一种基于卷积神经网络的毫米波坐姿检测智慧台灯制造技术

本发明专利技术属于毫米波雷达领域，提出了一种基于卷积神经网络的毫米波坐姿检测智慧台灯，通过雷达发射调频连续波信号，经人体目标产生回波信号，对其进行预处理，合成点云数据。利用预先设定的多种姿态下点云数据制作卷积神经网络模型，检测时将采集到的用户点云数据输入至已训练好的卷积神经网络模型中，与模型中的坐姿特征标签匹配，实现坐姿特征的检测。本发明专利技术能够长时间并且实时检测用户坐姿特征，具有抗干扰能力强、成本低的优点，也保证了检测时用户的自由度，保护了用户的隐私，能够带给用户良好的使用体验。良好的使用体验。良好的使用体验。

【技术实现步骤摘要】
一种基于卷积神经网络的毫米波坐姿检测智慧台灯


[0001]本申请涉及毫米波雷达领域，特别是一种基于卷积神经网络的毫米波坐姿检测智慧台灯。

技术介绍

[0002]由于青少年课业负担过重，学习时间越来越长，在学习时采用不正确的坐姿所导致的身体疾病和视力问题也越来越严重与普遍，例如驼背、颈椎病、腰椎肌肉损伤、近视等，都会给青少年带来不同程度的伤害。因此，为保护青少年视力及促进身体健康，对青少年学习时的坐姿进行实时检测是一项重要的研究课题。
[0003]随着青少年夜晚学习时间的增加，台灯也成为了不可或缺的学习用品，越来越多的附加功能也出现在了台灯上，除了基本的照明，多功能智慧台灯层出不穷。合理的利用台灯，将坐姿检测与智慧台灯相结合，将是降低身体不适的一大助力。现有智慧台灯的坐姿检测主要通过红外和摄像头实现，检测结果准确性较高，但是成本也较高，易受到环境影响，并且采用摄像头检测可能会侵犯到用户隐私。
[0004]基于上述问题，本专利技术提出一种基于卷积神经网络的毫米波坐姿检测智慧台灯，能够实时检测用户坐姿状态，抗干扰能力强，也保护了用户隐私。

技术实现思路

[0005]本专利技术的目的在于提出一种基于卷积神经网络的毫米波坐姿检测智慧台灯，将毫米波雷达置于台灯中，利用毫米波雷达获得人体坐姿状态点云数据，通过卷积神经网络提取点云数据特征，进而对坐姿状态作出判断。
[0006]实现本专利技术的技术解决方案为：一种基于卷积神经网络的毫米波坐姿检测方法，包括以下步骤：
[0007]步骤一、将毫米波雷达置于台灯中，通过雷达获取人体目标回波信号，对人体目标回波信号进行预处理，将所述人体目标回波信号处理后输入事先训练好的特征提取网络模型，提取出坐姿特征。
[0008]步骤二、所述人体目标回波信号，包括：人体目标距离、速度以及角度信息。
[0009]步骤三、所述对人体目标回波信号进行预处理具体包括以下步骤：
[0010]1)对中频信号执行快速傅立叶变换(FFT)以获取Range曲线；
[0011]2)确定目标的距离范围，对目标信号执行多普勒维FFT，获取距离—速度二维FFT频谱图；
[0012]3)对目标信号执行角度维FFT，获取距离—角度二维FFT频谱图；
[0013]4)将上述的距离—速度二维FFT频谱图和距离—角度二维FFT频谱图合成点云数据；
[0014]5)将所述点云数据坐标变换成三维坐标显示。
[0015]步骤四、所述获取距离—速度二维FFT频谱图，使用前后相邻帧相减的方法，滤除
室内静态目标，获取距离—速度二维FFT频谱图。
[0016]步骤五、将多种姿态下三维坐标作为卷积神经网络的输入，进行卷积神经网络训练。
[0017]步骤六、所述卷积神经网络训练包括如下步骤：
[0018]1)采集多组训练样本，每一组样本包括多个相同坐姿对应的用户姿态特征；
[0019]2)所述训练样本组别分别标定对应的标签，用以分类不同的坐姿；
[0020]3)将所述训练样本录入至模型进行训练，即生成卷积神经网络模型。
[0021]步骤七、将所述三维坐标转换为图片格式，输入至所述训练好的卷积神经网络，所述坐姿检测模型能够判断出与该用户姿态特征匹配的组别标签，即实现坐姿的分类。
[0022]有益效果：与现有技术相比，本专利技术的技术方案具有以下有益技术效果：
[0023]本专利技术实现了一种基于卷积神经网络的毫米波坐姿检测智慧台灯，是对现有坐姿检测台灯的一次创新。基于卷积神经网络的毫米波坐姿识别结果更具准确性。
[0024]此外，将毫米波雷达应用于坐姿检测，充分发挥了雷达抗干扰、体积小、精度高的优点。
[0025]此外，将毫米波雷达与台灯相结合，成本较低，使用便利，容易操作。
[0026]此外，提供了一种非接触式的检测方法，相较于红外或摄像头的检测方法，大大提高了测量的自由度并保护了用户隐私。
[0027]此外，为台灯的坐姿检测提供一种思路，后续可以不断提高精度和扩展功能，使台灯的功能更完善，检测结果准确性更高。
附图说明
[0028]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0029]图1是本专利技术提供的智慧台灯示意图；
[0030]图2是本专利技术提供的基于卷积神经网络的毫米波坐姿检测流程示意图；
[0031]图3是本专利技术提供的目标回波信号处理流程示意图。
具体实施方式
[0032]以下描述中，为了说明，但不限于此，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。
[0033]下面结合实施例和说明书附图对本专利技术做进一步说明。
[0034]实施例1
[0035]一种基于毫米波雷达结合卷积神经网络的坐姿检测智慧台灯，坐姿检测流程如图1所述，包括步骤如下：
[0036]1)雷达采集数据：将雷达置于台灯中，利用雷达发射调频连续波对人体目标进行
非接触式信息采集；
[0037]雷达是指调频连续波雷达，利用线性调频技术发射调频连续波；
[0038]2)回波信号处理：对人体目标回波信号进行预处理，获取人体目标距离、速度和角度信息，生成距离—速度频谱图和距离—角度频谱图，合成点云数据；
[0039]3)提取目标特征：对比不同坐姿下点云数据的差异性并完成标定，标定出不同坐姿下的显著差异特征；
[0040]4)制作数据集、测试集：将所述点云数据变换成三维坐标显示，将三维坐标内点云数据以图片形式制作数据集，采集多组数据集作为训练集、测试集，每一组训练集、测试集包括多个相同坐姿对应的用户姿态特征。所述训练集分别标有对应的标签，用以分类不同的坐姿；
[0041]5)坐姿识别、神经网络性能分析及调整：将所述训练集录入至一模型进行训练，通过测试集将得到的坐姿特征与特征组别标签匹配，输出对应的组别标签，测试网络准确性，根据所得结果进行调整，完成坐姿的分类。
[0042]实施例2
[0043]一种基于毫米波雷达结合卷积神经网络的坐姿检测智慧台灯，目标回波信号处理流程如图2所述，包括步骤如下：
[0044]1)回波数据解析：将雷达回波逐帧解析，对雷达原始数据每个天线维度上的chirp完成数据提取，以复数形式显示；
[0045]2)距离维FFT：对中频信号做FFT运算后，在频谱图上找到最大值，该最大值就是目标所在位置，但是此时横轴为采样点，将横轴转化为距离，得到目标距离；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的毫米波坐姿检测智慧台灯，其特征在于，包括以下步骤：步骤1：通过毫米波雷达获取人体目标回波信息，将所述人体目标回波信息进行预处理，得到目标距离、目标速度以及目标角度信息。步骤2：将所述目标距离、目标速度和目标角度信息合成点云数据，并将所述点云数据输入至预先训练好的特征提取网络，提取坐姿特征。步骤3：将所述坐姿特征输入至卷积神经网络模型中，与模型中已有坐姿特征匹配，实现坐姿特征的分类。2.根据权利要求1所述的通过毫米波雷达获取人体目标回波信息，将所述人体目标回波信息进行预处理，得到目标距离、目标速度以及目标角度信息，其特征在于，包括以下步骤：步骤1：利用调频连续波雷达获取信号，对原始人体目标回波信号进行低通滤波，滤除原始人体目标回波信号中的噪声信号。步骤2：将滤波后的信号采样，再进行模数转换，得到人体目标回波的数字信号。步骤3：对所述人体目标回波信号执行快速傅里叶变换，即距离维FFT，获取Range曲线，即目标距离信息。步骤4：确定目标的距离范围，对所述人体目标回波信号执行多普勒维FFT，获取目标速度信息。步骤5：对所述人体目标回波信号执行角度维FFT，获取目标角度信息。3.根据权利要求1所述的目标距离信息、速度信息以及角度信息合成点云数据，其特征在于，包括以...

【专利技术属性】
技术研发人员：李兴广，王冉，王鑫磊，刘帅，崔炜，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：