CN116125458A - 一种基于毫米波雷达的人员定位方法 - Google Patents

一种基于毫米波雷达的人员定位方法 Download PDF

Info

Publication number
CN116125458A
CN116125458A CN202310150754.4A CN202310150754A CN116125458A CN 116125458 A CN116125458 A CN 116125458A CN 202310150754 A CN202310150754 A CN 202310150754A CN 116125458 A CN116125458 A CN 116125458A
Authority
CN
China
Prior art keywords
signal
target
algorithm
data
distance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310150754.4A
Other languages
English (en)
Inventor
吕红霞
肖文栋
刘璐瑶
崔昊
陈浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Shunde Innovation School of University of Science and Technology Beijing
Original Assignee
University of Science and Technology Beijing USTB
Shunde Innovation School of University of Science and Technology Beijing
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB, Shunde Innovation School of University of Science and Technology Beijing filed Critical University of Science and Technology Beijing USTB
Priority to CN202310150754.4A priority Critical patent/CN116125458A/zh
Publication of CN116125458A publication Critical patent/CN116125458A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/08—Systems for measuring distance only
    • G01S13/32—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated
    • G01S13/34—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated using transmission of continuous, frequency-modulated waves while heterodyning the received signal, or a signal derived therefrom, with a locally-generated signal related to the contemporaneously transmitted signal
    • G01S13/343—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated using transmission of continuous, frequency-modulated waves while heterodyning the received signal, or a signal derived therefrom, with a locally-generated signal related to the contemporaneously transmitted signal using sawtooth modulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种基于毫米波雷达的人员定位方法，包括以下步骤：进行空间数据采集，采用发射锯齿波形的MIMO雷达***模型，对雷达设备进行文件配置，将采集到的调频连续波雷达数据进行解析，去除环境中的静态杂波；回波信号对其距离维进行加窗、多普勒FFT、FFT‑Shift处理，将零频分量搬移到RDM的多普勒维中间位置；自适应设定阈值；对活动人体目标进行水平角度估计，计算目标角度信息，将同一目标具有相同或相近特性的点聚合在一起；对人***置进行二维图像显示，算得到的人体目标的质心坐标点可以看作目标的实际位置。本发明只提取被检测者的点云信息，能够很好的保护用户隐私，用户体验较好。不受遮挡物影响，适用于黑暗、浓烟等各种恶劣环境。

