TWI772208B

TWI772208B - 基於毫米波雷達的人數偵測方法

Info

Publication number: TWI772208B
Application number: TW110139192A
Authority: TW
Inventors: 方士豪; 錢膺仁; 姚庭軒
Original assignee: 元智大學
Priority date: 2021-10-22
Filing date: 2021-10-22
Publication date: 2022-07-21
Also published as: TW202318031A

Abstract

本發明公開一種於毫米波雷達的人數偵測方法。該方法包括利用毫米波雷達在一預設時間範圍內對一預定空間內的多個移動中的人體發射出n個訊號，n個訊號通過多個人體的反射而由毫米波雷達接收，使毫米波雷達對應輸出n個特徵點，且n個特徵點集合成一幀點雲。累計三幀點雲中所包含的特徵點的數量，並且依據一搜索半徑以及一最小包含點數值，將每一幀點雲中的特徵點分類為有效與無效。依據一調整權重後的歐式距離公式將N幀點雲在預定空間內的分佈範圍集中，以將所有的有效特徵點區分出多個群體，且群體的數量代表在預定空間內的人數。

Description

基於毫米波雷達的人數偵測方法

本發明涉及一種人數偵測方法，特別是涉及一種基於毫米波雷達的人數偵測方法。

目前，對於商場或展覽館等室內空間來說，為了加強防疫，避免人數過多所發生的危險和不必要的傷害，人流的計數及掌握顯得相對重要許多。現有技術中，利用人數偵測以及室內定位等技術打造個人化需求的智能空間已能夠實現，例如利用攝影機或WIFI ^®等。然而，WIFI ^®通常需要多台接收與發射裝置，而攝影機則容易發生侵犯隱私的疑慮。此外，現有技術中有利用機器學習等技術來進行室內空間的人數偵測與定位。但利用此類技術需要蒐集大量資料以訓練模型，相當耗費人力與時間。

故，如何在人數計算的方法上進行適當改良，來克服上述的缺陷，已成為該領域所欲解決的重要課題之一。

本發明所要解決的技術問題在於，針對現有技術的不足提供一種基於毫米波雷達的人數偵測方法。

為了解決上述的技術問題，本發明所採用的其中一技術方案是提供一種基於毫米波雷達的人數偵測方法，包括以下步驟: 利用毫米波雷達在一預設時間範圍內對預定空間內的多個移動中的人體發射出n個訊號，n個訊號通過多個移動中的人體的反射而由毫米波雷達接收，使毫米波雷達對應輸出n個特徵點，且n個特徵點集合成一幀點雲；累計三幀點雲中所包含的特徵點的數量，並且依據一搜索半徑以及一最小包含點數值，將每一幀點雲中的特徵點分類為有效特徵點與無效特徵點；以及依據一調整權重後的歐式距離公式將N幀點雲在預定空間內的分佈範圍集中，以將所有的有效特徵點區分出多個群體，且群體的數量代表在預定空間內的人數。

本發明的其中一有益效果在於，本發明所提供的基於毫米波雷達的人數偵測方法，其能通過“依據一搜索半徑以及一最小包含點數值，將每一幀點雲中的特徵點分類為有效特徵點與無效特徵點”以及“依據一調整權重後的歐式距離公式將N幀點雲在預定空間內的分佈範圍集中，以將所有的有效特徵點區分出多個群體，且群體的數量代表在預定空間內的人數”的技術方案，以偵測出室內空間中的人數並且提高人數偵測的正確率。

為使能更進一步瞭解本發明的特徵及技術內容，請參閱以下有關本發明的詳細說明與圖式，然而所提供的圖式僅用於提供參考與說明，並非用來對本發明加以限制。

以下是通過特定的具體實施例來說明本發明所公開有關“基於毫米波雷達的人數偵測方法”的實施方式，本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用，本說明書中的各項細節也可基於不同觀點與應用，在不背離本發明的構思下進行各種修改與變更。另外，本發明的附圖僅為簡單示意說明，並非依實際尺寸的描繪，事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容，但所公開的內容並非用以限制本發明的保護範圍。另外，應當可以理解的是，雖然本文中可能會使用到“第一”、“第二”、“第三”等術語來描述各種元件，但這些元件不應受這些術語的限制。這些術語主要是用以區分一元件與另一元件。另外，本文中所使用的術語“或”，應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。另外，本文中所使用的術語“或”，應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。

[實施例]

參閱圖1所示，圖1為本發明的基於毫米波雷達的人數偵測方法的運用場景示意圖，讓受測者在一室內空間中進行一段時間(例如5分鐘左右)的自由移動。需先說明的是，本發明並不對受測者的人數作限制，並且受測者的移動軌跡也不限，例如可以是來回走動、繞圈走動或是8字型走動等等，另外，移動的速度也不限。接著，在該室內空間中的天花板設置一毫米波雷達1，用以該室內空間的人數及移動軌跡。此外，在該室內空間中還設置至少一紅外線感測器2，舉例來說，在本實施例中是以兩位受測者為例，因此紅外線感測器2也對應設置兩台(分別位於受測者前方及側邊)來分別偵測兩位受測者的實際軌跡。毫米波雷達1距離地面約2.9公尺，而每一紅外線感測器2距離地面約0.85公尺且距離對應的受測者約3公尺。本發明所提供的人數偵測方法主要通過毫米波雷達1來實現，並且通過紅線感測器2偵測兩位受測者的實際軌跡來驗證該方法的準確度。

承上述，毫米波雷達1是基於頻率原理的調頻連續波雷達，一般具有一發射端與一接收端。毫米波雷達1能夠同時由該發射端發射出多個調頻連續波，並且經過受測者的身體不同部位反射後再由該接收端接收。因此，由發射/接收的訊號可以對應生成多個不同相位的中頻訊號(Imtermediate Frequency, IF)，使得毫米波雷達1據以計算且產生出受測者的身體不同部位的特徵點。每一個訊號能夠生成一個特徵點，而毫米波雷達1能夠在每一幀輸出多個特徵點，並且該多個特徵點可集合成一個點雲。在本發明的實施例中，一幀是代表0.1秒，因此一幀點雲指的是在0.1秒的時間內所形成的一個點雲。值得一提的是，毫米波雷達1只對運動的物體進行偵測，因此只有當受測者動作時才會收集到點雲。另外需說明的是，多個特徵點的生成次序並非是按照和毫米波雷達1的距離遠近無關，且毫米波雷達1在每一幀輸出的點雲所包含的特徵點個數也是不固定。

承上述，每一個特徵點包含多個不同的資訊，具體來說，特徵點包含一預設距離R、一水平角θ、一仰角φ、一速度V以及一信噪比(SNR)等五個特徵。參閱圖2所示，圖2為本發明的基於毫米波雷達的人數偵測方法的運用場景的座標系轉換示意圖，由於每個特徵點皆具有的R、θ、

，因此將圖1中的室內空間轉換為直角座標系，其中，其中毫米波雷達1為原點(0,0,0)，而每一特徵點的坐標則為(x,y,z)，而

，

，

。預設距離R為每一特徵點與毫米波雷達1之間的直線距離，水平角θ為預設距離R在XY平面上的投影距離與Y軸之間的夾角，仰角

為預設距離R在XY平面上的投影距離與預設距離R之間的夾角，速度V為毫米波雷達1利用都卜勒效應的原理進行測量而得到的受測者在雷達波束方向上的徑向運動速度。藉此，利用毫米波雷達1偵測室內空間的受測者一段時間之後，將獲得多個點雲在直角坐標系上的分布，如圖3所示，圖3為點雲經過可視化調整後在直角坐標系的示意圖。

接著，參閱圖4所示，圖4為本發明的基於毫米波雷達的人數偵測方法所採用的Overlay-DBSCAN演算法的原理示意圖，其包括以下步驟:

步驟S100: 利用毫米波雷達1在一預設時間範圍內對預定空間內的多個移動中的人體發射出n個訊號，n個訊號通過多個移動中的人體的反射而由毫米波雷達1接收，使毫米波雷達1對應產生出n個特徵點，且n個特徵點可集合成一個點雲，在本實施例中，預設時間範圍為一幀，也就是0.1秒；

步驟S102: 累計三幀點雲中所包含的特徵點的數量，並且依據一搜索半徑以及一最小包含點數值，將每一幀點雲中的所有特徵點分類為有效特徵點與無效特徵點。

須說明的是，在本實施例中，搜索半徑為介於0.4公尺與0.52公尺之間。

步驟S104: 依據一調整權重後的歐式距離公式將N幀點雲在該預定空間內的分佈範圍集中，並且將所有的有效特徵點區分出多個群體，該群體的數量即代表在預定空間內的人數。

本發明所採用的Overlay-DBSCAN演算法是種針對DBSCAN演算法進行改良的聚類演算法，主要用以發現數據間的分布規律和隱含關係，也就是把大量的N個數據樣本聚集成K個群體，使同一類的樣本相似性最大而不同類的樣本相似性最小。而在本發明的實施例中，即是將利用毫米波雷達1所收集到的N幀點雲依據室內空間中的人數而聚集成對應的群體數量(也就是說，聚集成K個群體代表著室內空間中有K個人)。進一步來說，由於毫米波雷達1所輸出的每一幀點雲代表一堆隨機數量且含有空間座標資訊的特徵點，而這些特徵點不僅包含因受測者動作而產生的有效特徵點，也有極少數是因受到外界環境的影響，例如：高頻的電磁訊號，變電箱，金屬外殼的電腦等等而產生的無效特徵點(稱之為雜訊點)。因此，為了確定哪些是有效特徵點而那些是無效特徵點，本發明採用DBSCAN演算法，其原理為在預設的一搜索半徑r(以公尺為單位)的點雲數量不小於一最小包含點數M，也就是在某個時段內，搜索半徑r內有最小包含點數M以上的特徵點數量的點雲集合，此外，搜索半徑r是在偵測過程中能夠動態調整，並非是固定不變。利用此方法，多個特徵點可分為核心點(Core points)、邊界點(Border points)以及雜訊點(Noise points)。舉例來說，如圖3所示，首先任意選取一個特徵點，以該特徵點為圓心並且以預設的一搜索半徑r畫圓，若在該搜索半徑r的範圍內的其他特徵點數量超過最小包含點數M，則稱該特徵點為核心點(如圖4中的點A)；接著，繼續任意選取另一特徵點，並且以該特徵點為圓心且以另一搜索半徑r畫圓，若在該另一搜索半徑r內的其他特徵點數量小於最小包含點數M，並且這一做為圓心的特徵點落在核心點範圍內，那麼該特徵點則稱為邊界點(如圖3中的點B及點C)。至於不屬於以上兩者的就是雜訊點(如圖3中的點N)。由上述可知，聚類演算法的準確性與搜索半徑r及最小包含點數M兩個參數有關。若預設的搜索半徑r過大的會導致核心點數量減少，使一些原本應該包含在內的特徵點被丟棄；選擇過小的最小包含點數M則會導致大量的對象被標記為核心點，從而將雜訊點也當成是核心點，進而將雜訊點歸類成點雲集合，而給定最小包含點數卻選擇過小的搜索半徑r會導致大量的對象被當成雜訊點。

進一步來說，因為受測者的身高體重會導致身形有所差異，因此每個受測者被毫米波雷達1掃描後，回饋給毫米波雷達1的點雲數量一定不同，且因為人體的動作幅度大小也會造成點雲數量的改變。如果場景內人數增加，則點雲數量的差異會更加巨大，這也就造成了如果在聚類的時候，對每一幀點雲都使用同一最小包含點數的話，效果會非常有限。因此，需要動態調整每一幀點雲在搜索半徑r範圍內的最小包含點數M，來避免如果有某一幀點雲數量過少時，演算法會將所產生的點雲數量過少的另外一個人直接當成雜訊處理。本發明通過將每三幀的點雲所包含的特徵點的數量累加在一起，在搜索半徑r相同的情況下，將最小包含點數4、5、6、7四個值進行運算，並依據所獲得的結果從中選出一雜訊點數量最少者當作這三幀點雲最適合的最小包含點數M。之所以採用累加三幀點雲的方式進行計算，是由於一幀是0.1秒，人體在正常行走下在0.3秒內的變化不會太大。如此可以保證在0.3秒內人體的質心位置不會差異太多，且同時也可以避免上述提到的過多點雲被誤判為雜點的問題。

繼續參閱圖3所示，由圖3可知，點雲在X、Y、Z軸的分佈其實相當的不平均，在Y軸上分布較為鬆散。因此，本發明依據一調整權重後的歐式距離公式將N幀所述點雲在所述預定空間內的分佈範圍集中，以將所有的有效特徵點區分出多個群體，且所述群體的數量代表在所述預定空間內的人數。所述調整權重後的歐式距離公式即為本發明所採用的Overlay-DBSCAN演算法的公式，包括:

D(P _i,P _j)=(p _xi-p _xj) ²+k(p _yi-p _yj) ²+(p _zi-p _zj) ²....(1)；

其中，D(P _i,P _j)為兩個不同的所述特徵點 _i(p _xi,p _yi,p _zi)與P _j(p _xj,p _yj,p _zj)之間的距離，k為權重且範圍為0＜k＜1。較佳者，在本發明的實施例中，k為0.2(也就是在Y軸上分配較小的權重)。經過調整權重後的點雲可視化的座標圖如圖5所示，可看出經過調整權重後的點雲會壓縮而變得較為集中，有助於不管在直觀上區分得更精準，即更容易區分為兩個群體，更接近實際上的受測者數量(兩位)。

然而，經過Overlay-DBSCAN演算法獲得圖5的點雲可視化座標圖在實際量測上，若兩位受測者移動的軌跡太近，容易產生歸類到群體甲的點雲被歸類到群體乙的情況，也就是發生點雲錯置的情況。在經過Overlay-DBSCAN演算法獲得圖5的點雲可視化座標圖之後，可進一步採用匈牙利演算法來降低點雲的錯置率。繼續參閱圖6所示，圖6為本發明的基於毫米波雷達的人數偵測方法的步驟示意圖，包括以下步驟:

步驟S106: 依據匈牙利演算法計算出多個群體中的任一幀點雲的錯置率；

步驟S108: 依據卡爾曼濾波器預測出多個移動中的人體的移動軌跡。

舉例來說，由於每一個點雲中包含了許多特徵點有關位置的三維座標數據，因此，若k時刻具有點雲數量例如為45的群體甲可具有一關於三維座標數據的矩陣如下:

k時刻:

同樣地，k+1時刻具有點雲數量例如為80的一群體乙也可具有一關於三維座標數據的矩陣如下

k+1時刻:

因此，經過匈牙利演算法的運算後得到兩兩之間的矩陣相關係數，也就是得到點雲數量為45的群體與點雲數量為80的群體之間的相關性，以避免產生歸類到群體甲的其中一點雲被歸類到群體乙的情況，也就是發生點雲錯置的情況。

須說明的是，會採用相關係數的原因為在第k時刻到第k+1時刻的這段時間，每個人移動的距離不會差距太大，而相關係數又可以度量兩個群體之間的相關程度，故採用相關係數來計算第k時刻到第k+1時刻的相關性。接著，依據所述相關矩陣相關係數可逐一確認每一個群體中點雲是否被錯誤歸類(即錯置)。

進一步來說，經過Overlay-DBSCAN演算法的聚類以及匈牙利演算法的固定身份之後，可再利用卡爾曼濾波器進行人移動的軌跡追蹤，使得由毫米波雷達1預測獲得的軌跡能夠接近於紅外線感測器2測量到的實際觀測軌跡。卡爾曼濾波器是一種最佳化回歸數據處理演算法，利用上一刻的狀態估計值與當前狀態的觀測值來對下一狀態做預測值。

最佳化回歸數據演算公式包括以下關係式:

X _k|k-1=AX _k-1|k-1+Bu _k-1；

P _k|k-1=AP _k-1|k-1A ^T+Q；

X _k|k=X _k|k-1+K _k(Z _k‒HX _k|k-1)；

K _k= P _k|k-1H ^T(HP _k|k-1H ^T+HX _k|k-1) ^-1；

P _k|k=(I‒ K _kH)P _k|k-1。

其中，X _k|k為第k時刻的系統狀態，X _k|k-1為上一狀態預測的結果，也就是毫米波雷達1藉由第k-1時刻預測第k時刻狀態的估計值。A跟B為系統參數，假設系統為多參數模型系統時，A 和 B 為矩陣，A ^T為A的轉置矩陣。Z _k為第k時刻的測量值，也就是紅外線感測器2實際測量到的觀測值，H為一對應估計值的矩陣參數，K _k代表估計值與觀測值之間的權重。P 表示相對於系統狀態 x 的共變異數。K為增益值(Kalman Gain)。H 是測量系統的參數，是指過程中和測量所得到的雜訊，他們的共變異數分別是 Q，R。

[實施例的有益效果]

更進一步來說，本發明利用毫米波雷達1所產生出的三維點雲進行室內定位，首先對於現有技術中的的聚類進行了改進，在預處理上先給予不同軸值不同的權重後，再以累加的方式解決點雲某些幀數數量過少的問題，接著輔以統計的方式算出最適合那幀的最小包含點數值。藉由本發明的方法所得到的實驗結果，人數準確率從調整前的45.53%進步至90.18%，濾除雜訊的效果更是改善了許多。接著，本發明的在利用匈牙利演算法使得在聚類後的結果在時間與空間上有了更強大的關聯性，讓每個人移動的軌跡結果在前後是具有相關的，兩人身份錯置率僅約為8%，最後利用卡爾曼濾波器的濾波之後，使得由毫米波雷達1預測獲得的軌跡接近於紅外線感測器2測量到的實際觀測軌跡。

以上所公開的內容僅為本發明的優選可行實施例，並非因此侷限本發明的申請專利範圍，所以凡是運用本發明說明書及圖式內容所做的等效技術變化，均包含於本發明的申請專利範圍內。

1:毫米波雷達 2:紅外線感測器 r:搜索半徑 A核心點 B、C:邊界點 N:雜訊點 S100、S102、S104、S106、S108:步驟

圖1為本發明的基於毫米波雷達的人數偵測方法的運用場景示意圖。

圖2為本發明的基於毫米波雷達的人數偵測方法的運用場景的座標系轉換示意圖。

圖3為點雲可視化後在直角坐標系的示意圖。

圖4為本發明的基於毫米波雷達的人數偵測方法所採用的Overlay-DBSCAN演算法的原理示意圖。

圖5為經過調整後的點雲可視化後在直角坐標系的示意圖。

圖6為本發明的基於毫米波雷達的人數偵測方法的步驟示意圖。

S100、S102、S104、S106、S108:步驟

Claims

一種基於毫米波雷達的人數偵測方法，所述毫米波雷達位在一預定空間，所述基於毫米波雷達的人數偵測方法包括以下步驟：利用所述毫米波雷達在一預設時間範圍內對所述預定空間內的多個移動中的人體發射出n個訊號，n個所述訊號通過多個所述移動中的人體的反射而由所述毫米波雷達接收，使所述毫米波雷達對應輸出n個特徵點，且n個所述特徵點集合成一幀點雲；累計三幀所述點雲中所包含的所述特徵點的數量，並且依據一搜索半徑以及一最小包含點數值，將每一幀所述點雲中的所述特徵點分類為有效特徵點與無效特徵點；以及依據一調整權重後的歐式距離公式將N幀所述點雲在所述預定空間內的分佈範圍集中，以將所有的所述有效特徵點區分出多個群體，且所述群體的數量代表在所述預定空間內的人數。
如請求項1所述的基於毫米波雷達的人數偵測方法，其中，所述調整權重後的歐式距離公式為: D(P _i,P _j)=(p _xi-p _xj) ²+k(p _yi-p _yj) ²+(p _zi-p _zj) ²；其中，D(P _i,P _j)為兩個不同的所述特徵點 _i,P _j之間的距離，k為權重且範圍為0＜k＜1。
如請求項1所述的基於毫米波雷達的人數偵測方法，其中，所述權重為0.2。
如請求項1所述的基於毫米波雷達的人數偵測方法，其中，所述預設時間範圍為0.1秒。
如請求項1所述的基於毫米波雷達的人數偵測方法，其中，每一所述特徵點包含5個特徵值，分別表示距離、水平角、仰角、速度以及信噪比。
如請求項1所述的基於毫米波雷達的人數偵測方法，其中，所述最小包含點數值包括4、5、6、7中的其中一個數值。
如請求項1所述的基於毫米波雷達的人數偵測方法，其中，所述搜索半徑的範圍介於0.4公尺與0.52公尺之間。
如請求項1所述的基於毫米波雷達的人數偵測方法，還進一步包括以下步驟：依據匈牙利演算法計算出多個所述群體中的任一幀所述點雲的錯置率；以及依據卡爾曼濾波器預測出多個所述移動中的人體的移動軌跡。