[發(fā)明專利]基于毫米波的靜態(tài)目標存在識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110040979.5
• 申請日: 2021-01-13
• 公開（公告）號: CN112731332A
• 公開（公告）日: 2021-04-30
• 發(fā)明（設(shè)計）人: 關(guān)山
• 申請（專利權(quán)）人: 路晟悠拜（重慶）科技有限公司
• 主分類號: G01S7/41
• 分類號: G01S7/41;G01S13/04;G01S13/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 重慶博瑞泰知識產(chǎn)權(quán)代理有限公司 50256
• 代理人: 梁明升

1.一種基于毫米波的靜態(tài)目標存在識別方法，其特征在于，包括以下步驟：

通過一個或多個毫米波傳感設(shè)備向監(jiān)測空間內(nèi)發(fā)射線性調(diào)頻連續(xù)毫米波，并實時接收監(jiān)測空間內(nèi)反射的毫米波傳感信號；所述毫米波傳感信號包括初始毫米波傳感信號和待識別毫米波傳感信號；

對接收的毫米波傳感信號進行預(yù)處理，根據(jù)預(yù)處理后的初始毫米波傳感信號分析計算靜態(tài)目標的初始物理值，并基于初始物理值構(gòu)建空間環(huán)境靜物模型；

根據(jù)預(yù)處理后的待識別毫米波傳感信號分析計算靜態(tài)目標的實時物理值，并基于實時物理值采用神經(jīng)網(wǎng)絡(luò)識別分析靜態(tài)目標的空間位置；

將待識別靜態(tài)目標的空間位置和空間環(huán)境靜物模型數(shù)據(jù)導(dǎo)入模式識別分類學(xué)習(xí)器，輸出靜態(tài)人體或環(huán)境靜物，確定存在于監(jiān)測空間內(nèi)的靜態(tài)人體；

將靜態(tài)人體于監(jiān)測空間的空間位置信息實時發(fā)送到監(jiān)測服務(wù)器或用戶端。

2.根據(jù)權(quán)利要求1所述的基于毫米波的靜態(tài)目標存在識別方法，其特征在于，所述初始物理值包括監(jiān)測空間中環(huán)境靜物的距離、角度以及初始毫米波傳感信號的信號強度幅值，所述實時物理值包括監(jiān)測空間中靜態(tài)人體或環(huán)境靜物的距離、角度以及待識別毫米波傳感信號的信號強度幅值。

3.根據(jù)權(quán)利要求2所述的基于毫米波的靜態(tài)目標存在識別方法，其特征在于，所述根據(jù)預(yù)處理后的待識別毫米波傳感信號分析計算靜態(tài)目標的實時物理值，并基于實時物理值采用神經(jīng)網(wǎng)絡(luò)識別分析靜態(tài)目標的空間位置，具體包括：

對預(yù)處理后的待識別毫米波傳感信號進行多普勒運算，得到靜態(tài)目標的實時物理值，并對監(jiān)測空間環(huán)境靜物以及無多普勒效應(yīng)的靜態(tài)目標進行障礙消除；

基于靜態(tài)目標的實時物理值計算靜態(tài)目標的極坐標，根據(jù)靜態(tài)目標的極坐標集合及對應(yīng)的幅值構(gòu)建數(shù)組矩陣；

當靜態(tài)目標的多普勒位移為零時，根據(jù)靜態(tài)目標的極坐標采用神經(jīng)網(wǎng)絡(luò)分析靜態(tài)目標的空間位置。

4.根據(jù)權(quán)利要求2所述的基于毫米波的靜態(tài)目標存在識別方法，其特征在于，所述空間環(huán)境靜物模型的構(gòu)建方法如下：

通過毫米波傳感設(shè)備對靜態(tài)的監(jiān)測空間進行N次掃描；獲取每次掃描所對應(yīng)的距離、角度和幅值數(shù)據(jù)，幅值為距離和角度的二維相關(guān)函數(shù)；

比較k時刻的幅值數(shù)據(jù)與k+1時刻的幅值數(shù)據(jù)是否在容差δ的容限范圍內(nèi)；

若k+1時刻在相同距離和角度的比較數(shù)據(jù)小于容差δ，即為真實空間環(huán)境靜物的反射點云；

對每一個真實反射點云重做N次數(shù)據(jù)比較，確定空間環(huán)境靜物的所有真實反射點云集，并對所有環(huán)境靜物點云集數(shù)據(jù)和坐標進行存儲。

5.根據(jù)權(quán)利要求1所述的基于毫米波的靜態(tài)目標存在識別方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)采用長短期記憶遞歸神經(jīng)網(wǎng)絡(luò)LSTM，LSTM神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程如下：

S101：獲取k時刻學(xué)習(xí)型數(shù)據(jù)向量Xk，并作為輸入層，由權(quán)重值W確定輸入權(quán)重向量U；

S102：確定k時刻隱含層的向量函數(shù)Sk＝f(Uk·Xk+W·Sk-1)；其中，Uk表示k時刻的輸入權(quán)重向量，Sk-1表示k-1時刻隱含層的向量函數(shù)；

S103：設(shè)定輸出權(quán)重向量V，確定k時刻輸出層的向量函數(shù)Ok＝g(V·Sk)；

S104：完成k時刻數(shù)據(jù)學(xué)習(xí)，循環(huán)執(zhí)行步驟S101～S103。

6.根據(jù)權(quán)利要求1所述的基于毫米波的靜態(tài)目標存在識別方法，其特征在于，所述模式識別分類學(xué)習(xí)器采用KNN分類器，所述KNN分類器的識別過程如下：

獲取子集空間內(nèi)的數(shù)據(jù)集合，基于歐式距離函數(shù)計算數(shù)據(jù)樣本；

獲取數(shù)據(jù)樣本中最靠近的k個訓(xùn)練樣本，將k個樣本基于距離做加權(quán)平均；

選擇k個樣本中出現(xiàn)最多的類別，以得到的加權(quán)平均值作為相應(yīng)類別，這個識別的類別即為對應(yīng)的姿態(tài)輸出。

7.根據(jù)權(quán)利要求1所述的基于毫米波的靜態(tài)目標存在識別方法，其特征在于，所述對接收的毫米波傳感信號進行預(yù)處理，具體包括：

將毫米波傳感信號由模擬信號轉(zhuǎn)換為數(shù)字信號，對毫米波傳感信號進行逆傅里葉變換，將頻域數(shù)字信號轉(zhuǎn)為時域數(shù)字信號；對時域數(shù)字信號依次進行數(shù)字濾波處理、空間多徑干擾消除和空間噪聲處理。