Description

一种基于毫米波雷达的人员定位方法
技术领域
本发明涉及一种基于毫米波雷达的人员定位方法，属于物联网技术领域。
背景技术
近年来，物联网技术的发展不仅给人们的信息交互速度带来了飞速的提升，还由于其万物互联的特点，促使人们的生产生活方式发生了革命性的改变。在移动互联网时代，基于位置的服务(Location Based Services，LBS)应用场景主要为室外，比如为人们提供导航和定位等功能，而进入到物联网时代，LBS在智能家居、安防监控、安全施工等室内场景也有着广阔的应用前景。
目前，室外定位技术已经较为成熟，GPS、北斗等卫星导航***通过卫星定位手机或者手持GPS导航仪等设备所在位置从而间接完成对使用者的定位，然而由于建筑墙体阻挡，目前广泛使用的卫星定位技术无法在室内使用。室内人员定位是智能健康监护和智能家居等许多以人为中心的智能应用的关键技术，并且由于室内区域较小，人们对于定位精度的要求也更高，再者室内环境较为复杂，障碍物遮挡较多，环境干扰和多径效应也进一步增加了室内定位的难度。
常见的室内定位方式主要包括通过定位人所携带的设备，比如手环、手机等完成对人的定位，通常具有较好的精度和可靠性，但是其要求定位目标必须携带相应设备，以及不需要携带设备的计算机视觉、红外定位、WiFi定位以及超宽带(ultra wide band，UWB)等技术。计算机视觉使用摄像头监控完成目标的定位与追踪，其技术已经相当成熟，精度较高且成本较为低廉，但是在某些较为隐私的场景中不宜使用，并且易受环境亮度、障碍物遮挡等因素的影响；红外定位由于红外线很容易被障碍物遮挡，传输距离也较短，要想达到较高的定位精度需要大规模布置传感器，部署成本较高，并且红外线易受热源、灯光的影响，造成定位精度和准确性的下降；基于WiFi的接收信号强度指示(received signal strengthindication，RSSI)指纹定位方法容易受多径干扰的影响，且需要定期更新指纹库，维护难度较大；而基于UWB技术的定位***，虽然抗多径效应能力强，具有一定穿透性，然而会与现在已授权的频带业务冲突，且设备价格昂贵这些不足对室内定位技术的应用推广产生了一定的限制。
毫米波雷达具有体积和功耗较小、成本廉价、定位精度高、探测距离远的优势，使其在室内人员精准定位中的应用得到了广泛关注。通过调频连续波(frequency modulatedcontinuous wave，FMCW)调制毫米波雷达返回的目标与雷达之间的距离与角度即可完成对目标的直接定位。毫米波雷达体积较小，在室内易于部署，并且毫米波雷达发射的电磁波功率较小因此不会对人体造成危害，另外相较于其他主流室内定位技术，毫米波雷达不仅保护了用户的隐私还无需建立指纹库，***部署成本更低且应用场景更广，被监测对象不需携带设备，而且还特别适用于黑暗、浓烟和紧急等情况。本发明采用基于FMCW雷达***的IWR1642作为硬件平台，对77GHz毫米波雷达在目标检测定位方面的算法进行研究，实现室内人员的精准定位。
1、传统的MTI或者背景消除法是直接利用相位的差值消除静态杂波，仅仅抑制了静态目标的相位，对于微动目标不友好。
2、CA-CFAR算法能够得到好的效果，需要保证参考窗内不会出现其他的目标，但是实际环境存在不理想的情况，使得实际环境中目标检测不准确，而OSCA-CFAR计算量比较大。
3、传统采用FFT的方法求回波信号的方位角，存在分辨率不高的问题，以及点云匹配和深度学习等定位算法过程比较复杂。
4、采用多个雷达或者联合摄像机对空间目标进行定位，成本较高。
发明内容
针对上述技术问题，本发明提供一种基于毫米波雷达的人员定位方法，本发明采用基于FMCW雷达***的IWR1642作为硬件平台，对77GHz毫米波雷达在目标检测定位方面的算法进行研究，实现室内人员的精准定位。本发明具体要达到以下目标：
1、采用对通道脉冲响应相位方差进行阈值限定的方法消除静态杂波，结合分辨率更高的Capon波束形成算法以及Music算法，通过多发多收的FMCW雷达，探测环境中人体目标的距离角度信息，实现空间人体定位，不需要先验信息，无携带设备定位，适用场景更加广泛。
2、采用快速有序统计平均恒虚警检测器(FOSCA-CFAR)，解决二维CA-CFAR抗干扰能力弱的问题，在保证目标距离角度估计精度的条件下，计算量小，使得MIMO雷达在室内目标识别和定位方面达到更好的性能。
3、通过DBSCAN、KMEANS算法相混合的方法求出人体目标质心坐标点，混合聚类算法可以根据数据的二维分布特征，将特征相近的数据集进行归类，剔除掉噪声数据，实现数据的分类与优化。
本发明具体技术方案为：
一种基于毫米波雷达的人员定位方法，包括以下步骤：
S1、利用毫米波雷达传感器和数据采集板进行空间数据采集，采用发射锯齿波形的MIMO雷达***模型，对雷达设备进行文件配置，将采集到的调频连续波雷达数据进行解析；
具体工作流程是：当雷达上电后，FMCW信号发生器产生的FMCW波形信号通过功分器分成两路信号，一路信号从发射天线辐射出去，经过物体反射到达接收天线，另一路信号作为本振与接收天线接收到的回波信号在混频器进行混频得到差拍信号，差拍信号依次通过中频滤波器滤波和A/D采样电路后被解析进入信号处理模块，通过信号处理模块提取出目标的距离、角度、速度，用于后续点云获取以及目标室内定位。
发射器发送信号，信号通过目标反射回来，传播距离为2R0，雷达接收信号与发射信号存在时间延时
Figure BDA0004090669960000031
其中c为电磁波在空气中的传播速度(一般取光速值)，v为被探测目标的速度，t为被探测目标运动的时间，通过将接收信号与发射信号输入乘法器进行混频处理，再通过中频滤波器(IF)得到差频信号，差频信号中既包含距离信息又包含速度信息。差频信号的复信号形式表示为：
Figure BDA0004090669960000032
其中信号参数Am为差频信号的幅度增益，fm为差频信号的载波频率，Bm表示差频信号的调频带宽，信号的调频周期为T，
Figure BDA0004090669960000033
表示初始相位。
将复信号进行采样，表示为：
Figure BDA0004090669960000034
其中Ts为采样周期，对复信号进行傅里叶变换：
Figure BDA0004090669960000035
其中包含目标的距离信息表示为：
Figure BDA0004090669960000036
其中f0表示原始信号的载波频率，B为原始信号的调频带宽；
目标的速度信息表示为：
Figure BDA0004090669960000041
S2、在室内环境中，采用计算通道脉冲响应测量值的相位方差去除环境中的静态杂波，利用一个预设的阈值去识别静态反射物体，如果方差小于预设阈值，判定为静态反射物体，达到消除静态杂波的效果；
S3、经过ADC采样的回波信号先对其距离维(第一维、快时间维)进行加窗，来使时域信号更好地满足FFT处理的周期性要求，然后通过对每一天线接收到的原始回波信号以一个发射线性调频信号chirp周期采样并进行快速傅里叶变换FFT运算，获得所述原始回波信号的距离信息，处理完后对得到的距离FFT图再进行一次加窗，加窗的对象为数据的多普勒维(第二维、慢时间维)，之后进行多普勒FFT，提取反射目标的距离和速度信息，得到距离-多普勒图(Range Doppler Map,RDM)。但是由于目标相对雷达运动分正、负速度，故在执行多普勒维FFT后，进行FFT-Shift处理，将零频分量搬移到RDM的多普勒维中间位置；
S4、采用FOSCA-CFAR的算法，自适应设定阈值，在保持虚警概率恒定不变的情况下检测人体目标，提高目标检测的能力，对于OSCA-CFAR算法，首先在参考单元的多普勒方向滑动执行一维的OS-CFAR取出排序后的第k个单元，然后在距离方向执行CA-CFAR对Xk求平均来提高噪声水平估计精度，公式的表达形式为
Figure BDA0004090669960000042
对于大小为M×N的RDM，其中X(k),n表示RDM的每一行的第k列；FOSCA-CFAR作为OSCA-CFAR的简化算法，该算法通过只对多普勒方向的偶数列(或奇数列)执行OS-CFAR来精简参考窗从而达到降低计算量的目的，即有：
Figure BDA0004090669960000043
这种情况下滑动的参考窗每次滑过两列多普勒单元，并且每次计算出的门限值同时对相邻的两个多普勒单元使用。
