基于微波雷达的未知环境多目标检测方法和装置转让专利
申请号 : CN201910241637.2
文献号 : CN110109090B
文献日 : 2021-03-12
发明人 : 李秀萍 , 李剑菡 , 李昱冰
申请人 : 北京邮电大学
摘要 :
权利要求 :
1.一种基于微波雷达的未知环境多目标检测方法,其特征在于,包括步骤:分别对多个典型场景用微波雷达采集雷达数据,并将所述雷达数据拆分为训练数据和测试数据;
对所述训练数据和所述测试数据分别进行预处理;
将预处理后的所述训练数据和所述测试数据,分别按人数分类,并将对应人数的回波图片进行汇总和随机排序,进行卷积神经网络模型的训练和测试;其中,所述进行卷积神经网络模型的训练和测试之前,还包括:将部分n人与n-1人及n人与0人的典型场景的雷达数据拼接,用于处理瞬时出现多个移动目标及多个移动目标一起离开检测区域的情况,并将所述拼接数据转成RGB图片,作为训练数据或者测试数据,用于所述卷积神经网络模型的训练或测试;
通过训练后的所述卷积神经网络模型进行未知场景的多目标检测。
2.根据权利要求1所述的基于微波雷达的未知环境多目标检测方法,其特征在于,所述步骤对所述训练数据和测试数据分别进行预处理,包括:对所述训练数据和测试数据分别通过滑窗法、自适应滤波、阈值法进行处理,保留动目标轨迹、滤除静态杂波。
3.根据权利要求1所述的基于微波雷达的未知环境多目标检测方法,其特征在于,所述步骤对所述训练数据和测试数据分别进行预处理,包括步骤:
1)获取当前典型场景下特定人数的雷达回波信号,并将所述雷达回波信号转化为功率信号;
2)应用滑窗法截取雷达数据;
3)使用自适应滤波法保留所述雷达数据中的动目标轨迹,滤除静态杂波;
4)使用阈值法滤除小于预设阈值的杂波;
重复步骤1)-4)将多个典型场景下的0-4人雷达回波信号进行预处理,得到预处理数据。
4.根据权利要求1所述的基于微波雷达的未知环境多目标检测方法,其特征在于,所述步骤通过训练后的所述卷积神经网络模型进行未知场景的多目标检测,之后还包括步骤:采用SVM判别方法对检测出的多目标结果进行验证。
5.根据权利要求1-4任一项所述的基于微波雷达的未知环境多目标检测方法,其特征在于,所述卷积神经网络模型为GoogLeNet。
6.根据权利要求3所述的基于微波雷达的未知环境多目标检测方法,其特征在于,所述步骤2)中滑窗的大小为255-340帧之间,雷达数据每隔2秒更新一次。
7.根据权利要求3所述的基于微波雷达的未知环境多目标检测方法,其特征在于,所述步骤3)中将自适应系数设为不大于1。
8.根据权利要求1所述的基于微波雷达的未知环境多目标检测方法,其特征在于,所述步骤将部分n人与n-1人及n人与0人的典型场景的雷达数据拼接,包括:将数据拼接的数据帧长度设为3秒。
9.基于微波雷达的未知环境多目标检测装置,其特征在于,包括数据采集模块、预处理模块、训练模块和检测模块;
所述数据采集模块,用于分别对多个典型场景用微波雷达采集雷达数据,并将所述雷达数据拆分为训练数据和测试数据;
所述预处理模块,用于对所述训练数据和测试数据分别进行预处理;
所述训练模块,用于将预处理后的所述训练数据和所述测试数据,分别按人数分类,并将对应人数的回波图片进行汇总和随机排序,进行卷积神经网络模型的训练和测试;其中,所述进行卷积神经网络模型的训练和测试之前,还包括:将部分n人与n-1人及n人与0人的典型场景的雷达数据拼接,用于处理瞬时出现多个移动目标及多个移动目标一起离开检测区域的情况,并将所述拼接数据转成RGB图片,作为训练数据或者测试数据,用于所述卷积神经网络模型的训练或测试;
所述检测模块,用于通过训练后的卷积神经网络模型进行未知场景的多目标检测。
说明书 :
基于微波雷达的未知环境多目标检测方法和装置
技术领域
背景技术
环境中。WiFi也可用于检测人数,然而WiFi不能穿墙检测人数,且安全性不稳定,并没有得
到广泛使用。而雷达具有高分辨率、低功耗、抗干扰能力强、可穿透、可在黑暗复杂环境检
测,不会侵犯人们隐私等优点,即则可以克服了以上缺点,从而补偿了摄像头和WiFi检测的
不足。近年来,雷达得到了广泛应用,而雷达的种类也有很多种,包括CW(连续波)雷达、UWB
(微波)雷达,FMCW(调频连续波)雷达,MIMO(多输入多输出)雷达等。
庭,空间较小的地方将较难安装,实施过于复杂。
时调整,对于使用者来说并不方便,且都未能很好的解决现存的问题。例如,中国专利
201510048330.X,公开了一种微波穿墙雷达运动目标一维检测与跟踪的方法,该方法较为
系统的介绍了雷达预处理过程及多目标的跟踪方法,能有效的还原目标移动轨迹,特别地
处理了目标周围地杂波及删除不稳定的航迹,确保目标移动的准确性。但是,该发明提供的
算法只适用于较为理想的数据及后期的静态处理,当环境切换时算法可能不适用,因此不
能用于环境多变及复杂的实时环境。
发明内容
练数据或者测试数据,用于卷积神经网络模型的训练或测试。
景用微波雷达采集雷达数据,基于雷达数据训练卷积神经网络模型,利用卷积神经网络模
型对待检测场景的雷达特征数据进行识别,做到实时检测时的智能场景区分,实现了多个
移动目标在具有典型特点的场景中的识别,可适用于多种不同的场景,场景适应能力更强;
检测的准确性;
情况也能很好地识别和区分。
附图说明
例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图
获得其他的附图。
具体实施方式
明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术
人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
为测试数据,其余场景作为训练数据。训练数据和测试数据的划分有多种实施方式,本发明
不一一列举。
后顺序的必然限定。
所有数据按顺序添加标签,再对每个数据集打乱原有排序,用于卷积神经网络模型的训练
和测试。
片。
室、仓库)数据作为训练集,剩下的一个场景(舞蹈室,即图2中所示的未知场景)作为测试
集,分别经过滑窗法、自适应滤波、阈值法保留动目标轨迹、滤除静态杂波,得到预处理数
据,将部分n人与(n-1)人(n>0)的数据拼接及n人与无人数据拼接用于实时处理时突然出现
多个移动目标及多个移动目标一起离开检测区的情况;并将预处理数据转成RGB图片;之
后,将训练集的预处理数据通过随机场景混合的训练方法将数据随机排序,并用未知的测
试集数据对网络进行验证。保存训练网络的参数,并用于实时系统对人数进行判断及验证。
交通道的回波信号;进一步地,回波功率信号可表示为
其中Npath为多径总数,因此Ri[k]为第i帧数据的k个位置的Npath路回波数据,si表示第i帧原
始回波信号,am表示m个信号簇的幅度,本发明中,m≤4,τm表示第m个信号簇的时延,N[k]表
示第k帧的噪声,mK表示k个位置总数,mK≤93;
(n-1)人的后l帧数据,n人与0人以此类推,用于实时处理时突然出现多个移动目标及多个
移动目标一起离开检测区的情况,并将数据转成RGB图片,用于卷积神经网络训练。
弊端,也表明该方法在不同环境下具有独立的适应能力。
标距离很近且并排走时等多种特殊情况,则雷达回波将会重叠只显示一个人的回波或其他
形状,此时将会误判目标个数。
的环境中检测的技术问题;本发明的检测方法包括雷达信号预处理,滑窗法截取雷达数据,
自适应滤波,阈值法滤除杂波,用GoogLeNet网络结合随机场景混合的训练方法相结合,训
练多个生活当中常见的典型场景,并用来判断未知场景下的人数;通过结合深度学习,对环
境有很好的自适应能力,能够从多个不同的环境中提取出移动目标的共同特性,消除不同
背景的差异性,实现对于常见的场景中人数的判断;可广泛应用于家庭,安防,军事等领域;
测的准确性。
介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质,
该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质
可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的,该计算机
可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁
性存储设备,或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够
被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外,任何连接都可以
适当地称为计算机可读介质。例如,如果使用同轴线缆、光纤线缆、双绞线、数字用户线路
(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件,
则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外先、无线电和微波的无线技术均包括在
介质的定义。如这里所使用的,磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘
(DVD)、软盘、蓝光盘,其中磁盘通常磁性地再现数据,而光盘利用激光光学地再现数据。上
述内容的组合也应当包括在计算机可读介质的范围内。
而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说
明即可。
施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造
性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。