中，“η”是数字“I”?“N”中的任何数字并且“N”是频率小区间fb的总数)的振幅强度Cy (η)，其中Cx (η)表示第“η”个频率小区间的DCT系数。
[0073]信号处理部5在频域中生成各自包括邻接的多个频率小区间fb的一个或多个子带fs(参见图5A)。信号处理部5针对各子带fs，使用子带fs的各频率小区家fb的振幅强度Cy来应用诸如相加平均、加权平均或中值平均等的平均化处理、丢弃异常值的异常值去除处理、以及分散状况检测处理等，以针对各子带fs推导振幅强度Cy的代表值Cya (以下称为“代表强度值Cya” ) (S6)。
[0074]例如，将假定信号处理部5被配置为使用相加平均来推导代表强度值Cya的情况。将假定如图5A所示，在某一时间点，利用"Cy(I)，，、“Cy(2)，，、“Cy(3) ”、“Cy(4) ”和“Cy(5) ”来分别表示与频率最低的子带fs的五个频率小区间fb有关的各个振幅强度Cy。在这种情况下，通过以下等式来表示该最低的子带fs中的通过相加平均所推导出的代表强度值Cya(I)(参见图 5B)。
[0075]数学式I
[0076]Cya(I) = (Cy (I) +Cy (2) +Cy (3) +Cy (4) +Cy (5)) /5
[0077]同样，推导出如图5B所示的利用“Cya⑵”、“Cya(3) ”、“Cya(4) ”和“Cya(5) ”分别表示的第二最低的子带fs、第三最低的子带fs、第四最低的子带fs和第五最低的子带fs中的信号成分(代表强度值)。
[0078]利用该方式，信号处理部5可以获得与依赖于各子带fs的代表强度值Cya的频率分布有关的信息(频率分布信息)。
[0079]可能地，信号处理部5对各子带fs的各代表强度值Cya应用逆离散余弦变换(IDCT)以获得逆变换值，从而得到背景信号被去除的时域传感器信号(即，时域信号)
(S8)。
[0080]然后，信号处理部5基于根据各子带fs的各代表强度值Cya所确定的频率分布信息(以及时域信息)来进行用于标识检测对象物的识别处理。在本发明中，“标识”可以包括“分类”和/或“识别”。在本实施例中，由于使用各子带fs的代表强度值Cya(各自是频率小区间fb的振幅强度Cy的代表值)，因此可以抑制不期望的噪声等的影响。
[0081]可能地，信号处理部5获取与依赖于步骤S5中已推导出的各频率小区间fb的振幅强度Cy的频率分布有关的信息(频率分布信息)(S9)。
[0082]在这种情况下，可能地，信号处理部5对设置到各频率小区间fb的滤波器系数Wo (Wol,ffo2, - ,WoN)应用逆离散余弦变换(IDCT)以获得逆变换值，并且将从A/D转换部4输出的传感器信号Sc乘以所推导出的逆变换值(换句话说，向各频率小区间fb的振幅强度Cy应用逆离散余弦变换(DCT))，从而推导出背景信号被去除的时域传感器信号(即，时域信息)(SlO)。可以向设置到全部频率小区间fb的滤波器系数或向设置到预定的一部分频率小区间fb的滤波器系数应用逆离散余弦变换。
[0083]在这种情况下，信号处理部5 (标识处理部52)基于根据各频率小区间fb的振幅强度Cy所推导出的频率分布信息和/或基于根据设置到各频率小区间fb的滤波器系数Wo(ffol,ffo2,…，WoN)所推导出的时域信息，来进行用于标识检测对象物的识别处理。
[0084]在识别处理中，信号处理部5(标识处理部52)例如可以将输出信号Sy在预定频率处的强度与阈值进行比较以判断物体的有无。可选地或另外，信号处理部5可以使用诸如基于主成分分析的模式识别处理、基于KL转换的模式识别处理、基于通过多元回归分析所获得的振幅强度成分比的识别处理和基于神经网络的识别处理等的其它算法，以标识检测对象物的类型。
[0085]由于DCT是实数运算，因此传感器信号的相位信息可能丢失。在传感器装置100的领域中，在一些情况下使用相位信息来判断“距离”。应当注意，在无线电波传感器I是多普勒传感器的情况下，可以基于背景信号被去除的时域传感器信号来大致估计距离。因此，如果不必从严格意义上同时确定运动和距离，则可以在无需增大硬件规模的情况下，根据步骤S8或SlO中所推导出的时域传感器信号来获得作为补充信息的距离信息。结果，信号处理部5可被配置为基于步骤S8或SlO中所推导出的时域传感器信号来获得相对于检测对象物的距离信息，并且在进行用于标识检测对象物的识别处理的情况下，使用该距离信息以及频率分布信息或时域信息。
[0086]信号处理装置2包括输出部6，其中该输出部6被配置为输出利用信号处理部5的标识结果。如果利用信号处理部5标识出检测对象物，则输出部6输出表示检测到物体的输出信号“I”。另一方面，如果利用信号处理部5没有标识出检测对象物，则输出部6输出表示没有检测到物体的输出信号“O”。
[0087]图6示出基于上述的DCT的LMS算法确定了滤波器系数Wo的滤波器5a的传递特性Z1。该曲线图示出以下内容:估计出在多个频率带宽Al?A4中存在具有噪声成分的背景信号，并且成功地创建了使存在噪声的频率带宽衰减并且使其它频率带宽通过的滤波特性。图6还示出与基于FFT的LMS算法所确定的滤波器系数有关的传递特性Z2作为比较例。根据这些示例，尽管相比FFT可以利用较少的计算量来实现DCT，但通过DCT的LMS算法所获得的滤波器的滤波性能相比基于FFT的LMS算法的滤波器的滤波性能没有显著劣化。
[0088]图7A?7C示出上述信号处理的流。图7A示出仅包括背景信号的传感器信号Sx的频率分布，其中“A”表示背景信号的频率成分。图7B示出包括背景信号和期望信号(根据检测对象物所推导出的信号)的传感器信号Sx的频率分布，其中“A”表示背景信号的频率成分并且“B”表示期望信号的频率成分。
[0089]图7C示出在信号处理部5以检测模式进行工作并且将图7A的传感器信号Sx (仅包括背景信号的传感器信号)供给至装置的情况下的滤波器5a的输出信号Syl、以及在信号处理部5以检测模式进行工作并且将图7B的传感器信号Sx(包括背景信号和期望信号的传感器信号)供给至装置的情况下的滤波器5a的输出信号Sy2。通过基于DCT的LMS算法更新滤波器5a的滤波器系数Wo来从输出信号Syl中去除背景信号的频率成分“A”。此夕卜，由于滤波器5a的滤波器系数Wo是适当确定的，因此从输出信号Sy2中去除背景信号的频率成分“A”而期望信号的频率成分“B”残留在该信号中。
[0090]图8示出在装置从噪声估计模式切换为检测模式的情况下的参考信号Sd、传感器信号Sx、输出信号Sy和误差信号Se的时间波形。图8示出在时间TO之前在检测区域内不存在检测对象物并且在时间TO物体进入检测区域的情况。参考信号Sd是在噪声估计模式时输出的，并且在检测模式时停止。传感器信号Sx在时间TO之前仅包括背景信号，并且在时间TO之后除背景信号之外还包括根据检测到检测对象物所推导出的期望信号。关于输出信号Sy，在噪声估计模式和检测模式这两者中从该输出信号Sy中成功地去除背景信号，并且该输出信号Sy在时间TO之后仅包括期望信号。误差信号Se在误差检测模式时是作为输出信号Sy和参考信号Sd之间的差所推导出的，并且在检测模式时停止输出。
[0091]图9A示出在存在检测对象物的情况下从以检测模式进行工作的信号处理部5输出的输出信号Sy2的频率分布(即，是标绘出各频率小区间fb的振幅强度Cy的曲线图)。图9A还示出根据信号处理部5的输出信号Sy2所推导出的各子带fs的频域的代表强度值Cya(参见图9A中的“Cya”)。针对各子带fs，通过向子带的各频率小区间fb的振幅强度Cy应用加权平均来推导代表强度值Cya。向图9A所示的代表强度值Cya应用逆离散余弦变换以推导逆变换值，由此获得如图9B所示的背景信号被去除的时域传感器信号(时域信息)。
[0092]根据信号处理部5，在噪声估计模式时，可以通过在自适应滤波器的估计精度的误差相对较小的区域中多次进行自适应处理以确定滤波器系数Wo来提高其估计精度。此外，根据信号处理部5，在检测模式时，可以利用简