基于毫米波雷達的艙內兒童遺留檢測系統設計和驗證

祁淼

摘 要：為了保護兒童避免被單獨遺留在艙內，提出了基于毫米波雷達的傳感器的檢測方法。本方法采集毫米波多普勒效應產生的時域和頻域信息，在LC-KSVD算法中加入主成分分析和隨機森林的降維方法提取特征，對特征最組合。將組合的特征用SVM做分類，區分出存在和不存在兒童的場景。實驗部分根據用車習慣，收集設計了正樣本的采集和負樣本的采集。實驗表明，與同類的研究相比，本方法有更好的環境適應性可以避免相機等傳統方法的局限性。

關鍵詞：毫米波雷達 LC-KSVD算法 兒童檢測 SVM分類

Design and Verification of In-cabin Child Legacy Detection System Based on Millimeter-wave Radar

Qi Miao

Abstract：In order to protect children from being left alone in the cabin， a sensor detection method based on millimeter wave radar is proposed. This method collects the time-domain and frequency-domain information generated by the millimeter wave Doppler effect， 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 classified 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 classification

1 前言

汽車是許多家庭的標配，最近幾年車輛設計的趨勢之一是大天窗裝在越來越多的車型上，2022年銷量前十的車型[1]中除了五菱宏光MINIEV外都配有天窗，其中半數配置了全景天窗。如果車輛暴露在陽光下，更多的熱量通過天窗傳遞到艙內，在密閉環境中熱量聚集使艙內溫度快速上升。幼兒被遺留在無人看管的車汽車里幾分鐘可能導致中暑和死亡。大多數父母相信自己永遠不會忘記坐在后座上的孩子。現實情況是在過去的15年中美國有1000名兒童在車上因為過熱去世，其中超過88%的幼兒小于3個月[2]。

常見的活體檢測手段為視覺，文強[3]等人通過圖像的幾何形態學關系區分成年人和兒童（<6歲）的臉部特征。公妍蘇[4]等人利用樹莓派作為計算平臺開發基于Adaptive Boosting的兒童車內遺留檢測系統。但是，大多數嬰兒座椅會配置遮陽簾，導致嬰兒大多數特征無法被攝像頭捕捉，造成漏報。而且艙內過多的布置攝像頭也會引起用戶的反感。董啟迪[5]等人讀取車上壓力傳感器的數值推測大人和孩子，結合車門開關等信息實現遺留檢測。0-6歲的孩子成長快，體重分布區間規律性不強，存在較大的誤報風險。本文采用基于毫米波雷達的技術方案，利用多普勒效應檢測車內的運動情況，通過空間定位過濾車外的和非成員區間的運動，利用人體運動時頻過濾出人體的運動。從而檢驗車內存在的生命體，當發現疑似生命體被遺留在車內時發出報警。通過技術的手段避免類似悲劇的發生。毫米波雷達有可穿透性和不涉及隱私等特點[6，7]。

2 信號模型和時頻分析

2.1 多普勒效應和信號模型

FMCW調頻連續波雷達達采用相位差的原理獲取目標距離，傳輸信號頻率隨時間變化呈線性，對每一掃頻段，通過將發射信號與接收信號進行混頻獲得回波差拍信號，差拍信號包含目標的距離和徑向速度信息，利用上、下掃頻段差拍信號頻譜對稱的性質，得到目標的距離和速度參數。雷達發射出的載波頻率為fc的波形S（t）可以表示為：

進一步的，運動目標的散射點的回波為：

Sp（t）=Ap（t）exp（j2πc[t-]）

其中，Ap表示在t時刻的回波信號幅度值，c為正空下光的速度，rp（t）表示雷達與目標的距離差。由此推導出，回波信號與發射信號的相位差為：

對t時刻微分求導，獲得本散射點對應的多普勒頻移fD：

D=

由上述可以得到，多普勒頻移與目標的運動狀態成正相關，微多普勒信息可以作為動作的特征。

2.2 基于短時傅里葉變化的時域分析

人體在靜止（典型場景為睡眠）時，呼吸導致的胸腔起伏的回波信號隨時間變化，在一段時間內具有周期性，每個周期都是由多種頻譜組裝成，可以用傅里葉變化進行頻譜分析。人體在運動時則存在相反，存在時域和頻域的雙重變化，需要將時域和頻域作為一個整體進行分析［8，9］，將多普勒頻移轉換為時頻圖。

常用的時頻分析方法有短時傅里葉變換（STFT）[10]和小波變換，采用較STFT時頻分析方法可以有效避免分析時的交叉項干擾，進而減少計算復雜度。通過對原始信號加時間窗并沿著時間軸移動窗函數，將非平穩信號在一個極短的時間內看成是平穩信號，實現了非平穩信號轉化成多個短時平穩信號進行疊加處理，在此基礎上便可以采用傅里葉變換對每個短時平穩信號進行分析，得到頻率隨時間變化的時頻函數。假設原始非平穩信號為h（t），則短時傅里葉變換定義為：

STFF（m，n）=h（k）w（kT-mT）e-j2π（ns）k

其中，H（k）為信號h（t）的離散表達，m和n為采樣時間和采樣頻率，w為窗函數，T為采樣的間隔時間，fs為頻率的采樣間隔。

2.3 基于多維度的機器學習特征提取方案

K-SVD算法[11]一般用于信號的重構，但是沒有解決分類和識別問題，在此基礎上，LC-KSVD[12，13]算法被提出來。該算法通過系數約束方差和分類器參數的選擇使得分類的過程被強化。采用LC-KSVD算法可以優化求解。為了在車內的運動中挖掘出呼吸或肢體運動的頻域/時域特征，得到更加有辨識度的特征，對LC-KSVD算法進行拓展。用兩種特征描述手段對進行維度下降計算。使用主成分分析方法提取頻率部分的特征，提取m個主要成分特征，降維度到m維度的向量；采用隨機森林方法[14]提取頻率中的隨機特征，獲取的維度為n，將兩個降維后的數據進行融合獲得m+n維度的向量，用svm方法[15]對分類的結果進行學習，獲取最好的分類方式。特征提取的流程如下：

2.4 人體運動數據集構建

生命體在艙內的形態可以劃分為靜止（如睡覺）和運動，當生命體靜止時，存在呼吸帶來的胸腔起伏；當生命體運動時，則有明顯的肢體運動。通過捕捉生命體的運動特征，可以判斷出生命體的存在。

使用雷達分別捕捉人體的姿態。設計幀時間長度為Nf的FIFO滑動幀窗，將雷達的單幀數據依次放入滑動窗口中，當窗口被填滿時，先進入的一幀被剔除，最后生成一幀數據插入隊列尾部。設定單幀內頻域和時域的閾值，對連續幀做判定，實現滑動幀窗內的特征判定，然后保存當前幀窗內的特征分布。4個數據通道獲得的白噪聲是呈隨機分布的，通過對多通道非相干疊加權來抑制距離與多普勒特征的背景噪聲，提高運動的信噪比。對8名志愿者孩子進行數據采集，其身體數據如下表（呼吸頻率為人工測量）。

通過數據采集獲取100組，共計40134幀數據。利用相同的單通道CNN方法進行訓練和測試，訓練測試比為6：4。對Nf分別取5幀，6幀，8幀，10幀，13幀和17幀。準確率對比如表1所示，可以看出識別率隨著Nf先升后降。從呼吸角度考慮，由于一個完成的呼吸時間主要分布在2-3s之間，10幀連續數據基本覆蓋一個呼吸周期。過短的周期會導致對環境白噪音的誤識別，過長的的周期會加入過擬合。從運動角度，車艙內空間小，無法展開劇烈運動，以1s～2s為窗口可以將人體的不規則運動拆分為一個個簡單的運動，對這些運動片段進行特征捕捉，本算法中選擇10幀的時間長度作為表征。

3 系統設計

3.1 總體架構

根據生命探探測對系統的要求，構建如下系統，系統分為軟件和硬件兩部分。硬件部分為雷達芯片，電源，時鐘，看門狗，CAN通訊模塊。雷達采用AIR設計，將天線封裝在芯片內部，不需要單獨設計。軟件包括雷達和通訊底層驅動，STFT時頻分析算法等。

3.2 系統硬件設計

硬件使用加特蘭微電子的Alps雷達（Rhine），芯片上集成了內置天線，包含4個發射通道和4個接收通道，支持水平和俯仰探測，工作在60～64GHz。片上設有豐富的外部接口，如CAN，CANFD，I2C等。通過配置字，設置可用的工作性能為：距離分辨率可達5mm，最大觀測距離為2.5m，最大角視場為85°。

3.3 系統軟件設計

通過軟件控制系統運行和輸出探測結果，使用Rhine-Mini_Software_Firmware和Rhine-Mini_Software_Tool進行開發。通過microUSB（ universal serial bus）進行硬件設備與上位機的通信交互，將雷達參數配置程序發送到DSP中。向雷達寫入配置字，啟動四發四收模式，工作頻率為60GHz，工作帶寬為4GHz，三角周期脈沖，脈沖周期為87.31μs，采樣次數為128，采樣速率為6558kSPS；每幀包含13場脈沖，單幀周期1000ms。為了便于調試，將帶時間戳的雷達原始數包據傳至上位機。經過解析后獲得每一幀中的徑向速度和回波強度。

4 實驗驗證和性能分析

實驗過程中讓每個孩子單獨在車內的后排。其中一歲以下的孩子放置在反向安裝的安全座椅中，把座椅的遮陽簾放下，一個孩子蓋夏天的輕薄毯子，一個孩子正常穿衣。一歲孩子放置在正向安裝的安全座椅中，也分別蓋小毯子和僅穿衣服。兩歲孩子和三歲兒童正常坐在車內，引導他們安靜的看手機和自由發揮做肢體運動。設置負面對照實驗，在無人的車內放置礦泉水、掛件，然后搖晃車輛用雷達記錄數據。圖2是各種情況下的降維特征。

采集數據后，對數據打標簽，分類存儲。分別使用LC-KSVD算法、K-SVD算法，單獨使用PCA降維，以及單獨使用隨機森林方法降維的方法提取特征的LC-KSVD算法對數據集進行訓練，獲取的識別率如表3。

通過表可以看出進行在識別車內兒童方面，使用LC-KSVD算法要優于傳統的K-SVD算法，加入特征提取和降維方式后，識別效果更加明顯。

5 結論

提出一種基于毫米波雷達的兒童遺留檢測算法，該算法采用LC-KSVD算法捕捉兒童的行為特征，實驗表明：1、毫米波雷達可以在有障礙的情況下捕捉到人類的行為特征；2、實驗中使用了不同的年齡段的孩子，且按照實際情況布置了安全座椅，接近現實情況，說明算法具有魯棒性；3、基于毫米波雷達的艙內雷達有實際的研發意義和使用場合，值得繼續深挖。

參考文獻：

[1]2022年中國汽車銷量排行 https：//www.dongchedi.com/sales/sale-x-1000-x-x-x-x.

[2]https：//www.kidsandcars.org/2019/02/27/dangers-of-hot-cars/.

[3]文強，張銣鈁. 基于人臉識別的預防兒童誤鎖車內報警系統設計研究[J]. 計算機產品與流通，2019（3）：1.

[4]公妍蘇，趙宏. 基于樹莓派的避免兒童誤鎖車內報警系統的設計[J]. 科學技術創新，2020（11）：2.

[5]董啟迪. 基于Arduino的兒童誤鎖車內報警與自救裝置設計[J]. 軟件：電子版，2018.

[6]Nanzer J A，Popova E，Rogers R L . Analysis of the detection modes of a human presence detection millimeter-wave radiometer[C]// Antennas and Propagation Society 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]俞悅. 基于時頻分析的雷達目標識別技術研究[D]. 南京理工大學.

[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]楊超，李波，胡緒權，等. 基于解析插值離散時間傅里葉變換的精確頻率估計[J]. 電工技術學報，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.