[发明专利]一种基于卷积神经网络的毫米波坐姿检测智慧台灯

权利要求书

1.一种基于卷积神经网络的毫米波坐姿检测智慧台灯，其特征在于，包括以下步骤：

步骤1：通过毫米波雷达获取人体目标回波信息，将所述人体目标回波信息进行预处理，得到目标距离、目标速度以及目标角度信息。

步骤2：将所述目标距离、目标速度和目标角度信息合成点云数据，并将所述点云数据输入至预先训练好的特征提取网络，提取坐姿特征。

步骤3：将所述坐姿特征输入至卷积神经网络模型中，与模型中已有坐姿特征匹配，实现坐姿特征的分类。

2.根据权利要求1所述的通过毫米波雷达获取人体目标回波信息，将所述人体目标回波信息进行预处理，得到目标距离、目标速度以及目标角度信息，其特征在于，包括以下步骤：

步骤1：利用调频连续波雷达获取信号，对原始人体目标回波信号进行低通滤波，滤除原始人体目标回波信号中的噪声信号。

步骤2：将滤波后的信号采样，再进行模数转换，得到人体目标回波的数字信号。

步骤3：对所述人体目标回波信号执行快速傅里叶变换，即距离维FFT，获取Range曲线，即目标距离信息。

步骤4：确定目标的距离范围，对所述人体目标回波信号执行多普勒维FFT，获取目标速度信息。

步骤5：对所述人体目标回波信号执行角度维FFT，获取目标角度信息。

3.根据权利要求1所述的目标距离信息、速度信息以及角度信息合成点云数据，其特征在于，包括以下步骤：

步骤1：将所述目标距离信息以及所述目标速度信息结合，得到距离—速度二维FFT频谱图。

步骤2：将所述目标距离信息以及所述目标角度信息结合，得到距离—角度二维FFT频谱图。

步骤3：将所述距离—速度二维FFT频谱图和距离—角度二维FFT频谱图合成点云数据。

4.根据权利要求1所述的一种基于毫米波雷达结合卷积神经网络的坐姿检测智慧台灯，其特征在于，将多种姿态的点云数据保存成图片格式作为预先训练好的卷积神经网络的输入。

5.根据权利要求1所述的预先训练好的特征提取网络，其特征在于，包括以下步骤：

步骤1：将所述点云数据变换成三维坐标显示。

步骤2：将三维坐标内点云数据以图片形式制作数据集。

步骤3：采集多组数据集作为训练集、测试集，每一组训练集、测试集包括多个相同坐姿对应的用户姿态特征。

步骤4：将所述训练集分别标为对应的标签，用以分类不同的坐姿。

步骤5：将所述训练集录入至一模型进行训练，通过测试集测试网络准确性，根据所得结果进行调整，生成特征提取网络。

6.根据权利要求1所述的坐姿特征输入至卷积神经网络模型，其特征在于，包括以下步骤：

步骤1：将用户点云数据输入至特征提取网络，得到坐姿特征。

步骤2：将得到的坐姿特征与特征组别标签匹配，输出对应的组别标签，完成坐姿的检测。