物体辨识方法及物体辨识装置与流程

1.本发明关于一种物体辨识方法，特别是一种利用雷达的物体辨识方法及物体辨识装置。


背景技术：

2.目标辨识是一种分类人、动物、车辆或其他移动物体的重要技术，在许多领域，例如监控或入侵检测领域中获得广泛应用。在各种物体辨识技术中，雷达由于不受夜间环境、恶劣环境及不佳照明环境的影响而获得关注。雷达可侦测范围之内的目标物体的大小，及使用多普勒效应依据传送波及反射波之间的频率变化侦测目标物体的速度。然而仅依靠目标物体的大小及速度区分目标物体有许多限制，目标辨识的正确度及辨识速度无法提升。


技术实现要素：

3.实施例提供一种物体辨识方法，包含依据回波信号产生多普勒频谱数据，其中回波信号与物体有关；将多普勒频谱数据上对应n个速度的n组时域数据分别转换为n组频谱数据；结合n组频谱数据以获得步调频谱数据；及从步调频谱数据中获取步态特征以辨识物体。
4.实施例提供另一种物体辨识装置，包含雷达及处理器。雷达用以接收回波信号，回波信号与物体有关。处理器耦接于雷达，及用以依据回波信号产生多普勒频谱数据，将多普勒频谱数据上对应n个速度的n组时域数据分别转换为n组频谱数据，结合n组频谱数据以获得步调频谱数据，及从步调频谱数据中获取步态特征以辨识物体。
附图说明
5.图1为本发明实施例中物体辨识装置的模块图。图2为图1物体辨识装置使用的物体辨识方法的流程图。图3显示前处理数据的示意图。图4显示本发明实施例中的多普勒频谱图。图5显示本发明实施例中的傅立叶变换频谱图。图6显示本发明实施例中的步调频谱图。图7显示本发明实施例中的含正速度步调频谱数据的一维步调频谱图。图8显示本发明实施例中包含正速度步调频谱数据及负速度步调频谱数据的一维步调频谱图。图9显示本发明实施例中的合并多普勒频谱图。图10显示依据合并步调频谱数据产生的自相关值。图11显示本发明实施例中合并步调频谱数据的自相关性。图12显示为本发明实施例中的速度正规化的多普勒频谱图。符号说明
1:物体辨识装置10:雷达12:处理器120:分类器200:物体辨识方法s202至s214:步骤ac(r),ac(r 1):自相关函数ds:取样数据ea:正规化加总能量ec:合并能量fc:步调频率h1至h8:速度索引值l:窗长度l1至l8:取样线m:时间窗总数o:物体p:时间索引值s[0,h1]至s[39,h8]:时域数据s[0,h1]至s[99,h1]:频谱数据sd:多普勒信号se:回波信号st:传送信号t:时间t(0)至t(m-1):时间区间v、v1、v2:速度vn:正规化速度f0、fm、f2、f3:峰值频率x[0]至x[ml-1]:前处理数据r:位移量
具体实施方式
[0006]
图1为本发明实施例中物体辨识装置1的模块图。物体辨识装置1可辨识物体o。辨识物体o可为人、猫、狗、动物或其他移动物体。由于不同人或动物的行走姿态、或物体的移动方式都有其特定形态(pattern)，亦称为步态(gait)特征，故物体辨识装置1可依据物体o的步态特征辨识物体o。步态特征可为躯干的移动速度及方向、四肢的摆动速度及方向、其他依附物的摆动速度及方向、鸟类翅膀的拍动、风扇的旋转、引擎的震动等。物体辨识装置1可包含雷达10、模拟数字转换器(analog-to-digital converter,adc)11、及处理器12。雷达10透过adc 11耦接于处理器12。雷达10在发出传送信号st后，可侦测与物体o动作有关的回波信号se。处理器12可对回波信号se进行处理，以获得物体o的步态特征，并依据步态特
征以分类的方式辨识物体o。
[0007]
雷达10可为连续波雷达、调频连续波雷达或其他种类雷达。雷达10可发出传送信号st，及当侦测到物体o时接收回波信号se。传送信号st具有预定频率。当物体o在运动中时，物体o及雷达10之间的相对径向运动会使回波信号se的频率产生变化，称为多普勒偏移(doppler shift)。由于雷达可为固定位置且多普勒偏移与相对运动的速度有关，当物体o在运动中时，多普勒偏移可用于估计物体o的速度，其公式1表示如下：
[0008]
其中v是物体o的速度；
[0009]
c是光速；
[0010]
ft是传送信号st的频率；及
[0011]
fd是回波信号se的频率减掉ft，称为多普勒频率。
[0012]
当物体o直接朝着雷达10移动时，物体o的速度v与多普勒频率fd成正比。当物体o逐渐靠近雷达10时，物体o的速度v为正值且多普勒频率fd为正值；而当物体o逐渐远离雷达10时，物体o的速度v为负值且多普勒频率fd及速度v为负值。回波信号se可带有至少一个频率。在一些实施例中，雷达10可将回波信号se及传送信号st混频而产生具有至少一个多普勒频率fd的多普勒信号sd。adc11可使用特定取样频率，例如以44100hz的取样频率对多普勒信号sd取样，以产生复数个取样数据ds。处理器12可对复数个取样数据ds进行前处理以产生复数个前处理数据，并将复数个前处理数据分为m段以进行短时距的频域变换而依序产生m组频率的能量分布，每组频率的能量分布对应多普勒频率fd的频域范围，且可形成一组能量频谱(energy spectrum)，m为正整数。在本实施例中，m段前处理数据彼此可部分重叠。由于多普勒信号sd中的至少一个多普勒频率fd可被转换为m组频率的能量分布，因此处理器12可使用公式1将多普勒信号sd中，m组频率的取样结果转换为m组速度。于此，经过公式1的转换后，m组速度的数据可视为在m段时距下的多普勒信号sd的m组多普勒频谱(doppler spectrum)数据。处理器12可对m组多普勒频谱数据再次进行离散频率变换以产生步调频谱(cadence spectrum)数据，及从步调频谱数据中提取物体o的步态特征。离散频率变换可使用快速傅立叶变换实现。处理器12可包含分类器120，依据步态特征辨识物体o。分类器120可以使用支持向量机(support vector machine,svm)算法、k-近邻(k-nearest neighbors,knn)算法、或线性判别分析(linear discriminant analysis)算法、其他分类算法或其中一种结合实现。短时距的频域变换可由短时傅立叶变换(short-time fourier transform)、小波变换(wavelet transform)、希尔伯特-黄变换(hilbert-huang transform)、或其组合实现。离散频率变换可以是离散傅立叶变换或快速傅立叶变换。在一些实施例中，可使用独立的时频变换电路对m段前处理数据进行短时频率变换，及/或使用独立的离散频率变换电路将m组多普勒频谱数据转换为步调频谱数据。
[0013]
图2为物体辨识装置1使用的物体辨识方法200的流程图，包含步骤s202至s214，其中步骤s202用于侦测物体o，步骤s204至s214用于辨识物体o。任何合理的技术变更或是步骤调整都属于本发明所揭露的范畴。以下使用物体辨识装置1详细说明步骤202至s214：
[0014]
步骤s202:当侦测到物体o时，雷达10接收回波信号se；
[0015]
步骤s204:处理器12对回波信号se进行前处理以获得前处理数据；
[0016]
步骤s206:处理器12将前处理数据转换为m组多普勒频谱数据；
[0017]
步骤s208:处理器12将m组多普勒频谱数据中对应n个速度的n组时域数据分别转换为n组频谱数据；
[0018]
步骤s210:处理器12结合n组频谱数据以获得步调频谱数据；
[0019]
步骤s212:处理器12从步调频谱数据中获取步态特征；
[0020]
步骤s214:处理器12依据步态特征以辨识物体o。
[0021]
在步骤s202中，雷达10持续发射传送信号st，及当侦测到物体o时接收回波信号se及依据回波信号se产生多普勒信号sd。在步骤s204中，adc 11对多普勒信号sd取样以产生复数个取样数据ds，接着处理器12对复数个取样数据ds进行前处理以获得复数个前处理数据。前处理可包含降低取样频率、去除信号干扰及增加分辨率，且可使用软件、硬件或其结合实现。处理器12可将取样数据ds的数量减低，例如利用重取样函数，将每秒44100个取样数据ds降频80倍以产生每秒约550个重取样数据。重取样数据可以减低后续信号处理的运算量，及避免在之后对取样数据ds进行滤波处理时，取样数量太大使滤波器难以处理，而造成信号失真及影响步态特征的撷取。去除信号干扰可包含去除市电信号干扰及/或去除短时窗信号处理干扰。接着，陷波滤波器(notch filter)将交流电干扰从重取样数据中减低或移除以产生降干扰数据。例如由于一般市电交流电信号的频率为60hz，陷波滤波器可将60hz及其倍数的频段，如120hz、180hz、240hz的谐波信号干扰从重取样数据中减低或移除。应当理解的是，为了避免能量泄漏，多普勒信号sd的取样数据ds的频谱可以使用m个短时距的频域变换而产生。m个短时距的频域变换可使用汉明窗口(hamming window)对信号进行窗型屏蔽，以降低数据干扰以压抑两侧频谱的能量，使频谱主瓣(main lobe)的能量最大化。汉明窗口的窗长度可与短时频率变换所使用的窗函数的窗长度大小相同，例如与短时傅立叶变换、小波变换或希尔伯特-黄变换的窗长度大小相同。在一些实施例中，去除市电信号干扰及去除短时窗信号处理干扰的处理顺序可互换。最后处理器12将滤波后的数据取样点增加，例如增加为滤波后的数据取样点的数目的4倍，由每秒550个取样点增加至每秒2200个取样点。由于前处理数据的取样点增加，故也能增加短时频率变换所需的分辨率。
[0022]
在步骤s206中，处理器12使用短时傅立叶变换以依据复数个前处理数据产生m组多普勒频谱数据。图3显示ml个前处理数据x[0]至x[ml-1]的示意图，其中横轴表示时间索引值p，纵轴表示前处理数据x[p]的能量强度，例如是电压。m、l是正整数，p是整数且0≤p<ml。当进行短时傅立叶变换时，处理器12可先将ml个前处理数据分为m个时间区间t(0)至t(m-1)的处理数据，且每一个时间区间的处理数据对应l个取样点。处理器12可再使用固定长度l的窗函数w(
·
)处理每一个时间区间的取样点。第1时间区间t(0)对应前处理数据x[0]至x[l-1]。第2时间区间t(1)对应前处理数据x[l]至x[2l-1]，依此类推。第m时间区间t(m-1)对应前处理数据x[(m-1)l]至x[ml-1]。m是非负整数且m≤m。处理器12可对每个时间区间的l个前处理数据作傅立叶变换以产生m组频率的能量分布。在一些实施例中，相邻两时间区间可部分重叠。例如将4秒内的前处理数据以0.1秒的时间长度的时间区间分割，以产生40个时间区间。每个时间区间对应220个前处理数据的取样点。处理器12可对每个时间区间对应的220个前处理数据的取样点作傅立叶变换以产生40个时间区间的频率的能量分布。在一些实施例中，为了方便硬件运算，处理器12可在每个时间区间内的数据点中再补上一些值为0的数据点以获得每个时间区间内有2的n次方个频率能量，例如256个频率能量，
其中256个频率能量包含128个正频率能量及128个负频率能量。短时傅立叶变换可为离散短时傅立叶变换，以公式2表示：
[0023]
其中l是窗长度；
[0024]
w[q]是窗函数数据，q是窗函数数据索引值，q是整数且0≤q<l；
[0025]
x[(m-1)l q]是第m个时间区间t(m-1)的前处理数据，m是时间区间索引值；且
[0026]
x[k,m,h]是第m组频率的能量，k是时间索引值，k是整数且0≤k<l，h是频率索引值，h是整数且0≤h<l。
[0027]
每个频率索引值h对应一个频率fd，处理器12可使用公式1将频率fd转换为相应速度v。在一些实施例中，当0≤h≤(l/2-1)时，频率fd可以对应正速度v；当l/2≤h≤(l-1)时，频率fd可以对应负速度v。接着处理器12可依据第m组频率的能量x[k,m,h]的振幅，以产生相应速度v的能量s[m,h]，由公式3表示：s[m，h]＝|x[k，m，h]|2ꢀꢀ
公式3
[0028]
处理器12可依据所有时间上的速度v的能量s[m,h]产生m组多普勒频谱数据。第m组多普勒频谱数据包含l个速度v的能量s[m,0]至s[m,l-1]。m组多普勒频谱数据可形成多普勒频谱矩阵dm，由公式4表示：
[0029]
在m为0至m-1且h为l/2-1至0时，多普勒频谱矩阵dm的矩阵元素s[m,h]为正速度v的对应能量。在m为0至m-1且h为l/2至l-1时，多普勒频谱矩阵dm的矩阵元素s[m,h]为负速度v的对应能量。处理器12可依据多普勒频谱矩阵dm产生出对应于多普勒频谱图(doppler spectrogram)的数据，如图4所示，其中横轴表示时间t，纵轴表示速度v。图中的灰阶度表示速度能量，灰阶度越高的区域表示能量s[m,h]越高。在某个时间t的纵轴表示其速度的能量分布。例如时间t为0时，对应范围在4m/s至-2m/s的第1组速度的能量分布。每个时间t的速度集合可包含128个正速度及128个负速度，对应人或动物移动时躯干及四肢的前后摆动。
[0030]
在步骤s208中，处理器12将m组多普勒频谱数据上l个速度中的n个速度v的n组时域数据分别转换为n组频谱数据。例如在图4中的多普勒频谱图上画出4条取样线l1、l2、l3、l4(n＝4)，分别对应4个速度1m/s、2m/s、3m/s、4m/s。处理器12从取样线l1上获得对应速度1m/s的第1组时域数据{s[0,h1],s[1,h1],
…
,s[39,h1]}。从取样线l2上获得对应速度2m/s的第2组时域数据{s[0,h2],s[1,h2],
…
,s[39,h2]}。从取样线l3上获得对应速度3m/s的第
3组时域数据{s[0,h3],s[1,h3],
…
,s[39,h3]}。从取样线l4上获得对应速度4m/s的第4组时域数据{s[0,h4],s[1,h4],
…
,s[39,h4]}。时域数据s[m,hn]代表在取样线ln及第m时间窗的能量，n是正整数且n<n。处理器12使用公式5对第n组时域数据{s[0,hn],s[1,hn],
…
,s[39,hn]}进行离散傅立叶变换以产生第n组频谱数据{s[0,hn],s[1,hn],
…
,s[m-1,hn]}。
[0031]
其中s[f,hn]是第n组频谱数据在第(f 1)频率的能量，f是小于m的非负整数，m是取样数目。例如，处理器12可对第1组时域数据{s[0,h1],s[1,h1],
…
,s[39,h1]}进行离散傅立叶变换以获得第1组频谱数据{s[0,h1],s[1,h1],
…
,s[39,h1]}，对第2组时域数据{s[0,h2],s[1,h2],
…
,s[39,h2]}进行离散傅立叶变换以获得第2组频谱数据{s[0,h2],s[1,h2],
…
,s[39,h2]}，对第3组时域数据{s[0,h3],s[1,h3],
…
,s[39,h3]}进行离散傅立叶变换以获得第3组频谱数据{s[0,h3],s[1,h3],
…
,s[39,h3]}，对第4组时域数据{s[0,h4],s[1,h4],
…
,s[39,h4]}进行离散傅立叶变换以获得第4组频谱数据{s[0,h4],s[1,h4],
…
,s[39,h4]}。第1组频谱数据{s[0,h1],s[1,h1],
…
,s[39,h1]}可依照频率产生出对应于速度1m/s的频谱图，如图5所示，其中横轴表示频率f，纵轴表示能量e。速度1m/s的频谱图表示在不同频率下的能量分布，可表示物体o的特定部分的每秒摆动次数。图5显示速度1m/s的主要频率分布小于10hz。其他速度2m/s、3m/s、4m/s的频谱数据也可依照频率画出频谱图。在一些实施例中，考虑到人或动物行走时所造成的常态摆动频率，频谱图考虑的频率范围可设定在0-20hz。在一些实施例中，处理器12也可依据多普勒频谱数据上对应负速度的时域数据产生负速度的频谱数据，例如依据取样线l5至l8上的4组时域数据{s[0,h5],s[1,h5],
…
,s[39,h5]}至{s[0,h8],s[1,h8],
…
,s[39,h8]}产生4组负速度频谱数据{s[0,h5],s[1,h5],
…
,s[39,h5]}至{s[0,h8],s[1,h8],
…
,s[39,h8]}。
[0032]
在步骤s210中，处理器12结合n组频谱数据以获得步调频谱数据。在一些实施例中，处理器12可沿纵轴结合n组频谱数据以获得步调频谱数据。例如，处理器12可沿纵轴结合第1组频谱数据{s[0,h1],s[1,h1],
…
,s[39,h1]}至第8组频谱数据{s[0,h8],s[1,h8],
…
,s[39,h8]}中的对应频域的能量以产生矩阵{c[0],
…
,c[39]}。c[0]至c[39]为矩阵的行(column)向量。每个矩阵行向量c[0]至c[39]系为一组步调频谱数据，c[0]＝g(0)
×
(s[0,h1]；s[0,h2]；
…
；s[0,h8])，c[39]＝g(39)
×
(s[39,h1]；s[39,h2]；
…
；s[39,h8])，g为正规化系数，可根据不同的对应速度给予不同权重值。每组步调频谱数据c[0]至c[39]代表在对应频率的正规化速度能量分布。矩阵{c[0],
…
,c[39]}可产生对应于步调频谱图(cadence spectrogram)。图6为步调频谱图，其中横轴表示步调频率fc。纵轴表示速度。图中的灰阶度表示速度对应的能量。灰阶度越高表示能量越高。步调频谱图表示不同步调频率fc下的速度对应的能量分布。例如，在图6中，可观察步调频率fc在0hz、2hz、4hz、6hz下的物体o速度对应的能量分布。0hz可以是躯干的摆动频率，2hz可以是四肢的摆动频率，4hz、6hz可以是2hz的谐频。在一些实施例中，处理器12可移除步调频谱数据中的直流部分，即位于约0hz的步调频谱数据c[0]。
[0033]
在另一些实施例中，处理器12可沿纵轴加总n组频谱数据以获得步调频谱数据。n组频谱数据可对应正速度及/或负速度。例如，当使用对应正速度的n组频谱数据时，处理器12可沿纵轴元素对元素(element-wised)加总第1组频谱数据{s[0,h1],s[1,h1],
…
,s[39,
h1]}至第4组频谱数据{s[0,h4],s[1,h4],
…
,s[39,h4]}以产生向量c[0],
…
,c[39]。每个向量c[0]至c[39]系对应一组步调频谱数据。c[0]＝g
×
(s[0,h1] s[0,h2]
…
s[0,h4])。c[39]＝g
×
(s[39,h1] s[39,h2]
…
s[39,h4])。每个向量c[0]至c[39]代表对应频率的正规化速度加总能量。向量c[0]至c[39]可加总以产生一维步调频谱。图7为一维步调频谱，其中横轴表示步调频率fc，纵轴表示向量c的正规化加总能量ea。一维步调频谱表示在不同步调频率fc下的正规化加总能量分布。在图7中，可观察步调频率fc在0hz、2hz、4hz、6hz下的物体o速度对应的正规化加总能量ea分布。正规化加总能量ea峰值0hz可以是躯干的摆动频率，2hz可以是四肢的摆动频率，4hz、6hz可以是2hz的谐频。在一些实施例中，处理器12可移除步调频谱数据中的直流部分，即位于约0hz的步调频谱数据c[0]。
[0034]
接着处理器12从步调频谱数据中获取步态特征(步骤s212)及依据步态特征以辨识物体o(步骤s214)。步态特征可以是1.步调频谱图中移动幅度及次要部分能量对主要部分能量的比例关系；2.一维步调频谱图的步调频谱数据；3.合并步调频谱图的步调频谱数据及自相关性最小值；或4.速度正规化的步调频谱数据。
[0035]
处理器12可将步调频谱图中移动幅度(stride)及次要部分能量对主要部分能量的比例关系作为步态特征以辨识物体o。物体o包含主要部分与次要部分，例如，主要部分可为人的躯干，次要部分可为人的四肢。处理器12可从步调频谱数据中辨识基频及主要部分的主要速度，依据基频及主要速度产生移动幅度，从步调频谱数据中辨识对应次要部分的次要部分能量及对应主要部分的主要部分能量，产生次要部分能量对主要部分能量的比例关系，及依据移动幅度及比例关系辨识物体o。主要部分的主要速度可为躯干的躯干速度。移动幅度可为步伐长度s。主要部分能量可为回波信号se中对应躯干能量的部分。次要部分能量可为回波信号se中对应四肢能量的部分，次要部分能量对主要部分能量的比例关系可为四肢能量对躯干能量的比值r。在一些实施例中，处理器12可将步伐长度s及四肢能量对躯干能量的比值r作为步态特征，以辨识物体o。处理器12可使用公式6依据躯干速度及基频计算步伐长度s，及使用公式7计算四肢能量对躯干能量的比值r产生步态特征。
[0036]
其中s为步伐长度；
[0037]
vt为躯干速度；及
[0038]
fm为基频。
[0039]
其中r为四肢对躯干比；
[0040]
n为次要部分能量的索引值；
[0041]
d为次要部分能量的最大索引值；
[0042]
s0为主要部分能量；及
[0043]
sn为次要部分能量。
[0044]
参考图6，在跨越步调频率0hz到20hz内的对应的最大纵轴速度v1或v2，可为躯干速度vt。跨越纵轴速度7m/s至-5m/s对应的步调频率fm，可为四肢摆动的基频。例如，躯干速度vt约为2m/s，基频fm约为2hz，及步伐长度s约为1公尺(vt/fm＝2/2＝1)。在一些实施例
中，处理器12可沿横轴方向将相同速度v的能量相加以产生加总能量，及将所有加总能量中的最大总能量的对应速度判定为躯干速度vt，例如2m/s。处理器12可沿纵轴方向将相同频率f的能量相加以产生加总能量，并依据所有加总能量判定峰值频率，接着，将非直流频率的最大峰值频率判定为基频fm，例如2hz。
[0045]
另外，在横轴的峰值频率f0、fm、f2、f3的能量分布可对应跨越速度7m/s至-7m/s、7m/s至-5m/s、7m/s至-5m/s及6m/s至-4m/s的能量分布。例如，主要部分能量组成s0可以是在峰值频率f0之下，速度7m/s至-7m/s对应的加总能量，最大索引值d可为3，次要部分能量可包含第1至第3次要部分能量组成s1至s3，第1次要部分能量s1可以是在峰值频率fm之下，速度7m/s至-5m/s对应的加总能量，第2次要部分能量s2可以是在峰值频率f2之下，速度7m/s至-5m/s对应的加总能量，第3次要部分能量s3可以是在峰值频率f3之下，速度6m/s至-4m/s的加总能量。
[0046]
四肢对躯干的比值r可以是(s1 s2 s3)/s0。在一些实施例中，处理器12可沿纵轴方向将每一个频率f上的能量相加以产生该频率上的加总能量。在处理器12取得所有频率上的加总能量后，可判定峰值频率。处理器12可将约等于0hz的峰值频率定义为峰值频率f0。处理器12可依序将0hz之后的峰值定义为fm、f2、f3。处理器12可再将频率f0、fm、f2、f3对应的加总能量依序定义为主要部分能量组成s0及次要部分能量组成s1、s2、s3。
[0047]
处理器12可将步伐长度s及四肢对躯干的比值r输入分类器120以依据步伐长度s及四肢对躯干比r将物体o分类。不同的物体o可具有不同的步伐长度s，例如行走中的人的步伐长度s可介于30至40公分，行走中的小型犬的步伐长度s可小于10公分。不同的物体o可以具有不同的四肢对躯干的比值r，例如人的四肢对躯干比r可约为0.6，狗的四肢对躯干比r可为大于0.7。
[0048]
