人体跌倒特征的检测方法及装置与流程

本发明属于雷达检测技术领域，尤其涉及一种人体跌倒特征的检测方法及装置。

背景技术：

跌倒正逐渐成为一个全球性的健康威胁。根据世界卫生组织估计，每年约有42万次跌倒最终造成死亡，这意味着跌倒正在成为意外死亡的一个主要原因。

跌倒死亡率居高不下的一个重要的原因是空巢老人的数量逐年增加。由于空巢老人意外跌倒时无法及时发出报警信息，导致容易错过最关键的救治时间，造成很多意外死亡情况的发生。因此，如何在室内环境中对人体的跌倒特征进行检测，进而及时发出报警信息十分重要。

目前，常见的跌倒特征检测方法包括基于接触方式的跌倒特征检测方法和基于非接触方式的跌倒特征检测方法。其中，基于非接触方式的跌倒特征检测方法主要包括视频检测和雷达检测两种。基于视频的跌倒特征检测方法存在受光照影响大、在光线条件不好的情况下检测效果不佳以及安装在家庭环境中不利于隐私保护的问题。而基于雷达的跌倒特征检测方法中，多普勒雷达仅能提取目标的多普勒信息，无法提取目标的距离信息，但人体跌倒与坐下、弯腰等动作的多普勒信息相近，通过多普勒雷达进行跌倒特征检测容易造成误报，跌倒特征检测准确率不高。宽带雷达仅分别考虑能量、微多普勒、距离等信息，无法提取目标运动的所有特征，也存在跌倒特征检测准确率不高的问题。

技术实现要素：

有鉴于此，本发明实施例提供了一种人体跌倒特征的检测方法及装置，以解决现有技术中人体跌倒特征检测准确率不高的问题。

本发明实施例的第一方面提供了一种人体跌倒特征的检测方法，包括：

依次接收多个回波信号，其中，所述多个回波信号为雷达发射的每帧信号中的多个连续的本振信号经人体反射回的信号；

对当前帧信号中的本振信号和对应的回波信号进行处理，得到所述当前帧信号的点云信息；所述当前帧信号的点云信息包括目标信噪比数据和运动点云信息；

根据所述当前帧信号的所述目标信噪比数据对所述当前帧信号的所述运动点云信息进行处理，得到所述当前帧信号的运动点云信息的加权平均值；

根据得到的m帧信号中的各运动点云信息的加权平均值，计算m帧信号中人体的特征向量，m为大于0的正整数；

根据所述m帧信号中人体的特征向量，检测人体是否跌倒，得到检测结果。

可选的，所述运动点云信息，包括：目标径向距离数据、目标径向速度数据、目标方位角度数据以及目标俯仰角度数据；

所述对当前帧信号中的本振信号和对应的回波信号进行处理，得到所述当前帧信号的点云信息，包括：

对所述当前帧信号中的本振信号和对应的回波信号进行混频、滤波以及模数转换，得到所述当前帧信号的数字信号阵列；

对所述当前帧信号的数字信号阵列进行单元平均恒虚警检测，得到所述当前帧信号对应的检测点数目和每个检测点对应的目标信噪比数据；

对所述当前帧信号的数字信号阵列进行快速傅里叶变换，得到每个检测点对应的目标径向距离数据和目标径向速度数据；

对所述当前帧信号的数字信号阵列进行数字波束形成测角，得到每个检测点对应的目标方位角度数据和目标俯仰角度数据。

可选的，所述根据所述当前帧信号的所述目标信噪比数据对所述当前帧信号的所述运动点云信息进行处理，得到所述当前帧信号的运动点云信息的加权平均值，包括：

根据得到所述当前帧信号的运动点云信息中对应的径向距离加权平均值；

根据得到所述当前帧信号的运动点云信息中对应的径向速度加权平均值；

根据得到所述当前帧信号的运动点云信息中对应的方位角度加权平均值；

根据得到所述当前帧信号当前帧信号的运动点云信息中对应的俯仰角度加权平均值；

其中，rw为所述径向距离加权平均值，snri为所述当前帧信号的点云信息中的第i个目标信噪比数据，ri为所述当前帧信号的运动点云信息中的第i个目标径向距离数据，vw为所述径向速度加权平均值，vi为所述当前帧信号的运动点云信息中的第i个目标径向速度数据，aw为所述方位角度加权平均值，ai为所述当前帧信号的运动点云信息中的第i个目标方位角度数据，ew为所述俯仰角度加权平均值，ei为所述当前帧信号的运动点云信息中的第i个目标俯仰角度数据，n为所述当前帧信号对应的检测点数目。

