[发明专利]一种基于毫米波雷达的室内人员跟踪方法

说明书

本发明公开了一种基于毫米波雷达的室内人员跟踪方法，涉及毫米波雷达应用领域。本发明包括如下步骤：对毫米波雷达回波信号进行ADC数据采样，得到采样数据；采用CFAR处理所述采样数据，得到检测点云数据；采用改进的DBSCAN算法对所述点云数据进行聚类；采用多径干扰消除算法处理所述聚类结果；对处理后的聚类结果采用无迹卡尔曼滤波跟踪，得到室内人员的轨迹。本发明能够解决现有技术中毫米波雷达在室内复杂环境下无法对人员进行准确跟踪的问题，能够有效去除多径效应带来的假人员目标，针对跟踪精度不高的问题，采用滤波精度更高的无迹卡尔曼滤波算法就进行滤波跟踪，可有效实现室内人员的高精度跟踪。

技术领域

本发明属于毫米波雷达应用领域，特别是涉及一种基于毫米波雷达的 室内人员跟踪方法。

背景技术

如今，随着社会需求的日益增加，使用包括摄像头为主的监控设备结 合计算机智能地对室内人员进行识别、位置检测和跟踪的需求也随着增加， 比如在办公室，超市，工厂，矿井下等场所，经常需要确定人员在室内的 位置。针对室内环境或者矿井下环境照明不足时，一般的光学摄像头难以 工作，然而，但是毫米波雷达可在照明不足或者环境中烟尘较大等视线不 良的情况下都能正常工作。并且在人员隐私方面，毫米波雷达对人体的检测局限于外部形状，所以在保护人员隐私方面也是有其优势。目前，毫米 波雷达技术已相对成熟，但是将毫米波雷达实际应用于室内人员的跟踪中 还需要解决很多的实际问题。

由于毫米波雷达的特性，探测同一目标时会形成点云，而一般的跟踪 滤波算法都是针对点目标，因此首先需要对点云进行聚类获得目标质心， 再对目标进行跟踪滤波。DBSCAN(Density—Based Spatial Clustering of Application with Noise)算法是一种典型的基于密度的聚类方法。它将 簇定义为密度相连的点的最大集合，能够把具有足够密度的区域划分为簇， 并可以在有噪音的空间数据集中发现任意形状的簇。一般的基于密度的 DBSCAN算法在室内环境复杂环境下的聚类效果不佳，很容易出现聚类错误 且无法区分两个相距较近目标。并且在室内环境下，多径效应严重，会对 室内人员的跟踪和人数估计产生巨大影响。如公开号为CN111708021A，名 称为一种基于毫米波雷达的人员跟踪与识别算法的专利，其具体采用蒙特 卡洛方法得到目标数量和点迹和轨迹的最终关联，然后采用扩展卡尔曼滤 波进行状态估计得到人员轨迹数据，完成跟踪；公开号为CN113267773A， 名称为一种基于毫米波雷达的室内人员准确检测和精确定位方法，主要通 过毫米波雷达对室内人员进行距离、方位角、速度的高精度测量基础上进 行检测和定位，满足毫米波雷达作为室内场景感知器件的需求；其主要处 理步骤包括：ADC采样后的数据帧重建、雷达信号处理、静止人员微动特征 提取、移动人员群跟踪定位、高级应用驱动；公开号为CN113093170A，名 称为一种基于KNN算法的毫米波雷达室内人员检测方法，其是通过KNN分类器准确的实现人与其它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，并通过扩展卡尔曼滤波跟踪算法对目标进行跟踪；又如公开 号CN111289967A，名称为一种基于毫米波雷达的人员检测跟踪与计数算法 解决了目前基于毫米波雷达的人员计数方法中，无法准确实现对静态目标 的技术及跟踪的问题，能够对于目标静止后点云消失的情况进行优化，能 够实现待测空间范围内的人员计数及跟踪。

由于毫米波雷达的特征，探测同一目标时会形成点云，而一般的跟踪 滤波算法都是针对点目标，因此首先需要对点云进行聚类获得目标质心， 在对目标进行跟踪滤波。一般的基于密度的DESCAN算法在室内环境复杂环 境下的聚类效果不佳，很容易出现聚类错误且无法区分两个相距较近目标。 并且在室内环境下，多径效应严重，会对室内人员的跟踪和人数估计产生 巨大影响。现有同类产品中跟踪部分采用的算法基本均为扩展卡尔曼滤波 算法，扩展卡尔曼滤波算法在针对弱非线性系统时的跟踪效果很好，但是 处理强非线性系统的跟踪问题时很容易出现跟丢的现象，且跟踪精度不高。

发明内容