基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备与流程

本公开涉及定位，尤其涉及一种基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备。

背景技术：

1、目前，针对老年人跌倒风险评估的研究集中于步态分析和姿态检测，获取了大量的风险评估模型。然而，绝大多数风险评估模型的构建缺乏真实场景下的日常生活数据，无法对老年人的身体状态进行有效的评估，风险评估模型缺乏有效性。此外，大多数研究利用单一设备感知老年人的身体状态，噪音和遮挡问题是单一感知评估模型无法克服的困难。同时，感知设备的侵入性带来了老年人下意识抗拒和数据可信度问题。

2、公开号cn112346055a，基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备的专利公开了：获取目标人员的毫米波反射信号；对所述毫米波反射信号进行处理，得到目标人员的点云信息；根据所述目标人员的点云信息建立空间坐标系，并确定每一个目标点的空间位置；根据每个目标点的空间位置的运动状态判断目标人员的姿态；当判断目标人员出现跌倒状态时，发出报警信号。

3、虽然已有专利公开了基于毫米波雷达的跌倒检测方法，但是已有专利是根据目标人员的点云信息建立空间坐标系，而在实际应用中，人员容易因为障碍物的遮挡，甚至是多个人员在空间上重叠导致点云信息缺失或者不准确，从而导致空间位置定位不准，最终导致对目标人员的姿态判断不准确。

4、公开于本技术背景技术部分的信息仅仅旨在加深对本技术的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

1、本公开实施例提供一种基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备，能够至少解决现有技术中的部分问题。

2、本公开实施例的第一方面，

3、提供一种基于毫米波雷达的跌倒检测方法，包括：

4、基于毫米波雷达获取目标区域中目标对象的雷达回波信息，通过预设特征提取模型从所述雷达回波信息中提取所述目标对象的运动特征信息，其中，所述特征提取模型基于第一网络模型和第二网络模型构建，所述第一网络模型用于提取所述雷达回波信息的多普勒热图，所述第二网络模型用于提取所述多普勒热图中的运动特征信息；

5、通过预设转换坐标系将所述雷达回波信息转换为点云数据，根据预设聚类算法和分类算法确定所述点云数据中目标对象的步态信息；

6、根据所述运动特征信息和所述步态信息通过预设的跌倒检测模型，确定所述目标对象的跌倒风险值，在所述跌倒风险值超过预设跌倒阈值时，基于所述运动特征信息根据所述跌倒检测模型确定所述目标对象的跌倒类别，并根据所述跌倒类别进行报警。

7、在一种可选的实施方式中，

8、所述基于毫米波雷达获取目标区域中目标对象的雷达回波信息，通过预设特征提取模型从所述雷达回波信息中提取所述目标对象的运动特征信息包括：

9、基于所述第一网络模型将所述雷达回波信息与所述毫米波雷达的发射信息进行混频处理，对所述混频处理得到的中频信号的多个采样点数据进行快速傅里叶变换得到多普勒热图；

10、根据所述多普勒热图基于所述第二网络模型确定所述多普勒热图中每个图像像素点对应高度方向的第一梯度值和对应宽度方向的第二梯度值；

11、基于所述第一梯度值和所述第二梯度值，以及所述每个图像像素点提取所述多普勒热图的轮廓信息；

12、按照预设分割比例将所述轮廓信息进行切分，遍历对所述轮廓信息进行切分后得到的图像块的局部特征，将所述局部特征进行归一化后得到所述目标对象的运动特征信息。

13、在一种可选的实施方式中，

14、所述确定所述多普勒热图中每个图像像素点对应高度方向的第一梯度值和对应宽度方向的第二梯度值如下公式所示：

15、

16、其中，th、tl分别表示第一梯度值和第二梯度值，p(x,y)表示像素点（x,y）坐标位置的像素值。

17、在一种可选的实施方式中，

18、所述通过预设转换坐标系将所述雷达回波信息转换为点云数据，根据预设聚类算法和分类算法确定所述点云数据中目标对象的步态信息包括：

19、基于所述点云数据以及预先构建的所述目标区域的环境信息，确定所述点云数据的动点集合，遍历所述动点集合中每一点与其相邻点的距离值，若所述距离值大于预设密度阈值，则将该点加入步态集合，若所述距离值小于预设密度阈值，则将该点删除，直至所述动点集合为空，所述动点集合用于指示所述点云数据中相对于所述环境信息移动的点云的集合；

20、基于所述步态集合的中心点，以及与所述中心点距离最远且方向相反的两个点确定步态步长；根据所述步态集合中边缘点的平均弧度确定步态弧度；

21、根据所述步态步长、所述步态弧度，通过所述分类算法确定所述步态集合对应的步态类别。

22、在一种可选的实施方式中，

23、所述根据所述步态步长、所述步态弧度，通过所述分类算法确定所述步态集合对应的步态类别包括：

24、分别为所述步态步长分配第一状态转移矩阵、为所述步态弧度分配第二状态转移矩阵；

25、根据所述步态步长、所述步态弧度以及所述第一状态转移矩阵、所述第二状态转移矩阵，结合预设的初始误差对应的协方差和卡尔曼增益，通过随机森林算法确定所述步态集合对应的预测步态类别。

26、在一种可选的实施方式中，

27、所述根据所述运动特征信息和所述步态信息通过预设的跌倒检测模型，确定所述目标对象的跌倒风险值包括：

28、将所述运动特征信息和所述步态信息进行融合得到融合特征信息，将所述融合特征信息输入所述跌倒检测模型，根据所述跌倒检测模型中隐藏层对应的第一激活函数以及相邻密集连接块的权重值和偏置参数，确定当前密集连接块对应的局部特征值；

29、将所述当前密集连接块对应的局部特征值，与连续内存中存储的密集特征值进行融合，得到综合特征值，其中，所述密集特征值用于指示在所述当前密集连接块之前所有的密集连接块对应的局部特征值；

30、根据所述综合特征值通过所述跌倒检测模型的输出层对应的第二激活函数，确定所述目标对象的跌倒风险值。

31、在一种可选的实施方式中，

32、所述运动特征信息包括所述目标对象在高度方向的第一运动速度以及在水平方向的第二运动速度，

33、所述在所述跌倒风险值超过预设跌倒阈值时，基于所述运动特征信息根据所述跌倒检测模型确定所述目标对象的跌倒类别包括：

34、若所述第一运动速度在预设周期内曲率变化率小于零，且所述第二运动速度在预设周期内曲率变化率等于零，则确定所述目标对象的跌倒类别为蹲下时跌倒；

35、若所述第一运动速度在预设周期内曲率变化率小于零，且所述第二运动速度在预设周期内曲率变化率大于零，则确定所述目标对象的跌倒类别为起身时跌倒；

36、若所述第一运动速度在预设周期内曲率变化率大于零，且所述第二运动速度在预设周期内曲率变化率大于零，则确定所述目标对象的跌倒类别为行走时跌倒。

37、本公开实施例的第二方面，

38、提供一种基于毫米波雷达的跌倒检测装置，包括：

39、第一单元，用于基于毫米波雷达获取目标区域中目标对象的雷达回波信息，通过预设特征提取模型从所述雷达回波信息中提取所述目标对象的运动特征信息，其中，所述特征提取模型基于第一网络模型和第二网络模型构建，所述第一网络模型用于提取所述雷达回波信息的多普勒热图，所述第二网络模型用于提取所述多普勒热图中的运动特征信息；

40、第二单元，用于通过预设转换坐标系将所述雷达回波信息转换为点云数据，根据预设聚类算法和分类算法确定所述点云数据中目标对象的步态信息；

41、第三单元，用于根据所述运动特征信息和所述步态信息通过预设的跌倒检测模型，确定所述目标对象的跌倒风险值，在所述跌倒风险值超过预设跌倒阈值时，基于所述运动特征信息根据所述跌倒检测模型确定所述目标对象的跌倒类别，并根据所述跌倒类别进行报警。

42、本公开实施例的第三方面，

43、提供一种毫米波雷达设备，包括：

44、处理器；

45、用于存储处理器可执行指令的存储器；

46、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

47、本公开实施例的第四方面，

48、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

49、本公开实施例方法对应的有益效果可参考实施例中相应位置的描述，在此不再赘述。