KR20220068730A

KR20220068730A - 실내 보안 응용을 위한 인체 감지 레이다 시스템 및 이를 이용한 인체 감지 방법

Info

Publication number: KR20220068730A
Application number: KR1020200155808A
Authority: KR
Inventors: 정윤호; 장대호; 김현
Original assignee: 한국항공대학교산학협력단
Priority date: 2020-11-19
Filing date: 2020-11-19
Publication date: 2022-05-26
Also published as: KR102524373B1

Abstract

본 발명의 일 실시예에 따른 실내보안 응용을 위한 인체 감지 레이다 시스템은 CW 레이다의 측정신호를 수신하여 STFT 신호처리를 통해 스펙트로그램을 생성하는 신호처리부; 상기 스펙트로그램을 기초로 4개의 특징들을 추출하는 특징 추출부; 및 상기 4개의 특징 모두를 이용해 대상이 사람인지를 분류하는 SVM 이진분류부를 포함한다.

Description

실내 보안 응용을 위한 인체 감지 레이다 시스템 및 이를 이용한 인체 감지 방법{Human-Detecting Radar System for Indoor Security Applications and Human-Detecting method using the same}

본 발명은 실내 보안 응용을 위한 인체 감지 레이다 시스템 및 이를 이용한 인체 감지 방법에 관한 것이다.

현대 사회에서는 주거의 안정성과 특정 공간 내의 보안 유지를 위해 침입자를 감지하는 보안 및 감시 시스템이 필수적이다. 특히 24시간 동작하는 감시 시스템 특성상 저면적, 저전력의 시스템이 필요하다. 기존의 보안 시스템에서는 CCTV 카메라, 적외선 센서, 마이크로웨이브 센서, 레이다 등 다양한 센서들이 활용되고 있다.

하지만, 이러한 센서들은 어두운 환경에서 대상을 감지하지 못하거나, 사람이 아닌 다른 물체의 움직임을 감지하여 오작동하는 경우가 많다. 특히 CCTV의 경우 사람이 직접 화면을 감시하여야 한다는 단점이 있다[2]. 그에 반면 전자기파를 사용하여 표적을 탐지하는 레이다는 외부 환경에 영향을 적게 받고 어두운 환경에서도 대상을 감지할 수 있다는 장점이 있다. 또한, 대상을 감지하는 것뿐만 아니라 사람의 다양한 동작이나 미세한 움직임을 검출할 수 있어서 사람과 다른 물체들을 분류하는 타겟 인식에 관한 연구도 활발히 진행되고 있다.

S. Oh, S. Moon, S. Choi, "Intelligence Security and Surveillance System in Sensor Network Environment Using Integrated Heterogeneous Sensors" Korea Institute Of Communication Sciences, Vol. 38C, No. 07, pp. 551-562, Jul. 2013.

본 발명이 해결하고자 하는 과제는 종래의 문제점을 해결할 수 있는 실내 보안 응용을 위한 인체 감지 레이다 시스템 및 이를 이용한 인체 감지 방법을 제공하는 데 그 목적이 있다.

상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 실내 응용보안을 위한 인체 감지 레이다 시스템은 CW 레이다에서 대상을 측정한 주파수(레이다) 신호를 수신하여 STFT(Short-Time Fourier Transform) 신호처리를 통해 스펙트로그램을 생성하는 신호처리부; 상기 스펙트로그램을 기초로 인체 형상 및 인체의 움직임과 연관된 복수의 특징들을 추출하는 특징 추출부; 및 상기 복수의 특징들을 이용하여 상기 대상을 1 또는 0으로 분류하는 SVM 이진분류부를 포함한다.

상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 실내 보안 응용을 위한 인체 감지 레이다 시스템의 동작방법은 신호처리부에서 CW 레이다에서 대상을 측정한 주파수(레이다) 신호를 수신하여 STFT(Short-Time Fourier Transform) 신호처리를 통해 스펙트로그램을 생성하는 신호처리단계; 특징 추출부에서 상기 스펙트로그램을 기초로 복수의 특징들을 추출하는 특징추출단계; 및 SVM 이진분류부에서 상기 복수의 특징들을 이용하여 상기 대상을 1 또는 0으로 분류하는 SVM 이진분류 단계를 포함한다.

따라서, 본 발명의 일 실시예 및 다른 일 실시예에 따른 실내 보안 응용을 위한 인체 감지 레이다 시스템은STFT를 사용한 신호처리와 효율적인 분류를 위한 특징 추출 기법, SVM을 사용한 분류 알고리즘을 적용함으로써, 시스템의 복잡도를 단순화하여 연산복잡도를 최소화하면서도, 인체 감지의 정확성을 높일수 있다는 이점을 제공한다.

즉, 본 발명의 인체 감지 레이다 시스템은 CW 레이다로부터 STFT를 적용하여 시간정보를 포함하고 있는 스펙트로그램을 추출하여 SVM으로 분류하므로 적은 면적으로도 인체를 높은 정확도로 감지할 수 있다.

도 1은 본 발명의 일 실시예 및 다른 일 실시예에 따른 실내 보안 응용을 위한 인체 감지 레이다 시스템의 간략구성도이다.
도 2는 도 1에 도시된 각 구성들의 세부구성을 나타낸 블록도이다.
도 3은 STFT에 의한 스펙트로그램의 예시도이다.
도 4는 타겟 종류별 스펙트로그램의 예시도이다.
도 5는 대상에 따른 보폭 주기에 대한 스펙트로그램의 예시도이다.
도 6은 대상에 따른 보폭 횟수에 대한 스펙트로그램의 예시도이다.
도 7은 대상에 따른 레이다 반사 면적을 나타낸 스펙트로그램의 예시도이다.
도 8은 대상에 따른 최고 주파수와 몸통 주파수의 차이를 표시한 스펙트로그램의 예시도이다.
도 9는 SVM의 초평면과 서포트 벡터를 표시한 평면도이다.
도 10은 본 발명의 일 실시예에 따른 인체 감지 방법을 설명한 흐름도이다.
도 11은 본 발명의 다른 일 실시예에 따른 인체 감지 방법을 설명한 흐름도이다.
도 12는 제안된 시스템의 분류 성능 평가를 위하여 다양한 실험환경을 보여준 사진이다.
도 13은 5가지 특징값을 비교한 그래프이다.
도 14는 이진분류에 사용된 특징 개수별 정확도의 평균을 나타낸 표이다ㅏ.
도 15는 분류 알고리즘의 정확도를 나타낸 표이다.
도 16은 리소스 사용에 대한 요약을 나타낸 표이다.
도 17은 블록별 리소스 사용을 나타내 표이다
도 18은 본 명세서에 개진된 하나 이상의 실시예가 구현될 수 있는 예시적인 컴퓨팅 환경을 도시한 도이다.

