[发明专利]一种基于KNN算法的毫米波雷达室内人员检测方法

权利要求书

1.一种基于KNN算法的毫米波雷达室内人员检测方法，其特征在于，包括以下步骤：

步骤1，设置样本数据对KNN分类器进行训练，得到K值，其中K为正整数；

步骤2，对毫米波雷达回波信号进行ADC数据采集，得到采样数据；

步骤3，对所述采样数据进行FFT处理，得到CFAR点云数据；

步骤4，对所述点云数据进行聚类与轨迹跟踪；

步骤5，提取点云数据聚类后得到的点云特征，提取轨迹跟踪后得到的轨迹跟踪特征，输出目标特征向量；

步骤6，将所述目标特征向量输入至步骤1中训练的KNN分类器中，利用步骤1中得到的K值进行预测，得到初步预测结果；

步骤7，将所述初步预测结果输入至后处理器中，得到最终分类结果；

所述步骤7中将所述初步预测结果输入至后处理器中，得到最终分类结果的步骤为：

步骤71，将所述初步预测结果输入至后处理器中，并将初步预测结果进行帧数累积，设定HC为判定为人的帧数，NC为判定为非人目标的帧数；当前帧目标为人时，HC+1，NC-1；目标为非人时则HC-1，NC+1；

步骤72，计算目标的独立性，独立性由目标间的距离最小值u来表征，

设定阈值为，当时，该目标与其他目标相关联，为非独立目标，当前帧该目标的预测结果不进行更新；

步骤73，计算目标与对应轨迹起始点间的距离d_m，设定阈值为D，当时，强制判定目标为人；

步骤74，得到目标的进一步预测结果，并对该结果进行滑窗判定，时，目标判断为非人，时，目标判定为人；

步骤75，输出最终分类结果。

2.根据权利要求1所述的基于KNN算法的毫米波雷达室内人员检测方法，其特征在于，所述步骤1中设置样本数据对KNN分类器进行训练，得到K值的步骤包括：

步骤11，按照N：1的比例将样本分为训练样本与标签样本；所述样本标签分为两类，人和非人运动物体，其中N为正整数；

步骤12，从K值为1开始对KNN分类器进行训练，并逐渐增加K值，直到K值为样本总数；

步骤13，选取训练结果误差最小的K值为预测用的K值。

3.根据权利要求2所述的基于KNN算法的毫米波雷达室内人员检测方法，其特征在于，所述步骤５中提取点云数据聚类后得到的点云特征，提取轨迹跟踪后得到的轨迹跟踪特征，输出目标特征向量的步骤包括：

步骤51，提取所述点云特征，包括点云的距离-方位维质心，点云内点到质心的最大与最小距离，点云的多普勒能量上下包络特征和点云的距离-多普勒维度质心；

步骤52，基于卡尔曼滤波的输出，得到所述轨迹跟踪特征，包括轨迹速度v、加速度a、卡尔曼滤波预测协方差矩阵EC和增益g；

步骤53，输出目标特征向量，所述目标特征向量包含所述点云特征和所述轨迹跟踪特征。

4.根据权利要求3所述的基于KNN算法的毫米波雷达室内人员检测方法，其特征在于，所述步骤51中的点云特征分别为：

所述点云的距离-方位维质心表征点云的空间方位，其坐标表示为：

；

其中x_i表示第i个点的x坐标，y_i表示第i个点的y坐标，n表示点云的数量；

所述点云内点到质心的最大与最小距离表征点云的大小范围，所述点云内点到质心的最大距离为：

；

所述点云内点到质心的最小距离为：

；

所述点云的多普勒能量上包络特征为：

；

所述点云的多普勒能量下包络特征为：

；

其中是目标点的多普勒能量，表征点云的速度范围，d_max表示点云多普勒能量的最大值，d_min表示点云多普勒能量的最小值，n表示点云的数量；

所述点云的距离-多普勒维度质心表征点云的中心速度，表示为：

；

其中，r_c表示点云质心的距离，d_c表示点云质心的速度，r_i表示点的距离，d_i是目标点的多普勒能量，表征点云的速度范围，n表示点云的数量。

5.根据权利要求3所述的基于KNN算法的毫米波雷达室内人员检测方法，其特征在于，所述步骤6中将所述目标特征向量输入至步骤1中训练的KNN分类器中，利用步骤1中得到的K值进行预测，得到初步预测结果的步骤为：

步骤61，计算所述步骤53中输出的目标特征向量与样本库向量之间的马氏距离，

其中，A、B分别为特征向量和样本库向量，为向量A、B的协方差矩阵，向量A的第i个元素与向量B的第j个元素之间的协方差为

其中，为元素的期望，μ_i为特征向量内第i个特征的均值；

步骤62，根据所述步骤1中得到的K值选取马氏距离最近的K个样本，并对样本标签数量进行统计；

步骤63，将统计得到的数量最多的样本标签作为分类的初步预测结果。