一种基于毫米波4D雷达的人脸识别方法技术

本发明专利技术揭示了一种基于毫米波4D雷达的人脸识别方法，包括：毫米波4D雷达采集人脸的原始数据；所述毫米波4D雷达将所采集到的所述原始数据传到上位机进行目标点云数据提取，生成四维的向量图；所述上位机将所述向量图输入深度学习网络中进行训练，生成针对所述人脸部分的识别模型。本发明专利技术是利用毫米波4D雷达采集数据，具备高角度分辨率的特性，能够在整个探测范围内得到更多的点云数据，并且不受限于环境中的光线，能够将数据类别更准确地识别出来。能够将数据类别更准确地识别出来。能够将数据类别更准确地识别出来。

【技术实现步骤摘要】
一种基于毫米波4D雷达的人脸识别方法


[0001]本专利技术涉及人脸识别
，特别是涉及一种基于毫米波4D雷达的人脸识别方法。

技术介绍

[0002]随着现有的人脸识别大都是基于摄像头获得的图像数据，应用深度学习技术实现识别，其技术已经比较成熟，在人民生活中也得到了较多的应用，其应用场景大多是实现照片与实时人脸的比对识别。
[0003]现有的人脸识别技术受限于环境中的光线，当光照条件较差时识别准确度会下降；且实时的摄像头拍摄会保留设备周边环境的可视化信息以及用户的实际相貌，这些数据可以反映用户的部分信息，是一种隐私数据，当系统的安全性不强时，存在个人数据泄漏的风险。

技术实现思路

[0004]本专利技术的目的在于提出一种基于毫米波4D雷达的人脸识别方法，可以利用毫米波4D雷达采集数据，能够精准的将需要的数据类别较好地识别出来，并且探测效果不会受到环境光照的影响。
[0005]为解决上述技术问题，本专利技术提供一种基于毫米波4D雷达的人脸识别方法，包括：
[0006]毫米波4D雷达采集人脸的原始数据；
[0007]所述毫米波4D雷达将所采集到的所述原始数据传到上位机进行目标点云数据提取，生成四维的向量图；
[0008]所述上位机将所述向量图输入深度学习网络中进行训练，生成针对所述人脸部分的识别模型。
[0009]进一步的，在所述毫米波4D雷达采集人脸的所述原始数据中，包括：对所述毫米波4D雷达进行参数配置后，启动所述毫米波4D雷达得到对应的所述原始数据。
[0010]进一步的，在所述毫米波4D雷达将所采集到的所述原始数据传到所述上位机进行所述目标点云数据提取，生成四维的向量图中，包括：
[0011]依据所述参数，以雷达帧为单位，对所述原始数据进行排列，以数据帧为单位生成雷达数据矩阵；
[0012]对所述雷达数据矩阵做二维傅里叶变换得到距离多普勒谱，获得目标点的距离以及信号强度；
[0013]对所有通道的所述距离多普勒谱的数据做非相干积累并且进行二维恒虚警检测，提取出所述距离多普勒谱中信号的极大值；
[0014]记录所述极大值在距离域上的索引后，在天线通道维度上做波达方向定位进行目标方位角计算，获得方位角和俯仰角；
[0015]依据所述目标点的距离、方位角、俯仰角以及信号强度生成四维的向量图。
[0016]进一步的，在所述生成所述雷达数据矩阵之后，在所述对雷达数据矩阵做二维傅里叶变换得到距离多普勒谱之前，还包括：
[0017]进行雷达通道校验得到校验数据。
[0018]进一步的，所述非相干积累包括：将得到的数据在Az维度和El维度的对应数据求绝对值后求和。
[0019]进一步的，所述获得方位角和俯仰角的过程包括：
[0020]所述极大值所在的单元为所述目标点，使用CFAR
‑
SO算法对所述目标点进行筛选，得到所述目标点对应的距离坐标和速度坐标；
[0021]返回所述雷达数据矩阵中的方位角维度和俯仰角维度中，根据所述距离坐标和速度坐标，在所述雷达数据矩阵中取出所述目标点对应的方位角维度和所述俯仰角维度的数据；
[0022]对所述方位角维度和所述俯仰角维度分别做二维傅里叶变换，得到所述目标点的所述方位角和所述俯仰角。
[0023]进一步的，所述目标点云数据是以雷达为中心的球坐标系分布数据，并通过球坐标系
‑
直角坐标转换而得到所述目标点在直角坐标系下的分布。
[0024]进一步的，所述毫米波4D雷达配置的所述参数包括：
[0025]距离分辨率Rres，速度分辨率Vres，雷达可视范围水平方位AzFOV，雷达可视范围俯仰方位ElFOV。
[0026]进一步的，在所述上位机将所述向量图输入深度学习网络中进行训练的步骤中，先将所述目标点云数据构造成对应的图像输入网络。
[0027]进一步的，所述构造的方法包括：将一帧目标点云数据按照幅值大小为顺序构造图片数据。
[0028]进一步的，所述深度学习网络包括三层特征提取网络和辅助网络；所述特征提取网络包括卷积层、激活函数以及Dropout网络；所述辅助网络包括flatten层、Full Connect网络以及Batch Normalize网络。
[0029]相比于现有技术，本专利技术至少具有以下有益效果：本专利技术利用毫米波4D雷达采集数据，具备高角度分辨率的特性，能够在整个探测范围内得到更多的点云数据，通过这些点云数据来对用户的人脸进行描述，另外，本专利技术属于近距离雷达探测，因此控制了雷达的有效距离范围，将数据输入到完成训练的识别模型中进行识别，包含在训练集中的数据类别能够被较好地识别出来，不包含在训练集中的其他测试类别几乎不会被误识别为训练集中的某个类别；并且本专利技术使用毫米波4D雷达进行探测，环境的光照不会影响探测效果。
附图说明
[0030]图1为本专利技术一实施例中一种基于毫米波4D雷达的人脸识别方法的流程示意图；
[0031]图2为本专利技术一实施例中毫米波4D雷达的人脸识别硬件系统部署图；
[0032]图3为本专利技术一实施例中毫米波4D雷达原始数据处理流程图；
[0033]图4为本专利技术一实施例中深度学习网络模型的结构示意图。
Rate，CFAR)，提取出所述距离多普勒谱中信号的极大值；记录所述极大值在距离域上的索引后，在天线通道维度上做波达方向定位(DOA)进行目标方位角计算，获得方位角和俯仰角；依据所述目标点的距离、方位角、俯仰角以及信号强度生成四维的向量图。
[0047]具体的，在本实施例中，毫米波4D雷达原始数据处理流程，请参考图3所示，原始数据在存储到上位机后，首先会根据雷达实际的接收通道序号以及帧号进行数据排列，以数据帧为单位生成雷达数据矩阵(Radar Data Cube)；由于雷达通道在硬件上可能具有差异，因此首先需要进行雷达通道校验得到校验数据(Calibration Data),得到雷达数据矩阵后，需要使用校验数据对雷达数据矩阵进行通道校正；校正后的雷达数据矩阵就是比较准确的原始数据。对雷达数据矩阵做二维傅里叶变换(FFT)得到距离多普勒谱(Range
‑
Doppler map，RD
‑
map)，该图谱表示雷达在距离域以及速度域中各个单元(unit)上的信号强度；然后对所有通道的距离多普勒谱数据做非相干积累并且进行二维恒虚警检测(Constant False Alarm Rate，CFAR)，提取出距离多普勒谱中信号的极大值，记录该极大值在距离域上的索引后，在天线通道维度上做波达方向定位(DOA)估计进行目标方位角计算；最后将上述过程得到的目标点的距离(Range)、方位角(Azimuth)、俯仰角(Elevation)以及信号强度(amplitude)保存为h5格式(Hierarchical Data Format)文件。
[0048]其中，校准完成后将对该雷达本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于毫米波4D雷达的人脸识别方法，其特征在于，包括：毫米波4D雷达采集人脸的原始数据；所述毫米波4D雷达将所采集到的所述原始数据传到上位机进行目标点云数据提取，生成四维的向量图；所述上位机将所述向量图输入深度学习网络中进行训练，生成针对所述人脸部分的识别模型。2.如权利要求1所述的人脸识别方法，其特征在于，在所述毫米波4D雷达采集人脸的所述原始数据中，包括：对所述毫米波4D雷达进行参数配置后，启动所述毫米波4D雷达得到对应的所述原始数据。3.如权利要求2所述的人脸识别方法，其特征在于，在所述毫米波4D雷达将所采集到的所述原始数据传到所述上位机进行所述目标点云数据提取，生成四维的向量图中，包括：依据所述参数，以雷达帧为单位，对所述原始数据进行排列，以数据帧为单位生成雷达数据矩阵；对所述雷达数据矩阵做二维傅里叶变换得到距离多普勒谱，获得目标点的距离以及信号强度；对所有通道的所述距离多普勒谱的数据做非相干积累并且进行二维恒虚警检测，提取出所述距离多普勒谱中信号的极大值；记录所述极大值在距离域上的索引后，在天线通道维度上做波达方向定位进行目标方位角计算，获得方位角和俯仰角；依据所述目标点的距离、方位角、俯仰角以及信号强度生成四维的向量图。4.如权利要求3所述的人脸识别方法，其特征在于，在所述生成所述雷达数据矩阵之后，在所述对雷达数据矩阵做二维傅里叶变换得到距离多普勒谱之前，还包括：进行雷达通道校验得到校验数据。5.如权利要求3所述的人脸识别方法，其特征在于，所述非相干积累包括：将得到的数据在Az维度和El维度的对应数据求绝对值后求和。6.如权利要求3所述的人脸识别方法，其特征在于，所述获得...

【专利技术属性】
技术研发人员：钟有轩，袁纯，邹毅，
申请(专利权)人：深圳市华杰智通科技有限公司，
类型：发明
国别省市：