 |
| CN112327288A (zh) * | 2020-10-29 | 2021-02-05 | 深圳大学 | 雷达人体动作识别方法、装置、电子设备和存储介质 |
| CN112731380A (zh) * | 2020-12-16 | 2021-04-30 | 路晟悠拜(重庆)科技有限公司 | 一种基于毫米波的人体智能监测方法及监测设备 |
| CN112731366A (zh) * | 2020-12-17 | 2021-04-30 | 北京清雷科技有限公司 | 室内人员的定位方法及装置、系统 |
| CN112946618A (zh) * | 2021-01-26 | 2021-06-11 | 北京清雷科技有限公司 | 室内人员的定位方法及装置、系统、家电设备 |
| CN113313165A (zh) * | 2021-05-27 | 2021-08-27 | 深圳大学 | 一种基于雷达的人数统计方法、装置、设备及存储介质 |
| CN113311405A (zh) * | 2021-05-27 | 2021-08-27 | 深圳大学 | 一种区域人数统计方法、装置、计算机设备及存储介质 |
| CN114049604A (zh) * | 2021-11-09 | 2022-02-15 | 深圳大学 | 基于运动状态的区域人数统计方法、装置、设备及介质 |
| CN114742117A (zh) * | 2022-06-13 | 2022-07-12 | 长沙莫之比智能科技有限公司 | 复杂室内场景下毫米波雷达的人体生命体征检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116449330A (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| NL2012327B1 (en) | Selective intrusion detection systems. | |
| CN109275095B (zh) | 一种基于蓝牙的室内定位系统、定位设备和定位方法 | |
| CN106559749B (zh) | 一种基于射频层析成像的多目标被动式定位方法 | |
| CN111741133B (zh) | 一种云边端协同的气象智能预警系统 | |
| CN111460940B (zh) | 一种陌生人落脚点研判方法与系统 | |
| CN110275042B (zh) | 一种基于计算机视觉与无线电信号分析的高空抛物检测方法 | |
| Komai et al. | Beacon-based multi-person activity monitoring system for day care center | |
| CN110413655B (zh) | 一种基于改进隐马尔科夫模型的楼层识别方法 | |
| CN103298156A (zh) | 基于无线传感器网络的无源多目标检测跟踪方法 | |
| CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
| CN109757395A (zh) | 一种宠物行为检测监控系统及方法 | |
| US10241973B2 (en) | System and method for reducing size of raw data by performing time-frequency data analysis | |
| 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 | |
| CN113253363A (zh) | 一种雷电活动路径预测方法及系统 | |
| CN113033654A (zh) | 基于WiFi信道状态信息的室内入侵检测方法及系统 | |
| WO2023284764A1 (zh) | 车内生命体的雷达探测方法、装置及终端设备 | |
| 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 | |
| Bin et al. | Moving target recognition with seismic sensing: A review | |
| CN116449330B (zh) | 一种室内人数的估计方法、装置、计算机设备及存储介质 | |
| CN111444926A (zh) | 基于雷达的区域人数统计方法、装置、设备和存储介质 | |
| CN117315886B (zh) | 一种基于uwb雷达的人员即将跌倒检测方法及装置 | |
| CN112327286B (zh) | 低复杂度下日常活动分类方法、装置、设备及存储介质 | |
| Liang et al. | Fall detection system based on millimeter wave radar and machine learning | |
| CN113591760A (zh) | 基于毫米波的远场多人体的步态监测方法 | |
| CN113311405B (zh) | 一种区域人数统计方法、装置、计算机设备及存储介质 |
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 |