可选的，所述根据得到的m帧信号中的各运动点云信息的加权平均值，计算m帧信号中人体的特征向量，包括：

根据所述m帧信号中的各帧信号对应的检测点数目，计算所述m帧信号的平均检测点数目；

根据所述m帧信号中的各运动点云信息的加权平均值，计算所述m帧信号的方位角度方差以及运动极差；

根据所述运动极差、所述方位角度方差和所述平均检测点数目确定所述m帧信号中所述人体的特征向量。

可选的，所述根据所述m帧信号中的各运动点云信息的加权平均值，计算所述m帧信号的方位角度方差，包括：

根据所述m帧信号中每帧信号的运动点云信息中对应的方位角度加权平均值，计算所述m帧信号的方位角度方差。

可选的，所述运动极差，包括：距离极差、速度极差和俯仰角度极差；

所述根据所述m帧信号中的各运动点云信息的加权平均值，计算所述m帧信号的运动极差，包括：

根据所述m帧信号中的各运动点云信息的加权平均值中的最大加权平均值和最小加权平均值，分别计算所述距离极差、所述速度极差和所述俯仰角度极差。

可选的，所述根据所述m帧信号中每帧信号的运动点云信息中对应的方位角度加权平均值，计算所述m帧信号的方位角度方差，包括：

根据计算所述m帧信号的方位角度方差；

其中，astd为所述方位角度方差，aw(n)为所述m帧信号中第n帧信号的运动点云信息中对应的方位角度加权平均值，aw(m)为所述m帧信号中第m帧信号的运动点云信息中对应的方位角度加权平均值，m为信号的帧数目。

可选的，所述根据所述m帧信号中的各运动点云信息的加权平均值中的最大加权平均值和最小加权平均值，分别计算所述距离极差、所述速度极差和所述俯仰角度极差，包括：

根据rrange＝max[rw(1),rw(2),…rw(m)]-min[rw(1),rw(2),…rw(m)]，计算所述距离极差；

根据vrange＝max[vw(1),vw(2),…vw(m)]-min[vw(1),vw(2),…vw(m)]，计算所述速度极差；

根据erange＝max[ew(1),ew(2),…ew(m)]-min[ew(1),ew(2),…ew(m)]，计算所述俯仰角度极差；

其中，rrange为所述距离极差，rw(1),rw(2),…rw(m)为所述m帧信号中第1帧信号、第2帧信号…第m帧信号的运动点云信息中对应的径向距离加权平均值，max[·]为矩阵中的最大值，min[·]为矩阵中的最小值，vrange为所述速度极差，vw(1),vw(2),…vw(m)为所述m帧信号中第1帧信号、第2帧信号…第m帧信号的运动点云信息中对应的径向速度加权平均值，erange为所述俯仰角度极差，ew(1),ew(2),…ew(m)为所述m帧信号中第1帧信号、第2帧信号…第m帧信号的运动点云信息中对应的俯仰角度加权平均值。

