JP6995258B2 - レーダ信号処理器、レーダセンサシステム及び信号処理方法 - Google Patents

Description

本発明は、ミリ波帯などの高周波帯の電波を用いて対象物体の種別を推定することができるレーダセンサ技術に関するものである。

従来より、生体などの対象物体を非接触で検知するセンサシステムとして、光学カメラまたは赤外線センサなどの光学センサを用いた光センサシステムが広く採用されている。たとえば、光学カメラにより得られた撮像画像を信号処理で解析することにより、当該撮像画像に現れる対象物体の種別（たとえば、大人または幼児）を高い精度で推定する技術が知られている。しかしながら、可視光または赤外線などの光は、衣服、壁及びプラスチックなどの物質を透過することができない。このため、光センサシステムと対象物体との間の空間に光を遮蔽する物質が介在する状況下では、当該対象物体を光学的に検知することが難しい。たとえば、光を遮蔽する毛布に包まれた睡眠中の幼児に対しては、光センサシステムは当該幼児の状態を正確に推定することが難しい。

そのような状況に対処するために、非金属物質を透過する高周波帯の電波によるレーダセンサシステムが提案されている。たとえば、特許文献１（特開２０１７－１８１２２５号公報）には、周波数変調連続波（Ｆｒｅｑｕｅｎｃｙ－Ｍｏｄｕｌａｔｅｄ Ｃｏｎｔｉｎｕｏｕｓ－Ｗａｖｅ，ＦＭＣＷ）レーダを用いて乗用車の車室内の乗員を検知する乗員検知装置が開示されている。この乗員検知装置は、車室内に配置されたＦＭＣＷレーダと、このＦＭＣＷレーダにて生成されたビート信号の周波数分析により周波数スペクトルを算出する受信信号処理部とを備えている。受信信号処理部は、当該周波数スペクトルに基づいて、車室内の乗員の数，位置及び生体情報（呼吸及び心拍を示す情報）を検知する。ここで、当該生体情報は、当該周波数スペクトルの変動特性に基づいて検知される。

特開２０１７－１８１２２５号公報（たとえば、図１及び段落［００３１］～［００３５］参照）

上記のとおり、特許文献１に開示されている乗員検知装置は、周波数スペクトルの変動特性に基づいて対象物体の生体情報を検知することができる。しかしながら、当該周波数スペクトルの変動特性だけから対象物体を高い精度で識別することは難しい。

上記に鑑みて本発明の目的は、光周波数領域よりも低い周波数帯の電波によるレーダ技術を用いて対象物体を高い精度で識別することを可能とするレーダ信号処理器、レーダセンサシステム及び信号処理方法を提供することである。

本発明の一態様によるレーダ信号処理器は、観測空間にて光周波数領域よりも低い周波数帯の送信電波が反射することにより生じた反射波を受信する単数または複数の受信アンテナと、前記単数または複数の受信アンテナの出力信号に信号処理を施すことにより単数または複数の受信チャネルの受信信号を生成する受信回路とを含むセンサ部と連携して動作するレーダ信号処理器であって、前記受信信号に周波数解析を施す周波数解析部と、前記周波数解析の結果に基づいて、前記観測空間内で動く対象物体の状態を特徴付ける単数または複数種の特徴量の計測値を算出する特徴量計測部と、前記観測空間内にて単数または複数のクラスに属する対象が観測されたときに、前記単数または複数種の特徴量がそれぞれ計測される確率分布を定める単数または複数の学習済みデータセットが記憶されている学習済みデータ記憶部と、前記学習済みデータセットを用いて、ベイズの定理により当該計測値から前記対象物体が前記単数または複数のクラスにそれぞれ属する事後確率を算出し、当該算出された事後確率に基づいて前記対象物体を識別する識別部とを備えることを特徴とする。

本発明の一態様によれば、上記学習済みデータセットを用いて、ベイズの定理により当該計測値から対象物体が単数または複数のクラスにそれぞれ属する事後確率が算出され、当該算出された事後確率に基づいて対象物体が識別される。これにより、対象物体を高い精度で識別することができる。

本発明に係る実施の形態１のレーダセンサシステムの構成を概略的に示すブロック図である。 図２Ａ及び図２Ｂは、ＦＭＣＷ方式による送信周波数の概念を表すグラフである。 送信周波数と受信周波数との間の関係を概念的に示すグラフである。 受信アンテナが直線状に配列されているアンテナアレイの例を示す図である。 実施の形態１のレーダ信号処理器のハードウェア構成例の概略構成を示すブロック図である。 実施の形態１の周波数解析部の概略構成を示すブロック図である。 実施の形態１の信号成分抽出部の構成例を概略的に示すブロック図である。 図８Ａ及び図８Ｂは、実施の形態１のドップラスペクトル算出部の構成例を概略的に示すブロック図である。 実施の形態１の対象物体識別部及び学習済みデータ記憶部の概略構成を示すブロック図である。 実施の形態１に係る信号処理の手順を概略的に示すフローチャートである。 実施の形態１に係る周波数解析処理の手順を概略的に示すフローチャートである。 実施の形態１の変形例に係る周波数解析処理の手順を概略的に示すフローチャートである。 図１３Ａ及び図１３Ｂは、車両の内部空間に設置されたレーダセンサシステムを示す図である。 ２次元スペクトルを表すグラフである。 平均ドップラスペクトルを示すグラフである。 平均ドップラスペクトルを示すグラフである。 平均ドップラスペクトルを示すグラフである。 図１８Ａ，図１８Ｂ，図１８Ｃは、幼児の起きている状態が観測されたときに算出された平均ドップラスペクトルをそれぞれ表すグラフである。 図１９Ａ，図１９Ｂ，図１９Ｃは、就寝中の幼児を模した人形の動作が観測されたときに算出された平均ドップラスペクトルをそれぞれ表すグラフである。 第１の特徴量のヒストグラム分布を表すグラフである。 第１の特徴量のヒストグラム分布を表すグラフである。 第２の特徴量のヒストグラム分布を表すグラフである。 第２の特徴量のヒストグラム分布を表すグラフである。 第３の特徴量のヒストグラム分布を表すグラフである。 第４の特徴量のヒストグラム分布を表すグラフである。 第４の特徴量のヒストグラム分布を表すグラフである。 車両内で就寝中の幼児のみが観測される場合に算出された事後確率の時間遷移を表すグラフである。 車両内で車体の揺れのみが観測される場合に算出された事後確率の時間遷移を表すグラフである。 車両内で振動するスマートフォンのみが観測される場合に算出された事後確率の時間遷移を表すグラフである。

以下、図面を参照しつつ、本発明に係る種々の実施の形態について詳細に説明する。なお、図面全体において同一符号を付された構成要素は、同一構成及び同一機能を有するものとする。

図１は、本発明に係る実施の形態１のレーダセンサシステム１の構成を概略的に示すブロック図である。図１に示されるようにレーダセンサシステム１は、センサ部１０と、このセンサ部１０と連携して動作するレーダ信号処理器４１とを含んで構成されている。センサ部１０は、光周波数領域よりも低い高周波帯（約３～３０ＧＨｚ）におけるミリ波帯などの周波数帯にて一連の周波数変調波（一連の送信パルス）を生成する送信回路２１と、当該一連の周波数変調波を送信波Ｔｗとして観測空間に向けて送信する送信アンテナ２０と、観測空間にて当該送信波Ｔｗが反射することにより生じた反射波Ｒｗを受信するように空間的に配列されている受信アンテナ３０_０～３０_Ｑ－１からなるアンテナアレイと、受信アンテナ３０_０～３０_Ｑ－１の出力信号にそれぞれ信号処理を施してＱ個の受信チャンネルのディジタル受信信号を並列に出力する受信器３１_０～３１_Ｑ－１と、これらディジタル受信信号にそれぞれディジタル信号処理を施すレーダ信号処理器４１とを備えて構成されている。本実施の形態の受信回路は、Ｑ個の受信器３１_０～３１_Ｑ－１により構成されている。

ここで、Ｑは、受信アンテナ３０_０～３０_Ｑ－１の個数（受信チャネルの個数）を示す３以上の整数である。なお、Ｑは、３以上の整数に限定されるものではなく、１または２であってもよい。

送信回路２１は、電圧生成器２２、電圧制御発振器２３、分配器２４及び増幅器２５を含む。電圧生成器２２は、レーダ信号処理器４１から供給された制御信号ＴＣに従って変調電圧を生成し、当該変調電圧を電圧制御発振器２３に供給する。電圧制御発振器２３は、所定の周波数変調方式に従い、当該変調電圧に応じて時間とともに上昇または下降する変調周波数をもつ周波数変調波信号を繰り返し出力する。分配器２４は、電圧制御発振器２３から入力された周波数変調波信号を送信波信号と局部信号とに分配する。分配器２４は、送信波信号を増幅器２５に供給すると同時に、局部信号を受信器３１_０～３１_Ｑ－１に供給する。送信波信号は、増幅器２５により増幅される。送信アンテナ２０は、増幅器２５の出力信号に基づく送信波Ｔｗを観測空間に向けて送信する。

所定の周波数変調方式としては、周波数変調連続波（Ｆｒｅｑｕｅｎｃｙ Ｍｏｄｕｌａｔｅｄ Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅ，ＦＭＣＷ）方式が使用可能である。周波数変調波信号の周波数すなわち送信周波数は、ある周波数帯域内で時間とともに連続的に上昇または下降するように掃引されればよい。図２Ａ及び図２Ｂは、ＦＭＣＷ方式の一種である高速チャープ変調（Ｆａｓｔ Ｃｈｉｒｐ Ｍｏｄｕｌａｔｉｏｎ，ＦＣＭ）方式による送信周波数の概念を表すグラフである。図２Ａ及び図２Ｂのグラフにおいて、横軸は時間を示し、縦軸は送信周波数を示している。

図２Ａに示されるように、各フレーム期間Ｔｆ（たとえば、数秒間）は、Ｍ個のサイクル期間Ｔｃに分割されている。Ｍは４以上の整数であるが、これに限定されるものではなく、Ｍが２または３であってもよい。図２Ａの各サイクル期間Ｔｃに付された変数ｍは、サイクル期間Ｔｃに割り当てられた番号（以下「サイクル番号」という。）を示す１～Ｍの範囲内の整数である。図２Ｂには、１番目及び２番目のサイクル期間Ｔｃ，Ｔｃにおける送信周波数が表示されている。図２Ｂに示されるように各サイクル期間Ｔｃにおいて、送信回路２１は、特定のパルス繰り返し周期（Ｐｕｌｓｅ Ｒｅｐｅｔｉｔｉｏｎ Ｉｎｔｅｒｖａｌ，ＰＲＩ）にて、送信周波数Ｗ_０～Ｗ_Ｈ－１をそれぞれもつＨ個の周波数変調波（一連の送信パルス）を順次発生させる。各周波数変調波では、下限周波数ｆ_１から上限周波数ｆ_２までの周波数帯域内にて送信周波数が時間とともに連続的に上昇するように変調されている。図２Ｂの各パルス繰り返し周期（ＰＲＩ）に付された変数ｈは、周波数変調波（送信パルス）に割り当てられた番号（以下「パルス番号」という。）を示す０～Ｈ－１の範囲内の整数である。

図３は、送信波Ｔｗの送信周波数Ｗ_０～Ｗ_Ｈ－１と、受信波Ｒｗの周波数（受信周波数）Ｒ_０～Ｒ_Ｈ－１との間の関係を概念的に示すグラフである。図３に示されるように、送信周波数Ｗ_０～Ｗ_Ｈ－１の各々は、変調時間幅Ｔにて周波数帯域Ｂ内で変調されている。図３の例では、受信波Ｒｗは、送信波Ｔｗに対して遅延時間ΔＴだけ遅延して受信されている。この遅延時間ΔＴは、センサ部１０と対象物体との間における電波の往復伝播時間に相当する。送信周波数Ｗ_ｈとこれに対応する受信周波数Ｒ_ｈとの間の差（ビート周波数）に基づいて、対象物体との距離を求めることが可能である。

受信アンテナ３０_０～３０_Ｑ－１は、直線状、平面状または曲面状に配列されていればよい。図４は、受信アンテナ３０_０～３０_Ｑ－１が直線状に配列されているアンテナアレイの例を示す図である。図４の例では、受信アンテナ３０_０～３０_Ｑ－１は、直線状に等間隔ｄ（たとえば、半波長間隔）にて配列されている。受信アンテナ３０_０～３０_Ｑ－１で受信される信号間で生ずる位相差に基づき、方位角θを求めることが可能である。

図１を参照すると、ｑ番目の受信器３１_ｑは、低ノイズ増幅器（Ｌｏｗ Ｎｏｉｓｅ Ａｍｐｌｉｆｉｅｒ，ＬＮＡ）３２_ｑ，ミキサ３３_ｑ，ＩＦ増幅器３４_ｑ，フィルタ３５_ｑ及びＡ／Ｄ変換器（ＡＤＣ）３６_ｑを有している。ここで、ｑは、０～Ｑ－１の範囲内の任意の整数である。

低ノイズ増幅器３２_ｑは、受信アンテナ３０_ｑの出力信号を増幅して増幅信号をミキサ３３_ｑに出力する。ミキサ３３_ｑは、当該増幅信号と分配器２４から供給された局部信号とを混合して中間周波数帯域のビート信号を生成する。ＩＦ増幅器３４_ｑは、ミキサ３３_ｑから入力されたビート信号を増幅して増幅ビート信号をフィルタ３５_ｑに出力する。フィルタ３５_ｑは、当該増幅ビート信号中の不要な周波数成分を抑圧してアナログ受信信号を出力する。ＡＤＣ３６_ｑは、所定のサンプル・レートで当該アナログ受信信号をディジタル受信信号ｚ_ｍ ^(ｋ)（ｎ，ｈ，ｑ）に変換し、当該ディジタル受信信号ｚ_ｍ ^(ｋ)（ｎ，ｈ，ｑ）をレーダ信号処理器４１に出力する。ここで、上付き添え字ｋは、フレーム期間Ｔｆに割り当てられた番号（以下「フレーム番号」という。）であり、ｎは、サンプル番号を示す整数である。ディジタル受信信号ｚ_ｍ ^(ｋ)（ｎ，ｈ，ｑ）は、同相（Ｉｎ－ｐｈａｓｅ）成分及び直交（Ｑｕａｄｒａｔｕｒｅ－ｐｈａｓｅ）成分を有する複素信号である。以下、ディジタル受信信号を「受信信号」と呼ぶこととする。

なお、本実施の形態では、センサ部１０はＡＤＣ３６_０～３６_Ｑ－１を有しているが、これに限定されるものではない。センサ部１０がＡＤＣ３６_０～３６_Ｑ－１を有していない形態では、レーダ信号処理器４１がＡＤＣ３６_０～３６_Ｑ－１を有していればよい。

図１に示されるように受信器３１_０～３１_Ｑ－１は、受信信号ｚ_ｍ ^(ｋ)（ｎ，ｈ，０），ｚ_ｍ ^(ｋ)（ｎ，ｈ，１），…，ｚ_ｍ ^(ｋ)（ｎ，ｈ，Ｑ－１）をレーダ信号処理器４１に並列に出力する。

レーダ信号処理器４１は、受信器３１_０～３１_Ｑ－１から並列に入力された受信信号ｚ_ｍ ^(ｋ)（ｎ，ｈ，０），ｚ_ｍ ^(ｋ)（ｎ，ｈ，１），…，ｚ_ｍ ^(ｋ)（ｎ，ｈ，Ｑ－１）を一時的に記憶するデータ記憶部４６と、データ記憶部４６から読み出された受信信号ｚ_ｍ ^(ｋ)（ｎ，ｈ，０）～ｚ_ｍ ^(ｋ)（ｎ，ｈ，Ｑ－１）にディジタル信号処理を施して観測空間内の対象物体を識別することができる信号処理部４７と、送信回路２１，データ記憶部４６及び信号処理部４７の動作を制御する制御部４５とを備える。データ記憶部４６としては、高速応答性能を有するＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）が使用されればよい。制御部４５は、変調電圧を生成するための制御信号ＴＣを送信回路２１に供給する。また制御部４５は、データ記憶部４６に対する信号の読み出し制御及び書き込み制御を行うことができる。

信号処理部４７は、周波数解析部４９、対象物体識別部６１及び学習済みデータ記憶部６３を備えている。周波数解析部４９は、データ記憶部４６から読み出された受信信号ｚ_ｍ ^(ｋ)（ｎ，ｈ，０）～ｚ_ｍ ^(ｋ)（ｎ，ｈ，Ｑ－１）に周波数解析を施し、当該周波数解析の結果を対象物体識別部６１に供給する。対象物体識別部６１は、当該周波数解析の結果に基づいて観測空間内で動く対象物体の状態を特徴付ける単数または複数種の特徴量の計測値を算出することができる。学習済みデータ記憶部６３には、機械学習により事前に得られた単数または複数種の学習済みデータセットが格納されている。対象物体識別部６１は、学習済みデータセットを用いて対象物体を識別することができる。

このようなレーダ信号処理器４１の機能の全部または一部は、たとえば、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ），ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）またはＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）などの半導体集積回路を有する単数または複数のプロセッサにより実現可能である。ここで、ＰＬＤとは、当該ＰＬＤの製造後に設計者が自由にその機能を変更することができる半導体集積回路である。ＰＬＤの例としては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）が挙げられる。あるいは、レーダ信号処理器４１の機能の全部または一部は、ソフトウェアまたはファームウェアのプログラムコードを実行する、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）またはＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などの演算装置を含む単数または複数のプロセッサで実現されてもよい。あるいは、ＤＳＰ，ＡＳＩＣまたはＰＬＤなどの半導体集積回路と、ＣＰＵまたはＧＰＵなどの演算装置との組合せを含む単数または複数のプロセッサによってレーダ信号処理器４１の機能の全部または一部を実現することも可能である。

図５は、実施の形態１のレーダ信号処理器４１のハードウェア構成例である信号処理回路９０の概略構成を示すブロック図である。図５に示される信号処理回路９０は、プロセッサ９１、入出力インタフェース部９４、メモリ９２、記憶装置９３及び信号路９５を備えている。信号路９５は、プロセッサ９１、入出力インタフェース部９４、メモリ９２及び記憶装置９３を相互に接続するためのバスである。入出力インタフェース部９４は、外部から入力されたディジタル信号をプロセッサ９１に転送する機能を有し、プロセッサ９１から転送されたディジタル信号を外部に出力する機能を有している。

メモリ９２は、プロセッサ９１がディジタル信号処理を実行する際に使用されるワークメモリと、当該ディジタル信号処理で使用されるデータが展開される一時記憶メモリとを含む。たとえば、メモリ９２は、フラッシュメモリ及びＳＤＲＡＭ（Ｓｙｎｃｈｒｏｎｏｕｓ Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などの半導体メモリで構成されればよい。また、プロセッサ９１がＣＰＵまたはＧＰＵなどの演算装置を含む場合には、記憶装置９３は、当該演算装置で実行されるべきソフトウェアまたはファームウェアの信号処理プログラムのコードを格納する記憶媒体として利用可能である。たとえば、記憶装置９３は、フラッシュメモリまたはＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などの不揮発性の半導体メモリで構成されればよい。

なお、図５の例では、プロセッサ９１の個数は１つであるが、これに限定されるものではない。互いに連携して動作する複数個のプロセッサを用いてレーダ信号処理器４１のハードウェア構成が実現されてもよい。

次に、図６を参照しつつ、実施の形態１の信号処理部４７における周波数解析部４９の構成及び動作について説明する。図６は、信号処理部４７における周波数解析部４９の概略構成を示すブロック図である。

図６に示されるように周波数解析部４９は、時間領域における受信信号ｚ_ｍ ^(ｋ)（ｎ，ｈ，ｑ）を、観測空間の空間座標（相対距離及び方位角）に対応する周波数領域における周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｆ_θ）に変換する領域変換部５０と、周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｆ_θ）から観測空間内で動く対象物体を検出する対象物体検出部５４と、ドップラスペクトル算出部５７とを有している。ここで、ｆ_ｒは、当該対象物体との相対距離に対応する離散周波数値に割り当てられる周波数番号であり、ｆ_θは、方位角θに対応する離散周波数値に割り当てられる周波数番号である。

領域変換部５０は、直交変換部（第１の直交変換部）５１，信号成分抽出部５２及び直交変換部（第２の直交変換部）５３を有している。

直交変換部５１は、Ｑ個の受信チャネルの受信信号ｚ_ｍ ^(ｋ)（ｎ，ｈ，０）～ｚ_ｍ ^(ｋ)（ｎ，ｈ，Ｑ－１）に対して時間方向に離散直交変換をそれぞれ実行することにより、Ｑ個の受信チャネルにそれぞれ対応するＱ個の周波数領域信号（第１の周波数領域信号）Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，０）～Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，Ｑ－１）を生成する。具体的には、直交変換部５１は、次式（１）に示されるように、サンプル番号ｎについて周波数領域信号ｚ_ｍ ^(ｋ)（ｎ，ｈ，ｑ）に離散フーリエ変換を施すことにより、周波数領域信号Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｑ）を算出することができる。

式（１）において、Ｆ_ｎ［］は、サンプル番号ｎについての離散フーリエ変換演算子である。

次に、信号成分抽出部５２は、周波数領域信号Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，０）～Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，Ｑ－１）から静止物体に対応する信号成分をそれぞれ除去することにより、当該周波数領域信号Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，０）～Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，Ｑ－１）から動的信号成分Δ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，０）～Δ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，Ｑ－１）をそれぞれ抽出する。

図７は、信号成分抽出部５２の構成例を概略的に示すブロック図である。図７に示される信号成分抽出部５２は、時間平均化部５２Ａ及び減算器５２Ｂを有する。時間平均化部５２Ａは、周波数領域信号Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｑ）を１フレーム期間に亘って時間平均することで時間平均信号Ｓ^(k)（ｆ_ｒ，ｑ）を算出する。静止物体に対応する信号成分は１フレーム期間中に変化しないので、時間平均信号Ｓ^(k)（ｆ_ｒ，ｑ）は、静止物体に対応する信号成分とみなすことができる。具体的には、時間平均化部５２Ａは、次式（２）に示されるように、サイクル番号ｍ及びパルス番号ｈについて周波数領域信号Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｑ）を平均化することで、時間平均信号Ｓ^(k)（ｆ_ｒ，ｑ）を算出することができる。

減算器５２Ｂは、次式（３）に示されるように周波数領域信号Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｑ）から時間平均信号Ｓ^(k)（ｆ_ｒ，ｑ）をバックグランドとして減算することにより、移動物体（観測空間内で動く対象物体）に対応する動的信号成分Δ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｑ）を算出することができる。

次に、直交変換部５３は、動的信号成分Δ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，０）～Δ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，Ｑ－１）に対して、受信アンテナ３０_０～３０_Ｑ－１の配列方向に離散直交変換を実行することにより、周波数領域信号（第２の周波数領域信号）Φ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｆ_θ）を算出する。具体的には、直交変換部５３は、次式（４）に示されるように、受信アンテナ番号ｑについて動的信号成分Δ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｑ）に離散フーリエ変換を施すことにより、周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｆ_θ）を算出することができる。

式（４）において、Ｆ_ｑ［］は、受信アンテナ番号ｑについての離散フーリエ変換演算子である。周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｆ_θ）は、対象物体検出部５４に供給されるとともに、データ記憶部４６に一時的に記憶される。

対象物体検出部５４は、周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｆ_θ）から、観測空間内で動く対象物体の位置座標（相対距離及び方位角）に相当する情報を検出する。具体的には、図６に示されるように対象物体検出部５４は、時間平均化部５５及びピーク検出部５６を有している。時間平均化部５５は、周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｆ_θ）を１フレーム期間に亘って時間平均することで時間平均信号を算出し、当該時間平均信号の絶対値あるいは当該時間平均信号の絶対値の二乗を２次元スペクトルＭ^(k)（ｆ_ｒ，ｆ_θ）として算出する。より具体的には、時間平均化部５５は、次式（５）に示されるように、サイクル番号ｍ及びパルス番号ｈについて周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｆ_θ）を平均化することで信号対雑音比の良好な時間平均信号を算出することができ、当該時間平均信号の絶対値の二乗を２次元スペクトルＭ^(k)（ｆ_ｒ，ｆ_θ）として算出することができる。

ピーク検出部５６は、所定のピーク検出法を用いて、２次元スペクトルＭ^(k)（ｆ_ｒ，ｆ_θ）に現れる極大ピークを検出する。所定のピーク検出法としては、２次元スペクトルＭ^(k)（ｆ_ｒ，ｆ_θ）の中から予め設定された閾値を超える局所的な分布を極大ピークとして抽出する方法、あるいは、誤警報率を一定に保ったピーク検出を可能とするＣＡ－ＣＦＡＲ（Ｃｅｌｌ Ａｖｅｒａｇｉｎｇ－Ｃｏｎｓｔａｎｔ Ｆａｌｓｅ Ａｌａｒｍ Ｒａｔｅ）が挙げられるが、これらに限定されるものではない。ピーク検出部５６は、単数または複数の極大ピークの位置を示すピーク情報ＰＤをドップラスペクトル算出部５７に供給するとともに、ピーク情報ＰＤをデータ記憶部４６に記憶させる。

ピーク情報ＰＤは、検出された対象物体の位置座標に相当する周波数番号の組を含む。今、検出されたｉ番目の対象物体の位置座標に相当する周波数番号の組を（ｆ_ｒ（ｉ），ｆ_θ（ｉ））と表すものとする。ここで、ｉは、検出された対象物体に割り当てられた番号を表す整数である。ドップラスペクトル算出部５７は、ｉ番目の対象物体についての周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ（ｉ），ｈ，ｆ_θ（ｉ））をデータ記憶部４６から読み出し、当該周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ（ｉ），ｈ，ｆ_θ（ｉ））から平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）を算出する。平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）は、対象物体識別部６１に供給される。図８Ａは、ドップラスペクトル算出部５７の構成例を概略的に示すブロック図であり、図８Ｂは、ドップラスペクトル算出部５７の他の構成例を概略的に示すブロック図である。

図８Ａに示されるドップラスペクトル算出部５７は、直交変換部５７Ａ、第１平均化部５８Ａ及び第２平均化部５９Ａを有する。直交変換部５７Ａは、周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ（ｉ），ｈ，ｆ_θ（ｉ））に対し、パルス番号ｈについて離散直交変換を実行することにより、周波数領域信号（第３の周波数領域信号）Ω_ｍ ^(ｋ)（ｉ，ｆ_ｖ）を算出する。ここで、ｆ_ｖは、ｉ番目の対象物体の相対速度に対応する離散周波数値に割り当てられる周波数番号である。具体的には、直交変換部５７Ａは、次式（６）に示されるように、パルス番号ｈについて周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ（ｉ），ｈ，ｆ_θ（ｉ））に離散フーリエ変換を施すことにより、周波数領域信号Ω_ｍ ^(ｋ)（ｉ，ｆ_ｖ）を算出することができる。

ここで、Ｆ_ｈ［］は、パルス番号ｈについての離散フーリエ変換演算子である。

第１平均化部５８Ａは、周波数領域信号Ω_ｍ ^(ｋ)（ｉ，ｆ_ｖ）をサイクル番号ｍについて平均化して平均化信号を算出し、当該平均化信号の絶対値あるいは当該平均化信号の絶対値の二乗をｉ番目の対象物体に関するドップラスペクトルΩ^(ｋ)（ｉ，ｆ_ｖ）として算出する。ここで、ドップラスペクトルΩ^(ｋ)（ｉ，ｆ_ｖ）はその最大値で正規化されてもよい。具体的には、第１平均化部５８Ａは、次式（７）に示されるように周波数領域信号Ω_ｍ ^(ｋ)（ｉ，ｆ_ｖ）からドップラスペクトルΩ^(ｋ)（ｉ，ｆ_ｖ）を算出することができる。

ここで、γ_１は、正規化係数である。

第２平均化部５９Ａは、さらに、ドップラスペクトルΩ^(ｋ)（ｉ，ｆ_ｖ）を番号ｉについて平均化して平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）を算出する。ここで、平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）はその最大値で正規化されてもよい。具体的には、第２平均化部５９Ａは、次式（８）に示されるようにドップラスペクトルΩ^(ｋ)（ｉ，ｆ_ｖ）から平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）を算出することができる。

ここで、Ｎｐ（ｋ）は、ｋ番目のフレーム期間に対象物体検出部５４により検出された対象物体の総数であり、γ_２は、正規化係数である。

一方、図８Ｂに示されるドップラスペクトル算出部５７は、直交変換部５７Ｂ、第１平均化部５８Ｂ及び第２平均化部５９Ｂを有する。直交変換部５７Ｂは、周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ（ｉ），ｈ，ｆ_θ（ｉ））に対し、サイクル番号ｍについて離散直交変換を実行することにより、周波数領域信号（第３の周波数領域信号）Ω^(ｋ)（ｉ，ｈ，ｆ_ｖ）を算出する。ここで、ｆ_ｖは、ｉ番目の対象物体の相対速度に対応する離散周波数値に割り当てられる周波数番号である。具体的には、直交変換部５７Ｂは、次式（９）に示されるように、サイクル番号ｍについて周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ（ｉ），ｈ，ｆ_θ（ｉ））に離散フーリエ変換を施すことにより、周波数領域信号Ω^(ｋ)（ｉ，ｈ，ｆ_ｖ）を算出することができる。

ここで、Ｆ_ｍ［］は、サイクル番号ｍについての離散フーリエ変換演算子である。

第１平均化部５８Ｂは、周波数領域信号Ω^(ｋ)（ｉ，ｈ，ｆ_ｖ）をパルス番号ｈについて平均化して平均化信号を算出し、当該平均化信号の絶対値あるいは当該平均化信号の絶対値の二乗をｉ番目の対象物体に関するドップラスペクトルΩ^(ｋ)（ｉ，ｆ_ｖ）として算出する。ここで、ドップラスペクトルΩ^(ｋ)（ｉ，ｆ_ｖ）はその最大値で正規化されてもよい。具体的には、第１平均化部５８Ｂは、次式（１０）に示されるように周波数領域信号Ω^(ｋ)（ｉ，ｈ，ｆ_ｖ）からドップラスペクトルΩ^(ｋ)（ｉ，ｆ_ｖ）を算出することができる。

ここで、γ_３は、正規化係数である。

第２平均化部５９Ｂは、第２平均化部５９Ａと同様に、ドップラスペクトルΩ^(ｋ)（ｉ，ｆ_ｖ）から平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）を算出する。

次に、図９を参照しつつ、実施の形態１の信号処理部４７における対象物体識別部６１及び学習済みデータ記憶部６３の構成について説明する。図９は、信号処理部４７における対象物体識別部６１及び学習済みデータ記憶部６３の概略構成を示すブロック図である。

対象物体識別部６１は、特徴量計測部７１及び識別部７２を有する。特徴量計測部７１は、周波数解析部４９による周波数解析の結果である平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）及びピーク情報ＰＤを取得する。特徴量計測部７１は、平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）及びピーク情報ＰＤに基づいて、観測空間内で動く対象物体の状態を特徴付ける特徴量ｘ_１，ｘ_２，…，ｘ_Ｊの計測値を算出する。ここで、添え字Ｊは３以上の整数である。なお、本実施の形態では、特徴量の種類は３種以上であるが、これに限定されるものではない。特徴量の種類が単数または２種であってもよい。

今、説明の便宜上、Ｊ個の特徴量ｘ_１，ｘ_２，…，ｘ_Ｊの組合せを、次式（１１）に示すような特徴量ベクトルｘ（ｋ）として表現する。

ここで、上付き添え字Ｔは、転置を示す記号である。

また認識対象のクラスの総数をＳで表し、Ｓ個のクラスをＣ_１，Ｃ_２，…，Ｃ_Ｓで表すものとする。識別部７２は、学習済みデータ記憶部６３に記憶されている学習済みデータセットＬＤ_１，…，ＬＤ_Ｇを用いて、ベイズの定理により特徴量ｘ_１，ｘ_２，…，ｘ_Ｊの計測値から、対象物体がクラスＣ_１，…，Ｃ_Ｓに属する事後確率Ｐ（Ｃ_１｜ｘ（ｋ）），…，Ｐ（Ｃ_Ｓ｜ｘ（ｋ））をそれぞれ算出する。ここで、Ｇは学習済みデータセットの個数を示す正整数である。後述するように、学習済みデータセットＬＤ_１，…，ＬＤ_Ｇの各々は、確率分布Ｐ（ｘ_ｊ｜Ｃ_ｓ）の形状を定める単数または数個のパラメータ、あるいは、ルックアップテーブルとして構成可能である。識別部７２は、当該算出された事後確率Ｐ（Ｃ_１｜ｘ（ｋ）），…，Ｐ（Ｃ_Ｓ｜ｘ（ｋ））に基づいて観測空間内の対象物体を識別し、その識別結果を示すデータＤＤを出力することができる。

ベイズの定理によれば、次式（１２），（１３）が成立する。

式（１２），（１３）において、Ｐ（Ｃ_ｓ｜ｘ（ｋ））は、ある対象から特徴量ベクトルｘ（ｋ）が計測されたときに、当該対象がクラスＣ_ｓに属している事後確率（ｐｏｓｔｅｒｉｏｒ ｐｒｏｂａｂｉｌｉｔｙ）分布であり、Ｐ（Ｃ_ｓ）は、クラスＣ_ｓが観測される事前確率（ｐｒｉｏｒ ｐｒｏｂａｂｉｌｉｔｙ）分布であり、Ｐ（ｘ（ｋ）｜Ｃ_ｓ）は、クラスＣ_ｓに属する対象を観測したときに、特徴量ベクトルｘ（ｋ）が計測される確率分布であり、Ｐ（ｘ（ｋ））は、特徴量ベクトルｘ（ｋ）が計測される事前確率分布である。

クラスＣ_ｓが与えられたとき、特徴量ｘ_１，ｘ_２，…，ｘ_Ｊはそれぞれ独立しているもの仮定する。このとき、式（１２）は、次式（１４）で表現される。

式（１４）において、Ｐ（ｘ_ｊ｜Ｃ_ｓ）は、クラスＣ_ｓに属する対象が観測されたときに特徴量ｘ_ｊが計測される確率分布である。学習済みデータ記憶部６３には、確率分布Ｐ（ｘ_ｊ｜Ｃ_ｓ）を定める学習済みデータセットが格納されている。識別部７２は、式（１４）に従って事後確率Ｐ（Ｃ_１｜ｘ（ｋ）），…，Ｐ（Ｃ_Ｓ｜ｘ（ｋ））を算出し、事後確率の高いクラスを識別結果とすることができる。

確率分布Ｐ（ｘ_ｊ｜Ｃ_ｓ）の各々は、パラメトリックモデル（ｐａｒａｍｅｔｒｉｃ ｍｏｄｅｌ）あるいはノンパラメトリックモデル（ｎｏｎｐａｒａｍｅｔｒｉｃ ｍｏｄｅｌ）で表現され得る。パラメトリックモデルは、単数または数個のパラメータをもつ統計モデルである。たとえば、パラメトリックモデルとして、ポアソン分布、正規分布（ガウス分布）、カイの二乗（χ^２）分布、あるいは混合正規分布（混合ガウス分布）が適用され得る。混合正規分布は、複数個の正規分布の線形結合（線形重ね合わせ）で表現される分布である。パラメトリックモデルで表現される確率分布Ｐ（ｘ_ｊ｜Ｃ_ｓ）のパラメータは、各クラスに属する対象について事前に計測されたヒストグラム分布（正規化ヒストグラム）から、最尤法などのアルゴリズムにより推定可能である。パラメトリックモデルが用いられる場合、学習済みデータセットＬＤ_ｇは、確率分布Ｐ（ｘ_ｊ｜Ｃ_ｓ）を定めるパラメータのみを有していればよいので、メモリ効率が高いという利点がある。

確率分布Ｐ（ｘ_ｊ｜Ｃ_ｓ）がノンパラメトリックモデルで表現される場合には、各クラスに属する対象について事前に計測されたヒストグラム分布（正規化ヒストグラム）、または当該ヒストグラム分布を平滑化して得られるヒストグラムを利用することが可能である。この場合、学習済みデータセットＬＤ_ｇとして、確率分布Ｐ（ｘ_ｊ｜Ｃ_ｓ）の形状を定めるルックアップテーブル値を使用することができる。

次に、図１０を参照しつつ、信号処理部４７の動作について説明する。図１０は、信号処理部４７による信号処理の手順を概略的に示すフローチャートである。

図１０を参照すると、先ず、制御部４５は、各種パラメータを初期値に設定する（ステップＳＴ１０）。このとき、式（１４）の事前確率Ｐ（Ｃ_１）～Ｐ（Ｃ_Ｓ）が初期値（たとえば、１／Ｓ）に設定される。

次に、制御部４５は、フレーム番号ｋを指定する（ステップＳＴ１１）。領域変換部５０は、データ記憶部４６からフレーム番号ｋの受信信号ｚ_ｍ ^(ｋ)（ｎ，ｈ，ｑ）を読み出して（ステップＳＴ１２）、周波数解析処理を実行する（ステップＳＴ１３）。図１１は、周波数解析処理の手順を概略的に示すフローチャートである。

図１１を参照すると、直交変換部５１は、上記のとおり、Ｑ個の受信チャネルの受信信号ｚ_ｍ ^(ｋ)（ｎ，ｈ，０）～ｚ_ｍ ^(ｋ)（ｎ，ｈ，Ｑ－１）に対して時間方向に離散直交変換をそれぞれ実行することにより、Ｑ個の受信チャネルにそれぞれ対応する第１の周波数領域信号Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，０）～Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，Ｑ－１）を生成する（ステップＳＴ２１）。

次に、信号成分抽出部５２は、上記のとおり、第１の周波数領域信号Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，０）～Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，Ｑ－１）から静止物体に対応する信号成分をそれぞれ除去することにより、当該第１の周波数領域信号Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，０）～Γ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，Ｑ－１）から動的信号成分Δ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，０）～Δ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，Ｑ－１）をそれぞれ抽出する（ステップＳＴ２２）。

次に、直交変換部５３は、上記のとおり、動的信号成分Δ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，０）～Δ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，Ｑ－１）に対して、受信アンテナ３０_０～３０_Ｑ－１の配列方向に離散直交変換を実行することにより、第２の周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｆ_θ）を算出する（ステップＳＴ２３）。

次に、対象物体検出部５４は、第２の周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｆ_θ）から観測空間内で動く対象物体を検出する（ステップＳＴ２４）。具体的には、対象物体検出部５４は、上記のとおり、第２の周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ，ｈ，ｆ_θ）から、観測空間内で動く対象物体の位置座標（相対距離及び方位角）に相当する周波数番号の組（ｆ_ｒ（ｉ），ｆ_θ（ｉ））を検出する。

次に、ドップラスペクトル算出部５７は、検出された対象物体について第２の周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ（ｉ），ｈ，ｆ_θ（ｉ））をデータ記憶部４６から読み出し、当該第２の周波数領域信号Φ_ｍ ^(ｋ)（ｆ_ｒ（ｉ），ｈ，ｆ_θ（ｉ））から平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）を算出する（ステップＳＴ２５）。

次に、図１０を参照すると、特徴量計測部７１は、周波数解析処理により得られた平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）及びピーク情報ＰＤに基づいて、特徴量ｘ_１，ｘ_２，…，ｘ_Ｊの計測値を算出する（ステップＳＴ１４）。

たとえば、特徴量計測部７１は、図１１のステップＳＴ２４にて対象物体検出部５４により検出された対象物体の個数Ｎｐ（ｋ）を第１の特徴量ｘ_１として算出することができる。この場合、第１の特徴量ｘ_１（＝Ｎｐ（ｋ））のヒストグラム分布は、次式（１５）に示されるようなポアソン分布で近似することができるので、確率分布Ｐ（ｘ_１｜Ｃ_ｓ）は、ポアソン分布を用いて表現可能である。

ここで、パラメータλは正の値である。

また、特徴量計測部７１は、平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）のうちの予め定められた低周波数領域に現れる極大ピークの個数Ｎｄ（ｋ）と、平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）のうちの予め定められた高周波数領域に現れる極大ピークの個数Ｎｕ（ｋ）との間の差を評価する値を、第２の特徴量ｘ_２として算出することができる。具体的には、次式（１６）に示すような第２の特徴量ｘ_２を算出すればよい。

図１２Ａ及び図１２Ｂは、平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）を概念的に示すグラフである。これらのグラフにおいて、横軸は周波数ビン（周波数番号）ｆ_ｖを示し、縦軸は正規化パワー（単位：ｄＢ）を示している。ただし、高周波数領域と低周波数領域とを区分けするために、周波数ビンは並べ替えられている。図１２Ａのグラフでは、高周波数領域の２個の極大ピークが検出され、低周波数領域では極大ピークが検出されない。一方、図１２Ｂのグラフでは、高周波数領域では極大ピークが検出されず、低周波数領域の２個の極大ピークが検出される。

式（１６）の第２の特徴量ｘ_２のヒストグラム分布は、次式（１７）に示されるような正規分布（ガウス分布）で近似することができるので、確率分布Ｐ（ｘ_２｜Ｃ_ｓ）は、正規分布を用いて表現可能である。

ここで、パラメータμは平均であり、パラメータσ^２は分散である。

また、特徴量計測部７１は、平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）に現れる極大ピークの中から、所定値以上の信号対雑音比を有する極大ピークを検出し、当該検出された極大ピークの個数Ｎｓ（ｋ）を第３の特徴量ｘ_３として算出することができる。たとえば、特徴量計測部７１は、図１２Ａに示されるように、平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）に現れる極大ピークに対して左側に現れる谷から当該極大ピークまでの高さＰＰ_１と、当該極大ピークに対して右側に現れる谷から当該極大ピークまでの高さＰＰ_２とのうち小さい方の高さＰＰ_ｍｉｎに着目し、高さＰＰ_ｍｉｎが閾値を超えていれば、当該極大ピークは、所定値以上の信号対雑音比を有する極大ピークであると判定することができる。

第３の特徴量ｘ_３（＝Ｎｓ（ｋ））のヒストグラム分布は、式（１５）に示されるようなポアソン分布で近似することができるので、確率分布Ｐ（ｘ_３｜Ｃ_ｓ）は、ポアソン分布を用いて表現可能である。

さらに、特徴量計測部７１は、フレーム番号ｋについて算出された現在の平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）と、フレーム番号ｋ－１について先に算出された平均ドップラスペクトルω^(ｋ－１)（ｆ_ｖ）との間の時間変化量を、第４の特徴量ｘ_４として算出することができる。具体的には、次式（１８）に示すような第４の特徴量ｘ_４を算出すればよい。

この場合、第４の特徴量ｘ_４のヒストグラム分布は、次式（１９）に示されるようなカイの二乗（χ^２）分布で近似することができるので、確率分布Ｐ（ｘ_４｜Ｃ_ｓ）は、カイの二乗分布を用いて表現可能である。

ここで、パラメータｎは自由度、Γ（）はガンマ関数である。

ステップＳＴ１４の後は、識別部７２は、学習済みデータ記憶部６３に記憶されている学習済みデータセットＬＤ_１，…，ＬＤ_Ｇを用いて、ベイズの定理により特徴量ｘ_１，ｘ_２，…，ｘ_Ｊの計測値から、対象物体がクラスＣ_１，…，Ｃ_Ｓに属する事後確率Ｐ（Ｃ_１｜ｘ（ｋ）），…，Ｐ（Ｃ_Ｓ｜ｘ（ｋ））をそれぞれ算出する（ステップＳＴ１５）。このとき、識別部７２は、先ず、次式（２０）により、式（１４）の右辺の分子を算出する。

ここで、初回の場合には、識別部７２は、事前確率Ｐ（Ｃ_ｓ）をいずれも初期値（たとえば、１／Ｓ）として分子φ（Ｃ_ｓ｜ｘ（ｋ））を算出すればよい。２回目以降の場合には、識別部７２は、フレーム番号ｋ－１について以前に算出された事後確率Ｐ（Ｃ_ｓ｜ｘ（ｋ－１））を事前確率Ｐ（Ｃ_ｓ）として用いて分子φ（Ｃ_ｓ｜ｘ（ｋ））を算出すればよい。識別部７２は、次式（２１）により、事後確率Ｐ（Ｃ_ｓ｜ｘ（ｋ））を算出することができる。

ステップＳＴ１５の後は、識別部７２は、事後確率Ｐ（Ｃ_１｜ｘ（ｋ）），…，Ｐ（Ｃ_Ｓ｜ｘ（ｋ））に基づいて観測空間内の対象物体を識別し（ステップＳＴ１６）、その識別結果を示すデータＤＤを出力する（ステップＳＴ１７）。たとえば、識別部７２は、事後確率Ｐ（Ｃ_１｜ｘ（ｋ）），…，Ｐ（Ｃ_Ｓ｜ｘ（ｋ））のうち最も高い事後確率に対応するクラスを識別結果とすることができる。

次に、信号処理を続行しないと判定した場合には（ステップＳＴ１８のＮＯ）、制御部４５は信号処理を終了する。信号処理を続行すると判定した場合には（ステップＳＴ１８のＹＥＳ）、制御部４５は、フレーム番号ｋをインクリメントして（ステップＳＴ１９）、ステップＳＴ１２に手順を移行させる。

上記したレーダセンサシステム１は、たとえば、乗用車などの車両に搭載可能である。図１３Ａ及び図１３Ｂは、車両１００の内部空間に設置されたレーダセンサシステム１を示す図である。図１３Ａに示されるようにレーダセンサシステム１の観測空間ＯＲは、前部座席１０２、後部座席１０３及び車体１０１内部の両側面を含む。

図１４は、実際に算出された２次元スペクトルＭ^(k)（ｆ_ｒ，ｆ_θ）を表すグラフである。このグラフにおいて、横軸は直交座標系のＸ軸（単位：メートル）を示し、横軸はＸ軸に直交するＹ軸（単位：メートル）を示している。また、表示濃度が低く（薄く）なるほど２次元スペクトルＭ^(k)（ｆ_ｒ，ｆ_θ）の値が大きくなり、表示濃度が高く（濃く）なるほど２次元スペクトルＭ^(k)（ｆ_ｒ，ｆ_θ）の値が小さくなる。前部左座席１０２Ｌ，前部右座席１０２Ｒ，後部左座席１０３Ｌ，後部中央座席１０３Ｃ及び後部右座席１０３Ｒが点線で示されている。図１４中の「×」印は、検出された対象物体の位置座標を表している。

図１５～図１７は、実際に算出された平均ドップラスペクトルω^(ｋ)（ｆ_ｖ）を示すグラフである。これらのグラフにおいて、横軸は周波数ビン（周波数番号）ｆ_ｖを示し、縦軸は正規化パワー（単位：ｄＢ）を示している。ただし、高周波数領域と低周波数領域とを区分けするために周波数ビンは並べ替えられている。図１５のグラフでは、高周波数領域において、スマートフォンの振動状態に対応する２個の極大ピークが現れている。図１６のグラフでは、低周波数領域において、就寝中の幼児を模した人形の動作に対応する複数個の極大ピークが現れている。図１７のグラフでは、低周波数領域において、車体の揺れる状態に対応する２個の極大ピークが現れている。

図１８Ａ，図１８Ｂ，図１８Ｃは、幼児の起きている状態が観測されたときに実際に算出された平均ドップラスペクトルω^(ｋ－２)（ｆ_ｖ），ω^(ｋ－１)（ｆ_ｖ），ω^(ｋ)（ｆ_ｖ）をそれぞれ表すグラフである。図１９Ａ，図１９Ｂ，図１９Ｃは、就寝中の幼児を模した人形の動作が観測されたときに実際に算出された平均ドップラスペクトルω^(ｋ－２)（ｆ_ｖ），ω^(ｋ－１)（ｆ_ｖ），ω^(ｋ)（ｆ_ｖ）をそれぞれ表すグラフである。図１８Ａ～図１８Ｃ，図１９Ａ～図１９Ｃのグラフにおいて、横軸は周波数ビン（周波数番号）ｆ_ｖを示し、縦軸は正規化パワー（単位：ｄＢ）を示している。

図２０及び図２１は、スマートフォン、揺れる車体（「車体」）、就寝中の幼児（「幼児（寝）」）、就寝中の幼児を模した人形（「人形（寝）」）、並びに、起きている状態の幼児と起きている状態の人形との組合せ（「幼児（起）＋人形（起）」）という５つの状態が個別に観測された場合に計測された第１の特徴量ｘ_１（＝Ｎｐ（ｋ））のヒストグラム分布を表すグラフである。図２０及び図２１のグラフにおいて、横軸は第１の特徴量ｘ_１を示し、縦軸は正規化度数を示している。図２０及び図２１のヒストグラム分布の各々は、ポアソン分布で近似可能であることが分かる。

図２２及び図２３は、図２０及び図２１の場合と同様に５つの状態が個別に観測された場合に計測された第２の特徴量ｘ_２（式（１６））のヒストグラム分布を表すグラフである。図２２及び図２３のグラフにおいて、横軸は第２の特徴量ｘ_２を示し、縦軸は正規化度数を示している。図２２及び図２３のヒストグラム分布の各々は、混合正規分布（混合ガウス分布）で近似可能であることが分かる。

図２４は、図２０及び図２１の場合と同様に５つの状態が個別に観測された場合に計測された第３の特徴量ｘ_３（＝Ｎｓ（ｋ））のヒストグラム分布を表すグラフである。図２４のグラフにおいて、横軸は第３の特徴量ｘ_３を示し、縦軸は正規化度数を示している。図２４のヒストグラム分布の各々は、ポアソン分布で近似可能であることが分かる。

図２５及び図２６は、図２０及び図２１の場合と同様に５つの状態が個別に観測された場合に計測された第４の特徴量ｘ_４（式（１８））のヒストグラム分布を表すグラフである。図２５及び図２６のグラフにおいて、横軸は第４の特徴量ｘ_４を示し、縦軸は正規化度数を示している。図２５及び図２６のヒストグラム分布の各々は、カイの二乗（χ^２）分布で近似可能であることが分かる。

図２７は、車両１００内で就寝中の幼児のみが観測される場合に算出された事後確率の時間遷移を表すグラフである。このグラフにおいて、横軸はフレーム番号ｋを示し、縦軸は事後確率を示している。図２７のグラフには、時間の経過とともに事後確率が正しい値に収束していく様子が示されている。同様に、図２８は、車両１００内で車体１０１の揺れのみが観測される場合に算出された事後確率の時間遷移を表すグラフである。図２８のグラフにおいても、時間の経過とともに事後確率が正しい値に収束していく様子が示されている。同様に、図２９は、車両１００内で振動するスマートフォンのみが観測される場合に算出された事後確率の時間遷移を表すグラフである。図２９のグラフにおいても、時間の経過とともに事後確率が正しい値に収束していく様子が示されている。

以上に説明したように実施の形態１では、特徴量計測部７１は、周波数解析部４９による周波数解析結果に基づいて、観測空間内で動く対象物体の状態を特徴付ける単数または複数種の特徴量ｘ_１～ｘ_Ｊの計測値を算出する。識別部７２は、学習済みデータ記憶部６３に格納されている学習済みデータセットＬＤ_１～ＬＤ_Ｇを用いて、ベイズの定理により、特徴量ｘ_１～ｘ_Ｊの計測値から対象物体が単数または複数のクラスにそれぞれ属する事後確率を算出し、当該算出された事後確率に基づいて観測空間内の対象物体を識別することができる。したがって、対象物体を高い精度で識別することができる。

以上、図面を参照して本発明に係る実施の形態及びこれの変形例について述べたが、当該実施の形態及び変形例は本発明の例示であり、当該実施の形態及び変形例以外の様々な実施の形態があり得る。本発明の範囲内において、実施の形態１の任意の構成要素の変形、または実施の形態１の任意の構成要素の省略が可能である。

なお、本実施の形態のセンサ部１０はＦＭＣＷ方式で動作するが、これに限定されるものではない。たとえば、パルス圧縮方式で動作するようにセンサ部１０の構成が変更されてもよい。

本発明に係るレーダ信号処理器、レーダセンサシステム及び信号処理方法は、観測空間内で動く対象物体の種別を高精度に推定することを可能とするので、たとえば、乗用車または鉄道車両などの車両の内部における対象物体（たとえば、幼児または小動物などの生体）を検知するセンサシステムに用いられ得る。

