TWI756728B

TWI756728B - 物體辨識方法及物體辨識裝置

Info

Publication number: TWI756728B
Application number: TW109122246A
Authority: TW
Inventors: 劉偉名; 萬勃甫; 張涵傑; 紀翔峰
Original assignee: 立積電子股份有限公司
Priority date: 2020-07-01
Filing date: 2020-07-01
Publication date: 2022-03-01
Also published as: US20220003837A1; CN113885017A; TW202202868A

Abstract

一種物體辨識方法，包含依據回波訊號產生都卜勒頻譜資料，其中回波訊號與物體有關；將都卜勒頻譜資料上對應N個速度的N組時域資料分別轉換為N組頻譜資料；結合N組頻譜資料以獲得步調頻譜資料；及從步調頻譜資料中獲取步態特徵以辨識物體。

Description

物體辨識方法及物體辨識裝置

本發明關於一種物體辨識方法，特別是一種利用雷達的物體辨識方法及物體辨識裝置。

目標辨識係為一種分類人、動物、車輛或其他移動物體的重要技術，在許多領域，例如監控或入侵偵測領域中獲得廣泛應用。在各種物體辨識技術中，雷達由於不受夜間環境、惡劣環境及不佳照明環境的影響而獲得關注。雷達可偵測範圍之內的目標物體的大小，及使用都卜勒效應依據傳送波及反射波之間的頻率變化偵測目標物體的速度。然而僅依靠目標物體的大小及速度區分目標物體有許多限制，目標辨識的正確度及辨識速度無法提升。

實施例提供一種物體辨識方法，包含依據回波訊號產生都卜勒頻譜資料，其中回波訊號與物體有關；將都卜勒頻譜資料上對應N個速度的N組時域資料分別轉換為N組頻譜資料；結合N組頻譜資料以獲得步調頻譜資料；及從步調頻譜資料中獲取步態特徵以辨識物體。

實施例提供另一種物體辨識裝置，包含雷達及處理器。雷達用以接收回波訊號，回波訊號與物體有關。處理器耦接於雷達，及用以依據回波訊號產生都卜勒頻譜資料，將都卜勒頻譜資料上對應N個速度的N組時域資料分別轉換為N組頻譜資料，結合N組頻譜資料以獲得步調頻譜資料，及從步調頻譜資料中獲取步態特徵以辨識物體。

1:物體辨識裝置

10:雷達

12:處理器

120:分類器

200:物體辨識方法

S202至S214:步驟

AC(r),AC(r+1):自相關函數

Ds:取樣資料

Ea:正規化加總能量

Ec:合併能量

fc:步調頻率

h1至h8:速度索引值

L:窗長度

L1至L8:取樣線

M:時間窗總數

O:物體

p:時間索引值

s[0,h1]至s[39,h8]:時域資料

S[0,h1]至S[99,h1]:頻譜資料

Sd:都卜勒訊號

Se:回波訊號

St:傳送訊號

t:時間

T(0)至T(M-1):時間區間

v、v1、v2:速度

vn:正規化速度

f0、fm、f2、f3:峰值頻率

x[0]至x[ML-1]:前處理資料

r:位移量

第1圖係為本發明實施例中物體辨識裝置的方塊圖。

第2圖係為第1圖物體辨識裝置使用的物體辨識方法的流程圖。

第3圖顯示前處理資料的示意圖。

第4圖顯示本發明實施例中的都卜勒頻譜圖。

第5圖顯示本發明實施例中的傅立葉變換頻譜圖。

第6圖顯示本發明實施例中的步調頻譜圖。

第7圖顯示本發明實施例中的含正速度步調頻譜資料的一維步調頻譜圖。

第8圖顯示本發明實施例中包含正速度步調頻譜資料及負速度步調頻譜資料的一維步調頻譜圖。

第9圖顯示本發明實施例中的合併都卜勒頻譜圖。

第10圖顯示依據合併步調頻譜資料產生的自相關值。

第11圖顯示本發明實施例中合併步調頻譜資料的自相關性。

第12圖顯示為本發明實施例中的速度正規化之都卜勒頻譜圖。

第1圖係為本發明實施例中物體辨識裝置1的方塊圖。物體辨識裝置1 可辨識物體O。辨識物體O可為人、貓、狗、動物或其他移動物體。由於不同人或動物的行走姿態、或物體的移動方式都有其特定形態(pattern)，亦稱為步態(gait)特徵，故物體辨識裝置1可依據物體O的步態特徵辨識物體O。步態特徵可為軀幹的移動速度及方向、四肢的擺動速度及方向、其他依附物的擺動速度及方向、鳥類翅膀的拍動、風扇的旋轉、引擎的震動等。物體辨識裝置1可包含雷達10、類比至數位轉換器(analog-to-digital converter,ADC)11、及處理器12。雷達10透過ADC 11耦接於處理器12。雷達10在發出傳送訊號St後，可偵測與物體O動作有關的回波訊號Se。處理器12可對回波訊號Se進行處理，以獲得物體O的步態特徵，並依據步態特徵以分類的方式辨識物體O。

雷達10可為連續波雷達、調頻連續波雷達或其他種類雷達。雷達10可發出傳送訊號St，及當偵測到物體O時接收回波訊號Se。傳送訊號St具有預定頻率。當物體O在運動中時，物體O及雷達10之間的相對徑向運動會使回波訊號Se的頻率產生變化，稱為都卜勒偏移(Doppler shift)。由於雷達可為固定位置且都卜勒偏移與相對運動之速度有關，當物體O在運動中時，都卜勒偏移可用於估計物體O的速度，其公式1表示如下：

