一种基于毫米波雷达的体态识别系统及其识别方法与流程

本发明涉及毫米波雷达信号处理，具体涉及一种基于毫米波雷达的体态识别系统及其识别方法。

背景技术：

1、随着科技水平的不断提高和发展，以及老年人口绝对数量的不断增加，智能家居、智能生活和智能医疗等多种领域的技术需求也不断增加。当前对于姿态探测的传统方案主要有两种，一种是采用接触式传感器，通过对传感器获得的信息进行处理以实现对佩戴者体态的判断，但是这种方案的接触式传感器佩戴不便，长时间佩戴会让用户有不适感，而且每隔一段时间还需要摘下充电，无法做到全时段检测。另一种方案是采用监控摄像头等光学设备对目标进行监测和识别，这种设备虽然准确率相对较高，但是受探测区域的客观条件影响较大，其具体检测效果可能会受到光照、烟尘和遮挡等诸多因素的影响。此外光学监测方案的隐私性很差，对于用户有着隐私泄露的风险，容易引发信息安全问题。

2、可见当前的体态探测与识别方案存在着非全时段监测、实用性和隐私性较差等问题，此外识别的准确率也相对较低，因此这些是该领域亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提出了一种基于毫米波雷达的体态识别系统及其识别方法，能够提高系统的实用性、隐私性和具备全天候监测能力。

2、为实现上述目的，本发明的技术方案为：

3、一种基于毫米波雷达的体态识别系统，包括毫米波雷达子系统、雷达信号处理子系统和体态探测与识别系统；所述毫米波雷达子系统用于发射和接收雷达回波信号，并对信号进行相应的预处理，得到相应的原始雷达回波信号；所述雷达信号处理子系统用于雷达原始雷达数据的信号处理和特征提取；所述体态探测与识别子系统用于将特征提取后的数据生成特征图，构建特征数据集，并基于此数据集进行分类识别网络的训练，并使用该训练完成的网络对后续的不同体态进行识别和判断。

4、其中，所述毫米波雷达子系统包含有包括有发射天线模块、接收天线模块、adc采样模块、信号滤波模块和混频模块；其中发射天线(1)和接收天线(2)的使用数量根据不同的应用环境做相应的调整。

5、其中，所述的雷达信号处理子系统包含微控制单元、数字信号处理器和智能信号处理装置，其中智能信号处理装置包括智能手机和计算机。

6、其中，所述体态探测与识别子系统包括有存储系统，实现机器学习和深度学习的嵌入式芯片和智能处理装置；其中存储系统包含有机械硬盘和固态硬盘，用来存储经过信号处理后生成的距离多普勒特征图组成的特征数据集，智能处理装置包括智能手机或者计算机，在子系统中使用智能处理装置或者嵌入式芯片来训练分类识别网络。

7、一种基于本发明所述系统的识别方法，包括如下步骤：

8、步骤1，在应用场景中布置雷达与信息处理系统，并按照应用场景设置好相应的参数，然后开启雷达开始实验；

9、步骤2，实验对象在场景中做相应的体态，雷达系统获取到目标的相关原始实验数据；

10、步骤3，雷达的信号处理子系统对步骤2中获取到的原始雷达数据进行相应的信息处理，并生成对应于该种体态的特征图；

11、步骤4，重复步骤2和步骤3，更换不同的实验对象，分别获取到不同体态的多组实验数据和特征数据集，并将其存储于计算机中的特征数据集；

12、步骤5，将步骤4中获取到的特征数据集送入到卷积神经网络中，训练得到多分类模型；

13、步骤6，在智能处理装置上使用训练完成的多分类模型对不同体态进行识别和判断，并输出相应的判定结果。

14、有益效果

15、1、本发明系统是一种可全时段、实用性和隐私性较高的基于毫米波雷达的人体体态识别系统，并通过引入神经网络对体态进行识别来提高系统的体态识别准确率。本发明系统是基于毫米波雷达发射和接收回波信号并进行相应的信号处理，因此是非接触式体态探测系统，无需佩戴相应的设备，可实现舒适和灵活的全天时安全监护；采用毫米波雷达设备进行体态识别，和现有的光学设备等相比受客观环境影响较小，可以在光照条件较差及存在烟雾和非金属障碍物的情况下工作，实用性较高；引入了神经网络进行体态识别，通过对得到的特征图等实验数据进行离线网络训练，再进行相应的体态识别，和传统识别方式相比能实现较高的识别准确度；使用低功率毫米波雷达进行信号采集，对人体没有影响，安全可靠，此外还有着隐私性较好的优点，不会存在隐私泄露等信息安全的问题。

16、2、本发明的毫米波雷达子系统包含有包括有发射天线模块、接收天线模块、adc采样模块、信号滤波模块和混频模块，其中发射天线和接收天线的使用数量可以根据不同的应用环境做相应的调整。

17、3、本发明存储系统包含有机械硬盘和固态硬盘，用来存储经过信号处理后生成的距离多普勒特征图组成的特征数据集，智能处理装置包括智能手机或者计算机，在子系统中使用智能处理装置或者嵌入式芯片来训练分类识别网络。

技术特征：

1.一种基于毫米波雷达的体态识别系统，其特征在于，包括毫米波雷达子系统、雷达信号处理子系统和体态探测与识别系统；所述毫米波雷达子系统用于发射和接收雷达回波信号，并对信号进行相应的预处理，得到相应的原始雷达回波信号；所述雷达信号处理子系统用于雷达原始雷达数据的信号处理和特征提取；所述体态探测与识别子系统用于将特征提取后的数据生成特征图，构建特征数据集，并基于此数据集进行分类识别网络的训练，并使用该训练完成的网络对后续的不同体态进行识别和判断。

2.根据权利要求1所述的系统，其特征在于，所述毫米波雷达子系统包含有包括有发射天线模块、接收天线模块、adc采样模块、信号滤波模块和混频模块；其中发射天线(1)和接收天线(2)的使用数量根据不同的应用环境做相应的调整。

3.根据权利要求1或2所述的系统，其特征在于，所述的雷达信号处理子系统包含微控制单元、数字信号处理器和智能信号处理装置，其中智能信号处理装置包括智能手机和计算机。

4.根据权利要求1或2所述的系统，其特征在于，所述体态探测与识别子系统包括有存储系统，实现机器学习和深度学习的嵌入式芯片和智能处理装置；其中存储系统包含有机械硬盘和固态硬盘，用来存储经过信号处理后生成的距离多普勒特征图组成的特征数据集，智能处理装置包括智能手机或者计算机，在子系统中使用智能处理装置或者嵌入式芯片来训练分类识别网络。

5.一种基于如权利要求1-4任意一项所述系统的识别方法，包括如下步骤：

技术总结
本发明提出了一种基于毫米波雷达的体态识别系统及其识别方法，能够提高系统的实用性、隐私性和具备全天候监测能力。本发明系统是一种可全时段、实用性和隐私性较高的基于毫米波雷达的人体体态识别系统，并通过引入神经网络对体态进行识别来提高系统的体态识别准确率。

技术研发人员：李兴明,刘宇聪,周超,李庆,曾大治
受保护的技术使用者：北京理工雷科电子信息技术有限公司
技术研发日：
技术公布日：2024/1/13