摘 要：智能攝像頭是家庭智能監控最常用的方案，很多家庭用戶擔心視頻會泄露隱私，本文設計一款基于毫米波雷達的智能家居報警系統，該系統精度高、成本低、具有很好的應用價值。首先用毫米波雷達記錄現場反射數據，用快速傅里葉變換去除干擾生成行人特征，然后用多目標跟蹤算法跟蹤行人，用深度遞歸神經網絡識別行人身份，最后用交叉熵訓練分類器，以此判斷是否有陌生人入侵。試驗表明，本系統報警準確率高達99%。

關鍵詞：毫米波雷達；智能家居；報警系統

1 介紹

智能攝像頭是家庭安防應用最廣泛的產品，但隨著人們對隱私要求越來越高，家庭智能視頻監控正成為家庭安防的一個痛點，越來越多的家庭渴望有一款既能滿足家庭安防需求又能保護個人隱私的產品，于是毫米波雷達智能家居報警系統應運而生。毫米波是一種使用毫米電磁波的特殊雷達技術，毫米波雷達系統發射的電磁波信號被其發射路徑上的障礙物阻擋后發生反射。毫米波雷達系統通過捕捉障礙物反射的信號，可以確定障礙物的距離、速度和角度。毫米波雷達報警系統能穿透不同材質，因此可以隱藏在家具或者墻體里面，智能攝像頭做不到這點。

本文設計的毫米波雷達智能家居報警系統跟蹤、識別精度高、成本低。首先用毫米波雷達記錄行人位置信息，然后用多目標跟蹤算法跟蹤行人，用深度遞歸神經網絡識別行人身份，最后判斷是否有陌生人入侵，如果是陌生人入侵發生報警信息給用戶。

2 毫米波雷達

毫米波雷達就是工作在毫米波波段（millimeter wave）探測的雷達，通常毫米波頻域為（30 ～ 300）GHz，波長為（1 ～ 10）mm，波長介于微波和厘米波之間。毫米波雷達具有體積小、質量輕和空間分辨率高的特點。毫米波雷達不僅能分辨很小的目標而且能同時識別多個目標。

毫米波雷達是一種基于調頻連續波 (FMCW) 雷達原理的毫米波雷達。FMCW 雷達連續發射調頻信號，測量障礙物的距離、角度和速度。FMCW 包括合成器、混頻器，TX 天線和 RX 天線等部分。FMCW 雷達框圖如圖 1。

圖1 FMCW雷達框圖

合成器生成一個線性調頻脈沖；該線性調頻脈沖由 TX 天線發射；物體對該線性調頻脈沖的反射生成一個由 RX 天線捕捉的反射線性調頻脈沖；“混頻器”將 RX 和 TX 信號合并到一起，生成 1 個中頻（IF）信號。為了檢測不同距離的目標，我們對 IF 信號進行快速傅里葉變換，每個峰值代表 1 個對應的障礙物（行人）。

2.1 距離快速傅里葉變換

FMCW 雷達使用線性“啁啾”傳輸。啁啾頻率是f_c，帶寬是 B ，持續時間是 T_c ，雷達前端接收到反射信號時，通過混頻器計算發射端與接收端之間的頻差，混頻器產生中頻信號，從中頻信號計算出目標與雷達之間的距離為：

3 系統設計

毫米波雷達是一種利用毫米波雷達特有特性的跟蹤識別系統。它的工作原理是發射射頻信號并記錄射頻信號在行人上的反射。通過分析生成的行人特征，根據圖像序列和時間推斷出行人的軌跡，并從已知用戶的數據庫中識別出行人。毫米波雷達智能家居報警系統包括數據采集，特征提取，行人跟蹤和行人識別四部分，具體如下：

1）特征提取。FMCW 雷達發射毫米波，記錄行人反射數據，對原始數據進行距離快速傅里葉變換，再通過多普勒傅里葉變換提取行人特征。

2）行人追蹤。在行人序列特征和時間關系基礎上，使用多目標跟蹤算法追蹤行人。

3）行人識別。用深度遞歸神經網絡從每個用戶的順序數據中識別用戶身份。

3.1 特征提取

生成的行人特征是分散的，信息量不足以檢測不同的行人。此外，雖然靜態物體可以通過傅葉變換去除，但剩余的信息不一定都被移動的人反映，噪音可能很大，并導致與附近人的點混淆。為了確定場景中的哪些點是由人的反射引起的，毫米波雷達智能家居報警系統使用 DBSCAN 密度聚類將點合并到集群中，這是一種密度感知聚類方法，根據行人特征在 3D 空間中的成對距離來分離特征點，主要優點是它不需要預先指定集群的數量，因為在我們的方案中，人們在任意時間走進和淡出被監控的場景。

3.2 行人追蹤

為了捕獲連續的單個行人特征來跟蹤和識別 1 個人，需要檢測的有效時間關聯以及傳感器噪聲的校正和預測。我們為每一幀的對象檢測創建和維護跟蹤。為來自第 1 個傳入幀或無法與現有軌道關聯的每個對象檢測創建 1 個新軌道。幀間對象關聯基于匈牙利算法。如果在連續幀中未檢測到跟蹤對象，我們將跟蹤標記為非活動并將其從連續關聯中排除。最后應用卡爾曼濾波器來預測和糾正軌跡。

3.3 行人識別

在確定了與人體對象對應的特征后，可以使用軌跡特征來識別他們的身份。具體來說，從軌跡中的每一幀使用 1 個固定大小的邊界框來包圍潛在的人體對象的點，并將其體素化以形成一個占用網格。請注意，占用網格固有地封裝了身體形狀信息。例如，高個子往往有更高的重心。通過將順序占用網格饋送到分類器，可以根據運動特征（即步態和體形信息）識別軌跡的行人。一個窗口包含 2 s 的連續占用網格，與前一個窗口的重疊率為75%。直接從占用網格中提取有用的特征很困難。長短期記憶（LSTM）網絡是一種成熟的循環神經網絡架構，適用于順序數據分類，能夠通過網絡訓練自動學習特征。因此，將其用作行人追蹤和識別中的身份分類器。首先將數據展平，將每一幀轉換為特征向量。然后將其傳遞到雙向 LSTM 網絡。最后，使用 softmax 層輸出最終的分類結果。

4 結束語

本文設計一款基于毫米波雷達的智能家居報警系統，該系統精度高達 99%，成本低，具有很好的應用價值和市場前景。

(注：本文轉載自《電子產品世界》雜志2022年11月期)