一种基于毫米波雷达的质心跟踪式人体动作识别方法

本发明涉及人体动作检测领域，尤其涉及到一种毫米波雷达的质心跟踪式人体动作识别方法。

背景技术：

1、当前毫米波雷达技术在人体活动识别领域的应用已取得了显著进步。这得益于硬件性能的提升、成本的降低以及雷达信号处理技术的重大突破。毫米波雷达对各种光线和气候条件展现出强大的适应性，即便在潮湿环境或无光环境下也能稳定运行。另外，它能在保护个人隐私的同时，通过非视觉图像的方式，即从反射回波中提取空间位置信息和多普勒信息，进行高效的人体活动识别。其生成的稀疏点云数据能在三维空间中有效地描绘人体的运动趋势，提供了良好的解释性。

2、目前，人体动作识别主要采用以下方法，第一类是可穿戴设备，如加速度传感器等，虽然准确度高、成本低，但需充电且需随身携带，造成使用上的不便；第二类是基于视觉的检测：这种方法结合深度学习算法，准确率高，但受限于应用环境，并可能引发隐私问题，尤其在湿度大或光线差的环境中，如浴室，其性能会大打折扣。第三类是射频技术检测：包括无线网络和多普勒雷达两种方法。无线网络由于带宽狭窄，检测范围和空间分辨率受限，通常适用于特定空间单目标的检测。而基于多普勒雷达的检测，通常通过回波信号的微多普勒特征来判断，也难以区分场景中的多个目标。

3、综上所述，第一类方法受有源性和便携性限制，第二类方法在隐私和环境适应性上存在短板，现有的第三类方法则受限于小范围和单目标情况下的识别。

技术实现思路

1、针对背景技术的问题，本发明提供了基于毫米波雷达的点云质心追踪式人体动作检测方法，该方法不仅克服了现有技术在人体动作检测方面的诸多不足，如佩戴不便、隐私保护不足、易受外部环境干扰等，还能有效地区分场景中的多个活动人体目标，从而显著提升了人体动作检测的准确性与实用性。

2、为了达到上述发明目的，本发明采用的技术方案为：基于毫米波雷达的点云质心追踪式人体动作检测方法，包括以下步骤：

3、步骤s1：在室内环境种以立式的方式布置毫米波雷达；

4、步骤s2：读取雷达接收到的点云信号，每个点云信号包含距离，水平角度，俯仰角，径向速度和信噪比信息。

5、步骤s3：基于毫米波雷达来自同一目标点云具有相近的位置和速度信息的特点，建立了综合考虑位置信息和速度信息的距离计算模型，并将其应用到基于密度的空间聚类方法，进行点云去噪；

6、步骤s4：基于高信噪比的点云通常聚集在人体胸口位置处的特点，建立点云质心模型，给出不同动作下质心位置和速度的变化情况；

7、步骤s5：结合卡尔曼滤波，并考虑到点云的离散性造成的质心偏移问题，在卡尔曼滤波的测量误差计算中，考虑了人体点云的方差信息，建立毫米波雷达点云的人体质心跟踪模型；

8、步骤s6：设计了openmax-cnn神经网络模型，利用质心跟踪的轨迹为各类动作的特征信息进行训练，实现人体动作信息的提取与检测；

9、上述方案的有益效果为：

10、(1)本发明设计的检测方法的检测设备仅需毫米波雷达，无需其他传感器或辅助设备，这不仅大幅减少了所需场地空间，还显著提升了使用的便捷性。更重要的是，该方法在使用过程中完全不涉及声音、图片等可能泄露个人隐私的信息，从而充分确保了用户的隐私安全。此外，这一方法还能有效应对室内多人行为检测的情况，实用性高；

11、(2)本方法能够有效的利用人体质心与高信噪比雷达点云的关系，并将改进的点云距离计算方法应用在空间聚类中，从而减少了杂波对后续步骤的影响；

12、(3)本方法在改进的卡尔曼滤波中，有效地处理了毫米波点云的离散特性，从而减少了目标跟踪中点云离散性带来的质心估计偏移的问题；

13、(4)本方法设计的神经网络模型能够对训练数据进行有效合理的特征提取和动作分类，并且对于未预训练的人体动作能够实现正确地判断，能够在开放的空间中使用。

技术特征：

1.一种基于毫米波雷达的质心跟踪式人体动作识别方法，其特征在于，包括一个毫米波雷达，质心跟踪模块和特征提取与识别模块；

2.根据权利要求1所属的一种基于毫米波雷达的质心跟踪式人体动作识别方法，具体步骤如下：

3.如权利要求2所述的一种基于毫米波雷达的质心跟踪式人体动作识别方法，其特征在于，步骤s2中，将毫米波雷达安放在适宜扫描全部人体高度，选用带俯仰信息的4d毫米波雷达。

4.如权利要求2所述的一种基于毫米波雷达的质心跟踪式人体动作识别方法，其特征在于，步骤s3中，密度空间聚类方法的距离计算公式为：

5.其中，代表了第个点云和第个点云之间的距离，，，代表第个点云的三维坐标系的位置坐标，，，代表了第个点云在三个维度的速度分量。

6.如权利要求2所述的一种基于毫米波雷达的质心跟踪式人体动作识别方法，其特征在于，步骤s4中，点云质心模型的计算方法为：

7.如权利要求2所述的一种基于毫米波雷达的质心跟踪式人体动作识别方法，其特征在于，步骤s5中，人体点云方差修正的卡尔曼滤波算法为：

8.如权利要求1或2所述的一种基于毫米波雷达的质心跟踪式人体动作识别方法，其特征在于，所述openmax-cnn神经网络模型中的一维卷积神经网络层，用于对质心轨迹的特征序列进行特征提取；所述全连接层，用于根据提取的特征值对人体行为进行分类识别；所述openmax层，用于判断闭集分类模型分类失败的概率，并以所述分类失败的概率矫正已知类得分并计算未知类得分，从而实现对未知类别行为的正确判断；所述一维卷积神经网络层由第一卷积块、第二卷积块，一维平均池化层和dropout暂退层组成，其中所述第一卷积层和第二卷积层均由依次连接的一维卷积层，relu修正线性单元层，layernorm规范化层组成，且所述一维卷积层的过滤器数目为8和16。

9.如权利要求1或2所述的一种基于毫米波雷达的质心跟踪式人体动作识别方法，其特征在于，所述openmax层通过计算预测样本的激活向量与训练类别数据的平均激活向量的距离，结合weibull累积分布函数（cdf），实现对未知类别行为的概率估计。

10.一种基于毫米波雷达的质心跟踪式人体动作识别方法，其特征在于，所述数据处理方法包括权利要求1至7中任一项所述方法。

技术总结本发明涉及人体动作检测领域，尤其涉及到一种毫米波雷达的质心跟踪式人体动作识别方法，所述方法步骤包括：根据室内环境安装毫米波雷达；采集人体动作的雷达点云数据；利用空间密度聚类算法对点云数据聚类与去噪；根据点云质心模型确定人体质心的位置和速度；采用卡尔曼滤波并优化其测量误差的计算方法，实现人体质心的轨迹跟踪，再利用滑动窗口法提取轨迹数据，组合成6维特征序列；利用OpenMax‑CNN神经网络模型对不同动作进行分类检测。本发明提供的处理方法适用于多人环境，并采用开集识别技术，可以应用在日常开放的动作环境中识别未标签的人体动作行为，提高毫米波雷达人体动作识别的实用性和适应性。技术研发人员：黄驰骋,李传东,吴镇宇,熊海灵,石亚伟,李华青,王慧维,陈孟钢受保护的技术使用者：西南大学技术研发日：技术公布日：2024/9/9