１ レーダセンサシステム、１０ センサ部、２０ 送信アンテナ、２１ 送信回路、２２ 電圧生成器、２３ 電圧制御発振器、２４ 分配器、２５ 増幅器、３０_０～３０_Ｑ－１ 受信アンテナ、３１_０～３１_Ｑ－１ 受信器、３２_０～３２_Ｑ－１ 低ノイズ増幅器、３３_０～３３_Ｑ－１ ミキサ、３４_０～３４_Ｑ－１ ＩＦ増幅器、３５_０～３５_Ｑ－１ フィルタ、３６_０～３６_Ｑ－１ Ａ／Ｄ変換器（ＡＤＣ）、４１ レーダ信号処理器、４５ 制御部、４６ データ記憶部、４７ 信号処理部、４９ 周波数解析部、５０ 領域変換部、５１ 直交変換部、５２ 信号成分抽出部、５２Ａ 時間平均化部、５２Ｂ 減算器、５３ 直交変換部、５４ 対象物体検出部、５５ 時間平均化部、５６ ピーク検出部、５７ ドップラスペクトル算出部、５７Ａ，５７Ｂ 直交変換部、５８Ａ，５８Ｂ 第１平均化部、５９Ａ，５９Ｂ 第２平均化部、６１ 対象物体識別部、６３ 学習済みデータ記憶部、７１ 特徴量計測部、７２ 識別部、９０ 信号処理回路、９１ プロセッサ、９２ メモリ、９３ 記憶装置、９４ 入出力インタフェース部、９５ 信号路、１００ 車両、１０１ 車体、１０２ 前部座席、１０３ 後部座席。

Claims (11)

1. 観測空間にて光周波数領域よりも低い周波数帯の送信電波が反射することにより生じた反射波を受信する単数または複数の受信アンテナと、前記単数または複数の受信アンテナの出力信号に信号処理を施すことにより単数または複数の受信チャネルの受信信号を生成する受信回路とを含むセンサ部と連携して動作するレーダ信号処理器であって、
   前記受信信号に周波数解析を施す周波数解析部と、
   前記周波数解析の結果に基づいて、前記観測空間内で動く対象物体の状態を特徴付ける単数または複数種の特徴量の計測値を算出する特徴量計測部と、
   前記観測空間内にて単数または複数のクラスに属する対象が観測されたときに、前記単数または複数種の特徴量がそれぞれ計測される確率分布を定める単数または複数の学習済みデータセットが記憶されている学習済みデータ記憶部と、
   前記学習済みデータセットを用いて、ベイズの定理により当該計測値から前記対象物体が前記単数または複数のクラスにそれぞれ属する事後確率を算出し、当該算出された事後確率に基づいて前記対象物体を識別する識別部と
   を備え、
   前記周波数解析部は、
   前記受信信号を、前記観測空間の空間座標に対応する周波数領域における周波数領域信号に変換する領域変換部と、
   前記周波数領域信号から前記対象物体を検出する対象物体検出部と
   を含む、ことを特徴とするレーダ信号処理器。
2. 請求項１に記載のレーダ信号処理器であって、
   前記周波数解析部、前記特徴量計測部及び前記識別部は、前記周波数解析、前記計測値を算出する処理、及び、前記事後確率を算出する処理を反復的に実行し、
   前記識別部は、当該識別部により以前に算出された事後確率を事前確率として用いて、前記事後確率を算出する処理を実行する、
   ことを特徴とするレーダ信号処理器。
3. 請求項１または請求項２に記載のレーダ信号処理器であって、前記特徴量計測部は、前記対象物体検出部により検出された対象物体の個数を、前記単数または複数種の特徴量の１つとして算出する、ことを特徴とするレーダ信号処理器。
4. 請求項１から請求項３のうちのいずれか１項に記載のレーダ信号処理器であって、
   前記複数の受信アンテナは、空間的に配列されており、
   前記領域変換部は、
   前記複数の受信チャネルの受信信号に対して時間方向に離散直交変換をそれぞれ実行することにより、前記複数の受信チャネルにそれぞれ対応する複数の第１の周波数領域信号を生成する第１の直交変換部と、
   前記複数の第１の周波数領域信号から静止物体に対応する信号成分をそれぞれ除去することにより、前記複数の第１の周波数領域信号から複数の動的信号成分をそれぞれ抽出する信号成分抽出部と、
   前記複数の動的信号成分に対して、前記受信アンテナの配列方向に離散直交変換を実行することにより第２の周波数領域信号を前記周波数領域信号として生成する第２の直交変換部と
   を含む、ことを特徴とするレーダ信号処理器。
5. 請求項１から請求項４のうちのいずれか１項に記載のレーダ信号処理器であって、
   前記周波数解析部は、前記対象物体検出部により検出された単数または複数の対象物体について前記周波数領域信号に離散直交変換を施すことにより、当該単数または複数の対象物体にそれぞれ対応する第３の周波数領域信号を生成し、前記第３の周波数領域信号から平均ドップラスペクトルを算出するドップラスペクトル算出部をさらに含む、ことを特徴とするレーダ信号処理器。
6. 請求項５に記載のレーダ信号処理器であって、前記特徴量計測部は、前記平均ドップラスペクトルのうちの予め定められた低周波数領域に現れる極大ピークの個数と、前記平均ドップラスペクトルのうちの予め定められた高周波数領域に現れる極大ピークの個数との間の差を評価する値を、前記単数または複数種の特徴量の１つとして算出する、ことを特徴とするレーダ信号処理器。
7. 請求項５または請求項６に記載のレーダ信号処理器であって、前記特徴量計測部は、前記平均ドップラスペクトルに現れる単数または複数の極大ピークの中から、所定値以上の信号対雑音比を有する極大ピークを検出し、当該検出された極大ピークの個数を前記単数または複数種の特徴量の１つとして算出する、ことを特徴とするレーダ信号処理器。
8. 請求項５から請求項７のうちのいずれか１項に記載のレーダ信号処理器であって、前記特徴量計測部は、前記平均ドップラスペクトルと、当該特徴量計測部により先に算出された平均ドップラスペクトルとの間の時間変化量を、前記単数または複数種の特徴量の１つとして算出する、ことを特徴とするレーダ信号処理器。
9. 請求項１から請求項８のうちのいずれか１項に記載のレーダ信号処理器であって、前記単数または複数の学習済みデータセットはルックアップテーブルとして構成されている、ことを特徴とするレーダ信号処理器。
10. 請求項１から請求項９のうちのいずれか１項に記載のレーダ信号処理器と、
    前記センサ部と
    を備えることを特徴とするレーダセンサシステム。
11. 観測空間にて光周波数領域よりも低い周波数帯の送信電波が反射することにより生じた反射波を受信する単数または複数の受信アンテナと、前記単数または複数の受信アンテナの出力信号に信号処理を施すことにより単数または複数の受信チャネルの受信信号を生成する受信回路とを含むセンサ部と連携して動作するレーダ信号処理器において実行される信号処理方法であって、
    前記受信信号に周波数解析を施すステップと、
    前記周波数解析の結果に基づいて、前記観測空間内で動く対象物体の状態を特徴付ける単数または複数種の特徴量の計測値を算出するステップと、
    前記観測空間内にて単数または複数のクラスに属する対象が観測されたときに、前記単数または複数種の特徴量がそれぞれ計測される確率分布を定める単数または複数の学習済みデータセットが記憶されている学習済みデータ記憶部を参照し、前記学習済みデータセットを用いて、ベイズの定理により当該計測値から前記対象物体が前記単数または複数のクラスにそれぞれ属する事後確率を算出するステップと、
    当該算出された事後確率に基づいて前記対象物体を識別するステップと
    を備え、
    前記受信信号に周波数解析を施すステップは、
    前記受信信号を、前記観測空間の空間座標に対応する周波数領域における周波数領域信号に変換するステップと、
    前記周波数領域信号から前記対象物体を検出するステップと
    を含む、
    ことを特徴とする信号処理方法。

Images