可选的，所述根据所述m帧信号中人体的特征向量，检测人体是否跌倒，得到检测结果，包括：

基于计算所述m帧信号中人体的特征向量的方法，计算人体跌倒的特征向量和人体未跌倒的特征向量；

根据所述人体跌倒的特征向量和所述人体未跌倒的特征向量训练分类器；

将所述m帧信号中人体的特征向量输入训练后的分类器，得到人体是否跌倒的分类检测结果。

本发明实施例的第二方面提供了一种人体跌倒特征的检测装置，包括：

接收模块，用于依次接收多个回波信号，其中，所述多个回波信号为雷达发射的每帧信号中的多个连续的本振信号经人体反射回的信号；

信号处理模块，用于对当前帧信号中的本振信号和对应的回波信号进行处理，得到所述当前帧信号的点云信息；所述当前帧信号的点云信息包括目标信噪比数据和运动点云信息；

点云处理模块，用于根据所述当前帧信号的所述目标信噪比数据对所述当前帧信号的所述运动点云信息进行处理，得到所述当前帧信号的运动点云信息的加权平均值；

特征向量计算模块，用于根据得到的m帧信号中的各运动点云信息的加权平均值，计算m帧信号中人体的特征向量，m为大于0的正整数；

检测模块，用于根据所述m帧信号中人体的特征向量，检测人体是否跌倒，得到检测结果。

本发明实施例与现有技术相比存在的有益效果是：通过依次接收多个回波信号，并对当前帧信号中的本振信号和对应的回波信号进行处理，得到包括目标信噪比数据和运动点云信息的当前帧信号的点云信息，根据当前帧信号的目标信噪比数据对当前帧信号的运动点云信息进行处理，得到当前帧信号的运动点云信息的加权平均值；根据得到的m帧信号中的各运动点云信息的加权平均值，计算m帧信号中人体的特征向量，可以获得包括更丰富的人体特征信息的特征向量，根据m帧信号中人体的特征向量，检测人体是否跌倒，得到检测结果，可以更加准确的检测人体是否跌倒，提高跌倒识别的概率，降低虚警概率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的人体跌倒特征的检测方法的实现流程示意图；

图2是本发明实施例提供的宽带阵列雷达的天线阵列分布示意图；

图3是本发明实施例提供的计算m帧信号中人体的特征向量的流程示意图；

图4是本发明实施例提供的人体跌倒特征的检测装置的示意图；

图5是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1为本发明实施例提供的人体跌倒特征的检测方法的实现流程示意图，详述如下。

步骤s101，依次接收多个回波信号。

其中，多个回波信号为雷达发射的每帧信号中的多个连续的本振信号经人体反射回的信号。

其中，可以采用宽带阵列雷达发射本振信号并接收本振信号经人体反射回的回波信号。如图2所示，宽带阵列雷达可以包括一个发射天线和多个接收天线，例如tr＝rr+r1-1个接收天线，其中，rr可以为方位方向上的接收天线个数，r1可以为俯仰方向上的接收天线个数，相邻方位方向上的接收天线的间距可以为宽带阵列雷达发射的本振信号的波长的二分之一，相邻俯仰方向上的接收天线的间距也可以为宽带阵列雷达发射的本振信号的波长的二分之一。

可选的，宽带阵列雷达发射的本振信号可以为宽带本振信号，例如宽带调频连续波信号或连续的chirp信号，基于可以计算宽带阵列雷达发射的宽带本振信号的波长，其中，c为光速，f0为宽带本振信号的中心频率。

宽带阵列雷达发射宽带本振信号时可以按帧发射，每帧信号可以包括nchirp个连续的chirp信号，每帧信号可以持续tframe时间，示例性的，nchirp可以为128，tframe可以为100ms。本发明实施例对每帧信号包括的本振信号的个数以及每帧信号的持续时间不做限定。tr个接收天线分别接收每帧信号经人体反射回的回波信号，每个接收天线依次接收多个回波信号。

其中，基于宽带阵列雷达发射本振信号并接收相应的回波信号，可以同时获得目标的高精度的距离、速度、方位角度、俯仰角度和信噪比数据，具有更高的目标分辨率。

步骤s102，对当前帧信号中的本振信号和对应的回波信号进行处理，得到当前帧信号的点云信息。

其中，当前帧信号的点云信息包括目标信噪比数据和运动点云信息。

可选的，运动点云信息可以包括：目标径向距离数据、目标径向速度数据、目标方位角度数据以及目标俯仰角度数据。

可选的，对当前帧信号中的本振信号和对应的回波信号进行处理，得到当前帧信号的点云信息，可以包括：对当前帧信号中的本振信号和对应的回波信号进行混频、滤波以及模数转换，得到当前帧信号的数字信号阵列。对当前帧信号的数字信号阵列进行单元平均恒虚警检测，得到当前帧信号对应的检测点数目和每个检测点对应的目标信噪比数据。对当前帧信号的数字信号阵列进行快速傅里叶变换，得到每个检测点对应的目标径向距离数据和目标径向速度数据。对当前帧信号的数字信号阵列进行数字波束形成测角，得到每个检测点对应的目标方位角度数据和目标俯仰角度数据。

其中，tr个接收天线分别接收每帧信号经人体反射回的回波信号后，每个接收天线可以将每帧信号的本振信号与其对应的回波信号进行混频、滤波以及模数转换，得到对tr个接收天线接收的回波信号进行处理后的数字信号阵列。其中，一个chirp信号进行模数转换时的采样点数可以为nadc，示例性的，nadc可以为128，根据每帧信号包括的chirp信号的数目以及每个chirp信号对应的采样点数，可以获得经过混频、滤波以及模数转换后的数字信号阵列。其中，每个本振信号对应的采样点数可以根据需要设置。

步骤s103，根据当前帧信号的目标信噪比数据对当前帧信号的运动点云信息进行处理，得到当前帧信号的运动点云信息的加权平均值。

可选的，可以根据得到当前帧信号的运动点云信息中对应的径向距离加权平均值。根据得到当前帧信号的运动点云信息中对应的径向速度加权平均值。根据得到当前帧信号的运动点云信息中对应的方位角度加权平均值。根据得到当前帧信号当前帧信号的运动点云信息中对应的俯仰角度加权平均值。

其中，rw为径向距离加权平均值，snri为当前帧信号的点云信息中的第i个目标信噪比数据，ri为当前帧信号的运动点云信息中的第i个目标径向距离数据，vw为径向速度加权平均值，vi为当前帧信号的运动点云信息中的第i个目标径向速度数据，aw为方位角度加权平均值，ai为当前帧信号的运动点云信息中的第i个目标方位角度数据，ew为俯仰角度加权平均值，ei为当前帧信号的运动点云信息中的第i个目标俯仰角度数据，n为当前帧信号对应的检测点数目。

其中，利用当前帧信号中每个检测点对应的目标信噪比数据对每个检测点对应的目标径向距离数据、目标径向速度数据、目标方位角度数据和目标俯仰角度数据进行处理，获得当前帧信号对应的径向距离加权平均值、径向速度加权平均值、方位角度加权平均值和俯仰角度加权平均值，基于每帧信号的径向距离加权平均值、径向速度加权平均值、方位角度加权平均值和俯仰角度加权平均值计算人体的特征向量，可以更好的表征人体的运动状态，提高人体跌倒特征检测的准确度。

步骤s104，根据得到的m帧信号中的各运动点云信息的加权平均值，计算m帧信号中人体的特征向量。

其中，m为大于0的正整数。示例性的，m可以为25，具体的m的数值可以根据人体跌倒持续的时间确定，本发明实施例对此不做限定。

对于m帧信号，可以按照上述步骤s102和步骤s103中的方法，获得每帧信号对应的检测点数目，以及每帧信号的径向距离加权平均值、径向速度加权平均值、方位角度加权平均值和俯仰角度加权平均值。基于每帧信号的径向距离加权平均值、径向速度加权平均值、方位角度加权平均值和俯仰角度加权平均值，计算m帧信号中人体的特征向量。

可选的，参加图3，根据得到的m帧信号中的各运动点云信息的加权平均值，计算m帧信号中人体的特征向量，可以包括：

步骤s401，根据m帧信号中的各帧信号对应的检测点数目，计算m帧信号的平均检测点数目。

可选的，可以根据计算m帧信号的平均检测点数目。

其中，pavg为m帧信号的平均检测点数目，p(n)为第n帧信号的对应的检测点数目，m为信号的帧数目。

步骤s402，根据m帧信号中的各运动点云信息的加权平均值，计算m帧信号的方位角度方差以及运动极差。

可选的，根据m帧信号中的各运动点云信息的加权平均值，计算m帧信号的方位角度方差，可以包括：根据m帧信号中每帧信号的运动点云信息中对应的方位角度加权平均值，计算m帧信号的方位角度方差。根据m帧信号中的各运动点云信息的加权平均值，计算m帧信号的运动极差，可以包括：根据m帧信号中的各运动点云信息的加权平均值中的最大加权平均值和最小加权平均值，分别计算距离极差、速度极差和俯仰角度极差。

其中，运动极差，可以包括：距离极差、速度极差和俯仰角度极差。

可选的，可以根据计算m帧信号的方位角度方差。

其中，astd为方位角度方差，aw(n)为m帧信号中第n帧信号的运动点云信息中对应的方位角度加权平均值，aw(m)为m帧信号中第m帧信号的运动点云信息中对应的方位角度加权平均值，m为信号的帧数目。

根据rrange＝max[rw(1),rw(2),…rw(m)]-min[rw(1),rw(2),…rw(m)]，计算距离极差。

根据vrange＝max[vw(1),vw(2),…vw(m)]-min[vw(1),vw(2),…vw(m)]，计算速度极差。

根据erange＝max[ew(1),ew(2),…ew(m)]-min[ew(1),ew(2),…ew(m)]，计算俯仰角度极差。

其中，rrange为距离极差，rw(1),rw(2),…rw(m)为m帧信号中第1帧信号、第2帧信号…第m帧信号的运动点云信息中对应的径向距离加权平均值，max[·]为矩阵中的最大值，min[·]为矩阵中的最小值，vrange为速度极差，vw(1),vw(2),…vw(m)为m帧信号中第1帧信号、第2帧信号…第m帧信号的运动点云信息中对应的径向速度加权平均值，erange为俯仰角度极差，ew(1),ew(2),…ew(m)为m帧信号中第1帧信号、第2帧信号…第m帧信号的运动点云信息中对应的俯仰角度加权平均值。

步骤s403，根据运动极差、方位角度方差和平均检测点数目确定m帧信号中人体的特征向量。

示例性的，根据m帧信号的平均检测点数目pavg，m帧信号的方位角度方差astd，m帧信号的距离极差rrange，m帧信号的速度极差vrange和m帧信号的俯仰角度极差erange可以确定m帧信号中人体的特征向量ev＝[pavg,astd,erange,rrange,vrange]。

其中，通过对m帧信号中的各个运动点云信息的加权平均值计算方差或极差，以此作为m帧信号中人体的特征向量，可以获得包括人体运动特征的距离维、角度维和多普勒维的特征向量，由于包括人体运动特征的距离维、角度维和多普勒维的特征向量信息覆盖全面，可以有效区分人体跌倒与坐下、人体跌倒与行走等行为，基于包括人体运动特征的距离维、角度维和多普勒维的特征向量检测人体是否跌倒，可以有效提高人体跌倒检测的准确率，降低未跌倒情况下的虚警概率。

步骤s105，根据m帧信号中人体的特征向量，检测人体是否跌倒，得到检测结果。

其中，根据获得m帧信号中人体的特征向量的方法，可以获得多个m帧信号对应的人体的特征向量，根据多个m帧信号对应的人体的特征向量，检测人体是否跌倒，得到检测结果。

可选的，根据m帧信号中人体的特征向量，检测人体是否跌倒，得到检测结果，可以包括：基于计算m帧信号中人体的特征向量的方法，计算人体跌倒的特征向量和人体未跌倒的特征向量。根据人体跌倒的特征向量和人体未跌倒的特征向量训练分类器。将m帧信号中人体的特征向量输入训练后的分类器，得到人体是否跌倒的分类检测结果。

其中，基于计算m帧信号中人体的特征向量的方法，可以计算一定规模的人体跌倒的特征向量和人体未跌倒的特征向量，根据一定规模的人体跌倒的特征向量和人体未跌倒的特征向量训练分类器，例如神经网络、支持向量机、随机森林等分类器，再将m帧信号中人体的特征向量或多个m帧信号中人体的特征向量输入训练后的分类器，训练后的分类器即可对m帧信号中人体的特征向量或多个m帧信号中人体的特征向量进行分类，输出人体是否跌倒的分类检测结果。

上述人体跌倒特征的检测的方法，可以基于宽带阵列雷达，依次接收多个回波信号，并对当前帧信号中的本振信号和对应的回波信号进行处理，得到当前帧信号的目标信噪比数据和运动点云信息，根据当前帧信号的目标信噪比数据对当前帧信号的运动点云信息进行处理，得到当前帧信号的运动点云信息的加权平均值；根据得到的m帧信号中的各运动点云信息的加权平均值，计算m帧信号中人体的特征向量，根据m帧信号中人体的特征向量，检测人体是否跌倒，得到检测结果。基于宽带阵列雷达获取的信号获得人体的特征向量，可以不受光照影响，也不对人体成像，有利于用户的隐私保护。而且基于宽带阵列雷达获取的信号，可以获得包括人体的距离、速度、方位角度、俯仰角度和信噪比数据，基于人体的距离、速度、方位角度、俯仰角度和信噪比数据获得人体的特征向量，可以获得包括人体的距离维、角度维和多普勒维的特征向量，更加全面丰富的表达人体的运动信息，基于人体的特征向量进行检测人体是否跌倒，可以获得更高的跌倒识别率，同时降低虚警率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的人体跌倒特征的检测方法，图4示出了本发明实施例提供的人体跌倒特征的检测装置的示意图。如图4所示，该装置可以包括：接收模块41、信号处理模块42、点云处理模块43、特征向量计算模块44和检测模块45。

接收模块41，用于依次接收多个回波信号，其中，所述多个回波信号为雷达发射的每帧信号中的多个连续的本振信号经人体反射回的信号。

信号处理模块42，用于对当前帧信号中的本振信号和对应的回波信号进行处理，得到所述当前帧信号的点云信息；所述当前帧信号的点云信息包括目标信噪比数据和运动点云信息。

点云处理模块43，用于根据所述当前帧信号的所述目标信噪比数据对所述当前帧信号的所述运动点云信息进行处理，得到所述当前帧信号的运动点云信息的加权平均值。

特征向量计算模块44，用于根据得到的m帧信号中的各运动点云信息的加权平均值，计算m帧信号中人体的特征向量，m为大于0的正整数。

检测模块45，用于根据所述m帧信号中人体的特征向量，检测人体是否跌倒，得到检测结果。

可选的，所述运动点云信息，包括：目标径向距离数据、目标径向速度数据、目标方位角度数据以及目标俯仰角度数据；信号处理模块42，可以用于对所述当前帧信号中的本振信号和对应的回波信号进行混频、滤波以及模数转换，得到所述当前帧信号的数字信号阵列；对所述当前帧信号的数字信号阵列进行单元平均恒虚警检测，得到所述当前帧信号对应的检测点数目和每个检测点对应的目标信噪比数据；对所述当前帧信号的数字信号阵列进行快速傅里叶变换，得到每个检测点对应的目标径向距离数据和目标径向速度数据；对所述当前帧信号的数字信号阵列进行数字波束形成测角，得到每个检测点对应的目标方位角度数据和目标俯仰角度数据。

可选的，点云处理模块43，可以用于根据得到所述当前帧信号的运动点云信息中对应的径向距离加权平均值；根据得到所述当前帧信号的运动点云信息中对应的径向速度加权平均值；根据得到所述当前帧信号的运动点云信息中对应的方位角度加权平均值；根据得到所述当前帧信号当前帧信号的运动点云信息中对应的俯仰角度加权平均值。

其中，rw为所述径向距离加权平均值，snri为所述当前帧信号的点云信息中的第i个目标信噪比数据，ri为所述当前帧信号的运动点云信息中的第i个目标径向距离数据，vw为所述径向速度加权平均值，vi为所述当前帧信号的运动点云信息中的第i个目标径向速度数据，aw为所述方位角度加权平均值，ai为所述当前帧信号的运动点云信息中的第i个目标方位角度数据，ew为所述俯仰角度加权平均值，ei为所述当前帧信号的运动点云信息中的第i个目标俯仰角度数据，n为所述当前帧信号对应的检测点数目。

可选的，特征向量计算模块44，可以用于根据所述m帧信号中的各帧信号对应的检测点数目，计算所述m帧信号的平均检测点数目；根据所述m帧信号中的各运动点云信息的加权平均值，计算所述m帧信号的方位角度方差以及运动极差；根据所述运动极差、所述方位角度方差和所述平均检测点数目确定所述m帧信号中所述人体的特征向量。

可选的，特征向量计算模块44，可以用于根据所述m帧信号中每帧信号的运动点云信息中对应的方位角度加权平均值，计算所述m帧信号的方位角度方差。

可选的，运动极差，包括：距离极差、速度极差和俯仰角度极差；特征向量计算模块44，可以用于根据所述m帧信号中的各运动点云信息的加权平均值中的最大加权平均值和最小加权平均值，分别计算所述距离极差、所述速度极差和所述俯仰角度极差。

可选的，特征向量计算模块44，可以用于根据计算所述m帧信号的方位角度方差。

其中，astd为所述方位角度方差，aw(n)为所述m帧信号中第n帧信号的运动点云信息中对应的方位角度加权平均值，aw(m)为所述m帧信号中第m帧信号的运动点云信息中对应的方位角度加权平均值，m为信号的帧数目。

可选的，特征向量计算模块44，可以用于根据rrange＝max[rw(1),rw(2),…rw(m)]-min[rw(1),rw(2),…rw(m)]，计算所述距离极差；根据vrange＝max[vw(1),vw(2),…vw(m)]-min[vw(1),vw(2),…vw(m)]，计算所述速度极差；根据erange＝max[ew(1),ew(2),…ew(m)]-min[ew(1),ew(2),…ew(m)]，计算所述俯仰角度极差。

其中，rrange为所述距离极差，rw(1),rw(2),…rw(m)为所述m帧信号中第1帧信号、第2帧信号…第m帧信号的运动点云信息中对应的径向距离加权平均值，max[·]为矩阵中的最大值，min[·]为矩阵中的最小值，vrange为所述速度极差，vw(1),vw(2),…vw(m)为所述m帧信号中第1帧信号、第2帧信号…第m帧信号的运动点云信息中对应的径向速度加权平均值，erange为所述俯仰角度极差，ew(1),ew(2),…ew(m)为所述m帧信号中第1帧信号、第2帧信号…第m帧信号的运动点云信息中对应的俯仰角度加权平均值。

可选的，检测模块45，可以用于基于计算所述m帧信号中人体的特征向量的方法，计算人体跌倒的特征向量和人体未跌倒的特征向量；根据所述人体跌倒的特征向量和所述人体未跌倒的特征向量训练分类器；将所述m帧信号中人体的特征向量输入训练后的分类器，得到人体是否跌倒的分类检测结果。

上述人体跌倒特征的检测装置，通过接收模块，接收每帧信号中的多个连续的本振信号经人体反射的多个回波信号，通过信号处理模块，对当前帧信号中的本振信号和对应的回波信号进行处理，得到当前帧信号的目标信噪比数据和运动点云信息，通过点云处理模块，根据当前帧信号的目标信噪比数据对当前帧信号的运动点云信息进行处理，得到当前帧信号的运动点云信息的加权平均值。通过特征向量计算模块，基于每帧信号的运动点云信息的加权平均值，计算m帧信号中人体的特征向量，可以获得包括人体的距离维、角度维和多普勒维的特征向量，通过检测模块，根据m帧信号中人体的特征向量，检测人体是否跌倒，得到检测结果。可以基于包括人体的距离维、角度维和多普勒维的特征向量，对m帧信号中人体的特征向量进行更加准确的检测，提高人体跌倒检测的准确率，降低虚警概率。

图5是本发明一实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备500包括：处理器501、存储器502以及存储在所述存储器502中并可在所述处理器501上运行的计算机程序503，例如人体跌倒特征的检测程序。所述处理器501执行所述计算机程序503时实现上述人体跌倒特征的检测方法实施例中的步骤，例如图1所示的步骤s101至s105，或者图3所示的步骤s401至步骤s403，所述处理器501执行所述计算机程序503时实现上述各装置实施例中各模块的功能，例如图4所示模块41至45的功能。

示例性的，所述计算机程序503可以被分割成一个或多个程序模块，所述一个或者多个程序模块被存储在所述存储器502中，并由所述处理器501执行，以完成本发明。所述一个或多个程序模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序503在所述人体跌倒特征的检测装置或者终端设备500中的执行过程。例如，所述计算机程序503可以被分割成接收模块41、信号处理模块42、点云处理模块43、特征向量计算模块44和检测模块45，各模块具体功能如图4所示，在此不再一一赘述。

所述终端设备500可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器501、存储器502。本领域技术人员可以理解，图5仅仅是终端设备500的示例，并不构成对终端设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器501可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器502可以是所述终端设备500的内部存储单元，例如终端设备500的硬盘或内存。所述存储器502也可以是所述终端设备500的外部存储设备，例如所述终端设备500上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器502还可以既包括所述终端设备500的内部存储单元也包括外部存储设备。所述存储器502用于存储所述计算机程序以及所述终端设备500所需的其他程序和数据。所述存储器502还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。