[发明专利]一种毫米波雷达与深度学习结合的姿态监测方法

说明书

本发明公开了一种毫米波雷达与深度学习结合的姿态监测方法，包括以下步骤：步骤1：采集训练与测试样本数据；步骤2：深度学习模型建立、训练及测试。毫米波雷达与深度学习结合的姿态监测方法在日常生活中可以全天候不间断对室内人员行为进行监测，不仅可以监测用户的行为习惯，而且对于用户发生跌倒行为时可及时报警，从而避免二次伤害，对用户的安全起到了很好的保障，使用过程中也对用户的隐私提供了保护。

技术领域

本发明涉及信号处理技术领域，具体涉及一种毫米波雷达与深度学习结合的姿态监测方法。

背景技术

人体姿态监测在远程监护、安防监控、公共场所、医院等邻域近年来受到广泛关注，其中利用毫米波雷达传感器可在室内对人体运动过程产生的平动和转动等微小运动信息进行有效捕捉与探测，通过对这些微小的运动变化信息的提取与分类可以达到对人体运动姿态的检测与分类的目的。由于毫米波雷达传感器在做人体姿态检测时大部分用于室内场景，而考虑到对用户个人隐私的保护，因此基于毫米波雷达传感器的姿态检测系统就显得尤为有价值。

目前用于室内人员检测的的装置除了毫米波雷达以外，还包括基于相机及摄像头的视觉识别、基于可穿戴设备和传感器的方法、被动红外传感器等，由于上述方法会受光线、视距及方便性等因素的影响，导致检测准确度和最终效果不佳，并且会有所需设备的成本高、隐私保护弱等问题，本发明提供一种毫米波雷达与深度学习结合的姿态监测方法，能在很大程度上解决上述问题。

发明内容

本发明的目的在于提供一种毫米波雷达与深度学习结合的姿态监测方法，以期解决背景技术中存在的技术问题。

本发明所述的一种毫米波雷达与深度学习结合的姿态监测方法，采用毫米波雷达采集数据并作处理后得到时间-多普勒热度图，利用GAN-CNN深度学习算法进行姿态检测分类，相比于摄像头、红外传感器等，具有隐私性强、精确度高等特点。基于上述原理，本发明具体实施包括以下步骤：

步骤1、毫米波雷达为多发多收的天线系统，并采用BPM模式(二进制调制相位调制)向所测空间中发射线性调频连续波，通过具有固定天线间距的雷达接收机接收所测空间反射的回波信号，并在采集数据过程中录制视频；

步骤2、对回波信号进行解码，获得每一对发射-接收回波信号数据，并按照采样点数-chirp数(脉冲数)-天线数-帧数的格式进行排列得到多帧的雷达立方体数据，该格式的数据表示为一组采集数据，共有N组采集数据。

步骤3、对获得的每一帧的雷达立方体数据的快时间维度(采样点维度)作快速傅里叶变换，以此区分位于不同距离范围的目标。

步骤4、对步骤3中处理好的每一帧数据沿着慢时间维度(chirp维)作短时傅里叶变换(STFT)，以此获得目标的速度信息。

步骤5、将步骤4中获得的每一帧雷达立方体数据作非相干处理以提高天线增益，再对距离单元作积累，最终按时间顺序将每一帧雷达立方体数据进行排列从而获得时间-多普勒热度图。

步骤6、对步骤5中的时间-多普勒热度图进行滑窗和选择处理以获得每一组采集数据所包含的不同姿态的时间-多普勒热度图，并将所述不同姿态的时间-多普勒热度图打上不同姿态所对应的标签。

步骤7、构建姿态检测深度学习模型，利用N组采集数据的不同姿态的时间-多普勒热度图进行所述深度学习模型的训练，得到训练完毕的深度学习模型以此达到对不同姿态进行检测的目的。

步骤8、将训练完毕并测试好的深度学习模型加载到服务器上，利用服务器对待检测的图片流进行姿态检测。

步骤9、当所述服务器判断输入的图片流中连续几帧的图片输出某一姿态的概率均大于所设定的阈值时，由屏幕显示该姿态并进行语音提醒。