IWR6843毫米波雷达 人员检测 论文阅读
文章目录
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。
手动提取的特征并应用于分类器
作者从每帧中手动提取29个特征。这些特征用于训练SVM，MLP，KNN，RF四种不同的分类器。
对数据集进行预处理
数据被可视化、清洗、标记、同步。在清洗环节中，在房间边界之外的点会被移除。
结果
实验2的分类器结果（雷达传感器安装在房间顶部）
在试验2中，CNN（卷积神经网络）和RF（随机森林）在分类器中的表现最好。
实验1的分类器结果（雷达传感器安装在侧壁上）
得出结论，与侧壁位置相比，在雷达头顶位置的数据上的分类表现略好。
结果表明，训练后的模型使用手动提取的特征或占用网格准确地检测到人体跌倒。
对使用雷达识别电力线的启发
1.雷达的位置对识别效果有影响，我们在识别电力线的时候，可以尝试在多个方位安装雷达采集数据并比较数据的识别效果
2.学习这种基于帧处理的方法，每次只使用生成的点云的一帧来执行分类，该方法适用于在嵌入式设备中处理雷达数据
3.雷达数据可以转换成多种类型的图，如：雷达信号的距离-速度图、距离-水平角图、距离-垂直角图，微多普勒频谱图等。多数情况下，都是把雷达数据转化为多普勒频谱图来进行处理。我们在处理雷达数据时，可以把雷达数据转换成多种类型的图，分别处理这些图来实现我们对电力线的检测。
3.点云的处理，我们可以使用固定大小的网格矩阵来表示点云，然后利用CNN来自足无监督的学习分类雷达数据。
4.结合多个传感器，融合多个传感器的数据，可以提高识别的准确度。
