CN108919218A - 一种非接触式车内人数及位置判断的方法及装置 - Google Patents

Abstract

本发明提供一种非接触式车内人数及位置判断的方法及装置，用以判断车辆是否超载。其方法包括以下步骤：步骤1，使用安装在车内的脉冲超宽带雷达持续对车内乘坐者变化进行监测，并对获取到的雷达回波信号进行去除杂波预处理得到人体体动信号；步骤2，基于雷达矩阵的稳定性增强位置信息，并根据雷达与车内座位的位置距离以及人体反射面积分解不同检测区间，分区间提取信号特征；步骤3，分析雷达特征并结合机器学习算法进行车内人数及位置的判断，分析结果用以判断车辆是否超载。非接触式车内人数及位置判断的装置包括基于脉冲超宽带雷达的获取模块、处理模块和检测模块。本发明通过脉冲超宽带雷达能够无接触地获取车内人数以及位置信息，且对于小型及中型轿车只需要单个脉冲超宽带雷达即可实现。与现有技术相比，本发明具有低功耗、无接触、隐私性良好等优点。

Description

一种非接触式车内人数及位置判断的方法及装置

技术领域

本发明属于交通设备技术领域，涉及一种非接触式车内人数及位置判断的方法及装置，通过车载的脉冲超宽带雷达实现车内人数和位置的判断，用于车辆超载检测。

背景技术

判断车辆内的人数对于控制车辆超载有着重要意义。目前车内人数检测的方法主要包括基于压力传感器的检测方法、基于IC(Integrated Circuit，集成电路)卡信息的检测方法和基于视频监控的检测方法等。基于压力传感器的方法需要在每个座椅上都布置传感器，耗费传感器且面临着电路损坏的威胁，更无法区分检测到的目标是重物还是人体；基于IC卡信息的检测方法需要详细记录乘客的信息，且对于私人汽车不适用；基于视频监控的检测方法则会给乘坐者带来隐私问题，且受到光线以及衣物和座椅遮挡的限制。脉冲超宽带雷达提供了一种非接触式的测量方式，通过发射和接收的无线信号获取车内的人体信息，通过分析可得出人数以及所处相应的位置。脉冲超宽带雷达功耗低，发射功率甚至低于普通设备产生的噪声，且具有高空间分辨率和强穿透力。与现有的技术相比，在一个五座轿车内只需安装单个脉冲超宽带雷达即可实现多人计数以及位置信息计算。且脉冲超宽带雷达无需接触人体，不会给人体带来不便与不适，也无需获取人体图像和个人数据，具有良好的隐私保护性。

发明内容

针对上述问题，本发明实施例提供一种非接触式车内人数及位置判断的方法及装置。

本发明实施例提供了一种非接触式车内人数及位置判断的方法，包括：

获取车内由脉冲超宽带雷达采集的雷达回波数据，并对获取到的车内雷达数据进行信号预处理提取人体体动信号；

针对所述预处理后的人体体动信号进一步增强人***置信息，并基于位置信息分解信号区间，提取雷达信号特征；

针对所述提取的特征进行基于机器学习的车内人数计算及位置判断，人数和位置结果用于判断车辆是否超载。

可选地，获取车内由脉冲超宽带雷达采集的雷达回波数据，并对获取到的车内雷达数据进行信号预处理提取人体体动信号，包括：

使用置于车内的脉冲超宽带雷达获取车内信号，将单独接收的雷达信号组合成包含多条信号的雷达矩阵，通过雷达矩阵获取车内连续的信号信息，并每5秒对雷达矩阵进行一次存储与判断；

根据车内密闭空间以及金属环境带来的密集多径特点，使用SVD(Singular ValueDecomposition，奇异值分解)方法分解所获取的雷达矩阵，并根据车内密集多径环境导致的信号分布特征，选取能量第二大的奇异值重构雷达矩阵，获取由人体体动反射的信号，去除能量第一大的奇异值对应的杂波信号以及其他较小奇异值对应的噪声。

可选地，针对所述预处理后的人体体动信号进一步增强人***置信息，并基于位置信息分解信号区间，提取雷达信号特征，包括：

使用曲波变换将雷达信号矩阵分解到不同的尺度和方向上，根据车内座位分布固定导致的人***置在短时间内的不变性，选取在雷达接收时间上稳定且连续的信号，即雷达矩阵中垂直方向上的信号，通过提取不同尺度下对应垂直方向上的曲波系数来重构雷达矩阵，以进一步增强人***置信息；

根据雷达矩阵中由不同人数带来的整体特征，通过曲波变换分解雷达矩阵，并分别提取粗糙层曲波系数的能量、均值和精细层曲波系数的能量、最大值等特征；

基于雷达的摆放位置到每个固定座位之间的距离，以及不同座位的人对应雷达的不同反射面积，对信号进行位置区间划分，并对应每个位置区间，根据信号幅值在区间内的分布选取特征，包括能量、方差、均值、最大值、去噪能量和去噪最大值等。

可选地，针对所述提取的特征进行基于机器学习的车内人数计算及位置判断，人数和位置结果用于判断车辆是否超载，包括：

采集对应不同人数和位置的雷达数据，并使用上述方法提取雷达数据特征，用以训练由50棵决策树组成的随机森林分类器；

从实时获取的车内雷达数据中使用上述方法提取出特征，并输入到随机森林分类器中进行分类，得到车内人数以及所处位置，判断车辆是否超载。

相应地，本发明实施例还提供了一种非接触式车内人数及位置判断的装置，包括：

获取模块，用于获取车内由脉冲超宽带雷达采集的雷达回波数据，并对所述获取到的车内雷达数据进行信号预处理提取人体体动信号；

处理模块，用于对针对所述预处理后的人体体动信号进一步增强人***置信息，并基于位置信息分解信号区间，提取雷达信号特征；

检测模块，用于针对所述提取的特征进行基于机器学习的车内人数计算及位置判断，人数和位置结果用于判断车辆是否超载。

可选地，获取模块还用于：

使用置于车内的脉冲超宽带雷达获取车内信号，将单独接收的雷达信号组合成包含多条信号的雷达矩阵，通过雷达矩阵获取车内连续的信号信息，并每5秒对雷达矩阵进行一次存储与判断；

根据车内密闭空间以及金属环境带来的密集多径特点，使用SVD方法分解所获取的雷达矩阵，并根据车内密集多径环境导致的信号分布特征，选取能量第二大的奇异值重构雷达矩阵，获取由人体体动反射的信号，去除能量第一大的奇异值对应的杂波信号以及其他较小奇异值对应的噪声。

可选地，处理模块还用于：

使用曲波变换将雷达信号矩阵分解到不同的尺度和方向上，根据车内座位分布固定导致的人***置在短时间内的不变性，选取在雷达接收时间上稳定且连续的信号，即雷达矩阵中垂直方向上的信号，通过提取不同尺度下对应垂直方向上的曲波系数来重构雷达矩阵，以进一步增强人***置信息；

根据雷达矩阵中由不同人数带来的整体特征，通过曲波变换分解雷达矩阵，并分别提取粗糙层曲波系数的能量、均值和精细层曲波系数的能量、最大值等特征；

基于雷达的摆放位置到每个固定座位之间的距离，以及不同座位的人对应雷达的不同反射面积，对信号进行位置区间划分，并对应每个位置区间，根据信号幅值在区间内的分布选取特征，包括能量、方差、均值、最大值、去噪能量和去噪最大值等。

可选地，检测模块具体用于：

采集对应不同人数和位置的雷达数据，并使用上述方法提取雷达数据特征，用以训练由50棵决策树组成的随机森林分类器；

从实时获取的车内雷达数据中使用上述方法提取出特征，并输入到随机森林分类器中进行分类，得到车内人数以及所处位置，判断车辆是否超载。

本发明实施例提供一种非接触式车内人数及位置判断的方法及装置，包括：获取车内由脉冲超宽带雷达采集的雷达回波数据，进行信号预处理获取人体体动信号，针对预处理后的人体体动信号进一步增强人***置信息，并基于位置信息分解信号区间，提取雷达信号特征，并对特征进行基于机器学习的车内人数计算及位置判断，用于判断车辆是否超载。由于车内属于密闭空间且有众多金属，造成的密集多径环境会影响到人体体动信号的检测，因此采用基于车内信号分布特点的奇异值分解方法去除杂波，以进一步提取有效信号。利用人的位置在短时内的不变性和在雷达矩阵接收时间上的稳定性，采用曲波变换增强人***置信息。在此基础上，基于雷达与座位的位置距离以及人体反射面积将雷达信号分解为不同检测区间，分区间提取特征，并使用随机森林进行人数以及位置的判断。本发明通过脉冲超宽带雷达能够无接触地获取车内人数以及位置信息，且对于轿车只需要单个脉冲超宽带雷达即可实现。与现有技术相比，本发明具有低功耗、无接触、隐私性良好等优点。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍。

图1为本发明实施例提供的一种非接触式车内人数及位置判断的方法的流程示意图；

图2为本发明实施例提供的车内雷达信号检测的示意图；

图3为本发明实施例提供的雷达接收信号矩阵的示意图；

图4为本发明实施例提供的基于曲波变换的雷达矩阵位置增强的示意图；

图5为本发明实施例提供的基于信号位置区间的特征提取过程的示意图；

具体实施方式

为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合配图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实例仅仅用以解释本发明，并不用于限定本发明。

图1示例性示出了本发明实例提供的一种非接触式车内人数及位置判断的方法的流程，该流程可以由非接触式车内人数及位置判断的装置执行。

如图1所示，该流程的具体步骤包括：

步骤S101，获取车内由脉冲超宽带雷达采集的雷达回波数据，并对获取到的车内雷达数据进行信号预处理提取人体体动信号。

步骤S102，针对预处理后的人体体动信号进一步增强人***置信息，并基于位置信息将雷达信号分解成不同检测区间，提取雷达信号特征。

步骤S103，结合随机森林方法进行车内人数及位置判断。

具体的，在步骤S101中，置于车内的脉冲超宽带雷达发射和接收脉冲信号采集车内乘客信息。为了保证准确采集到车内所有乘客的信息，雷达的探测面积需要覆盖车内所有区域。对于五座和七座轿车来说，安装单个脉冲超宽带雷达即可完成整辆车内的所有区域覆盖，对于大客车或者公交车来说，则可部署两个或以上的雷达来完成车厢面积的覆盖。雷达可以安装在车的遮光板后探测整个车内所有位置上的信息。如图2所示的五座轿车，雷达安装于驾驶员正对的遮光板正中间位置，探测范围覆盖了1号到5号位置。需要说明的是雷达安装的位置并不限于遮光板后，可以是车内其它位置。在使用脉冲超宽带雷达对车内信息进行实时采集的过程中，将单独接收的雷达信号组合成包含多条信号的雷达矩阵，从雷达矩阵中获取车内连续的信号信息，并每5秒对雷达矩阵进行一次存储与判断。需要说明的是，对信息进行存储与判断的时间可根据具体情况由需求设定。

在步骤S101中，由于车辆内部属于密闭空间且座椅等含有金属，导致车内多径密集，因此需要先对接收到的雷达信号进行去除杂波的预处理。奇异值分解(SVD，SingularValue Decomposition)能有效区分杂波与人体回波的能量空间，适用于金属环境、密闭空间等密集多径环境。针对车内密集多径环境的分布，使用基于车内信号分布特点的SVD方法去除杂波。SVD方法的公式为：

其中R为雷达接收信号矩阵，如图3所示，其中每条接收信号包含不同探测距离上的回波，多行接收信号组成雷达接收信号矩阵。使用奇异值分解将雷达矩阵分解到不同的分别对应杂波、来自人体的反射信号和噪声的子空间上。S为奇异值矩阵，其中对角线上的值按能量从大到小排列。由于杂波由雷达发射端到接收端的直达波以及静止物体反射信号组成，在同一探测距离上保持不变，因此会随着接收时间而在雷达矩阵中累积，占据大部分的能量。因此通常采用去除第一个奇异值对应的能量成分，再重构雷达矩阵的方法来去除杂波。实际上对于车内的复杂多径环境，去除第一个奇异值对应的能量成分之后剩余的能量成分中还包含大量人体信号经由金属或车壁二次或多次反射的信号，信号混叠严重。根据对车内多径环境的研究，采用基于车内信号分布特点的奇异值分解方法来去除杂波，提取人体体动信号。除了第一个奇异值对应的最大能量为杂波，而较小的奇异值对应的能量为噪声之外，中间的能量一般被认为是来自目标反射的信号。而人体直接反射的信号往往强于二次或多次反射信号，因此只选取第二个奇异值对应的能量成分来重构雷达矩阵，由此得到的信号为去除了杂波分量、噪声分量和二次及多次反射分量的人体体动信号。

在步骤S102中，对于奇异值分解方法去除杂波之后的雷达矩阵，包含了人体的所有体动信息。而对于设定存储与判断人数及位置的一段时间来说，在此时间内由于座位的固定性，人与雷达的距离是相对固定的。因此在探测距离上保持相同位置，在接收时间上具有稳定性，在雷达矩阵中表现为在探测距离，即垂直方向上的稳定线条。曲波变换为雷达矩阵提供了多尺度和多方向的分解，以充分表示具有曲线特征的纹理和边缘信息，在雷达信号矩阵中提供人体反射的信号强度和方向信息。为了进一步从人体体动信号中提取人***置信息，采用曲波变换的方法将雷达矩阵分解到不同的尺度和不同方向上，并利用人***置在一段时间内的的稳定性来提取在探测距离上(垂直方向)稳定的信号，以进一步增强雷达矩阵中的位置信息。曲波变换的公式如下：

其中为曲波，j，l和k为对应尺度、方向和位置的系数。f[t₁,t₂]为以卡迪尔坐标输入的雷达矩阵数据。曲波变换将雷达矩阵分解到不同尺度与不同方向上，与小波变换相比具有更好的的曲线表征能力和方向性。以图3所示的由200条信号组成的雷达矩阵，每条信号包含768个采样点(对应3米的探测距离)，可以由曲波变换分解成一个含有信号矩阵整体特性的粗糙层，三个分别含有16、32和32个不同方向系数的细节层，以及一个含有边缘信息的精细层。将输入的雷达矩阵分解后，对应每个包含方向系数的细节层，选取垂直方向的曲波系数分量，并重构信号矩阵来增强位置信息。如图4所示，在每个细节层中，曲波系数由右上角开始，按顺时针方向排列，分别选取第一个细节层的第6、7、14和15个曲波系数，以及第二个和第三个细节层的第12、13、28和29个曲波系数，重构雷达矩阵。

在步骤S102中，对于处理后的雷达信号，基于位置信息将其分解成不同检测区间，提取雷达信号特征进行特征提取。曲波分解的粗糙层由低频率系数组成，表示雷达信号矩阵的基本信息，而精细层由高频系数组成，表示矩阵中的边缘信息。由于人数的不同直接影响矩阵的能量分布等参数，因此提取曲波分解后粗糙层的能量，以及精细层的能量与最大值来表征不同人数和位置代表的能量分布以及边缘特征。由于雷达置于确定位置，因此与每个座位的距离和对应每个座位上的人的反射面积也是确定的，因此基于雷达离确定座位的位置信息，将雷达信号划分成不同的检测区间。图5显示了在五座小轿车上，1到5号固定座位对应雷达信号的不同检测距离范围。在每个距离区间中根据信号幅值在区间内的分布选取特征，包括信号幅度的能量、方差、均值、最大值、去噪能量和去噪最大值等。

在步骤S103中，结合随机森林的方法将信号特征进行分类，得到对应的人数以及相应位置。随机森林属于有监督的机器学习方法，需要提前通过数据训练。首先采集对应不同人数和位置的雷达数据，并使用上述方法提取雷达数据特征，用以训练由50棵决策树组成的随机森林分类器。再从实时获取的车内雷达数据中使用上述方法提取出特征，并输入到随机森林分类器中进行分类，得到车内人数以及所处位置，判断车辆是否超载。

最后所应说明的是，以上实施例仅用以补充阐释本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的广大技术人员应当理解，对本发明的技术方案进行修改或者同等替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种非接触式车内人数及位置判断的方法，其特征在于，包括：

获取车内由脉冲超宽带雷达采集的雷达回波数据，并对获取到的车内雷达数据进行信号预处理提取人体体动信号；

针对所述预处理后的人体体动信号进一步增强人***置信息，并基于位置信息分解信号区间，提取雷达信号特征；

针对所述提取的特征进行基于机器学习的车内人数计算及位置判断，人数和位置结果用于判断车辆是否超载。

2.如权利要求1所述的方法，其特征在于，所述获取车内由脉冲超宽带雷达采集的雷达回波数据，并对获取到的车内雷达数据进行信号预处理提取人体体动信号，包括：

使用置于车内的脉冲超宽带雷达获取车内信号，将单独接收的雷达信号组合成包含多条信号的雷达矩阵，通过雷达矩阵获取车内连续的信号信息，并每5秒对雷达矩阵进行一次存储与判断；

根据车内密闭空间以及金属环境带来的密集多径特点，使用SVD方法分解所获取的雷达矩阵，并根据车内密集多径环境导致的信号分布特征，选取能量第二大的奇异值重构雷达矩阵，获取由人体体动反射的信号，去除能量第一大的奇异值对应的杂波信号以及其他较小奇异值对应的噪声。

3.如权利要求1所述的方法，其特征在于，所述针对所述预处理后的人体体动信号进一步增强人***置信息，并基于位置信息分解信号区间，提取雷达信号特征，包括：

使用曲波变换将雷达信号矩阵分解到不同的尺度和方向上，根据车内座位分布固定导致的人***置在短时间内的不变性，选取在雷达接收时间上稳定且连续的信号，即雷达矩阵中垂直方向上的信号，通过提取不同尺度下对应垂直方向上的曲波系数来重构雷达矩阵，以进一步增强人***置信息；

根据雷达矩阵中由不同人数带来的整体特征，通过曲波变换分解雷达矩阵，并分别提取粗糙层曲波系数的能量、均值和精细层曲波系数的能量、最大值等特征；

基于雷达的摆放位置到每个固定座位之间的距离，以及不同座位的人对应雷达的不同反射面积，对信号进行位置区间划分，并对应每个位置区间，根据信号幅值在区间内的分布选取特征，包括能量、方差、均值、最大值、去噪能量和去噪最大值等。

4.如权利要求1所述的方法，其特征在于，所述针对所述提取的特征进行基于机器学习的车内人数计算及位置判断，人数和位置结果用于判断车辆是否超载，包括：

采集对应不同人数和位置的雷达数据，并使用上述方法提取雷达数据特征，用以训练由50棵决策树组成的随机森林分类器；

从实时获取的车内雷达数据中使用上述方法提取出特征，并输入到随机森林分类器中进行分类，得到车内人数以及所处位置，判断车辆是否超载。

5.一种非接触式车内人数及位置判断装置，其特征在于，包括：

获取模块，用于获取车内由脉冲超宽带雷达采集的雷达回波数据，并对所述获取到的车内雷达数据进行信号预处理提取人体体动信号；

处理模块，用于对针对所述预处理后的人体体动信号进一步增强人***置信息，并基于位置信息分解信号区间，提取雷达信号特征；

检测模块，用于针对所述提取的特征进行基于机器学习的车内人数计算及位置判断，人数和位置结果用于判断车辆是否超载。

6.如权利要求5所述的装置，其特征在于，所述获取模块用于：

使用置于车内的脉冲超宽带雷达获取车内信号，将单独接收的雷达信号组合成包含多条信号的雷达矩阵，通过雷达矩阵获取车内连续的信号信息，并每5秒对雷达矩阵进行一次存储与判断；

根据车内密闭空间以及金属环境带来的密集多径特点，使用SVD方法分解所获取的雷达矩阵，并根据车内密集多径环境导致的信号分布特征，选取能量第二大的奇异值重构雷达矩阵，获取由人体体动反射的信号，去除能量第一大的奇异值对应的杂波信号以及其他较小奇异值对应的噪声。

7.如权利要求5所述的装置，其特征在于，所述处理模块用于：

使用曲波变换将雷达信号矩阵分解到不同的尺度和方向上，根据车内座位分布固定导致的人***置在短时间内的不变性，选取在雷达接收时间上稳定且连续的信号，即雷达矩阵中垂直方向上的信号，通过提取不同尺度下对应垂直方向上的曲波系数来重构雷达矩阵，以进一步增强人***置信息；

根据雷达矩阵中由不同人数带来的整体特征，通过曲波变换分解雷达矩阵，并分别提取粗糙层曲波系数的能量、均值和精细层曲波系数的能量、最大值等特征；

基于雷达的摆放位置到每个固定座位之间的距离，以及不同座位的人对应雷达的不同反射面积，对信号进行位置区间划分，并对应每个位置区间，根据信号幅值在区间内的分布选取特征，包括能量、方差、均值、最大值、去噪能量和去噪最大值等。

8.如权利要求5所述的装置，其特征在于，所述检测模块具体用于：

采集对应不同人数和位置的雷达数据，并使用上述方法提取雷达数据特征，用以训练由50棵决策树组成的随机森林分类器；

从实时获取的车内雷达数据中使用上述方法提取出特征，并输入到随机森林分类器中进行分类，得到车内人数以及所处位置，判断车辆是否超载。