CN117991217A - 一种虚警识别方法、装置、计算机设备及存储介质 - Google Patents
一种虚警识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117991217A CN117991217A CN202410158710.0A CN202410158710A CN117991217A CN 117991217 A CN117991217 A CN 117991217A CN 202410158710 A CN202410158710 A CN 202410158710A CN 117991217 A CN117991217 A CN 117991217A
- Authority
- CN
- China
- Prior art keywords
- target
- doppler
- micro
- main body
- echo
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 107
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000007477 logistic regression Methods 0.000 claims abstract description 14
- 230000033001 locomotion Effects 0.000 claims description 58
- 238000001228 spectrum Methods 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 18
- 230000000737 periodic effect Effects 0.000 claims description 16
- 238000005311 autocorrelation function Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000002592 echocardiography Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 210000003205 muscle Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及计算机技术领域,公开了一种虚警识别方法、装置、计算机设备及存储介质,该方法包括:当接收到警报信息时,获取警报信息对应的目标主体的雷达信号,并确定微多普勒回波的原始数据矩阵;对原始数据矩阵进行特征提取,得到目标微多普勒特征;利用多项式扩展对目标微多普勒特征进行扩维处理,并利用逻辑回归模型对扩维处理后的目标微多普勒特征进行分类,得到目标主体的类型;若目标主体的类型为物体,则将目标主体对应的警报消息确定为虚警,本发明通过对原始数据矩阵进行分析,得到目标微多普勒特征,通过逻辑回归模型对目标微多普勒特征进行分类,判断目标主体的类型,将目标主体的类型为物体的警报信息确定为虚警,实现虚警识别。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种虚警识别方法、装置、计算机设备及存储介质。
背景技术
随着科技的快速发展,安防需求不断增加。安防雷达作为安防工作中常用的产品之一,采用安防雷达对周围环境中的物体进行探测,以实现安全监控。安防雷达具有高精度、高灵敏度、高可靠性等特点,能够实现全方位、全天候的监控,具有广泛的应用场景。
在现有技术中,常常直接采用安防雷达实现区域内的目标检测以及目标跟踪,对移动的目标进行智能报警。然而该种方式对所有移动的目标均进行报警,易造成虚警。因此,如何识别虚警成为一个亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种虚警识别方法、装置、计算机设备及存储介质,以避免现有技术中安防雷达对所有移动的目标均进行报警,易造成虚警的问题。
第一方面,本发明提供了一种虚警识别方法,该方法包括:
当接收到警报信息时,获取警报信息对应的目标主体的雷达信号,并根据雷达信号确定微多普勒回波的原始数据矩阵,微多普勒回波为目标主体接收到雷达信号后发生微多普勒效应产生的回波;
对原始数据矩阵进行特征提取,得到目标微多普勒特征;
利用多项式扩展对目标微多普勒特征进行扩维处理,并利用逻辑回归模型对扩维处理后的目标微多普勒特征进行分类,得到目标主体的类型;
若目标主体的类型为物体,则将目标主体对应的警报消息确定为虚警。
本发明通过在接收到警报信息时,获取目标主体的雷达信号,确定目标主体发生多普勒效应时的多普勒回波的原始数据矩阵,以对原始数据矩阵进行分析,得到目标微多普勒特征,通过逻辑回归模型对扩维处理后的目标微多普勒特征进行分类,以判断目标主体的类型,将目标主体的类型为物体的警报信息确定为虚警,从而实现虚警识别,避免对所有移动的目标报警造成的资源浪费。
在一种可选的实施方式中,根据雷达信号确定微多普勒回波的原始数据矩阵,包括:
对雷达信号的快时间维进行快速傅里叶变换,得到快时间矩阵;
对雷达信号的慢时间维进行快速傅里叶变换,得到慢时间矩阵;
根据快时间矩阵和慢时间矩阵确定微多普勒回波的原始数据矩阵。
本发明通过对雷达信号的快时间维进行快速傅里叶变换、慢时间维进行快速傅里叶变换,以确定雷达信号对应的快时间矩阵和慢时间矩阵,从而确定微多普勒回波的原始数据矩阵,利用快速傅里叶变换提高了数据处理速度,并降低了计算复杂度。
在一种可选的实施方式中,根据快时间矩阵和慢时间矩阵确定微多普勒回波的原始数据矩阵,包括:
对快时间矩阵和慢时间矩阵进行脉冲压缩处理,得到距离时间图;
从距离时间图中提取目标主体的运动回波信号,并对目标主体的运动回波信号进行短时傅里叶变换;
根据短时傅里叶变换后的运动回波信号计算微多普勒回波的原始数据矩阵。
本发明通过对快时间矩阵和慢时间矩阵进行脉冲压缩处理,提高信号的分辨力,通过对距离时间图中提取目标主体的运动回波信号,并对运动回波信号进行短时傅里叶变换,以实现精确的频域分析,从而计算微多普勒回波的原始数据矩阵,以便于根据微多普勒回波的原始数据矩阵对目标主体进行识别。
在一种可选的实施方式中,在对原始数据矩阵进行特征提取之前,该方法还包括:
提取原始数据矩阵对应的噪声信号,并根据噪声信号确定噪声门限值;
基于噪声门限值,对原始数据矩阵进行噪声过滤处理。
本发明通过根据从原始数据矩阵中提取的噪声信号确定噪声门限值,以对原始数据矩阵进行噪声过滤处理,从而减少噪声的干扰。
在一种可选的实施方式中,目标微多普勒特征包括:目标多普勒频率特征、目标微多普勒信号带宽特征、目标微多普勒频偏特征、目标运动的周期特征以及目标多普勒信号能量的标准差。
本发明采用目标多普勒频率特征、目标微多普勒信号带宽特征、目标微多普勒频偏特征、目标运动的周期特征以及目标多普勒信号能量的标准差,以全面地表征目标微多普勒特征
在一种可选的实施方式中,通过如下方式确定目标运动的周期特征:
对目标多普勒频率特征进行自相关处理,得到自相关函数;
对自相关函数进行傅里叶变换,得到自相关函数对应的功率谱;
提取功率谱对应的峰值频率,并根据峰值频率确定目标运动的周期特征。
本发明通过对目标多普勒频率特征进行信号处理,以提取目标多普勒频率特征对应的功率谱对应的峰值频率,从而分析出目标运动的周期特征,以便于根据目标运动的周期特征对目标运动进行分析。
在一种可选的实施方式中,通过如下方式确定目标多普勒信号能量的标准差:
确定目标微多普勒频率特征对应的目标微多普勒频谱,并对目标微多普勒频谱进行归一化处理;
计算归一化处理后的目标微多普勒频谱对应的信号强度以及信号强度的平均值;
根据目标微多普勒频谱对应的信号强度以及信号强度的平均值计算目标多普勒信号能量的标准差。
本发明通过对目标微多普勒频率特征对应的目标微多普勒频谱进行归一化处理,以便于对目标微多普勒频谱对应的信号强度相关参数进行计算,降低了数据量。
第二方面,本发明提供了一种虚警识别装置,该装置包括:
获取模块,用于当接收到警报信息时,获取警报信息对应的目标主体的雷达信号,并根据雷达信号确定微多普勒回波的原始数据矩阵,微多普勒回波为目标主体接收到雷达信号后发生微多普勒效应产生的回波;
特征提取模块,用于对原始数据矩阵进行特征提取,得到目标微多普勒特征;
分类模块,用于利用多项式扩展对目标微多普勒特征进行扩维处理,并利用逻辑回归模型对扩维处理后的目标微多普勒特征进行分类,得到目标主体的类型;
确定模块,用于若目标主体的类型为物体,则将目标主体对应的警报消息确定为虚警。
第三方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的虚警识别方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的虚警识别方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的虚警识别方法的流程示意图;
图2是根据本发明实施例的另一虚警识别方法的流程示意图;
图3是本发明实施例中的距离时间图;
图4是本发明实施例中的行人的运动模型图;
图5是本发明实施例中的行人的多普勒图;
图6是本发明实施例中的目标多普勒频率特征图;
图7是本发明实施例中的自相关系数示意图;
图8是本发明实施例中的自相关函数示意图;
图9是根据本发明实施例的虚警识别装置的结构框图;
图10是本发明实施例的计算机设备的硬件结构示意图。
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。
根据本发明实施例,提供了一种虚警识别方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种虚警识别方法,可用于移动终端,图1是根据本发明实施例的虚警识别方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,当接收到警报信息时,获取警报信息对应的目标主体的雷达信号,并根据雷达信号确定微多普勒回波的原始数据矩阵。
其中,微多普勒回波为目标主体接收到雷达信号后发生微多普勒效应产生的回波。
具体地,在监测区域内安装有安防雷达,通过安防雷达产生雷达信号,该雷达信号会照射在监测区域内的物体上。
在本发明实施例中,当接收到警报信息时,目标主体可能发生运动。目标主体在运动的过程中,除了整体的运动外,目标主体任意结构部件的相对运动称为微动。以人体为例,人体在行走时,胳膊、腿等部位的相对运动称为微动。而在雷达信号的照射下,目标主体的微动引起的多普勒效应会在雷达的时频中产生微小而精细的频率调制现象,该效应成为微多普勒效应。目标主体在接收到雷达信号后发生微多普勒效应,产生微多普勒回波,按照逐个线性调频周期将微多普勒回波拼接成数据矩阵,构成原始数据矩阵。
步骤S102,对原始数据矩阵进行特征提取,得到目标微多普勒特征。
在本发明实施例中,从微多普勒回波的原始数据矩阵中提取目标微多普勒特征,目标微多普勒特征包括:目标多普勒频率特征、目标微多普勒信号带宽特征、目标微多普勒频偏特征、目标运动的周期特征以及目标多普勒信号能量的标准差。
步骤S103,利用多项式扩展对目标微多普勒特征进行扩维处理,并利用逻辑回归模型对扩维处理后的目标微多普勒特征进行分类,得到目标主体的类型。
在本发明实施例中,利用多项式扩展对特征提取得到的目标微多普勒特征进行扩维处理。
例如,利用多项式扩展将二维特征(x1,x2)扩展为五维特征,扩展后的五维特征为对应地,原型为hθ(x1,x2)=θ0+θ1x1+θ2x2的二维线性模型扩展为五维线性模型,扩展后的五维线性模型为:/>其中,θ0,θ1,θ2,θ3,θ4,θ5为多项式系数。
利用逻辑回归模型对扩维处理后的目标微多普勒特征进行分类时,可以先采集各个场景下的数据,得到若干组数据,采用逻辑回归模型对各个场景下的数据进行训练,得到多项式系数θ0,θ1,θ2,θ3,θ4,θ5,利用训练好的逻辑回归模型对扩维处理后的目标微多普勒特征进行分类,得到目标主体的类型,目标主体的类型包括人和物体。
步骤S104,若目标主体的类型为物体,则将目标主体对应的警报消息确定为虚警。
在本发明实施例中,在仅对人的运动进行监测的场景下,若识别出的目标主体类型为物体,则将该目标主体确定为虚警目标,将该目标主体对应的警报信息确定为虚警,对虚警信息进行删除处理,以避免虚警造成的应急资源浪费。
本实施例提供的虚警识别方法,通过在接收到警报信息时,获取目标主体的雷达信号,确定目标主体发生多普勒效应时的多普勒回波的原始数据矩阵,以对原始数据矩阵进行分析,得到目标微多普勒特征,通过逻辑回归模型对扩维处理后的目标微多普勒特征进行分类,以判断目标主体的类型,将目标主体的类型为物体的警报信息确定为虚警,从而实现虚警识别,避免对所有移动的目标报警造成的资源浪费。
在本实施例中提供了一种虚警识别方法,可用于上述的移动终端,图2是根据本发明实施例的虚警识别方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,当接收到警报信息时,获取警报信息对应的目标主体的雷达信号,并根据雷达信号确定微多普勒回波的原始数据矩阵。
具体地,上述步骤S201中根据雷达信号确定微多普勒回波的原始数据矩阵包括:
步骤S2011,对雷达信号的快时间维进行快速傅里叶变换,得到快时间矩阵。
步骤S2012,对雷达信号的慢时间维进行快速傅里叶变换,得到慢时间矩阵。
步骤S2013,根据快时间矩阵和慢时间矩阵确定微多普勒回波的原始数据矩阵。
在本发明实施例中,雷达信号由快时间和慢时间两个维度组成,快时间维对应距离维,慢时间维对应速度维。首先对雷达信号的快时间维进行快速傅里叶变换,得到距离维信息,根据距离维信息生成快时间矩阵,在对雷达信号的慢时间维进行快速傅里叶变换,得到速度维信息,根据速度维信息生成慢时间矩阵。在数据矩阵中沿每列存储快时间样本,沿每行存储慢时间样本,形成微多普勒回波的原始数据矩阵。
其中,快时间矩阵和慢时间矩阵详细的生成过程可参照现有技术中时间矩阵的生成方式加以实现,在此不再进行赘述。
通过对雷达信号的快时间维进行快速傅里叶变换、慢时间维进行快速傅里叶变换,以确定雷达信号对应的快时间矩阵和慢时间矩阵,从而确定微多普勒回波的原始数据矩阵,利用快速傅里叶变换提高了数据处理速度,并降低了计算复杂度。
具体地,上述步骤S2013包括:
步骤S20131,对快时间矩阵和慢时间矩阵进行脉冲压缩处理,得到距离时间图。
步骤S20132,从距离时间图中提取目标主体的运动回波信号,并对目标主体的运动回波信号进行短时傅里叶变换。
步骤S20133,根据短时傅里叶变换后的运动回波信号计算微多普勒回波的原始数据矩阵。
在本发明实施例中,对快时间矩阵和慢时间矩阵进行脉冲压缩,将快时间矩阵的快时间轴转换为距离关系,将快时间矩阵和慢时间矩阵组成的快时间-慢时间矩阵转换为距离-时间图,距离-时间图如图3所示。在距离-时间图中,目标主体对应的运动回波信号通常集中在某一段距离范围内,占据一部分连续的距离单元。当目标主体处于某种行为中时,这些距离单元的信息随慢时间轴变化,变化的距离单元中隐含了微多普勒特征。
沿慢时间轴取切片,得到当前时刻目标主体的运动回波信号如下式所示:
其中,A是信号的幅度,Rn,i是目标对应的距离。
按照如下公式对目标主体的运动回波信号进行短时傅里叶变换:
其中,ω[m]是窗函数,xp[n]为上述目标主体的运动回波信号。
根据短时傅里叶变换后的运动回波信号,将其运动回波信号表示为N×M维矩阵,N为快时间采样个数,M为慢时间采样个数,得到微多普勒回波的原始数据矩阵。
具体地,以目标主体为行人为例,行人的运动模型如图4所示,行人的每个节点位置随时间变化而变化,行人的微多普勒特征研究基于将行人分为有限节点来实现。利用雷达信号探测目标主体的回波特征满足叠加原理,即在不考虑太多过于复杂的表面散射、多径效应等因素下,一个多几何体扩展目标的雷达回波近似于各个几何体目标各自回波与噪声分量的求和。利用Boulic-Thalmann模型(简称Boulic模型),该模型用于模拟人类运动的计算机图形学模型,旨在提供一种快速有效的方法来生成逼真的人类运动。Boulic-Thalmann模型的核心思想是将人体建模为由多个互相连接的关节和肌肉组成的复杂系统。模型中的每个关节都被视为一个旋转的球,关节之间由弹簧和肌肉连接。这些弹簧和肌肉模拟了现实中的生物力学,使模型可以更真实地模拟人类运动。
将行人的身体标记节点重建为一个点散射体,则行人的运动回波信号可以写为每个单独的点散射体的回波,按照如下公式表示行人的运动回波信号:
其中,Sh为运动回波信号,τ为脉冲宽度,γ是调频斜率,fc为载波频率,总探测时间t可以用脉冲重复间隔(PRI)T来表示,表示每个PRI的开始测量的时间,/>n为发射脉冲数,n由慢时间步进确定,td,i对应于节点i(i=1,2,…,K)的传播时延,行人的多普勒图如图5所示。
具体地,在对目标主体的运动回波信号进行短时傅里叶变换之前,还可以对运动回波信号先进行卡尔曼滤波处理,以减少噪声造成的干扰,提高系统的稳定性和鲁棒性。
通过对快时间矩阵和慢时间矩阵进行脉冲压缩处理,提高信号的分辨力,通过对距离时间图中提取目标主体的运动回波信号,并对运动回波信号进行短时傅里叶变换,以实现精确的频域分析,从而计算微多普勒回波的原始数据矩阵,以便于根据微多普勒回波的原始数据矩阵对目标主体进行识别。
步骤S202,提取原始数据矩阵对应的噪声信号,并根据噪声信号确定噪声门限值。
步骤S203,基于噪声门限值,对原始数据矩阵进行噪声过滤处理。
在本发明实施例中,提取噪声信号可以通过对原始数据矩阵进行小波变换,以将有效信号和噪声信号分离。根据噪声信号,设置噪声门限值,将高于噪声门限值的信号进行过滤处理,或将低于噪声门限值的信号进行过滤处理,此处仅为举例,不作为限定。
步骤S204,对原始数据矩阵进行特征提取,得到目标微多普勒特征。
详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S205,利用多项式扩展对目标微多普勒特征进行扩维处理,并利用逻辑回归模型对扩维处理后的目标微多普勒特征进行分类,得到目标主体的类型。
详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S206,若目标主体的类型为物体,则将目标主体对应的警报消息确定为虚警。
详细请参见图1所示实施例的步骤S104,在此不再赘述。
本实施例提供的虚警识别方法,通过根据从原始数据矩阵中提取的噪声信号确定噪声门限值,以对原始数据矩阵进行噪声过滤处理,从而减少噪声的干扰。
具体地,目标微多普勒特征包括:目标多普勒频率特征、目标微多普勒信号带宽特征、目标微多普勒频偏特征、目标运动的周期特征以及目标多普勒信号能量的标准差。
按照如下公式提取目标多普勒频率特征:
fmean=mean(fM)(5)
其中,fM是目标微多普勒频率,mean(fM)是对fM求平均值。
提取出的目标多普勒频率特征如图6所示。
按照如下公式提取目标微多普勒信号带宽特征:
多普勒频率带宽=maxfM-minfM (6)
其中,fM是目标微多普勒频率。
按照如下公式提取目标微多普勒频偏特征:
offset=||max fM-mean(fM)|-|min fM-mean(fM)|| (7)
其中,fM是目标微多普勒频率,mean(fM)求fM的平均值。
按照如下步骤确定目标运动的周期特征:
步骤Sa,对目标多普勒频率特征进行自相关处理,得到自相关函数。
步骤Sb,对自相关函数进行傅里叶变换,得到自相关函数对应的功率谱。
步骤Sc,提取功率谱对应的峰值频率,并根据峰值频率确定目标运动的周期特征。
在本发明实施例中,首先对目标多普勒频率特征fM进行自相关处理,计算自相关系数,自相关系数如图7所示,利用自相关系数计算自相关函数corr(fM),对自相关函数corr(fM)去直流,再做傅里叶变换,得到自相关函数对应的功率谱,自相关函数对应的功率谱如图8所示。将功率谱中的峰值确定为峰值频率,由于功率谱的峰值代表了信号中的周期成分,因此根据峰值频率确定出目标运动的周期。
按照如下步骤确定目标多普勒信号能量的标准差:
步骤Sd,确定目标微多普勒频率特征对应的目标微多普勒频谱,并对目标微多普勒频谱进行归一化处理。
步骤Se,计算归一化处理后的目标微多普勒频谱对应的信号强度以及信号强度的平均值。
步骤Sf,根据目标微多普勒频谱对应的信号强度以及信号强度的平均值计算目标多普勒信号能量的标准差。
在本发明实施例中,对目标微多普勒频率特征对应的目标微多普勒频谱进行归一化处理,使得频谱数据的幅度范围处于0至1之间。具体地,可以先采用快速傅里叶变换对时域信号进行频域转换,得到频谱。对快速傅里叶变换后的频谱进行取模操作,得到幅度谱,在幅度谱中找到最大幅度值,按照如下公式对幅度谱中的每个幅度值进行归一化处理:
normalized amplitude=amplitude/max amplitude (8)
其中,normalized amplitude是归一化后的幅度值,amplitude是当前频率分量的幅度值,max amplitude为最大幅度值。
根据归一化处理后的微多普勒频谱,进行频谱分析,计算该微多普勒对应的信号强度以及信号强度的平均值,并按照如下公式计算目标多普勒信号能量的标准差:
其中,At为第t时刻归一化后的目标微多普勒频谱对应的信号强度,A为归一化后目标微多普勒信号强度的平均值。
本实施例提供的虚警识别方法,通过对目标多普勒频率特征进行信号处理,以提取目标多普勒频率特征对应的功率谱对应的峰值频率,从而分析出目标运动的周期特征,以便于根据目标运动的周期特征对目标运动进行分析,通过对目标微多普勒频率特征对应的目标微多普勒频谱进行归一化处理,以便于对目标微多普勒频谱对应的信号强度相关参数进行计算,降低了数据量。
在本实施例中还提供了一种虚警识别装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种虚警识别装置,如图9所示,包括:
获取模块901,用于当接收到警报信息时,获取警报信息对应的目标主体的雷达信号,并根据雷达信号确定微多普勒回波的原始数据矩阵,微多普勒回波为目标主体接收到雷达信号后发生微多普勒效应产生的回波。
特征提取模块902,用于对原始数据矩阵进行特征提取,得到目标微多普勒特征。
分类模块903,用于利用多项式扩展对目标微多普勒特征进行扩维处理,并利用逻辑回归模型对扩维处理后的目标微多普勒特征进行分类,得到目标主体的类型。
确定模块904,用于若目标主体的类型为物体,则将目标主体对应的警报消息确定为虚警。
在一些可选的实施方式中,获取模块901包括:
第一变换单元,用于对雷达信号的快时间维进行快速傅里叶变换,得到快时间矩阵。
第二变换单元,用于对雷达信号的慢时间维进行快速傅里叶变换,得到慢时间矩阵。
确定单元,用于根据快时间矩阵和慢时间矩阵确定微多普勒回波的原始数据矩阵。
在一些可选的实施方式中,确定单元包括:
压缩子单元,用于对快时间矩阵和慢时间矩阵进行脉冲压缩处理,得到距离时间图。
提取子单元,用于从距离时间图中提取目标主体的运动回波信号,并对目标主体的运动回波信号进行短时傅里叶变换。
计算子单元,用于根据短时傅里叶变换后的运动回波信号计算微多普勒回波的原始数据矩阵。
在一些可选的实施方式中,该装置还包括:
噪声提取模块,用于提取原始数据矩阵对应的噪声信号,并根据噪声信号确定噪声门限值。
噪声过滤模块,用于基于噪声门限值,对原始数据矩阵进行噪声过滤处理。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例中的虚警识别装置是以功能单元的形式来呈现,这里的单元是指ASIC(Application Specific Integrated Circuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备,具有上述图9所示的虚警识别装置。
请参阅图10,图10是本发明可选实施例提供的一种计算机设备的结构示意图,如图10所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图10中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,存储器20存储有可由至少一个处理器10执行的指令,以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以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、至少一个功能所需要的应用程序;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20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。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。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括输入装置30和输出装置40。处理器10、存储器20、输入装置30和输出装置40可以通过总线或者其他方式连接,图10中以通过总线连接为例。
输入装置30可接收输入的数字或字符信息,以及产生与该计算机设备的用户设置以及功能控制有关的键信号输入,例如触摸屏等。输出装置40可以包括显示设备等。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种虚警识别方法,其特征在于,所述方法包括:
当接收到警报信息时,获取警报信息对应的目标主体的雷达信号,并根据所述雷达信号确定微多普勒回波的原始数据矩阵,所述微多普勒回波为目标主体接收到所述雷达信号后发生微多普勒效应产生的回波;
对所述原始数据矩阵进行特征提取,得到目标微多普勒特征;
利用多项式扩展对所述目标微多普勒特征进行扩维处理,并利用逻辑回归模型对扩维处理后的目标微多普勒特征进行分类,得到目标主体的类型;
若目标主体的类型为物体,则将目标主体对应的警报消息确定为虚警。
2.根据权利要求1所述的方法,其特征在于,所述根据所述雷达信号确定微多普勒回波的原始数据矩阵,包括:
对所述雷达信号的快时间维进行快速傅里叶变换,得到快时间矩阵;
对所述雷达信号的慢时间维进行快速傅里叶变换,得到慢时间矩阵;
根据所述快时间矩阵和慢时间矩阵确定微多普勒回波的原始数据矩阵。
3.根据权利要求2所述的方法,其特征在于,所述根据所述快时间矩阵和慢时间矩阵确定微多普勒回波的原始数据矩阵,包括:
对所述快时间矩阵和慢时间矩阵进行脉冲压缩处理,得到距离时间图;
从所述距离时间图中提取目标主体的运动回波信号,并对所述目标主体的运动回波信号进行短时傅里叶变换;
根据短时傅里叶变换后的运动回波信号计算微多普勒回波的原始数据矩阵。
4.根据权利要求1所述的方法,其特征在于,在对所述原始数据矩阵进行特征提取之前,所述方法还包括:
提取所述原始数据矩阵对应的噪声信号,并根据所述噪声信号确定噪声门限值;
基于所述噪声门限值,对所述原始数据矩阵进行噪声过滤处理。
5.根据权利要求1所述的方法,其特征在于,所述目标微多普勒特征包括:目标多普勒频率特征、目标微多普勒信号带宽特征、目标微多普勒频偏特征、目标运动的周期特征以及目标多普勒信号能量的标准差。
6.根据权利要求5所述的方法,其特征在于,通过如下方式确定目标运动的周期特征:
对所述目标多普勒频率特征进行自相关处理,得到自相关函数;
对所述自相关函数进行傅里叶变换,得到自相关函数对应的功率谱;
提取所述功率谱对应的峰值频率,并根据所述峰值频率确定目标运动的周期特征。
7.根据权利要求5所述的方法,其特征在于,通过如下方式确定目标多普勒信号能量的标准差:
确定目标微多普勒频率特征对应的目标微多普勒频谱,并对所述目标微多普勒频谱进行归一化处理;
计算归一化处理后的目标微多普勒频谱对应的信号强度以及信号强度的平均值;
根据所述目标微多普勒频谱对应的信号强度以及信号强度的平均值计算目标多普勒信号能量的标准差。
8.一种虚警识别装置,其特征在于,所述装置包括:
获取模块,用于当接收到警报信息时,获取警报信息对应的目标主体的雷达信号,并根据所述雷达信号确定微多普勒回波的原始数据矩阵,所述微多普勒回波为目标主体接收到所述雷达信号后发生微多普勒效应产生的回波;
特征提取模块,用于对所述原始数据矩阵进行特征提取,得到目标微多普勒特征;
分类模块,用于利用多项式扩展对所述目标微多普勒特征进行扩维处理,并利用逻辑回归模型对扩维处理后的目标微多普勒特征进行分类,得到目标主体的类型;
确定模块,用于若目标主体的类型为物体,则将目标主体对应的警报消息确定为虚警。
9.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至7中任一项所述的虚警识别方法。
10.一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上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至7中任一项所述的虚警识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410158710.0A CN117991217A (zh) | 2024-02-04 | 2024-02-04 | 一种虚警识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410158710.0A CN117991217A (zh) | 2024-02-04 | 2024-02-04 | 一种虚警识别方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117991217A true CN117991217A (zh) | 2024-05-07 |
Family
ID=90898821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410158710.0A Pending CN117991217A (zh) | 2024-02-04 | 2024-02-04 | 一种虚警识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117991217A (zh) |
-
2024
- 2024-02-04 CN CN202410158710.0A patent/CN117991217A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Angelov et al. | Practical classification of different moving targets using automotive radar and deep neural networks | |
US8682821B2 (en) | Method for detection of movement of a specific type of object or animal based on radar signals | |
Kim et al. | Human activity classification based on micro-Doppler signatures using a support vector machine | |
Kim et al. | Human activity classification based on micro-Doppler signatures using an artificial neural network | |
Bryan et al. | Application of ultra-wide band radar for classification of human activities | |
Fioranelli et al. | Multistatic human micro‐Doppler classification of armed/unarmed personnel | |
CN107290741B (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
Deep et al. | Radar cross‐sections of pedestrians at automotive radar frequencies using ray tracing and point scatterer modelling | |
de Oliveira et al. | Deep convolutional autoencoder applied for noise reduction in range-Doppler maps of FMCW radars | |
CN106383340A (zh) | 一种随机脉冲初始相位雷达的速度假目标识别方法 | |
CN112241003A (zh) | 用于对象检测的方法和系统 | |
Miller et al. | Micro-Doppler based target classification using multi-feature integration | |
CN106650644A (zh) | 驾驶员危险行为识别方法及系统 | |
Zhao et al. | Research on electronic jamming identification based on CNN | |
Schüßler et al. | Deep learning based image enhancement for automotive radar trained with an advanced virtual sensor | |
Shapero et al. | Identifying agile waveforms with neural networks | |
CN112327286B (zh) | 低复杂度下日常活动分类方法、装置、设备及存储介质 | |
CN113900101A (zh) | 障碍物检测方法、装置及电子设备 | |
CN111965620A (zh) | 基于时频分析和深度神经网络的步态特征提取与识别方法 | |
CN117991217A (zh) | 一种虚警识别方法、装置、计算机设备及存储介质 | |
Peng et al. | Detailed feature representation and analysis of low frequency UWB radar range profile for improving through-wall human activity recognition | |
CN115905945A (zh) | 行人动作识别方法、装置、设备及存储介质 | |
Li et al. | Bigru network for human activity recognition in high resolution range profile | |
TW202129595A (zh) | 生命體檢測的雷達偵測系統、生命體判斷方法及特徵資料庫建立方法 | |
CN116224280B (zh) | 雷达目标检测方法、装置、雷达设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |