一种基于毫米波雷达的人流量动态监测装置的制作方法

1.本实用新型涉及一种雷达目标检测领域的毫米波雷达人流量动态监测装置，具体涉及一种基于数据筛选和双时间点检测的毫米波雷达人流量动态监测装置。


背景技术：

2.随着社会发展，人们的出行率不断提高，尤其是商场、车站和景区等公众场合的人流量增加，导致安全问题日益突出。通过实时人流量统计，可对人群进行及时有效的分流、疏导和控制，不仅可以规避可能发生的安全事故，而且对优化公共场合的资源配置有重要参考价值。
3.早期对公共场所的人流量统计主要使用人工计算的方式，该方法不能准确统计人员数目，且人力成本高，管理复杂，不利于当下快速发展的大数据分析及其应用。为了有效统计人流量，节约人力资本，守护公共区域安全，国内外的学者在此基础上研究自动统计人流量方法。基于红外线传感器探测的人流量监测方法利用发射红外线的发光二极管和感知红外线的接收二极管，实现红外线感应，对经过感应区域的具有一定温度的目标自动计数，但是该方法应用场景有限，不能区分目标个体的运动方向，且难以分辨多人并排行走的情况。基于超声波探测的人流量监测方法通过对发射声波以及对其回波信号处理来实现人体目标的位置测量，从而实现人流量的统计，但此方法作用距离有限，容易受外界环境的干扰，存在测量盲区，因此在人流量监测应用中具有一定局限性。随着人工智能算法的兴起，视频监控成为人流量监测的主要方式之一，目前基于视频监控系统来统计人流量的检测追踪算法大体可分为三类：基于图像底层特征的方法、基于特征点运动轨迹的方法以及基于运动目标的检测跟踪方法。基于视频监控的人流量监测技术利用摄像头等光学传感器对应用环境有限制，对于光照、烟雾等环境因素敏感度高，难以全天候工作，同时采集的监控数据存在人员隐私泄露的风险。因此，研究如何以较高的准确率统计人流量且克服现有人流量统计方法弊端的人流量监测方法是非常有必要的。


技术实现要素：

4.实时人流量统计能对公共场合的人员进行有效管控，以避免人数过于密集导致安全事故的发生。针对现有人流量监测方法的弊端，本实用新型利用毫米波雷达体积小、成本低、分辨率高的特点，提出一种基于数据筛选和双时间点检测的人流量动态监测装置。
5.本实用新型提供如下技术方案：
6.一种基于毫米波雷达的人流量动态监测装置，包括三脚支架、计算机、数据线、毫米波雷达和门，通过数据线连接计算机和毫米波雷达，所述三脚支架顶部的竖杆与横杆连接，所述横杆末端安装毫米波雷达，所述毫米波雷达位置处于门同高处，所述毫米波雷达位于检测区域斜上方，所述毫米波雷达下方为雷达扇形扫射区域范围。
7.进一步的，所述毫米波雷达的倾斜角度α＝40-50
°
。优选毫米波雷达的倾斜角度α＝45
°
。
8.进一步的，所述毫米波雷达工作频率为60ghz，带宽为4ghz，单位帧下的编码脉冲数为128，帧周期为40ms。
9.一种基于毫米波雷达的人流量动态监测方法，该方法首先建立人体目标回波信号模型，通过对人体目标回波信号进行二维快速傅里叶变换处理来获得人体散射点的距离以及多普勒频率信息；接着通过恒虚警处理滤除杂波散射点，并对保留散射点进行方位角估计，获取人体目标散射点的角度信息，并使用二维坐标变换得到散射点位置，与对应多普勒频率信息一起构成点云数据；然后依据多普勒频率的正负来判断人体的运动方向，同时根据人体运动时不同部位多普勒特征的差异对点云数据进行筛选以减少干扰点数，避免基于密度的聚类算法出现虚警问题；最后在双时间点对特定区域的人员数量进行统计，并利用双时间点之间所获取的聚类结果来进一步修正人流量数据，从而解决因人体行走速度不同而引起的误判问题。
10.与现有技术相比，本实用新型的有益效果是：
11.(1)本实用新型利用毫米波雷达的距离分辨率高、发射功率低、穿透能力强的优势来进行人流量监测，受光线、烟雾等环境因素影响较小，而且不存在人员隐私泄露的风险。
12.(2)本实用新型通过设置合适的多普勒门限来滤除频率较小的点云数据，以降低人的呼吸、心跳和手臂小幅度摆动的干扰散射点对dbscan聚类结果的影响，同时按照多普勒频率的正负将点云数据集分成人员进和出的两个数据集，不仅提高了人体目标凝聚的准确性，而且正确区分人员进入和出去两种情形。
13.(3)每隔δt时间对特定区域的人员数量进行统计，并遍历δt时间内的在检测区域内同一路径上的人员数据来对所统计数据进行修正，从而解决因人体行走速度不同而引起的漏检和虚检问题。
附图说明
14.图1是本实用新型实现流程图。
15.图2是人流量统计场景示意图。
16.图3a是毫米波雷达发射阵列结构。
17.图3b是毫米波雷达接收阵列结构。
18.图4是二维fft处理流程。
19.图5a是单人进出时的传统dbscan聚类结果。
20.图5b是单人进出时的基于多普勒频率筛选的dbscan聚类图。
21.图6是检测区域示意图。
22.图7是人员行走速度正常时的示意图(t1时间点人员位置到t2时间点人员位置)。
23.图8是人员行走速度较快时的示意图(t1时间点人员位置到t2时间点人员位置)。
24.图9是人员行走速度较慢时的示意图(t1时间点人员位置到t2时间点人员位置)。
25.图10是本实用新型装置的实验场景图。
26.1、三脚支架，11、竖杆，12、横杆，2、计算机，3、数据线，4、毫米波雷达，5、门，6、检测区域；7、雷达扇形扫射区域范围。
具体实施方式
27.下面将结合本实用新型实施例中的附图，对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实用新型一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本实用新型保护的范围。
28.一种基于毫米波雷达的人流量动态监测方法，包括以下步骤：
29.步骤1：将人体目标回波信号经混频处理获得中频信号，然后进行二维fft 处理、恒虚警检测和相位法测角，从而获取人体散射点的点云数据集p0，可表示为p0:{(xi,yi,f
di
),i＝1,2,...,i}，其中，xi和yi分别为第i个散射点在二维平面的坐标位置，f
di
为第i个散射点的多普勒频率，i为人体目标散射点数。
30.本实用新型采用调频连续波(frequency modulated continuous wave, fmcw)雷达，它具有较大的带宽、几乎不存在测距盲区、低发射功率以及高分辨率等特点，适用于监测公共场合人流量的应用场景。图2为本实用新型人流量监测场景示意图，将毫米波雷达置于检测区域斜上方，可使雷达能更好地探测多个人体目标。毫米波雷达模块选用texas instruments(ti)公司的iwr6843 评估板，板载3发4收天线，可以发射60ghz的调频连续波信号，内部集成有射频前端、低噪声放大器、arm处理器、dsp、内存等，可以满足对回波信号的中频采样缓存、多维fft以及恒虚警检测等处理。毫米波雷达发射天线(图 3a)、毫米波雷达接收天线(如图3b)所示，
31.发射天线和接收天线间距分别为d
t
和dr。假设探测区域内有多个人体目标，共对应i个散射点，其中散射点i(i＝1,2,...,i)的方位角为θi。假设fmcw雷达发射锯齿形线性调频连续波，其发射信号为
[0032][0033]
式中，a
t
表示发射功率；fc表示chirp的起始频率；b表示chirp的带宽； tc表示chirp的持续时间；表示相位噪声。fmcw雷达的回波信号为
[0034][0035]
式中，用以表示电磁波在雷达和距离雷达ri处的第i个目标散射点之间的往返时间，其中，v
di
为第i个目标相对雷达的径向速度，以靠近雷达的方向为正，c为光速，f
di
表示第i个散射点的多普勒频率；αi则与第i个散射点的回波损耗有关。将发射信号x
t
(t)和接收信号xr(t)通过混频后再结合i/q信号分析，其中频信号可近似表示为
[0036]
[0037]
式中，a
ri
表示第i个散射点的接收功率，f
bi
＝2b(ri v
di
t)/(ctc)表示第i个散射点的差频，相位为第i个散射点的相位，为第i个目标的残留噪声。由于人体目标与雷达距离较近，上述的残留噪声和相位中的项的值很小，可以忽略不计。
[0038]
对混频后的中频信号进行采样，假设每个周期采样点数为n，采样周期数为 m，中频信号可以表示为采样矩阵形式
[0039][0040]
式中，n＝1,2,
…
,n表示快时间采样轴上对应的标号，m＝1,2,
…
,m表示慢时间采样轴上对应的标号，tf,ts分别为快时间和慢时间轴上的采样间隔。
[0041]
针对式(4)所示的雷达采样数据矩阵y，中频信号频率f
bi
和多普勒频率f
di
中包含每个散射点的距离和多普勒信息，故需要对雷达采样数据矩阵y的每一行做n点fft处理可求出目标的距离信息，每一列做m点fft处理可求出目标的多普勒信息，其处理流程如图4所示。
[0042]
由于人流量监测方法的使用场景多在拥挤的环境下，因此在回波信号中往往会包含目标信息、背景噪声以及杂波干扰。为了实现对人体目标进行有效检测，需要滤除杂波散射点。cfar算法是基于门限的目标检测算法，通过估算测试单元邻近参考单元的背景噪声和杂波功率，对接收机接收的包含有效信号和噪声进行判别，确定目标是否存在。cfar算法中最常用的是单元平均恒虚警检测算法(ca-cfar)，通过对保护单元外的邻近单元取平均值来估算背景杂波功率。本实用新型采用二维ca-cfar检测器，对雷达采样数据矩阵y的距离维和多普勒频率维分别进行恒虚警检测。
[0043]
对于同一散射点i(i＝1,2,...,i)，其角度可通过两个接收天线所接收的回波相位差进行估算。假设两个接收天线的接收回波路程差为δri，则第i个散射点接收信号在t时刻的相位差为
[0044][0045]
由图3b可知，两个邻近接收天线的接收回波路程差可近似为
[0046]
δri＝d
t sinθiꢀꢀ
(6)
[0047]
由式(5)和式(6)可知，第i个散射点的方位角θi可表示为
[0048][0049]
因此，第i个散射点的二维坐标可以表示为
[0050]
[0051]
式中，xi和yi分别为第i个点目标在二维平面的坐标位置。综上可得到包含散射点位置和多普勒信息的点云数据，可用数据集p0表示为
[0052]
p0:{(xi,yi,f
di
),i＝1,2,...,i}
ꢀꢀꢀꢀ
(9)
[0053]
步骤2：为了降低人的呼吸、心跳和手臂小幅度摆动的散射点对人体目标凝聚的影响，通过设置适当的多普勒门限来滤除这些小多普勒频率的散射点，只保留人整体躯干平动产生的散射点。设置多普勒门限为f
t
，在点云数据集p0中滤除小多普勒频率的点之后获得的数据集 p1:{(xj,yj,f
dj
)||f
dj
|＞f
t
,j＝1,2,...,j}，其中，xj和yj分别表示多普勒频率大于门限值的第j个散射点在二维平面的坐标位置，f
dj
表示第j个散射点的多普勒频率，j表示满足|f
dj
|＞f
t
的所有散射点数，|
·
|为绝对值。
[0054]
在人流量监测应用场景中，除了人体整体的躯干平动外，人的呼吸、心跳和手臂的小幅度摆动会产生微多普勒效应，对应多普勒频率较小的点云数据。一种基于多普勒频率筛选的聚类方法，通过设置适当的多普勒门限来去除频率较小的这些点，以降低人的呼吸、心跳和手臂小幅度摆动的干扰点对聚类结果的影响。设置多普勒门限为f
t
，则去除多普勒频率较小的点之后的数据集p1为
[0055]
p1:{(xj,yj,f
dj
)||f
dj
|＞f
t
,j＝1,2,...,j}
ꢀꢀꢀꢀ
(10)
[0056]
式中，xj和yj分别表示多普勒频率大于门限值的第j个点目标坐标位置；f
dj
表示第j个点目标的多普勒频率；j表示满足|f
dj
|＞f
t
的所有散射点数；|
·
|为绝对值。
[0057]
步骤3：根据多普勒频率的正负，将数据集p1分成人员进和出的两个数据集，即为
[0058][0059]
式中，p
in
和p
out
分别表示人员进和出的点云数据集，j1和j2分别为对应人员进和出的散射点数。使用dbscan算法分别对两个集合p
in
和p
out
中点云数据进行聚类，将人员进和出的散射点凝聚成人体目标的位置集合其中，和分别表示进和出的人体目标聚类后的位置集合；x
p
和y
p
为进入人员的坐标位置；xq和yq为出去人员的坐标位置；和分别凝聚后的人体目标数。
[0060]
聚类方法通常将距离较近的点聚成簇，一个簇对应一个目标。由于人体目标点云数据集p0规模较小且形状不规则，同时检测区域中人体目标的数量是未知的，因此选用dbscan算法，该聚类算法以点的密集程度为聚类依据，对聚类的形状没有偏倚，且不易受噪声的影响。
[0061]
目标相对雷达的径向速度以靠近雷达的方向为正，而目标的运动方向决定多普勒频率的正负，因此按照多普勒频率的正负将数据集p1分成人员进和出的两个数据集，即为
[0062]
[0063]
式中，p
in
和p
out
分别表示人员进和出的点云数据集，j1和j2分别表示人员进和出的散射点数。分别对p
in
和p
out
两组点云数据使用dbscan算法进行聚类，将人员进和出的散射点数凝聚成人体目标的位置集合
[0064][0065]
式中，和分别表示进和出的人体目标聚类后的位置集合，和
[0066]
分别凝聚后的人体目标数。
[0067]
图5a和图5b为仅有一个运动人体目标时传统dbscan方法和本方法的聚类结果。由于人体微动产生微多普勒效应，传统dbscan方法聚类后出现虚假目标，而本方法滤除了人体微动带来的频率较小的散射点，dbscan聚类结果正确。
[0068]
步骤4：每隔δt时间对检测区域内人员位置聚类集合和中人体目标进和出的数量进行统计，其中δt＝t
2-t1，t1和t2分别为两个检测时间点，检测区域在y轴的宽度为y
r-y
l
《vδt，v为人体正常行走速度，人体在检测区域内沿着 y轴方向直线行走。
[0069]
根据t1和t2时间点时位置聚类集合可知，若只有一个时间点t1或t2在检测区域内同一路径上检测到人体目标，则该时间点检测到的人员数量统计为进入人数；若t1和t2时间点在检测区域内同一路径上都没有检测到人体目标存在，则转到步骤41；若t1和t2时间点在检测区域内同一路径上都检测到人体目标存在，则转到步骤42。
[0070]
步骤41：通过遍历t1和t2之间的其余时间点在检测区域内同一路径上的人员数据来进行修正，若检测区域内在间隔δt时间内有超过一半的时间点能检测到同一行走路径上人体目标存在，则统计为进入人员数，反之则无人员进入。
[0071]
步骤42：通过遍历t1和t2两个时间点内的其余时间点在检测区域内同一路径上的人员数据来进行修正，若检测区域内在间隔δt时间内有不超过一半的时间点检测到同一行走路径上人体目标存在，则统计为不同人员进入，反之则同一人员进入。
[0072]
在人员离开的位置聚类集合中统计人员出去的数量，与上述从聚类集合中统计人员进入数量的步骤相同。
[0073]
图6为检测区域示意图，雷达位于原点处，黑色虚线所围扇形区域为雷达扫描覆盖区域，阴影部分为人流量检测区域，将不在此区间的散射点进行滤除，只统计位于该区域内的人体目标来实时检测人员的进出情况，可有效降低多径传播以及其他杂波带来的测量误差。以雷达为坐标原点建立二维坐标系，假设人流量检测区域为：xi∈[x
l
,xr]，yi∈[y
l
,yr]，其中x
l
,xr,y
l
,yr分别为检测区域的边界条件。每隔δt时间对检测区域内人员位置聚类集合和中人体目标进和出的数量进行统计，其中δt＝t
2-t1，t1和t2分别为两个检测时间点。假设人的正常行走速度为v，沿着y轴方向在检测区域内直线行走，则要保证在t1和t2时间点该人员在检测区域内只能检测到一次，因此检测区域宽度要满足 y
r-y
l
《vδt。以人员进入为例，图7为人员行走速度正常时的示意图，根据t1和t2时间点时位置聚类集合可
知，只有一个时间点t1或t2在检测区域内检测到人体目标，则该时间点检测到的人员数量统计为进入人数。
[0074]
实际情况下，人员行走速度存在差异，上述检测方法可能出现人员多检和漏检问题。因此本实用新型根据t1和t2之间的其余时间点的位置集合和来对人流量数据进行修正，从而避免因人体行走速度不同而引起的误判。下面根据两种可能出现的情形分别进行讨论。
[0075]
(1)人员行走速度大于正常速度的情形
[0076]
以人员进入为例，当人员行走速度大于正常速度时，可能会出现t1和t2时间点在检测区域内都没有检测到人体目标存在，此时对应两种情况：一种是无人员进入，另一种是由于行走速度较快，此时人员在δt时间内快速通过检测区域而导致在t1和t2时间点均检测不到人体目标存在，如图8所示。为了区分上述两种情况，通过遍历t1和t2之间的其余时间点在检测区域内的人员数据来进行修正，若检测区域内在间隔δt时间内有超过一半的时间点能检测到同一行走路径上人体目标存在，则统计为进入人员数，反之则无人员进入。
[0077]
(2)人员行走速度小于正常速度的情形
[0078]
以人员进入为例，当人员行走速度小于正常速度时，可能会出现t1和t2时间点在检测区域内都检测到人体目标存在，此时对应两种情况：一种是有不同人员进入，另一种是由于行走速度较慢，相同人员经过δt时间仍在检测区域内，从而导致t1和t2时间点均检测到相同人体目标，如图9所示。为了区分上述两种情况，本实用新型仍通过遍历t1和t2两个时间点内的其余时间点在检测区域内人员数据来进行修正，若检测区域内在间隔δt时间内有不超过一半的时间点检测到同一行走路径上人体目标存在，则统计为不同人员进入，反之则同一人员进入。
[0079]
本实用新型的技术效果可以通过以下实验测试结果进一步说明。人流量监测多应用于楼宇建筑、景区出入口等公共场所，本实用新型在实验室内模拟现实生活中人流量监测场景，通过搭建图10所示的实验场景来对本方法进行测试，测试装置包括三脚支架1、计算机2、数据线3、毫米波雷达4和门5，通过数据线3连接计算机2和毫米波雷达4，三脚支架1顶部的竖杆11与横杆12连接，横杆12末端安装毫米波雷达4，毫米波雷达4位置处于门5同高处，毫米波雷达4位于检测区域6斜上方，毫米波雷达4下方为雷达扇形扫射区域范围7。
[0080]
假设门宽约1.5m，高约2.2m，用三角支架1将毫米波雷达4固定在与门5 同高处，即检测区域6斜上方，倾斜角度α≈45
°
，并通过usb数据线3将毫米波雷达4与计算机2连接，在上位机软件上显示人流量进出结果。
[0081]
毫米波雷达带宽为4ghz，单位帧下的编码脉冲(chirp)数为128，帧周期为40ms，距离分辨率理论上可以达到3.75cm。实际测试中，设置多普勒门限 f
t
＝125hz，选择检测区域：x
l
＝-1m，xr＝1m，y
l
＝1.2m，yr＝1.6m。假设人员正常行走速度v＝1.1m/s，设置对检测区域内人流量进行统计的时间间隔δt＝0.4s，则满足(y
r-y
l
)cosα《vδt。
[0082]
对五种场景进行多次测试：(a)连续单人进出场景，每次只有一个人进出预先设定的门；(b)双人同向连续进出场景，每次有两个人同时进出预先设定的门； (c)双人反向连续进出场景，每次两个人以相反方向同时进出预先设定的门；(d) 双人间距1m连续跟随进出场景，每次只有一个人进出预先设定的门，其他人员间距1m紧随其后进出；(e)双人间距
0.6m连续跟随进出场景，每次只有一个人进出预先设定的门，与紧随其后的人员间距较小，约0.6m的间距。
[0083]
对上述五种场景测试的多组数据进行统计，结果如表1所示，假设实际进入和离开人数分别为m1和m2，统计进入和离开人数分别为n1和n2，其监测准确率的计算方法为
[0084][0085]
由表1可知，
[0086][0087]
表1人员进出测试结果。
[0088]
针对五种人员进出场景测试，本方法均能以较高的准确率来统计人员进出。场景a、c、d均获得不低于95％的监测准确率，当连续单人进出(场景a)、双人间距1m连续跟随进出(场景d)时由于人员之间多径干扰少，因此监测准确率较高。此外由于本方法根据多普勒频率正负将点云数据分成进和出的两个数据集分别进行统计，因此双人反向连续进出(场景c)时能达到类似于单人进出时的正确率。由于受雷达的方位和距离分辨率的限制，双人同向连续进出(场景b)和双人间距0.6m连续跟随进出(场景e)的监测准确率有所下降，但监测准确率仍不低于90％。
[0089]
尽管已经示出和描述了本实用新型的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本实用新型的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本实用新型的范围由所附权利要求及其等同物限定。