18、基于深度学习的雷达人体目标检测与定位

基于深度学习的雷达人体目标检测与定位

1. 引言

随着能源消耗的不断增加，人们开始寻找能够监测和节约能源的高效智能家居技术，以提高可持续性并减少碳足迹。多项研究表明，通过监测住宅、商业或公共场所的人员占用情况或统计人数，并相应地调节人工照明和 HVAC 系统，能源消耗可显著降低 25 - 75%。调频连续波（FMCW）雷达为感知、监测和控制家用电器的能源消耗提供了一种通用解决方案。

雷达的应用已经从汽车领域（如驾驶员辅助系统、安全和驾驶员警报系统以及自动驾驶系统）扩展到低成本解决方案，渗透到工业和消费市场领域。它被用于周边入侵检测系统、手势识别、人机界面、户外定位和室内人数统计等。

人体目标的雷达响应通常会在多普勒上扩展，这是由于躯干的宏观多普勒分量以及手部、肩部和腿部运动产生的微观多普勒分量。使用更高的扫描带宽时，目标的雷达回波不再是点目标，而是在距离上扩展，被称为距离扩展目标。因此，人体目标在距离和多普勒上被视为双重扩展目标。使用高扫描带宽雷达进行人体目标检测时，在将数据输入到特定应用处理（如目标计数或目标跟踪）之前，需要对标准信号处理流程进行一些调整。

根据应用和所使用的系统，有两种信号处理流程：
- 在距离 - 多普勒域进行处理，目标是在该域内进行目标检测和定位。
- 在距离 - 角度域进行处理，目标是在该域内进行目标检测和定位。

然而，在室内环境中进行人体目标检测存在一些挑战，例如静态物体（如墙壁、椅子、家具等）产生的虚假目标，以及多个目标的多径反射导致的杂散雷达响应。此外，强反射或较近的人体目标在 CFAR 检测器输出处常常会遮挡较弱反射或较远的人体目标。前者会导致高估室内人数，后者则会导致低估人数，从而增加