基于雙時間點檢測的毫米波雷達人流量監(jiān)測方法*

陳金立，瞿彥濤，馮仰歌，付善騰，王禮正，范晨陽

(1.南京信息工程大學(xué) 電子與信息工程學(xué)院，南京 210044；2.南京常格科技發(fā)展有限公司，南京 210031)

0 引 言

隨著社會發(fā)展，人們的出行率不斷提高，尤其是商場、車站和景區(qū)等公眾場合的人流量增加，導(dǎo)致安全問題日益突出。2020年新型冠狀病毒肺炎席卷全國，為了減緩疫情的傳播，各地政府相繼出臺社交距離規(guī)定，因此對公共區(qū)域進行人流量實時統(tǒng)計具有重要意義[1]。

早期對公共場所的人流量統(tǒng)計主要使用人工計算的方式，該方法人力成本高，管理復(fù)雜，不利于快速發(fā)展的大數(shù)據(jù)分析及其應(yīng)用。為此，國內(nèi)外的學(xué)者研究了自動統(tǒng)計人流量的方法?；诩t外線傳感器探測的人流量監(jiān)測方法[2]利用發(fā)射紅外線的發(fā)光二極管和感知紅外線的接收二極管，實現(xiàn)紅外線感應(yīng)，對經(jīng)過感應(yīng)區(qū)域的具有一定溫度的目標自動計數(shù)，但是該方法應(yīng)用場景有限，不能區(qū)分目標個體的運動方向，且難以分辨多人并排行走的情況?；诔暡ㄌ綔y的人流量監(jiān)測方法[3]通過對超聲回波信號處理來實現(xiàn)人體目標位置測量，實現(xiàn)人流量的統(tǒng)計，但此方法作用距離有限，容易受外界環(huán)境的干擾，存在測量盲區(qū)。隨著人工智能算法的興起，視頻監(jiān)控成為人流量監(jiān)測的主要方式之一，目前基于視頻監(jiān)控系統(tǒng)來統(tǒng)計人流量的方法主要有基于圖像底層特征的方法[4]、基于特征點運動軌跡的方法[5]以及基于運動目標的檢測跟蹤方法[6]。然而，基于視頻監(jiān)控的人流量監(jiān)測技術(shù)利用攝像頭等光學(xué)傳感器，對于光照、煙霧等環(huán)境因素敏感度高，難以全天候工作，同時采集的監(jiān)控數(shù)據(jù)存在人員隱私泄露的風險[7]。

針對上述人流量監(jiān)測方法的弊端，本文使用調(diào)頻連續(xù)波毫米波(Frequency Modulated Continuous Wave,FMCW)雷達進行人流量監(jiān)測。由于毫米波雷達的距離分辨率高、發(fā)射功率低、穿透能力強[8-9]，進行人流量監(jiān)測時不會涉及個人隱私的信息，受光線、煙霧等環(huán)境因素影響小，且具備全天候工作能力。與視頻監(jiān)控方法相比，利用毫米波雷達進行人流量監(jiān)測仍然存在諸多難點：毫米波雷達獲取的目標信息量較少，缺乏視覺識別能力，無法提取人的面部特征；場地以及同行的人員之間存在多徑干擾，形成虛假目標，從而造成統(tǒng)計的誤判；人體散射的點云數(shù)據(jù)進行聚類處理時，易受噪聲點數(shù)的干擾，從而出現(xiàn)虛警現(xiàn)象。為了克服以上難點，本文首先建立人體目標回波信號模型，通過對人體目標回波信號進行二維快速傅里葉變換(Two-dimensional Fast Fourier Transform,2D FFT)處理來獲得人體散射點的距離以及多普勒頻移信息；接著利用恒虛警(Constant False Alarm Rate,CFAR)處理濾除雜波散射點，對保留散射點進行方位角估計，獲取人體散射點的角度信息，并使用二維坐標變換得到點目標位置，與對應(yīng)多普勒頻移信息一起構(gòu)成點云數(shù)據(jù)；然后依據(jù)多普勒頻移的正負來判斷人體的運動方向，同時根據(jù)人體運動時不同部位多普勒特征的差異對點云數(shù)據(jù)進行篩選以減少干擾點數(shù)，避免基于密度的聚類算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)出現(xiàn)虛警問題；最后在雙時間點對特定區(qū)域的人員數(shù)量進行統(tǒng)計，并利用雙時間點之間所獲取的聚類結(jié)果來進一步修正人流量數(shù)據(jù)，從而解決因人體行走速度不同而引起的誤判問題。實驗結(jié)果表明，該方法能夠在不侵犯個人隱私的前提下以較高準確率來統(tǒng)計實時人流量。

1 人體目標回波信號模型

圖1為本文人流量監(jiān)測場景示意圖，將毫米波雷達置于檢測區(qū)域斜上方，可以更好地探測多個人體目標[10]。毫米波雷達模塊選用TI公司的IWR6843評估板，板載3發(fā)4收天線，可以發(fā)射60～64 GHz的調(diào)頻連續(xù)波信號，內(nèi)部集成有射頻前端、低噪聲放大器、ARM處理器、DSP、內(nèi)存等，可以滿足對回波信號的中頻采樣緩存、多維FFT以及恒虛警檢測等處理。毫米波雷達發(fā)射和接收陣列結(jié)構(gòu)如圖2所示，兩個鄰近發(fā)射天線的間距dt=5 mm，兩個鄰近接收天線的間距dr=2.5 mm。假設(shè)探測區(qū)域內(nèi)有多個人體目標，共對應(yīng)I個散射點，其中散射點i(i=1,2,…,I)的方位角為θi。

圖1 人流量監(jiān)測場景示意圖

圖2 毫米波雷達發(fā)射/接收陣列結(jié)構(gòu)

假設(shè)調(diào)頻連續(xù)波雷達發(fā)射鋸齒形線性調(diào)頻連續(xù)波，其發(fā)射信號為

(1)

式中：AT表示發(fā)射信號的幅度；fc表示Chirp的起始頻率；B表示Chirp的帶寬；Tc表示Chirp的持續(xù)時間；φ(t)表示相位噪聲。FMCW雷達的回波信號為

(2)

(3)

對混頻后的中頻信號進行采樣，假設(shè)每個周期采樣點數(shù)為N，采樣周期數(shù)為M，中頻信號可以表示為采樣矩陣形式：

(4)

式中：n=1,2,…,N表示快時間采樣軸上對應(yīng)的標號；m=1,2,…,M表示慢時間采樣軸上對應(yīng)的標號；Tf、Ts分別為快時間和慢時間軸上的采樣間隔。

2 人體目標點云數(shù)據(jù)的獲取

人體目標點云數(shù)據(jù)包含人體目標散射點的坐標和多普勒信息，點云數(shù)據(jù)的獲取對于后續(xù)人體目標的凝聚和統(tǒng)計具有重要意義。

2.1 二維FFT處理

針對式(4)所示的雷達采樣數(shù)據(jù)矩陣Y，中頻信號頻率fbi和多普勒頻移fdi中包含每個散射點的距離和多普勒信息，故對雷達采樣數(shù)據(jù)矩陣Y的每一行做N點FFT處理可求出目標的距離信息，每一列做M點FFT處理可求出目標的多普勒信息[11]，其處理流程如圖3所示。

圖3 二維FFT處理流程

2.2 恒虛警檢測

人流量監(jiān)測方法的使用場景多在擁擠的環(huán)境，因此在回波信號中往往會包含目標信息、背景噪聲以及雜波干擾。為了實現(xiàn)對人體目標進行有效檢測，需要濾除雜波散射點。CFAR算法是基于門限的目標檢測算法，通過估算測試單元鄰近參考單元的背景噪聲和雜波功率，對接收機接收的包含有效信號和噪聲進行判別，確定目標是否存在[12]。CFAR算法中最常用的是單元平均恒虛警檢測算法(Cell Averaging-CFAR,CA-CFAR)，通過對保護單元外的鄰近單元取平均值來估算背景雜波功率。本文采用二維CA-CFAR檢測器[11]，對雷達采樣數(shù)據(jù)矩陣Y的距離維和多普勒頻移維分別進行恒虛警檢測。

2.3 相位法測角

對于同一散射點i(i=1,2,…,I)，其角度可通過兩個接收天線所接收的回波相位差進行估算[13]。假設(shè)兩個鄰近接收天線的接收回波路程差為ΔRi，則第i個散射點接收信號在t時刻的相位差為

Δφi(t)=2πΔRi/λ。

(5)

由圖2可知，兩個鄰近接收天線的接收回波路程差可近似為

ΔRi=dtsinθi。

(6)

由式(5)和式(6)可知，第i個散射點的方位角θi可表示為

(7)

因此，第i個散射點的二維坐標可以表示為

(8)

式中：xi和yi分別為第i個點目標在二維平面的坐標位置。綜上可得到包含散射點位置和多普勒信息的點云數(shù)據(jù)，可用數(shù)據(jù)集P0表示為

P0:{(xi,yi,fdi),i=1,2,…,I} 。

(9)

3 基于雙時間點檢測的人流量監(jiān)測方法

3.1 基于多普勒頻移篩選的DBSCAN聚類

聚類方法通常將距離較近的點聚成簇，一個簇對應(yīng)一個目標[14]。由于人體目標點云數(shù)據(jù)集P0規(guī)模較小且形狀不規(guī)則，同時檢測區(qū)域中人體目標的數(shù)量是未知的，因此選用DBSCAN算法。該聚類算法以點的密集程度為聚類依據(jù)，對聚類的形狀沒有偏倚，且不易受噪聲的影響[15]。

在人流量監(jiān)測應(yīng)用場景中，除人體整體的軀干平動外，人的呼吸、心跳和手臂的小幅度擺動會產(chǎn)生微多普勒效應(yīng)，對應(yīng)多普勒頻移較小的點云數(shù)據(jù)。本文設(shè)計了一種基于多普勒頻移篩選的聚類方法，通過設(shè)置適當?shù)亩嗥绽臻T限來去除頻移較小的這些點，以降低微動干擾點對聚類結(jié)果的影響。設(shè)置多普勒門限為ft，則去除多普勒頻移較小的點之后的數(shù)據(jù)集P1為

P1:{(xj,yj,fdj)||fdj|>ft,j=1,2,…,J} 。

(10)

式中：xj和yj分別表示多普勒頻移大于門限值的第j個點目標坐標位置；fdj表示第j個點目標的多普勒頻移；J表示滿足|fdj|>ft的所有散射點數(shù)；|·|為絕對值。目標相對雷達的徑向速度以靠近雷達的方向為正，而目標的運動方向決定多普勒頻移的正負，因此按照多普勒頻移的正負將數(shù)據(jù)集P1分成人員進和出的兩個數(shù)據(jù)集，即

(11)

式中：Pin和Pout分別表示人員進和出的點云數(shù)據(jù)集;J1和J2分別表示人員進和出的散射點數(shù)。分別對Pin和Pout兩組點云數(shù)據(jù)使用DBSCAN算法進行聚類，將人員進和出的散射點數(shù)凝聚成人體目標的位置集合：

(12)

圖4為僅有一個運動人體目標時傳統(tǒng)DBSCAN方法和本文方法的聚類結(jié)果，可見傳統(tǒng)DBSCAN方法聚類后出現(xiàn)虛假目標，而本文方法濾除了人體微動帶來的頻移較小的散射點，DBSCAN聚類結(jié)果正確。

(a)傳統(tǒng)DBSCAN聚類

(b)基于多普勒頻移篩選的DBSCAN聚類圖4 單人進出時的聚類結(jié)果

3.2 基于雙時間點檢測的人流量監(jiān)測

圖5為檢測區(qū)域示意圖，雷達位于原點處，黑色虛線所圍扇形區(qū)域為雷達掃描覆蓋區(qū)域，陰影部分為人流量檢測區(qū)域。以雷達為坐標原點建立二維坐標系，假設(shè)人流量檢測區(qū)域為xi∈[xl,xr]，yi∈[yl,yr]，其中xl、xr、yl、yr分別為檢測區(qū)域的邊界條件。

圖5 檢測區(qū)域示意圖

(a)人員行走速度正常時的示意圖

(b)人員行走速度較快時的示意圖

(c)人員行走速度較慢時的示意圖圖6 不同情形下人員行走示意圖

(1)人員行走速度大于正常速度的情形

以人員進入為例，當人員行走速度大于正常速度時，可能會出現(xiàn)t1和t2時間點在檢測區(qū)域內(nèi)都沒有檢測到人體目標存在，此時對應(yīng)兩種情況：一種是無人員進入；另一種是由于行走速度較快，此時人員在Δt時間內(nèi)快速通過檢測區(qū)域而導(dǎo)致在t1和t2時間點均檢測不到人體目標存在，如圖6(b)所示。為了區(qū)分上述兩種情況，通過遍歷t1和t2之間的其余時間點在檢測區(qū)域內(nèi)的人員數(shù)據(jù)來進行修正，若檢測區(qū)域內(nèi)在間隔Δt時間內(nèi)有超過一半的時間點能檢測到同一行走路徑上人體目標存在，則統(tǒng)計為進入人員數(shù)，反之則無人員進入。

(2)人員行走速度小于正常速度的情形

以人員進入為例，當人員行走速度小于正常速度時，可能會出現(xiàn)t1和t2時間點在檢測區(qū)域內(nèi)都檢測到人體目標存在，此時對應(yīng)兩種情況：一種是有不同人員進入；另一種是由于行走速度較慢，相同人員經(jīng)過Δt時間仍在檢測區(qū)域內(nèi)，從而導(dǎo)致t1和t2時間點均檢測到相同人體目標，如圖6(c)所示。為了區(qū)分上述兩種情況，仍通過遍歷t1和t2兩個時間點內(nèi)的其余時間點在檢測區(qū)域內(nèi)人員數(shù)據(jù)來進行修正，若檢測區(qū)域內(nèi)在間隔Δt時間內(nèi)有不超過一半的時間點檢測到同一行走路徑上人體目標存在，則統(tǒng)計為不同人員進入，反之則同一人員進入。

綜上所述，本文提出的人流量監(jiān)測方法流程圖如圖7所示。

圖7 基于雙時間點檢測的人流量監(jiān)測方法流程圖

4 實驗結(jié)果與分析

在實驗室內(nèi)模擬現(xiàn)實生活中人流量監(jiān)測場景，通過搭建圖8所示的實驗場景來對本文方法進行測試。毫米波雷達帶寬為4 GHz，單位幀下的Chirp數(shù)為128，幀周期為40 ms。在實際測試中，設(shè)置門寬約1.5 m，高約2.2 m，用三角支架將毫米波雷達固定在與門同高處，即檢測區(qū)域斜上方，傾斜角α約為45°。設(shè)置多普勒門限ft=125 Hz。選擇檢測區(qū)域：xl=-1 m，xr=1 m，yl=1.2 m，yr=1.6 m。通常人員行走速度v≈1.1 m/s，設(shè)置對檢測區(qū)域內(nèi)人流量進行統(tǒng)計的時間間隔Δt=0.4 s，則滿足條件(yr-yl)cosα

圖8 實驗場景圖

圖9 人員進出測試場景圖

表1 不同場景人流量統(tǒng)計結(jié)果

由表1可知，針對5種場景，本文方法均能以較高的準確率統(tǒng)計人員進出，且通過設(shè)置多普勒門限去除干擾點，降低了虛警概率。圖9(a)、(d)場景均獲得不低于95%的監(jiān)測準確率，連續(xù)單人進出時干擾點數(shù)較少，監(jiān)測準確率高，雙人間距1 m連續(xù)跟隨進出時，雷達的距離分辨能力顯著，因此可獲得與連續(xù)單人進出時相似的監(jiān)測準確率。由于本文方法根據(jù)多普勒頻移正負將點云數(shù)據(jù)分成進和出的兩個數(shù)據(jù)集分別進行統(tǒng)計，雙人反向連續(xù)進出(圖9(c)場景)時能達到不低于90%的監(jiān)測準確率。人員密集時電磁波的多徑傳播現(xiàn)象明顯，同時受到雷達的方位和距離分辨率的限制，雙人同向連續(xù)進出(圖9(b)場景)和雙人間距0.6 m連續(xù)跟隨進出(圖9(e)場景)的監(jiān)測準確率有所下降且漏警概率較高。

5 結(jié)束語

人流量監(jiān)測數(shù)據(jù)對于公共場合安全具有重要意義，使用視頻監(jiān)控存在人員隱私泄露的風險。本文根據(jù)毫米波雷達體積小、成本低、分辨率高以及保護個人隱私等優(yōu)勢，提出了一種基于雙時間點檢測的人流量監(jiān)測方法。該方法根據(jù)點云數(shù)據(jù)中的多普勒頻移正負來判斷人體的運動方向，同時設(shè)置多普勒門限值來去除頻移較小的點，降低干擾點對聚類結(jié)果的影響。最后在雙時間點對檢測區(qū)域內(nèi)的人員數(shù)量進行統(tǒng)計，并利用雙時間點之間的人體目標聚類結(jié)果來進一步修正人流量數(shù)據(jù)，有效避免因人員行走速度差異而帶來的多檢和漏檢問題。實驗結(jié)果表明，本文方法能夠在不侵犯個人隱私的前提下以較高的準確率來統(tǒng)計實時人流量。但是受限于雷達分辨能力，人員的密集程度往往會影響監(jiān)測準確率，因此下一步將研究適用于多人進出復(fù)雜場景的人流量監(jiān)測方法。