其中v是物體O的速度；c是光速；ft是傳送訊號St的頻率；及fd是回波訊號Se的頻率減掉ft，稱為都卜勒頻率。

當物體O直接朝著雷達10移動時，物體O的速度v與都卜勒頻率fd成正比。當物體O逐漸靠近雷達10時，物體O的速度v為正值且都卜勒頻率fd為正值；而當物體O逐漸遠離雷達10時，物體O的速度v為負值且都卜勒頻率fd及速度v為負值。回波訊號Se可帶有至少一個頻率。在一些實施例中，雷達10可將回波訊號Se及傳送訊號St混頻而產生具有至少一個都卜勒頻率fd的都卜勒訊號Sd。ADC 11可使用特定取樣頻率，例如以44100Hz的取樣頻率對都卜勒訊號Sd取樣，以產生複數個取樣資料Ds。處理器12可對複數個取樣資料Ds進行前處理以產生複數個前處理資料，並將複數個前處理資料分為M段以進行短時距之頻域變換而依序產生M組頻率的能量分佈，每組頻率的能量分佈對應都卜勒頻率fd的頻域範圍，且可形成一組能量頻譜(energy spectrum)，M為正整數。在本實施例中，M段前處理資料彼此可部分重疊。由於都卜勒訊號Sd中之至少一個都卜勒頻率fd可被轉換為M組頻率的能量分佈，因此處理器12可使用公式1將都卜勒訊號Sd中，M組頻率的取樣結果轉換為M組速度。於此，經過公式1的轉換後，M組速度的資料可視為在M段時距下之都卜勒訊號Sd的M組都卜勒頻譜(Doppler spectrum)資料。處理器12可對M組都卜勒頻譜資料再次進行離散頻率變換以產生步調頻譜(cadence spectrum)資料，及從步調頻譜資料中提取物體O的步態特徵。離散頻率變換可使用快速傅立葉變換實現。處理器12可包含分類器120，依據步態特徵辨識物體O。分類器120可以使用支援向量機(support vector machine,SVM)演算法、K-近鄰(k-nearest neighbors,KNN)演算法、或線性判別分析(linear discriminant analysis)演算法、其他分類演算法或其中一種結合實現。短時距之頻域變換可由短時傅立葉變換(short-time Fourier transform)、小波變換(wavelet transform)、希爾伯特-黃變換(Hilbert-Huang Transform)、或其組合實現。離散頻率變換可以是離散傅立葉變換或快速傅立葉變換。在一些實施例中，可使用獨立的時頻變換電路對M段前處理資料進行短時頻率變換，及/或使用獨立的離散頻率變換電路將M組都卜勒頻譜資料轉換為步調頻譜資料。

第2圖係為物體辨識裝置1使用的物體辨識方法200的流程圖，包含步驟S202至S214，其中步驟S202用於偵測物體O，步驟S204至S214用於辨識物體O。任何合理的技術變更或是步驟調整都屬於本發明所揭露的範疇。以下使用物體辨識裝置1詳細說明步驟202至S214：

步驟S202：當偵測到物體O時，雷達10接收回波訊號Se；步驟S204：處理器12對回波訊號Se進行前處理以獲得前處理資料；步驟S206：處理器12將前處理資料轉換為M組都卜勒頻譜資料；步驟S208：處理器12將M組都卜勒頻譜資料中對應N個速度的N組時域資料分別轉換為N組頻譜資料；步驟S210：處理器12結合N組頻譜資料以獲得步調頻譜資料；步驟S212：處理器12從步調頻譜資料中獲取步態特徵；步驟S214：處理器12依據步態特徵以辨識物體O。

在步驟S202中，雷達10持續發射傳送訊號St，及當偵測到物體O時接收回波訊號Se及依據回波訊號Se產生都卜勒訊號Sd。在步驟S204中，ADC 11對都卜勒訊號Sd取樣以產生複數個取樣資料Ds，接著處理器12對複數個取樣資料Ds進行前處理以獲得複數個前處理資料。前處理可包含降低取樣頻率、去除訊號干擾及增加解析度，且可使用軟體、硬體或其結合實現。處理器12可將取樣資料Ds的數量減低，例如利用重取樣函數，將每秒44100個取樣資料Ds降頻80倍以產生每秒約550個重取樣資料。重取樣資料可以減低後續訊號處理的運算量，及避免在之後對取樣資料Ds進行濾波處理時，取樣數量太大使濾波器難以處理，而造成訊號失真及影響步態特徵的擷取。去除訊號干擾可包含去除市電訊號干擾及/或去除短時窗訊號處理干擾。接著，陷波濾波器(notch filter)將交流電干擾從重取樣資料中減低或移除以產生降干擾資料。例如由於一般市電交流電訊號的頻率為60Hz，陷波濾波器可將60Hz及其倍數的頻段，如120Hz、180Hz、240Hz的諧波訊號干擾從重取樣資料中減低或移除。應當理解的是，為了避免能量洩漏，都卜勒訊號Sd之取樣資料Ds的頻譜可以使用M個短時距之頻域變換而產生。M個短時距之頻域變換可使用漢明視窗(Hamming window)對訊號進行窗型遮罩，以降低資料干擾以壓抑兩側頻譜的能量，使頻譜主瓣(Main Lobe)的能量最大化。漢明視窗的窗長度可與短時頻率變換所使用的窗函數的窗長度大小相同，例如與短時傅立葉變換、小波變換或希爾伯特-黃變換的窗長度大小相同。在一些實施例中，去除市電訊號干擾及去除短時窗訊號處理干擾的處理順序可互換。最後處理器12將濾波後的資料取樣點增加，例如增加為濾波後的資料取樣點之數目的4倍，由每秒550個取樣點增加至每秒2200個取樣點。由於前處理資料的取樣點增加，故也能增加短時頻率變換所需的解析度。

在步驟S206中，處理器12使用短時傅立葉變換以依據複數個前處理資料產生M組都卜勒頻譜資料。第3圖顯示ML個前處理資料x[0]至x[ML-1]的示意圖，其中橫軸表示時間索引值p，縱軸表示前處理資料x[p]的能量強度，例如是電壓。M、L是正整數，p是整數且0

p<ML。當進行短時傅立葉變換時，處理器12可先將ML個前處理資料分為M個時間區間T(0)至T(M-1)的處理資料，且每一個時間區間的處理資料對應L個取樣點。處理器12可再使用固定長度L的窗函數w(‧)處理每一個時間區間的取樣點。第1時間區間T(0)對應前處理資料x[0]至x[L-1]。第2時間區間T(1)對應前處理資料x[L]至x[2L-1]，依此類推。第m時間區間T(M-1)對應前處理資料x[(m-1)L]至x[mL-1]。m是非負整數且m

M。處理器12可對每個時間區間的L個前處理資料作傅立葉變換以產生M組頻率的能量分佈。在一些實施例中，相鄰兩時間區間可部分重疊。例如將4秒內的前處理資料以0.1秒之時間長度的時間區間分割，以產生40個時間區間。每個時間區間對應 220個前處理資料的取樣點。處理器12可對每個時間區間對應之220個前處理資料的取樣點作傅立葉變換以產生40個時間區間的頻率的能量分佈。在一些實施例中，為了方便硬體運算，處理器12可在每個時間區間內的資料點中再補上一些值為0的資料點以獲得每個時間區間內有2的N次方個頻率能量，例如256個頻率能量，其中256個頻率能量包含128個正頻率能量及128個負頻率能量。短時傅立葉變換可為離散短時傅立葉變換，以公式2表示：

其中L是窗長度；w[q]是窗函數資料，q是窗函數資料索引值，q是整數且0

q<L；x[(m-1)L+q]是第m個時間區間T(m-1)的前處理資料，m是時間區間索引值；且X[k,m,h]是第m組頻率的能量，k是時間索引值，k是整數且0

k<L，h是頻率索引值，h是整數且0

h<L。

每個頻率索引值h對應一個頻率fd，處理器12可使用公式1將頻率fd轉換為相應速度v。在一些實施例中，當0

h

(L/2-1)時，頻率fd可以對應正速度v；當L/2

h

(L-1)時，頻率fd可以對應負速度v。接著處理器12可依據第m組頻率的能量X[k,m,h]的振幅，以產生相應速度v的能量s[m,h]，由公式3表示：s[m,h]=|X[k,m,h]|² 公式3

處理器12可依據所有時間上之速度v的能量s[m,h]產生M組都卜勒頻譜資料。第m組都卜勒頻譜資料包含L個速度v的能量s[m,0]至s[m,L-1]。M組都卜勒頻譜資料可形成都卜勒頻譜矩陣Dm，由公式4表示：

在m為0至M-1且h為L/2-1至0時，都卜勒頻譜矩陣Dm的矩陣元素s[m,h]係為正速度v的對應能量。在m為0至M-1且h為L/2至L-1時，都卜勒頻譜矩陣Dm的矩陣元素s[m,h]係為負速度v的對應能量。處理器12可依據都卜勒頻譜矩陣Dm產生出對應於都卜勒頻譜圖(Doppler spectrogram)的資料，如第4圖所示，其中橫軸表示時間t，縱軸表示速度v。圖中的灰階度表示速度能量，灰階度越高的區域表示能量s[m,h]越高。在某個時間t之縱軸表示其速度的能量分佈。例如時間t為0時，對應範圍在4m/s至-2m/s的第1組速度的能量分佈。每個時間t的速度集合可包含128個正速度及128個負速度，對應人或動物移動時軀幹及四肢的前後擺動。

在步驟S208中，處理器12將M組都卜勒頻譜資料上L個速度中之N個速度v的N組時域資料分別轉換為N組頻譜資料。例如在第4圖中之都卜勒頻譜圖上畫出4條取樣線L1、L2、L3、L4(N=4)，分別對應4個速度1m/s、2m/s、3m/s、4m/s。處理器12從取樣線L1上獲得對應速度1m/s的第1組時域資料{s[0,h1],s[1,h1],...,s[39,h1]}。從取樣線L2上獲得對應速度2m/s的第2組時域資料{s[0,h2],s[1,h2],...,s[39,h2]}。從取樣線L3上獲得對應速度3m/s的第3組時域資料{s[0,h3],s[1,h3],...,s[39,h3]}。從取樣線L4上獲得對應速度4m/s的第4組時域資料{s[0,h4],s[1,h4],...,s[39,h4]}。時域資料s[m,hn]代表在取樣線Ln及第m時間窗的能量，n是正整數且n<N。處理器12使用公式5對第n組時域資料{s[0,hn],s[1,hn],...,s[39,hn]}進行離散傅立葉變換以產生第n組頻譜資料{S[0,hn],S[1,hn],..., S[M-1,hn]}。

