一种基于毫米波雷达的人流量动态监测方法
阅读说明：本技术 一种基于毫米波雷达的人流量动态监测方法 (People flow dynamic monitoring method based on millimeter wave radar ) 是由 陈金立 瞿彦涛 范晨阳 付善腾 王礼正 于 2021-08-04 设计创作，主要内容包括：本发明公开了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。(The invention discloses a dynamic monitoring method for pedestrian flow based on a millimeter wave radar, which comprises the steps of firstly establishing a human body target echo signal model, and obtaining the distance of scattering points of a human body and Doppler frequency information by performing two-dimensional fast Fourier transform processing on the human body target echo signal; then, filtering clutter scattering points through constant false alarm processing, carrying out azimuth estimation on reserved scattering points, obtaining angle information of human body target scattering points, obtaining scattering point positions through two-dimensional coordinate transformation, and forming point cloud data together with corresponding Doppler frequency information; then, the motion direction of the human body is judged according to the positive and negative Doppler frequencies, and meanwhile, point cloud data are screened according to the difference of Doppler characteristics of different parts when the human body moves so as to reduce the number of interference points and avoid the false alarm problem of a density-based clustering algorithm; and finally, counting the number of people in a specific area at double time points, and further correcting the pedestrian flow data by using a clustering result obtained between the double time points, so that the problem of misjudgment caused by different walking speeds of the human body is solved.)
技术领域
本发明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方法，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方法。
背景技术
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。2020年新型冠状病毒肺炎席卷全 国，为了减缓疫情的传播，各地政府相继出台社交距离规定，因此对公共区域 进行人流量实时统计具有重要意义。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。
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。
发明内容
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，本发明利用毫米波雷 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 的人流量动态监测方法。
本发明提供如下技术方案：
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(Fast Fourier Transform,FFT)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(constant false alarm rate,CFAR)处理滤 除杂波散射点，并对保留散射点进行方位角估计，获取人体散射点目标的角度 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(density-based spatial clusteringof applications with noise, DBSCAN)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。本发明能够用匿名的方式以较高的正确 率统计人员的进出。
本发明的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：
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,fdi),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，fdi为第i个散射点的多普勒频率，I为人体目标散射点数。
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ft，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,fdj)||fdj|＞ft,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，fdj表示第j个散射点的多普勒频率，J表示满足|fdj|＞ft的所有散射点数， |·|为绝对值。
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
式中，Pin和Pout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Pin和Pout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；xp和yp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。
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＝t2-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yr-yl<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。
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。
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。
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。
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。
与现有技术相比，本发明的有益效果是：
(1)本发明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。
(2)本发明提出一种基于多普勒频率筛选的DBSCAN聚类方法，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。
(3)本发明每隔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
图1是本发明实现流程图。
图2是人流量统计场景示意图。
图3a是毫米波雷达发射阵列结构。
图3b是毫米波雷达接收阵列结构。
图4是二维FFT处理流程。
图5a是单人进出时的传统DBSCAN聚类结果。
图5b是单人进出时的基于多普勒频率筛选的DBSCAN聚类图。
图6是检测区域示意图。
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)。
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)。
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)。
图10是实验场景图。
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
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的一种基于毫米波雷达的人流量动态监测方法，
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,fdi),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，fdi为第i个散射点的多普勒频率，I为人体目标散射点数。
本发明采用调频连续波(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为本发明人流量监测场景示 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TexasInstruments(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，
发射天线和接收天线间距分别为dt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
式中，AT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
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，vdi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，fdi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xT(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
式中，ARi表示第i个散射点的接收功率，fbi＝2B(Ri+vdit)/(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。
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
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。
针对式(4)所示的雷达采样数据矩阵Y，中频信号频率fbi和多普勒频率fdi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。
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。本发明采用二维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。
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
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
ΔRi＝dt sinθi (6)
由式(5)和式(6)可知，第i个散射点的方位角θi可表示为
因此，第i个散射点的二维坐标可以表示为
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
P0:{(xi,yi,fdi),i＝1,2,...,I} (9)
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ft，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,fdj)||fdj|＞ft,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，fdj表示第j个散射点的多普勒频 率，J表示满足|fdj|＞ft的所有散射点数，|·|为绝对值。
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。 本发明设计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ft，则去除多普勒频率较小的点之后的 数据集P1为
P1:{(xj,yj,fdj)||fdj|＞ft,j＝1,2,...,J} (10)
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；fdj表示第j个点目标的多普勒频率；J表示满足|fdj|＞ft的所有散射点数；|·|为绝 对值。
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
式中，Pin和Pout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Pin和Pout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；xp和yp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。
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。
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
式中，Pin和Pout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Pin和Pout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
式中，和分别表示进和出的人体目标聚类后的位置集合，和
分别 凝聚后的人体目标数。
图5a和图5b为仅有一个运动人体目标时传统DBSCAN方法和本发明方法 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，而本发明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。
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＝t2-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yr-yl<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。
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。
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。
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。
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。
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∈[xl,xr]，yi∈[yl,yr]，其中xl,xr,yl,yr分别为检测区域 的边界条件。本发明每隔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＝t2-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yr-yl<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。
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。因此本发明根据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。
(1)人员行走速度大于正常速度的情形
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，本发明通过遍历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。
(2)人员行走速度小于正常速度的情形
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，本发明仍通过遍历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。
本发明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，本发明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发明方法进行测试，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。
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。
毫米波雷达工作频率为60GHz，带宽为4GHz，单位帧下的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ft＝125Hz，选择检测区域：xl＝-1m，xr＝1m，yl＝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(yr-yl)cosα<vΔt。
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。
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
由表1可知，
表1人员进出测试结果。
针对五种人员进出场景测试，本发明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。此外由于本发明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％。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言， 可以理解在不脱离本发明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，本发明的范围由所附权利要求及其等同物限定。