[发明专利]基于毫米波感知的追踪目标状态识别方法和装置

说明书

本发明提供一种基于毫米波感知的追踪目标状态识别方法和装置，方法包括：基于毫米波雷达接收到的毫米波信号实时获取点云数据；基于获得的点云数据进行目标追踪，确定追踪目标的空间坐标数据；对预定长度的时间窗口内的、与追踪目标相关的点云数据按帧进行数据拆分，基于拆分的数据生成各帧数据对应的多维数据矩阵；并将多维数据矩阵输入至预训练的神经网络模型，该神经网络模型包括多层卷积层、LSTM网络层和全连接分类器，由全连接分类器输出追踪目标的状态的预测结果，追踪目标的状态包括多种动作状态；基于追踪目标状态预测结果和预先建立的有限状态机确定追踪目标的最终状态。

技术领域

本发明涉及毫米波感知技术领域，尤其涉及一种基于毫米波感知的追踪目标状态识别方法和装置。

背景技术

毫米波技术可以提供亚毫米级的精确度并且可以穿透某些特定材料，例如塑料、衣物等，且不易受雨、雾、灰尘和雪等环境条件的影响。毫米波同时还可作为一种极有价值的感知技术，可以检测目标并提供这些目标的距离，速度和角度。毫米波传感器已广泛用于自动驾驶、工业、无人机和医学应用等领域。各种毫米波感知技术，如基于毫米波的手势识别、步态识别以及心跳呼吸识别等，可以为用户提供更加智能、便捷、有趣的产品体验，随着5G技术的飞速发展与成熟，毫米波无线模块将被广泛地安装在手机、可穿戴设备及更多的物联网设备上。

基于毫米波技术可以实现非接触式的无需摄像机的人员状态识别，其具有隐私保护、舒适性好、被动监测等优点。现有的状态识别还包括基于视频的状态识别技术、基于可穿戴传感器的状态识别技术和基于RF信号的状态识别技术。

其中，基于视频的状态识别技术需要在感知范围内安装摄像装置，通过连续的视频拍摄，捕捉目标的连续动作变化，再利用目标检测等算法检测每一帧中目标的位置，通过状态识别算法提取连续在多帧中，目标完成的动作，通常选用机器学习或深度学习方法进行状态识别。由于基于视频的状态识别技术会用到摄像设备，因此对于一些敏感环境，如卧室、浴室等环境，会存在隐私泄露的风险，用户接受度较低，同时成本较高。并且基于视频的方法对于光线要求较高，且在烟雾、雨雪等不良环境中不能工作。

基于可穿戴设备的状态识别技术需要用户主动佩戴相关传感器设备，通过陀螺仪、加速度传感器等仪器来捕捉用户肢体或躯干的变化，通过数据去噪、处理和分析，可以得到用户在不同状态中的传感器信号变化曲线，通过与状态曲线模板匹配或其他识别方式来对用户状态进行识别。但是佩戴传感器会影响用户体验感，舒适度较低，数据收集的连续性依赖于用户的配合度。此外还存在设备充电、定期维护等额外负担。且传感器由于佩戴在用户的不同部位，如手腕或脚踝等，获取的数据也主要关注完成某动作时该部位的变化，而不是关注用户的全身运动信息，所以可识别动作较少，准确率也不是很高，例如对于缓慢跌倒的识别率较低等。

基于RF(射频)信号的状态识别技术是通过雷达发射RF波，利用反射信号来获取目标的位置与状态。但用传统RF信号测得距离的分辨率远差于毫米波信号，定位与追踪不如毫米波精细。

目前还有利用调频连续波(FrequencyModulatedContinuousWave，FMCW)作为毫米波信号实现轨迹追踪及跌倒检测的技术，但目前这种技术仅限于识别有限的状态，如跌倒，也即可识别的状态比较单一，此外其基于点云数据信息利用阈值进行逻辑判断，准确率不够高。

虽然目前毫米波识别技术开始应用于人员状态识别，但如何更准确地实现更多种人员状态的识别，还是一个有待解决的问题。

发明内容

鉴于此，本发明实施例提供了一种基于毫米波感知的追踪目标状态识别方法和装置，以消除或改善现有技术中存在的一个或更多个缺陷。

本发明的一个方面提供了一种基于毫米波感知的追踪目标状态识别方法，该方法包括以下步骤：

基于毫米波雷达接收到的毫米波信号实时获取点云数据，所述点云数据包括各个检测点的空间坐标数据、多普勒速度信息和信噪比；