本發(fā)明涉及雷達(dá)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的毫米波雷達(dá)人體檢測方法及其相關(guān)設(shè)備。

背景技術(shù)：

1、毫米波雷達(dá)技術(shù)近年來在各類應(yīng)用中得到了廣泛關(guān)注，特別是在自動(dòng)駕駛、安防監(jiān)控、智能家居等領(lǐng)域。毫米波雷達(dá)具有低成本、高精度、全天候工作等優(yōu)點(diǎn)，成為了各類目標(biāo)檢測系統(tǒng)中的重要傳感器之一。

2、傳統(tǒng)的毫米波雷達(dá)人體檢測方法主要依賴于目標(biāo)物體的宏觀運(yùn)動(dòng)特征和反射特征，這些方法可以分為兩類：

3、1)基于運(yùn)動(dòng)特征的方法：這些方法通過分析目標(biāo)物體的運(yùn)動(dòng)軌跡和速度特征來實(shí)現(xiàn)檢測。例如，短時(shí)傅里葉變換(stft)和離散傅里葉變換(dft)等時(shí)頻分析技術(shù)被廣泛應(yīng)用于提取運(yùn)動(dòng)特征。然而，這些方法在面對(duì)復(fù)雜的環(huán)境和多目標(biāo)場景時(shí)性能下降顯著，難以準(zhǔn)確區(qū)分人體和其他運(yùn)動(dòng)物體。

4、2)基于反射特征的方法：這些方法通過分析毫米波信號(hào)反射的強(qiáng)度、相位和極化特性來進(jìn)行目標(biāo)檢測。例如，使用多普勒雷達(dá)可以獲取物體的微多普勒效應(yīng)，這種效應(yīng)能夠反映出物體的微動(dòng)特征，如人體的肢體運(yùn)動(dòng)。然而，傳統(tǒng)方法依賴于預(yù)定義的特征模板或規(guī)則，難以適應(yīng)多變的實(shí)際環(huán)境，比如在室內(nèi)或庭院中很難對(duì)人與風(fēng)扇、被風(fēng)吹動(dòng)的樹等進(jìn)行區(qū)分，以致誤判。

5、現(xiàn)有的毫米波雷達(dá)人體檢測方法在復(fù)雜環(huán)境中面臨許多挑戰(zhàn)，如風(fēng)扇等電器干擾、其它動(dòng)物干擾和自然風(fēng)干擾等問題。因此如何提升現(xiàn)有毫米波雷達(dá)人體檢測方法的準(zhǔn)確率顯得十分重要。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明實(shí)施例提供了一種基于深度學(xué)習(xí)的毫米波雷達(dá)人體檢測方法及其相關(guān)設(shè)備，旨在解決現(xiàn)有技術(shù)中毫米波雷達(dá)檢測人體的準(zhǔn)確率低的技術(shù)問題。

2、第一方面，本發(fā)明提供一種基于深度學(xué)習(xí)的毫米波雷達(dá)人體檢測方法，包括：

3、采集和標(biāo)注待檢測雷達(dá)數(shù)據(jù)集；

4、對(duì)采集到的待檢測雷達(dá)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，生成增強(qiáng)雷達(dá)數(shù)據(jù)集；

5、設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型，使用增強(qiáng)雷達(dá)數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；

6、當(dāng)神經(jīng)網(wǎng)絡(luò)模型符合標(biāo)準(zhǔn)時(shí)，使用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行推理，輸出檢測結(jié)果；

7、其中，設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型的步驟包括：

8、神經(jīng)網(wǎng)絡(luò)模型包括至少兩個(gè)卷積層，至少一個(gè)池化層和至少一個(gè)全連接層；

9、第一卷積層由至少十六個(gè)一維卷積濾波器構(gòu)成，第一卷積核包括1x3,1x5兩種；

10、第二卷積層包括至少一維卷積濾波器構(gòu)成，第二卷積核包括1x1,1x3兩種；

11、第一卷積層和第二卷積層卷積完后均做至少一次非線性操作和層歸一化操作；

12、池化層是一維的全局平均池化操作，經(jīng)過全連接層和softmax函數(shù)計(jì)算以后輸出檢測結(jié)果。

13、優(yōu)選地，設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型的步驟包括：

14、獲取尺寸為1*64的由多普勒樣本數(shù)據(jù)構(gòu)成的一維張量，輸入至神經(jīng)網(wǎng)絡(luò)模型。

15、優(yōu)選地，使用增強(qiáng)雷達(dá)數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的步驟，包括：

16、將增強(qiáng)雷達(dá)數(shù)據(jù)集據(jù)輸入到神經(jīng)網(wǎng)絡(luò)模型中，神經(jīng)網(wǎng)絡(luò)模型依次進(jìn)行卷積、非線性計(jì)算、歸一化、池化、全連接層、softmax函數(shù)計(jì)算，輸出目標(biāo)是人的概率值；

17、使用二分類交叉熵?fù)p失函數(shù)focalloss，根據(jù)概率值和預(yù)先標(biāo)注好的標(biāo)簽真值計(jì)算損失值；

18、根據(jù)損失值進(jìn)行反向傳播，優(yōu)化和更新神經(jīng)網(wǎng)絡(luò)模型的參數(shù)。

19、優(yōu)選地，二分類交叉熵?fù)p失函數(shù)focalloss的計(jì)算公式為：

20、focalloss＝l(y,p)＝-ylog(p)-(1-y)log(1-p)

21、其中，y是標(biāo)簽真值，p是指神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果。

22、優(yōu)選地，采集和標(biāo)注待檢測雷達(dá)數(shù)據(jù)集的步驟，包括：

23、使用毫米波雷達(dá)采集每幀微多普勒數(shù)據(jù)：

24、對(duì)每個(gè)動(dòng)態(tài)目標(biāo)附近選取能量較高的4個(gè)點(diǎn)，并讀取對(duì)應(yīng)的微多普勒值，然后沿著時(shí)間維度連續(xù)采集16幀，總共獲得64個(gè)值，作為1組微多普勒樣本數(shù)據(jù)。

25、優(yōu)選地，對(duì)采集到的待檢測雷達(dá)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，生成增強(qiáng)雷達(dá)數(shù)據(jù)集的步驟，包括：

26、對(duì)每組樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)放大，數(shù)據(jù)平移，增加噪聲和數(shù)據(jù)倒序的操作。

27、優(yōu)選地，當(dāng)神經(jīng)網(wǎng)絡(luò)模型符合標(biāo)準(zhǔn)時(shí)，使用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行推理，輸出檢測結(jié)果的步驟，包括：

28、獲取用于判斷目標(biāo)是人的概率值，根據(jù)概率值和閾值判斷檢測目標(biāo)是人還是非人，輸出最終的檢測結(jié)果。

29、第二方面，本發(fā)明提供一種人體檢測系統(tǒng)，用于執(zhí)行上述的方法，包括：

30、毫米波雷達(dá)系統(tǒng)，用于采集檢測目標(biāo)的雷達(dá)數(shù)據(jù)；

31、計(jì)算終端，用于處理數(shù)據(jù)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型和推理檢測目標(biāo)。

32、第三方面，本發(fā)明提供一種存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，當(dāng)計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述的方法。

33、第四方面，本發(fā)明提供一種電子設(shè)備，包括：至少一個(gè)處理器、至少一個(gè)存儲(chǔ)器以及存儲(chǔ)在存儲(chǔ)器中的計(jì)算機(jī)程序指令，當(dāng)計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的方法。

34、綜上所述，本發(fā)明的有益效果如下：通過利用深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型處理微多普勒數(shù)據(jù)，可以準(zhǔn)確判斷待檢測物體是否為人，從而提高檢測的準(zhǔn)確性和魯棒性，適用于各種復(fù)雜環(huán)境和應(yīng)用場景。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的毫米波雷達(dá)人體檢測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的毫米波雷達(dá)人體檢測方法，其特征在于，所述設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型的步驟包括：

3.根據(jù)要求1或2所述的基于深度學(xué)習(xí)的毫米波雷達(dá)人體檢測方法，其特征在于，所述使用所述增強(qiáng)雷達(dá)數(shù)據(jù)集訓(xùn)練所述神經(jīng)網(wǎng)絡(luò)模型的步驟，包括：

4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的毫米波雷達(dá)人體檢測方法，其特征在于，所述二分類交叉熵?fù)p失函數(shù)focalloss的計(jì)算公式為：

5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的毫米波雷達(dá)人體檢測方法，其特征在于，所述采集和標(biāo)注待檢測雷達(dá)數(shù)據(jù)集的步驟，包括：

6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的毫米波雷達(dá)人體檢測方法，其特征在于，所述對(duì)采集到的待檢測雷達(dá)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，生成增強(qiáng)雷達(dá)數(shù)據(jù)集的步驟，包括：

7.根據(jù)權(quán)利要求6所述的毫米波雷達(dá)人體檢測方法，其特征在于，所述當(dāng)所述神經(jīng)網(wǎng)絡(luò)模型符合標(biāo)準(zhǔn)時(shí)，使用所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行推理，輸出檢測結(jié)果的步驟，包括：

8.一種人體檢測系統(tǒng)，用于執(zhí)行權(quán)利要求1至7任意一項(xiàng)所述的方法，其特征在于，包括：

9.一種存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，其特征在于，當(dāng)所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至7中任一項(xiàng)所述的方法。

10.一種電子設(shè)備，其特征在于，包括：至少一個(gè)處理器、至少一個(gè)存儲(chǔ)器以及存儲(chǔ)在所述存儲(chǔ)器中的計(jì)算機(jī)程序指令，當(dāng)所述計(jì)算機(jī)程序指令被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至7中任一項(xiàng)所述的方法。

技術(shù)總結(jié)
本發(fā)明提供一種基于深度學(xué)習(xí)的毫米波雷達(dá)人體檢測方法，包括：采集和標(biāo)注待檢測雷達(dá)數(shù)據(jù)集；對(duì)采集到的待檢測雷達(dá)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，生成增強(qiáng)雷達(dá)數(shù)據(jù)集；設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型，使用增強(qiáng)雷達(dá)數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；當(dāng)神經(jīng)網(wǎng)絡(luò)模型符合標(biāo)準(zhǔn)時(shí)，使用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行推理，輸出檢測結(jié)果。通過利用深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型處理微多普勒數(shù)據(jù)，可以準(zhǔn)確判斷待檢測物體是否為人，從而提高檢測的準(zhǔn)確性和魯棒性，適用于各種復(fù)雜環(huán)境和應(yīng)用場景。

技術(shù)研發(fā)人員：陳承文,周珂,蔡堉偉
受保護(hù)的技術(shù)使用者：蘇州承泰科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/14