[go: up one dir, main page]

CN115601925A - 跌倒检测系统 - Google Patents

跌倒检测系统 Download PDF

Info

Publication number
CN115601925A
CN115601925A CN202211462211.8A CN202211462211A CN115601925A CN 115601925 A CN115601925 A CN 115601925A CN 202211462211 A CN202211462211 A CN 202211462211A CN 115601925 A CN115601925 A CN 115601925A
Authority
CN
China
Prior art keywords
module
clustering
signal
point cloud
voice
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211462211.8A
Other languages
English (en)
Other versions
CN115601925B (zh
Inventor
高军峰
李济涵
张冰洋
向杰
付君雅
曹书琪
黄龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN202211462211.8A priority Critical patent/CN115601925B/zh
Publication of CN115601925A publication Critical patent/CN115601925A/zh
Application granted granted Critical
Publication of CN115601925B publication Critical patent/CN115601925B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/886—Radar or analogous systems specially adapted for specific applications for alarm systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems
    • G10L15/34—Adaptation of a single recogniser for parallel processing, e.g. by use of multiple processors or cloud computing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Social Psychology (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Psychology (AREA)
  • Psychiatry (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种跌倒检测系统，包括：姿态雷达及云端；姿态雷达，包括单片机、语音模块及跌倒检测模块；跌倒检测模块用于判断检测对象是否跌倒，并发送跌倒触发信号至单片机；单片机用于发送语音驱动信号至语音模块；语音模块，用于接收所述语音驱动信号并输出语音信号，根据所述语音信号获取环境音频信号；单片机用于获取所述环境音频信号，将环境音频信号存储于flash内存区，并通过WIFI模组以http协议将存储于flash内存区中的环境音频信号发送至云端；云端用于获取环境音频信号，基于机器学习算法模型对所述环境音频信号进行语音识别，并将识别结果发送至监护平台、及驱动急救呼叫软件。因此简化操作步骤，节省时间，提升识别精度。