处理器12可将一维步调频谱的步调频谱数据作为步态特征以辨识物体o。参考图7，处理器12可将步调频谱数据c[0]至c[39]输入到分类器120以依据步调频谱数据c[0]至c[39]分类物体o。在一些实施例中，处理器12可将多普勒频谱图的正速度的能量分布及负速度的能量分布分别转换为正速度步调频谱数据及负速度步调频谱数据，例如将图5取样线l1至l4上的4组时域数据转换为正速度步调频谱数据c[0]至c[39]，及取样线l5至l8上的4组时域数据转换为负速度步调频谱数据c[40]至c[79]。正速度步调频谱数据c[0]至c[39]及负速度步调频谱数据c[40]至c[79]可整合成一维步调频谱，如图8所示，其中横轴表示步调频率fc，纵轴表示步调频谱数据c的正规化加总能量ea。处理器12可将步调频谱数据c[0]至c[79]输入分类器120以依据步调频谱数据c[0]至c[79]将物体o分类。不同的物体o可以对应不同的峰值步调频率，例如人的峰值步调频率可在约2hz的位置，及其高次谐频可在约4hz、6hz的位置，狗的峰值步调频率可为不固定。在一些实施例中，处理器12可将正速度步调频谱数据c[0]至c[39]的加总能量及负速度步调频谱数据c[40]至c[79]的加总能量中较大的一者的步调频谱数据放在另一者的步调频谱数据之前作为步态特征输入分类器120。正速度步调频谱数据与负速度步调频谱数据中总能量中较大的一者可表示为：max{ea(c[0]至c[39]),ea(c[40]至c[79])}
[0049]
例如，当负速度步调频谱数据c[40]至c[79]的加总能量大于正速度步调频谱数据c[0]至c[39]的加总能量时，步态特征为：{c[40],
…
,c[79],c[0],
…
,c[39]}
[0050]
当正速度步调频谱数据c[0]至c[39]的加总能量大于负速度步调频谱数据c[40]至c[79]的加总能量时，步态特征为：{c[0],
…
,c[39],c[40],
…
,c[79]}
[0051]
处理器12可将合并步调频谱图的合并步调频谱数据及自相关性最小值作为步态特征以辨识物体o。合并步调频谱图的定义于后文详述。处理器12可依据多普勒频谱图中m个时间对应的m组正速度能量及m组负速度能量产生m组合并多普勒频谱图(combined doppler spectrogram)数据，及从m组合并多普勒频谱数据中对应n个速度的n组时域数据分别转换为n组频谱数据。在一些实施例中，处理器12可将多普勒频谱图的能量分布数据分成正速度多普勒频谱数据及负速度多普勒频谱数据。正速度多普勒频谱数据及负速度多普勒频谱数据可分别形成正速度多普勒频谱矩阵dp及负速度多普勒频谱矩阵dn，以公式8及公式9表示：公式9表示：
[0052]
正速度多普勒频谱矩阵dp中的每个矩阵元素代表正速度能量。处理器12可将所有正速度能量相加以产生正速度总能量esp，以公式10表示：
[0053]
负速度多普勒频谱矩阵dn中的每个矩阵元素代表负速度能量，处理器12可将负速度能量相加以产生负速度总能量esn，以公式11表示：
[0054]
接着处理器12可将正速度总能量esp及负速度总能量esn中，较大总能量对应的多普勒频谱矩阵的元素，除以较小总能量对应的多普勒频谱矩阵的相同位置的元素，以产生合并多普勒频谱矩阵。例如，当正速度总能量大于负速度总能量时，多普勒频谱矩阵dc1可表示为公式12：
[0055]
当负速度总能量大于正速度总能量时，多普勒频谱矩阵dc2可表示为公式13：
[0056]
在另一些实施例中，处理器12可将正速度总能量esp及负速度总能量esn中的较大总能量对应的多普勒频谱矩阵视为合并多普勒频谱矩阵。合并多普勒频谱数据可转换为合并多普勒频谱图，如图9所示，其中横轴表示时间，纵轴表示合并能量ec。处理器12可依据步骤s208将合并多普勒频谱数据中对应n个速度的n组时域数据分别转换为n组频谱数据，及依据步骤s210加总n组频谱数据的对应能量以获得m个合并步调频谱数据c[0]到c[m-1]。例如，处理器12可将合并多普勒频谱数据中对应4个速度的4组时域数据分别转换为4组频谱数据，及加总4组频谱数据在频域的能量以获得40个合并步调频谱数据c[0]到c[39]。
[0057]
处理器12可使用公式14对合并步调频谱数据c执行自相关(autocorrelation)函数以产生复数个自相关值av(r)，再计算复数个自相关值中，所有相邻两自相关值的差值，以产生复数个差值。处理器12可将复数个差值中的最小差值作为自相关性差最小值。
[0058]
r为自相关值的位移量。例如，若图7为一维合并步调频谱，处理器12可使用图7中的合并步调频谱数据c依据公式14产生复数个自相关值ac(r)。图10显示依据合并步调频谱数据c产生的自相关值(0)至ac(49)，其中横轴表示位移量r，纵轴表示相邻自相关值ac(r)，相邻位移量(r 1)及r的间隔可为0.4hz，如图10所示，位移量r在0hz、2hz、4hz时自相关值ac(r)具有峰值，对应图7中步调频率fc在共振频率0hz、2hz、4hz时合并步调频谱数据c的峰值，即自相关值ac(r)在步调频率fc在共振频率时会增加。处理器12可接着计算自相关值ac(0)至ac(49)中相邻2点ac(r 1),ac(r)的49个差值，及将49个差值中的最小差值作为自相关性差最小值。图11显示合并步调频谱数据c的自相关性差异，其中横轴表示位移量r，纵轴表示相邻自相关值之间的差值ac(r 1)-ac(r)。位移量r在0hz、2hz、4hz时差值ac(r 1)-ac(r)具有较小差值，对应图10中位移量r在共振频率0hz、2hz、4hz时自相关值ac(r)的峰值。使用相邻自相关值之间的差值ac(r 1)-ac(r)可以凸显每个共振频率的强弱程度，越强的共振频率其差值ac(r 1)-ac(r)会越小。图11显示最小差值约为-0.2。处理器12可将合并步调频谱数据及自相关性最小值输入分类器120，以依据合并步调频谱数据及自相关性最小值将物体o分类。不同的物体o可以具有不同的自相关性差最小值，例如人的自相关性差最小值可约为-0.2，狗的自相关性差最小值可约为-0.05。
[0059]
处理器12可将速度正规化的步调频谱数据作为步态特征以辨识物体o。使用速度正规化的步调频谱数据可移除或减低相同物体由于速度不同而产生的步态特征，例如移除或减低由于人走路速度和跑步速度不同而产生的步态特征。首先，处理器12可从多普勒频谱数据中辨识出躯干速度vt对应时间索引mt的时间窗，以及相邻的最大速度vm对应时间索引mm的时间窗。处理器12还可计算时间索引mt及时间索引mm之间的差做为速度正规化区间d。例如，时间索引mt是11及时间索引mm是1，速度正规化区间d可推导为d＝11-1＝10。处理器12可将公式4中的多普勒频谱矩阵dm的每个矩阵元素s[m,h]以速度正规化区间d之后的对应矩阵元素s[m d,h]相除，产生速度正规化矩阵dm_vn1，以公式15表示：
[0060]
在一些实施例中，处理器12可将公式4中的多普勒频谱矩阵dm的每个矩阵元素s[m,h]以速度正规化区间d之前的对应矩阵元素s[m-d,h]相除以产生速度正规化矩阵dm_vn2，以公式16表示：
[0061]
另外处理器12可等比例缩放多普勒频谱数据及时间轴，如公式17表示：
[0062]
其中d系为取样区间内等比例缩放后的时间索引值的数量；
[0063]
vt为躯干速度；
[0064]
vm为最大速度；
[0065]
d为取样区间内时间索引值的数量；及
[0066]
t为取样区间内的总时间。
[0067]
图12显示为本发明实施例中的速度正规化的多普勒频谱图，其中横轴表示时间t，纵轴表示正规化速度vn。经过速度正规化后，于图12的多普勒频谱图中躯干速度(2m/s)的对应能量几乎被完全移除。处理器12可依据速度正规化后的多普勒频谱数据执行步骤s208及s210，并产生速度正规化的一维步调频谱数据。处理器12可使用速度正规化的步调频谱数据作为步态特征，输入至分类器120以分类物体o。
[0068]
物体辨识装置1及物体辨识方法200使用雷达接收回波信号以产生步调频谱数据，使用步调频谱数据中，次要部分能量对主要部分能量的比例关系、物体移动幅度、一维步调频谱数据、合并步调频谱数据及自相关性最小值、或速度正规化的步调频谱数据作为步态特征，以增加辨识移动物体的正确度及辨识速度。
[0069]
以上所述仅为本发明的较佳实施例，凡依本发明权利要求范围所做的等同变化与修饰，皆应属本发明的涵盖范围。