이하, 본 명세서의 실시예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 명세서에 기재된 기술을 특정한 실시 형태에 대해 한정하는 것이 아니며, 본 명세서의 실시예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 본 명세서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.

본 명세서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.

본 명세서에서 사용된 "제 1," "제 2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제 1 사용자 기기와 제 2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 명세서에 기재된 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 바꾸어 명명될 수 있다.

어떤 구성요소(예: 제 1 구성요소)가 다른 구성요소(예: 제 2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제 1 구성요소)가 다른 구성요소(예: 제 2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.

본 명세서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다.

예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.

본 명세서에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 명세서에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 명세서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 명세서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 명세서에서 정의된 용어일지라도 본 명세서의 실시예들을 배제하도록 해석될 수 없다.

이하, 첨부된 도면들을 기초로 본 발명의 일 실시예 및 다른 일 실시예 따른 실내 보안 응용을 위한 인체 감지 레이다 시스템 및 이를 이용한 인체 감지 방법을 보다 상세하게 설명하도록 한다.

도 1은 본 발명의 일 실시예에 따른 실내 보안 응용을 위한 인체 감지 레이다 시스템의 간략구성도이고, 도 2는 도 1에 도시된 각 구성의 세부구성도이다.

도 1 및 도 2를 참조하면, 본 발명의 일 실시예에 따른 실내 보안 응용을 위한 인체 감지 레이다 시스템(100)은 신호처리부(110), 특징 추출부(120) 및 SVM 이진분류부(130)를 포함한다.

상기 신호처리부(110)는 CW 레이다(10)에서 대상을 측정한 주파수(레이다) 신호를 수신하여 STFT(Short-Time Fourier Transform) 신호처리를 통해 스펙트로그램을 생성하는 구성일 수 있다.

상기 주파수(레이다) 신호는 CW 레이다의 도플러 효과에 의해 나타나는 상기 대상에 대한 송신 주파수와 수신 주파수의 차인 도플러 주파수 신호이다.

상기 신호처리부(110)는 하기의 식 1과 같이, 상기 도플러 주파수 신호를 이용하여 CW 레이다(10)에서 감지한 대상의 속도를 계산할 수 있다.

[식 1]

V는 대상이 레이다를 향해 다가오는 속도, c는 전파의 속이다.

또한, 상기 신호처리부(110)는 윈도우 함수를 적용하여 상기 레이다 신호를 단시간 신호로 분할하고, 분할된 단시간 신호에 대해 시간 변화에 따른 도플러 주파수를 FFT 알고리즘을 적용하여 산출한 후, 산출된 결과값을 시간 축으로 배열하여 상기 스펙트로그램을 생성할 수 있다.

즉, 스펙트로그램은 레이다 신호에 STFT를 사용하여 얻어지고, 윈도우 함수를 적용해 레이다 신호를 단시간 신호(Short-time signal)로 분할하고, 분할 된 단시간 신호에 대해 FFT를 적용하여 시간 변화에 따른 도플러 주파수를 분석할 수 있다.

이렇게 얻어진 FFT 결과를 시간 축으로 이어 붙이면 도 3과 같은 스펙트로그램을 얻을 수 있다. 여기서, 도 3의 가로축은 시간, 세로축은 속도를 나타내며, 신호의 세기는 색으로 표현한다. 진한 빨간색에 가까울수록 높고, 파란색에 가까울수록 낮은 신호의 세기를 나타낸다.

다음으로, 상기 특징 추출부(120)는 스펙트로그램을 기초로 복수의 특징들을 추출하는 구성일 수 있다.

상기 특징 추출부(120)를 설명하기에 앞서, 본 발명에서 언급하는 스텍트로그램 내의 주파수는 대상에 따라 다르다. 예컨대, 면적이 가장 넓은 대상의 몸통의 주파수의 세기가 가장 강하게 나타나고, 대상의 팔다리 움직임에 의해 미세 도플러 주파수(micro-Doppler frequency)가 나타난다.

예를 들어, 개는 사람보다 다리 움직임이 빨라 도 4의 (b) 참조, 개의 스펙트로그램은 미세 도플러의 시간 간격이 도 4의 (a)의 사람 스펙트로그램보다 더 촘촘히 나타난다. 도 4의 (c)는 다리 움직임이 없는 로봇 청소기의 스펙트로그램이며, 미세 도플러 주파수가 나타나지 않는다. 따라서 본 발명에서는 대상의 움직임, 형상 등 이에 기반 한 4가지의 효율적인 특징 추출 방안을 통해 대상의 특징을 추출한다.

보다 구체적으로, 특징 추출부(120)는 첫째, 스펙트로그램 내의 미세 도플러 주파수(micro-Doppler frequency)의 시간간격의 평균값을 기초로 복수의 특징을 추출한다.

예컨대, 사람의 다리 움직임의 주기는 다리 길이가 짧은 개와 구분된다. 발을 한걸음 움직인 후 다음 발을 움직일 때까지 걸리는 시간은 다리 길이가 긴 사람이 다리 길이가 짧은 개보다 더 길게 나타난다. 이는 스펙트로그램 상에서 미세 도플러의 시간 간격으로 확인할 수 있다(도 5 참조). 즉, 도 5에 도시된 세로로 표시된 미세 도플러의 시간 간격의 평균값으로 대상에 대한 복수의 특징들을 추출할 수 있다.

또한, 상기 특징 추출부(120)는 스펙트로그램 내의 미세 도플러 주파수의 발생 유무 및 횟수를 기초로 복수의 특징을 추출할 수 있다.

보다 정확하게는 대상의 보폭의 횟수(Count of Stride)로 대상에 대한 복수의 특징들을 추출할 수 있다.

예를 들어, 도 6과 같이 사람이나 개와 달리 다리가 없는 로봇 청소기는 다리 움직임에 의한 미세 도플러가 나타나지 않는다. 이는 다리가 없는 물체와 사람을 구분하는 특징으로 적합하다.

또한, 상기 특징 추출부(120)는 상기 스펙트로그램 내의 레이다 반사 면적(RCS; Radar cross section)을 이용하여 복수의 특징을 추출할 수 있다.

예컨대, 레이다 반사 면적(RCS; Radar cross section) 전자기파가 대상에서 반사되는 에너지의 총량이다. 대상의 크기에 따라 반사되는 면적이 달라지며, 크기가 큰 대상일수록 크게 나타난다. 따라서 레이다 반사면적(RCS; Radar cross section)는은 사람, 개, 로봇 청소기 순으로 크게 나타난다. 따라서, 스펙트로그램에서 임계값 이상의 데이터를 모두 더하여 계산한 값을 통해 대상에 대한 복수의 특징들을 추출할 수 있다.

상기 특징 추출부(120)는 스펙트로그램 내의 피크 주파수와 몸통 주파수의 차를 이용하여 복수의 특징을 추출할 수 있다.

여기서, 상기 피크 주파수는 미세 도플러 주파수(micro-Doppler frequency)의 최대값으로, 다리의 스윙 속도를 의미한다.

대상의 몸통 속도와 다리의 스윙 속도 차이는 대상의 다리 길이에 의해 결정된다. 개는 사람보다 다리가 더 짧아 몸통의 속도와 다리의 스윙 속도 차이가 더 작게 나타난다(도 7 참조).

따라서 스펙트로그램 상에서 몸통의 속도를 나타내는 몸통 주파수와 다리의 스윙 속도를 나타내는 피크 주파수의 차이를 계산하여 대상에 대한 복수의 특징들을 추출할 수 있다.

다음으로, 상기 SVM 이진분류부(130)는 인체의 움직임과 연관된 4개의 특징을 사용하여 대상을 1 또는 0으로 분류하는 구성일 수 있다.

상기 SVM 이진 분류부(130)는 하기의 식 2를 이용하여 특징을 상기 2개의 클래스로 분류한다.

[식 2]

여기서, X는 분류할 입력 벡터이고,

는 평균,

는 표준편차,

는 선형 예측 변수,

는 커널 스케일(kernel scale)이고, b는 바이어스 상수이다.

즉, SVM 이진 분류부(130)는 특징 추출부(120)에서 특징 추출이 끝나면 SVM을 이용한 분류를 진행하는 구성으로, 도 9와 같이, 두 클래스를 구분 짓는 초평면(hyper-plane)을 정의하고 해당 초평면을 기준으로 두 클래스 사이의 margin을 최대화하여서 이진 분류를 수행한다

상기 SVM 학습은 margin을 최대화할 수 있는 support vector를 찾는 과정이다.

도 10은 도 1에 도시된 인체 감지 레이다 시스템을 이용한 인체 감지 방법을 설명한 흐름도이다.

도 10을 참조하면, 본 발명의 일 실시예에 따른 인체 감지 레이다 시스템을 이용한 인체 감지 방법(S700)은 신호처리부(110)에서 CW 레이다에서 대상을 측정한 주파수(레이다) 신호를 수신하여 STFT(Short-Time Fourier Transform) 신호처리를 통해 스펙트로그램을 생성하는 신호처리단계(S710, 특징 추출부(120)에서 상기 스펙트로그램을 기초로 인체의 움직임과 연관된 4개의 특징들을 추출하는 특징추출단계(S720) 및 SVM 이진분류부에서 상기 4개의 특징들을 이용하여 대상을 1 또는 0으로 분류하는 SVM 이진분류 단계(S730)로 구성된다.

여기서, 상기 주파수 신호는 상기 대상에 대한 송신 주파수와 수신 주파수의 차인 도플러 주파수 신호이다.

상기 신호처리단계(S710) 단계는 하기의 식 1과 같이, 상기 도플러 주파수를 이용하여 상기 대상의 속도를 계산하는 단계를 포함한다.

[식 1]

V는 대상이 레이다를 향해 다가오는 속도, c는 전파의 속도이다.

상기 신호처리단계(S710) 단계는 윈도우 함수를 적용하여 상기 레이다 신호를 단시간 신호로 분할하고, 분할된 단시간 신호에 대해 시간 변화에 따른 도플러 주파수를 FFT 알고리즘을 적용하여 산출한 후, 산출된 결과값을 시간 축으로 배열하여 상기 스펙트로그램을 생성하는 단계일 수 있다.

다음으로, 상기 특징추출단계(S720)는 상기 스펙트로그램 내의 미세 도플러 주파수(micro-Doppler frequency)의 시간간격을 기초로 복수의 특징을 추출하는 단계일 수 있다.

또한, 상기 특징추출단계(S720)는 상기 스펙트로그램 내의 미세 도플러의 발생 유무를 기초로 복수의 특징을 추출하는 단계일 수 있다.

또한, 상기 특징추출단계(S720)는 상기 스펙트로그램 내의 레이다 반사 면적을 이용하여 복수의 특징을 추출하는 단계일 수 있다.

또한, 상기 특징추출단계(S720)는 상기 스펙트로그램 내의 피크 주파수와 몸통 주파수의 차를 이용하여 복수의 특징을 추출하는 단계일 수 있고, 상기 피크 주파수는 미세 도플러 주파수(micro-Doppler frequency)의 최대값이다.

여기서, 상기 피크 주파수는 미세 도플러 주파수(micro-Doppler frequency)의 최대값으로, 다리의 스윙 속도를 의미한다. 대상의 몸통 속도와 다리의 스윙 속도 차이는 대상의 다리 길이에 의해 결정된다. 개는 사람보다 다리가 더 짧아 몸통의 속도와 다리의 스윙 속도 차이가 더 작게 나타난다(도 7 참조).

다음으로, 상기 SVM 이진 분류단계(S730)는 미리 학습된 SVM 파라미터을 통해 4가지의 특징을 이진분류하는 단계이다.

상기 SVM 이진 분류단계(S730)는 하기의 식 2를 이용하여 특징을 2개의 클래스로 분류하다.

[식 2]

여기서, X는 분류할 입력 벡터이고,

는 평균,

는 표준편차,

는 선형 예측 변수,

는 커널 스케일(kernel scale)이고, b는 바이어스이다.

즉, SVM 이진 분류단계(S730)는 S720 단계에서 특징 추출이 끝나면 미리 학습된 SVM파라미터를 이용하여 대상을 이진분류하도록 진행하는 구성으로, 도 9와 같이, 두 클래스를 구분 짓는 초평면(hyper-plane)을 정의하고 해당 초평면을 기준으로 두 클래스 사이의 margin을 최대화하여서 이진 분류를 수행하는 과정으로, 여기서, 상기 SVM 학습은 margin을 최대화할 수 있는 support vector를 찾는 과정이다.

도 1b는 본 발명의 다른 일 실시예에 따른 실내 보안 응용을 위한 인체 감지 레이다 시스템을 나타낸 블록도이다.

도 1b를 참조하면, 본 발명의 다른 일 실시예에 따른 인체 감지 레이다 시스템(200)은 CW 레이다(10) 및 신호처리시스템(210)을 포함한다.

CW 레이다(10)는 대상을 측정한 레이다 신호를 전송하는 구성이다.

신호처리시스템(210)은 상기 레이다 신호를 수신하여 STFT(Short-Time Fourier Transform) 신호처리를 통해 스펙트로그램을 생성하고, 생성된 스펙트로그램 내의 미세 도플러 주파수의 시간간격, 발생 유무, 레이다 반사면적, 피크 주파수와 몸통 주파수의 차를 이용하여 1 또는 0으로 상기 대상을 사람인지 분류하는 구성이다.

상기 주파수 신호는 상기 대상에 대한 송신 주파수와 수신 주파수의 차인 도플러 주파수 신호이다.

상기 신호처리시스템(210)은 하기의 식 1과 같이, 상기 도플러 주파수를 이용하여 상기 대상의 속도를 계산하는 신호처리부를 포함한다.

[식 1]

상기 신호처리부(110)는 윈도우 함수를 적용하여 상기 레이다 신호를 단시간 신호로 분할하고, 분할된 단시간 신호에 대해 시간 변화에 따른 도플러 주파수를 FFT 알고리즘을 적용하여 산출한 후, 산출된 결과값을 시간 축으로 배열하여 상기 스펙트로그램을 생성한다.

상기 신호처리부(110)는 생성된 스펙트로그램 내의 미세 도플러 주파수의 시간간격, 발생 유무, 레이다 반사면적, 피크 주파수와 몸통 주파수의 차 및 피크 주파수의 분산값 중 어느 하나를 이용하여 복수의 특징들을 추출하는 특징 추출부(120)을 포함한다.

상기 신호처리시스템(210)은 학습을 통해 2개의 클래스로 구성된 초평면을 정의하고, 상기 2개의 평면영역 간의 마진(margin)을 최대화하여 상기 복수의 특징들을 이진분류하는 SVM 이진 분류부(130)를 포함한다.

상기 SVM 이진 분류부(130)는 상기 특징 추출부에서 추출된 특징의 벡터 중 상기 초평면과 가장 인접한 벡터(support vector)를 이용하여 상기 마진(margin)을 최대화하는 구성일 수 있다.

상기 마진(margine)은 상기 초명편으로부터 상기 벡터(support vector)까지 거리 중 2배 거리를 의미한다.

[식 2]

여기서, X는 분류할 입력 벡터이고,

는 평균,

는 표준편차,

는 선형 예측 변수,

는 커널 스케일(kernel scale)이고, b는 바이어스이다.

본 발명의 다른 일 실시예에 따른 신호처리시스템의 각 구성들(110, 120, 130)은 도 1의 (a)에 도시된 일 실시예의 구성들과 실질적으로 동일함으로, 각 구성에 대한 설명은 도 1의 (a)의 설명으로 대체하도록 한다.

도 11은 본 발명의 다른 일 실시예에 따른 실내 보안 응용을 위한 인체 감지 레이다 시스템을 이용한 인체 감지 방법을 설명한 흐름도이다.

도 11을 참조하면, 본 발명의 다른 일 실시예에 따른 인체 감지 방법(S800)은 CW 레이다에서 대상을 측정한 레이다 신호를 전송하는 단계(S810) 및 상기 레이다 신호를 수신하여 STFT(Short-Time Fourier Transform) 신호처리를 통해 스펙트로그램을 생성하고, 생성된 스펙트로그램 내의 미세 도플러 주파수의 시간간격, 발생 유무, 레이다 반사면적, 피크 주파수와 몸통 주파수의 차 4가지를 이용하여 대상을 1 또는 0으로 분류하는 신호처리단계(S820)를 포함한다.

상기 주파수 신호는 상기 대상에 대한 송신 주파수와 수신 주파수의 차인 도플러 주파수 신호이고, 상기 신호처리단계(S820)는 하기의 식 1과 같이, 상기 도플러 주파수를 이용하여 상기 대상의 속도를 계산하는 단계를 포함한다.

[식 1]

상기 신호처리단계(S820)는 윈도우 함수를 적용하여 상기 레이다 신호를 단시간 신호로 분할하고, 분할된 단시간 신호에 대해 시간 변화에 따른 도플러 주파수를 FFT 알고리즘을 적용하여 산출한 후, 산출된 결과값을 시간 축으로 배열하여 상기 스펙트로그램을 생성하는 단계를 포함한다.

상기 신호처리단계(S820)는 SVM 학습을 통해 2개의 클래스로 구성된 초평면을 정의하고, 상기 2개의 평면영역 간의 마진(margin)을 최대화하여 상기 복수의 특징들을 이진분류하는 단계를 포함할 수 있다.

상기 이진분류하는 단계는 하기의 식 2를 이용하여 특징을 상기 2개의 클래스로 분류하는 단계일 수 있다.

[식 2]

여기서, X는 분류할 입력 벡터이고,

는 평균,

는 표준편차,

는 선형 예측 변수,

는 커널 스케일(kernel scale)이고, b는 바이어스이다.

본 발명의 다른 일 실시예에 따른 인체 감지 방법의 S820 단계는 도 10의 세부 단계들을 포함함으로 S820에 대한 보다 세부적인 설명은 도 10에 도시된 각 단계들의 설명으로 대체하도록 한다.

이하에서는 도 12 내지 도 14를 참조하여, 본 발명에서 제안하는 시스템의 분류 성능 평가를 실험한 실험내용을 간략하게 설명하도록 한다.

제안된 시스템의 SVM 학습을 위한 데이터 확보 및 분류 성능을 확인하기 위해 도 12와 같이 실내외 환경에서 실험이 진행되었다.

사람, 개, 로봇 청소기의 데이터를 각각 235, 54, 155개씩 총 444개 확보하였으며, 학습을 위한 training set으로 각각 215, 44, 140개를 사용하였고, 검증을 위한 test set으로 각각 20, 10, 15개를 사용하였다.

도 12의 (a)는 실외 사람실험, (b) 실외 개 실험, (c)는 실내 로봇 청소기 실험을 나타낸 사진이다.

도 13은 실험 대상별 추출한 특징값을 비교한 것으로 사람, 개, 로봇 청소기 각각 40개, 총 120개의 데이터를 사용하였다. 40개 각각의 데이터에 해당 특징을 계산하여 그래프로 나타내었다.

도 13 (a)는 첫 번째 특징을 계산한 그래프이며, 사람이 가장 높은 값이 나오고 로봇 청소기에서는 0의 값이 나타나는 것을 볼 수 있다.

도 13 (b)는 두 번째 특징을 계산한 그래프이며, 사람의 발걸음 수가 카운트되지만, 개의 경우 발걸음이 너무 빨라 제대로 카운트되지 않는 모습을 보였다.

도 13 (c)와 도13 (d)는 각각 세 번째, 네 번째 특징이며 사람과 다른 대상이 확실히 구분되므로 분류 특징으로 적합하다.

도 13 (e)는 다섯 번째 특징을 나타낸 그래프이며, 로봇 청소기와의 구분은 확실하지만, 개와 사람의 구분이 확실하지 않은 모습을 보였다.

4가지 특징 중 분류에 사용할 특징을 결정하기 위해 정확도를 확인하는 실험을 진행하였다.

도 14는 분류에 사용된 특징 개수별 정확도의 평균을 나타낸 표이고, 도 15는 분류 알고리즘의 정확도를 나타낸 표이다.

도 14 및 도 15를 참조하면, 5가지 특징을 모두 사용한 경우 97.2%의 정확도를 보였고, 4가지 특징을 사용한 경우 97.02%, 3가지 특징을 사용한 경우 95.97%, 2가지 특징을 사용한 경우 93.54%의 정확도를 보였다. 많은 특징을 사용할수록 더 높은 정확도를 보이지만 연산복잡도가 늘어난다. 하드웨어 구현을 위해 연산복잡도와 분류 정확도를 고려하여 연산복잡도가 가장 큰 다섯 번째 특징을 제외한 4가지 특징만을 사용함으로써 낮은 연산복잡도로 좋은 성능을 갖도록 설계하였다.

이하에서는 본 발명에서 제안한 시스템의 하드웨어 구조를 설명한다.

도 2를 참조하면, 본 발명의 인체 감지 레이다 시스템(100, 200)은 크게 STFT, Feature Extractor, SVM Classifier 3개의 블록으로 구성되어있다. STFT는 데이터 메모리와 Single Butterfly 구조의 FFT블록, 윈도우 함수를 저장한 Hanning Window ROM, DC성분 제거를 위한 DC Remover로 이루어져 있으며, 메모리에서 데이터를 읽고 DC성분을 제거한 후 윈도우함수를 곱하여 데이터를 분할한다.

분할된 데이터에 대한 7 스테이지의 FFT 연산 후 출력 스테이지에서 Feature Extractor로 FFT결과를 전달한다. 계산된 FFT 결과값은 Feature Extractor에서 4가지 특징계산에 병렬로 사용된다. 마지막 분할 데이터까지 특징계산이 완료되면 SVM Classifier 블록에서 분류를 위한 연산을 수행하고, 분류 결과로 1 또는 0을 출력하여 사람인지 아닌지를 분류한다.

사용된 레이다에서 실숫값의 데이터만 나오기 때문에 FFT 결과가 대칭으로 나온다. 따라서 스펙트로그램 또한 상하 대칭으로 나타나기 때문에, 메모리 사용량을 줄이기 위해 특징점 계산에는 상측 절반만 사용하였다. 또한, STFT결과로 얻어지는 스펙트로그램을 메모리에 저장하지 않고 파이프라인 구조를 사용하여 특징 추출부에서 재사용함으로써 추가적인 메모리 사용없이 구현 하였다.

제안된 시스템은 Verilog HDL을 이용하여 설계되었으며 Altera Cyclone V 5CGXFC7C7F23C8 FPGA를 이용하여 검증 및 구현되었다. 1140개의 logic과 6.5Kb의 메모리, 15개의 DSP Block만을 사용하여 구현되었으며, 합성결과 총 게이트 수는 66K임이 확인되었다. 도 16은 리소스 사용에 대한 요약을 나타낸 표이고, 도 17은 블록별 리소스 사용을 나타내 표이다. 또한, 최대 동작 주파수 104.79MHz로 동작 가능함을 확인하였으며, 제안된 설계의 지연시간은 (latency) 33,952 cycle로, 한 물체를 분류하는데 약 0.324 ms의 짧은 시간으로 실시간 분류가 가능하다.

따라서, 본 발명의 일 실시예 및 다른 일 실시예에 따른 실내 보안 응용을 위한 인체 감지 레이다 시스템은STFT를 사용한 신호처리와 효율적인 분류를 위한 특징 추출 기법, SVM을 사용한 분류 알고리즘을 적용함으로써, 시스템의 복잡도를 단순화하여 연산복잡도를 최소화하면서도, 인체 감지의 정확성을 높일수 있다는 이점을 제공한다

도 18은 본 명세서에 개진된 하나 이상의 실시예가 구현될 수 있는 예시적인 컴퓨팅 환경을 도시하는 도면으로, 상술한 하나 이상의 실시예를 구현하도록 구성된 컴퓨팅 디바이스(1100)를 포함하는 시스템(1000)의 예시를 도시한다. 예를 들어, 컴퓨팅 디바이스(1100)는 개인 컴퓨터, 서버 컴퓨터, 핸드헬드 또는 랩탑 디바이스, 모바일 디바이스(모바일폰, PDA, 미디어 플레이어 등), 멀티프로세서 시스템, 소비자 전자기기, 미니 컴퓨터, 메인프레임 컴퓨터, 임의의 전술된 시스템 또는 디바이스를 포함하는 분산 컴퓨팅 환경 등을 포함하지만, 이것으로 한정되는 것은 아니다.

컴퓨팅 디바이스(1100)는 적어도 하나의 프로세싱 유닛(1110) 및 메모리(1120)를 포함할 수 있다. 여기서, 프로세싱 유닛(1110)은 예를 들어 중앙처리장치(CPU), 그래픽처리장치(GPU), 마이크로프로세서, 주문형 반도체(Application Specific Integrated Circuit, ASIC), Field Programmable Gate Arrays(FPGA) 등을 포함할 수 있으며, 복수의 코어를 가질 수 있다. 메모리(1120)는 휘발성 메모리(예를 들어, RAM 등), 비휘발성 메모리(예를 들어, ROM, 플래시 메모리 등) 또는 이들의 조합일 수 있다. 또한, 컴퓨팅 디바이스(1100)는 추가적인 스토리지(1130)를 포함할 수 있다. 스토리지(1130)는 자기 스토리지, 광학 스토리지 등을 포함하지만 이것으로 한정되지 않는다. 스토리지(1130)에는 본 명세서에 개진된 하나 이상의 실시예를 구현하기 위한 컴퓨터 판독 가능한 명령이 저장될 수 있고, 운영 시스템, 애플리케이션 프로그램 등을 구현하기 위한 다른 컴퓨터 판독 가능한 명령도 저장될 수 있다. 스토리지(1130)에 저장된 컴퓨터 판독 가능한 명령은 프로세싱 유닛(1110)에 의해 실행되기 위해 메모리(1120)에 로딩될 수 있다. 또한, 컴퓨팅 디바이스(1100)는 입력 디바이스(들)(1140) 및 출력 디바이스(들)(1150)을 포함할 수 있다.

여기서, 입력 디바이스(들)(1140)은 예를 들어 키보드, 마우스, 펜, 음성 입력 디바이스, 터치 입력 디바이스, 적외선 카메라, 비디오 입력 디바이스 또는 임의의 다른 입력 디바이스 등을 포함할 수 있다. 또한, 출력 디바이스(들)(1150)은 예를 들어 하나 이상의 디스플레이, 스피커, 프린터 또는 임의의 다른 출력 디바이스 등을 포함할 수 있다. 또한, 컴퓨팅 디바이스(1100)는 다른 컴퓨팅 디바이스에 구비된 입력 디바이스 또는 출력 디바이스를 입력 디바이스(들)(1140) 또는 출력 디바이스(들)(1150)로서 사용할 수도 있다.

또한, 컴퓨팅 디바이스(1100)는 컴퓨팅 디바이스(1100)가 다른 디바이스(예를 들어, 컴퓨팅 디바이스(1300))와 통신할 수 있게 하는 통신접속(들)(1160)을 포함할 수 있다.

여기서, 통신 접속(들)(1160)은 모뎀, 네트워크 인터페이스 카드(NIC), 통합 네트워크 인터페이스, 무선 주파수 송신기/수신기, 적외선 포트, USB 접속 또는 컴퓨팅 디바이스(1100)를 다른 컴퓨팅 디바이스에 접속시키기 위한 다른 인터페이스를 포함할 수 있다. 또한, 통신 접속(들)(1160)은 유선 접속 또는 무선 접속을 포함할 수 있다. 상술한 컴퓨팅 디바이스(1100)의 각 구성요소는 버스 등의 다양한 상호접속(예를 들어, 주변 구성요소 상호접속(PCI), USB, 펌웨어(IEEE 1394), 광학적 버스 구조 등)에 의해 접속될 수도 있고, 네트워크(1200)에 의해 상호접속될 수도 있다. 본 명세서에서 사용되는 "구성요소", "시스템" 등과 같은 용어들은 일반적으로 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어, 또는 실행중인 소프트웨어인 컴퓨터 관련 엔티티를 지칭하는 것이다.

예를 들어, 구성요소는 프로세서 상에서 실행중인 프로세스, 프로세서, 객체, 실행 가능물(executable), 실행 스레드, 프로그램 및/또는 컴퓨터일 수 있지만, 이것으로 한정되는 것은 아니다. 예를 들어, 컨트롤러 상에서 구동중인 애플리케이션 및 컨트롤러 모두가 구성요소일 수 있다. 하나 이상의 구성요소는 프로세스 및/또는 실행의 스레드 내에 존재할 수 있으며, 구성요소는 하나의 컴퓨터 상에서 로컬화될 수 있고, 둘 이상의 컴퓨터 사이에서 분산될 수도 있다.

이상에서 본 발명은 실시예를 참조하여 상세히 설명되었으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 상기에서 설명된 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 부가 및 변형이 가능할 것임은 당연하며, 이와 같은 변형된 실시 형태들 역시 아래에 첨부한 특허청구범위에 의하여 정하여지는 본 발명의 보호 범위에 속하는 것으로 이해되어야 할 것이다.

100, 200: 인체 감지 레이다 시스템
110: 신호처리부
120: 특징 추출부
130: SVM 이진분류부

Claims

CW 레이다에서 대상을 측정한 주파수(레이다) 신호를 수신하여 STFT(Short-Time Fourier Transform) 신호처리를 통해 스펙트로그램을 생성하는 신호처리부;
상기 스펙트로그램을 기초로 4개의 특징을 추출하는 특징 추출부; 및
상기 4개의 특징 모두를 이용하여 상기 대상을 1 또는 0으로 분류하는 SVM 이진분류부를 포함하는 인체 감지 레이다 시스템.
제1항에 있어서,
상기 주파수 신호는 상기 대상에 대한 송신 주파수와 수신 주파수의 차인 도플러 주파수 신호이고,
상기 신호처리부는
하기의 식 1과 같이, 상기 도플러 주파수를 이용하여 상기 대상의 속도를 계산하는, 인체 감지 레이다 시스템.
[식 1]

V는 대상이 레이다를 향해 다가오는 속도, c는 전파의 속이다.
제1항에 있어서,
상기 신호처리부는
윈도우 함수를 적용하여 상기 레이다 신호를 단시간 신호로 분할하고, 분할된 단시간 신호에 대해 시간 변화에 따른 도플러 주파수를 FFT 알고리즘을 적용하여 산출한 후, 산출된 결과값을 시간 축으로 배열하여 상기 스펙트로그램을 생성하는 것을 특징으로 하는 인체 감지 레이다 시스템.
제1항에 있어서,
상기 특징 추출부는
상기 스펙트로그램 내의 미세 도플러 주파수(micro-Doppler frequency)의 시간간격에 대한 특징을 추출하는 인체 감지 레이다 시스템.
제1항에 있어서,
상기 특징 추출부는
상기 스펙트로그램 내의 미세 도플러 주파수의 발생 유무에 대한 특징을 추출하는 인체 감지 레이다 시스템.
제1항에 있어서,
상기 특징 추출부는
상기 스펙트로그램 내의 레이다 반사 면적에 대한 특징을 추출하는 인체 감지 레이다 시스템.
제1항에 있어서,
상기 특징 추출부는
상기 스펙트로그램 내의 피크 주파수와 몸통 주파수의 차에 대한 특징을 추출하고,
상기 피크 주파수는 미세 도플러 주파수(micro-Doppler frequency)의 최대값인 인체 감지 레이다 시스템.
제1항에 있어서,
상기 SVM 이진 분류부는
마진(margin)을 최대화하도록 학습된 파라미터를 이용하여 하기의 식 2를 통해 이진분류를 수행하는 인체 레이다 감지 시스템.
[식 2]

여기서, X는 분류할 입력 벡터이고,
는 평균,
는 표준편차,
는 선형 예측 변수,
는 커널 스케일(kernel scale)이고, b는 바이어스이다.
제8항에 있어서,
상기 마진(margine)은
상기 초명편으로부터 상기 벡터(support vector)까지 거리 중 2배 거리를 의미하는 인체 레이다 감지 시스템.
신호처리부에서 CW 레이다에서 대상을 측정한 주파수(레이다) 신호를 수신하여 STFT(Short-Time Fourier Transform) 신호처리를 통해 스펙트로그램을 생성하는 신호처리단계;
특징 추출부에서 상기 스펙트로그램을 기초로 4개의 특징을 추출하는 특징추출단계; 및
SVM 이진분류부에서 상기 4개의 특징들을 모두 이용하여 상기 대상이 사람인지를 1 또는 0으로 분류하는 SVM 이진분류 단계를 포함하는 인체 감지 레이다 시스템의 동작방법.
제10항에 있어서,
상기 주파수 신호는 상기 대상에 대한 송신 주파수와 수신 주파수의 차인 도플러 주파수 신호이고,
상기 신호처리단계는
하기의 식 1과 같이, 상기 도플러 주파수를 이용하여 상기 대상의 속도를 계산하는, 인체 감지 레이다 시스템의 동작방법.
[식 1]

V는 대상이 레이다를 향해 다가오는 속도, c는 전파의 속이다.
제10항에 있어서,
상기 신호처리단계는
윈도우 함수를 적용하여 상기 레이다 신호를 단시간 신호로 분할하고, 분할된 단시간 신호에 대해 시간 변화에 따른 도플러 주파수를 FFT 알고리즘을 적용하여 산출한 후, 산출된 결과값을 시간 축으로 배열하여 상기 스펙트로그램을 생성하는 단계인 것을 특징으로 하는 인체 감지 레이다 시스템의 동작방법.
제10항에 있어서,
상기 특징추출단계는
상기 스펙트로그램 내의 미세 도플러 주파수(micro-Doppler frequency)의 시간간격을 기초로 복수의 특징을 추출하는 단계인 인체 감지 레이다 시스템의 동작방법.
제13항에 있어서,
상기 특징추출단계는
상기 스펙트로그램 내의 미세 도플러의 발생 유무를 기초로 복수의 특징을 추출하는 단계인 인체 감지 레이다 시스템의 동작방법.
제13항에 있어서,
상기 특징추출단계는
상기 스펙트로그램 내의 레이다 반사 면적을 이용하여 복수의 특징을 추출하는 인체 감지 레이다 시스템의 동작방법.
제13항에 있어서,
상기 특징추출단계는
상기 스펙트로그램 내의 피크 주파수와 몸통 주파수의 차를 이용하여 복수의 특징을 추출하는 단계이고,
상기 피크 주파수는 미세 도플러 주파수(micro-Doppler frequency)의 최대값인 인체 감지 레이다 시스템의 동작방법.
제10항에 있어서,
상기 SVM 이진 분류단계는
상기 마진(margin)을 최대화하여 학습된 파라미터를 하기의 식 2를 통해 분류하는 단계인 것을 특징으로 하는 인체 레이다 감지 시스템의 동작방법.
[식 2]

여기서, X는 분류할 입력 벡터이고,
는 평균,
는 표준편차,
는 선형 예측 변수,
는 커널 스케일(kernel scale)이고, b는 바이어스이다.
제17항에 있어서,
상기 마진(margine)은
상기 초명편으로부터 상기 벡터(support vector)까지 거리 중 2배 거리를 의미하는 인체 레이다 감지 시스템의 동작방법.
대상을 측정한 레이다 신호를 전송하는 CW 레이다; 및
상기 레이다 신호를 수신하여 STFT(Short-Time Fourier Transform) 신호처리를 통해 스펙트로그램을 생성하고, 생성된 스펙트로그램 내의 미세 도플러 주파수의 시간간격, 발생 유무, 레이다 반사면적, 피크 주파수와 몸통 주파수의 차를 이용하여 1 또는 0으로 상기 대상을 사람인지 분류하는 신호처리시스템을 포함하는 인체 감지 레이다 시스템.
제19항에 있어서,
상기 주파수 신호는 상기 대상에 대한 송신 주파수와 수신 주파수의 차인 도플러 주파수 신호이고,
상기 신호처리시스템은
하기의 식 1과 같이, 상기 도플러 주파수를 이용하여 상기 대상의 속도를 계산하는 신호처리부를 포함하는 인체 감지 레이다 시스템.
[식 1]

V는 대상이 레이다를 향해 다가오는 속도, c는 전파의 속이다.
제20항에 있어서,
상기 신호처리부는
윈도우 함수를 적용하여 상기 레이다 신호를 단시간 신호로 분할하고, 분할된 단시간 신호에 대해 시간 변화에 따른 도플러 주파수를 FFT 알고리즘을 적용하여 산출한 후, 산출된 결과값을 시간 축으로 배열하여 상기 스펙트로그램을 생성하는 것을 특징으로 하는 인체 감지 레이다 시스템.
제20항에 있어서,
미리 학습된 파라미터를 이용하여 상기 생성된 스펙트로그램 내의 미세 도플러 주파수의 시간간격, 발생 유무, 레이다 반사면적, 피크 주파수와 몸통 주파수의 차를 이진분류하는 SVM 이진 분류부를 포함하는 인체 레이다 감지 시스템.
제22항에 있어서,
상기 SVM 이진 분류부는
마진을 최대화하여 학습된 파라미터를 이용하여 하기의 식 2를 통해 분류하는 인체 레이다 감지 시스템.
[식 2]

여기서, X는 분류할 입력 벡터이고,
는 평균,
는 표준편차,
는 선형 예측 변수,
는 커널 스케일(kernel scale)이고, b는 바이어스이다.
CW 레이다에서 대상을 측정한 레이다 신호를 전송하는 단계 및
상기 레이다 신호를 수신하여 STFT(Short-Time Fourier Transform) 신호처리를 통해 스펙트로그램을 생성하고, 생성된 스펙트로그램 내의 미세 도플러 주파수의 시간간격, 발생 유무, 레이다 반사면적, 피크 주파수와 몸통 주파수의 차를 이용하여 상기 대상을 1 또는 0으로 분류하는 신호처리시스템를 포함하는 인체 감지 레이다 시스템.
제24항에 있어서,
상기 주파수 신호는 상기 대상에 대한 송신 주파수와 수신 주파수의 차인 도플러 주파수 신호이고,
상기 신호처리시스템은
하기의 식 1과 같이, 상기 도플러 주파수를 이용하여 상기 대상의 속도를 계산하는 신호처리부를 포함하는 인체 감지 레이다 시스템.
[식 1]

V는 대상이 레이다를 향해 다가오는 속도, c는 전파의 속이다.
제25항에 있어서,
상기 신호처리부는
윈도우 함수를 적용하여 상기 레이다 신호를 단시간 신호로 분할하고, 분할된 단시간 신호에 대해 시간 변화에 따른 도플러 주파수를 FFT 알고리즘을 적용하여 산출한 후, 산출된 결과값을 시간 축으로 배열하여 상기 스펙트로그램을 생성하는 것을 특징으로 하는 인체 감지 레이다 시스템.
제26항에 있어서,
마진(margin)을 최대화하도록 학습된 파라미터를 이용하여 하기의 식 2를 통해 상기 복수의 특징들을 이진분류하는 SVM 이진 분류부를 포함하는 인체 레이다 감지 시스템.
[식 2]

여기서, X는 분류할 입력 벡터이고,
는 평균,
는 표준편차,
는 선형 예측 변수,
는 커널 스케일(kernel scale)이고, b는 바이어스이다.
제27항에 있어서,
상기 마진(margine)는
상기 초명편으로부터 상기 벡터(support vector)까지 거리 중 2배 거리를 의미하는 인체 레이다 감지 시스템.
CW 레이다에서 대상을 측정한 레이다 신호를 전송하는 단계 및
상기 레이다 신호를 수신하여 STFT(Short-Time Fourier Transform) 신호처리를 통해 스펙트로그램을 생성하고, 생성된 스펙트로그램 내의 미세 도플러 주파수의 시간간격, 발생 유무, 레이다 반사면적, 피크 주파수와 몸통 주파수의 차 및 피크 주파수의 분산값 중 어느 하나를 이용하여 복수의 특징들을 추출하고, 추출된 복수의 특징들 1 또는 0으로 분류하는 신호처리단계를 포함하는 인체 감지 레이다 시스템의 동작방법.
제29항에 있어서,
상기 주파수 신호는 상기 대상에 대한 송신 주파수와 수신 주파수의 차인 도플러 주파수 신호이고,
상기 신호처리단계는
하기의 식 1과 같이, 상기 도플러 주파수를 이용하여 상기 대상의 속도를 계산하는 단계를 포함하는 인체 감지 레이다 시스템의 동작방법.
[식 1]

V는 대상이 레이다를 향해 다가오는 속도, c는 전파의 속이다.
제30항에 있어서,
상기 신호처리단계는
윈도우 함수를 적용하여 상기 레이다 신호를 단시간 신호로 분할하고, 분할된 단시간 신호에 대해 시간 변화에 따른 도플러 주파수를 FFT 알고리즘을 적용하여 산출한 후, 산출된 결과값을 시간 축으로 배열하여 상기 스펙트로그램을 생성하는 단계를 포함하는 것을 특징으로 하는 인체 감지 레이다 시스템의 동작방법.
제31항에 있어서,
상기 신호처리단계는 마진(margin)을 최대화하여 학습된 파라미터를 이용하여 하기의 식 2를 통해 상기 복수의 특징들을 이진분류하는 단계를 포함하는 인체 레이다 감지 시스템의 동작방법.
[식 2]

여기서, X는 분류할 입력 벡터이고,
는 평균,
는 표준편차,
는 선형 예측 변수,
는 커널 스케일(kernel scale)이고, b는 바이어스이다.
제32항에 있어서,
상기 마진(margine)는
상기 초명편으로부터 상기 벡터(support vector)까지 거리 중 2배 거리를 의미하는 인체 레이다 감지 시스템의 동작방법.