(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210441714.0 (22)申请日 2022.04.25 (71)申请人 西南交通大 学 地址 610031 四川省成 都市二环路北一段 申请人 四川八维九章科技有限公司 (72)发明人 苟先太　魏亚林　周晨晨　黄毅凯　 杨亚宁　唐佳璐　苟瀚文　姚一可　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 专利代理师 杨浩林 (51)Int.Cl. G01S 13/88(2006.01) G01S 7/41(2006.01) G06V 10/762(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于毫米波雷达点云的跌倒姿态识别 方法及系统 (57)摘要 本发明公开了一种基于毫米波雷达点云的 跌倒姿态识别方法及系统， 通过采集毫米波雷达 点云， 并进行预处理， 得到目标有效点云集， 并将 目标有效点云集中各目标点云数据转换为待测 人员空间位置坐标， 并根据待测人员空间位置坐 标构建三维笛卡尔坐标系， 结合三维笛卡尔坐标 系计算目标有效点云集中各目标点云数据的重 心坐标； 并根据重心坐标识别待测人员当前的跌 倒姿态； 本发明结合毫米波雷达技术， 在保证跌 倒姿势识别地准确性、 实时性的前提下， 最大限 度地保证了待测人员地隐私安全， 有效地解决了 现有的跌倒检测方法所存在的隐私性低、 稳定性 低、 准确性低、 舒 适性低等问题。 权利要求书3页 说明书10页 附图7页 CN 114942434 A 2022.08.26 CN 114942434 A 1.一种基于毫米波雷达点云的跌倒姿态 识别方法， 其特 征在于， 包括以下步骤： S1、 采集毫米波雷达点云， 并进行 预处理， 得到目标有效点云集； S2、 将目标有效点云集中各目标点云数据转换为待测人员空间位置坐标， 并根据待测 人员空间位置坐标构建三维笛卡尔坐标系； S3、 根据三维笛卡尔坐标系， 计算目标有效点云集中各目标点云数据的重心坐标； S4、 根据各目标点云数据的重心坐标与目标有效点云集识别待测人员当前的跌倒姿 态。 2.根据权利要求1所述的基于毫米波雷达点云的跌倒姿态识别方法， 其特征在于， 步骤 S1具体包括以下分步骤： S11、 采集毫米波雷达点云， 并判断毫米波雷达点云中是否缺失帧数据， 若是则对缺失 数据进行 数据填充， 并进入步骤S12； 否则进入步骤S12； S12、 判断毫米波雷达点云各帧数据中点云数目是否满足预设点云检测数量， 若是则融 合不少于一帧的毫米波雷达点云数据， 得到毫米波雷达点云数据集； 否则返回步骤S1 1； S13、 利用基于密度的噪声应用空间聚类方法对毫米波雷达点云数据集进行聚类， 得到 目标有效点云集。 3.根据权利要求2所述的基于毫米波雷达点云的跌倒姿态识别方法， 其特征在于， 步骤 S13具体包括以下分步骤： A1、 计算毫米波雷达点云数据集中各点云与其 他点云间的欧式距离， 其计算式表示 为： 其中， dist(.)为欧式距离， X为毫米波雷达点云数据 集， Y为毫米波雷达点云数据 集X中 除第i点xi的子集， yi为子集Y中第i点数据， Np为各帧毫米波雷达点云数据内点云数目， n为 融合的毫米波雷达点云数据， (n ·Np)为目标点云总数； A2、 根据欧式距离构建毫米波雷达点云数据集中各点云的k ‑距离集合； A3、 根据各点云的k ‑距离集合构建k‑距离曲线图， 以曲线拐点确定邻域半径； A4、 确定毫米波雷达点云数据集中各点在邻域半径中的数目， 并计算各数目的期望， 并 将期望作为聚类中邻域半径内数据点个数 的最优值， 得到目标有效点云集， 其中期望的计 算式表示 为： 其中， pi为第i点数据在邻域半径 ε 内点的个数， Mi nPts为数 学期望。 4.根据权利要求1所述的基于毫米波雷达点云的跌倒姿态识别方法， 其特征在于， 步骤 S2具体为： 根据空间极坐标到标准空间坐标的映射关系， 将目标有效点云集中各点云数据转换为 待测人员空间位置坐标， 并根据待测人员空间位置坐标以毫米波 雷达装置为坐标原 点构建 三维笛卡尔坐标系， 其中空间极坐标到标准空间坐标的映射关系表示 为：权　利　要　求　书 1/3 页 2 CN 114942434 A 2其中， f为映射关系； 为空间极坐标， (x,y,z)为标准空间坐标， cos(.)为余弦函 数， sin(.)为正弦函数， s为径向距离 。 5.根据权利要求1所述的基于毫米波雷达点云的跌倒姿态识别方法， 其特征在于， 步骤 S4具体包括以下分步骤： S41、 检测当前姿态， 并判断当前姿态是否满足预设条件， 若满足则进入步骤S42； 否则， 删除该组数据， 重新计算当前姿态； S42、 根据 各目标点云数据的重心坐标计算当前重心竖向速度分量， 并判断重心竖向速 度分量是否满足第一预设阈值， 若满足则认为当前待测人员具有竖直方向运动趋势， 并进 入步骤S43； 否则认为当前待测人员没有跌倒趋势； S43、 根据 各目标点云数据计算各目标点云数据间实际高度， 得到当前待测人员的重心 高度， 其计算式表示 为： 其中， hg为当前待测人员的重心高度， H为雷达安装高度， zi为目标点云高度， Np为各帧 毫米波雷达点云数据内点云数目， n 为融合的毫米波雷达点云数据帧数； S44、 判断当前待测人员的重心高度是否满足第 二预设阈值， 若满足则认为当前待测人 员具有躺下姿态趋势， 并进入步骤S45； 否则认为当前待测人员没有跌倒趋势； S45、 根据目标有效点云集计算最大宽度比， 并判断最大宽度比是否满足第三预设阈 值， 若满足则认为当前待测人员具有躺下姿态， 并进入步骤S46； 否则认为当前待测人员没 有跌倒趋势； S46、 判断当前待测人员的目标点的高度是否满足预设第四预设阈值， 若满足则认为当 前待测人员跌倒； 否则认为当前待测人员没有跌倒趋势。 6.根据权利要求5所述的基于毫米波雷达点云的跌倒姿态识别方法， 其特征在于， 步骤 S41中预设条件表示 为： St＝St‑1＝St‑2＝…＝St‑n 其中， St为t时刻检测到的人体姿态， n 为融合的毫米波雷达点云数据。 7.根据权利要求5所述的基于毫米波雷达点云的跌倒姿态识别方法， 其特征在于， 步骤 S42中当前重心竖向速度分量的计算式表示 为： 其中， Vz为当前重心 竖向速度分量， V为径向速度， Np为各帧毫米波雷达点云数据内点云 数目， n为融合的毫米波雷达点云数据， si nθ 为目标点云俯仰角的正弦值。 8.根据权利要求5所述的基于毫米波雷达点云的跌倒姿态识别方法， 其特征在于， 步骤 S45中最大宽度比的计算方式包括以下步骤：权　利　要　求　书 2/3 页 3 CN 114942434 A 3