S5、对活动人体目标利用Capon波束形成算法或者Music算法进行水平角度估计，计算目标角度信息，得到最终的点云数据；Capon波束形成算法的计算思路是通过接收到的脉冲信号估计自相关矩阵R,计算自相关矩阵的逆矩阵；构造导向矢量a(θ)，对于均匀线性阵列，导向矢量的表达式表示为：
Figure BDA0004090669960000044
其中θ表示来波方向，共有M个阵元，阵元之间相距d，信号频率为f0，c为电磁波的速度(光速)；然后进行角度扫描，计算输出的平均功率，找出平均功率峰值点对应的角度即可。
采用Music计算角度主要分为三步：首先利用接收数据估计协方差矩阵R；然后对R进行特征值分解(EVD)或奇异值分解(SVD)估计信号子空间矩阵和噪声子空间矩阵；在空间谱范围内遍历搜索谱峰极值，进而得到信号的角度估计，对DOA的估计有很高的分辨率。
S6、回波信号中的点云使用点云聚类算法，将同一目标具有相同或相近特性的点聚合在一起，而将其他点予以排除。
对点云数据采用DBSCAN和KMEANS混合算法求得定位人体的质心坐标位置，具体过程为：设定两点之间最短距离EPS和点云簇中所包含的最少点数MINPTS，利用DBSCAN算法，检索步骤S5得到的人体点云数据集中所有点是否密度可达，从而对数据进行聚类，形成任意形状的簇，即人体目标；根据聚类结果去掉其中的噪声数据，将人体目标的数据集作为新的输入，采用KMEANS算法，迭代聚合计算出人体目标的质心坐标点。
DBSCAN算法有2个重要的参数，ε邻域值和密度阈值(Minpts)。对于给定的数据点Q，到Q的距离不大于ε值的区域称为该点的ε邻域，密度阈值一般是一个固定值。DBSCAN算法中，首先统计所有数据点在给定ε值范围内其他数据点的个数，如果其他数据点个数大于给定的密度阈值，即满足建立数据簇的条件，然后遍历所有的数据簇，将密度可达数据簇合并，当搜索不到新的可达数据簇时，结束迭代并建立类别。KMEANS算法是用一个聚类的中心来代表一个簇，即在迭代过程中选择的聚点不一定是聚类中的一个点，其目的是使各个簇中的数据点与所在簇质心的误差平方和SSE(Sum of Squared Error)达到最小。
S7、获取到目标点云相对于雷达的距离和角度信息，对聚类之后的点云数据簇利用AOA和TOA即距离和角度结合的方法对人***置进行二维图像显示，实现基于毫米波雷达的人员室内定位，计算得到的人体目标的质心坐标点可以看作目标的实际位置，目标的二维坐标表示为：
xi＝Ri×sin(θi)
yi＝Ri×cos(θi)
其中R为目标的距离，θ为回波信号的入射角。
本发明技术方案带来的有益效果：
1、隐私性高：相比于传统的计算机视觉定位方法，本发明只提取被检测者的点云信息，能够很好的保护用户隐私，用户体验较好。
2、应用性广：相比于红外、WiFi等方法，本发明不受遮挡物影响，适用于黑暗、浓烟等各种恶劣环境。
3、目标识别准确性高：采用相位方差阈值限定的方法滤除静态杂波，配合改进的恒虚警率算法，提高信噪比以及目标定位的准确性。
4、角度分辨率高：相较于传统的傅里叶变换FFT求角度算法，本发明采用Capon波束形成算法和Music算法，使得角度计算更加准确，定位更加精准。
5、DBSCAN目的是找到密度相连对象的最大集合，而KMEANS算法的关键是K值的选取，如果人体定位数据分布过于分散，按照固定K值聚合，得到的质心的位置可能和实际位置相差甚远。本发明采用DBSCAN算法的密度可达特性将人体数据集聚合成若干个簇，并且将每一簇的数据集作为新的输入，然后采用KMEANS算法的迭代聚合求出质心的坐标位置，该方法能够有效识别人体目标，解决了传统单一方法中的不足。
附图说明
图1是本发明的室内人员定位***及雷达信号处理流程；
图2是本发明的人体目标的质心坐标。
具体实施方式
结合实施例说明本发明的具体技术方案。
如图1所示，一种基于毫米波雷达的人员定位方法，包括以下步骤：
S1、本发明利用毫米波雷达传感器和数据采集板进行空间数据采集，采用发射锯齿波形的MIMO雷达***模型，对雷达设备进行文件配置，将采集到的调频连续波雷达数据进行解析。具体工作流程是：当雷达上电后，FMCW信号发生器产生的FMCW波形信号通过功分器分成两路信号，一路信号从发射天线辐射出去，经过物体反射到达接收天线，另一路信号作为本振与接收天线接收到的回波信号在混频器进行混频得到差拍信号，差拍信号依次通过中频滤波器滤波和A/D采样电路后被解析进入信号处理模块，通过信号处理模块提取出目标的距离、角度、速度等信息，用于后续点云获取以及目标室内定位。
调频连续波雷达最大的特点就是可以直接获取距离信息，发射器发送信号，信号通过目标反射回来，传播距离为2R0，雷达接收信号与发射信号存在时间延时
Figure BDA0004090669960000071
其中c为电磁波在空气中的传播速度(一般取光速值)，v为被探测目标的速度，t为被探测目标运动的时间，通过将接收信号与发射信号输入乘法器进行混频处理，再通过中频滤波器(IF)得到差频信号，差频信号中既包含距离信息又包含速度信息。差频信号的复信号形式表示为：
Figure BDA0004090669960000072
其中信号参数Am为差频信号的幅度增益，fm为差频信号的载波频率，Bm表示差频信号的调频带宽，信号的调频周期为T，
Figure BDA0004090669960000073
表示初始相位。
将复信号进行采样，表示为
Figure BDA0004090669960000074
其中Ts为采样周期，可以对复信号进行傅里叶变换
Figure BDA0004090669960000075
其中包含目标的距离信息表示为：
Figure BDA0004090669960000076
其中f0表示原始信号的载波频率，B为原始信号的调频带宽；
目标的速度信息表示为：
Figure BDA0004090669960000077
S2、在室内环境中，由于墙壁、地板和家具等许多物体都会反射信号，回波信号中包含许多来自环境中静态物体的反射信号，其强度甚至会超过目标的反射信号。针对雷达回波中存在的杂波干扰问题，本发明提出采用计算通道脉冲响应测量值的相位方差去除环境中的静态杂波，因为即使是静止的人体目标也会由于呼吸心跳产生运动，呼吸引起的距离变化可以通过相位变化来识别，对于静态反射物体，方差会很小，但是对于人体目标，呼吸心跳将会贡献一个大的方差，利用一个预设的阈值去识别静态反射物体，如果方差小于预设阈值，判定为静态反射物体，达到消除静态杂波的效果，减少对后续处理的影响，使准确率更高。
S3、FFT处理是FMCW雷达信号处理的最基础环节，通过FFT处理将时域上的IF信号转换到频域，可以方便获取目标的初步信息，由于FFT变换每次只能截取有限长度的时域信号进行变换，对于非周期信号或截取的周期信号为非整数倍周期，那处理后的信号将发生频谱泄漏，所以经过ADC采样的回波信号需要先对其距离维(第一维、快时间维)进行加窗，来使时域信号更好地满足FFT处理的周期性要求，然后通过对每一天线接收到的原始回波信号以一个发射线性调频信号chirp周期采样并进行快速傅里叶变换FFT运算，获得所述原始回波信号的距离信息，处理完后对得到的距离FFT图再进行一次加窗，加窗的对象为数据的多普勒维(第二维、慢时间维)，之后进行多普勒FFT，提取反射目标的距离和速度信息，得到距离-多普勒图(Range Doppler Map,RDM)。但是由于目标相对雷达运动分正、负速度，故需要在执行多普勒维FFT后，进行FFT-Shift处理，将零频分量搬移到RDM的多普勒维中间位置，此时得到的RDM中才能正确表示目标的运动状态。
S4、二维RDM图中的回波信号中不仅包括从人体直接反射回雷达的信号，还包含了从人体经由墙壁、地板等静态物体间接反射到雷达接收端的动态多径信号，为了准确地检测出人体目标，必须从多径中找出直接由人体目标反射回的雷达信号，由于实际背景环境具有复杂性和随机性，目标信号强弱各不相同，这就导致很难通过设置统一的检测阈值将目标提取出来。如果检测阈值过高，则很容易将弱信号目标遗漏，造成漏警；而检测阈值过低，则容易将杂波及噪声信号检测为目标，造成虚警。本发明为弥补单一CFAR算法检测性能不足或计算开销较大的问题，采用FOSCA-CFAR的算法，自适应设定阈值，在保持虚警概率恒定不变的情况下检测人体目标，提高目标检测的能力，对于OSCA-CFAR算法，首先在参考单元的多普勒方向滑动执行一维的OS-CFAR取出排序后的第k个单元，然后在距离方向执行CA-CFAR对Xk求平均来提高噪声水平估计精度，公式的表达形式为
Figure BDA0004090669960000081