其中S[f,hn]是第n組頻譜資料在第(f+1)頻率的能量，f是小於M的非負整數，M是取樣數目。例如，處理器12可對第1組時域資料{s[0,h1],s[1,h1],...,s[39,h1]}進行離散傅立葉變換以獲得第1組頻譜資料{S[0,h1],S[1,h1],...,S[39,h1]}，對第2組時域資料{s[0,h2],s[1,h2],...,s[39,h2]}進行離散傅立葉變換以獲得第2組頻譜資料{S[0,h2],S[1,h2],...,S[39,h2]}，對第3組時域資料{s[0,h3],s[1,h3],...,s[39,h3]}進行離散傅立葉變換以獲得第3組頻譜資料{S[0,h3],S[1,h3],...,S[39,h3]}，對第4組時域資料{s[0,h4],s[1,h4],...,s[39,h4]}進行離散傅立葉變換以獲得第4組頻譜資料{S[0,h4],S[1,h4],...,S[39,h4]}。第1組頻譜資料{S[0,h1],S[1,h1],...,S[39,h1]}可依照頻率產生出對應於速度1m/s的頻譜圖，如第5圖所示，其中橫軸表示頻率f，縱軸表示能量E。速度1m/s的頻譜圖表示在不同頻率下的能量分布，可表示物體O的特定部分的每秒擺動次數。第5圖顯示速度1m/s的主要頻率分布小於10Hz。其他速度2m/s、3m/s、4m/s的頻譜資料也可依照頻率畫出頻譜圖。在一些實施例中，考慮到人或動物行走時所造成的常態擺動頻率，頻譜圖考慮的頻率範圍可設定在0-20Hz。在一些實施例中，處理器12也可依據都卜勒頻譜資料上對應負速度的時域資料產生負速度的頻譜資料，例如依據取樣線L5至L8上的4組時域資料{s[0,h5],s[1,h5],...,s[39,h5]}至{s[0,h8],s[1,h8],...,s[39,h8]}產生4組負速度頻譜資料{S[0,h5],S[1,h5],...,S[39,h5]}至{S[0,h8],S[1,h8],...,S[39,h8]}。

在步驟S210中，處理器12結合N組頻譜資料以獲得步調頻譜資料。在一些實施例中，處理器12可沿縱軸結合N組頻譜資料以獲得步調頻譜資料。例如，處理器12可沿縱軸結合第1組頻譜資料{S[0,h1],S[1,h1],...,S[39,h1]}至第8 組頻譜資料{S[0,h8],S[1,h8],...,S[39,h8]}中的對應頻域之能量以產生矩陣{C[0],...,C[39]}。C[0]至C[39]為矩陣的行(column)向量。每個矩陣行向量C[0]至C[39]係為一組步調頻譜資料，C[0]=g(0)×(S[0,h1]；S[0,h2]；...；S[0,h8])，C[39]=g(39)×(S[39,h1]；S[39,h2]；...；S[39,h8])，g為正規化係數，可根據不同的對應速度給予不同權重值。每組步調頻譜資料C[0]至C[39]代表在對應頻率的正規化速度能量分布。矩陣{C[0],...,C[39]}可產生對應於步調頻譜圖(cadence spectrogram)。第6圖係為步調頻譜圖，其中橫軸表示步調頻率fc。縱軸表示速度。圖中的灰階度表示速度對應的能量。灰階度越高表示能量越高。步調頻譜圖表示不同步調頻率fc下之速度對應的能量分布。例如，在第6圖中，可觀察步調頻率fc在0Hz、2Hz、4Hz、6Hz下之物體O速度對應的能量分布。0Hz可以是軀幹的擺動頻率，2Hz可以是四肢的擺動頻率，4Hz、6Hz可以是2Hz的諧頻。在一些實施例中，處理器12可移除步調頻譜資料中的直流部分，即位於約0Hz的步調頻譜資料C[0]。

在另一些實施例中，處理器12可沿縱軸加總N組頻譜資料以獲得步調頻譜資料。N組頻譜資料可對應正速度及/或負速度。例如，當使用對應正速度的N組頻譜資料時，處理器12可沿縱軸元素對元素(Element-Wised)加總第1組頻譜資料{S[0,h1],S[1,h1],...,S[39,h1]}至第4組頻譜資料{S[0,h4],S[1,h4],...,S[39,h4]}以產生向量C[0],...,C[39]。每個向量C[0]至C[39]係對應一組步調頻譜資料。C[0]=g×(S[0,h1]+S[0,h2]+...+S[0,h4])。C[39]=g×(S[39,h1]+S[39,h2]+...+S[39,h4])。每個向量C[0]至C[39]代表對應頻率的正規化速度加總能量。向量C[0]至C[39]可加總以產生一維步調頻譜。第7圖係為一維步調頻譜，其中橫軸表示步調頻率fc，縱軸表示向量C的正規化加總能量Ea。一維步調頻譜表示在不同步調頻率fc下的正規化加總能量分布。在第7圖中，可觀察步調頻率fc在0Hz、2Hz、4Hz、6Hz下之物體O速度對應的正規化加總能量Ea分布。正規化加總能量Ea峰值0Hz可以是軀幹的擺動頻率，2Hz可以是四肢的擺動頻率，4Hz、6Hz可以是2Hz的諧頻。在一些實施例中，處理器12可移除步調頻譜資料中的直流部分，即位於約0Hz的步調頻譜資料C[0]。

