新闻中心

EEPW首页 > 物联网与传感器 > 设计应用 > 基于毫米波雷达的智能家居报警系统

基于毫米波雷达的智能家居报警系统

作者:赵 曈,林敏强,祝明欣(康佳集团股份有限公司,广东深圳 518057)时间:2022-11-25来源:电子产品世界收藏

摘 要:智能摄像头是家庭智能监控最常用的方案,很多家庭用户担心视频会泄露隐私,本文设计一款基于,该系统精度高、成本低、具有很好的应用价值。首先用记录现场反射数据,用快速傅里叶变换去除干扰生成行人特征,然后用多目标跟踪算法跟踪行人,用深度递归神经网络识别行人身份,最后用交叉熵训练分类器,以此判断是否有陌生人入侵。试验表明,本系统报警准确率高达99%。

本文引用地址:http://www.eepw.com.cn/article/202211/440877.htm

关键词

1 介绍

智能摄像头是家庭安防应用最广泛的产品,但随着人们对隐私要求越来越高,家庭智能视频监控正成为家庭安防的一个痛点,越来越多的家庭渴望有一款既能满足家庭安防需求又能保护个人隐私的产品,于是毫米波雷达应运而生。毫米波是一种使用毫米电磁波的特殊雷达技术,毫米波雷达系统发射的电磁波信号被其发射路径上的障碍物阻挡后发生反射。毫米波雷达系统通过捕捉障碍物反射的信号,可以确定障碍物的距离、速度和角度。毫米波雷达报警系统能穿透不同材质,因此可以隐藏在家具或者墙体里面,智能摄像头做不到这点。

本文设计的毫米波雷达智能家居报警系统跟踪、识别精度高、成本低。首先用毫米波雷达记录行人位置信息,然后用多目标跟踪算法跟踪行人,用深度递归神经网络识别行人身份,最后判断是否有陌生人入侵,如果是陌生人入侵发生报警信息给用户。

2 毫米波雷达

毫米波雷达就是工作在毫米波波段(millimeter wave)探测的雷达,通常毫米波频域为(30 ~ 300)GHz,波长为(1 ~ 10)mm,波长介于微波和厘米波之间。毫米波雷达具有体积小、质量轻和空间分辨率高的特点。毫米波雷达不仅能分辨很小的目标而且能同时识别多个目标。

毫米波雷达是一种基于调频连续波 (FMCW) 雷达原理的毫米波雷达。FMCW 雷达连续发射调频信号,测量障碍物的距离、角度和速度。FMCW 包括合成器、混频器,TX 天线和 RX 天线等部分。FMCW 雷达框图如图 1。

1669347700681396.png

图1 FMCW雷达框图

合成器生成一个线性调频脉冲;该线性调频脉冲由 TX 天线发射;物体对该线性调频脉冲的反射生成一个由 RX 天线捕捉的反射线性调频脉冲;“混频器”将 RX 和 TX 信号合并到一起,生成 1 个中频(IF)信号。为了检测不同距离的目标,我们对 IF 信号进行快速傅里叶变换,每个峰值代表 1 个对应的障碍物(行人)。

2.1 距离快速傅里叶变换

FMCW 雷达使用线性“啁啾”传输。啁啾频率是fc,带宽是 B ,持续时间是 Tc ,雷达前端接收到反射信号时,通过混频器计算发射端与接收端之间的频差,混频器产生中频信号,从中频信号计算出目标与雷达之间的距离为:

1669347753298917.png

1669348180798449.png

3 系统设计

毫米波雷达是一种利用毫米波雷达特有特性的跟踪识别系统。它的工作原理是发射射频信号并记录射频信号在行人上的反射。通过分析生成的行人特征,根据图像序列和时间推断出行人的轨迹,并从已知用户的数据库中识别出行人。毫米波雷达智能家居报警系统包括数据采集,特征提取,行人跟踪和行人识别四部分,具体如下:

image.png

1)特征提取。FMCW 雷达发射毫米波,记录行人反射数据,对原始数据进行距离快速傅里叶变换,再通过多普勒傅里叶变换提取行人特征。

2)行人追踪。在行人序列特征和时间关系基础上,使用多目标跟踪算法追踪行人。

3)行人识别。用深度递归神经网络从每个用户的顺序数据中识别用户身份。

3.1 特征提取

生成的行人特征是分散的,信息量不足以检测不同的行人。此外,虽然静态物体可以通过傅叶变换去除,但剩余的信息不一定都被移动的人反映,噪音可能很大,并导致与附近人的点混淆。为了确定场景中的哪些点是由人的反射引起的,毫米波雷达智能家居报警系统使用 DBSCAN 密度聚类将点合并到集群中,这是一种密度感知聚类方法,根据行人特征在 3D 空间中的成对距离来分离特征点,主要优点是它不需要预先指定集群的数量,因为在我们的方案中,人们在任意时间走进和淡出被监控的场景。

3.2 行人追踪

为了捕获连续的单个行人特征来跟踪和识别 1 个人,需要检测的有效时间关联以及传感器噪声的校正和预测。我们为每一帧的对象检测创建和维护跟踪。为来自第 1 个传入帧或无法与现有轨道关联的每个对象检测创建 1 个新轨道。帧间对象关联基于匈牙利算法。如果在连续帧中未检测到跟踪对象,我们将跟踪标记为非活动并将其从连续关联中排除。最后应用卡尔曼滤波器来预测和纠正轨迹。

3.3 行人识别

在确定了与人体对象对应的特征后,可以使用轨迹特征来识别他们的身份。具体来说,从轨迹中的每一帧使用 1 个固定大小的边界框来包围潜在的人体对象的点,并将其体素化以形成一个占用网格。请注意,占用网格固有地封装了身体形状信息。例如,高个子往往有更高的重心。通过将顺序占用网格馈送到分类器,可以根据运动特征(即步态和体形信息)识别轨迹的行人。一个窗口包含 2 s 的连续占用网格,与前一个窗口的重叠率为75%。直接从占用网格中提取有用的特征很困难。长短期记忆(LSTM)网络是一种成熟的循环神经网络架构,适用于顺序数据分类,能够通过网络训练自动学习特征。因此,将其用作行人追踪和识别中的身份分类器。首先将数据展平,将每一帧转换为特征向量。然后将其传递到双向 LSTM 网络。最后,使用 softmax 层输出最终的分类结果。

4 结束语

本文设计一款基于毫米波雷达的智能家居报警系统,该系统精度高达 99%,成本低,具有很好的应用价值和市场前景。

(注:本文转载自《电子产品世界》杂志2022年11月期)



评论


相关推荐

技术专区

关闭