[发明专利]基于毫米波的远场多人体的步态监测方法

说明书

本发明涉及身份识别技术领域，公开了一种基于毫米波的远场多人体的步态监测方法，采用多组对发射和多收的分时复用的MIMO微带天线结构，以提高拾取微弱信号能力和方位角分辨率，利用毫米波段(30GHz‑300GHz)的高精度，高分辨率的特点获取多组毫米波反射信号，并对多组毫米波反射信号处理、建模以得到CNN神经网络机器学习模型，通过该模型实现了对远场空间内多个目标人体的下肢步态，即下肢运动产生的步距、步频(步速)和腿距进行精准识别。

技术领域

本发明涉及身份识别技术领域，特别涉及一种基于毫米波的远场多人体的步态监测方法。

背景技术

随着科技的发展，人体身份识别技术已经深入到人们的日常生活当中，目前，对于人体识别基本上都是基于可视摄像头对脸孔或虹膜，以及指纹或声纹等方式。这些传统的人体身份识别技术有两大弊端：

其一，可视图像(如：人脸)的广泛应用，增加了大众对于隐私泄露的担忧；

其次，传统的非图像识别方法无法同时对多个目标人体进行有效识别。

每个人的步态是唯一的，因而应用射频无线技术对监测空间内的人体的步态进行实时监测，可以准确识别人体，是克服上述两大弊端的有效技术手段。

但是，目前绝大部分运用射频无线技术对人体步态进行识别的方法，都没有很好地解决同时识别远场(距离5米以上)空间内多个人体步态的问题。

发明内容

本发明提出一种基于毫米波的远场多人体的步态监测方法，解决传统的射频无线技术无法同时识别远场(距离5米以上)空间内多个人体步态的技术问题。

本发明提供了一种基于毫米波的远场多人体的步态监测方法，包括步骤：

S1：采用分时复用的MIMO微带天线向监测空间内发射多组线性调频连续毫米波信号，并实时接收监测空间内反射的多组毫米波反射信号；

S2：并对所述毫米波反射信号进行滤波去噪，得到滤波后的毫米波反射信号；

S3：对多组所述滤波后的毫米波反射信号分别做距离FFT和多普勒FFT，形成距离-多普勒图谱，基于所述距离-多普勒图谱得到由人体下肢移动产生的多组点云数据集合；

S4：对所述多组点云数据分别做低通滤波处理和I-Q解调，获得RSS幅值和接收角AoA的角度ω；

S5：对所述接收角AoA的角度ω做角度FFT，根据距离FFT的数据和对应的RSS幅值，以及与相对应的AoA角度FFT数据确定多目标人体的极坐标；

S6：对所述多组点云数据集合做运动目标甄别滤波，以获得每个人体下肢移动对应的点云数据集合；

S7：在所述极坐标系中，根据距离-多普勒图谱的每一帧，构造每一帧中每个点云数据的坐标；

S8：根据所述每个人体下肢移动对应的点云数据集合和所述坐标计算每个人体下肢产生的步距、步频及腿距数据，依据所述每个人体下肢产生的步距、步频及腿距数据构建CNN神经网络机器学习模型；

S9：结合分时复用的MIMO微带天线及CNN神经网络机器学习模型实时监测多人体步态。

其中，所述步骤S3包括：

根据所述距离-多普勒图谱对静物环境模型建模，以去除毫米波反射信号中的对应监测空间中静物的成分，得到由人体下肢移动产生的多组点云数据。

其中，所述步骤S5和S6之间还包括：

将所述RSS幅值和接收角AoA的角度ω与预设的RSS幅值阈值和ω阈值做比较，保留所有符合阈值内的数据；