接著處理器12從步調頻譜資料中獲取步態特徵(步驟S212)及依據步態特徵以辨識物體O(步驟S214)。步態特徵可以是1.步調頻譜圖中移動幅度及次要部份能量對主要部份能量的比例關係；2.一維步調頻譜圖的步調頻譜資料；3.合併步調頻譜圖的步調頻譜資料及自相關性最小值；或4.速度正規化之步調頻譜資料。

處理器12可將步調頻譜圖中移動幅度及次要部份能量對主要部份能量的比例關係作為步態特徵以辨識物體O。物體O包含主要部份與次要部份，例如，主要部份可為人的軀幹，次要部份可為人的四肢。處理器12可從步調頻譜資料中辨識基頻及主要部份的主要速度，依據基頻及主要速度產生移動幅度，從步調頻譜資料中辨識對應次要部份的次要部份能量及對應主要部份的主要部份能量，產生次要部份能量對主要部份能量的比例關係，及依據移動幅度及比例關係辨識物體O。主要部份的主要速度可為軀幹的軀幹速度。移動幅度可為步伐長度S。主要部份能量可為回波訊號Se中對應軀幹能量的部分。次要部份能量可為回波訊號Se中對應四肢能量的部分，次要部份能量對主要部份能量的比例關係可為四肢能量對軀幹能量的比值R。在一些實施例中，處理器12可將步伐長度S及四肢能量對軀幹能量的比值R作為步態特徵，以辨識物體O。處理器12可使用公式6依據軀幹速度及基頻計算步伐長度S，及使用公式7計算四肢能量對軀幹能量的比值R產生步態特徵。

其中S係為步伐長度；Vt係為軀幹速度；及fm係為基頻。

其中R係為四肢對軀幹比；n係為次要部份能量之索引值；D係為次要部份能量之最大索引值；S0係為主要部份能量；及Sn係為次要部份能量。

參考第6圖，在跨越步調頻率0Hz到20Hz內之對應之最大縱軸速度v1或v2，可為軀幹速度Vt。跨越縱軸速度7m/s至-5m/s對應之步調頻率fm，可為四肢擺動的基頻。例如，軀幹速度Vt約為2m/s，基頻fm約為2Hz，及步伐長度S約為1公尺(Vt/fm=2/2=1)。在一些實施例中，處理器12可沿橫軸方向將相同速度v的能量相加以產生加總能量，及將所有加總能量中的最大總能量的對應速度判定為軀幹速度Vt，例如2m/s。處理器12可沿縱軸方向將相同頻率f的能量相加以產生加總能量，並依據所有加總能量判定峰值頻率，接著，將非直流頻率之最大峰值頻率判定為基頻fm，例如2Hz。

另外，在橫軸的峰值頻率f0、fm、f2、f3的能量分布可對應跨越速度7m/s至-7m/s、7m/s至-5m/s、7m/s至-5m/s及6m/s至-4m/s的能量分布。例如，主要部份能量組成S0可以是在峰值頻率f0之下，速度7m/s至-7m/s對應的加總能量，最大索引值D可為3，次要部份能量可包含第1至第3次要部份能量組成S1至S3，第1次要部份能量S1可以是在峰值頻率fm之下，速度7m/s至-5m/s對應的加總能量，第2次要部份能量S2可以是在峰值頻率f2之下，速度7m/s至-5m/s對應的加總能量，第3次要部份能量S3可以是在峰值頻率f3之下，速度6m/s至-4m/s的加總能量。

四肢對軀幹的比值R可以是(S1+S2+S3)/S0。在一些實施例中，處理器12可沿縱軸方向將每一個頻率f上的能量相加以產生該頻率上的加總能量。在處理器12取得所有頻率上的加總能量後，可判定峰值頻率。處理器12可將約等於0Hz的峰值頻率定義為峰值頻率f0。處理器12可依序將0Hz之後的峰值定義為fm、f2、f3。處理器12可再將頻率f0、fm、f2、f3對應的加總能量依序定義為主要部份能量組成S0及次要部份能量組成S1、S2、S3。

處理器12可將步輻長度S及四肢對軀幹的比值R輸入分類器120以依據步輻長度S及四肢對軀幹比R將物體O分類。不同的物體O可具有不同的步伐長度S，例如行走中的人的步伐長度S可介於30至40公分，行走中的小型犬的步伐長度S可小於10公分。不同的物體O可以具有不同的四肢對軀幹的比值R，例如人的四肢對軀幹比R可約為0.6，狗的四肢對軀幹比R可為大於0.7。

處理器12可將一維步調頻譜的步調頻譜資料作為步態特徵以辨識物體O。參考第7圖，處理器12可將步調頻譜資料C[0]至C[39]輸入到分類器120以依據步調頻譜資料C[0]至C[39]分類物體O。在一些實施例中，處理器12可將都卜勒頻譜圖的正速度的能量分佈及負速度的能量分佈分別轉換為正速度步調頻譜資料及負速度步調頻譜資料，例如將第5圖取樣線L1至L4上的4組時域資料轉換為正速度步調頻譜資料C[0]至C[39]，及取樣線L5至L8上的4組時域資料轉換為負速度步調頻譜資料C[40]至C[79]。正速度步調頻譜資料C[0]至C[39]及負速度步調頻譜資料C[40]至C[79]可整合成一維步調頻譜，如第8圖所示，其中橫軸表示步調頻率fc，縱軸表示步調頻譜資料C的正規化加總能量Ea。處理器12可將步調頻譜資料C[0]至C[79]輸入分類器120以依據步調頻譜資料C[0]至C[79]將物體O分類。不同的物體O可以對應不同的峰值步調頻率，例如人的峰值步調頻率可在約2Hz的位置，及其高次諧頻可在約4Hz、6Hz的位置，狗的峰值步調頻率可為不固定。在一些實施例中，處理器12可將正速度步調頻譜資料C[0]至C[39]的加總能量及負速度步調頻譜資料C[40]至C[79]的加總能量中較大的一者的步調頻譜資料放在另一者的步調頻譜資料之前作為步態特徵輸入分類器120。正速度步調頻譜資料與負速度步調頻譜資料中總能量中較大的一者可表示為： max{Ea(C[0]至C[39]),Ea(C[40]至C[79])}

例如，當負速度步調頻譜資料C[40]至C[79]的加總能量大於正速度步調頻譜資料C[0]至C[39]的加總能量時，步態特徵為：{C[40],...,C[79],C[0],...,C[39]}

當正速度步調頻譜資料C[0]至C[39]的加總能量大於負速度步調頻譜資料C[40]至C[79]的加總能量時，步態特徵為：{C[0],...,C[39],C[40],...,C[79]}

處理器12可將合併步調頻譜圖的合併步調頻譜資料及自相關性最小值作為步態特徵以辨識物體O。合併步調頻譜圖的定義於後文詳述。處理器12可依據都卜勒頻譜圖中M個時間對應的M組正速度能量及M組負速度能量產生M組合併都卜勒頻譜圖(combined Doppler spectrogram)資料，及從M組合併都卜勒頻譜資料中對應N個速度的N組時域資料分別轉換為N組頻譜資料。在一些實施例中，處理器12可將都卜勒頻譜圖的能量分布資料分成正速度都卜勒頻譜資料及負速度都卜勒頻譜資料。正速度都卜勒頻譜資料及負速度都卜勒頻譜資料可分別形成正速度都卜勒頻譜矩陣Dp及負速度都卜勒頻譜矩陣Dn，以公式8及公式9表示：

正速度都卜勒頻譜矩陣Dp中的每個矩陣元素代表正速度能量。處理器12可將所有正速度能量相加以產生正速度總能量Esp，以公式10表示：

負速度都卜勒頻譜矩陣Dn中的每個矩陣元素代表負速度能量，處理器12可將負速度能量相加以產生負速度總能量Esn，以公式11表示：

接著處理器12可將正速度總能量Esp及負速度總能量Esn中，較大總能量對應的都卜勒頻譜矩陣之元素，除以較小總能量對應的都卜勒頻譜矩陣之相同位置的元素，以產生合併都卜勒頻譜矩陣。例如，當正速度總能量大於負速度總能量時，都卜勒頻譜矩陣Dc1可表示為公式12：

當負速度總能量大於正速度總能量時，都卜勒頻譜矩陣Dc2可表示為公式13：

在另一些實施例中，處理器12可將正速度總能量Esp及負速度總能量 Esn中之較大總能量對應的都卜勒頻譜矩陣視為合併都卜勒頻譜矩陣。合併都卜勒頻譜資料可轉換為合併都卜勒頻譜圖，如第9圖所示，其中橫軸表示時間，縱軸表示合併能量Ec。處理器12可依據步驟S208將合併都卜勒頻譜資料中對應N個速度的N組時域資料分別轉換為N組頻譜資料，及依據步驟S210加總N組頻譜資料的對應能量以獲得M個合併步調頻譜資料C[0]到C[M-1]。例如，處理器12可將合併都卜勒頻譜資料中對應4個速度的4組時域資料分別轉換為4組頻譜資料，及加總4組頻譜資料在頻域的能量以獲得40個合併步調頻譜資料C[0]到C[39]。

處理器12可使用公式14對合併步調頻譜資料C執行自相關(autocorrelation)函數以產生複數個自相關值AC(r)，再計算複數個自相關值中，所有相鄰兩自相關值的差值，以產生複數個差值。處理器12可將複數個差值中之最小差值作為自相關性差最小值。

r為自相關值的位移量。例如，若第7圖為一維合併步調頻譜，處理器12可使用第7圖中的合併步調頻譜資料C依據公式14產生複數個自相關值AC(r)。第10圖顯示依據合併步調頻譜資料C產生的自相關值(0)至AC(49)，其中橫軸表示位移量r，縱軸表示相鄰自相關值AC(r)，相鄰位移量(r+1)及r的間隔可為0.4Hz，如第10圖所示，位移量r在0Hz、2Hz、4Hz時自相關值AC(r)具有峰值，對應第7圖中步調頻率fc在共振頻率0Hz、2Hz、4Hz時合併步調頻譜資料C的峰值，即自相關值AC(r)在步調頻率fc在共振頻率時會增加。處理器12可接著計算自相關值AC(0)至AC(49)中相鄰2點AC(r+1),AC(r)的49個差值，及將49個差值中之最小差值作為自相關性差最小值。第11圖顯示合併步調頻譜資料C的自相關性差異，其中橫軸表示位移量r，縱軸表示相鄰自相關值之間的差值 AC(r+1)-AC(r)。位移量r在0Hz、2Hz、4Hz時差值AC(r+1)-AC(r)具有較小差值，對應第10圖中位移量r在共振頻率0Hz、2Hz、4Hz時自相關值AC(r)的峰值。使用相鄰自相關值之間的差值AC(r+1)-AC(r)可以凸顯每個共振頻率的強弱程度，越強的共振頻率其差值AC(r+1)-AC(r)會越小。第11圖顯示最小差值約為-0.2。處理器12可將合併步調頻譜資料及自相關性最小值輸入分類器120，以依據合併步調頻譜資料及自相關性最小值將物體O分類。不同的物體O可以具有不同的自相關性差最小值，例如人的自相關性差最小值可約為-0.2，狗的自相關性差最小值可約為-0.05。

處理器12可將速度正規化之步調頻譜資料作為步態特徵以辨識物體O。使用速度正規化之步調頻譜資料可移除或減低相同物體由於速度不同而產生的步態特徵，例如移除或減低由於人走路速度和跑步速度不同而產生的步態特徵。首先，處理器12可從都卜勒頻譜資料中辨識出軀幹速度Vt對應時間索引mt的時間窗，以及相鄰的最大速度Vm對應時間索引mm的時間窗。處理器12還可計算時間索引mt及時間索引mm之間的差做為速度正規化區間d。例如，時間索引mt是11及時間索引mm是1，速度正規化區間d可推導為d=11-1=10。處理器12可將公式4中之都卜勒頻譜矩陣Dm的每個矩陣元素s[m,h]以速度正規化區間d之後的對應矩陣元素s[m+d,h]相除，產生速度正規化矩陣Dm_vn1，以公式15表示：

在一些實施例中，處理器12可將公式4中之都卜勒頻譜矩陣Dm的每個矩陣元素s[m,h]以速度正規化區間d之前的對應矩陣元素s[m-d,h]相除以產生速度正規化矩陣Dm_vn2，以公式16表示：

另外處理器12可等比例縮放都卜勒頻譜資料及時間軸，如公式17表示：

其中D係為取樣區間內等比例縮放後的時間索引值的數量；Vt係為軀幹速度；Vm係為最大速度；d係為取樣區間內時間索引值的數量；及T係為取樣區間內的總時間。

第12圖顯示為本發明實施例中的速度正規化之都卜勒頻譜圖，其中橫軸表示時間t，縱軸表示正規化速度vn。經過速度正規化後，於第12圖的都卜勒頻譜圖中軀幹速度(2m/s)的對應能量幾乎被完全移除。處理器12可依據速度正規化後之都卜勒頻譜資料執行步驟S208及S210，並產生速度正規化之一維步調頻譜資料。處理器12可使用速度正規化之步調頻譜資料作為步態特徵，輸入至分類器120以分類物體O。

物體辨識裝置1及物體辨識方法200使用雷達接收回波訊號以產生步調頻譜資料，使用步調頻譜資料中，次要部份能量對主要部份能量的比例關係、物體移動幅度、一維步調頻譜資料、合併步調頻譜資料及自相關性最小值、或速度正規化之步調頻譜資料作為步態特徵，以使處理器能用自動且快速的方式辨識目標物體。

以上所述僅為本發明之較佳實施例，凡依本發明申請專利範圍所做之均等變化與修飾，皆應屬本發明之涵蓋範圍。

200:物體辨識方法

S202至S214:步驟

Claims

一種物體辨識方法，包含：依據一回波訊號產生都卜勒頻譜資料(Doppler-time spectrogram)，其中該回波訊號與該物體有關；將該都卜勒頻譜資料中對應N個速度的N組時域資料分別轉換為N組頻譜資料，N是正整數；結合該N組頻譜資料以獲得一步調(cadence)頻譜資料；及從該步調頻譜資料中獲取一步態特徵以辨識該物體。
如請求項1所述之物體辨識方法，其中依據該回波訊號產生該都卜勒頻譜資料包含：降低該回波訊號之一取樣頻率以產生重取樣資料；移除該重取樣資料中的交流電干擾以產生降干擾資料；增加該降干擾資料的一數目以產生前處理資料，藉以增加解析度；及將該前處理資料轉換為該都卜勒頻譜資料(Doppler-time spectrogram)。
如請求項2所述之物體辨識方法，其中將該前處理資料轉換為該都卜勒頻譜資料包含：對該前處理資料進行短時傅立葉變換(short time Fourier transform,STFT)以產生該都卜勒頻譜資料。
如請求項2所述之物體辨識方法，其中將該前處理資料轉換為該都卜勒頻譜資料包含：對該前處理資料進行小波變換(wavelet transform)以產生該都卜勒頻譜資料。
如請求項1所述之物體辨識方法，其中該物體包含一主要部份與一次要部份，從該步調頻譜資料中獲取該步態特徵以辨識該物體包含：從該步調頻譜資料中辨識一基頻及該主要部份的一主要速度；依據該基頻及該主要速度產生一移動幅度(stride)；從該步調頻譜資料中辨識對應該次要部份的一次要部份能量及對應該主要部份的一主要部份能量；產生該次要部份能量對該主要部份能量的一比例關係(radar cross section,RCS)；及依據該移動幅度及該比例關係辨識該物體。
如請求項1所述之物體辨識方法，其中從該步調頻譜資料中獲取該步態特徵以辨識該物體包含：從該步調頻譜資料中辨識一基頻及一諧頻；及依據該基頻及該諧頻辨識該物體。
如請求項1所述之物體辨識方法，其中該N個速度包含複數個正速度及複數個負速度。
如請求項1所述之物體辨識方法，其中將該都卜勒頻譜資料中對應該N個速度的該N組時域資料分別轉換為該N組頻譜資料包含：依據該都卜勒頻譜資料上對應M個時間的M組正速度能量及M組負速度能量產生M組合併都卜勒頻譜(combined Doppler spectrogram)資料，M 是正整數；及從該M組合併都卜勒頻譜資料中對應該N個速度的N組時域資料分別轉換為N組頻譜資料。
如請求項8所述之物體辨識方法，其中依據該都卜勒頻譜資料上對應該M個時間的該M組正速度能量及該M組負速度能量產生該M組合併都卜勒頻譜資料包含：將該M組正速度能量相加以產生一正速度總能量；將該M組負速度能量相加以產生一負速度總能量；及將該正速度總能量及該負速度總能量中之一較大總能量對應的M組速度能量中之一第m組速度能量除以該正速度總能量及該負速度總能量中之一較小總能量對應的M組速度能量中之一第m組速度能量以產生一第m組合併都卜勒頻譜資料，其中m為整數且0
m<M。
如請求項8所述之物體辨識方法，其中依據該步調頻譜資料上對應該M個時間的該M組正速度能量及該M組負速度能量產生該M組合併都卜勒頻譜資料包含：將該M組正速度能量相加以產生一正速度總能量；將該M組負速度能量相加以產生一負速度總能量；及依據該正速度總能量及該負速度總能量中之一較大總能量對應的M組速度能量產生該M組合併都卜勒頻譜資料。
如請求項1所述之物體辨識方法，其中從該步調頻譜資料中獲取該步態特徵以辨識該物體包含：對該步調頻譜資料執行一自相關函數以產生複數個自相關值；及依據該複數個自相關值中相鄰2點的複數個差值中之一最小差值辨識該物體。
如請求項1所述之物體辨識方法，另包含依據該都卜勒頻譜資料上的一最大速度對該都卜勒頻譜資料執行一速度正規化程序以產生速度正規化的都卜勒頻譜資料，其中將該都卜勒頻譜資料上對應該N個速度的該時域資料分別轉換為該N組頻譜資料包含：將該速度正規化的都卜勒頻譜資料上對應該N個速度的該N組時域資料分別轉換為該N組頻譜資料。
如請求項1所述之物體辨識方法，其中結合該N組頻譜資料以獲得該步調頻譜資料包含：將該N組頻譜資料正規化；及結合該N組正規化的頻譜資料以獲得該步調頻譜資料。
一種物體辨識裝置，包含：一雷達，用以接收一回波訊號，該回波訊號與一物體有關；及一處理器，耦接於該雷達，及用以依據一回波訊號產生一都卜勒頻譜資料物體，將該都卜勒頻譜資料中對應N個速度的N組時域資料分別轉換為N組頻譜資料，結合該N組頻譜資料以獲得一步調頻譜資料，及從該步調頻譜資料中獲取一步態特徵以辨識該物體，N是正整數。
如請求項14所述之物體辨識裝置，其中該物體包含一主要部份與一次要部份，及該處理器更用以：從該步調頻譜資料中辨識一基頻及該主要部份的一主要速度；依據該基頻及該主要速度產生一移動幅度；從該步調頻譜資料中辨識對應該次要部份的一次要部份能量及對應該主要部份的一主要部份能量；產生該次要部份能量對該主要部份能量的一比例關係；及依據該移動幅度及該比例關係辨識該物體。
如請求項14所述之物體辨識裝置，其中從該處理器更用以：從該步態頻譜資料中辨識一基頻及一諧頻；及依據該基頻及該諧頻辨識該物體。
如請求項14所述之物體辨識裝置，其中該處理器更用以：依據該步態頻譜資料上對應M個時間的M個正速度能量及M個負速度能量產生M個合併都卜勒頻譜資料，M是正整數；及從該M個合併都卜勒頻譜資料中對應該N個速度的N組時域資料分別轉換為N組頻譜資料。
如請求項14所述之物體辨識裝置，其中該處理器更用以：對該步調頻譜資料執行一自相關函數以產生複數個自相關值；及依據該複數個自相關值中相鄰2點的複數個差值中之一最小差值辨識該物體。
如請求項14所述之物體辨識裝置，其中該處理器另用以：依據該都卜勒頻譜資料上的一最大速度對該都卜勒頻譜資料執行一速度正規化程序以產生速度正規化的都卜勒頻譜資料；及將該速度正規化的都卜勒頻譜資料上對應該N個速度的該N組時域資料分別轉換為該N組頻譜資料。
如請求項14所述之物體辨識裝置，其中該處理器更用以：將該N組頻譜資料正規化；及結合該N組正規化的頻譜資料以獲得該步調頻譜資料。