IWR6843毫米波雷达人员检测论文阅读

Ne0inhk

26 Mar 2026 — 9 min read

文章目录

前言
文献基本内容
对使用雷达识别电力线的启发‌

前言

最近看了一篇论文：使用雷达检测人体是否摔倒。

在电力线识别中，我们可以借鉴一下该论文中的一些方法。

文献基本内容

该论文的大致内容是：作者把雷达安装在实验室的侧壁上或实验室的顶部，来采集志愿者的数据。然后分别使用了 深度学习分类器（DL） 和 机器学习卷积神经网络（ML） 来分类和识别。最终结果表明，利用毫米波雷达开发一个跌倒的检测系统是可行的。

使用到的传感器：毫米波雷达

红外传感器
红外传感器可以准确识别人类活动并检测跌倒。然而，红外传感器对热源很敏
感，比如笔记本电脑、水壶或加热器，而毫米波雷达传感器则不受影响。
在该论文中，作者并没有详细说明红外传感器的布局位置，只是详细说明了毫米波雷达数据的处理方法以及实验结果。
作者表明在后续的实验中将会使用红外传感器提高识别的准确率

雷达
在该论文中，使用的是在60-64 GHz频率范围内工作的毫米波雷达。
德州仪器 WR6843SK-ODS 作为天线板。
德州仪器 MMWAVEICBOOST 作为载波板

在该论文的实验1中，雷达安装在墙壁的一侧，如下图所示。在该论文的实验2中，雷达安装在墙壁的顶部。

雷达采集数据集合的形式

毫米波雷达的数据形式主要有两种：点云数据 和 底层数据。

点云数据
点云是通过对原始数据使用数字信号处理技术生成的。
点云指的是由雷达设备扫描得到的空间点的数据集，每一个点云都包含了三维坐标（XYZ） 和 信号反射强度（Intensity），其中强度信息会与目标物表面材质与粗糙度、入射角度、波长以及雷达的能量密度有关。
点云是毫米波雷达最常用的数据形式。虽然非常稀疏（比如每帧64个点），能够提供的信息量有限，但也正是因为数据量小，处理它需要的计算量非常小，适用于低算力系统。
点云数据的使用一般有两种方式：一种是直接使用点数据，一种是把点云转换为网格形式。网格形式的点云适合用于卷积神经网络中。
底层数据
底层数据是毫米波雷达最原始的ADC数据。这些信息中很多都是噪声，但是也有不少有用的信息，比如多普勒的频谱信息。
在处理原始数据时，典型的方法就是将原始信号转换成不同类型的图像：微多普勒频谱图、距离-时间图、距离-多普勒图、时频图。
传统的信号处理方法很难从大量的噪声中提取这些有用信息，而这正是深度学习算法的强项。

雷达数据的获取

该论文使用点云作为分析的数据集合。

获取点云的过程：雷达传感器向环境发送信号并接收其回波信号，然后执行内置处理技术将信号转换为点云。

为了调整内置处理技术，在运行数据收集实验之前、向雷达传感器发送配置文件。

数据收集程序最初由德州仪器公司用Python开发，该程序将配置文件发送到传感器、并将生成的点云可视化。作者为这个程序增加了更多的功能，比如数据保存，方向选择，区域定义和实验控制。

作者还用Python编程语言从零开始编写了一个数据分析程序。程序对雷达数据集进行同步，并进行预处理，如清洗、目标关联、标记、切割、活动合并等。此外，该程序还使用3d图、箱线图、散点图和直方图对数据集进行可视化。

此外、该程序还生成了占用网格并使用CNN卷积神经网络方法对其进行分析。

雷达数据的存储格式

该论文使用雷达输出的点云数据进行分析，在分析中分别使用了深度学习（DL）或机器学习（ML）算法。

为了减少点云数据的数量，并且为了使每帧有一个固定的大小，我们每帧生成一个占用网格，它是一个大小为25 25 x15的矩阵。

矩阵的每个元素表示20x20x20cm的空间占用情况，，其中其元素被设置为1(被占用)，或0(未被占用)。

下图展示了一个站立活动生成的占用网格示例。

该论文还提出了一种基于帧的方法，该方法每次只使用生成的点云的一帧来执行分类。与基于流的方法相比，该方法的优点是对计算复杂度的要求更低，这就使得这种方法可用于嵌入式系统。

雷达数据分析的步骤

在占用网格上应用卷积神经网络
除了人工提取特征去分类实现检测人体跌倒，作者还使用了一种端对端的方法去自动检测人体是否摔倒。
该方法是使用CNN模型，自动从占用网格中提取特征，并检测人体是否摔倒。
然而，CNN模型需要固定长度的输入，点云不能直接作为输入数据。
所以，作者将点云数据的帧转换为固定大小的矩阵（这就是前面说到的占用网格），然后将其作为CNN模型的输入。