具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

实施例：

参照图1～图12，一种基于毫米波的多人体目标识别及计数方法，包括以下步骤：

采用至少一个毫米波传感设备向监测空间内发射线性调频连续毫米波，并实时接收监测空间内反射的毫米波传感信号。具体地，监测空间由用户自由选定，监测空间可以是民宿房间、教室、学生宿舍、校车、监狱囚室、商场、影院、写字楼等场所；毫米波传感设备的布置数量可以根据监测空间的大小、是否有阻隔墙等来具体确定，比如，在宿舍、教师、校车里面、监狱囚室等，由于没有墙壁阻隔，相对开阔，且一般面积不是很大，就只需要一个毫米波传感设备即可满足要求；如果是针对商场、写字楼等大型复杂场所，存在多个小空间，且小空间之间有墙壁隔挡，就需要在各个小空间分别布置毫米波传感设备。毫米波作用在空间内物体或人体上会形成反射点云，根据反射点云的毫米波信号可以对物体或人体的位移、、速度、轨迹或微波动等各类状态进行分析，从而对物体或人体进行计数、精确掌握目标的运动轨迹和空间位置。

对接收的毫米波传感信号进行预处理，所述毫米波传感信号包括初始毫米波传感信号和待识别毫米波传感信号；具体地，预处理的方法包括：将毫米波传感信号由模拟信号转换为数字信号，对毫米波传感信号进行逆傅里叶变换，将频域数字信号转为时域数字信号；对时域数字信号依次进行数字滤波处理、空间多径干扰消除和对可能的环境噪声和谐波噪声进行二次消除。

根据预处理后的初始毫米波传感信号分析计算空间静物的初始物理值，并基于初始物理值构建空间环境静物模型。具体地，所述初始物理值包括监测空间中环境静物的距离、角度以及初始毫米波传感信号的信号强度幅值RSS。环境静物包括学生床、学习桌、讲台、车辆上的座位、墙壁、天花板、家具、电器、投影仪、电脑电视等。

从预处理后的待识别毫米波传感信号中过滤筛选出动态人体毫米波传感信号，并基于动态人体毫米波传感信号和空间环境静物模型数据，采用模式识别分类器对动态人体和空间静物进行分类聚合，确定监测空间内的动态人体数量。具体地，待识别毫米波传感信号包括动态人体毫米波传感信号、静态人体毫米波传感信号、动态物体毫米波传感信号和静态物体毫米波传感信号等，从这些信号中筛选出动态人体毫米波传感信号；动态人体毫米波传感信号包括运动人体毫米波传感信号和微动人体毫米波传感信号。将待识别的动态人体毫米波传感信号和空间环境静物模型数据输入KNN模式识别分类器，对运动人体、微动人体和空间静物进行分类聚合，从而确定运动人体和微动人体的数量。

根据动态人体毫米波传感信号分析计算动态人体的实时物理值，并基于实时物理值采用神经网络识别分析动态人体的空间位置；具体地，所述实时物理值包括监测空间中动态人体的距离、角度、速度、相位以及动态人体毫米波传感信号的信号强度幅值RSS。

将动态人体于监测空间的计数信息和空间位置信息实时发送到监测服务器或用户端。

上述基于毫米波的多人体目标识别及计数方法，可以应用于公共安全、智慧校园、智慧消防、智慧司法等多个现代智慧生活领域中，采用毫米波技术，预先构建空间环境静物模型，将监测空间中的环境静物目标数据预先存储，然后过滤筛选动态人体毫米波信号，确定动态人体数量；采用神经网络算法分析各个动态人体的空间位置。从而可以同时获得监测空间中动态人体的计数信息和空间位置信息，并且根据动态人体的微动信息和相位可以了解目标的运动轨迹，从而提高了监测空间中动态人体的识别效率，提高了动态人体位置的识别准确率和动态人体计数准确性，同时又不侵犯个人隐私。

