CN117148309A - 应用于社区网格巡查的毫米波雷达人体感知方法及系统 - Google Patents
应用于社区网格巡查的毫米波雷达人体感知方法及系统 Download PDFInfo
- Publication number
- CN117148309A CN117148309A CN202311440115.8A CN202311440115A CN117148309A CN 117148309 A CN117148309 A CN 117148309A CN 202311440115 A CN202311440115 A CN 202311440115A CN 117148309 A CN117148309 A CN 117148309A
- Authority
- CN
- China
- Prior art keywords
- phase
- information
- human body
- determining
- jump
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000007689 inspection Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 230000000694 effects Effects 0.000 claims abstract description 16
- 230000008439 repair process Effects 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims description 67
- 230000006870 function Effects 0.000 claims description 35
- 238000005070 sampling Methods 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 230000037081 physical activity Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims 2
- 230000007704 transition Effects 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 description 9
- 230000005021 gait Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G01S7/415—Identification of targets based on measurements of movement associated with the 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
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
本发明提供一种应用于社区网格巡查的毫米波雷达人体感知方法及系统，涉及雷达技术领域，包括：获取传感器采集的原始数据，根据原始数据，确定回波信号的初始相位信息，结合预设的相位解包裹算法，判断初始相位信息是否存在相位跳变，若存在则进行跳变修复，确定第一相位信息，若不存在则将初始相位信息作为第一相位信息；根据第一相位信息，结合方向检测算法，确定人体移动方向和面向角度，记为人体运动信息，根据人体运动信息，定义信号处理算法，根据信号处理算法提取人体运动信息对应的振幅特征和相位特征；根据振幅特征和所述相位特征，结合预设的行为识别模型，构建线性核函数，根据线性核函数，结合人体运动信息，确定人体活动。
Description
技术领域
本发明涉及雷达技术领域，尤其涉及一种应用于社区网格巡查的毫米波雷达人体感知方法及系统。
背景技术
人体行为识别在安全预警，异常检测等许多领域都有十分广阔的应用前景，这些领域都需要快速精准的对人体行为进行识别，伴随着人工智能的普及和发展，该技术的灵活性和准确性得到进一步提升。
现有技术中，CN114114250A，公开了一种人体姿态识别毫米波雷达系统，所述识别系统用于对人体姿态的识别，所述处理系统用于对识别的数据进行处理，所述识别系统包括有定位追踪模块和发射信号模块、回波信号模块、信号放大模块、中频信号模块、特征提取模块、空间变化模块。该人体姿态识别毫米波雷达系统，能够对人体的姿态进行很好的识别工作，且能够保证识别信号的稳定性，进而保证姿态特征提取的精确性，降低环境对识别过程造成的干扰，进而降低了人工的劳动强度。
CN111738060A，公开了一种基于毫米波雷达的人体步态识别系统。系统包括：毫米波雷达子系统、数据处理子系统、特征数据库子系统、分类识别子系统和交互界面子系统；毫米波雷达子系统用于发射和接收毫米波，得到包含人体步态信息的数字中频原始数据；数据处理子系统用于对原始数据进行数字信号处理提取雷达特征；特征数据库子系统用于存储和更新所设定步态的特征数据集；分类识别子系统用于利用传统分类方法和深度学习方法进行步态分类识别；交互界面子系统用于交互控制和显示步态识别结果。本发明着眼于室内和室外人体的步态特性分析，适用于智能家居和智能安防场景中的人体行走状态分析、行走特性识别、身份识别等。
综上，现有技术虽然能够根据预设的行为类别对人体行为进行识别，但是无法根据检测结果实时调整检测模型，实现自动运行。
发明内容
本发明实施例提供一种应用于社区网格巡查的毫米波雷达人体感知方法及系统，用于解决现有技术中的一部分问题。
本发明实施例的第一方面，提供一种应用于社区网格巡查的毫米波雷达人体感知方法，包括：
获取传感器采集的原始数据，根据所述原始数据，确定回波信号的初始相位信息，根据所述初始相位信息，结合预设的相位解包裹算法，判断所述初始相位信息是否存在相位跳变，若存在则进行跳变修复，确定第一相位信息，若不存在则将所述初始相位信息作为第一相位信息；
