[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

说明书

本发明公开了一种基于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：设置样本数据对KNN分类器进行训练，得到K值；对毫米波雷达回波信号进行ADC数据采集，得到采样数据；对所述采样数据进行FFT处理，得到CFAR点云数据；对所述点云数据进行聚类与轨迹跟踪；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；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；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。该方法可以准确的实现人与其他运动目标的精确分类，从而对室内人员进行准确检测与统计。

技术领域

本发明属于人员检测技术领域，尤其是涉及一种基于KNN算法的毫米波雷达室内人员检测方法。

背景技术

室内人员检测和数量统计是诸多应用场景下不可或缺的需求，比如车站，医院，图书馆等公共场合需要实时跟踪室内人员数量来合理控制人流量。传统基于人工的人数统计不仅耗时、费力、成本高昂，且人在相同场景下重复点数极易出错，因此需要利用智能传感器来解决人员检测与统计问题。传统人员检测技术主要包括基于主动红外的人员检测技术、基于PIR热成像的人员检测技术以及基于光学摄像头的人员检测技术。这些方法受温度和光照环境影响大，且无法识别多个目标。常用的毫米波雷达在人员检测方面，仅笼统的基于轨迹跟踪实现目标检测，并未在特征上实现对人和运动物体的识别，无法准确的实现人与其他运动目标的精确分类。

发明内容

为解决上述问题，提供一种可以对室内人与其他运动目标进行精确分类的方法，本发明提供了一种基于KNN算法的毫米波雷达室内人员检测方法，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模数转换器（ADC）数据采集，得到采样数据；

步骤3，对所述采样数据进行快速傅立叶变换（FFT）处理，得到恒虚警率（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。

作为本发明的进一步改进，

更进一步的，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。

更进一步的，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。

更进一步的，所述步骤51中的点云特征分别为：