可以将基于毫米波的多人体目标识别及计数方法应用在对民宿的监测管理，对教室的监测管理，对学生宿舍的监测管理，对校车内的人员状况监测管理，对大型商场、影院、写字楼等大型公共场所的监测消防管理，对于智慧司法应用中的囚室智能化精细监测管理等场景中。下面具体介绍两个例子，做具体说明：

在学生宿舍或教室中，可以将毫米波传感设备安装在宿舍或教室的正前方，这样可以基本可以监测到整个宿舍空间或教室空间；提前对学生宿舍中的床、桌子等环境静物的数据进行识别存储，当监测空间中存在其他目标需要进行监测识别时，进行监测，比如当几个学生一起回宿舍时，其中一个学生背着书包、提着电脑，先筛选出监测空间中的动态目标(多个学生、书包和电脑)，然后根据目标的运动轨迹、微动等特征从动态目标中筛选出动态人体目标，从而对学生人数进行计数，并且可以得到每个学生的运动轨迹以及实时所处的位置信息。教室场景同理，预先识别教室内的环境静物(多排座位、讲台、投影仪、空调等)，当上课时多个学生进入教室后，和上述分析类似，先筛选动态目标(多个学生、书包、电脑、书本等)，然后确定动态人体，最后进行学生计数、运动轨迹和空间位置确定。这样，可以掌握学生一天在宿舍中待的时间，若时间过长，可以基于此分析是否逃课、是否需要进行进一步监督、进而判断是否需要心理辅导等等；可以对上课学生进行大数据统计，作为教师评分的一项因素等等。

在校车中，一般用于小学生校车，可以将毫米波传感设备安装在校车内车头部位；提前对校车中的座位、电视、把手等环境静物的数据进行识别存储，监测时，先筛选出校车中的动态目标(多个学生、书包和饭盒等)，然后根据目标的运动轨迹、微动等特征从动态目标中筛选出动态人体目标，从而对学生人数进行计数，并且可以得到每个学生的运动轨迹以及实时所处的位置信息。这样，可以实时掌握校车内的学生人数，进而知道哪些站点对应的学生未上车或下车；可以实时掌握校车内学生的空间位置信息，比如有的学生贪玩钻到座位底下、把头伸出窗外、随意跑动等，避免在校车行进过程中没有在座位上意外受伤等。

参照图2，所述基于实时物理值采用神经网络识别分析动态人体的空间位置，具体包括：

根据监测空间中动态人体的距离、速度以及各接收通道相位数据，对各接收通道之间的相位差进行计算，并将相位差转换极坐标角度，得到各个动态人体在监测空间中所处的极坐标；根据所有动态人体的极坐标集合及对应的幅值构建数组矩阵，基于数组矩阵和动态人体的实时物理值采用神经网络识别分析动态人体的空间位置。

具体地，根据预处理得到的距离，速度及各接收通道相位数据，对各接收通道之间的相位差进行计算，从而获取一个或多个目标人体所处的极坐标。在静物消除后空间内，所有幅值(RSS)及对应的极坐标集合构成数组矩阵，运用递归神经网络(RNN)下的长短期记忆递归神经网络(LSTM)进行机器学习，获得一个或多个人体的空间位置。

参照图3，所述从预处理后的待识别毫米波传感信号中过滤筛选出动态人体毫米波传感信号，包括：

对预处理后的待识别毫米波传感信号进行多普勒运算和MTI数字滤波，得到待识别动态目标的实时物理值，并对监测空间环境静物以及无多普勒效应的目标进行障碍消除；

从待识别动态目标中筛选出动态人体目标，并采用恒虚警率CFAR算法对动态人体目标进行分析计算，对监测空间中的动态人体目标进行计数；

若检测到存在人体目标的运动多普勒效应消失，则对这些人体目标进行微多普勒效应检测，并采用自相关熵算法和互相关熵算法对这些人体目标进行微动计算，从而确定这些人体目标是否仍处于监测空间内。

具体地，将系统存储的环境静物及非多普勒效应的其它物体消除，由多普勒运算对人体运动目标进行恒虚警率CFAR算法处理，获取准确的运动人体目标。当检测到某些人体的运动多普勒效应消失，则对这些目标进行微多普勒效应检测，运用自相关和互相关熵分析人体微动算法，以确定这些人体目标仍处于探测空间。运用模式识别分类器KNN算法，对运动人体和微动人体进行分类聚合，从而精准区分探测空间内的人体个数。

参照图4，所述采用恒虚警率CFAR算法对动态人体目标进行分析计算，具体包括：

获取动态人体目标的点云集合数据，根据预处理得到距离集合数据配置CFAR参数，设置参考单元个数N和保护单元个数P；

设定预期的虚警率PFA，计算所需的门限尺度因子α；

依次将距离集合的每个数据xi计算对应的估计检测门限Ti，并比较xi和Ti大小，若xi大于等于Ti，则表示该目标为真实人体目标；若xi小于Ti，则表示该目标对应信号为干扰信号。

这样，可以进一步对动态人体毫米波传感信号进行过滤，过滤到信号中的噪声和杂声等干扰信号，确保接收分析的都是动态人体毫米波传感信号，提高动态人体位置的识别准确率和动态人体计数准确性。

参照图5和图6，采用自相关熵算法和互相关熵算法对这些人体目标进行微动计算，具体包括：

自相关熵算法，获取微动人体目标的点云数据集合矩阵D，并对数据集合矩阵D做自相关熵计算，运算得到自相关熵矩阵V；对自相关熵矩阵V做高通滤波，对自相关熵矩阵 V做数字插值融合平滑，对自相关熵矩阵做傅里叶变换得自相关熵频谱密度Pv；

互相关熵算法，获取微动人体目标的点云数据集合矩阵D，并对数据集合矩阵D做自相关熵计算，运算得到自相关熵矩阵V；对自相关熵矩阵V的相邻两组做互相关处理得到互相关熵矩阵Vil，对互相关熵矩阵Vil做数字插值融合平滑得互相关熵结果V＝ΣVil，对互相关熵矩阵做傅里叶变换得互相关熵频谱密度Pv。

这样，可以对监测空间的微弱多普勒效应检测，从而确定微弱多普勒效应对应的人体目标是否还存在于监测空间内，通过自相关和互相关熵分析人体微动算法，可以进一步提高监测空间中动态人体位置的识别准确率和动态人体计数准确性。

参照图7，所述MTI数字滤波的具体甄别过程包括：

获取t时刻的时域数字信号x(t)，滤波输出y(t)＝x(t)-(1-K)w(t)，其中，延时T加权函数w(t)是混频函数v(t)的延时w(t)＝v(t-T)，混频函数v(t)＝y(t)+w(t)。

这样，可以对待识别毫米波传感信号进行运动人体目标的甄别，从而有助于提高动态人体位置的识别准确率和动态人体计数准确性。

参照图8，所述空间环境静物模型的构建方法如下：

通过毫米波传感设备对静态的监测空间进行N次扫描；获取每次扫描所对应的距离、角度和幅值数据，幅值为距离和角度的二维相关函数；

比较k时刻的幅值数据与k+1时刻的幅值数据是否在容差δ的容限范围内；

若k+1时刻在相同距离和角度的比较数据小于容差δ，即为真实空间环境静物的反射点云；

对每一个真实反射点云重做N次数据比较，确定空间环境静物的所有真实反射点云集，并对所有环境静物点云集数据和坐标进行存储。

这样，可以将监测空间中的静物目标数据预先存储，防止在动态人体目标识别过程中环境静物的影响，从而有助于提高动态人体位置的识别准确率和动态人体计数准确性。

参照图9，所述神经网络采用长短期记忆递归神经网络LSTM，LSTM神经网络的学习过程如下：

S101：获取k时刻学习型数据向量Xk，并作为输入层，由权重值W确定输入权重向量U；

S102：确定k时刻隐含层的向量函数Sk＝f(Uk·Xk+W·Sk-1)；其中，Uk表示k时刻的输入权重向量，Sk-1表示k-1时刻隐含层的向量函数；

S103：设定输出权重向量V，确定k时刻输出层的向量函数Ok＝g(V·Sk)；

S104：完成k时刻数据学习，循环执行步骤S101～S103。

这样，通过长短期记忆递归神经网络LSTM可以有效分析待识别的动态人体目标在监测空间中的位置，空间位置识别准确率高，识别结果稳定。

参照图10，所述模式识别分类学习器采用KNN分类器，所述KNN分类器的识别过程如下：

获取子集空间内的数据集合，基于欧式距离函数计算数据样本；

获取数据样本中最靠近的k个训练样本，将k个样本基于距离做加权平均；

选择k个样本中出现最多的类别，以得到的加权平均值作为相应类别，这个识别的类别即为对应的姿态输出。

这样，通过KNN分类器对运动人体、微动人体和空间静物进行分类聚合，从而确定运动人体和微动人体的数量，有助于提高动态人体计数准确性。

参照图11，对时域数字信号进行信号数字滤波，具体包括：

S201：设定数字滤波参数，对毫米波传感信号的时域数字信号进行抗扰均值数字滤波；

S202：由第K时刻的数据预测第K+1时刻的数据，由第K时刻的预测误差估计第K+1时刻的预测误差；

S203：根据第K时刻的数据和第K+1时刻的预测数据计算卡尔曼增益，计算数据最优估算值，计算当前时刻K的预测误差；

S204：循环步骤S202和步骤S203。

这样，可以将毫米波监测信号中的干扰信号初步过滤。

参照图12，对时域数字信号进行空间多径干扰消除，具体包括：

S301：获取当前时刻K发射后接收的毫米波的时域数字信号S_K，计算当前时刻K的权重Q_K；

S302：获取时刻K+1接收在K时刻发射的毫米波的时域数字信号S_K+1，计算时刻K+1的权重Q_K+1；：

S303：生成多径干扰抵消量：ΔS＝S_K·Q_K-S_K+1·Q_K+1，计算抵消干扰后的有效数据：S＝S_K-ΔS；

S304：循环步骤S301～步骤S303，直至所有数据收敛。

这样，可以将毫米波监测信号中的干扰信号有效消除。

上述基于毫米波的多人体目标识别及计数方法中，对毫米波监测信号的时域数字信号进行空间噪声处理的方法如下：

对毫米波监测信号的时域数字信号进行自相关数字噪声信号监测和互相关数字噪声信号监测，并筛选出数字噪声信号；

对数字噪声信号的相位差时域进行运算，将数字噪声信号导入延时器，延时器输出信号与前项噪声信号导入乘法器，乘法器输出信号导入积分器，积分器输出信号导入数字FIR 滤波器，输出数字噪声函数。

这样，可以将毫米波监测信号中的噪声信号有效消除。针对在监测空间采集的毫米波信号，毫米波信号的预处理依次经过上述数字滤波、空间多径干扰消除、空间噪声处理等，可以将毫米波监测信号中的干扰信号、噪声信号、障碍物信号等有效消除。进而为后续的目标识别、目标状态分析提供有力的数据支持，保证目标识别的灵敏度、敏捷性，提高目标监测结果的准确性和可靠性，抗干扰能力强。

上述基于毫米波的多人体目标识别及计数方法，可以应用于公共安全、智慧校园、智慧消防、智慧司法等多个现代智慧生活领域中，采用毫米波技术，预先构建空间环境静物模型，将监测空间中的环境静物目标数据预先存储，然后过滤筛选动态人体毫米波信号，确定动态人体数量；采用神经网络算法分析各个动态人体的空间位置。提高了监测空间中动态人体的识别效率，提高了动态人体位置的识别准确率和动态人体计数准确性，同时又不侵犯个人隐私。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。