根据所述第一相位信息，结合方向检测算法，确定人体移动方向和面向角度，记为人体运动信息，根据所述人体运动信息，定义信号处理算法，根据所述信号处理算法提取所述人体运动信息对应的振幅特征和相位特征；
根据所述振幅特征和所述相位特征，结合预设的行为识别模型，构建线性核函数，根据所述线性核函数，结合所述人体运动信息，确定人体活动，其中，所述行为识别模型是基于改进的支持向量机构建的。
在一种可选的实施方式中，
获取传感器采集的原始数据，根据所述原始数据，确定回波信号的初始相位信息包括：
获取传感器采集的原始数据，根据所述原始数据，对所述原始数据进行混频处理，得到第一回波信号；
根据所述第一回波信号，对所述第一回波信号进行同相正交解调，确定所述第一回波信号的实部和虚部，根据所述第一回波信号的实部和虚部，通过角度计算公式确定所述初始相位信息。
在一种可选的实施方式中，
根据所述初始相位信息，结合预设的相位解包裹算法，判断所述初始相位信息是否存在相位跳变，若存在则进行跳变修复，确定第一相位信息，若不存在则将所述初始相位信息作为第一相位信息包括：
获取所述初始相位信息，结合所述预设的相位解包裹算法对所述初始相位信息设置采样点，并获取相邻采样点间的相位差，将所述相位差与预先设置跳变检测阈值进行比较；
若所述相位差大于所述跳变检测阈值，则所述初始相位信息中存在跳变，获取发生跳变的采样点之前的相位值，记为未跳变相位值，根据所述未跳变相位值计算所述初始相位信息跳变前的线性斜率，根据所述未跳变相位值和线性斜率，结合采样点之间的时间间隔确定跳变估计值，将所述跳变估计值和所述未跳变相位值相加，得到所述初始相位信息；
若所述相位差小于所述跳变检测阈值，则所述初始相位信息中不存在跳变，将所述初始相位信息作为所述第一相位信息。
在一种可选的实施方式中，
根据所述未跳变相位值和线性斜率，结合采样点之间的时间间隔确定跳变估计值如下公式所示：
;
其中，λ acc (t)表示跳变估计值，θ(t 0 )表示未跳变相位值，m表示线性斜率，t 0 表示发生跳变的时间，t表示发生跳变之前的时间，μ表示非线性修正项。
在一种可选的实施方式中，
根据所述第一相位信息，结合方向检测算法，确定人体移动方向和面向角度，记为人体运动信息，根据所述人体运动信息，定义信号处理算法，根据所述信号处理算法提取所述人体运动信息对应的振幅特征和相位特征包括：
获取所述第一相位信息，根据所述方向检测算法，计算当前时刻和上一时刻的角度信息，确定角度差，根据所述角度差的数值，确定所述人体移动方向和面向角度，并记为人体运动信息；
根据所述人体运动信息，选择信号处理算法，根据所述信号处理算法对所述人体运动信息进行预处理，得到第一运动信息；
通过滑动窗口对所述第一运动信息进行检测，对于每个窗口，确定该窗口中的最大值并记为局部峰值，选取所述局部峰值中的最大值，得到所述第一运动信息的峰值，对于所述第一运动信息，计算相邻时刻的相位差分和相位变化率，根据所述相位差分和所述相位变化率，确定所述第一运动信息的幅度变化率；
根据计算得到的所述第一运动信息的峰值和所述第一运动信息的幅度变化率，结合预设的信号处理算法，得到所述人体运动信息对应的振幅特征和相位特征。
在一种可选的实施方式中，
根据所述振幅特征和所述相位特征，结合预设的行为识别模型，构建线性核函数，根据所述线性核函数，结合所述人体运动信息，确定人体活动包括：
获取所述振幅特征和所述相位特征，构建包含已知人体活动标签的数据集，记为人体活动集合；
根据所述人体活动集合，结合预设的行为识别模型，构建线性核函数；
根据所述线性核函数，将所述振幅特征和所述相位特征映射至高维空间中，得到高维行为特征集合，根据所述高维行为特征集合，结合预设的行为识别模型，确定所述高维行为特征集合中各个特征的空间距离，根据所述空间距离，确定所述高维行为特征集合中各个特征的分类，即确定所述人体活动。
在一种可选的实施方式中，所述方法还包括训练行为识别模型：
随机生成特征向量，并将所述随机生成的特征向量分为训练集和测试集，初始化所述行为识别模型并引入正则化参数，将所述训练集输入至所述行为识别模型，得到第一超平面；
根据所述第一超平面，确定所述行为识别模型对应的ROC曲线和混淆矩阵，根据所述ROC曲线和所述混淆矩阵，动态更新所述行为识别模型，将所述测试集加入至更新后行为识别模型，得到第二超平面，根据所述第二超平面，结合正则化参数，更新特征向量，直至达到预设的停止条件。
本发明实施例的第二方面，提供一种应用于社区网格巡查的毫米波雷达人体感知系统，包括：
第一单元，用于获取传感器采集的原始数据，根据所述原始数据，确定回波信号的初始相位信息，根据所述初始相位信息，结合预设的相位解包裹算法，判断所述初始相位信息是否存在相位跳变，若存在则进行跳变修复，确定第一相位信息，若不存在则将所述初始相位信息作为第一相位信息；
第二单元，用于根据所述第一相位信息，结合方向检测算法，确定人体移动方向和面向角度，记为人体运动信息，根据所述人体运动信息，定义信号处理算法，根据所述信号处理算法提取所述人体运动信息对应的振幅特征和相位特征；
第三单元，用于根据所述振幅特征和所述相位特征，结合预设的行为识别模型，构建线性核函数，根据所述线性核函数，结合所述人体运动信息，确定人体活动，其中，所述行为识别模型是基于改进的支持向量机构建的。
本发明实施例的第三方面，
提供一种电子设备，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。
本发明实施例的第四方面，
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。
本发明通过相位信息的准确获取和跳变修复，结合方向检测和信号处理算法，能够高精度地感知人体的移动、方向和活动，通过振幅特征、相位特征和支持向量机等技术，能够实现多种不同人体活动的准确识别，这对于社区网格巡查和安全监控非常重要，同时具备自动化处理能力，可用于实时监控和响应，提高了社区安全和管理的效率，综上，本发明可以提供高度精确和实用的人体感知和行为识别能力，从而有助于提高社区的安全性和管理效率。
附图说明
图1为本发明实施例应用于社区网格巡查的毫米波雷达人体感知方法的流程示意图；
图2为本发明实施例应用于社区网格巡查的毫米波雷达人体感知系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
下面以具体地实施例对本发明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为本发明实施例应用于社区网格巡查的毫米波雷达人体感知方法的流程示意图，如图1所示，所述方法包括：
S1.获取传感器采集的原始数据，根据所述原始数据，确定回波信号的初始相位信息，根据所述初始相位信息，结合预设的相位解包裹算法，判断所述初始相位信息是否存在相位跳变，若存在则进行跳变修复，确定第一相位信息，若不存在则将所述初始相位信息作为第一相位信息；
所述原始数据是指从传感器采集到的未经处理的、原始形式的数据，所述相位跳变是指信号的相位值突然从一个值跃迁到另一个值的情况，常出现在信号处理和通信系统中，所述跳变修复是信号处理中的一项关键任务，旨在处理信号中的相位跳变，以确保信号的连续性和准确性。
在一种可选的实施方式中，获取传感器采集的原始数据，根据所述原始数据，确定回波信号的初始相位信息包括：
获取传感器采集的原始数据，根据所述原始数据，对所述原始数据进行混频处理，得到第一回波信号；
根据所述第一回波信号，对所述第一回波信号进行同相正交解调，确定所述第一回波信号的实部和虚部，根据所述第一回波信号的实部和虚部，通过角度计算公式确定所述初始相位信息。
所述混频处理具体指将一个信号从一个频率范围（通常是高频）转换到另一个频率范围（通常是低频），以便进行后续处理，混频处理使用一个本地振荡器（LocalOscillator，LO）产生一个已知频率的参考信号，然后将这个参考信号与原始信号进行乘法运算，所述同相正交解调是一种用于提取信号的实部和虚部的技术，通常用于复数信号处理，目的是帮助提取信号的幅度和相位信息，所述初始相位信息是一个用来描述信号波形的起始相位的参数。
通过传感器采集原始数据，并将采集到的数据以数字的形式表示，对所述原始数据进行混频处理，将高频信号下变频到低频范围，得到所述第一回波信号。
获取所述第一回波信号，对于所述第一回波信号，产生两个正交的本地振荡器信号，对产生的本地振荡器信号进行乘法运算，得到两个新的信号，在通过低通滤波器对两个新的信号分别进行滤波，去除高频成分，得到第一回波信号的实部和虚部，根据所述实部和虚部，结合角度计算公式计算初始相位信息，示例性的，假设正在处理一个雷达应用，获得了第一回波信号，现在要提取其相位信息，从雷达接收机中获得了一个包含复数数据的信号。假设有一个包含实部（I）和虚部（Q）的信号向量，如[1.5+2.3i,0.8-1.2i]，使用本地振荡器产生90度相移信号（Q通道），然后与原始信号相乘，通过滤波去除高频噪声，得到I和Q通道的实部和虚部，使用反正切函数 arctan2(Q,I) 计算每个采样点的相位信息，最终得到所述初始相位信息。
本实施例中，混频处理可以提高雷达系统的分辨率，使其能够精确地检测和跟踪社区中的人体目标，这有助于减少误报和提高目标检测的准确性，通过同相正交解调和相位信息计算，可以实时跟踪人体的位置和运动，这对于安全监控和应急响应非常重要，综上，本实施例在需要远距离检测和在各种环境条件下工作的应用中可以帮助社区保持安全，并及时响应潜在的安全问题。
在一种可选的实施方式中，
根据所述初始相位信息，结合预设的相位解包裹算法，判断所述初始相位信息是否存在相位跳变，若存在则进行跳变修复，确定第一相位信息，若不存在则将所述初始相位信息作为第一相位信息包括：
获取所述初始相位信息，结合所述预设的相位解包裹算法对所述初始相位信息设置采样点，并获取相邻采样点间的相位差，将所述相位差与预先设置跳变检测阈值进行比较；
若所述相位差大于所述跳变检测阈值，则所述初始相位信息中存在跳变，获取发生跳变的采样点之前的相位值，记为未跳变相位值，根据所述未跳变相位值计算所述初始相位信息跳变前的线性斜率，根据所述未跳变相位值和线性斜率，结合采样点之间的时间间隔确定跳变估计值，将所述跳变估计值和所述未跳变相位值相加，得到所述初始相位信息；
若所述相位差小于所述跳变检测阈值，则所述初始相位信息中不存在跳变，将所述初始相位信息作为所述第一相位信息。
所述跳变检测阈值用于判定两个相邻采样点之间的相位差是否被认为是跳变，可以根据信噪比或信号频率进行判断，所述相位解包裹算法一种信号处理技术，用于解决相位信息中的2π（或360度）周期性跳变问题，所述线性斜率是相位解包裹算法中常用的一种工具，通常，线性斜率用于估计在跳变点之前的相位值。
获取预先计算得到的初始相位信息，将初始相位信息分成采样点，其中每个采样点对应于一段时间内的相位测量值，需要说明的是，采样点之间的时间间隔是根据初始相位信息长度预先设置好的，对相邻采样点的相位值进行减法操作，获得相邻采样点之间的相位差，产生一个序列，其中包含相位差值，将每个相邻采样点间的相位差与预设的跳变检测阈值进行比较。
若所述相位差值大于预先设置的跳变检测阈值，则认为存在跳变，记录下发生跳变前的相位值，称之为未跳变相位值，利用未跳变相位值和采样点之间的时间间隔，计算发生跳变前的线性斜率，该线性斜率等于相位差除以时间间隔，使用未跳变相位值、线性斜率和时间间隔计算跳变估计值，通常，跳变估计值等于未跳变相位值加上线性斜率乘时间间隔，将计算得到的跳变估计值和未跳变相位值相加，得到所述初始相位信息；
若所述相位差小于预先设置的跳变检测阈值，则认为不存在跳变，将所述初始相位信息作为第一相位信息。
重复检查每个相邻的采样点，查找所有可能的跳变并执行跳变修复，直至全部采样点完成检查。
本实施例中通过检测相位差是否大于跳变检测阈值，能够有效地识别和处理相位跳变问题，通过使用线性斜率和跳变估计值来修正跳变，可以还原连续的相位信息，从而提供更准确的位置和运动信息，有助于实现对物体位置的精确跟踪，综上，本实施例有助于提高毫米波雷达人体感知系统的性能，确保可靠的位置和运动信息捕获，同时处理潜在的相位跳变问题。
在一种可选的实施方式中，根据所述未跳变相位值和线性斜率，结合采样点之间的时间间隔确定跳变估计值如下公式所示：
;
其中，λ acc (t)表示跳变估计值，θ(t 0 )表示未跳变相位值，m表示线性斜率，t 0 表示发生跳变的时间，t表示发生跳变之前的时间，μ表示非线性修正项。
本函数中，线性斜率允许对相位的变化速率进行建模，有助于降低跳变估计的误差，通过考虑时间间隔，可以更好地近似跳变前的相位值，非线性修正项可以进一步减小估计误差，从而提高跳变估计的精度，综上，本函数考虑了未跳变相位值、线性斜率和时间间隔，用于估计跳变点之前的相位值。通过引入线性斜率和非线性修正项，可以更准确地估计跳变前的相位，从而提高跳变修正的准确性，有助于提高系统的跳变修正准确性和精度，从而支持更可靠的社区网格巡查和监控任务。
S2.根据所述第一相位信息，结合方向检测算法，确定人体移动方向和面向角度，记为人体运动信息，根据所述人体运动信息，定义信号处理算法，根据所述信号处理算法提取所述人体运动信息对应的振幅特征和相位特征；
所述方向检测算法通常用于图像处理、计算机视觉和信号处理领域，目的是确定某个对象或特征的方向或方向性信息，所述信号处理算法是指用于处理和分析信号的数学方法。
在一种可选的实施方式中，
根据所述第一相位信息，结合方向检测算法，确定人体移动方向和面向角度，记为人体运动信息，根据所述人体运动信息，定义信号处理算法，根据所述信号处理算法提取所述人体运动信息对应的振幅特征和相位特征包括：
获取所述第一相位信息，根据所述方向检测算法，计算当前时刻和上一时刻的角度信息，确定角度差，根据所述角度差的数值，确定所述人体移动方向和面向角度，并记为人体运动信息；
根据所述人体运动信息，选择信号处理算法，根据所述信号处理算法对所述人体运动信息进行预处理，得到第一运动信息；
通过滑动窗口对所述第一运动信息进行检测，对于每个窗口，确定该窗口中的最大值并记为局部峰值，选取所述局部峰值中的最大值，得到所述第一运动信息的峰值，对于所述第一运动信息，计算相邻时刻的相位差分和相位变化率，根据所述相位差分和所述相位变化率，确定所述第一运动信息的幅度变化率；
根据计算得到的所述第一运动信息的峰值和所述第一运动信息的幅度变化率，结合预设的信号处理算法，得到所述人体运动信息对应的振幅特征和相位特征。
所述相位差分通常是指时间间隔内的相位变化，所述相位变化率通常表示信号的频率。
获取预先计算得到的第一相位信息，通过方向检测算法，计算当前时刻的角度信息与上一时刻的角度信息之间的角度差，这一角度差为人体在两个时间的旋转或方向变化，根据角度差的数值，确定人体的移动方向和人体的面向角度，结合移动方向和面向角度，即可形成完整的人体运动信息。
示例性地，假设使用的角度差是一个介于0°和360°之间的角度值，定义不同的角度范围，例如：前方：315°~45°，后方：135°~225°，左侧：225°~315°，右侧：45°~135°，当计算的角度差在这些范围内时，可以确定人体的移动方向。例如，如果角度差为30°，那么可以判定为“前方”移动，面向角度通常表示人体的头部或朝向的旋转角度，假设0°表示正前方，正值表示顺时针旋转，负值表示逆时针旋转，当角度差为正值时，表示人体在顺时针旋转，角度差的绝对值可以表示旋转的角度，当角度差为负值时，表示人体在逆时针旋转。
获取所述人体运动信息，对所述运动信息进行滤波，去噪，数据校准和采样率调整，得到所述第一运动信息；
定义滑动窗口的大小和步进，窗口的大小足够大，以包含有意义的数据点，同时步进应使窗口在数据上平滑地移动，开始在第一个窗口位置，遍历第一运动信息的数据，对于每个窗口，获取窗口内的第一运动信息的值，计算相邻窗口的第一运动信息值之间的差值，即第一运动信息在相邻时间点的差异，通过比较窗口内数据点的数值计算该窗口内的最大值，记录每个窗口中的最大值作为局部峰值，从所有局部峰值中选择最大值，这个最大值将被视为第一运动信息的峰值，使用所选峰值的时间信息，计算相邻时刻的相位差分，相位差分=相位(t)-相位(t-1)，根据相位差分和时间间隔，计算相位变化率，相位变化率 =相位差分/时间间隔，根据相位变化率和已经选择的峰值，计算第一运动信息的幅度变化率。
获取计算得到的第一运动信息的峰值和第一运动信息的幅度变化率，对于振幅特征，计算峰值的平均值、最大值和最小值，以获取关于峰值的基本统计信息，计算峰值的标准差，以表示峰值的变异程度，对于相位特征，计算幅度变化率的平均值、最大值和最小值，以获取关于幅度变化率的基本统计信息，计算幅度变化率的标准差，以表示幅度变化率的变异程度，结合峰值特征和相位特征，可以构建一个特征向量，其中包含振幅特征和相位特征的各个统计度量值，这个特征向量可以用于描述人体运动的振幅和相位特性。
本实施例中，滑动窗口和峰值检测允许实时监测人体运动信息，包括人的动态行为，这对于社区的实时监测和响应非常重要，可以用于安全性和紧急情况的处理，提取振幅特征和相位特征有助于更全面地了解人体的运动情况。
S3.根据所述振幅特征和所述相位特征，结合预设的行为识别模型，构建线性核函数，根据所述线性核函数，结合所述人体运动信息，确定人体活动，其中，所述行为识别模型是基于改进的支持向量机构建的。
所述行为识别模型一种机器学习模型，用于将特定的输入数据映射到与特定行为或活动相关的类别或标签，所述线性核函数是支持向量机中的一种核函数，用于分类和回归任务，线性核函数用于支持向量机在高维空间中进行线性分类，所述支持向量机是一种监督学习算法，用于找到一个超平面，能够在不同类别的数据点之间建立最大的间隔，从而实现良好的分类或回归。
在一种可选的实施方式中，
根据所述振幅特征和所述相位特征，结合预设的行为识别模型，构建线性核函数，根据所述线性核函数，结合所述人体运动信息，确定人体活动包括：
获取所述振幅特征和所述相位特征，构建包含已知人体活动标签的数据集，记为人体活动集合；
根据所述人体活动集合，结合预设的行为识别模型，构建线性核函数；
根据所述线性核函数，将所述振幅特征和所述相位特征映射至高维空间中，得到高维行为特征集合，根据所述高维行为特征集合，结合预设的行为识别模型，确定所述高维行为特征集合中各个特征的空间距离，根据所述空间距离，确定所述高维行为特征集合中各个特征的分类，即确定所述人体活动。
从原始数据中提取振幅特征和相位特征，创建一个数据集，其中包含已知人体活动的标签，这个数据集包括振幅特征和相位特征，以及相应的人体活动标签，使用预设的行为识别模型将特征映射到活动标签。
从人体活动集合中准备数据，数据包括振幅特征、相位特征和与之相关的活动标签，在使用支持向量机之前，需要对特征进行标准化或缩放，以确保它们在相同的尺度上，使用已知的支持向量机库在编程语言中构建一个线性支持向量机模型，根据已有的数据，确定线性核函数，示例性地，线性核函数的表达式可以为K(x, y) = x * y，其中k表示线性核函数，x表示振幅特征，y表示相位特征。
获取预先构建的线性核函数，使用线性核函数进行映射，线性核函数不进行实际映射，只进行内积操作，将振幅特征和相位特征分别表示为向量x和y，然后计算它们的内积以获得高维特征，使用预设的行为识别模型，对于高维特征空间中的每对特征向量，使用内积操作和欧氏距离计算它们之间的距离，根据计算的距离值，使用行为识别模型，即将距离值输入到模型中，并根据模型的输出确定活动的类别，来确定特征向量的分类，即识别所述人体活动。
所述内积操作用于测量两个向量之间的相似性或关联度。内积操作是将两个向量相同位置上的对应元素相乘，然后将这些乘积相加而得到的标量值，所述高维特征指的是在数据集或问题中具有大量特征或属性的情况，每个特征代表数据的一个方面。高维特征通常涉及数据的多个维度，每个维度可以是数据的一个属性、特征或变量。
本实施例中，通过计算高维特征集合中的特征向量之间的空间距离，可以量化它们之间的相似性。这有助于确定不同活动之间的差异和相似性，使用行为识别模型，根据计算的空间距离值，将高维特征集合中的特征向量进行分类。模型会根据距离度量决定每个特征向量属于哪个人体活动类别，综上，本实施例能够实现有效的人体活动监测和分类，为社区管理和安全提供了有力的工具。
在一种可选的实施方式中，所述方法还包括训练行为识别模型：
随机生成特征向量，并将所述随机生成的特征向量分为训练集和测试集，初始化所述行为识别模型并引入正则化参数，将所述训练集输入至所述行为识别模型，得到第一超平面；
根据所述第一超平面，确定所述行为识别模型对应的ROC曲线和混淆矩阵，根据所述ROC曲线和所述混淆矩阵，动态更新所述行为识别模型，将所述测试集加入至更新后行为识别模型，得到第二超平面，根据所述第二超平面，结合正则化参数，更新特征向量，直至达到预设的停止条件。
随机生成包含已知标签的特征向量，这些特征向量代表数据点，每个特征向量都包含一组特征值和相应的标签，将生成的数据集划分为两部分，一部分用于训练模型，另一部分用于测试模型的性能，通常，数据集的一部分（例如80%）用于训练，剩余部分（例如20%）用于测试；初始化行为识别模型并初始化模型参数，正则化参数用于控制模型的复杂性，以防止过拟合。选择适当的正则化参数值，并将其引入模型，将训练集的特征向量输入到行为识别模型中，使用训练数据来拟合模型，以便它能够学习特征和标签之间的关系，通过该步骤获取第一个超平面；
根据获得的第一个超平面，使用测试集数据，计算模型的ROC曲线和混淆矩阵，根据ROC曲线和混淆矩阵的性能指标，动态更新行为识别模型，调整模型参数或特征权重这可以包括调整正则化参数，将测试集数据加入到更新后的行为识别模型中，训练模型，以得到第二个超平面，根据需要，重复多次模型更新和测试，以逐步改进模型性能，直到达到预设的停止条件，如满意的性能水平或迭代次数
所述ROC曲线是一种用于可视化二分类模型性能的图形工具，以不同的阈值为横轴，绘制了模型的真正例率与假正例率之间的关系，真正例率是被正确分类为正类别的样本数与实际正类别的样本数的比率，假正例率是被错误分类为正类别的样本数与实际负类别的样本数的比率，ROC曲线越靠近左上角，模型性能越好，因为它表示了更高的真正例率和较低的假正例率，所述混淆矩阵是一个二维矩阵，用于展示分类模型的性能，可以用于计算各种性能指标，如准确度、精确度、召回率、F1分数等。
本实施例中，引入正则化参数有助于防止过拟合，提高模型的泛化能力，使用ROC曲线和混淆矩阵进行性能评估，使能够深入了解模型的性能和做出针对性的改进，通过动态更新模型和特征向量，适应不同的人体活动和环境变化，提高了毫米波雷达人体感知方法的鲁棒性，综上，本实施例通过不断迭代模型和特征，可以逐步提高对人体活动的分类准确性，实现了对社区网格巡查中的人体活动的精确监测和分类，提高了系统的效率和准确性。
图2为本发明实施例应用于社区网格巡查的毫米波雷达人体感知系统的结构示意图，如图2所示，所述系统包括：
第一单元，用于获取传感器采集的原始数据，根据所述原始数据，确定回波信号的初始相位信息，根据所述初始相位信息，结合预设的相位解包裹算法，判断所述初始相位信息是否存在相位跳变，若存在则进行跳变修复，确定第一相位信息，若不存在则将所述初始相位信息作为第一相位信息；
第二单元，用于根据所述第一相位信息，结合方向检测算法，确定人体移动方向和面向角度，记为人体运动信息，根据所述人体运动信息，定义信号处理算法，根据所述信号处理算法提取所述人体运动信息对应的振幅特征和相位特征；
第三单元，用于根据所述振幅特征和所述相位特征，结合预设的行为识别模型，构建线性核函数，根据所述线性核函数，结合所述人体运动信息，确定人体活动，其中，所述行为识别模型是基于改进的支持向量机构建的。
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。
在一种可选的实施方式中，
所述应用于社区网格巡查的毫米波雷达人体感知系统可以分为监管子系统和运维子系统，在监管子系统中，使用者通过账号登录系统，登录后根据顺序选择街道-社区-网格，选择后即可查看该网格的检测设备数量和设备报警率，在所述运维子系统中，设备发生报警后，将报警信息发送至运维平台，运维平台监测人员进行人工联系，若联系无效，则进行警情处理，具体处理方式为，通过设备数据库确定发出报警信号的网格，并确定发生警情的网格的网格员，确定网格员是否进行处理，若已经进行处理则反馈实际情况，若未处理，则运维平台隔日继续通知上级部门。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围。
Claims (10)
1.应用于社区网格巡查的毫米波雷达人体感知方法，其特征在于，包括：
获取传感器采集的原始数据，根据所述原始数据，确定回波信号的初始相位信息，根据所述初始相位信息，结合预设的相位解包裹算法，判断所述初始相位信息是否存在相位跳变，若存在则进行跳变修复，确定第一相位信息，若不存在则将所述初始相位信息作为第一相位信息；
根据所述第一相位信息，结合方向检测算法，确定人体移动方向和面向角度，记为人体运动信息，根据所述人体运动信息，定义信号处理算法，根据所述信号处理算法提取所述人体运动信息对应的振幅特征和相位特征；
根据所述振幅特征和所述相位特征，结合预设的行为识别模型，构建线性核函数，根据所述线性核函数，结合所述人体运动信息，确定人体活动，其中，所述行为识别模型是基于改进的支持向量机构建的。
2.根据权利要求1所述的方法，其特征在于，获取传感器采集的原始数据，根据所述原始数据，确定回波信号的初始相位信息包括：
获取传感器采集的原始数据，根据所述原始数据，对所述原始数据进行混频处理，得到第一回波信号；
根据所述第一回波信号，对所述第一回波信号进行同相正交解调，确定所述第一回波信号的实部和虚部，根据所述第一回波信号的实部和虚部，通过角度计算公式确定所述初始相位信息。
3.根据权利要求1所述的方法，其特征在于，根据所述初始相位信息，结合预设的相位解包裹算法，判断所述初始相位信息是否存在相位跳变，若存在则进行跳变修复，确定第一相位信息，若不存在则将所述初始相位信息作为第一相位信息包括：
获取所述初始相位信息，结合所述预设的相位解包裹算法对所述初始相位信息设置采样点，并获取相邻采样点间的相位差，将所述相位差与预先设置跳变检测阈值进行比较；
若所述相位差大于所述跳变检测阈值，则所述初始相位信息中存在跳变，获取发生跳变的采样点之前的相位值，记为未跳变相位值，根据所述未跳变相位值计算所述初始相位信息跳变前的线性斜率，根据所述未跳变相位值和线性斜率，结合采样点之间的时间间隔确定跳变估计值，将所述跳变估计值和所述未跳变相位值相加，得到所述初始相位信息；
若所述相位差小于所述跳变检测阈值，则所述初始相位信息中不存在跳变，将所述初始相位信息作为所述第一相位信息。
4.根据权利要求3所述的方法，其特征在于，根据所述未跳变相位值和线性斜率，结合采样点之间的时间间隔确定跳变估计值如下公式所示：
;
其中，λ acc (t)表示跳变估计值，θ(t 0 )表示未跳变相位值，m表示线性斜率，t 0 表示发生跳变的时间，t表示发生跳变之前的时间，μ表示非线性修正项。
5.根据权利要求1所述的方法，其特征在于，根据所述第一相位信息，结合方向检测算法，确定人体移动方向和面向角度，记为人体运动信息，根据所述人体运动信息，定义信号处理算法，根据所述信号处理算法提取所述人体运动信息对应的振幅特征和相位特征包括：
获取所述第一相位信息，根据所述方向检测算法，计算当前时刻和上一时刻的角度信息，确定角度差，根据所述角度差的数值，确定所述人体移动方向和面向角度，并记为人体运动信息；
根据所述人体运动信息，选择信号处理算法，根据所述信号处理算法对所述人体运动信息进行预处理，得到第一运动信息；
通过滑动窗口对所述第一运动信息进行检测，对于每个窗口，确定该窗口中的最大值并记为局部峰值，选取所述局部峰值中的最大值，得到所述第一运动信息的峰值，对于所述第一运动信息，计算相邻时刻的相位差分和相位变化率，根据所述相位差分和所述相位变化率，确定所述第一运动信息的幅度变化率；
根据计算得到的所述第一运动信息的峰值和所述第一运动信息的幅度变化率，结合预设的信号处理算法，得到所述人体运动信息对应的振幅特征和相位特征。
6.根据权利要求1所述的方法，其特征在于，根据所述振幅特征和所述相位特征，结合预设的行为识别模型，构建线性核函数，根据所述线性核函数，结合所述人体运动信息，确定人体活动包括：
获取所述振幅特征和所述相位特征，构建包含已知人体活动标签的数据集，记为人体活动集合；
根据所述人体活动集合，结合预设的行为识别模型，构建线性核函数；
根据所述线性核函数，将所述振幅特征和所述相位特征映射至高维空间中，得到高维行为特征集合，根据所述高维行为特征集合，结合预设的行为识别模型，确定所述高维行为特征集合中各个特征的空间距离，根据所述空间距离，确定所述高维行为特征集合中各个特征的分类，即确定所述人体活动。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括训练行为识别模型：
随机生成特征向量，并将所述随机生成的特征向量分为训练集和测试集，初始化所述行为识别模型并引入正则化参数，将所述训练集输入至所述行为识别模型，得到第一超平面；
根据所述第一超平面，确定所述行为识别模型对应的ROC曲线和混淆矩阵，根据所述ROC曲线和所述混淆矩阵，动态更新所述行为识别模型，将所述测试集加入至更新后行为识别模型，得到第二超平面，根据所述第二超平面，结合正则化参数，更新特征向量，直至达到预设的停止条件。
8.应用于社区网格巡查的毫米波雷达人体感知系统，其特征在于，包括：
第一单元，用于获取传感器采集的原始数据，根据所述原始数据，确定回波信号的初始相位信息，根据所述初始相位信息，结合预设的相位解包裹算法，判断所述初始相位信息是否存在相位跳变，若存在则进行跳变修复，确定第一相位信息，若不存在则将所述初始相位信息作为第一相位信息；
第二单元，用于根据所述第一相位信息，结合方向检测算法，确定人体移动方向和面向角度，记为人体运动信息，根据所述人体运动信息，定义信号处理算法，根据所述信号处理算法提取所述人体运动信息对应的振幅特征和相位特征；
第三单元，用于根据所述振幅特征和所述相位特征，结合预设的行为识别模型，构建线性核函数，根据所述线性核函数，结合所述人体运动信息，确定人体活动，其中，所述行为识别模型是基于改进的支持向量机构建的。
9.一种电子设备，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中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311440115.8A CN117148309B (zh) | 2023-11-01 | 2023-11-01 | 应用于社区网格巡查的毫米波雷达人体感知方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311440115.8A CN117148309B (zh) | 2023-11-01 | 2023-11-01 | 应用于社区网格巡查的毫米波雷达人体感知方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117148309A true CN117148309A (zh) | 2023-12-01 |
| CN117148309B CN117148309B (zh) | 2024-01-30 |
Family
ID=88897321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311440115.8A Active CN117148309B (zh) | 2023-11-01 | 2023-11-01 | 应用于社区网格巡查的毫米波雷达人体感知方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117148309B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101972170A (zh) * | 2010-10-22 | 2011-02-16 | 广东工业大学 | 最小二乘支持向量机自适应滤波器及其滤波方法 |
| US20170124483A1 (en) * | 2014-06-02 | 2017-05-04 | Yottamine Analytics, Llc | Digital Event Profile Filters Based on Cost Sensitive Support Vector Machine for Fraud Detection, Risk Rating or Electronic Transaction Classification |
| US20180365975A1 (en) * | 2015-12-09 | 2018-12-20 | Origin Wireless, Inc. | Method, apparatus, and systems for wireless event detection and monitoring |
| CN111738060A (zh) * | 2020-05-07 | 2020-10-02 | 复旦大学 | 基于毫米波雷达的人体步态识别系统 |
| WO2021160189A1 (zh) * | 2020-02-14 | 2021-08-19 | 重庆邮电大学 | WiFi干扰环境下的CSI人体跌倒识别方法 |
| CN113326801A (zh) * | 2021-06-22 | 2021-08-31 | 哈尔滨工程大学 | 一种基于信道状态信息的人体移动方向识别方法 |
| CN114114250A (zh) * | 2021-11-09 | 2022-03-01 | 武汉信捷思特科技有限公司 | 一种人体姿态识别毫米波雷达系统 |
| WO2022116008A1 (zh) * | 2020-12-01 | 2022-06-09 | 华为技术有限公司 | 一种信源数量估计的方法、装置和存储介质 |
| CN115134848A (zh) * | 2022-05-26 | 2022-09-30 | 同济大学 | 基于Wi-Fi信号的人体活动感知识别方法、系统及存储介质 |
| CN115644840A (zh) * | 2022-08-23 | 2023-01-31 | 华南理工大学 | 基于毫米波雷达的生命体征检测方法 |
| CN116226624A (zh) * | 2023-03-06 | 2023-06-06 | 南昌大学 | 一种基于张量分解的运动想象脑机接口的通道选择方法 |
| CN116602646A (zh) * | 2023-04-03 | 2023-08-18 | 华南理工大学 | 基于雷达的人体呼吸信息提取方法、装置、设备及介质 |
| CN116942142A (zh) * | 2023-06-08 | 2023-10-27 | 人工智能与数字经济广东省实验室(广州) | 一种基于毫米波雷达的人员智能化监测方法及相关设备 |
-
2023
- 2023-11-01 CN CN202311440115.8A patent/CN117148309B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101972170A (zh) * | 2010-10-22 | 2011-02-16 | 广东工业大学 | 最小二乘支持向量机自适应滤波器及其滤波方法 |
| US20170124483A1 (en) * | 2014-06-02 | 2017-05-04 | Yottamine Analytics, Llc | Digital Event Profile Filters Based on Cost Sensitive Support Vector Machine for Fraud Detection, Risk Rating or Electronic Transaction Classification |
| US20180365975A1 (en) * | 2015-12-09 | 2018-12-20 | Origin Wireless, Inc. | Method, apparatus, and systems for wireless event detection and monitoring |
| WO2021160189A1 (zh) * | 2020-02-14 | 2021-08-19 | 重庆邮电大学 | WiFi干扰环境下的CSI人体跌倒识别方法 |
| CN111738060A (zh) * | 2020-05-07 | 2020-10-02 | 复旦大学 | 基于毫米波雷达的人体步态识别系统 |
| WO2022116008A1 (zh) * | 2020-12-01 | 2022-06-09 | 华为技术有限公司 | 一种信源数量估计的方法、装置和存储介质 |
| CN113326801A (zh) * | 2021-06-22 | 2021-08-31 | 哈尔滨工程大学 | 一种基于信道状态信息的人体移动方向识别方法 |
| CN114114250A (zh) * | 2021-11-09 | 2022-03-01 | 武汉信捷思特科技有限公司 | 一种人体姿态识别毫米波雷达系统 |
| CN115134848A (zh) * | 2022-05-26 | 2022-09-30 | 同济大学 | 基于Wi-Fi信号的人体活动感知识别方法、系统及存储介质 |
| CN115644840A (zh) * | 2022-08-23 | 2023-01-31 | 华南理工大学 | 基于毫米波雷达的生命体征检测方法 |
| CN116226624A (zh) * | 2023-03-06 | 2023-06-06 | 南昌大学 | 一种基于张量分解的运动想象脑机接口的通道选择方法 |
| CN116602646A (zh) * | 2023-04-03 | 2023-08-18 | 华南理工大学 | 基于雷达的人体呼吸信息提取方法、装置、设备及介质 |
| CN116942142A (zh) * | 2023-06-08 | 2023-10-27 | 人工智能与数字经济广东省实验室(广州) | 一种基于毫米波雷达的人员智能化监测方法及相关设备 |
Non-Patent Citations (1)
| Title |
|---|
| 徐伟;周培义;张芬;黄亮;: "视觉和毫米波雷达信息融合行人识别算法", 同济大学学报(自然科学版), no. 1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117148309B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921873B (zh) | 基于核相关滤波优化的马尔科夫决策在线多目标跟踪方法 | |
| CN110782483B (zh) | 基于分布式相机网络的多视图多目标跟踪方法及系统 | |
| CN110632572A (zh) | 基于无意调相特性的雷达辐射源个体识别方法及装置 | |
| CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
| CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
| US20220172378A1 (en) | Image processing apparatus, image processing method and non-transitory computer readable medium | |
| CN114330572A (zh) | 基于对比学习的异常检测方法、系统及计算机存储介质 | |
| CN114972735A (zh) | 基于roi预测和多模块学习的抗遮挡移动目标跟踪装置及方法 | |
| CN112164093A (zh) | 一种基于边缘特征和相关滤波的人物自动跟踪方法 | |
| CN115795401A (zh) | 海洋牧场全要素监测传感器多数据融合系统 | |
| CN111323757A (zh) | 一种航海雷达目标检测方法及装置 | |
| CN117148309B (zh) | 应用于社区网格巡查的毫米波雷达人体感知方法及系统 | |
| CN115469303A (zh) | 一种检测人体姿态和生命体征的认知生物雷达方法与装置 | |
| Yang et al. | Extraction and denoising of human signature on radio frequency spectrums | |
| CN111797690A (zh) | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 | |
| CN114637001B (zh) | 雷达的目标检测方法、装置、设备及存储介质 | |
| CN113899948B (zh) | 一种电磁频谱目标特征数据快速提取系统及方法 | |
| CN113608190B (zh) | 基于奇异空间三特征的海面目标检测方法及系统 | |
| Pushkar et al. | A comparative study on change-point detection methods in time series data | |
| Raeis et al. | InARMS: Individual activity recognition of multiple subjects with FMCW radar | |
| Bouchard et al. | Regression analysis for gesture recognition using passive RFID technology in smart home environments | |
| Oberti et al. | Performance evaluation criterion for characterizing video-surveillance systems | |
| CN117079416B (zh) | 基于人工智能算法的多人5d雷达跌倒检测方法及系统 | |
| Kolba et al. | Sensor management for static target detection with non-binary sensor observations and observation uncertainty | |
| CN113933824A (zh) | 一种基于射频技术获取人体感知模型的方法及其利用方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |