本发明属于雷达技术领域，公开了复杂室内场景下毫米波雷达的人体生命体征检测方法，包括：根据样本数据对分类器进行训练；对毫米波雷达回波信号进行ADC数据采集，得到采样数据后进行FFT处理、静态杂波滤除以及CFAR与DOA估计，得到点云数据；对点云数据进行多普勒变换与特征提取，滤除运动幅度大的动点；对点云连续N帧的信号提取相位信息，估测呼吸与心跳频率；对连续N帧的点云信号进行特征提取；将提取后的特征输入至分类器中进行预测；输出场景内检测的人体目标呼吸心跳数据。本发明对杂波以及散射干扰的分类，并输出人体目标的生命体征检测结果；可排除场景内运动幅度大以及静态干扰项，保证检测稳定。
1.复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，包括以下步骤：S1：根据已有的样本数据对KNN分类器进行训练，得到误差最小的K值；
S2：对毫米波雷达回波信号进行ADC数据采集，得到采样数据；
S3：对采样数据进行FFT处理以及静态杂波滤除以及CFAR与DOA估计，得到点云数据；
S4：对点云数据进行多普勒变换与特征提取，滤除运动幅度设定阈值的动点；
S5：对连续N帧的S4步骤处理后的点云信号提取相位信息，并构建相差序列，估测呼吸与心跳频率；
S6：对连续N帧的S4步骤处理后的点云信号进行特征提取；
S7：将提取后的特征输入至训练好的KNN分类器中进行预测；
S8：对预测结果进行后处理，输出场景内检测的人体目标呼吸心跳数据；
S41：对选中的点云，设其距离单元为a，进行FFT变换；变换后的多普勒能量序列为Sa(k)；
S42：根据设定的多普勒能量阈值，获取最大最小频率 频谱的展宽与标准差根据设定的频率阈值ft以及标准差阈值fst，当 或者且 时，判断该点为运动点，其中abs()为取绝对值操作；
S43：当该点的多普勒特征不满足步骤S42条件时，对连续N帧的该点信号提取距离相上的信息，则连续N帧的能量序列为 其和与方差分别为：S44：根据设定的能量阈值Rt和标准差阈值Rst，当 且 时，判断该点为运动点。
2.根据权利要求1所述的复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，步骤S1中KNN分类器的训练过程如下：S11：按照比例将样本分为训练样本与标签样本，其中训练与标签样本比例为M，样本标签分为人和非人干扰项；
3.根据权利要求1所述的复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，步骤S5中对呼吸心跳的估测步骤如下：S51：选取点的距离单元为a，连续N帧的相位信息为 对其进行解卷绕后，其相位序列为 相差序列为其中 ，解卷 绕操作为 ：当 时 当 时S52：构建两个带通滤波器fitler1和fitler2，滤波器类型为巴特沃斯滤波器，处理后的心跳和呼吸信号分别为 和S53：利用SG分解分别处理呼吸与心跳信号，处理后呼吸信号为 心跳信号为其中，SG分解操作为 f(n)为平滑后信号序列第n点的值，2m+1为平滑窗长度，ci为信号序列s(n)在平滑窗里的权重；
S54：对呼吸和心跳信号序列进行FFT变换，获得变换后的信号序列为 和FFT变换后的峰值对应频率为呼吸与心跳的第一估计值 和对未进行变换的呼吸心跳序列进行峰值计数，其计数结果为呼吸和心跳估算的第二估计值 和S55：针对N帧的时间序列与滞后系数k，分别计算呼吸心跳两个估计值的自相关系数，第一估计值为 和 第二估计值为 和其中自相关系数计算方式为
S56：根据呼吸心跳的自相关系数，利用加权公式分别计算当前帧a点呼吸和心跳的估计值 和 其中加权公式为：N为N帧时间序列，k为滞后系数， 分别为第i帧的呼吸第一第二估计值及其自相关系数； 分别为第i帧的心跳第一第二估计值及其自相关系数。
4.根据权利要求1所述的复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，步骤S6中提取的特征步骤如下：S61：提取该点的点云特征；
5.根据权利要求4所述的复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，提取该点的点云特征包括以下步骤：S611：根据选取包络单元范围，计算包络范围内的点云距离方位质心其中ri为距离序列，θi和 为距离序列下，在角度能量谱上最大值对应的角度单元，a为提取点距离单元，点包络的单元范围为2b+1；
S612：当前点云的多普勒能量上下包络特征是目标点的多普勒能量；
S614：对连续N帧的该点信号提取距离相上的信息，则连续N帧的能量序列为 其和与方差分别为：
6.根据权利要求4所述的复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，提取该点的微动特征的步骤如下：S621：提取该点呼吸与心跳的第一估计值 和 以及呼吸和心跳估算的第二估计值和S622：基于步骤S5中的第S54步，提取该点呼吸心跳两个估计值的自相关系数，分别为和 和S623：提取该点呼吸心跳估计值在时间窗范围N内的均值 与标准差
7.根据权利要求1所述的复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，步骤S7中KNN分类器运算过程如下：S71：得到步骤S5中提取的目标特征向量，输入向量为：A＝(a1…an)S72：计算输入特征向量与样本库向量之间的马氏距离cov(A,B)为向量A、B的协方差矩阵，其中向量A的第i个元素与向量B的第j个元素之间的协方差为covij＝cov(Ai,Bj)＝E[(Ai‑μi)(Bj‑μj)]，A、B分别为特征向量和样本库向量，E(a)为元素a的期望，μi和μj为特征向量内第i个和第j个特征的均值；
S73：根据K值选取距离最近的K个样本，并对标签数量进行统计；
8.根据权利要求1所述的复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，步骤S8中后处理与预测步骤如下：S81：将所有目标与预测结果输入至后处理器中，并根据预测结果进行帧数累积，设定HC为该目标判定为人的帧数，NC为该目标判定为非人目标的帧数；当前帧目标为人时，HC+
1，NC‑1，目标为非人时则相反，同时，记录到当前帧为止，分类器连续判定为人的帧数S；
S82：计算目标的独立性，独立性由目标间的距离最小值来表征， 设定阈值为u0，当u
S83：得出当前帧该目标的预测结果，并进行滑窗判定，HC＝NC或S/HC>＝0.5时，目标判定为人；
S84：对判定为人的目标，基于其呼吸心跳的估计值 和 对其进行N帧滑窗处理，估算其呼吸心跳的平均值 和方差
当 时，输出呼吸频率 反之则输出上一帧该点呼吸频率估计值；当方差时 输出心率 反之则输出上一帧该点心率估计值。
复杂室内场景下毫米波雷达的人体生命体征检测方法
技术领域
[0001] 本发明属于雷达技术领域，尤其涉及复杂室内场景下毫米波雷达的人体生命体征检测方法。
背景技术
[0002] 随着社会与科技的发展，对人体生命活动的监测需求也不断扩大。生命体征参数是监测人体生命活动是否正常的主要依据，呼吸和心跳是最直接反应生命体征的参数。检测人体的呼吸以及心跳，常用的检测技术有接触式和非接触式两种。传统的接触式生命体征探测仪使用场景有限，操作复杂，且舒适度差。基于多普勒效应的雷达探测仪尺寸庞大，发射功率高，辐射较强，无法适用于室内场景。毫米波雷达具有环境适应性好、抗干扰能力强、测量精度高，可全天时全天候监控，在一定程度上具有隐私保护等优点，使其具有了较多应用场景。然而，由于呼吸心跳为微动特征，在室内这一复杂场景下，容易被其他目标所干扰，难以分离出合适的信号与特征，检测效果较差。
发明内容
[0003] 有鉴于此，本发明提出一种复杂场景下毫米波雷达生命体征检测方法。雷达对接收到的回波信号进行距离FFT处理，并进行静态杂波滤除与CFAR，以筛出运动和微动点。对动点进行多普勒FFT变换，滤除运动幅度较大的动点。对剩余微动点构建相位差值序列，并进行分解获得其生命体征相关参数。将生命体征相关参数输入至KNN分类器，在分类器中，根据样本库计算特征向量的归一化距离，并依照设定的K值得到分类的预测值。最后在后处理器中处理预测值，依据目标的历史分类结果，得到最终的分类结果，以区分杂波以及散射干扰项与人体。并根据分类结果输出场景内的生命体征检测结果。本专利通过对场景内进行静态杂波滤除以及多普勒能量分类以过滤静态干扰点与动态干扰点。构建相位差值序列以得到生命体征的有关特征。通过对特征进行KNN分类器分类，以区分人体目标和杂波以及散射点，实现对人体目标的准确选择，提高了生命体征检测的稳定性与可靠性。使得毫米波雷达在室内复杂场景下，可以准确测量出人体的呼吸与心跳。
[0004] 具体的，本发明公开的复杂室内场景下毫米波雷达的人体生命体征检测方法，包括以下步骤：
[0005] S1：根据已有的样本数据对KNN分类器进行训练，得到较好的K值；
[0006] S2：对毫米波雷达回波信号进行ADC数据采集，得到采样数据；
[0007] S3：对采样数据进行FFT处理以及静态杂波滤除以及CFAR与DOA估计，得到点云数据；
[0008] S4：对点云数据进行多普勒变换与特征提取，滤除运动幅度较大的动点；
[0009] S5：对连续N帧的点云信号提取相位信息，并构建相差序列，估测呼吸与心跳频率；
[0010] S6：对连续N帧的点云信号进行特征提取；
[0011] S7：将提取后的特征输入至训练好的KNN分类器中进行预测；
[0012] S8：对预测结果进行后处理，输出场景内检测的人体目标呼吸心跳数据。
[0013] 进一步的，步骤S1中KNN训练过程如下：
[0014] S11：按照比例将样本分为训练样本与标签样本，其中训练与标签样本比例为M，样本标签分为两类，人、非人干扰项；
[0015] S12：将K值从小到大进行训练，以比较其误差率；
[0016] S13：重复M次；
[0017] S14：选取误差最小的结果为预测用的K值。
[0018] 进一步的，步骤S4中动点滤除的过程如下：
[0019] S41：对选中的点云，设其距离单元为a，进行FFT变换；变换后的多普勒能量序列为Sa(k)；
[0020] S42：根据设定的多普勒能量阈值，获取最大最小频率 、 ，频谱的展宽与标准差 、 ，根据设定的频率阈值fp以及标准差阈值fst，当 或者且 时，判断该点为运动点，其中abs()为取绝对值操作；
[0021] S43：当该点的多普勒特征不满足步骤S42条件时，对连续N帧的该点信号提取距离相上的信息，则连续N帧的能量序列为 ，其和与方差分别为： 、；
[0022] S44：根据设定的能量阈值Rt和标准差阈值Rst，当 且 时，判断该点为运动点。
[0023] 进一步的，步骤S5中对呼吸心跳的估测步骤如下：
[0024] S51：选取点的距离单元为a，连续N帧的相位信息为 ，对其进行解卷绕后，其相位序列为 ，相差序列为 ，
[0025] 其 中 ，解 卷 绕 操 作 为 ：当 时 ，当时 ；
[0026] S52：构建两个带通滤波器fitler1和fitler2，滤波器类型为巴特沃斯滤波器，处理后的心跳和呼吸信号分别为 和 ；
[0027] S53：利用SG分解分别处理呼吸与心跳信号，处理后呼吸信号为 ，心跳信号为 ；
[0028] 其中，SG分解操作为 ，f(n)为平滑后信号序列第n点的值，2m+1为平滑窗长度，ci为信号序列s(n)在平滑窗里的权重；
[0029] S54：对呼吸和心跳信号序列进行FFT变换，获得变换后的信号序列为和 ，FFT变换后的峰值对应频率为呼吸与心跳的第一估计值和 ；
[0030] 对未进行变换的呼吸心跳序列进行峰值计数，其计数结果为呼吸和心跳估算的第二估计值 和 ；
[0031] S55：针对N帧的时间序列与滞后系数k，分别计算呼吸心跳两个估计值的自相关系数，第一估计值为 和 ，第二估计值为 和 ，
[0032] 其中自相关系数计算方式为
[0033]
[0034] 为平均值， 为样本点；
[0035] S56：根据呼吸心跳的自相关系数，利用加权公式分别计算当前帧a点呼吸和心跳的估计值 和 ，其中加权公式为：
[0036] ，
[0037]
[0038] N为N帧时间序列，k为滞后系数， 、 、 、 分别为第i帧的呼吸第一、第二估计值及其自相关系数； 、 、 、 分别为第i帧的心跳第一、第二估计值及其自相关系数。
[0039] 进一步的，步骤S6中提取的特征步骤如下：
[0040] S61：提取该点的点云特征；
[0041] S62：提取该点的微动特征。
[0042] 进一步的，提取该点的点云特征包括以下步骤：
[0043] S611：根据选取包络单元范围，计算包络范围内的点云距离方位质心[0044] ，
[0045] 其中ri为距离序列， 和 为距离序列下，在角度能量谱上最大值对应的角度单元，a为提取点距离单元，点包络的单元范围为2b+1；
[0046] S612：当前点云的多普勒能量上下包络特征
[0047] ，
[0048]
[0049] 是目标点的多普勒能量；
[0050] S613：当前点云的距离多普勒质心
[0051]
[0052] S614：对连续N帧的该点信号提取距离相上的信息，则连续N帧的能量序列为 ，其和与方差分别为：
[0053]
[0054] 。
[0055] 进一步的，提取该点的微动特征的步骤如下：
[0056] S621：提取该点呼吸与心跳的第一估计值 和 ，以及呼吸和心跳估算的第二估计值 和 ；
[0057] S622：基于步骤S5中的第S54步，提取该点呼吸心跳两个估计值的自相关系数，分别为 和 ， 和 ；
[0058] S623：提取该点呼吸心跳估计值在时间窗范围N内的均值 、 、 、 与标准差 、 、 、 。
[0059] 进一步的，步骤S7中KNN分类器运算过程如下
[0060] S71：得到步骤S5中提取的目标特征向量，输入向量为：A=(a1…an)
[0061] S72：计算输入特征向量与样本库向量之间的马氏距离
[0062] ，
[0063] cov(A,B)为向量A、B的协方差矩阵，其中向量A的第i个元素与向量B的第j个元素之间的协方差为 ，A、B分别为特征向量和样本库向量，E(a)为元素a的期望， 和 为特征向量内第i个和第j个特征的均值；
[0064] S73：根据K值选取距离最近的K个样本，并对标签数量进行统计；
[0065] S74：输出数量最大的标签为预测的分类结果。
[0066] 进一步的，步骤S8中后处理与预测步骤如下：
[0067] S81：将所有目标与预测结果输入至后处理器中，并根据预测结果进行帧数累积，设定HC为该目标判定为人的帧数，NC为该目标判定为非人目标的帧数；当前帧目标为人时，HC+1，NC‑1，目标为非人时则相反，同时，记录到当前帧为止，分类器连续判定为人的帧数S；
[0068] S82：计算目标的独立性，独立性由目标间的距离最小值来表征，
[0069] ，设定阈值为u0，当u
[0070] S83：得出当前帧该目标的预测结果，并进行滑窗判定，HC=NC或S/HC>=0.5时，目标判定为人；
[0071] S84：对判定为人的目标，基于其呼吸心跳的估计值 和 ，对其进行N帧滑窗处理，估算其呼吸心跳的平均值 、 和方差 、 ，
[0072] 当 时，输出呼吸频率 ，反之则输出上一帧该点呼吸频率估计值；当方差时 ，输出心率 ，反之则输出上一帧该点心率估计值。
[0073] 相对于现有技术，本发明的有益效果如下：
[0074] 基于目标的相关特征，基于KNN算法得出目标的分类信息，实现对杂波以及散射干扰的分类，并输出人体目标的生命体征检测结果；
[0075] 基于毫米波雷达进行静态杂波滤除，滤除场景内的静态干扰点；进行多普勒变换，根据点云特征滤除大幅度运动干扰点。以排除场景内运动幅度较大以及静态干扰项，提高检测的稳定性；
[0076] 对微动点构建相位差值序列，得到呼吸心跳相关特征与预测值。
附图说明
[0077] 图1本发明生命体征检测方法流程图；
[0078] 图2呼吸与心率估测流程图；
[0079] 图3雷达软件结构图。
具体实施方式
[0080] 下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。
[0081] 毫米波雷达具有稳定的探测性能与良好的环境适应性，结构简单、发射功率低、分辨率与灵敏度高、雷达尺寸小，可全天时全天候监控，在一定程度上具有隐私保护等优点。本发明利用静态杂波滤除以及点云特征排除室内场景中的运动目标与静态目标对微动信息的干扰，对微动目标构建相位差值序列，得到呼吸心跳的相关特征与预测值，利用KNN算法对微动点进行分类，将人体目标与杂波散射点分离，提高生命体征检测的稳定性与可靠性。具体包括以下步骤：
[0082] S1.根据已有的样本数据对KNN分类器进行训练，得到较好的K值。
[0083] 其中KNN训练过程如下：
[0084] S11：按照比例将样本分为训练样本与标签样本，其中训练与标签样本比例为N；样本标签分为两类，人、非人干扰项；
[0085] S12：以一个较小的K值从小到大进行训练，以比较其误差率；
[0086] S13：重复N次；
[0087] S14：选取误差最小的结果为预测用的K值。
[0088] S2：对毫米波雷达回波信号进行ADC数据采集，得到采样数据。
[0089] S3：对采样数据进行FFT处理以及静态杂波滤除以及CFAR与DOA估计，得到点云数据。
[0090] S4：对点云数据进行多普勒变换与特征提取，滤除运动幅度较大的动点。
[0091] 其中对动点滤除的过程如下：
[0092] S41选中的点云，设其距离单元为a，进行FFT变换。变换后的多普勒能量序列为Sa(k)。
[0093] S42根据设定的多普勒能量阈值, 获取最大最小频率 、 ，频谱的展宽与标准差 、 。
[0094] 根据设定的频率阈值fp以及标准差阈值fst，当 或者且 时，判断该点为运动点，其中abs()为取绝对值操作。
[0095] S43：当该点的多普勒特征不满足以上条件时，对连续N帧的该点信号提取距离相上的信息，则连续N帧的能量序列为 ，其和与方差分别为： 、。
[0096] S44：根据设定的能量阈值Rt和标准差阈值Rst，当 且 时，判断该点为运动点。
[0097] S5.对连续N帧的点云信号提取相位信息，并构建相差序列，估测呼吸与心跳频率。
[0098] 其中对呼吸和心跳频率的估测步骤如下：
[0099] S51：选取点的距离单元为a，连续N帧的相位信息为 ，对其进行解卷绕后，其相位序列为 ，相差序列为 ，
[0100] 其 中 ，解 卷 绕 操 作 为 ：当 时 ，当时 。
[0101] S52：构建两个带通滤波器fitler1和fitler2，滤波器类型为巴特沃斯滤波器，其带通频率分别0.1到0.5hz，0.8‑4.0hz，阶数分别为4阶和8阶，处理后的心跳和呼吸信号分别为 和 。
[0102] S53：利用SG分解分别处理呼吸与心跳信号，处理后呼吸信号为 ，心跳信号为 ；
[0103] 其中，SG分解操作为 ，f(n)为平滑后信号序列第n点的值，2m+1为平滑窗长度，ci为信号序列s(n)在平滑窗里的权重。
[0104] S54：对呼吸和心跳信号序列进行FFT变换，获得变换后的信号序列为和 ，FFT变换后的峰值对应频率为呼吸与心跳的第一估计值和 ；对未进行变换的呼吸心跳序列进行峰值计数，其计数结果为呼吸和心跳估算的第二估计值 和 。
[0105] S55：针对N帧的时间序列与滞后系数k，分别计算呼吸心跳两个估计值的自相关系数，第一估计值为 和 ，第二估计值为 和 ，
[0106] 其中自相关系数计算方式为
[0107]
[0108] 为平均值， 为样本点。
[0109] S56：根据呼吸心跳的自相关系数，利用加权公式分别计算当前帧a点呼吸和心跳的估计值 和 ，其中加权公式为：
[0110] ，
[0111]
[0112] N为N帧时间序列，k为滞后系数， 、 、 、 分别为第i帧的呼吸第一、第二估计值及其自相关系数； 、 、 、 分别为第i帧的心跳第一、第二估计值及其自相关系数。
[0113] S6：对连续N帧的点云信号进行特征提取。
[0114] 提取特征的步骤如下：
[0115] 设提取点距离单元为a，点包络的单元范围为2b+1，时间序列长度为N，[0116] S61：提取该点的点云特征，包括以下步骤：
[0117] S611：根据选取包络单元范围，计算包络范围内的点云距离方位质心[0118] ，
[0119] 其中ri为距离序列， 和 为距离序列下，在角度能量谱上最大值对应的角度单元，a为提取点距离单元，点包络的单元范围为2b+1。
[0120] S612当前点云的多普勒能量上下包络特征
[0121] ，
[0122]
[0123] 是目标点的多普勒能量。
[0124] S613：当前点云的距离多普勒质心 。
[0125] S614：对连续N帧的该点信号提取距离相上的信息。则连续N帧的能量序列为 ，其和与方差分别为：
[0126]
[0127] 。
[0128] S62：提取该点的微动特征，包括以下步骤：
[0129] S621：提取该点呼吸与心跳的第一估计值 和 ，以及呼吸和心跳估算的第二估计值 和 。
[0130] S622：基于步骤S5中的第S54步，提取该点呼吸心跳两个估计值的自相关系数，分别为 和 ， 和 。
[0131] S623：提取该点呼吸心跳估计值在时间窗范围N内的均值 、 、 、 与标准差 、 、 、 。
[0132] S7.将提取后的特征输入至训练好的KNN分类器中进行预测。
[0133] 其中KNN分类器运算过程如下：
[0134] S71：得到步骤S5中提取的目标特征向量，输入向量为：A=(a1…an) 。
[0135] S72：计算输入特征向量与样本库向量之间的马氏距离
[0136] ，
[0137] cov(A,B)为向量A、B的协方差矩阵，其中向量A的第i个元素与向量B的第j个元素之间的协方差为 ，A、B分别为特征向量和样本库向量，E(a)为元素a的期望， 和 为特征向量内第i个和第j个特征的均值。
[0138] S73：根据K值选取距离最近的K个样本，并对标签数量进行统计。
[0139] S74：输出数量最大的标签为预测的分类结果。
[0140] S8：对预测结果进行后处理，输出场景内检测的人体目标呼吸心跳数据。
[0141] 后处理与预测步骤如下
[0142] S81：将所有目标与预测结果输入至后处理器中，并根据预测结果进行帧数累积，设定HC为该目标判定为人的帧数，NC为该目标判定为非人目标的帧数；当前帧目标为人时，HC+1，NC‑1，目标为非人时则相反，同时，记录到当前帧为止，分类器连续判定为人的帧数S。
[0143] S82：计算目标的独立性，独立性由目标间的距离最小值来表征，
[0144] ，
[0145] 设定阈值为u0，当u
[0146] S83：得出当前帧该目标的预测结果，并进行滑窗判定，HC=NC或S/HC>=0.5时，目标判定为人。
[0147] S84：对判定为人的目标，基于其呼吸心跳的估计值 和 ，对其进行N帧滑窗处理，估算其呼吸心跳的平均值 、 和方差 、 ，
[0148] 当 时，输出呼吸频率 ，反之则输出上一帧该点呼吸频率估计值；当方差时 ，输出心率 ，反之则输出上一帧该点心率估计值。
[0149] 如图3所示，本发明还公开了一种毫米波雷达，包括：
[0150] 回波处理模块，对毫米波雷达回波信号进行ADC数据采集，得到采样数据；
[0151] DSP处理模块，对采样数据进行FFT处理以及静态杂波滤除以及CFAR与DOA估计，得到点云数据；
[0152] 点云信号处理模块，对点云数据进行多普勒变换与特征提取，滤除运动幅度设定阈值的动点；
[0153] 呼吸心跳估测模块，对连续N帧的点云信号提取相位信息，并构建相差序列，估测呼吸与心跳频率；
[0154] 特征提取模块，对连续N帧的点云信号进行特征提取
[0155] 分类模块和后处理模块，将提取后的特征输入至训练好的KNN分类器中进行预测，对预测结果进行后处理；
[0156] 结果输出模块，输出场景内检测的人体目标呼吸心跳数据。
[0157] 相对于现有技术，本发明的有益效果如下：
[0158] 基于目标的相关特征，基于KNN算法得出目标的分类信息，实现对杂波以及散射干扰的分类，并输出人体目标的生命体征检测结果；
[0159] 基于毫米波雷达进行静态杂波滤除，滤除场景内的静态干扰点；进行多普勒变换，根据点云特征滤除大幅度运动干扰点。以排除场景内运动幅度较大以及静态干扰项，提高检测的稳定性；
[0160] 对微动点构建相位差值序列，得到呼吸心跳相关特征与预测值。
[0161] 本文所使用的词语“优选的”意指用作实例、示例或例证。本文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反，词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即，除非另外指定或从上下文中清楚，“X使用A或B”意指自然包括排列的任意一个。即，如果X使用A；X使用B；或X使用A和B二者，则“X使用A或B”在前述任一示例中得到满足。
[0162] 而且，尽管已经相对于一个或实现方式示出并描述了本公开，但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型，并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件等)执行的各种功能，用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示)，即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外，尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开，但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且，就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言，这样的术语旨在以与术语“包含”相似的方式包括。
[0163] 本发明实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以多个或多个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。上述的各装置或系统，可以执行相应方法实施例中的存储方法。
[0164] 综上所述，上述实施例为本发明的一种实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
