基于毫米波雷达的舱内儿童遗留检测系统设计和验证

AUTOMOBILE DESIGN | 汽车设计

祁淼

盐城工业职业技术学院江苏省盐城市 224005

摘要：为了保护儿童避免被单独遗留在舱内，提出了基于毫米波雷达的传感器的检测方法。本方法采集毫米波多普勒效应产生的时域和频域信息，在LC-KSVD算法中加入主成分分析和随机森林的降维方法提取特征，对特征最组合。将组合的特征用SVM做分类，区分出存在和不存在儿童的场景。实验部分根据用车习惯，收集设计了正样本的采集和负样本的采集。实验表明，与同类的研究相比，本方法有更好的环境适应性可以避免相机等传统方法的局限性。

关键词：毫米波雷达　LC-KSVD算法　儿童检测　SVM分类

1　前言

汽车是许多家庭的标配，最近几年车辆设计的趋势之一是大天窗装在越来越多的车型上，2022年销量前十的车型[1]中除了五菱宏光MINIEV外都配有天窗，其中半数配置了全景天窗。如果车辆暴露在阳光下，更

多的热量通过天窗传递到舱内，在密闭环境中热量聚集使舱内温度快速上升。幼儿被遗留在无人看管的车汽车里几分钟可能导致中暑和死亡。大多数父母相信自己永远不会忘记坐在后座上的孩子。现实情况是在过去的15年中美国有1000名儿童在车上因为过热去世，其中超过88%的幼儿小于3个月[2]。

常见的活体检测手段为视觉，文强[3]等人通过图像的几何形态学关系区分成年人和儿童（<6岁）的脸部特征。公妍苏[4]等人利用树莓派作为计算平台开发基于Adaptive Boosting的儿童车内遗留检测系统。但是，大多数婴儿座椅会配置遮阳帘，导致婴儿大多数特征无法被摄像头捕捉，造成漏报。而且舱内过多的布置摄像头也会引起用户的反

感。董启迪[5]等人读取车上压力传感器的数

值推测大人和孩子，结合车门开关等信息实汽车雷达

现遗留检测。0-6岁的孩子成长快，体重分

布区间规律性不强，存在较大的误报风险。

本文采用基于毫米波雷达的技术方案，利用

多普勒效应检测车内的运动情况，通过空间

定位过滤车外的和非成员区间的运动，利用

人体运动时频过滤出人体的运动。从而检验

车内存在的生命体，当发现疑似生命体被遗

留在车内时发出报警。通过技术的手段避免

类似悲剧的发生。毫米波雷达有可穿透性和

不涉及隐私等特点[6,7]。

2　信号模型和时频分析

2.1　多普勒效应和信号模型

FMCW调频连续波雷达达采用相位差的

原理获取目标距离，传输信号频率随时间变

化呈线性，对每一扫频段，通过将发射信号

与接收信号进行混频获得回波差拍信号，差

拍信号包含目标的距离和径向速度信息，利

用上、下扫频段差拍信号频谱对称的性质，

得到目标的距离和速度参数。雷达发射出的

载波频率为fc的波形S(t)可以表示为：

(t)=exp(j2πf

进一步的，运动目标的散射点的回波为：

(t)=A

(t)exp(j2πf

[t-2r(t)

])

其中，Ap表示在t时刻的回波信号幅度

值，c为正空下光的速度，rp(t)表示雷达与

目标的距离差。由此推导出，回波信号与发

射信号的相位差为：

=-2πf

2r(t)

对t时刻微分求导，获得本散射点对应的

多普勒频移f

= 1 d

2πd

由上述可以得到，多普勒频移与目标的

运动状态成正相关，微多普勒信息可以作为

动作的特征。

2.2　基于短时傅里叶变化的时域分析

人体在静止（典型场景为睡眠）时，呼

Design and V eriﬁ cation of In-cabin Child Legacy Detection System Based on Millimeter-wave Radar

Qi Miao

Abstract： I n order to protect children from being left alone in the cabin, a sensor detection method ba

sed on millimeter wave radar is proposed. This method collects the time-domain and frequency-domain information generated by the millimeter wave Doppler eﬀ ect, and adds the principal component analysis and the random forest dimensionality reduction method to the LC-KSVD algorithm to extract the features. The combined features are classiﬁ ed with SVM to distinguish the scene with and without children. In the experiment part, the collection of positive samples and negative samples are designed according to the habit of using vehicles. The experiment shows that this method has better adaptability to the environment and can avoid the limitations of traditional methods such as cameras.

Key words：millimeter wave radar, LC-KSVD algorithm, child detection, SVM classiﬁ cation

AUTO TIME 113

AUTOMOBILE DESIGN | 汽车设计

吸导致的胸腔起伏的回波信号随时间变化，在一段时间内具有周期性，每个周期都是由多种频谱组装成，可以用傅里叶变化进行频谱分析。人体在运动时则存在相反，存在时域和频域的双重变化，需要将时域和频域作为一个整体进行分析［8,9］，将多普勒频移转换为时频图。

常用的时频分析方法有短时傅里叶变换(STFT)[10]和小波变换，采用较STFT时频分析方法可以有效避免分析时的交叉项干扰，进而减少计算复杂度。通过对原始信号加时间窗并沿着时间轴移动窗函数，将非平稳信号在一个极短的时间内看成是平稳信号，实现了非平稳信号转化成多个短时平稳信号进行叠加处理，在此基础上便可以采用傅里叶变换对每个短时平稳信号进行分析，得到频率随时间变化的时频函数。假设原始非平稳信号为h(t)，则短时傅里叶变换定义为：STFF(m,n)=∑∞

k=-∞

h(k)w(kT-mT)e-j2π（n f s)k 其中，H(k)为信号h(t)的离散表达，m和n为采样时间和采样频率，w为窗函数，T为采样的间隔时间，fs为频率的采样间隔。

2.3　基于多维度的机器学习特征提取方案

K-SVD算法[11]一般用于信号的重构，但是没有解决分类和识别问题，在此基础上，LC-KSVD[12,13]算法被提出来。该算法通过系数约束方差和分类器参数的选择使得分类的过程被强化。采用LC-KSVD算法可以优化求解。为了在车内的运动中挖掘出呼吸或肢体运动的频域/时域特征，得到更加有辨识度的特征，对LC-KSVD算法进行拓展。用两种特征描述手段对进行维度下降计算。使

用主成分分析方法提取频率部分的特征，提

取m个主要成分特征，降维度到m维度的向

量；采用随机森林方法[14]提取频率中的随机

特征，获取的维度为n，将两个降维后的数据

进行融合获得m+n维度的向量，用svm方法

[15]对分类的结果进行学习，获取最好的分类

方式。特征提取的流程如下：

2.4　人体运动数据集构建

生命体在舱内的形态可以划分为静止（如

睡觉）和运动，当生命体静止时，存在呼吸

带来的胸腔起伏；当生命体运动时，则有明

显的肢体运动。通过捕捉生命体的运动特征，

可以判断出生命体的存在。

使用雷达分别捕捉人体的姿态。设计

帧时间长度为N

的FIFO滑动帧窗，将雷

达的单帧数据依次放入滑动窗口中，当窗

口被填满时，先进入的一帧被剔除，最后

生成一帧数据插入队列尾部。设定单帧内

频域和时域的阈值，对连续帧做判定，实

现滑动帧窗内的特征判定，然后保存当前

帧窗内的特征分布。4个数据通道获得的白

噪声是呈随机分布的，通过对多通道非相

干叠加权来抑制距离与多普勒特征的背景

噪声，提高运动的信噪比。对8名志愿者

孩子进行数据采集，其身体数据如下表（呼

吸频率为人工测量）。

表1　志愿者年龄和呼吸频率

通过数据采集获取100组，共计40134

帧数据。利用相同的单通道CNN方法进行训

练和测试，训练测试比为6:4。对N

分别取

5帧，6帧，8帧，10帧，13帧和17帧。准

确率对比如表1所示，可以看出识别率随着

Nf先升后降。从呼吸角度考虑，由于一个完

成的呼吸时间主要分布在2-3s之间，10帧连

续数据基本覆盖一个呼吸周期。过短的周期

会导致对环境白噪音的误识别，过长的的周

期会加入过拟合。从运动角度，车舱内空间小，

无法展开剧烈运动，以1s～2s为窗口可以将

人体的不规则运动拆分为一个个简单的运动，

对这些运动片段进行特征捕捉，本算法中选

择10帧的时间长度作为表征。

3　系统设计

3.1　总体架构

根据生命探探测对系统的要求，构建如

下系统，系统分为软件和硬件两部分。硬件

部分为雷达芯片，电源，时钟，看门狗，

CAN通讯模块。雷达采用AIR设计，将天

线封装在芯片内部，不需要单独设计。软件

包括雷达和通讯底层驱动，STFT时频分析算

法等。

3.2　系统硬件设计

硬件使用加特兰微电子的Alps雷达

（Rhine），芯片上集成了内置天线，包含4

个发射通道和4个接收通道，支持水平和俯

仰探测，工作在60～64GHz。片上设有丰富

的外部接口，如CAN，CANFD，I2C等。

通过配置字，设置可用的工作性能为：距离

分辨率可达5mm，最大观测距离为2.5m，

最大角视场为85°。

3.3　系统软件设计

通过软件控制系统运行和输出探测结果，

使用Rhine-Mini_Software_Firmware和

Rhine-Mini_Software_Tool进行开发。通

过microUSB( universal serial bus)进行硬

件设备与上位机的通信交互，将雷达参数配

置程序发送到DSP中。向雷达写入配置字，

启动四发四收模式，工作频率为

60GHz，工表2　帧长度和训练准确率

图1　特征提取

时域频域图

PCA降维随机森林频谱

m+n维向量

SVM分类

114AUTO TIME

AUTO TIME

115

AUTOMOBILE DESIGN | 汽车设计

作带宽为4GHz，三角周期脉冲，脉冲周期为87.31μs，采样次数为128，采样速率为6558kSPS；每帧包含13场脉冲，单帧周期1000ms。为了便于调试，将带时间戳的雷达原始数包据传至上位机。经过解析后获得每一帧中的径向速度和回波强度。

4　实验验证和性能分析

实验过程中让每个孩子单独在车内的后排。其中一岁以下的孩子放置在反向安装的安全座椅中，把座椅的遮阳帘放下，一个孩子盖夏天的轻薄毯子，一个孩子正常穿衣。一岁孩子放置在正向安装的安全座椅中，也分别盖小毯子和仅穿衣服。两岁孩子和三岁儿童正常坐在车内，引导他们安静的看手机和自由发挥做肢体运动。设置负面对照实验，在无人的车内放置矿泉水、挂件，然后摇晃车辆用雷达记录数据。图2是各种情况下的

降维特征。

儿童运动儿童静止

图2　降维后的特征

车内白噪声车内干扰

采集数据后，对数据打标签，分类存储。分别使用LC-KSVD 算法、K-SVD 算法，单独使用PCA 降维，以及单独使用随机森林方法降维的方法提取特征的LC-KSVD 算法对数据集进行训练，获取的识别率如表3。

通过表可以看出进行在识别车内儿童方面，使用LC-KSVD 算法要优于传统的K-SVD 算法，加入特征提取和降维方式后，识别效果更加明显。

5　结论

提出一种基于毫米波雷达的儿童遗留检测算法，该算法采用LC-KSVD 算法捕捉儿童的行为特征，实验表明：1、毫米波雷达可以在有障碍的情况下捕捉到人类的行为特征；2、实验中使用了不同的年龄段的孩子，且按照实际情况布置了安全座椅，接近现实情况，说明算法具有鲁棒性；3、基于毫米

波雷达的舱内雷达有实际的研发意义和使用场合，值得继续深挖。

参考文献：

[1]2022年中国汽车销量排行 www.dongchedi/sales/sale-x-1000-x-x-x-x.

[2]/2019/02/27/dangers-of-hot-cars/.

[3]文强，张铷钫. 基于人脸识别的预防儿童误锁车内报警系统设计研究[J]. 计算机产品与流通，2019（3）：1.

[4]公妍苏，赵宏. 基于树莓派的避免儿童误锁车内报警系统的设计[J]. 科学技术创新，2020（11）：2.

[5]董启迪. 基于Arduino 的儿童误锁车内报警与自救装置设计[J]. 软件：电子版，2018.

[6]Nanzer J A，Popova E，Rogers R L . Analysis of the detection modes of a human presence detection millimeter-wave radiometer[C]// A n t e n n a s a n d P r o p a g a t i o n S o c i e t y

International Symposium （APSURSI），

2010 IEEE. IEEE，2010.

[7]Choi J W ， Nam S S，Cho S H . Multi-Human Detection Algorithm Based on an Impulse Radio Ultra-Wideband Radar System[J]. IEEE Access，2017，4：10300-10309.

[8]俞悦. 基于时频分析的雷达目标识别技术研究[D]. 南京理工大学.

[9]Li G ，Zhang S，Fioranelli F，et al. Effect of Sparse-Aware Time-Frequency Analysis on Dynamic

Hand Gesture Classification with Radar Micro-Doppler Signatures[J]. IET Radar Sonar Navigation，2018，12（8）.[10]杨超，李波，胡绪权，等. 基于解析插值离散时间傅里叶变换的精确频率估计[J]. 电工技术学报，2022，37（6）：13.[11]Qiang Z ， Li B . Discriminative K-SVD for dictionary learning in face recognition[C]// The Twenty-Third IEEE Conference on Computer Vision and Pattern Recognition，CVPR 2010，San Francisco，CA，USA，13-18 June 2010. IEEE，2010.

[12]Kviatkovsky I ， Gabel M ， Rivlin E ，et al. On the Equivalence of the LC-KSVD and the D-KSVD Algorithms[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence，2017，39（2）：411-416.[13]Sun C.Image classification of cashmere and wool fiber based on LC-KSVD[J]. Journal of Physics ： Conference Series，2021，1948（1）：012010 （6pp）.

[14]Wang X，Tang X.Random Sampling for Subspace Face Recognition[M]. Kluwer Academic Publishers，2006.

[15]Joachims T.Making Large-Scale SVM Learning Practical[J]. Technical Reports，

1998，8（3）：499-526.

表

3　四种算法的识别率对比

作者简介

祁淼：（1988.12—），男，汉族，江苏盐城人，讲师，硕士。研究方向：新能源汽车，汽车智能技术。

基于毫米波雷达的舱内儿童遗留检测系统设计和验证

发布评论取消回复

最近发表

热门文章

标签列表