(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210447260.8 (22)申请日 2022.04.27 (65)同一申请的已公布的文献号 申请公布号 CN 114563784 A (43)申请公布日 2022.05.31 (73)专利权人 武汉理工大 学 地址 430070 湖北省武汉市洪山区珞狮路 122号 (72)发明人 刘克中　龚大内　曾旭明　陈默子　 郑凯　陈梦达　李春伸　王国宇　 (74)专利代理 机构 武汉智嘉联合知识产权代理 事务所(普通 合伙) 42231 专利代理师 黄君军 (51)Int.Cl. G01S 13/88(2006.01) G01S 13/87(2006.01) G06V 40/20(2022.01) G06V 40/10(2022.01) G06K 9/62(2022.01)G06V 10/762(2022.01) G06V 10/80(2022.01) (56)对比文件 CN 114325623 A,202 2.04.12 CN 112700619 A,2021.04.23 CN 110488264 A,2019.1 1.22 CN 113963441 A,202 2.01.21 CN 112433207 A,2021.0 3.02 CN 113744570 A,2021.12.0 3 CN 113341392 A,2021.09.0 3 CN 107765246 A,2018.0 3.06 WO 20210 68470 A1,2021.04.15 US 2006044179 A1,20 06.03.02 张翼.基于微多普勒特征的人体目标雷达回 波信号分析. 《信号处 理》 .2009,第25卷(第10 期),全文. Arindam Sengupta等.m m-Pose: Real-Time Human Skeletal Posture. 《IE EE SENSORS JOURNAL》 .2020,第20卷(第17期),全 文. 审查员 王文君 (54)发明名称 一种基于双毫米波雷达的船载环境入侵检 测方法及系统 (57)摘要 本发明提供了一种基于双毫米波雷达的船 载环境入侵检测方法及系统， 其方法包括： 基于 双毫米波雷达获得上雷达信号和下雷达信号； 基 于上雷达信号和下雷达信号获得目标对象的上 RDA图和下RDA图； 对上 RDA图和下RDA图进行距 离 和角度维累积， 获得上肢MD特征、 上肢CVD特征、 mDs特征和下肢MD特征； 构建入侵检测模型， 基于 上肢MD特征、 上肢CVD特征、 mDs特征、 下肢MD特征 以及入侵检测模 型， 获得目标对象的运动状态和 身份信息； 构建入侵状态判别模型， 基于运动状 态、 身份信息以及入侵状态判别模型， 对目标对 象的入侵状态进行判别。 本发明克服船舶动态环境影响， 提高了船载环境入侵 检测的准确性。 权利要求书4页 说明书13页 附图5页 CN 114563784 B 2022.08.09 CN 114563784 B 1.一种基于双毫米波雷达的船载环境入侵检测方法， 其特征在于， 所述双毫米波雷达 包括以一定高度竖直摆放的上毫米波 雷达和下毫米波 雷达， 所述基于双毫米波雷达的船载 环境入侵检测方法包括： 将所述上毫米波雷达和所述下毫米波雷达进行时间 同步， 并基于所述上毫米波雷达和 所述下毫米波 雷达采集船载环境以及目标对象在所述船载环境中运动时的雷达信号， 获得 上雷达信号和下 雷达信号； 基于所述上雷达信号和所述下雷达信号获得所述目标对象的上距离 ‑多普勒‑方位角 图和下距离 ‑多普勒‑方位角图； 对所述上距离 ‑多普勒‑方位角图和所述下距离 ‑多普勒‑方位角图进行距离和角度维 的累积， 获得所述目标对象的上肢微多普勒特征、 上肢节奏速度图特征、 平均多普勒频谱特 征和下肢微多普勒特 征； 构建入侵检测模型， 并基于所述上肢微多普勒特征、 所述上肢节奏速度图特征、 所述平 均多普勒频谱特征、 所述下肢微多普勒特征以及所述入侵检测模型， 获得所述目标对 象的 运动状态和身份信息； 构建入侵状态判别模型， 并基于所述运动状态、 所述身份信息以及所述入侵状态判别 模型， 确定所述目标对 象的入侵置信度， 并基于所述入侵置信度对所述 目标对象的入侵状 态进行判别； 在所述获得所述目标对象的上距离 ‑多普勒‑方位角图和下距离 ‑多普勒‑方位角图之 后， 还包括： 基于预设的聚类算法分别对所述上距离 ‑多普勒‑方位角图和所述下距离 ‑多普勒‑方 位角图进行聚类， 对应获得 所述目标对象的第一目标簇和第二目标簇； 获得所述第一目标簇的实际距离和实际速度； 基于所述实际距离和实际速度获得 所述第二目标簇的理论距离和理论速度； 基于所述实际距离和所述理论距离获得补偿距离， 并基于所述实际速度和所述理论速 度获得补偿速度； 基于所述补偿距离和所述补偿速度获得补偿下距离 ‑多普勒‑方位角图； 基于所述上距离 ‑多普勒‑方位角图和所述补偿下距离 ‑多普勒‑方位角图确定共有环 境动态噪声； 基于所述共有环境动态噪声对所述上距离 ‑多普勒‑方位角图和所述下距离 ‑多普勒‑ 方位角图进行去噪， 获得去噪上距离 ‑多普勒‑方位角图和去噪下距离 ‑多普勒‑方位角图。 2.根据权利要求1所述的基于双毫米波雷达的船载环境入侵检测方法， 其特征在于， 所 述入侵检测模型包括领域鉴别子模型、 状态识别子模型以及身份识别子模型； 所述基于所 述上肢微多普勒特征、 所述上肢节奏速度图特征、 所述平均多普勒频谱特征、 所述下肢微多 普勒特征以及所述入侵检测模型， 获得 所述目标对象的运动状态和身份信息， 包括： 将所述上肢微多普勒特征、 所述上肢节奏速度图特征、 所述平均多普勒频谱特征、 所述 下肢微多普勒特征输入至所述领域鉴别子模型， 获得所述目标对象所在的船载环境的预测 领域标签； 将所述上肢微多普勒特征、 所述上肢节奏速度图特征、 所述平均多普勒频谱特征、 所述 下肢微多普勒特 征输入至所述状态 识别子模型， 获得 所述目标对象的运动状态；权　利　要　求　书 1/4 页 2 CN 114563784 B 2将所述下肢微多普勒特征、 所述平均多普勒频谱特征进行分割， 获得多个目标特征， 并 将所述目标 特征输入至所述身份识别子模型， 获得 所述目标对象的身份信息 。 3.根据权利要求2所述的基于双毫米波雷达的船载环境入侵检测方法， 其特征在于， 所 述领域鉴别子模型的领域损失函数为： 所述状态 识别子模型的状态 识别损失函数为： 所述身份识别子模型的身份识别损失函数为： 式中， 为所述领域损失函数； 为真实领域标签向量； 为预测领域标签向量； 为输入至所述领域鉴别子模型中特征的总个数； 为真实领域的总个数； 为所 述状态识别损失函数； 为多特征 融合网络计算损失； 为单峰仅使用单模态 k时的分类损失； 为交叉验证系数； 为领域损失权重； 为单模态的总个数； 为所述 身份识别损失函 数； 为目标特征的总个数； 为真实身份信息的总个数； 为第 d个目标特征的编码向量； 为身份信息预测概 率向量。 4.根据权利要求1所述的基于双毫米波雷达的船载环境入侵检测方法， 其特征在于， 所 述去噪上距离 ‑多普勒‑方位角图为： 式中， 为所述去噪上距离 ‑多普勒‑方位角图； 为所述上距离 ‑多普勒‑ 方位角图； 为所述补偿下距离 ‑多普勒‑方位角图。 5.根据权利要求1所述的基于双毫米波雷达的船载环境入侵检测方法， 其特征在于， 所 述补偿距离为：权　利　要　求　书 2/4 页 3 CN 114563784 B 3