[发明专利]一种基于毫米波雷达的智能消防安全监控系统及监控方法

权利要求书

1.一种基于毫米波雷达的智能消防安全监控系统，其特征在于：包括智能火灾预警及救援辅助模块、无线收发设备、云端服务器和控制终端，所述的智能火灾预警及救援辅助模块包括毫米波雷达检测跟踪装置、烟雾检测装置、温度检测装置、洒水控制器、电源装置、报警装置；当火灾发生时，所述的烟雾检测装置与温度检测装置检测到异常信息，报警装置发出警报，洒水控制器控制现场洒水设备应急灭火，毫米波雷达检测跟踪装置探测用户位置信息和状态信息并通过无线收发设备发送给云端服务器，云端服务器记录信息并判断现场人员状况发送给控制终端，控制终端能够显示室内人数、火灾发生位置、人员运动轨迹及人员健康状态；所述的电源装置用于给智能火灾预警及救援辅助模块的各个装置进行供电。

2.根据权利要求1所述的基于毫米波雷达的智能消防安全监控系统，其特征在于：所述的智能火灾预警及救援辅助模块分布在不同区域，所述的云端服务器通过无线收发设备能够实现跨区域的远距离互联，所述的无线收发设备采用基于NB-IOT的无线收发设备。

3.根据权利要求1所述的基于毫米波雷达的智能消防安全监控系统，其特征在于：所述的毫米波雷达检测跟踪装置所采用的雷达为76G～81G毫米波雷达。

4.根据权利要求1所述的基于毫米波雷达的智能消防安全监控系统，其特征在于，所述的智能火灾预警及救援辅助模块启动方式有以下三种：

主动启动，通过控制终端控制启动；

被动启动，通过烟雾检测装置及温度检测装置触发启动；

自发启动，自检过程中发现异常情况而启动。

5.根据权利要求4所述的基于毫米波雷达的智能消防安全监控系统，其特征在于：所述自发启动的自检时间和频率通过控制终端进行设定。

6.根据权利要求1所述的基于毫米波雷达的智能消防安全监控系统，其特征在于：所述的电源装置设置阈值电量为10％，当电量低于阈值电量时自动进行充电。

7.一种如权利要求1-6中任意一项所述基于毫米波雷达的智能消防安全监控系统的监控方法，其特征在于，包括以下步骤：

步骤1：通过烟雾检测装置与温度检测装置检测环境参数，当火灾发生时，报警装置发出警报，由洒水控制器控制现场洒水设备应急灭火；毫米波雷达检测跟踪装置探测用户位置信息和状态信息；

步骤2：当用户位于室内时，毫米波雷达检测跟踪装置将探测到的用户位置信息和状态信息通过无线收发设备发送给云端服务器，云端服务器对多个区域火灾情况实时监控；

步骤3：云端服务器接收到智能火灾预警及救援辅助模块发送来的信息后，对各项信息进行实时记录，并对人员的呼吸信息进行分析，从而判断出人员的身体状况；

步骤4：云端服务器将数据发送给控制终端，控制终端显示室内人数、火灾发生位置、人员运动轨迹以及人员健康状态信息，根据这些信息进行逃生路径规划与引导广播；

步骤5：消防人员根据控制终端信息获取实时火灾数据，实现精准灭火以及精准救援。

8.根据权利要求7所述的监控方法，其特征在于：所述的步骤3中云端服务器根据人体呼吸是否处于正常频率范围来判断人员的身体状况，若呼吸频率处于正常范围内，则判断人员状态良好，若呼吸频率超出正常范围，则判断人员状态危险。

9.根据权利要求7所述的监控方法，其特征在于：所述的毫米波雷达检测跟踪装置探测用户位置信息和状态信息的过程包括目标检测和目标跟踪；

所述的目标检测基于capon算法采用从测距到测角再到测速的参数测量流程，通过恒虚警检测法得到检测目标数、距离、角度、多普勒信息以及信噪比用于目标跟踪；所述的目标跟踪采用群目标跟踪算法，包括预测、联合分配、航迹起始、更新维护四个步骤。

10.根据权利要求9所述的监控方法，其特征在于：

目标检测步骤如下：

测距：利用混频电路将接受信号与发送信号进行差频，得到中频信号，利用距离公式求得距离信息，具体公式如下：

式中的f_IF为中频频率，C为光速，S为调频斜率，R为距离；对中频信号进行AD采样，采样得到的数据矩阵在距离方向上做一维FFT，得到包含距离信息的一维数据矩阵1DFFT；

测角：测角利用capon算法，接受信号在各个方向上的功率，表达式为：

其中，R＝X×X^H，X＝{x₁,x₂,x₃,x₄…x_n}^T表示目标在不同天线处的信号组成向量，α(θ)＝{1,e^{i2πdcos(θ)×2},e^{i2πdcos(θ)×3},…,e^{i2πdcos(θ)×(N-1)}}^T为导向向量；T为转置运算；

对各个角度功率进行搜索寻找峰值而确定角度；

对一维数据矩阵1DFFT进行上述操作得到距离方位热力图rangeAzimuthHeatMap，其包含了距离和角度信息，对距离方位热力图rangeAzimuthHeatMap分别在距离和方位方向上进行CFAR检测，从而实现多个目标的检测以及距离、角度的测量；

测速：根据如下公式进行计算：

式中的V为速度，λ为波长，为角度变化，T_c为脉冲周期；

目标跟踪步骤如下：

预测：利用扩展卡尔曼滤波预测过程，基于时刻n-1的状态和过程协方差矩阵，对时刻n的跟踪群质心进行估计；卡尔曼滤波算法的状态和协方差预测公式如下：

s_apr(n)＝Fs(n-1)

P_apr(n)＝FP(n-1)F^T+Q(n-1)

其中，s_apr(n)为状态的先验值，P_apr(n)为协方差的先验值，F为状态转移矩阵；Q为状态噪声协方差，s为目标状态，P为协方差；

联合和分配：假设存在一个或多个轨迹和相关的预测状态向量，对于每个给定的轨道，形成一个关于预测的质心的门，利用群残差协方差矩阵在跟踪群质心的三维测量空间中建立椭球体，椭球面代表一个门控函数来限定在n时刻观测到的单个测量值，对于门内的测量值，计算归一化距离函数作为一个成本函数，将测量值与每个轨道关联起来；

航迹起始：对于与任何轨道无关的度量，将分配并初始化新的群跟踪器；

更新和维护：当第n时刻的测量值可用时，状态和误差协方差估计值进行以下更新：

a)按下式计算测量残留：

y(n)＝u(n)-H(s_apr(n))；

式中，H为量测矩阵；

b)按下式计算新息协方差：

C(n)＝H(s_apr(n))P_apr(n)H^T(s_apr(n))+R(n)

c)按下式计算卡尔曼增益：

式中，inv[]为求逆运算；

d)按下式计算后验状态矢量：

s(n)＝s_apr(n)+K(n)y(n)

e)计算后验协方差：

P(n)＝P_apr(n)-K(n)s_apr(n)inv(K(n))

每条轨迹都经历一个事件的生命周期，在维护阶段更改状态或删除不再使用的跟踪。