对于大小为M×N的RDM，其中X(k),n表示RDM的每一行的第k列；FOSCA-CFAR作为OSCA-CFAR的简化算法，该算法通过只对多普勒方向的偶数列(或奇数列)执行OS-CFAR来精简参考窗从而达到降低计算量的目的，即有：
Figure BDA0004090669960000082
这种情况下滑动的参考窗每次滑过两列多普勒单元，并且每次计算出的门限值同时对相邻的两个多普勒单元使用,相对于OSCA-CFAR计算量减少了50％。
S5、对活动人体目标利用Capon波束形成算法或者Music算法进行水平角度估计，计算目标角度信息，得到最终的点云数据；Capon算法也被称为最小方差无畸变MVDR(Minimum Variance Distortionless Response)算法，MVDR算法的基本思路是在频域/空间形成一个窄带滤波器，从此出发，可见MVDR不但对噪声有抑制作用，还对观察频率/角度之外的信号有抑制作用，所以MVDR的分辨率远高于常规的FFT算法。Capon波束形成算法的计算思路是通过接收到的脉冲信号估计自相关矩阵R,计算自相关矩阵的逆矩阵；构造导向矢量a(θ)，对于均匀线性阵列，导向矢量的表达式表示为：
Figure BDA0004090669960000091
其中θ表示来波方向，共有M个阵元，阵元之间相距d；信号频率为f0，c为电磁波的速度(光速)；然后进行角度扫描，计算输出的平均功率，找出平均功率峰值点对应的角度即可，该估算方法具有计算复杂度低和收敛速度快的优点。
Music(Multiple Signal Classification)算法，即多信号分类算法，是一种基于子空间分解的算法，它利用信号子空间和噪声子空间的正交性，构建空间谱函数，通过谱峰搜索，估计信号的参数，采用Music计算角度主要分为三步：首先利用接收数据估计协方差矩阵R；然后对R进行特征值分解(EVD)或奇异值分解(SVD)估计信号子空间矩阵和噪声子空间矩阵；在空间谱范围内遍历搜索谱峰极值，进而得到信号的角度估计，对DOA的估计有很高的分辨率。
S6、由于目标自身特性、相对雷达的位置及状态各有差异，其回波信号中的点云可能会呈现为密集簇、分散簇，簇的大小及位置也会不同，此外目标回波信号经过2D-FFT后，由于不可避免的存在频谱泄露问题，在多普勒维产生扩展，进而形成多个模糊旁瓣点云，而这些点云即使经过CFAR处理有时也难以滤除，需要进一步使用点云聚类算法，将同一目标具有相同或相近特性的点聚合在一起，而将其他点予以排除。
本发明结合DBSCAN算法和KMEANS算法中的优势和特性，对点云数据采用DBSCAN和KMEANS混合算法求得定位人体的质心坐标位置，混合后的聚类算法能够更好、更准确的进行人体目标的识别。具体过程为：设定两点之间最短距离EPS和点云簇中所包含的最少点数MINPTS，利用DBSCAN算法，检索上述步骤得到的人体点云数据集中所有点是否密度可达，从而对数据进行聚类，形成任意形状的簇，即人体目标；根据聚类结果去掉其中的噪声数据，将人体目标的数据集作为新的输入，采用KMEANS算法，迭代聚合计算出人体目标的质心坐标点。
DBSCAN算法有2个重要的参数，ε邻域值和密度阈值(Minpts)。对于给定的数据点Q，到Q的距离不大于ε值的区域称为该点的ε邻域，密度阈值一般是一个固定值。DBSCAN算法中，首先统计所有数据点在给定ε值范围内其他数据点的个数，如果其他数据点个数大于给定的密度阈值，即满足建立数据簇的条件，然后遍历所有的数据簇，将密度可达数据簇合并，当搜索不到新的可达数据簇时，结束迭代并建立类别。KMEANS算法是用一个聚类的中心来代表一个簇，即在迭代过程中选择的聚点不一定是聚类中的一个点，其目的是使各个簇中的数据点与所在簇质心的误差平方和SSE(Sum of Squared Error)达到最小。
S7、获取到目标点云相对于雷达的距离和角度信息，对聚类之后的点云数据簇利用AOA和TOA即距离和角度结合的方法对人***置进行二维图像显示，实现基于毫米波雷达的人员室内定位，计算得到的人体目标的质心坐标点可以看作目标的实际位置，如图2所示，目标的二维坐标表示为：
xi＝Ri×sin(θi)
yi＝Ri×cos(θi)
其中R为目标的距离，θ为回波信号的入射角。

Claims (8)

1.一种基于毫米波雷达的人员定位方法，其特征在于，包括以下步骤：
S1、利用毫米波雷达传感器和数据采集板进行空间数据采集，采用发射锯齿波形的MIMO雷达***模型，对雷达设备进行文件配置，将采集到的调频连续波雷达数据进行解析；
S2、在室内环境中，采用计算通道脉冲响应测量值的相位方差去除环境中的静态杂波，利用一个预设的阈值去识别静态反射物体，如果方差小于预设阈值，判定为静态反射物体，达到消除静态杂波的效果；
S3、经过ADC采样的回波信号先对其距离维进行加窗，来使时域信号更好地满足FFT处理的周期性要求，然后通过对每一天线接收到的原始回波信号以一个发射线性调频信号chirp周期采样并进行快速傅里叶变换FFT运算，获得所述原始回波信号的距离信息，处理完后对得到的距离FFT图再进行一次加窗，加窗的对象为数据的多普勒维，之后进行多普勒FFT，提取反射目标的距离和速度信息，得到距离-多普勒图RDM；但是由于目标相对雷达运动分正、负速度，故在执行多普勒维FFT后，进行FFT-Shift处理，将零频分量搬移到RDM的多普勒维中间位置；
S4、采用FOSCA-CFAR的算法，自适应设定阈值，在保持虚警概率恒定不变的情况下检测人体目标，提高目标检测的能力；
S5、对活动人体目标利用Capon波束形成算法或者Music算法进行水平角度估计，计算目标角度信息，得到最终的点云数据；
S6、回波信号中的点云使用点云聚类算法，将同一目标具有相同或相近特性的点聚合在一起，而将其他点予以排除；
S7、获取到目标点云相对于雷达的距离和角度信息，对聚类之后的点云数据簇利用AOA和TOA即距离和角度结合的方法对人***置进行二维图像显示，实现基于毫米波雷达的人员室内定位，计算得到的人体目标的质心坐标点可以看作目标的实际位置。
2.根据权利要求1所述的一种基于毫米波雷达的人员定位方法，其特征在于，S1的具体工作流程是：当雷达上电后，FMCW信号发生器产生的FMCW波形信号通过功分器分成两路信号，一路信号从发射天线辐射出去，经过物体反射到达接收天线，另一路信号作为本振与接收天线接收到的回波信号在混频器进行混频得到差拍信号，差拍信号依次通过中频滤波器滤波和A/D采样电路后被解析进入信号处理模块，通过信号处理模块提取出目标的距离、角度、速度，用于后续点云获取以及目标室内定位；
发射器发送信号，信号通过目标反射回来，传播距离为2R0，雷达接收信号与发射信号存在时间延时
Figure FDA0004090669950000021
其中c为电磁波在空气中的传播速度，v为被探测目标的速度，t为被探测目标运动的时间，通过将接收信号与发射信号输入乘法器进行混频处理，再通过中频滤波器IF得到差频信号，差频信号中既包含距离信息又包含速度信息；差频信号的复信号形式表示为：
Figure FDA0004090669950000022
其中信号参数Am为差频信号的幅度增益，fm为差频信号的载波频率，Bm表示差频信号的调频带宽，信号的调频周期为T，
Figure FDA0004090669950000023
表示初始相位；
将复信号进行采样，表示为：
Figure FDA0004090669950000024
其中Ts为采样周期，对复信号进行傅里叶变换：
Figure FDA0004090669950000025
其中包含目标的距离信息表示为：
Figure FDA0004090669950000026
其中f0表示原始信号的载波频率，B为原始信号的调频带宽；
目标的速度信息表示为：
Figure FDA0004090669950000027
3.根据权利要求1所述的一种基于毫米波雷达的人员定位方法，其特征在于，S4中OSCA-CFAR算法，具体步骤为：
首先在参考单元的多普勒方向滑动执行一维的OS-CFAR取出排序后的第k个单元，然后在距离方向执行CA-CFAR对Xk求平均来提高噪声水平估计精度，公式的表达形式为：
Figure FDA0004090669950000028
对于大小为M×N的RDM，其中X(k),n表示RDM的每一行的第k列；
FOSCA-CFAR作为OSCA-CFAR的简化算法，该算法通过只对多普勒方向的偶数列或奇数列执行OS-CFAR来精简参考窗从而达到降低计算量的目的，即有：
Figure FDA0004090669950000031
这种情况下滑动的参考窗每次滑过两列多普勒单元，并且每次计算出的门限值同时对相邻的两个多普勒单元使用。
4.根据权利要求1所述的一种基于毫米波雷达的人员定位方法，其特征在于，S5中Capon波束形成算法，具体步骤为：通过接收到的脉冲信号估计自相关矩阵R,计算自相关矩阵的逆矩阵；构造导向矢量a(θ)，对于均匀线性阵列，导向矢量的表达式表示为：
Figure FDA0004090669950000032
其中θ表示来波方向，共有M个阵元，阵元之间相距d，信号频率为f0，c为电磁波的速度；然后进行角度扫描，计算输出的平均功率，找出平均功率峰值点对应的角度即可。
5.根据权利要求1所述的一种基于毫米波雷达的人员定位方法，其特征在于，S5中采用Music计算角度主要分为三步：首先利用接收数据估计协方差矩阵R；然后对R进行特征值分解EVD或奇异值分解SVD估计信号子空间矩阵和噪声子空间矩阵；在空间谱范围内遍历搜索谱峰极值，进而得到信号的角度估计，对DOA的估计有很高的分辨率。
6.根据权利要求1所述的一种基于毫米波雷达的人员定位方法，其特征在于，S6中对点云数据采用DBSCAN和KMEANS混合算法求得定位人体的质心坐标位置，具体过程为：设定两点之间最短距离EPS和点云簇中所包含的最少点数MINPTS，利用DBSCAN算法，检索步骤S5得到的人体点云数据集中所有点是否密度可达，从而对数据进行聚类，形成任意形状的簇，即人体目标；根据聚类结果去掉其中的噪声数据，将人体目标的数据集作为新的输入，采用KMEANS算法，迭代聚合计算出人体目标的质心坐标点。
7.根据权利要求6所述的一种基于毫米波雷达的人员定位方法，其特征在于，所述的DBSCAN算法有2个重要的参数，ε邻域值和密度阈值Minpts；对于给定的数据点Q，到Q的距离不大于ε值的区域称为该点的ε邻域，密度阈是一个固定值；DBSCAN算法中，首先统计所有数据点在给定ε值范围内其他数据点的个数，如果其他数据点个数大于给定的密度阈值，即满足建立数据簇的条件，然后遍历所有的数据簇，将密度可达数据簇合并，当搜索不到新的可达数据簇时，结束迭代并建立类别；
KMEANS算法是用一个聚类的中心来代表一个簇，即在迭代过程中选择的聚点不一定是聚类中的一个点，其目的是使各个簇中的数据点与所在簇质心的误差平方和SSE达到最小。
8.根据权利要求1所述的一种基于毫米波雷达的人员定位方法，其特征在于，S7中目标的二维坐标表示为：
xi＝Ri×sin(θi)
yi＝Ri×cos(θi)
其中R为目标的距离，θ为回波信号的入射角。
CN202310150754.4A 2023-02-22 2023-02-22 一种基于毫米波雷达的人员定位方法 Pending CN116125458A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310150754.4A CN116125458A (zh) 2023-02-22 2023-02-22 一种基于毫米波雷达的人员定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310150754.4A CN116125458A (zh) 2023-02-22 2023-02-22 一种基于毫米波雷达的人员定位方法

Publications (1)

Publication Number Publication Date
CN116125458A true CN116125458A (zh) 2023-05-16

Family

ID=86311645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310150754.4A Pending CN116125458A (zh) 2023-02-22 2023-02-22 一种基于毫米波雷达的人员定位方法

Country Status (1)

Country Link
CN (1) CN116125458A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117849753A (zh) * 2024-03-07 2024-04-09 长沙莫之比智能科技有限公司 一种基于车载毫米波雷达的目标泛特征提取方法
CN117892202A (zh) * 2024-03-14 2024-04-16 北京邮电大学 基于毫米波信号的护理动作监测方法及电子设备
CN117930213A (zh) * 2024-03-25 2024-04-26 湘江实验室 一种基于毫米波雷达探测人体存在的方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117849753A (zh) * 2024-03-07 2024-04-09 长沙莫之比智能科技有限公司 一种基于车载毫米波雷达的目标泛特征提取方法
CN117849753B (zh) * 2024-03-07 2024-05-03 长沙莫之比智能科技有限公司 一种基于车载毫米波雷达的目标泛特征提取方法
CN117892202A (zh) * 2024-03-14 2024-04-16 北京邮电大学 基于毫米波信号的护理动作监测方法及电子设备
CN117930213A (zh) * 2024-03-25 2024-04-26 湘江实验室 一种基于毫米波雷达探测人体存在的方法
CN117930213B (zh) * 2024-03-25 2024-06-04 湘江实验室 一种基于毫米波雷达探测人体存在的方法

Similar Documents

Publication Publication Date Title
Patwari et al. RF sensor networks for device-free localization: Measurements, models, and algorithms
CN116125458A (zh) 一种基于毫米波雷达的人员定位方法
Rohling Some radar topics: waveform design, range CFAR and target recognition
Bartoletti et al. Analysis of UWB radar sensor networks
CN113835074B (zh) 一种基于毫米波雷达的人流量动态监测方法
CN111856444A (zh) 一种基于uwb多目标定位追踪方法
Li et al. Multistatic uwb radar-based passive human tracking using cots devices
CN106468772B (zh) 一种基于距离-多普勒量测的多站雷达人体跟踪方法
Copa et al. Radar fusion for multipath mitigation in indoor environments
Wang et al. Bistatic weak target detection method using non-cooperative air surveillance radar
Park et al. Multipath signal mitigation for indoor localization based on mimo fmcw radar system
KR20200131526A (ko) 대상체 크기 및 동작강도에 최적화된 검출 임계치를 적용할 수 있는 uwb 위치인식시스템 및 uwb 위치인식방법
CN113985376B (zh) 一种雷达综合显控激励***
Khawaja et al. UWB radar based beyond wall sensing and tracking for ambient assisted living
CN115616502A (zh) 无人飞行器机载雷达目标检测的杂波抑制方法
Strømøy Hitchhiking bistatic radar
Jung et al. Localization based on distributed heterogeneous radar sensor network
CN114280568A (zh) 墙体的轮廓识别方法及装置
RU2687240C1 (ru) Способ определения параметров движения и траекторий воздушных объектов при полуактивной бистатической радиолокации
CN114518562A (zh) 一种目标的识别方法、装置、电子设备及存储介质
Li et al. A Feature-based Filtering Algorithm with 60GHz MIMO FMCW Radar for Indoor Detection and Trajectory Tracking
Berdanier et al. A novel RF emitter localization method through phase information
Zhang et al. Waffle: A Waterproof mmWave-based Human Sensing System inside Bathrooms with Running Water
Latthe et al. A review on ISAR imaging techniques for low RCS targets
Östman Detection and Tracking of Human Targets using Ultra-Wideband Radar

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination