基于分区调参CNN模型的毫米波雷达检测人员跌倒的方法技术

本发明专利技术涉及姿态识别技术，其公开了一种基于分区调参CNN模型的毫米波雷达检测人员跌倒的方法，解决毫米波雷达在不同区域内回波能量不均衡，导致点云数据在不同区域内鲁棒性低，影响跌倒检测的准确率的问题。该方法包括：S1、获取毫米波雷达的点云数据并进行预处理，获得跟踪目标点云航迹；S2、对跟踪目标点云航迹进行归一化处理，同时基于根据目标点云航迹判断检测目标在检测区域中所处子区域；S3、根据跟踪目标在检测区域中所处子区域，调用对应的模型参数，采用预训练的人员跌倒检测模型根据归一化处理后的点云数据进行人员跌倒姿态检测。一化处理后的点云数据进行人员跌倒姿态检测。一化处理后的点云数据进行人员跌倒姿态检测。

【技术实现步骤摘要】
基于分区调参CNN模型的毫米波雷达检测人员跌倒的方法


[0001]本专利技术涉及姿态识别技术，具体涉及一种基于分区调参CNN模型的毫米波雷达检测人员跌倒的方法。

技术介绍

[0002]随着医疗条件的改善和生活水平的提高，毫米波雷达在家用市场的前景方兴未艾，尤其是在社会人口老龄化问题加剧的今天，毫米波雷达针对室内人员尤其是老人的跌倒问题有着前所未有的发展前景。相比于其他姿态识别技术(红外识别、图像识别、力传感识别等)，利用毫米波雷达实现室内人员姿态检测因具有小体积、轻自重、低成本、高精度、高分辨率、强抗干扰能力等独特优点，正逐渐扩大其民用应用前景，发挥越来越重要的作用。
[0003]由于毫米波雷达硬件系统的性能限制，雷达信号随着距离和角度的增大其自身回波信号强度衰减且此衰减无明显规律，导致在不同区域内生成的雷达点云数据本身所代表的目标信息内容不一致，进而影响跌倒检测的准确率。

技术实现思路

[0004]本专利技术所要解决的技术问题是：提出一种基于分区调参CNN模型的毫米波雷达检测人员跌倒的方法，解决毫米波雷达在不同区域内回波能量不均衡，导致点云数据在不同区域内鲁棒性低，影响跌倒检测的准确率的问题。
[0005]本专利技术解决上述技术问题采用的技术方案是：
[0006]基于分区调参CNN模型的毫米波雷达检测人员跌倒的方法，包括以下步骤：
[0007]S1、获取毫米波雷达的点云数据并进行预处理，获得跟踪目标点云航迹；
[0008]S2、对跟踪目标点云航迹进行归一化处理，同时基于根据目标点云航迹判断检测目标在检测区域中所处子区域；
[0009]S3、根据跟踪目标在检测区域中所处子区域，调用对应的模型参数，采用预训练的人员跌倒检测模型根据归一化处理后的点云数据进行人员跌倒姿态检测。
[0010]进一步的，步骤S1中，所述预处理包括：距离维度的傅里叶变换、多普勒维度的傅里叶变换、动态点云检测、静态杂波消除、角度维度的傅里叶变换、点云聚类及跟踪。
[0011]进一步的，步骤S2中，对跟踪目标点云航迹进行归一化处理包括：
[0012]将当前时间帧跟踪目标的所有点云按各个维度进行归一化：
[0013][0014]其中，x
i
表示第i个点某一维度的值，表示归一化的结果，u为对应维度的均值，σ为对应维度的标准差，ε为防止除数为0的极小数，N为目标点云个数；
[0015]所述各个维度包括：距离维、方位角维、多普勒维和俯仰角维。
[0016]进一步的，步骤S2中，所述子区域的划分方式为：以毫米波雷达的位置作为系统绝
对坐标系原点，将检测区域沿x轴和y轴分为10段，形成相应的子区域。
[0017]进一步的，步骤S2中，所述基于跟踪目标点云航迹判断跟踪目标在检测区域中所处子区域，具体包括：
[0018]假设跟踪点云航迹包含N个点，各个点的位置表示如下：
[0019][0020]获得关于目标点数的N维相关系数矩阵Ρ为：
[0021][0022]其中，Cov(X,Y)表示位置坐标X和Y的协方差矩阵，D(X)和D(Y)分别表示位置坐标X和Y的方差；
[0023]最终得到的跟踪目标所处子区域的区域矩阵W为：
[0024]W＝AΡA
T
[0025]其中，A为一个10*N大小的矩阵，用以表示跟踪目标的点云在区域内的分布状态。
[0026]进一步的，步骤S3中，所述根据归一化处理后的点云数据进行人员跌倒姿态检测时，输入数据的获取方式为：
[0027]针对归一化处理后的点云数据，保留连续10帧的雷点云数据，在以雷达位置为原点的绝对坐标系下，以跟踪目标的点云高度为索引进行排序，选取高度方向上最高4个点及最低4个点的位置坐标及多普勒信息，加上跟踪目标点云航迹的平均位置坐标，共同形成大小为10*35的输入数据。
[0028]进一步的，步骤S3中，所述人员跌倒检测模型基于CNN网络训练获得，所述CNN网络包括：顺次相连的第一一维卷积层、第一规范化层、第二一维卷积层、第二规范化层、第三一维卷积层、第三规范化层、第一全连接层、第四规范化层、第二全连接层和第五规范化层。
[0029]进一步的，所述CNN网络中，所述第一一维卷积层的卷积核数量为42，尺寸为3，步长为1；所述第二一维卷积层的卷积核数量为28，尺寸为3，步长为1；所述第三一维卷积层的卷积核数量为14，尺寸为3，步长为1；所述第一规范化层、第二规范化层、第三规范化层、第四规范化层均以relu函数作为激活函数；所述第五规范化层以softmax函数作为激活函数。
[0030]进一步的，所述人员跌倒检测模型在训练过程中，以区域矩阵W作为权重加入交叉熵作为模型训练的损失函数L，其公式如下：
[0031][0032]其中，M为一个批次中样本的总数，K为模型分类类别数，T表示对应样本的真实标签，Z表示模型的计算输出值，q表示模型训练过程中的待辨识参数，Q为全体待辨识参数的集合；
[0033]经过训练获得针对每一个子区域的模型参数。
[0034]进一步的，步骤S3中，所述进行人员跌倒姿态检测包括两项判断条件：
①
跟踪目标点云的平均高度低于某一阈值；
②
模型分类输出结果判断为跌倒行为。
[0035]本专利技术的有益效果是：
[0036](1)利用连续时间序列下的毫米波雷达点云数据，构建了一种分区域调参的CNN模
型，根据室内环境分区域进行人员跌倒姿态检测，利用不同区域下的模型参数辨识结果配置CNN模型，在实际应用中，应用此模型进行跌倒检测能根据跟踪目标航迹判断所处分区，从而调用对应分区的模型配置参数进行检测，保证了在不同区域的跌倒姿态检测都有较高的准确性；
[0037](2)本专利技术提出的分区域调参的CNN模型针对嵌入式设备设计，实现了嵌入式平台上的在线跌倒检测功能，模型具有内存占用小、可修改性强、计算能力要求低等特点。
附图说明
[0038]图1是本专利技术中的检测人员跌倒方法流程图；
[0039]图2是本专利技术中的检测区域及目标位置坐标示意图；
[0040]图3是本专利技术中的CNN模型的总体网络结构；
[0041]图4是根据本专利技术方案进行的检测实例中的检测结果示意图。
具体实施方式
[0042]本专利技术旨在提出一种基于分区调参CNN模型的毫米波雷达检测人员跌倒的方法，解决毫米波雷达在不同区域内回波能量不均衡，导致点云数据在不同区域内鲁棒性低，影响跌倒检测的准确率的问题。本方案利用连续时间序列下的毫米波雷达点云数据，构建了一种分区域调参的CNN模型，根据室内环境分区域进行人员跌倒姿态检测，利用不同区域下的模型参数辨识结果配置CNN模型，并将模型部署至嵌入式平台，用以实现室内人员跌倒行为的在线判断。本专利技术结合具体室内环境生成CNN模型，有效提高了室内人员姿态检测准确率，同时结合具体场景自适应辨识模型参数，提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于分区调参CNN模型的毫米波雷达检测人员跌倒的方法，其特征在于，包括以下步骤：S1、获取毫米波雷达的点云数据并进行预处理，获得跟踪目标点云航迹；S2、对跟踪目标点云航迹进行归一化处理，同时基于根据目标点云航迹判断检测目标在检测区域中所处子区域；S3、根据跟踪目标在检测区域中所处子区域，调用对应的模型参数，采用预训练的人员跌倒检测模型根据归一化处理后的点云数据进行人员跌倒姿态检测。2.如权利要求1所述的基于分区调参CNN模型的毫米波雷达检测人员跌倒的方法，其特征在于，步骤S1中，所述预处理包括：距离维度的傅里叶变换、多普勒维度的傅里叶变换、动态点云检测、静态杂波消除、角度维度的傅里叶变换、点云聚类及跟踪。3.如权利要求1或2所述的基于分区调参CNN模型的毫米波雷达检测人员跌倒的方法，其特征在于，步骤S2中，对跟踪目标点云航迹进行归一化处理包括：将当前时间帧跟踪目标的所有点云按各个维度进行归一化：其中，x
i
表示第i个点某一维度的值，表示归一化的结果，u为对应维度的均值，σ为对应维度的标准差，ε为防止除数为0的极小数，N为目标点云个数；所述各个维度包括：距离维、方位角维、多普勒维和俯仰角维。4.如权利要求1或2所述的基于分区调参CNN模型的毫米波雷达检测人员跌倒的方法，其特征在于，步骤S2中，所述子区域的划分方式为：以毫米波雷达的位置作为系统绝对坐标系原点，将检测区域沿x轴和y轴分为10段，形成相应的子区域。5.如权利要求1或2所述的基于分区调参CNN模型的毫米波雷达检测人员跌倒的方法，其特征在于，步骤S2中，所述基于跟踪目标点云航迹判断跟踪目标在检测区域中所处子区域，具体包括：假设跟踪点云航迹包含N个点，各个点的位置表示如下：获得关于目标点数的N维相关系数矩阵Ρ为：其中，Cov(X,Y)表示位置坐标X和Y的协方差矩阵，D(X)和D(Y)分别表示位置坐标X和Y的方差；最终得到的跟踪目标所处子区域的区域矩阵W为：W＝AΡA
T
其中，A为一个10*N大小的矩阵，用以表示跟踪目标的点云在区域内的分布状态。6.如权利要求1或2所述的基于分区调参CNN模...

【专利技术属性】
技术研发人员：王知雨，周杨，李剑鹏，杨锋，
申请(专利权)人：四川启睿克科技有限公司，
类型：发明
国别省市：