Description

跌倒检测系统
技术领域
本发明涉及生物雷达领域，具体是涉及一种跌倒检测系统。
背景技术
由于穿戴式雷达需经常充电，穿戴不便，老人们也不喜欢经常穿戴电子设备，穿戴式的设备已被逐渐淘汰；目前主流的非穿戴式生理监测设备包括三大类：视频摄像、红外照相机和生物雷达。摄像头很容易让老人及其家属担心隐私泄露，所以老人们一般不喜欢安装视频摄像头，且摄像头容易因家里物品摆放使得监测距离受限；红外摄像头受到的干扰比较大，在浴室等老人跌倒易发地很难发挥其作用，监测准确率也因此比较低；而生物雷达没有任何隐私问题，且无需充电、干预和人工管理，体积较小，安装简易方便。
生物雷达克服了目前各种穿戴式和非穿戴式设备的不足，将广泛应用于养老市场。目前生物跌倒雷达按用途分为姿态雷达、呼吸心率雷达和路径雷达三种，它们都安装在房间的不同的位置。其中，姿态雷达主要用于识别场景中的人体姿势，如站姿、坐姿、跌倒等，其中跌倒的判别尤为重要；由于在姿态判别方面受多种因素影响，语音识别会经常被误触发，同时在语音识别时还会经常对语音进行编码而导致操作复杂，语音精度识别度不高。
发明内容
本发明的目的是为了克服上述背景技术的不足，提供一种跌倒检测系统，简化操作步骤，节省时间，提升识别精度。
第一方面，提供一种跌倒检测系统，包括：
姿态雷达及云端；
所述姿态雷达，包括与所述云端通信连接的单片机，与所述单片机通信连接的语音模块，及与所述单片机通信连接的跌倒检测模块；
所述跌倒检测模块，用于判断检测对象是否跌倒，并发送跌倒触发信号至单片机；
所述单片机，用于接收所述跌倒触发信号，并发送语音驱动信号至语音模块；
所述语音模块，用于接收所述语音驱动信号并输出语音信号，根据所述语音信号获取环境音频信号；
所述单片机，用于获取所述环境音频信号，将所述环境音频信号存储于flash内存区，并通过WIFI模组以http协议将存储于flash内存区中的环境音频信号发送至云端；
所述云端，用于获取环境音频信号，基于机器学习算法模型对所述环境音频信号进行语音识别，并将识别结果发送至监护平台、及驱动急救呼叫软件。
根据第一方面，在第一方面的第一种可能的实现方式中，所述云端用于，
当识别结果为检测对象跌倒，则将识别结果发送至监护平台、及驱动急救呼叫软件；
当识别出的环境音频信号中不包括检测对象声音或识别结果为检测对象未跌倒时，则通过所述单片机发送语音驱动信息至语音模块，并对再次接收到语音模块发出的环境音频信号进行语音识别；
当再次识别出的环境音频信号中不包括检测对象声音时，则将识别结果发送至监护平台、及驱动急救呼叫软件；
当再次识别结果为检测对象未跌倒时，则判断为误报、并将识别结果发送至监护平台。
根据第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述跌倒检测模块包括：
采样信号模块，用于获取检测对象的采样信号；
点云数据获取模块，与所述采样信号模块通信连接，用于将所述采样信号进行三维傅里叶变换，并对三维傅里叶变换后的采样信息进行点云运算获取点云数据；
过滤模块，与所述点云数据获取模块通信连接，用于对所述点云数据进行恒虚预警处理，并对恒虚预警处理后的点云数据进行多普勒过滤；
聚类模块，与所述过滤模块通信连接，用于对多普勒过滤后的点云数据进行聚类处理，获取最终聚类结果；
跟踪匹配模块，与所述聚类模块通信连接，用于对所述最终聚类结果进行跟踪匹配处理，获取检测对象的姿态高度；以及，
判断模块，与所述跟踪匹配模块通信连接，用于当检测到所述姿态高度小于预设高度阈值时，则判断检测对象跌倒。
根据第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述采样信号模块用于，
发射调频信号和接收调频信号发射至检测对象后反射回的信号；
将调频信号与反射回的信号进行合并，获取中频信号；
对所述中频信号进行模拟数字转换采样，获取检测对象的采样信号。
根据第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，所述点云数据获取模块用于，
三维傅里叶包括：距离维傅里叶、多普勒傅里叶、角度维傅里叶；
基于距离维傅里叶，获取跌倒检测模块与检测对象之间的距离d为：d = f*c*T/2B；
基于多普勒傅里叶，获取检测对象的速度V为：
Figure 169293DEST_PATH_IMAGE001
；
基于角度维傅里叶，获取检测对象的方位角θ为：
Figure 61332DEST_PATH_IMAGE002
式中，f为中频信号频率；c为光速；T为扫频周期；B为带宽；λ为波长；ω为发射的两个调频信号在同一位置的相位差；Tc为发射的两个调频信号的间隔时间。
根据第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，所述过滤模块用于，
选取点云数据中的任一点云单元为检测单元，所述检测单元的周边点云单元为参考单元；
将所述参考单元按照预设分配条件分配至目标集合，并获取目标集合中的参考单元数量；
根据如下公式，判断检测单元中是否存在采样信号；
Figure 513173DEST_PATH_IMAGE003
；
其中，
Figure 767437DEST_PATH_IMAGE004
；
当判断出检测单元中存在采样信号，则对选取的检测单元进行保留，否则消除选取的检测单元；
在点云数据中，删除多普勒速度为0的点云数据；
式中，
Figure 112968DEST_PATH_IMAGE005
为门限参数，
Figure 325643DEST_PATH_IMAGE006
为整数门限，
Figure 795939DEST_PATH_IMAGE007
为集合
Figure 181790DEST_PATH_IMAGE008
中参考单元采样个数，
Figure 381827DEST_PATH_IMAGE009
分别为前、后沿参考滑窗的第k个有序样本，k=1,2,…,N。
根据第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，所述聚类模块用于，
将多普勒过滤后的点云数据进行坐标转换；
基于大阈值DBSCAN对坐标转换后的点云数据进行聚类，将未聚类成功的点云数据删除；
基于小阈值DBSCAN对剩余的点云数据进行聚类，判断聚类结果是否为检测对象，并将判断为检测对象的聚类结果放至结果队列中；
获取结果队列中前10帧聚类结果的众数；
当判断出结果队列中的聚类结果的数量超过前10帧聚类结果的众数时，基于K-means聚类和高斯混合模型聚类分别对未超过前10帧聚类结果的众数的聚类结果进行聚类；
当检测到经过K-means聚类后的聚类结果的数值与经过高斯混合模型聚类后的聚类结果数值均大于预设数值时，则选取这两种聚类结果数值中的最大数值聚类结果放至结果队列中，结果队列中的聚类结果为最终聚类结果。
根据第一方面的第六种可能的实现方式，在第一方面的第七种可能的实现方式中，所述跟踪匹配模块用于，
基于卡尔曼粒子滤波预测最终聚类结果的下一帧点云数据；
根据最终聚类结果与下一帧点云数据，获取代价矩阵
Figure 516136DEST_PATH_IMAGE010
，并对所述代价矩阵进 行补齐；
基于匈牙利算法对补齐后的代价矩阵进行匹配计算，获取检测对象的姿态高度h为：
Figure 460346DEST_PATH_IMAGE011
；
其中，
Figure 728516DEST_PATH_IMAGE012
；
Figure 455164DEST_PATH_IMAGE013
；
式中，s是最终聚类结果与当前帧点云数据之间的距离；
Figure 275221DEST_PATH_IMAGE014
是吸收损耗率；
Figure 454530DEST_PATH_IMAGE015
是 干燥情况下的衰减；
Figure 916604DEST_PATH_IMAGE016
是湿度情况下的衰减；f是波的频率；
Figure 763337DEST_PATH_IMAGE017
是频率相关的复合折 射率虚部。
与现有技术相比，本发明首先获取检测对象的采样信号；在姿态雷达判断跌倒时，触发智能语音模块，即语音模块平时不工作，只有在雷达模块跌倒时触发语音模块时，语音模块才会启动采集场景语音，大大降低了语音模块的功耗。同时，单片机通过I2S协议驱动ADC对声音采集模块进行采集后不进行任何编码操作，避免了很多复杂的数据操作，以节省更多的时间，直接将数据存储于flash内存区，发送音频数据时也不采用I2S流常用的DAC的方式，而是通过WIFI模组以http协议将语音发送至云端，运用机器学习算法模型进行在线解码识别。
附图说明
图1是本发明一实施例提供的一种跌倒检测系统的结构示意图；
图2是本发明一实施例提供的一种跌倒检测模块的结构示意图。
附图说明：
10、跌倒检测系统；100、姿态雷达；110、跌倒检测模块；111、采样信号模块；112、点云数据获取模块；113、过滤模块；114、聚类模块；115、跟踪匹配模块；116、判断模块；120、单元机；130、语音模块；200、云端。
具体实施方式
现在将详细参照本发明的具体实施例，在附图中例示了本发明的例子。尽管将结合具体实施例描述本发明，但将理解，不是想要将本发明限于所述的实施例。相反，想要覆盖由所附权利要求限定的在本发明的精神和范围内包括的变更、修改和等价物。应注意，这里描述的方法步骤都可以由任何功能块或功能布置来实现，且任何功能块或功能布置可被实现为物理实体或逻辑实体、或者两者的组合。
为了使本领域技术人员更好地理解本发明，下面结合附图和具体实施方式对本发明作进一步详细说明。
注意：接下来要介绍的示例仅是一个具体的例子，而不作为限制本发明的实施例必须为如下具体的步骤、数值、条件、数据、顺序等等。本领域技术人员可以通过阅读本说明书来运用本发明的构思来构造本说明书中未提到的更多实施例。
参见图1所示，本发明还提供了一种跌倒检测系统10，包括：
姿态雷达100及云端200；
姿态雷达100，包括与所述云端200通信连接的单片机120、与所述单片机120通信连接的语音模块130、及与所述单片机120通信连接的如上述所述的跌倒检测模块110；
所述跌倒检测模块110，用于判断检测对象是否跌倒，并发送跌倒触发信号至单片机120；
所述单片机120，用于接收所述跌倒触发信号，并发送语音驱动信号至语音模块130；
所述语音模块130，用于接收所述语音驱动信号并输出语音信号，根据所述语音信号获取环境音频信号；
所述单片机120，用于获取所述环境音频信号，将所述环境音频信号存储于flash内存区，并通过WIFI模组以http协议将存储于flash内存区中的环境音频信号发送至云端200；
所述云端200，用于获取环境音频信号，基于机器学习算法模型对所述环境音频信号进行语音识别，并将识别结果发送至监护平台、及驱动急救呼叫软件。
具体的，本实施例中，在姿态雷达判断跌倒时，触发智能语音模块，通过与跌倒人员的对话进行判断。其优势在于，相对现有姿态雷达技术，无疑可以提高跌倒判断的准确率，大大降低因误报而占用社会急救资源的概率，同时语音模块平时不工作，只有在雷达模块跌倒时触发语音模块时，语音模块才会启动采集场景语音，大大降低了语音模块的功耗。而很多传统智能语音模块都是随时等待从场景接收模块，耗电很大。本技术将姿态雷达与智能语音技术进行结合，并非简单的融合，而是将雷达相关信息输入语音模块，包括触发信号，语音数据。目前市场上常见的语音模块大多为离线模式，更新迭代不方便，语音智能识别准确率市场也受到应用场景不同，播报人口音等诸多因素，采用原有训练出的算法模型难以完全适应各种场合。本产品设计开发的是在线智能识别的语音模块，前端采集到声音后通过ESP32的WIFI模组将语音信息以及跌倒人员的三维坐标信息上传至云端。云端拥有机器学习算法模型，首先对声音进行软件滤波去噪，然后结合上述雷达输入的动态信息，动态智能识别语音信息，模型经过优化能够在短时间内快速识别出结果，并回传给语音模块进行播报。
ESP32通过I2S协议驱动ADC（模拟数字转换器）对声音采集模块MAX9814进行采集后不进行任何编码操作，避免了很多复杂的数据操作，以节省更多的时间，直接将数据存储于flash内存区，发送音频数据时也不采用I2S流常用的DAC的方式，而是通过WIFI模组以http协议将语音发送至云端，运用机器学习算法模型进行在线解码识别。
优选地，在本申请另外的实施例中，所述云端200用于，
当识别结果为检测对象跌倒，则将识别结果发送至监护平台、及驱动急救呼叫软件；
当识别出的环境音频信号中不包括检测对象声音或识别结果为检测对象未跌倒时，则通过所述单片机发送语音驱动信息至语音模块，并对再次接收到语音模块发出的环境音频信号进行语音识别；
当再次识别出的环境音频信号中不包括检测对象声音时，则将识别结果发送至监护平台、及驱动急救呼叫软件；
当再次识别结果为检测对象未跌倒时，则判断为误报、并将识别结果发送至监护平台。
具体的，本实施例中，当姿态雷达监测到老人跌倒后，向ESP32单片机发送跌倒触发信号，即一个高电平。ESP32通过IO中断检测高电平，便驱动语音模块发起询问:“请问您是否跌倒”，询问后语音模块开始采集20s的语音。
随后，ESP32通过I2S协议驱动ADC（模拟数字转换器）对声音采集模块MAX9814进行采集后不进行任何编码操作，直接将数据存储于flash内存区，发送音频数据时通过WIFI模组以http协议将语音发送至云端，运用机器学习算法模型进行在线解码识别。
如果识别结果为老人出现异常情况，云端则将异常情况上传监护平台，并驱动急救呼叫软件拨打120急救电话。由于用户在使用前，可以通过语音或文本的形式录入个人基本信息，如家庭住址、老人姓名、年龄、既往病史等，云端语音系统已提前将语音信息合成，可以准确、清晰的向急救人员转达患者位置、当前位置等情况，以争取更多的救援时间，给独居的老人也多一份保障。同时，语音模块根据云端返回的文本指令，判断出老人是否跌倒，如果云端识别结果为没有跌倒或检测不到有效信息（如果老人跌倒情况严重已经说不出话的时候，现场检测不到人声，只能检测到周围环境声的时候，我们就把他判定为检测不到有效信息），均会触发语音模块进行二次问询，重复上述操作。如若识别的语音结果再次为没有跌倒，则系统判定为误报。如若系统识别的语音结果为检测不到有效信息，且接收到姿态雷达的跌倒触发信号的情况下，则系统判定为老人跌倒情况严重，可能丧失求救能力将直接触发应急预案，即上报呼叫平台以及通知120急救人员。此类机制不仅可以大大降低因姿态雷达判别准确率不足而发生误打120急救电话，误传机构医护人员的而占用过多社会资源的情况，而且还可以为老人的救援争取更多的时间。
反之，如果初次返回文本指令为老人发生跌倒行为，语音模块随即播报：“我们已经为您联系救援人员，请安心等待，不要轻易移动哦，以免造成二次伤害，我们与你同在”。具体语音文本可修改，主要目的是为安抚受伤的老人，让其有耐心等待救援人员。
参见图2所示，所述跌倒检测模块110包括：采样信号模块111、点云数据获取模块112、过滤模块113、聚类模块114、跟踪匹配模块115、判断模块116；
采样信号模块111，用于获取检测对象的采样信号；
点云数据获取模块112，与所述采样信号模块111通信连接，用于将所述采样信号进行三维傅里叶变换，并对三维傅里叶变换后的采样信息进行点云运算获取点云数据；
过滤模块113，与所述点云数据获取模块112通信连接，用于对所述点云数据进行恒虚预警处理，并对恒虚预警处理后的点云数据进行多普勒过滤；
聚类模块114，与所述过滤模块113通信连接，用于对多普勒过滤后的点云数据进行聚类处理，获取最终聚类结果；
跟踪匹配模块115，与所述聚类模块114通信连接，用于对所述最终聚类结果进行跟踪匹配处理，获取检测对象的姿态高度；以及，
判断模块116，与所述跟踪匹配模块115通信连接，用于当检测到所述姿态高度小于预设高度阈值时，则判断检测对象跌倒。
设定检测对象高度的三分之一作为预设高度阈值，当检测对象当前的姿态高度低于预设高度阈值时发出跌倒预警。
具体的，本实施例中，姿态雷达主要用于识别场景中的人体姿势，如站姿、坐姿、跌倒等，其中跌倒的判别尤为重；由于在姿态判别方面受多种因素影响，目前所有生物雷达的识别精度都不高，雷达的误判可能会带来很大的麻烦；为了提升雷达姿态判别精度，本发明首先获取检测对象的采样信号；再将所述采样信号进行三维傅里叶变换，并对三维傅里叶变换后的采样信息进行点云运算获取点云数据；再对所述点云数据进行恒虚预警处理，并对恒虚预警处理后的点云数据进行多普勒过滤；再对多普勒过滤后的点云数据进行聚类处理，获取最终聚类结果；再对所述最终聚类结果进行跟踪匹配处理，获取检测对象的姿态高度；最后当检测到所述姿态高度小于预设高度阈值时，则判断检测对象跌倒；通过上述对检测对象的一系列操作，可提升雷达姿态判别精度。
优选地，在本申请另外的实施例中，所述采样信号模块111用于，
发射调频信号和接收调频信号发射至检测对象后反射回的信号；
将调频信号与反射回的信号进行合并，获取中频信号；
对所述中频信号进行模拟数字转换采样，获取检测对象的采样信号。
具体的，本实施例中，FMCW毫米波雷达，天线作为收发器，实现电能和电磁波的转换。TX（发射）天线连续发射调频信号，根据物体表面类型和形状，部分电磁波反射回雷达RX（接收）天线。混频器将TX和RX信号合并在一起，生成一个IF（中频）信号，此中频信号的频率是TX与RX的频率差值，初始相位是在当前时刻的相位差值；再将中频信号进行ADC模拟数字转换采样，获取检测对象的采样信号。
优选地，在本申请另外的实施例中，所述点云数据获取模块112用于，
三维傅里叶包括：距离维傅里叶、多普勒傅里叶、角度维傅里叶；
基于距离维傅里叶，获取跌倒检测模块与检测对象之间的距离d为：d = f*c*T/2B；
具体为，由于毫米波雷达与检测对象之间有一定的距离，从信号发射到接收，这个距离就产生了接受时间的插值t = 2d/c，中频信号频率为f = s*t，s为信号的斜率，s =B/T，在由t = 2d/c，f = s*t, s =B/T可得出d；
基于多普勒傅里叶，获取检测对象的速度V为：
Figure 364083DEST_PATH_IMAGE001
；
基于角度维傅里叶，获取检测对象的方位角θ为：
Figure 545534DEST_PATH_IMAGE018
式中，f为中频信号频率；c为光速；T为扫频周期；B为带宽；λ为波长；ω为发射的两个调频信号在同一位置的相位差；Tc为发射的两个调频信号的间隔时间。
优选地，在本申请另外的实施例中，所述过滤模块113用于，
选取点云数据中的任一点云单元为检测单元，所述检测单元的周边点云单元为参考单元；
将所述参考单元按照预设分配条件分配至目标集合，并获取目标集合中的参考单元数量；
根据如下公式，判断检测单元中是否存在采样信号；
Figure 765294DEST_PATH_IMAGE003
；
其中，
Figure 453152DEST_PATH_IMAGE004
；
当判断出检测单元中存在采样信号，则对选取的检测单元进行保留，否则消除选取的检测单元；
在点云数据中，删除多普勒速度为0的点云数据；
式中，
Figure 755957DEST_PATH_IMAGE005
为门限参数，
Figure 644279DEST_PATH_IMAGE006
为整数门限，
Figure 979314DEST_PATH_IMAGE007
为集合
Figure 472744DEST_PATH_IMAGE008
中参考单元采样个数，
Figure 867822DEST_PATH_IMAGE009
分别为前、后沿参考滑窗的第k个有序样本，k=1,2,…,N。
具体的，本实施例中，将2N个参考单元采样分至两个集合中，当判断参考单元中的数据与αZ（Z为检测单元采样，α＜1是标称因子）乘积之间的大小关系，当参考单元中的数据小于αZ乘积，则按照此预设分配条件分配至目标集合；同时判断出检测单元中是否存在采样信号，以此来保证雷达检测的稳定性和可靠性。
将数据中多普勒速度为0的点云删除(由于毫米波雷达的多普勒特性，当人静止时，其点云数据的多普勒速度为0)，剔除掉这些背景点和静止下的点，剩下的点云数据即为人在运动下的点云数据。
优选地，在本申请另外的实施例中，所述聚类模块114用于，
将多普勒过滤后的点云数据进行坐标转换；
基于大阈值DBSCAN对坐标转换后的点云数据进行聚类，将未聚类成功的点云数据删除；
基于小阈值DBSCAN对剩余的点云数据进行聚类，判断聚类结果是否为检测对象，并将判断为检测对象的聚类结果放至结果队列中；
获取结果队列中前10帧聚类结果的众数；
当判断出结果队列中的聚类结果的数量超过前10帧聚类结果的众数时，基于K-means聚类和高斯混合模型聚类分别对未超过前10帧聚类结果的众数的聚类结果进行聚类；
当检测到经过K-means聚类后的聚类结果的数值与经过高斯混合模型聚类后的聚类结果数值均大于预设数值时，则选取这两种聚类结果数值中的最大数值聚类结果放至结果队列中，结果队列中的聚类结果为最终聚类结果。
具体的，本实施例中，DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)是一基于密度的聚类算法，DBSCAN将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。即聚类是指将一类具有相似属性的实物放在一起，检测实物的属性，将实物属性一致的分为一组，以发现该分组信息；本发明中，聚类旨在将运动的人在环境中提取出来。
先采用大阈值DBSCAN粗略的对点云进行聚类，此步骤相当于初步过滤，再用小阈值做聚类，后续的计算都是基于小阈值的聚类结果，如果聚类成功则将其放入成功队列，聚类不成功，该组信息存放在待定队列。在待定队列中，由于小阈值DBSCAN聚类给出大致的类，也就是k值，用此k值分别做K-means聚类和高斯混合模型聚类，并对聚类结果进行回溯打分，选取这两种聚类结果中的高分值结果，即将此次聚类效果更好的结果存放至成功队列，否则舍弃掉聚类结果；聚类结果中包含了点云中该聚类点的多种数据，例如坐标，方向，速度。
优选地，在本申请另外的实施例中，所述跟踪匹配模块115用于，
基于卡尔曼粒子滤波预测最终聚类结果的下一帧点云数据；
根据最终聚类结果与下一帧点云数据，获取代价矩阵
Figure 945954DEST_PATH_IMAGE010
，并对所述代价矩阵进 行补齐；
基于匈牙利算法对补齐后的代价矩阵进行匹配计算，获取检测对象的姿态高度h为：
Figure 287943DEST_PATH_IMAGE011
；
其中，
Figure 698195DEST_PATH_IMAGE019
；
Figure 795333DEST_PATH_IMAGE013
；
式中，s是最终聚类结果与当前帧点云数据之间的距离；
Figure 861509DEST_PATH_IMAGE020
是吸收损耗率；
Figure 275698DEST_PATH_IMAGE015
是干 燥情况下的衰减；
Figure 540457DEST_PATH_IMAGE016
是湿度情况下的衰减；f是波的频率；
Figure 11758DEST_PATH_IMAGE021
是频率相关的复合折射率 虚部。
具体的，本实施例中，对于毫米波雷达系统探测范围内的点云，位置时时刻刻都在改变；由于该系统有点云反射现象，所以实际产生的点云位置可能和真实的运动物体有偏差。因此本设计需要根据上一帧的点云预测下一下点云的位置、速度，完成点云的姿态（跌倒）预测（将相应的数据传输到粒子滤波中，通过粒子滤波预测下一帧的姿态）。
匈牙利算法来做匹配，卡尔曼粒子滤波生成下一帧点云数据（新的观测值），跟踪对象为最终聚类结果，匈牙利算法一种解决任务分配问题的组合优化算法，利用匈牙利算法将新的观测值与现有的跟踪对象进行对应，即基于匈牙利算法对补齐后的代价矩阵进行匹配计算，获取检测对象的姿态高度h。
基于同一发明构思，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的所有方法步骤或部分方法步骤。
本发明实现上述方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
基于同一发明构思，本申请实施例还提供一种电子设备，包括存储器和处理器，存储器上储存有在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法中的所有方法步骤或部分方法步骤。
所称处理器可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（例如声音播放功能、图像播放功能等）；存储数据区可存储根据手机的使用所创建的数据（例如音频数据、视频数据等）。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（SmartMedia Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、服务器或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、服务器和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种跌倒检测系统，其特征在于，包括：
姿态雷达及云端；
所述姿态雷达，包括与所述云端通信连接的单片机，与所述单片机通信连接的语音模块，及与所述单片机通信连接的跌倒检测模块；
所述跌倒检测模块，用于判断检测对象是否跌倒，并发送跌倒触发信号至单片机；
所述单片机，用于接收所述跌倒触发信号，并发送语音驱动信号至语音模块；
所述语音模块，用于接收所述语音驱动信号并输出语音信号，根据所述语音信号获取环境音频信号；
所述单片机，用于获取所述环境音频信号，将所述环境音频信号存储于flash内存区，并通过WIFI模组以http协议将存储于flash内存区中的环境音频信号发送至云端；
所述云端，用于获取环境音频信号，基于机器学习算法模型对所述环境音频信号进行语音识别，并将识别结果发送至监护平台、及驱动急救呼叫软件。
2.如权利要求1所述的跌倒检测系统，其特征在于，所述云端用于，
当识别结果为检测对象跌倒，则将识别结果发送至监护平台、及驱动急救呼叫软件；
当识别出的环境音频信号中不包括检测对象声音或识别结果为检测对象未跌倒时，则通过所述单片机发送语音驱动信息至语音模块，并对再次接收到语音模块发出的环境音频信号进行语音识别；
当再次识别出的环境音频信号中不包括检测对象声音时，则将识别结果发送至监护平台、及驱动急救呼叫软件；
当再次识别结果为检测对象未跌倒时，则判断为误报、并将识别结果发送至监护平台。
3.如权利要求1所述的跌倒检测系统，其特征在于，所述跌倒检测模块包括：
采样信号模块，用于获取检测对象的采样信号；
点云数据获取模块，与所述采样信号模块通信连接，用于将所述采样信号进行三维傅里叶变换，并对三维傅里叶变换后的采样信息进行点云运算获取点云数据；
过滤模块，与所述点云数据获取模块通信连接，用于对所述点云数据进行恒虚预警处理，并对恒虚预警处理后的点云数据进行多普勒过滤；
聚类模块，与所述过滤模块通信连接，用于对多普勒过滤后的点云数据进行聚类处理，获取最终聚类结果；
跟踪匹配模块，与所述聚类模块通信连接，用于对所述最终聚类结果进行跟踪匹配处理，获取检测对象的姿态高度；以及，
判断模块，与所述跟踪匹配模块通信连接，用于当检测到所述姿态高度小于预设高度阈值时，则判断检测对象跌倒。
4.如权利要求3所述的跌倒检测系统，其特征在于，所述采样信号模块用于，
发射调频信号和接收调频信号发射至检测对象后反射回的信号；
将调频信号与反射回的信号进行合并，获取中频信号；
对所述中频信号进行模拟数字转换采样，获取检测对象的采样信号。
5.如权利要求3所述的跌倒检测系统，其特征在于，所述点云数据获取模块用于，
三维傅里叶包括：距离维傅里叶、多普勒傅里叶、角度维傅里叶；
基于距离维傅里叶，获取跌倒检测模块与检测对象之间的距离d为：d = f*c*T/2B；
基于多普勒傅里叶，获取检测对象的速度V为：
Figure 605499DEST_PATH_IMAGE001
；
基于角度维傅里叶，获取检测对象的方位角θ为：
Figure 554869DEST_PATH_IMAGE002
式中，f为中频信号频率；c为光速；T为扫频周期；B为带宽；λ为波长；ω为发射的两个调频信号在同一位置的相位差；Tc为发射的两个调频信号的间隔时间。
6.如权利要求3所述的跌倒检测系统，其特征在于，所述过滤模块用于，
选取点云数据中的任一点云单元为检测单元，所述检测单元的周边点云单元为参考单元；
将所述参考单元按照预设分配条件分配至目标集合，并获取目标集合中的参考单元数量；
根据如下公式，判断检测单元中是否存在采样信号；
Figure 470872DEST_PATH_IMAGE003
；
其中，
Figure 581917DEST_PATH_IMAGE004
；
当判断出检测单元中存在采样信号，则对选取的检测单元进行保留，否则消除选取的检测单元；
在点云数据中，删除多普勒速度为0的点云数据；
式中，
Figure 216160DEST_PATH_IMAGE005
为门限参数，
Figure 454375DEST_PATH_IMAGE006
为整数门限，
Figure 739731DEST_PATH_IMAGE007
为集合
Figure 772410DEST_PATH_IMAGE008
中参考单元采样个数，
Figure 893949DEST_PATH_IMAGE009
，
Figure 934191DEST_PATH_IMAGE010
分别为前、后沿参考滑窗的第k个有序样本，k=1,2,…,N。
7.如权利要求3所述的跌倒检测系统，其特征在于，所述聚类模块用于，
将多普勒过滤后的点云数据进行坐标转换；
基于大阈值DBSCAN对坐标转换后的点云数据进行聚类，将未聚类成功的点云数据删除；
基于小阈值DBSCAN对剩余的点云数据进行聚类，判断聚类结果是否为检测对象，并将判断为检测对象的聚类结果放至结果队列中；
获取结果队列中前10帧聚类结果的众数；
当判断出结果队列中的聚类结果的数量超过前10帧聚类结果的众数时，基于K-means聚类和高斯混合模型聚类分别对未超过前10帧聚类结果的众数的聚类结果进行聚类；
当检测到经过K-means聚类后的聚类结果的数值与经过高斯混合模型聚类后的聚类结果数值均大于预设数值时，则选取这两种聚类结果数值中的最大数值聚类结果放至结果队列中，结果队列中的聚类结果为最终聚类结果。
8.如权利要求3所述的跌倒检测系统，其特征在于，所述跟踪匹配模块用于，
基于卡尔曼粒子滤波预测最终聚类结果的下一帧点云数据；
根据最终聚类结果与下一帧点云数据，获取代价矩阵
Figure 746159DEST_PATH_IMAGE011
，并对所述代价矩阵进行补 齐；
基于匈牙利算法对补齐后的代价矩阵进行匹配计算，获取检测对象的姿态高度h为：
Figure 277634DEST_PATH_IMAGE012
；
其中，
Figure 558574DEST_PATH_IMAGE013
；
Figure 715755DEST_PATH_IMAGE014
；
式中，s是最终聚类结果与当前帧点云数据之间的距离；
Figure 195277DEST_PATH_IMAGE015
是吸收损耗率；
Figure 100917DEST_PATH_IMAGE016
是干燥 情况下的衰减；
Figure 118420DEST_PATH_IMAGE017
是湿度情况下的衰减；f是波的频率；
Figure 564445DEST_PATH_IMAGE018
是频率相关的复合折射 率虚部。
CN202211462211.8A 2022-11-17 2022-11-17 跌倒检测系统 Active CN115601925B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211462211.8A CN115601925B (zh) 2022-11-17 2022-11-17 跌倒检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211462211.8A CN115601925B (zh) 2022-11-17 2022-11-17 跌倒检测系统

Publications (2)

Publication Number Publication Date
CN115601925A true CN115601925A (zh) 2023-01-13
CN115601925B CN115601925B (zh) 2023-03-07

Family

ID=84853778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211462211.8A Active CN115601925B (zh) 2022-11-17 2022-11-17 跌倒检测系统

Country Status (1)

Country Link
CN (1) CN115601925B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117315881A (zh) * 2023-09-26 2023-12-29 忆月启函(盐城)科技有限公司 一种基于离线语音识别的毫米波雷达求助报警系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105206041A (zh) * 2015-08-12 2015-12-30 东南大学 一种考虑时序dbscan的智能手机轨迹链簇识别方法
US20160188694A1 (en) * 2013-07-31 2016-06-30 Hewlett-Packard Development Company, L.P. Clusters of polynomials for data points
CN105788124A (zh) * 2014-12-19 2016-07-20 宏达国际电子股份有限公司 非接触式监测系统及其方法
KR20190121721A (ko) * 2019-08-29 2019-10-28 엘지전자 주식회사 음성 인식 서비스 제공 방법 및 장치
CN111401392A (zh) * 2019-01-02 2020-07-10 中国移动通信有限公司研究院 聚类集成方法及装置、电子设备及存储介质
CN112071022A (zh) * 2019-05-25 2020-12-11 昆明医科大学 一种基于视觉传感和语音反馈的跌倒监测方法
CN112581723A (zh) * 2020-11-17 2021-03-30 芜湖美的厨卫电器制造有限公司 用于识别用户姿态的方法、装置、处理器及热水器
WO2021118570A1 (en) * 2019-12-12 2021-06-17 Google Llc Radar-based monitoring of a fall by a person
CN113837131A (zh) * 2021-09-29 2021-12-24 南京邮电大学 一种基于fmcw毫米波雷达的多尺度特征融合手势识别方法
CN114707575A (zh) * 2022-03-07 2022-07-05 南京邮电大学 一种基于ap聚类的sdn多控制器部署方法
CN114942434A (zh) * 2022-04-25 2022-08-26 西南交通大学 一种基于毫米波雷达点云的跌倒姿态识别方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160188694A1 (en) * 2013-07-31 2016-06-30 Hewlett-Packard Development Company, L.P. Clusters of polynomials for data points
CN105788124A (zh) * 2014-12-19 2016-07-20 宏达国际电子股份有限公司 非接触式监测系统及其方法
CN105206041A (zh) * 2015-08-12 2015-12-30 东南大学 一种考虑时序dbscan的智能手机轨迹链簇识别方法
CN111401392A (zh) * 2019-01-02 2020-07-10 中国移动通信有限公司研究院 聚类集成方法及装置、电子设备及存储介质
CN112071022A (zh) * 2019-05-25 2020-12-11 昆明医科大学 一种基于视觉传感和语音反馈的跌倒监测方法
KR20190121721A (ko) * 2019-08-29 2019-10-28 엘지전자 주식회사 음성 인식 서비스 제공 방법 및 장치
WO2021118570A1 (en) * 2019-12-12 2021-06-17 Google Llc Radar-based monitoring of a fall by a person
CN112581723A (zh) * 2020-11-17 2021-03-30 芜湖美的厨卫电器制造有限公司 用于识别用户姿态的方法、装置、处理器及热水器
CN113837131A (zh) * 2021-09-29 2021-12-24 南京邮电大学 一种基于fmcw毫米波雷达的多尺度特征融合手势识别方法
CN114707575A (zh) * 2022-03-07 2022-07-05 南京邮电大学 一种基于ap聚类的sdn多控制器部署方法
CN114942434A (zh) * 2022-04-25 2022-08-26 西南交通大学 一种基于毫米波雷达点云的跌倒姿态识别方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117315881A (zh) * 2023-09-26 2023-12-29 忆月启函(盐城)科技有限公司 一种基于离线语音识别的毫米波雷达求助报警系统

Also Published As

Publication number Publication date
CN115601925B (zh) 2023-03-07

Similar Documents

Publication Publication Date Title
US12243242B2 (en) Multi-target tracking method, device and computer-readable storage medium
CN111510665B (zh) 毫米波雷达与摄像机联合的监控系统、监控方法及装置
US10489649B2 (en) Drone data locker system
CN112184626A (zh) 姿态识别方法、装置、设备及计算机可读介质
WO2020103410A1 (zh) 一种检测方法、检测装置、终端以及检测系统
CN112132719B (zh) 用于应急救援的人员搜救方法、装置、系统及存储介质
CN110010125A (zh) 一种智能机器人的控制方法、装置、终端设备及介质
CN111439642B (zh) 电梯控制方法、装置、计算机可读存储介质及终端设备
AU2022218483B2 (en) Method, system and computer program product for intelligent tracking and data transformation between interconnected sensor devices of mixed type
CN111414843B (zh) 手势识别方法及终端设备
US20220281117A1 (en) Remote physiological data sensing robot
CN113313654B (zh) 激光点云滤波去噪方法、系统、设备及存储介质
CN112069879A (zh) 一种目标人物跟随方法、计算机可读存储介质及机器人
CN115601925B (zh) 跌倒检测系统
WO2019051813A1 (zh) 一种目标识别方法、装置和智能终端
WO2024046473A1 (zh) 一种数据处理方法及其装置
CN111950431A (zh) 一种对象查找方法及装置
CN112915242B (zh) 基于智能移动设备的消毒方法、装置、设备及存储介质
CN111507361B (zh) 基于微波雷达的动作识别装置、方法及系统
CN110430524A (zh) 一种基于gps定位的告警方法及装置
CN115494472B (zh) 一种基于增强雷达波信号的定位方法、毫米波雷达、装置
CN116933002A (zh) 一种动作检测方法、装置、终端设备和存储介质
CN118105063A (zh) 一种基于毫米波信号的非侵入式跌倒检测方法及系统
CN115482645A (zh) 对象涉危事件检测方法及装置
CN112597910B (zh) 利用扫地机器人对人物活动进行监控的方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant