一种基于毫米波雷达感知的人体跌倒识别方法技术

技术编号：44018066 阅读：3 留言：0更新日期：2025-01-15 01:02

本发明专利技术公开了一种基于毫米波雷达感知的人体跌倒识别方法，包括：使用毫米波雷达采集多种人体动作的回波数据；对回波数据进行处理，分别得到人体动作的点云数据；使用DBSCAN聚类方法将点云数据进行聚类，基于中心点将点云分为不同的聚类，再将得到的点云数据输入到深度神经网络中，捕捉点云数据的空间结构和依赖关系信息，并以此识别人体动作的类别，输出人体跌倒识别结果。本发明专利技术设计融合PointNet网络和Transformer模块的深度神经网络模型，使用该模型能够增强对点云的空间关系的描述，进而提高了对人体跌倒识别的判断，降低了误报和虚报率；本发明专利技术通过毫米波雷达信号感知人体姿态和动作，实现人体跌倒的识别，具备抗干扰性能好、识别准确率高等诸多优点。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术属于人体跌倒识别领域，具体涉及一种基于毫米波雷达感知的人体跌倒识别方法。

技术介绍

1、近年来，随着我国老龄化不断加剧，与养老、健康相关的产业需求日益提高。跌倒是危害老年人健康的主要风险之一，传统的跌倒识别方法多依赖于视觉技术，如通过摄像头捕捉用户的身体动作和姿态，并进行分析识别。然而，这种方法在实际应用中受到光照条件、背景干扰、遮挡等因素的影响较大，识别效果不够稳定，此外，视觉摄像头的使用还存在隐私泄露的隐患。

2、毫米波雷达可以在无光照的条件下工作，其体积小、功耗低、便于系统集成，在监测老人跌倒方面具有一定的优势。但是，现有的基于毫米波雷达的人体跌倒识别方法误准确率高，特别是多人在场的情况下容易受到干扰，无法准确地探测到跌倒现象。

技术实现思路

1、专利技术目的：为了克服现有技术中存在的不足，提供一种基于毫米波雷达感知的人体跌倒识别方法，通过毫米波雷达信号感知人体姿态和动作，实现人体跌倒的识别，具备抗干扰性能好、识别准确率高等诸多优点。

2、技术方案：为实现上述目的，本专利技术提供一种基于毫米波雷达感知的人体跌倒识别方法，包括如下步骤：

3、s1：使用毫米波雷达采集多种人体动作的回波数据；

4、s2：对回波数据进行处理，分别得到人体动作的点云数据；

5、s3：使用dbscan聚类方法将步骤s2获取的点云数据进行聚类，基于中心点将点云分为不同的聚类，再将得到的点云数据输入到构建和训练好的深度神经网络中；

6、s4：深度神经网络包含pointnet网络和transformer模块，该网络能够较好地捕捉到点云数据之间深层次的空间结构关系。

7、进一步地，所述步骤s1中采用fmcw毫米波雷达采集多种人体动作的回波数据，fmcw毫米波雷达的组成包括发射天线(rx)、接收天线(tx)、射频信号模块、混频器和模数转换器(adc)；

8、fmcw毫米波雷达采集多种人体动作的回波数据的方式为：射频信号模块产生连续频率调制信号，经过倍频后通过发射天线发射出去，发射信号遇到遮挡物后的反射被接收天线捕捉，接收信号与发射信号混频后得到中频信号，最后将得到的中频信号进行模数转换，并对后续信号进行处理；

9、毫米波雷达发射信号的频率调制连续波形fmcw表示为：

10、

11、其中，at是传输信号的振幅；fc是载波信号的起始频率；b是频率调制信号的带宽，s是调频连续波信号的斜率；tc是频率调制信号的周期；

12、经过人体动作反射后，雷达接收到的信号表示如下：

13、

14、其中，ar为接收回波信号的振幅；τ为调频信号从发射到接收的延迟；δfd为多普勒频移值；

15、接收信号与发射信号混频后得到中频信号，中频信号表达为：

16、

17、进一步地，所述步骤s2中通过信号处理技术将回波数据生成点云，具体为：

18、a1：在快时间维上对每帧的回波数据使用一维快速傅里叶变换；

19、a2：求出步骤a1获得结果在每一个距离单元在慢时间维上的均值；

20、a3：使用步骤a1结果，在其每一个距离单元上减去步骤a2计算出来的距离单元对应的均值；

21、a4：对步骤a3的结果在慢时间维上再进行一维快速傅里叶变换，得到运动目标的距离-速度信息；

22、a5：系统执行距离和水平方向上的恒虚警率(cfar)检测，以区分背景噪声和实际目标信号，确保目标检测的准确性；

23、a6：在完成水平方向处理后，数据接受垂直方向的波束形成和垂直角度估计，获得目标在垂直面上的位置信息；

24、a7：通过上述操作生成目标的点云数据，包含距离、角度、径向速度以及幅度的信息，表达如下：

25、通过对单个扫频时间进行傅里叶变换来获取，即沿着每一行进行距离-fft；通过距离测量原理，根据不同的分离峰值频谱进行搜索，从而获取目标的频点信息、目标与雷达之间的距离信息；

26、

27、其中，d表示目标物体与雷达传感器之间的距离，c代表光速，s是调频连续波信号的斜率，τ为调频信号从发射到接收的延迟，fif是中频信号的频率；

28、目标物体速度为v，l为接收天线之间距离，波长为λ，tc为帧周期，根据两个chirp信号产生中频信号相位差δφ，计算目标速度和角度分别为

29、

30、

31、进一步地，所述步骤s3中使用dbscan聚类方法将点云数据进行聚类，通过设置dbscan聚类算法的两个参数(邻域半径和最小点数)，以适应毫米波雷达的数据特征和聚类需求。利用dbscan算法对预处理的三维点云数据进行聚类，通过上述参数和步骤将找到点云数据的若干个中心点，基于中心点将点云分为不同的聚类，再将得到的点云数据输入到构建和训练好的深度神经网络中。

32、进一步地，所述步骤s4中神经网络由pointnet网络和transformer模块组成，pointnet网络由若干个重复的模块和一个最大池化层组成，每个模块包含一个t-net和一个多层感知机，transformer模块连接在pointnet网络之后，包含点输入嵌入、位置编码、多头注意力和前馈网络等多个模块。

33、pointnet网络的运行方式为：pointnet接收一个点云数据帧作为输入，通过t-net矩阵变换来保持空间变换的不变性，接着，利用多层感知机(mlp)对点云数据进行特征提取，最后通过最大池化层提取三维点云的整体特征。

34、pointnet网络的输入是一组点云坐标数据，表示为一个n×3的二维张量，这里n代表每帧的点数，3表示每个点的三维坐标(x,y,z)；

35、t-net模块是一个变换层，用于学习旋转矩阵并对不同数据进行对齐。t-net模块通过mlp(多层感知机)模块将输入点云数据的三维特征映射到1024维度的空间，并通过最大池化层提取全局特征，再使用mlp模块进行下采样，将下采样得到的9个特征经重新组合得到3×3的旋转矩阵。t-net模块不仅解决了三维点云在空间中的旋转不变性问题，还提高了网络的鲁棒性和性能。

36、u-最大池化层利用对称函数的不变性，能够处理点云数据的无序特征，通过提取最大值来有效捕捉全局信息。

37、所述步骤s4中transformer模块的运行方式为：通过输入嵌入和位置编码模块将pointnet网络提取的全局特征或每个点的特征进行序列化，通过多头注意力模块计算点特征的自注意力，以捕捉点之间的复杂关系，最后使用softmax模型进行分类。

38、通过多头注意力模块计算点特征的自注意力，以捕捉点之间的复杂关系的具体方法为：

39、多头注意力模块的注意力机制由查询q、键k和值v向量构成，表达为查询向量映射到一系列的键值对；注意力机制首先通过缩放点积操作计算查询向量q和键本文档来自技高网...

【技术保护点】

1.一种基于毫米波雷达感知的人体跌倒识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于毫米波雷达感知的人体跌倒识别方法，其特征在于，所述步骤S1中采用FMCW毫米波雷达采集多种人体动作的回波数据，FMCW毫米波雷达的组成包括发射天线、接收天线、射频信号模块、混频器和模数转换器；

3.根据权利要求1所述的一种基于毫米波雷达感知的人体跌倒识别方法，其特征在于，所述步骤S2中通过信号处理技术将回波数据生成点云，具体为：

4.根据权利要求3所述的一种基于毫米波雷达感知的人体跌倒识别方法，其特征在于，所述步骤A7中目标的点云数据的表达如下：

5.根据权利要求1所述的一种基于毫米波雷达感知的人体跌倒识别方法，其特征在于，所述步骤S3中使用DBSCAN聚类方法将点云数据进行聚类，通过设置DBSCAN聚类算法的邻域半径和最小点数两个参数，以适应毫米波雷达的数据特征和聚类需求；利用DBSCAN算法对预处理的三维点云数据进行聚类，通过上述参数和步骤将找到点云数据的若干个中心点，基于中心点将点云分为不同的聚类。

6.根据权

7.根据权利要求6所述的一种基于毫米波雷达感知的人体跌倒识别方法，其特征在于，所述步骤S4中PointNet网络的运行方式为：PointNet接收一个点云数据帧作为输入，通过T-Net矩阵变换来保持空间变换的不变性，接着，利用多层感知机MLP对点云数据进行特征提取，最后通过最大池化层提取三维点云的整体特征。

8.根据权利要求7所述的一种基于毫米波雷达感知的人体跌倒识别方法，其特征在于，所述步骤S4中PointNet网络的输入是一组点云坐标数据，表示为一个N×3的二维张量，这里N代表每帧的点数，3表示每个点的三维坐标(x,y,z)；

9.根据权利要求6所述的一种基于毫米波雷达感知的人体跌倒识别方法，其特征在于，所述步骤S4中Transformer模块的运行方式为：通过输入嵌入和位置编码模块将PointNet网络提取的全局特征或每个点的特征进行序列化，通过多头注意力模块计算点特征的自注意力，以捕捉点之间的复杂关系，最后使用softmax模型进行分类。

10.根据权利要求9所述的一种基于毫米波雷达感知的人体跌倒识别方法，其特征在于，所述步骤S4中通过多头注意力模块计算点特征的自注意力，以捕捉点之间的复杂关系的具体方法为：

...

【技术特征摘要】

1.一种基于毫米波雷达感知的人体跌倒识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于毫米波雷达感知的人体跌倒识别方法，其特征在于，所述步骤s1中采用fmcw毫米波雷达采集多种人体动作的回波数据，fmcw毫米波雷达的组成包括发射天线、接收天线、射频信号模块、混频器和模数转换器；

3.根据权利要求1所述的一种基于毫米波雷达感知的人体跌倒识别方法，其特征在于，所述步骤s2中通过信号处理技术将回波数据生成点云，具体为：

4.根据权利要求3所述的一种基于毫米波雷达感知的人体跌倒识别方法，其特征在于，所述步骤a7中目标的点云数据的表达如下：

5.根据权利要求1所述的一种基于毫米波雷达感知的人体跌倒识别方法，其特征在于，所述步骤s3中使用dbscan聚类方法将点云数据进行聚类，通过设置dbscan聚类算法的邻域半径和最小点数两个参数，以适应毫米波雷达的数据特征和聚类需求；利用dbscan算法对预处理的三维点云数据进行聚类，通过上述参数和步骤将找到点云数据的若干个中心点，基于中心点将点云分为不同的聚类。

6.根据权利要求1所述的一种基于毫米波雷达感知的人体跌倒识别方法，其特征在于，所述步骤s4中神经网络由pointnet网络和transformer模块组成，pointnet网络由若干个重复的模块和一个最大池化层组成，每个模块包含一个t...

【专利技术属性】
技术研发人员：杨丰硕，路凯，杜根远，申佳文，葛志洲，郑恒，张向群，屈航，靳标，
申请(专利权)人：许昌学院，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人