[发明专利]一种基于毫米波雷达的人体姿态识别方法

权利要求书

1.一种基于毫米波雷达的人体姿态识别方法，其特征在于，包括以下步骤：

步骤1、对待测空间范围通过毫米波雷达发射电磁波信号，接受回波信号，并对回波信号进行处理，得到目标点迹；

步骤2、针对目标点迹，将点迹凝聚为不同区域，将凝聚好的点迹区域按条件匹配给已知航迹，得到目标的运动轨迹，跟踪目标区域内的人员运动状态；

步骤3、根据目标点云在3维空间的坐标位置（x,y,z),以及各个点的信噪比值（l），表征成两张RGB图，分别为（x,y,l)和（x,z,l);

步骤4、对检测到的目标点，分别计算动态多普勒谱的速度、距离以及高度变化，并提取动态多普勒谱的运动特征；

步骤5、基于提取的动态多普勒谱的运动特征的基础上提出滑窗目标区域检测算法，在目标区域内进行检测，检测结果即为多普勒的运动轨迹谱图；

所述滑窗目标区域检测算法是指在输入神经网络训练前使用滑窗法进行目标区域选择，选择强有力的表征坐、站、躺3种姿态的多普勒谱图；

其中，通过滑窗内轨迹达到一个完整姿态轨迹的4/5时，即选取为多普勒的运动轨迹谱图，不满足条件的谱图放弃；

基于多普勒谱图确定姿态持续的时间段，以及与此时间段相对应的高度变化图；

步骤6、将获取到的检测结果、两张RGB图及其姿态标签输入到神经网络进行训练学习，然后对未带标签类的数据进行识别；

步骤6具体包括以下步骤：

A.所述将获取到的检测结果、两张RGB图及其姿态标签输入到神经网络进行训练学习；

B. 对未带标签类的数据进行识别。

2.根据权利要求1所述的一种基于毫米波雷达的人体姿态识别方法，其特征在于，步骤1具体包括以下步骤：

A.接收回波信号后先去除静态杂波,排除静态物体产生杂波对目标回波的噪声干扰；

B.对去杂波后的信号做一维傅里叶变换，得出目标所在的距离单元以及信噪比值；

C.在该距离单元通过capon-BF，求解目标所在的角度信息；

D.通过CFAR算法滤除非目标干扰，锁定真正的目标点；

E. 对选取的目标点进行多普勒维的FFT,得到目标的速度信息。

3.根据权利要求1所述的一种基于毫米波雷达的人体姿态识别方法，其特征在于，步骤2具体包括以下步骤：

A.通过DBSCAN聚类算法，将同类目标点聚为一簇点云，并划分为一个区域；

B. 将凝聚好的点迹区域按条件匹配给已知航迹，得到目标的运动轨迹。

4.根据权利要求1所述的一种基于毫米波雷达的人体姿态识别方法，其特征在于，步骤3具体包括以下步骤：

A.将目标点云xoy平面点云位置及信噪比值的3维表示（x,y,l)表征成RGB形式；

B. 将目标点云xoz平面点云位置及信噪比值的3维表示（x,z,l)表征成RGB形式。

5.根据权利要求1所述的一种基于毫米波雷达的人体姿态识别方法，其特征在于，步骤4具体包括以下步骤：

A.对检测到的目标点，其点云数据累计后，会形成一个关于目标的多普勒的运动轨迹谱图；以及一个关于目标的高度变化谱图；

以上两个谱图均表征目标的运动特征。

6.根据权利要求1所述的一种基于毫米波雷达的人体姿态识别方法，其特征在于，所述神经网络为卷积神经网络，至少包含3个卷积层和两个全连接层；

所述识别结果为多分类，至少包括行走、坐下以及躺下或者跌倒三类标签；

将躺下或者跌倒归为一类，辅助高度变化进行区分，一旦识别为跌到则触发呼叫系统。

7.根据权利要求1所述的一种基于毫米波雷达的人体姿态识别方法，其特征在于，所述对未带标签类的数据进行识别为将网络训练好后，可对实时数据做实时的判断，并给出姿态的类型，以及做出相应的处理。

8.根据权利要求7所述的一种基于毫米波雷达的人体姿态识别方法，其特征在于，所述处理至少包括以下几类：

如果划分为行走，则辅助查看步骤2中人员的运动状态，有一个常规行走的多普勒速度，则认为判定无误，即可在行走的位置开启对应的灯；

如果划分为坐，则开启对应区域的空调；且避免对人直吹；

如果划分为躺或者跌倒，则优先根据躺下的高度位置，再做判断，高度小于一定阈值，则判定为跌倒，启动报警装置，否则即为躺下，开启呼吸心率健康监测。