1.一种基于多特征融合的毫米波雷达人体跌倒检测方法,其特征在于,包括以下步骤:
S1.数据采集与预处理:从各雷达获取含距离、速度、反射强度的原始点云帧,进行时间戳校准与空间坐标系转换;对每帧点云执行噪声滤波、地面分割及人体点云提取,得到干净数据;
S2.动态聚类:基于自适应邻域半径的密度聚类算法,将预处理后点云分为静态簇与动态簇;
S3.多径虚假簇过滤:利用时序特征和多雷达融合信息,过滤由多径反射引起的虚假动态簇;
S4.时序跟踪:提取剩余动态簇集合,采用跟踪算法对人体动态簇在连续帧中进行标识与跟踪,确保特征计算的连续性;
S5.时序特征提取:从跟踪的人体簇中,提取校正后的质心高度、速度、加速度及事件持续时间作为时序特征;
S6.深度时序模型处理:将时序特征输入预训练的深度时序网络,学习跌倒时序依赖关系,输出异常指标;
S7.姿态数据融合:结合视觉设备获取的骨骼关键点及姿态角度,与异常指标进行多源融合,得到综合指标;
S8.跌倒报警判定与输出:根据综合指标判断是否触发报警,若触发则发送提醒并记录相关信息。
2.根据权利要求1所述的方法,其特征在于,步骤S1中,原始点云帧的时间戳校准实现多雷达数据的时间同步;空间坐标系转换通过旋转矩阵和平移向量将各雷达点云统一至世界坐标系。
3.根据权利要求1所述的方法,其特征在于,步骤S1中,噪声滤波用于去除点云中的离群噪声点;地面分割采用随机采样一致性算法拟合地面平面方程,剔除距离平面小于阈值的地面点。
4.根据权利要求1所述的方法,其特征在于,步骤S2中,自适应邻域半径的确定方式为:计算每个点到其第k最近邻点的距离集合的平均值,将该平均值与系数α相乘;静态簇与动态簇通过簇内点的平均速度与速度阈值比较区分,平均速度小于阈值的为静态簇,反之为动态簇。
5.根据权利要求1所述的方法,其特征在于,步骤S3中,过滤虚假簇的方式包括:剔除近帧内出现次数少于设定值的簇;剔除仅在单一雷达中出现的簇;剔除反射强度时序标准差超出人体簇正常范围的簇。
6.根据权利要求1所述的方法,其特征在于,步骤S4中,所述跟踪算法为卡尔曼滤波器,跟踪器状态量包括人体簇质心的三维坐标及三维速度;通过新帧中簇与上一帧跟踪器预测位置的欧氏距离与匹配阈值比较实现目标关联,连续帧无关联则结束该目标跟踪。
7.根据权利要求1所述的方法,其特征在于,步骤S5中,质心高度的校正通过质心坐标与地面原点坐标的差值向量和地面单位法向量的点积计算得到;提取的时序特征包括跌倒下坠阶段时长,其中下坠阶段通过速度小于且持续≥帧判定,触地时刻通过速度小于且质心高度低于站立高度阈值判定。
8.根据权利要求1所述的方法,其特征在于,步骤S6中,所述深度时序网络为双向LSTM网络,输入为包含归一化后的质心高度、速度、加速度、身体倾斜角度及水平移动方向向量的时序窗口特征矩阵,输出的异常指标为跌倒异常概率。
9.根据权利要求1所述的方法,其特征在于,步骤S7中,视觉设备为RGB摄像头,通过MediaPipe获取人体3D骨骼关键点;姿态角度包括基于肩部与髋部中心向量计算的身体倾斜角,以及双膝高度差;融合方式为将视觉姿态得到的跌倒倾向分数与异常指标进行加权求和,得到综合指标。
10.根据权利要求1所述的方法,其特征在于,硬件部署时,室内空间布置2-3台毫米波雷达,雷达间覆盖面积重叠15%-30%,安装高度为1.2m-1.5m,呈等边三角形或倒“T”形放置,且各雷达经坐标标定转换至世界坐标系。