JP7377494B2 - Attribute identification device and identification method - Google Patents
Attribute identification device and identification method Download PDFInfo
- Publication number
- JP7377494B2 JP7377494B2 JP2020083417A JP2020083417A JP7377494B2 JP 7377494 B2 JP7377494 B2 JP 7377494B2 JP 2020083417 A JP2020083417 A JP 2020083417A JP 2020083417 A JP2020083417 A JP 2020083417A JP 7377494 B2 JP7377494 B2 JP 7377494B2
- Authority
- JP
- Japan
- Prior art keywords
- radar
- data
- cluster
- value
- unit
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 89
- 238000004364 calculation method Methods 0.000 claims description 67
- 238000001514 detection method Methods 0.000 claims description 40
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000001228 spectrum Methods 0.000 claims description 26
- 239000000284 extract Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 description 60
- 238000010586 diagram Methods 0.000 description 22
- 210000000689 upper leg Anatomy 0.000 description 12
- 230000033001 locomotion Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000005021 gait Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000000245 forearm Anatomy 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035559 beat frequency Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Description
この発明は、属性の識別装置および識別方法に関し、特に、電波を用いて物標としての歩行者の属性を識別する技術に関する。 The present invention relates to an attribute identification device and an identification method, and particularly to a technique for identifying the attributes of a pedestrian as a target object using radio waves.
歩行者の属性を識別する技術として、例えば、２５台のカメラからなる多視点同期歩容撮影システムを構築して、広い年齢層の被験者の歩容を撮影することで歩容データベースを作成し、性別と年齢とのそれぞれに関して識別実験を行った結果に基づいて性別および年齢の識別に適した分類として子供、成人男性、成人女性、および高齢者という４つのクラスを設定し、前記４つのクラスへの識別を行う、技術が知られている（非特許文献１参照）。 As a technology for identifying the attributes of pedestrians, for example, we built a multi-view synchronized gait photography system consisting of 25 cameras and created a gait database by photographing the gaits of subjects in a wide range of age groups. Based on the results of a discrimination experiment regarding gender and age, four classes, child, adult male, adult female, and elderly, are set as classifications suitable for gender and age discrimination. There is a known technique for identifying (see Non-Patent Document 1).
しかしながら、個人の属性を識別するために多数のカメラが必要とされるような大掛かりなシステムは、実用的とは言い難い、という問題がある。また、実環境での使用を考慮した場合、画像では特に人同士の重なりなどの背景変化に弱く、部位ごとの周波数特徴を効果的に抽出することは困難である、という問題がある。 However, there is a problem in that a large-scale system that requires a large number of cameras to identify personal attributes is hardly practical. Furthermore, when considering use in a real environment, there is a problem in that images are particularly sensitive to background changes such as overlapping people, making it difficult to effectively extract frequency features for each body part.
そこで本発明は、簡便な機器構成によって歩行者の属性の識別を高精度に行うことが可能な属性の識別装置および識別方法を提供することを目的とする。 SUMMARY OF THE INVENTION Therefore, an object of the present invention is to provide an attribute identification device and an identification method that can identify attributes of pedestrians with high accuracy using a simple device configuration.
上記課題を解決するために、請求項１に記載の発明は、検知対象エリアへと電波を送信するとともに前記検知対象エリアからの電波を受信してレーダスキャンを行うレーダ装置から出力されるレーダデータを周波数解析して周波数スペクトルを出力する周波数解析部と、前記周波数スペクトルに基づいて前記検知対象エリア内を移動する物標に関するレーダ信号点それぞれの相対速度を計算する速度計算部と、前記周波数スペクトルのピークを検出して前記レーダ信号点を抽出する信号点抽出部と、抽出された前記レーダ信号点のクラスタを生成するクラスタ生成部と、前記クラスタの代表点を特定する代表点特定部と、前記代表点を含む関心領域を設定する関心領域設定部と、前記関心領域に含まれる前記レーダ信号点それぞれの前記相対速度の値別に信号強度情報を計算する信号強度特定部と、所定の時間長さぶんの前記レーダスキャンごとの前記相対速度の値と前記信号強度情報の値との組み合わせデータの集合を時系列に配列した上で、前記組み合わせデータの時系列の配列を時間軸方向に１つずつシフトさせながら、シフト前の、時系列で配列された前記組み合わせデータの集合との対比における相関値を計算する相関計算部と、前記相関値を用いて前記物標の属性を判別する識別部と、を有する、ことを特徴とする属性の識別装置である。
In order to solve the above problem, the invention according to
請求項２に記載の発明は、請求項１に記載の属性の識別装置において、前記識別部が、機械学習のアルゴリズムを用いて前記物標の属性を判別する、ことを特徴とする。
The invention according to
また、請求項３に記載の発明は、検知対象エリアへと電波を送信するとともに前記検知対象エリアからの電波を受信してレーダスキャンを行うレーダ装置から出力されるレーダデータを周波数解析して周波数スペクトルを出力する処理と、前記周波数スペクトルに基づいて前記検知対象エリア内を移動する物標に関するレーダ信号点それぞれの相対速度を計算する処理と、前記周波数スペクトルのピークを検出して前記レーダ信号点を抽出する処理と、抽出された前記レーダ信号点のクラスタを生成する処理と、前記クラスタの代表点を特定する処理と、前記代表点を含む関心領域を設定する処理と、前記関心領域に含まれる前記レーダ信号点それぞれの前記相対速度の値別に信号強度情報を計算する処理と、所定の時間長さぶんの前記レーダスキャンごとの前記相対速度の値と前記信号強度情報の値との組み合わせデータの集合を時系列に配列した上で、前記組み合わせデータの時系列の配列を時間軸方向に１つずつシフトさせながら、シフト前の、時系列で配列された前記組み合わせデータの集合との対比における相関値を計算する処理と、前記相関値を用いて前記物標の属性を判別する処理と、を有する、ことを特徴とする属性の識別方法である。
Further, the invention according to
請求項４に記載の発明は、請求項３に記載の属性の識別方法において、機械学習のアルゴリズムを用いて前記物標の属性を判別する、ことを特徴とする。
The invention according to
請求項１に記載の発明や請求項３に記載の発明によれば、相対速度の値と信号強度情報の値との組み合わせデータの集合の時系列の配列を時間軸方向に１つずつシフトさせながら、シフト前の、時系列で配列された前記組み合わせデータの集合との対比として計算される相関値を用いて物標の属性を判別するようにしているので、物標の属性に応じた特有の性質を的確に把握して物標の属性の識別を高精度に行うことが可能となる。
According to the invention described in
また、レーダ（電波）であれば、画像処理のような複雑な前処理を施す必要がなく、物標それぞれの速度成分を定量的に抽出することができるので、周波数領域の特徴を簡易かつ高精度に求めることが可能となる。 In addition, with radar (radio waves), there is no need for complex preprocessing such as image processing, and the velocity components of each target object can be quantitatively extracted. It becomes possible to obtain accuracy.
請求項２に記載の発明や請求項４に記載の発明によれば、機械学習のアルゴリズムを用いるようにしているので、相対速度の値と信号強度情報の値との組み合わせデータの集合の時系列の配列に関する、時間軸方向における相関値に基づいて物標の属性の識別を適切に行うことが可能となる。
According to the invention described in
以下、この発明を図示の実施の形態に基づいて説明する。 The present invention will be described below based on the illustrated embodiments.
図１は、この発明の実施の形態に係る属性の識別装置１の概略構成を示す機能ブロック図である。図２は、属性の識別装置１における処理手順であるとともにこの発明の実施の形態に係る属性の識別方法の処理手順を示すフローチャートである。
FIG. 1 is a functional block diagram showing a schematic configuration of an
この属性の識別装置１は、検知対象エリア内の移動物体を物標として検知して前記物標の属性を識別する装置であり、主として、信号処理部２と、物標位置検出部３と、物標計算部４と、特徴量計算部５と、識別部６と、を備える。属性の識別装置１は、具体的には、検知対象エリア内を移動している人の属性を識別する。
This
この実施の形態に係る属性の識別装置１は、検知対象エリアへと電波を送信するとともに前記検知対象エリアからの電波を受信してレーダスキャンを行うレーダ装置から出力されるレーダデータを周波数解析して周波数スペクトルを出力する周波数解析部２１と、周波数スペクトルに基づいて検知対象エリア内を移動する物標に関するレーダ信号点それぞれの相対速度を計算する速度計算部２３と、周波数スペクトルのピークを検出してレーダ信号点を抽出する信号点抽出部３１と、抽出されたレーダ信号点のクラスタを生成するクラスタ生成部３２と、クラスタの代表点を特定する代表点特定部３４と、代表点を含む関心領域を設定する関心領域設定部４１と、関心領域に含まれる前記レーダ信号点それぞれの前記相対速度の値別に信号強度情報を計算する信号強度特定部４２と、所定の時間長さぶんのレーダスキャンごとの相対速度の値と信号強度情報の値との組み合わせデータの集合を時系列に配列した上で、前記組み合わせデータの時系列の配列を時間軸方向に１つずつシフトさせながら、シフト前の、時系列で配列された前記組み合わせデータの集合との対比における相関値を計算する相関計算部５１と、相関値を用いて物標の属性を判別する識別部６と、を有する、ようにしている（図１参照）。
The
また、この実施の形態に係る属性の識別方法は、検知対象エリアへと電波を送信するとともに前記検知対象エリアからの電波を受信してレーダスキャンを行うレーダ装置から出力されるレーダデータを周波数解析して周波数スペクトルを出力する処理（ステップＳ１）と、周波数スペクトルに基づいて検知対象エリア内を移動する物標に関するレーダ信号点それぞれの相対速度を計算する処理（ステップＳ３）と、周波数スペクトルのピークを検出してレーダ信号点を抽出する処理（ステップＳ４）と、抽出されたレーダ信号点のクラスタを生成する処理（ステップＳ５）と、クラスタの代表点を特定する処理（ステップＳ６）と、代表点を含む関心領域を設定する処理（ステップＳ７）と、関心領域に含まれる前記レーダ信号点それぞれの前記相対速度の値別に信号強度情報を計算する処理（ステップＳ８）と、所定の時間長さぶんのレーダスキャンごとの相対速度の値と信号強度情報の値との組み合わせデータの集合を時系列に配列した上で、前記組み合わせデータの時系列の配列を時間軸方向に１つずつシフトさせながら、シフト前の、時系列で配列された前記組み合わせデータの集合との対比における相関値を計算する処理（ステップＳ９）と、相関値を用いて物標の属性を判別する処理（ステップＳ１０、Ｓ１１）と、を有する、ようにしている（図２参照）。 Further, the attribute identification method according to this embodiment includes frequency analysis of radar data output from a radar device that transmits radio waves to a detection target area, receives radio waves from the detection target area, and performs a radar scan. a process of outputting a frequency spectrum (step S1), a process of calculating the relative velocity of each radar signal point regarding a target moving within the detection target area based on the frequency spectrum (step S3), and calculating the peak of the frequency spectrum. A process of detecting a radar signal point and extracting a radar signal point (step S4), a process of generating a cluster of the extracted radar signal points (step S5), a process of identifying a representative point of a cluster (step S6), A process of setting a region of interest including points (step S7), a process of calculating signal strength information for each of the relative velocity values of each of the radar signal points included in the region of interest (step S8), and a predetermined time length. After arranging a set of combination data of relative velocity values and signal strength information values for each radar scan in a time series, the time series arrangement of the combination data is shifted one by one in the time axis direction. , a process of calculating a correlation value in comparison with the set of the combination data arranged in time series before shifting (step S9), and a process of determining the attribute of the target using the correlation value (steps S10, S11). ) and (see Figure 2).
この発明では、例えば、レーダ方式としてＦＭＣＷ（Ｆrequency Ｍodulated－Ｃontinuous Ｗave の略；周波数変調連続波）方式のレーダスキャンを行うレーダ装置によって取得されて出力されるレーダデータが用いられ得る。ＦＭＣＷ方式では、周波数変調した連続波を送信するとともに物標の表面で反射された反射波を受信し、送信信号と受信信号との間での周波数差に基づいて物標の位置や相対速度を検出する。なお、ＦＭＣＷ方式では、周波数が三角波状または鋸波状に変化する電波（送信信号）が送信される。 In the present invention, for example, radar data obtained and output by a radar device that performs radar scanning using an FMCW (Frequency Modulated Continuous Wave) method may be used as a radar method. The FMCW method transmits a frequency-modulated continuous wave and receives the reflected wave reflected from the surface of the target object, and calculates the position and relative speed of the target object based on the frequency difference between the transmitted signal and the received signal. To detect. Note that in the FMCW method, radio waves (transmission signals) whose frequency changes in the shape of a triangular wave or a sawtooth wave are transmitted.
この発明で用いられ得るレーダデータを出力するレーダ装置としては、例えば、送信部と受信部とを備えて電波を送信するとともに受信する機能を備え、ＦＭＣＷ方式のレーダスキャンを行ってレーダデータを出力する装置が挙げられる。 A radar device that outputs radar data that can be used in the present invention is, for example, equipped with a transmitting section and a receiving section and having a function of transmitting and receiving radio waves, and outputting radar data by performing FMCW radar scanning. Examples include devices that do this.
レーダ装置の送信部としては、例えば、所定電圧を生成して出力する電圧発生器、電圧発生器から出力される前記所定電圧に応じた周波数を有する電波（送信信号）を生成して出力する電圧制御発振器、および、電圧制御発振器から出力される電波（送信信号）を検知対象エリアへと送信波として送信する（別言すると、出射する、放射する）送信アンテナなどを含む仕組みが挙げられる。 The transmitter of the radar device includes, for example, a voltage generator that generates and outputs a predetermined voltage, and a voltage that generates and outputs a radio wave (transmission signal) having a frequency according to the predetermined voltage output from the voltage generator. Examples of mechanisms include a controlled oscillator and a transmitting antenna that transmits (in other words, emits or radiates) radio waves (transmission signals) output from the voltage-controlled oscillator to the detection target area as transmission waves.
送信部は、例えば７９ＧＨｚ帯、６０ＧＨｚ帯、或いは７６ＧＨｚ帯の周波数を有する電波（尚、「ミリ波」とも呼ばれる）を生成して送信アンテナを介して送信する。なお、この発明では、高周波数帯の電波を利用することが好ましい。 The transmitter generates radio waves (also referred to as "millimeter waves") having a frequency of, for example, a 79 GHz band, a 60 GHz band, or a 76 GHz band, and transmits the radio waves via a transmitting antenna. Note that in the present invention, it is preferable to use radio waves in a high frequency band.
レーダ装置の受信部としては、例えば、送信アンテナから送信された電波（即ち、送信波）が検知対象エリア内を移動する物標の表面で反射された電波（即ち、反射波；「ドップラ反射波」とも呼ばれる）を含む電波を受信波として受信する受信アンテナ、送信部から供給される電波（送信信号）と受信アンテナから出力される電波（受信信号）とをミキシングして差分信号を生成して出力するミキサ、および、ミキサから出力される差分信号に対して所定のサンプリング周波数を用いてサンプリング処理（別言すると、アナログ－デジタル変換処理）を施して前記差分信号をデジタルデータに変換してデジタル信号を出力するＡ／Ｄ変換器などを含む仕組みが挙げられる。 For example, the receiving section of a radar device receives radio waves (i.e., transmitted waves) transmitted from a transmitting antenna and radio waves (i.e., reflected waves; "Doppler reflected waves") that are reflected on the surface of a target moving within a detection target area. A receiving antenna that receives radio waves (also known as The output mixer and the differential signal output from the mixer undergo sampling processing (in other words, analog-to-digital conversion processing) using a predetermined sampling frequency to convert the differential signal into digital data. One example is a mechanism that includes an A/D converter that outputs a signal.
なお、ＦＭＣＷ方式では、単数もしくは複数のアンテナによってアレーアンテナが形成され、受信アンテナとしてのアレーアンテナによって電波（反射波）を受信する。そして、ミキサおよびＡ／Ｄ変換器は、受信アンテナごとに設けられる。 Note that in the FMCW method, an array antenna is formed by one or more antennas, and radio waves (reflected waves) are received by the array antenna as a receiving antenna. A mixer and an A/D converter are provided for each receiving antenna.
レーダ装置から出力されるレーダデータとしての差分信号は、送信部から供給される電波（送信信号）の周波数成分と受信アンテナから出力される電波（受信信号）の周波数成分との差の周波数成分を有する信号（つまり、ビート周波数を有する信号であり、「ビート信号」とも呼ばれる）である。 A difference signal as radar data output from a radar device is a difference signal between the frequency component of the radio wave (transmission signal) supplied from the transmitter and the frequency component of the radio wave (reception signal) output from the receiving antenna. (that is, a signal having a beat frequency, also called a "beat signal").
レーダ装置は、例えば、あくまで一例として挙げると、自動車などの車両に取り付けられて車両周囲の所定範囲を検知対象エリアとしたり、建物などの構造物に取り付けられて構造体周囲や建物敷地内の所定範囲を検知対象エリアとしたりする。 For example, a radar device may be attached to a vehicle such as a car to detect a predetermined area around the vehicle, or may be attached to a structure such as a building to detect a predetermined area around the structure or within the premises of the building. Set the range as the detection target area.
信号処理部２は、レーダ装置から出力されるレーダデータ（即ち、レーダ生データ、レーダＲａｗデータ）の周波数解析を行うとともに物標の位置および相対速度を計算する。信号処理部２は、周波数解析部２１、位置計算部２２、および速度計算部２３を含んで構成され、レーダ装置から出力されるレーダデータとしての差分信号に対して周波数解析を施して、検知対象エリア内を移動する物標を検知して前記物標の位置および相対速度を計算する。
The
属性の識別装置１は、レーダ装置から出力されるレーダデータを記録して格納しておく記憶部を備えて前記記憶部からレーダデータを読み込んで用いるようにしてもよく、また、レーダ装置から出力されてサーバなどの外部記憶装置に格納されているレーダデータを読み込んで用いるようにしてもよい。
The
周波数解析部２１は、レーダ装置（具体的には、受信部のＡ／Ｄ変換器）から出力されるレーダデータ（別言すると、波形データ）としての差分信号（別言すると、ビート信号；尚、デジタル信号である）の周波数解析を行う。周波数解析部２１は、具体的には、１回のレーダスキャンあたりのサンプリング時間幅（例えば、５０ミリ秒間）ぶんの波形データ、具体的には差分信号（ビート信号）の振幅（即ち、受信レベル）に対して高速フーリエ変換処理を施して前記差分信号の振幅の周波数分布を示す周波数スペクトルを生成し、スペクトル強度および位相情報を出力する。周波数スペクトルは、差分信号に含まれる各周波数成分の振幅（受信レベル）を示す。
The
高速フーリエ変換処理に際しては、検知対象とする物標の例えば移動速度が考慮されるなどした上で、前記物標の移動によって発生し得る周波数の範囲が設定されるとともに周波数間隔がドップラ周波数として設定される。周波数解析部２１は、つまり、レーダ装置から出力されるレーダデータ（波形データ）についてドップラ成分、すなわち差分信号のドップラ周波数ごとのスペクトル強度と位相とを周波数解析して求める。
When performing fast Fourier transform processing, for example, the moving speed of the target object to be detected is taken into account, and a range of frequencies that can occur due to the movement of the target object is set, and a frequency interval is set as a Doppler frequency. be done. In other words, the
位置計算部２２は、周波数解析部２１から出力される周波数スペクトルにおける位相情報に基づいて、レーダ装置（具体的には、レーダ装置の受信アンテナ）と検知対象の物標との間の距離に関する距離情報、および、レーダ装置（具体的には、レーダ装置の受信アンテナ）に対する前記物標の方位角度に関する角度情報を生成して出力する。距離情報および角度情報は、ドップラ周波数ごとに求められる。
The
差分信号の位相情報に基づく距離や方位角度の計算の仕法は、公知の手法が存在し、また、この発明では特定の手法には限定されないので、ここでは詳細の説明は省略する。例えば、レーダ装置と物標との間の距離は、送信波の周波数と受信波の周波数との差がレーダ装置と物標との間の距離に比例して増減する、ことを利用する手法などの公知の手法によって計算され得る。また、レーダ装置に対する物標の方位角度は、具体的には例えば、ＭＵＳＩＣ（ＭＵltiple ＳＩgnal Ｃlassification の略）法やＥＳＰＲＩＴ（Ｅstimation of Ｓignal Ｐarameters via Ｒotational Ｉnvariance Ｔechniques の略）法などの公知の測角方式によって計算され得る。 There are known methods for calculating the distance and azimuth angle based on the phase information of the differential signal, and since the present invention is not limited to any particular method, detailed explanation will be omitted here. For example, a method that uses the fact that the distance between the radar device and the target increases or decreases in proportion to the difference between the frequency of the transmitted wave and the frequency of the received wave can be calculated by a known method. In addition, the azimuth angle of the target with respect to the radar device is specifically determined by a known angle measurement method such as the MUSIC (abbreviation for MUltiple Signal Classification) method or the ESPRIT (abbreviation for Estimation of Signal Parameters via Rotational Invariance Techniques) method. can be calculated.
速度計算部２３は、周波数解析部２１における周波数解析で用いられたドップラ周波数のそれぞれを用いて、レーダ装置（具体的には、レーダ装置の受信アンテナ）に対する物標の速度である相対速度（具体的には、送信波が物標の表面で反射した時の瞬時の相対速度）を計算して出力する。すなわち、相対速度は、ドップラ周波数ごとに求められる。
The
相対速度の計算の仕法は、公知の手法が存在し、また、この発明では特定の手法には限定されないので、ここでは詳細の説明は省略する。例えば、相対速度は、レーダに対して相対的に移動している物標の表面で反射して受信アンテナによって受信される電波（即ち、受信波）の周波数は、送信アンテナから送信される電波（即ち、送信波）の周波数に対して、前記物標の表面で反射した際に受信波が前記物標の速度による影響を受け、ドップラ効果により、前記物標とレーダ装置との間の相対速度に応じてシフトする、ことを利用する手法などの公知の手法によって計算され得る。 There are known methods for calculating the relative velocity, and the present invention is not limited to any particular method, so a detailed explanation will be omitted here. For example, the relative speed is determined by the frequency of the radio waves reflected from the surface of a target moving relative to the radar and received by the receiving antenna (i.e., the received waves), and the frequency of the radio waves transmitted from the transmitting antenna (i.e., In other words, when reflected from the surface of the target object, the received wave is influenced by the speed of the target object relative to the frequency of the transmitted wave), and due to the Doppler effect, the relative speed between the target object and the radar device is reduced. It can be calculated by a known method such as a method that utilizes a shift according to .
信号処理部２は、上記の処理により、レーダ装置から出力されるレーダデータ（即ち、レーダ生データ、レーダＲａｗデータ）に対して信号処理／周波数解析を施して、速度成分ごとの、直交座標系における強度分布を示した平面図であるＰＰＩ（Ｐlan Ｐosition Ｉndicator の略；平面図表示）を生成し、４次元データ（Ｘ，Ｙ，Ｉ，Ｖ）を出力する。なお、ＸおよびＹは、ｘ軸とｙ軸とが相互に直交する２次元直交座標系におけるｘ座標およびｙ座標（単位：ｍ）である。Ｉは信号強度（受信レベル）（単位：ｄＢ）であり、Ｖは相対速度（単位：ｋｍ／ｈ）である。信号処理部２から出力される４次元データ（Ｘ，Ｙ，Ｉ，Ｖ）の相対速度Ｖ［ｋｍ／ｈ］は、必要に応じ、相対速度Ｖの値が例えば０．１［ｋｍ／ｈ］などの所定のピッチで区分された上で相対速度Ｖの実際の値が前記区分に当てはめられて、相対速度のランクとして出力されるようにしてもよい。
Through the above processing, the
物標位置検出部３は、信号処理部２における処理結果を用いて、物標としての移動している人を検出するとともに前記移動している人に関する情報を計算する。物標位置検出部３は、信号点抽出部３１、クラスタ生成部３２、追尾処理部３３、および代表点特定部３４を含んで構成され、信号処理部２から出力される、信号処理部２における処理結果である４次元データ（Ｘ，Ｙ，Ｉ，Ｖ）を用いて、検知対象エリア内を移動している人を検出して前記移動している人に関する情報を計算する。
The target
信号点抽出部３１は、信号処理部２の周波数解析部２１によって生成される周波数スペクトルを用いて、所定の大きさの振幅を有するピークに対応するドップラ周波数（別言すると、ピーク周波数）を検出して、検知対象エリア内を移動する物標に関するレーダ信号点の周波数として抽出する。具体的には、信号点抽出部３１は、ピークの検出のための閾値を設定し、周波数スペクトルの振幅について、前記閾値以上の振幅をピークと判定して抽出する。
The signal
ピークの検出・抽出の仕法は、特定の方法・方式に限定されるものではなく、クラッタと物標とを区別して物標からの反射成分と考えられる周波数を検出・抽出することができればどのような方法・方式であってもよい。ピークの検出・抽出の仕法として、具体的には例えばＣＦＡＲ（Ｃonstant Ｆalse Ａlarm Ｒate の略）アルゴリズムが用いられるようにしてもよい。 The method of detecting and extracting peaks is not limited to a specific method or method, but it is possible to distinguish between clutter and a target object and detect and extract the frequency that is considered to be the reflected component from the target object. Any method or system may be used. Specifically, for example, a CFAR (abbreviation for Constant False Alarm Rate) algorithm may be used as a method for detecting and extracting peaks.
信号点抽出部３１は、また、位置計算部２２から出力されるドップラ周波数ごとの距離情報および角度情報を用いて、空間位置を座標軸とする座標系における、上記において検出されたドップラ周波数（ピーク周波数）に対応するレーダ信号点の分布に関する分布情報を生成して出力する。座標系としては、例えば、レーダ装置の設置位置を基準とした、動径距離と動径方向とについての極座標系、または、左右方向における距離と奥行方向における距離とについての直交座標系が用いられる。
The signal
クラスタ生成部３２は、信号点抽出部３１から出力されるレーダ信号点の分布情報を用いてクラスタリング処理を行い、空間位置を座標軸とする座標系における、レーダ信号点のクラスタを生成する。
The
クラスタの生成の仕法は、特定の方法・方式に限定されるものではなく、例えば、信号点抽出部３１によって検出・抽出されたレーダ信号点の密度に基づくなどして物標についてのレーダ信号点の集まりをクラスタリングする、言い換えると、相互の位置関係が一定距離以内で近接しているレーダ信号点の集まりを括って抽出することができればどのような方法・方式であってもよい。クラスタの生成の仕法として、具体的には例えばＤＢＳＣＡＮ（Ｄensity－Ｂased Ｓpatial Ｃlustering of Ａpplications with Ｎoise の略）がクラスタリングアルゴリズムとして用いられるようにしてもよい。クラスタ生成部３２によって生成されるクラスタのそれぞれが１つの物標に対応する。
The method of cluster generation is not limited to a specific method or method. For example, the radar signal points about the target are generated based on the density of radar signal points detected and extracted by the signal
クラスタ生成部３２によって生成される各クラスタを区別して一意に特定するための識別符号をＮとする（Ｎは、例えばシリアル番号）。そして、クラスタＮについての、当該のクラスタＮに含まれるレーダ信号点それぞれの相対速度（即ち、信号処理部２の速度計算部２３によって計算される各ドップラ周波数に対応するレーダ信号点の相対速度）の値の集まりのことを「クラスタＮの相対速度の値の集合」と呼ぶ。
Let N be an identification code for distinguishing and uniquely identifying each cluster generated by the cluster generation unit 32 (N is, for example, a serial number). Then, with respect to the cluster N, the relative speed of each radar signal point included in the cluster N (that is, the relative speed of the radar signal point corresponding to each Doppler frequency calculated by the
なお、物標位置検出部３は、検知対象エリアで検知された物標が、延いてはクラスタ生成部３２によって生成されたクラスタが、移動している人に関するものであるか否かを判別・識別した上で、移動している人に関するクラスタに対してのみ識別符号Ｎを付するようにしてもよい。検知された物標が移動している人であるか否かを判別・識別したり、生成されたクラスタが移動している人に関するものであるか否かを判別・識別したりする仕法は、公知の手法が存在し、また、この発明では特定の手法には限定されないので、ここでは詳細の説明は省略する。
Note that the target
追尾処理部３３は、過去に検出されている物標を追尾する処理を、クラスタ生成部３２によって生成されたクラスタＮごと（即ち、物標ごと）に行う。つまり、追尾処理部３３は、連続する時点においてクラスタ生成部３２によって生成される、同一の物標に関するクラスタを関連づけることにより、過去のレーダスキャンによって検出されて識別符号Ｎが付されているクラスタの追尾処理を行う。
The
クラスタ／物標の追尾の仕法は、公知の手法が存在し、また、この発明では特定の手法には限定されないので、ここでは詳細の説明は省略する。例えば、クラスタ／物標の追尾は、追尾フィルタとしてα－βフィルタ、カルマンフィルタ、或いはパーティクルフィルタを用いる手法などの公知の手法によって行われ得る。 There are known cluster/target tracking methods, and the present invention is not limited to any particular method, so a detailed explanation will be omitted here. For example, cluster/target object tracking may be performed by a known method such as a method using an α-β filter, a Kalman filter, or a particle filter as a tracking filter.
追尾処理部３３は、必要に応じ、クラスタ生成部３２によって生成されるクラスタそれぞれの代表点を決定した上で追尾処理を行うようにしてもよい。例えば、追尾処理部３３は、１つのクラスタとして認識された信号点群について、当該の信号点群に含まれる信号点それぞれの位置の、信号強度（受信レベル）Ｉ［ｄＢ］を重みとして用いた加重平均の位置を計算するなどして、前記１つのクラスタに含まれる複数の信号点を１点に集約した上で追尾処理を行うようにしてもよい。
The
代表点特定部３４は、クラスタ生成部３２によって生成されるとともに追尾処理部３３によって追尾されるクラスタＮごとに、各レーダスキャンにおける、物標としてのクラスタＮの代表点を特定する。代表点特定部３４は、各クラスタＮの例えば重心位置を代表点の位置として特定して、クラスタＮごとに特定した代表点の位置座標Ｘ［ｍ］，Ｙ［ｍ］の組み合わせを出力する。
For each cluster N generated by the
物標計算部４は、物標位置検出部３における処理結果を用いて、特徴量計算部５による次の処理における関心領域を設定するとともに前記関心領域に関する情報を計算する。物標計算部４は、関心領域設定部４１、信号強度特定部４２、およびＶＴデータ生成部４３を含んで構成され、物標位置検出部３から出力される、物標位置検出部３における処理結果を用いて、特徴量計算部５による次の処理における関心領域を設定して前記関心領域に関する情報を計算する。
The
関心領域設定部４１は、クラスタＮごとに、物標位置検出部３の代表点特定部３４から出力される各クラスタＮの代表点の位置を中心とする所定の範囲を関心領域として設定する。関心領域として設定される範囲は、特定の大きさや形状に限定されるものではなく、検知対象の物標の特に動作速度に纏わる特性を適切に把握することが考慮されるなどした上で、適当な大きさや形状に適宜設定される。関心領域は、具体的には例えば、クラスタＮの代表点の位置座標Ｘ［ｍ］，Ｙ［ｍ］を中心とする±１［ｍ］の四角形で囲まれる範囲に設定されることが考えられる。
For each cluster N, the region of
関心領域の大きさや形状は、予め固定的に設定されて関心領域設定部４１に格納されているようにしてもよく、或いは、関心領域設定部４１に対してユーザが適宜設定可能であるようにしてもよい。
The size and shape of the region of interest may be fixedly set in advance and stored in the region of
関心領域設定部４１は、さらに、信号処理部２から出力される４次元データ（Ｘ，Ｙ，Ｉ，Ｖ）の入力を受け、前記４次元データ（Ｘ，Ｙ，Ｉ，Ｖ）のうち、関心領域として設定されている範囲に含まれているデータのみを抜き出す。関心領域設定部４１は、つまり、関心領域として設定されている範囲に含まれている、全ての速度成分についての強度データを出力する。
The region of
信号強度特定部４２は、関心領域設定部４１から出力される関心領域に関する４次元データ（Ｘ，Ｙ，Ｉ，Ｖ）を速度成分ごとに参照し、速度成分別に、関心領域に関する強度情報を生成する。信号強度特定部４２は、具体的には、クラスタＮの関心領域に関する４次元データ（Ｘ，Ｙ，Ｉ，Ｖ）について、相対速度Ｖ［ｋｍ／ｈ］ごとに、例えば、信号強度（受信レベル）Ｉ［ｄＢ］のうちの最大値Ｉmaxを特定して関心領域に関する強度情報としたり、信号強度Ｉ［ｄＢ］の平均値Ｉavgを計算して関心領域に関する強度情報としたりする。
The signal
ここで、信号強度特定部４２によって特定されたり計算されたりする所定の特性をもった信号強度Ｉ［ｋｍ／ｈ］のことを「信号強度情報」と呼ぶ。つまり、信号強度特定部４２は、クラスタＮごとの、関心領域に関する、相対速度Ｖの値と信号強度情報の値（例えば、最大値Ｉmax，平均値Ｉavg［ｄＢ］）との組み合わせデータを出力する。
Here, the signal strength I [km/h] having a predetermined characteristic that is specified or calculated by the signal
ＶＴデータ生成部４３は、信号強度特定部４２から出力される関心領域に関する信号強度情報を用いて、各レーダスキャンの実行時刻に基づく経過時間Ｔ［秒］および相対速度Ｖ［ｋｍ／ｈ］と、これら経過時間Ｔ［秒］と相対速度Ｖ［ｋｍ／ｈ］との組み合わせに対応する信号強度情報（例えば、最大値Ｉmax，平均値Ｉavg［ｄＢ］）と、の組み合わせデータを生成する。
The VT
信号処理部２、物標位置検出部３、および物標計算部４による処理は、レーダスキャンごとに行われる。すなわち、１回のレーダスキャンが行われるたびに、クラスタＮごとの、関心領域に関する、経過時間Ｔ［秒］と相対速度Ｖ［ｋｍ／ｈ］と信号強度情報（例えば、最大値Ｉmax，平均値Ｉavg［ｄＢ］）との組み合わせデータが作成される。
Processing by the
特徴量計算部５は、物標計算部４における処理結果を用いて、物標としての移動している人の属性を識別するための特徴量を計算する。特徴量計算部５は、相関計算部５１、周期計算部５２、振幅計算部５３、および相関変換部５４を含んで構成され、物標計算部４から出力される、前記物標計算部４おける処理結果を用いて、検知対象エリア内を移動している人に関する特徴量を計算する。下記において説明する特徴量計算部５による処理は、その都度断らないが、クラスタＮごとに（言い換えると、クラスタＮ各々を単位として）行われる。
The feature
相関計算部５１は、物標計算部４のＶＴデータ生成部４３から出力される経過時間Ｔ［秒］と相対速度Ｖ［ｋｍ／ｈ］との組み合わせに対応する信号強度情報（例えば、最大値Ｉmax，平均値Ｉavg［ｄＢ］）のデータを用いて相関分析を行う。
The
相関計算部５１は、具体的には、まず、所定の時間長さぶん（言い換えると、レーダスキャンの所定の回数ぶん）のレーダスキャンごとの相対速度Ｖの値と信号強度情報の値との組み合わせデータの集合を時系列（言い換えると、レーダスキャンの実行順）に配列する。時系列で配列された、レーダスキャンごとの相対速度Ｖの値と信号強度情報の値との組み合わせデータの集合のことを「速度・強度の時系列データ」と呼ぶ。
Specifically, the
相関計算部５１から出力される速度・強度の時系列データの一例を図３に示す。図３は、各レーダスキャンの実行時刻に基づく経過時間Ｔ［秒］（即ち、１回のレーダスキャンあたりのサンプリング時間幅（例えば、５０ミリ秒間）とレーダスキャンの実行回数とを掛け合わせたもの）を横軸とするとともに相対速度Ｖ［ｋｍ／ｈ］の値を縦軸として、経過時間Ｔ［秒］と相対速度Ｖ［ｋｍ／ｈ］との組み合わせに対応する信号強度（受信レベル）Ｉ［ｄＢ］のうちの最大値Ｉmax［ｄＢ］を明暗で表して表示したものである。図３では、最大信号強度が、弱い場合は暗く表示され、強い場合は明るく表示されている。速度・強度の時系列データは、時系列における、物標に関する瞬時の速度の分布情報であるとも言える。なお、図３および図５～図１６は、２．５秒ぶん（言い換えると、５０回分のレーダスキャン）のデータが用いられて整理されている。
FIG. 3 shows an example of speed/intensity time series data output from the
ここで、レーダ装置を用いて得られる相対速度の情報は、物標としての移動している人の胴体速度だけでなく、頭、上腕、前腕・手先、大腿、および下腿・足先などの様々な部位の速度成分を同時に取得している。したがって、移動している人の頭、胴体、上腕、前腕・手先、大腿、および下腿・足先などの各部位の速度の情報が内在することになるため、レーダスキャンごとの相対速度Ｖの値と信号強度情報の値（図３に示す例では、最大信号強度の値）との組み合わせデータを時系列に並べることにより、各部位の運動／動作の周期が重畳して現れるようになる。 Here, the information on the relative speed obtained using a radar device is not only the speed of the torso of a moving person as a target, but also the speed of the head, upper arm, forearm/hand, thigh, lower leg/feet, etc. The velocity components of different parts are acquired simultaneously. Therefore, since information on the speed of each part of a moving person, such as the head, torso, upper arm, forearm/hand, thigh, and lower leg/feet, is included, the value of relative velocity V for each radar scan is included. By arranging the combination data of the signal strength information and the signal strength information value (in the example shown in FIG. 3, the maximum signal strength value) in chronological order, the motion/motion cycles of each part appear superimposed.
相関計算部５１は、続いて、速度・強度の時系列データについて、レーダスキャンごとの相対速度Ｖの値と信号強度情報の値との組み合わせデータの時系列の配列を時間軸方向に１つずつシフトさせながら内積を計算して、シフト前の、時系列で配列された組み合わせデータの集合との対比における相関値を計算する（図４参照）。組み合わせデータの時系列の配列を時間軸方向に１つシフトさせる際、時系列の最後の時点に配置されている組み合わせデータは時系列の最初の時点へと配置される（図４参照）。相関値の計算は、時系列で配列された組み合わせデータの数と同じだけシフトを繰り返して行われる。なお、図４に示す例では、時系列で配列された組み合わせデータの数が５０であり、シフト実行回が５０回目のデータは、シフト前の、時系列で配列された組み合わせデータの集合と一致する。
Next, regarding the speed/intensity time series data, the
相関計算部５１は、速度・強度の時系列データを構成する、レーダスキャンごとの相対速度Ｖの値と信号強度情報の値との組み合わせデータを時間軸方向にシフトさせた回（「データのシフト回」とも表記する）ごとの相関値を出力する。相関計算部５１によって計算される、クラスタＮについてのデータのシフト回ごとの相関値の集まりのことを「クラスタＮの相関値の集合」と呼ぶ。
The
相関計算部５１から出力されるクラスタＮの相関値の集合のデータの一例を図５に示す。図５は、データのシフト回を横軸とするとともに相関値を縦軸として、データのシフト回ごとの相関値の変動を折れ線で表して表示したものである。図５では、物標の運動の周期が重なったときに相関値のピークが現れる。
FIG. 5 shows an example of data of a set of correlation values of cluster N output from the
周期計算部５２は、相関計算部５１から出力されるクラスタＮの相関値の集合を用いて、クラスタＮの相関値の集合を時系列（即ち、速度・強度の時系列データについての時間軸方向のシフトの実行順）に配列したときの、相関値のピーク間の差分の平均値を計算して出力する。
The
クラスタＮの相関値の集合（即ち、時系列で配列された相対速度Ｖの値と信号強度情報の値との組み合わせデータを時間軸方向に１つずつシフトさせながら、シフト前の、時系列で配列された組み合わせデータの集合との対比における相関値の集まり）における相関値のピーク間の差分Ｄ１，Ｄ２，Ｄ３は、物標の動作の周期性を表す指標である（図６参照）。すなわち、相関値のピーク間の差分の平均値により、物標の運動周期（ここでは、移動している人の歩行に纏わる動作の周期）の遅速を把握することが可能となる。なお、シフト実行回が５０回目のデータは、シフト前の、時系列で配列された組み合わせデータの集合と一致するので相関値が１であり、周期計算部５２による処理においては相関値のピークとしては扱わない。
While shifting the set of correlation values of cluster N (that is, the combination data of relative velocity V values and signal strength information values arranged in time series) one by one in the time axis direction, Differences D1, D2, and D3 between the peaks of the correlation values in the collection of correlation values compared to the set of arranged combination data are indicators representing the periodicity of the movement of the target object (see FIG. 6). That is, the average value of the difference between the peaks of the correlation values makes it possible to grasp the slowness of the motion cycle of the target (here, the cycle of motion related to the walking of a moving person). Note that the data of the 50th shift execution matches the set of combination data arranged in time series before the shift, so the correlation value is 1, and in the processing by the
振幅計算部５３は、相関計算部５１から出力されるクラスタＮの相関値の集合を用いて、クラスタＮの相関値の集合を時系列（即ち、速度・強度の時系列データについての時間軸方向のシフトの実行順）に配列したときの、相関値の極大値および極小値の平均と分散とを計算して出力する。
The
クラスタＮの相関値の集合における相関値の極大値Ｅx１，Ｅx２，Ｅx３，Ｅx４および極小値Ｅn１，Ｅn２，Ｅn３，Ｅn４，Ｅn５は、物標の動作の振幅を表す指標である（図７参照）。すなわち、相関値の極大値および極小値の平均や分散により、物標の運動の振幅や変動（ここでは、移動している人の歩行に纏わる動作の振れ幅やばらつき）の大小を把握することが可能となる。なお、シフト実行回が５０回目のデータは、シフト前の、時系列で配列された組み合わせデータの集合と一致するので相関値が１であり、振幅計算部５３による処理においては相関値の極大値としては扱わない。
The local maximum values Ex1, Ex2, Ex3, Ex4 and the local minimum values En1, En2, En3, En4, En5 of the correlation values in the set of correlation values of cluster N are indicators representing the amplitude of the movement of the target object (see FIG. 7). . In other words, it is possible to understand the amplitude and variation of the movement of a target object (here, the amplitude and dispersion of movement related to the walking of a moving person) by the average and variance of the maximum and minimum correlation values. becomes possible. Note that the data of the 50th shift execution matches the set of combination data arranged in time series before the shift, so the correlation value is 1, and in the processing by the
相関変換部５４は、相関計算部５１から出力されるクラスタＮの相関値の集合を用いて、高速フーリエ変換を行い、Ｌ1ノルムを計算して出力する。相関変換部５４は、具体的には、以下の処理を行う。
The
１）相関計算部５１から出力される、所定の時間長さぶん（言い換えると、レーダスキャンの所定の回数ぶん）の、データのシフト回ごとの相関値の平均（「相関平均値」と呼ぶ）を算出する。
２）データのシフト回ごとの相関値と相関平均値との差（「シフト回ごとの相関差分」と呼ぶ）を算出する。
３）シフト回ごとの相関差分に対して高速フーリエ変換処理を施す。具体的には、シフト回ごとの相関値の大きさ（言い換えると、振幅）に対して高速フーリエ変換処理を施して相関値の振幅の分布を示すパワースペクトルを生成する。
４）高速フーリエ変換処理の結果の絶対値をとり、前記絶対値を２乗する。
５）上記４の結果として算出される、前記絶対値を２乗した値の集合のうちの最大値で、前記絶対値を２乗した値のそれぞれを割り、前記絶対値を２乗した値を０から１までの範囲で正規化する。
1) The average of the correlation values for each data shift for a predetermined length of time (in other words, a predetermined number of radar scans) output from the correlation calculation unit 51 (referred to as "correlation average value") Calculate.
2) Calculate the difference between the correlation value for each data shift and the correlation average value (referred to as "correlation difference for each shift").
3) Perform fast Fourier transform processing on the correlation difference for each shift. Specifically, fast Fourier transform processing is performed on the magnitude (in other words, amplitude) of the correlation value for each shift to generate a power spectrum indicating the distribution of the amplitude of the correlation value.
4) Take the absolute value of the result of the fast Fourier transform process and square the absolute value.
5) Divide each of the squared absolute values by the maximum value of the set of values obtained by squaring the absolute value calculated as a result of 4 above, and calculate the value obtained by squaring the absolute value. Normalize in the range from 0 to 1.
上記の処理により、クラスタＮの相関値の集合の、高速フーリエ変換処理後のＬ1ノルムが求められ、相関変換部５４は、高速フーリエ変換処理後のＬ1ノルムとして、高速フーリエ変換後の周波数と振幅との組み合わせデータを出力する（図８参照）。
Through the above processing, the L 1 norm after the fast Fourier transform of the set of correlation values of cluster N is obtained, and the
上記により、特徴量計算部５は、クラスタＮごとの、相関値のピーク間の差分の平均値、相関値の極大値および極小値の平均と分散、さらに高速フーリエ変換後のＬ1ノルムとしての周波数および振幅の組み合わせデータを出力する。
As a result of the above, the
識別部６は、特徴量計算部５から出力されるクラスタＮごとの各種指標の組み合わせデータに基づいて、クラスタＮごとに物標の属性を識別する。識別部６は、具体的には例えば、クラスタＮに対応する、物標としての移動している人の性別や年代を判別する。
The
人の属性の判別について、識別部６は、例えば、機械学習のアルゴリズムの１つであるサポートベクターマシンを用いて判別処理を行うようにしてもよい。
Regarding discrimination of a person's attributes, the
この場合は、識別部６は、例えば、クラスタＮの相関値の集合の、相関値のピーク間の差分の平均値ｘ１、相関値の極大値および極小値の平均の値ｘ２、ならびに相関値の極大値および極小値の分散の値ｘ３を変数として含むとともに係数ｆ１、ｆ２、およびｆ３を含む式（下記の数式１参照）を用いて人の属性の判別処理を行う。数式１について、例えば、クラスタＮが男性についてのレーダ信号点群である場合はｙ＝０とされ、クラスタＮが女性についてのレーダ信号点群である場合はｙ＝１とされる。
（数１） ｙ＝ｆ(ｘ１，ｘ２，ｘ３，ｆ１，ｆ２，ｆ３)
In this case, the
(Math. 1) y=f(x1, x2, x3, f1, f2, f3)
数式１の係数ｆ１、ｆ２、およびｆ３は、サポートベクターマシンが用いられて予め決定される。係数ｆ１、ｆ２、およびｆ３の値は、男性についてのレーダ信号点群で構成されるクラスタＮの相関値の集合の、相関値のピーク間の差分の平均値ｘ１、相関値の極大値および極小値の平均の値ｘ２、ならびに相関値の極大値および極小値の分散の値ｘ３、ならびにｙの値（即ち、０）の組み合わせ（複数の組み合わせ）と、女性についてのレーダ信号点群で構成されるクラスタＮの相関値の集合の、相関値のピーク間の差分の平均値ｘ１、相関値の極大値および極小値の平均の値ｘ２、ならびに相関値の極大値および極小値の分散の値ｘ３、ならびにｙの値（即ち、１）の組み合わせ（複数の組み合わせ）と、を含む教師データが用意され、この教師データを男性についてのクラスタと女性についてのクラスタとに分離するための平面（「超平面」と呼ばれる）が最大のマージンを有するように決定される。
Coefficients f1, f2, and f3 in
識別部６は、上記によって予め決定された係数ｆ１、ｆ２、およびｆ３を含む数式１に、特徴量計算部５から出力されるクラスタＮの相関値のピーク間の差分の平均値ｘ１、相関値の極大値および極小値の平均の値ｘ２、ならびに相関値の極大値および極小値の分散の値ｘ３を代入して求められるｙの値に基づいて、前記クラスタＮが、男性についてのレーダ信号点群であるのか、或いは、女性についてのレーダ信号点群であるのかを判別する。
The
ここで、識別部６は、クラスタＮの相関値の集合を時系列に配列したときの、相関値のピーク間の差分の平均値ｘ１、相関値の極大値および極小値の平均の値ｘ２、ならびに相関値の極大値および極小値の分散の値ｘ３のうちの少なくとも一つを用いて人の属性の判別処理を行うようにしてもよい。さらに、識別部６は、クラスタＮの相関値の集合の、高速フーリエ変換処理後のＬ1ノルムのみを用いて人の属性の判別処理を行うようにしてもよく、或いは、上記平均値ｘ１、平均の値ｘ２、および分散の値ｘ３のうちの少なくとも一つと前記Ｌ1ノルムとを組み合わせて用いて人の属性の判別処理を行うようにしてもよい。識別部６は、また、人の属性として、例えば、成人であるか子供であるかを判別するようにしてもよい。
Here, the
また、識別部６は、人の属性の判別について、機械学習のアルゴリズムの１つであるニューラルネットワーク、具体的には例えばＲＮＮ（Ｒeccurent Ｎeural Ｎetwork の略）であるＬＳＴＭ（Ｌong－Ｓhort Ｔerm Ｍemory の略）アルゴリズムを用いて判別処理を行うようにしてもよい。
In addition, the
次に、このような構成の属性の識別装置１および属性の識別方法の動作や作用などについて図２も用いて説明する。
Next, the operation and effects of the
まず、信号処理部２の周波数解析部２１が、レーダ装置から出力されるレーダデータ（別言すると、波形データ；具体的には、差分信号の振幅）としてのデジタル信号に対して高速フーリエ変換を用いて周波数解析を行って周波数スペクトルを生成し、差分信号のドップラ周波数ごとのスペクトル強度および位相情報を出力する（ステップＳ１）。
First, the
次に、位置計算部２２が、周波数解析部２１から出力される位相情報に基づいて、ドップラ周波数ごとに、レーダ装置と検知対象の物標との間の距離を計算するとともにレーダ装置に対する前記物標の方位角度を計算し、計算の結果得られる距離情報および角度情報を出力する（ステップＳ２）。また、速度計算部２３が、周波数解析部２１における周波数解析で用いられたドップラ周波数を用いて、ドップラ周波数ごとに相対速度を計算して出力する（ステップＳ３）。
Next, the
次に、物標位置検出部３の信号点抽出部３１が、信号処理部２の周波数解析部２１によって生成される周波数スペクトルにおけるピークに対応するドップラ周波数（別言すると、ピーク周波数）を検出するとともに、位置計算部２２から出力されるドップラ周波数ごとの距離情報および角度情報を用いて、前記検出されたドップラ周波数（ピーク周波数）に対応するレーダ信号点の分布情報を生成して出力する（ステップＳ４）。また、クラスタ生成部３２が、前記分布情報を用いてクラスタリング処理を行い、レーダ信号点のクラスタを生成する（ステップＳ５）。さらに、代表点特定部３４が、クラスタＮの代表点（例えば、重心位置）を特定する（ステップＳ６）。この際、追尾処理部３３が、連続する時点においてクラスタ生成部３２によって生成される、同一の物標に関するクラスタを関連づけることにより、クラスタＮの追尾処理を行う。
Next, the signal
次に、物標計算部４の関心領域設定部４１が、クラスタＮの代表点の位置を中心とする所定の範囲を関心領域として設定した上で、関心領域に関する４次元データ（Ｘ，Ｙ，Ｉ，Ｖ）を出力する（ステップＳ７）。続いて、信号強度特定部４２が、関心領域に関する４次元データ（Ｘ，Ｙ，Ｉ，Ｖ）を速度成分ごとに参照し、速度成分別に、関心領域に関する信号強度情報を生成し（ステップＳ８）、また、ＶＴデータ生成部４３が、前記信号強度情報を用いて、各レーダスキャンの実行時刻に基づく経過時間Ｔ［秒］および相対速度Ｖ［ｋｍ／ｈ］と、これら経過時間Ｔ［秒］と相対速度Ｖ［ｋｍ／ｈ］との組み合わせに対応する信号強度情報（例えば、最大値Ｉmax，平均値Ｉavg［ｄＢ］）と、の組み合わせデータを生成する。
Next, the region of
次に、特徴量計算部５の相関計算部５１が、物標計算部４のＶＴデータ生成部４３から出力される経過時間Ｔ［秒］と相対速度Ｖ［ｋｍ／ｈ］との組み合わせに対応する信号強度情報（例えば、最大値Ｉmax，平均値Ｉavg［ｄＢ］）のデータを用いて、所定の時間長さぶんのレーダスキャンごとの前記データの集合を時系列に配列して速度・強度の時系列データを作成し、作成した速度・強度の時系列データについて、レーダスキャンごとの相対速度Ｖの値と信号強度情報の値との組み合わせデータの時系列の配列を時間軸方向に１つずつシフトさせながら、シフト前の、時系列で配列された組み合わせデータの集合との対比における相関値を計算する（ステップＳ９）。
Next, the
続いて、周期計算部５２が、相関計算部５１から出力されるクラスタＮの相関値の集合を時系列（即ち、速度・強度の時系列データについての時間軸方向のシフトの実行順）に配列したときの、相関値のピーク間の差分の平均値を計算する。また、振幅計算部５３が、相関計算部５１から出力されるクラスタＮの相関値の集合を時系列（即ち、速度・強度の時系列データについての時間軸方向のシフトの実行順）に配列したときの、相関値の極大値および極小値の平均と分散とを計算する。さらに、相関変換部５４が、相関計算部５１から出力されるクラスタＮの相関値の集合に対して高速フーリエ変換を行ってＬ1ノルムを計算する（ステップＳ１０）。
Next, the
次に、識別部６が、特徴量計算部５から出力される、クラスタＮごとの、相関値のピーク間の差分の平均値、相関値の極大値および極小値の平均と分散、ならびに高速フーリエ変換後のＬ1ノルムとしての周波数および振幅の値に基づいて、クラスタＮごとに物標としての移動している人の属性を識別する（ステップＳ１１）。なお、具体的には、相関値のピーク間の差分の平均値、相関値の極大値および極小値の平均と分散、ならびに高速フーリエ変換後のＬ1ノルムのうちの少なくとも一つに基づいて、物標としての移動している人の属性を識別するようにすればよい。
Next, the
ここで、人の属性の違いによる、レーダデータに表れる特性の比較の例を説明する。 Here, an example of comparison of characteristics appearing in radar data due to differences in human attributes will be explained.
図９は、物標が男性である場合の、５０回のレーダスキャンによって取得されたレーダデータについてのクラスタＮの相関値の集合と、物標が女性である場合の、５０回のレーダスキャンによって取得されたレーダデータについてのクラスタＮの相関値の集合とのそれぞれに関して、データのシフト回ごとの相関値の変動を折れ線で表して表示して１つのグラフ上に整理したグラフである。図９から、男性と女性とではデータのシフト回ごとの相関値の変動に明らかな違いがあることが看取され、データのシフト回ごとの相関値の変動に基づいて、男性であるか女性であるかを判別することが、延いては人の属性を識別することが可能であることが確認される。 Figure 9 shows a set of correlation values of cluster N for radar data acquired through 50 radar scans when the target is male, and a set of correlation values for cluster N for radar data acquired through 50 radar scans when the target is female. This is a graph in which fluctuations in correlation values for each shift of data are displayed as a polygonal line with respect to a set of correlation values of cluster N for acquired radar data and arranged on one graph. From Figure 9, it can be seen that there is a clear difference in the fluctuation of the correlation value for each data shift between men and women. It is confirmed that it is possible to identify a person's attributes by determining whether the person is a person.
図１０は、物標が男性である場合の、５０回のレーダスキャンによって取得されたレーダデータについてのクラスタＮの相関値の集合と、物標が女性である場合の、５０回のレーダスキャンによって取得されたレーダデータについてのクラスタＮの相関値の集合とのそれぞれに関して（尚、レーダデータは図９に関連して用いたものと同じである）、高速フーリエ変換処理後のＬ1ノルムの値を折れ線で表示して１つのグラフ上に整理したグラフである。図１０から、男性と女性とではＬ1ノルムの値に明らかな違いがあることが看取され、Ｌ1ノルムの値に基づいて男性であるか女性であるかを判別することが、延いては人の属性を識別することが可能であることが確認される。 Figure 10 shows a set of correlation values of cluster N for radar data acquired through 50 radar scans when the target is male, and a set of correlation values for cluster N for radar data acquired through 50 radar scans when the target is female. For each set of correlation values of cluster N for the acquired radar data (note that the radar data is the same as that used in connection with FIG. 9), the value of L 1 norm after fast Fourier transform processing This is a graph in which the graphs are displayed as a line and arranged on one graph. From Figure 10, it can be seen that there is a clear difference in the value of L 1 norm between men and women, and it is difficult to distinguish between men and women based on the value of L 1 norm. It is confirmed that it is possible to identify the attributes of a person.
図１１は、相関値のピーク間の差分の平均値（図では「周期」と表記）、相関値の極大値および極小値の平均の値、ならびに相関値の極大値および極小値の分散の値についての直交３軸座標系に、レーダデータから検出・抽出されたクラスタについて計算される値に基づいてクラスタごとにプロットした結果である。図１１に示すクラスタのそれぞれについては、男性についてのクラスタであるのか女性についてのクラスタであるのかが分かっている。図１１に示す結果から、男性についてのクラスタと女性についてのクラスタとに分離するための平面が存在すると考えられる。 Figure 11 shows the average value of the difference between the peaks of correlation values (denoted as "period" in the figure), the average value of the local maximum value and local minimum value of the correlation value, and the value of the variance of the local maximum value and local minimum value of the correlation value. These are the results plotted for each cluster on an orthogonal three-axis coordinate system based on values calculated for clusters detected and extracted from radar data. For each cluster shown in FIG. 11, it is known whether it is a cluster about men or a cluster about women. From the results shown in FIG. 11, it is thought that there is a plane for separating clusters for men and clusters for women.
図１２は、図１１に示すデータについてサポートベクターマシンを用いて判別処理を行って超平面を計算した結果である。図１２に示す結果から、相関値のピーク間の差分の平均値、相関値の極大値および極小値の平均の値、ならびに相関値の極大値および極小値の分散の値を適切に組み合わせて用いることにより、機械学習のアルゴリズムを用いて男性であるか女性であるかを判別することが、延いては人の属性を識別することが可能であることが確認される。 FIG. 12 shows the results of calculating a hyperplane by performing discrimination processing on the data shown in FIG. 11 using a support vector machine. From the results shown in Figure 12, the average value of the difference between the peaks of the correlation values, the average value of the local maximum value and local minimum value of the correlation value, and the value of the variance of the local maximum value and the local minimum value of the correlation value are used in appropriate combinations. This confirms that it is possible to use machine learning algorithms to determine whether a person is male or female, and by extension identify a person's attributes.
以上、この発明の実施の形態について説明したが、具体的な構成は、上記の実施の形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計の変更等があっても、この発明に含まれる。具体的には、この発明の要旨は、所定の時間長さぶんのレーダスキャンごとの相対速度Ｖの値と信号強度情報の値との組み合わせデータの集合を時系列に配列した上で、前記組み合わせデータの時系列の配列を時間軸方向に１つずつシフトさせながら、シフト前の、時系列で配列された前記組み合わせデータの集合との対比として計算される相関値を用いて物標の属性を判別することであり、この要旨を逸脱しない範囲の設計の変更等があっても、この発明に含まれる。例えば、この発明が適用される装置の具体的な構成は上記の実施の形態における属性の識別装置１に限定されるものではなく、具体的な装置構成は種々の態様があり得る。
Although the embodiments of this invention have been described above, the specific configuration is not limited to the above embodiments, and even if there are changes in the design within the scope of the gist of this invention, Included in invention. Specifically, the gist of the present invention is to arrange a set of combination data of relative velocity V values and signal strength information values for each radar scan for a predetermined length of time in chronological order, and then While shifting the time series arrangement of data one by one in the time axis direction, the attributes of the target are determined using the correlation value calculated as a comparison with the set of the combined data arranged in time series before the shift. However, even if there are changes in the design that do not depart from the scope of this invention, they are included in the present invention. For example, the specific configuration of the device to which the present invention is applied is not limited to the
また、上記の実施の形態では特徴量計算部５がクラスタＮの相関値の集合を時系列に配列したときの、相関値のピーク間の差分の平均値、相関値の極大値および極小値の平均、ならびに相関値の極大値および極小値の分散を計算するとともに識別部６が前記指標のうちの少なくとも一つを用いて人の属性の判別処理を行うようにしているが、相関計算部５１によって計算されて出力されるクラスタＮの相関値の集合を用いて計算される、物標としての移動している人の属性を識別するための特徴量としての指標は前記したものには限定されない。例えば、クラスタＮの相関値の集合における相関値の極大値および極小値の中央値やレンジなどが計算されて判別処理に用いられるようにしてもよい。
Furthermore, in the above embodiment, when the
また、代表点特定部３４および関心領域設定部４１が人の特定の部位に限定して関心領域を設定して前記関心領域に関して取得されたレーダデータが用いられるようにしてもよい。この点に関連して、図１３は、物標を手先に限定した場合の、５０回のレーダスキャンによって取得されたレーダデータについてのクラスタＮの相関値の集合に関して、データのシフト回ごとの相関値の変動を折れ線で表して表示したグラフであり、（Ａ）は成人についての結果であり、（Ｂ）は子供についての結果である。これら図１３の（Ａ）と（Ｂ）との比較から、成人と子供とではデータのシフト回ごとの相関値の変動に明らかな違いがあることが看取され、物標が手先に限定されたレーダデータを用いることにより、或いは、物標として手先を含むレーダデータを用いることにより、データのシフト回ごとの相関値の変動に基づいて成人であるか子供であるかを判別することが、延いては人の属性を識別することが可能であることが確認される。また、図１３の（Ａ）と（Ｂ）との整理から、相関値の極大値および極小値の分散が、成人の手先は１．１７６０となり、子供の手先は０．０７７３となる。また、相関値の極大値および極小値の平均が、成人の手先は０．９９８２となり、子供の手先は０．９９９１となる。これらの結果から、成人と子供とでは相関値の極大値および極小値の特に分散が大きく異なるので、物標が手先に限定されたレーダデータを用いることにより、或いは、物標として手先を含むレーダデータを用いることにより、データのシフト回ごとの相関値の極大値および極小値の分散に基づいて成人であるか子供であるかを判別することが、延いては人の属性を識別することが可能であることが確認される。
Alternatively, the representative
図１４は、物標をももに限定した場合の、５０回のレーダスキャンによって取得されたレーダデータについてのクラスタＮの相関値の集合に関して、データのシフト回ごとの相関値の変動を折れ線で表して表示したグラフであり、（Ａ）は成人についての結果であり、（Ｂ）は子供についての結果である。これら図１４の（Ａ）と（Ｂ）との比較から、成人と子供とではデータのシフト回ごとの相関値の変動に明らかな違いがあることが看取され、物標がももに限定されたレーダデータを用いることにより、或いは、物標としてももを含むレーダデータを用いることにより、データのシフト回ごとの相関値の変動に基づいて成人であるか子供であるかを判別することが、延いては人の属性を識別することが可能であることが確認される。また、図１４の（Ａ）と（Ｂ）との整理から、相関値の極大値および極小値の分散が、成人のももは１．８９２７となり、子供のももは０．２０７８となる。また、相関値の極大値および極小値の平均が、成人のももは０．９９８８となり、子供のももは０．９９８８となる。これらの結果から、成人と子供とでは相関値の極大値および極小値の特に分散が大きく異なるので、物標がももに限定されたレーダデータを用いることにより、或いは、物標としてももを含むレーダデータを用いることにより、データのシフト回ごとの相関値の極大値および極小値の分散に基づいて成人であるか子供であるかを判別することが、延いては人の属性を識別することが可能であることが確認される。 Figure 14 shows, as a polygonal line, the fluctuation of the correlation value for each data shift regarding the set of correlation values of cluster N for radar data acquired through 50 radar scans when the target object is limited to the thigh. These are graphs shown and displayed, in which (A) is the result for adults and (B) is the result for children. From the comparison between (A) and (B) in Figure 14, it can be seen that there is a clear difference in the fluctuation of the correlation value for each data shift between adults and children, and the target object is limited to the thigh. It is possible to determine whether a person is an adult or a child based on the fluctuation of the correlation value each time the data is shifted, by using the radar data that has been detected, or by using the radar data that includes the thigh as a target object. However, it has been confirmed that it is possible to identify a person's attributes. Furthermore, from the arrangement of FIGS. 14A and 14B, the variance of the maximum and minimum correlation values is 1.8927 for an adult's thigh and 0.2078 for a child's thigh. Further, the average of the maximum and minimum correlation values is 0.9988 for an adult's thigh and 0.9988 for a child's thigh. These results show that the variance of the maximum and minimum correlation values is significantly different between adults and children. By using the included radar data, it is possible to determine whether a person is an adult or a child based on the variance of the maximum and minimum correlation values for each data shift, and by extension identify the attributes of a person. It is confirmed that this is possible.
図１５は、物標を手先に限定した場合の、５０回のレーダスキャンによって取得されたレーダデータについてのクラスタＮの相関値の集合に関して、高速フーリエ変換処理後のＬ1ノルム（具体的には、周波数と振幅との組み合わせデータ）を折れ線で表示したグラフであり、（Ａ）は成人についての結果であり、（Ｂ）は子供についての結果である。これら図１５の（Ａ）と（Ｂ）との比較から、成人と子供とではＬ1ノルムの値に明らかな違いがあることが看取され、物標が手先に限定されたレーダデータを用いることにより、或いは、物標として手先を含むレーダデータを用いることにより、Ｌ1ノルムの値に基づいて成人であるか子供であるかを判別することが、延いては人の属性を識別することが可能であることが確認される。 FIG. 15 shows the L 1 norm (specifically, , combination data of frequency and amplitude) is displayed as a line, in which (A) shows the results for adults, and (B) shows the results for children. From the comparison between (A) and (B) in Figure 15, it can be seen that there is a clear difference in the value of L1 norm between adults and children, and using radar data where the target is limited to the hand. By doing so, or by using radar data that includes hands as targets, it is possible to determine whether a person is an adult or a child based on the value of the L1 norm, and by extension to identify the attributes of a person. It is confirmed that this is possible.
図１６は、物標をももに限定した場合の、５０回のレーダスキャンによって取得されたレーダデータについてのクラスタＮの相関値の集合に関して、高速フーリエ変換処理後のＬ1ノルム（具体的には、周波数と振幅との組み合わせデータ）を折れ線で表示したグラフであり、（Ａ）は成人についての結果であり、（Ｂ）は子供についての結果である。これら図１６の（Ａ）と（Ｂ）との比較から、成人と子供とではＬ1ノルムの値に明らかな違いがあることが看取され、物標がももに限定されたレーダデータを用いることにより、或いは、物標としてももを含むレーダデータを用いることにより、Ｌ1ノルムの値に基づいて成人であるか子供であるかを判別することが、延いては人の属性を識別することが可能であることが確認される。 FIG. 16 shows the L 1 norm (specifically, is a graph in which the combination data of frequency and amplitude is displayed as a line. (A) is the result for adults, and (B) is the result for children. From the comparison between (A) and (B) in Figure 16, it can be seen that there is a clear difference in the value of the L1 norm between adults and children, and it can be seen that there is a clear difference in the value of the L1 norm between adults and children. By using radar data that includes targets and thighs, it is possible to determine whether a person is an adult or a child based on the value of the L1 norm, and by extension to identify the attributes of a person. It is confirmed that it is possible to do so.
この発明は、簡便な機器構成によって歩行者の性別や年代などの属性の識別を高精度に行うことができるので、例えば、自動車の運転支援に関する分野や侵入者検知に関する分野において有用な技術として適用され得る。 This invention can identify attributes such as gender and age of pedestrians with high precision using a simple device configuration, so it can be applied as a useful technology in, for example, the field of automobile driving support and the field of intruder detection. can be done.
１ 属性の識別装置
２ 信号処理部
２１ 周波数解析部
２２ 位置計算部
２３ 速度計算部
３ 物標位置検出部
３１ 信号点抽出部
３２ クラスタ生成部
３３ 追尾処理部
３４ 代表点特定部
４ 物標計算部
４１ 関心領域設定部
４２ 信号強度特定部
４３ ＶＴデータ生成部
５ 特徴量計算部
５１ 相関計算部
５２ 周期計算部
５３ 振幅計算部
５４ 相関変換部
６ 識別部
1
Claims (4)
前記周波数スペクトルに基づいて前記検知対象エリア内を移動する物標に関するレーダ信号点それぞれの相対速度を計算する速度計算部と、
前記周波数スペクトルのピークを検出して前記レーダ信号点を抽出する信号点抽出部と、
抽出された前記レーダ信号点のクラスタを生成するクラスタ生成部と、
前記クラスタの代表点を特定する代表点特定部と、
前記代表点を含む関心領域を設定する関心領域設定部と、
前記関心領域に含まれる前記レーダ信号点それぞれの前記相対速度の値別に信号強度情報を計算する信号強度特定部と、
所定の時間長さぶんの前記レーダスキャンごとの前記相対速度の値と前記信号強度情報の値との組み合わせデータの集合を時系列に配列した上で、前記組み合わせデータの時系列の配列を時間軸方向に１つずつシフトさせながら、シフト前の、時系列で配列された前記組み合わせデータの集合との対比における相関値を計算する相関計算部と、
前記相関値を用いて前記物標の属性を判別する識別部と、を有する、
ことを特徴とする属性の識別装置。 a frequency analysis unit that performs frequency analysis on radar data output from a radar device that transmits radio waves to a detection target area, receives radio waves from the detection target area, and performs radar scanning, and outputs a frequency spectrum;
a speed calculation unit that calculates the relative speed of each radar signal point regarding a target moving within the detection target area based on the frequency spectrum;
a signal point extraction unit that detects the peak of the frequency spectrum and extracts the radar signal point;
a cluster generation unit that generates a cluster of the extracted radar signal points;
a representative point identifying unit that identifies a representative point of the cluster;
a region of interest setting unit that sets a region of interest including the representative point;
a signal strength identification unit that calculates signal strength information for each of the relative velocity values of each of the radar signal points included in the region of interest;
After arranging a set of combination data of the relative velocity value and the signal strength information value for each radar scan for a predetermined time length in a time series, the time series arrangement of the combination data is arranged on a time axis. a correlation calculation unit that calculates a correlation value in comparison with the set of the combination data arranged in time series before shifting while shifting the data one by one in the direction;
an identification unit that determines an attribute of the target using the correlation value;
An attribute identification device characterized by:
ことを特徴とする請求項１に記載の属性の識別装置。 the identification unit determines attributes of the target using a machine learning algorithm;
The attribute identification device according to claim 1, characterized in that:
前記周波数スペクトルに基づいて前記検知対象エリア内を移動する物標に関するレーダ信号点それぞれの相対速度を計算する処理と、
前記周波数スペクトルのピークを検出して前記レーダ信号点を抽出する処理と、
抽出された前記レーダ信号点のクラスタを生成する処理と、
前記クラスタの代表点を特定する処理と、
前記代表点を含む関心領域を設定する処理と、
前記関心領域に含まれる前記レーダ信号点それぞれの前記相対速度の値別に信号強度情報を計算する処理と、
所定の時間長さぶんの前記レーダスキャンごとの前記相対速度の値と前記信号強度情報の値との組み合わせデータの集合を時系列に配列した上で、前記組み合わせデータの時系列の配列を時間軸方向に１つずつシフトさせながら、シフト前の、時系列で配列された前記組み合わせデータの集合との対比における相関値を計算する処理と、
前記相関値を用いて前記物標の属性を判別する処理と、を有する、
ことを特徴とする属性の識別方法。 A process of frequency-analyzing radar data output from a radar device that transmits radio waves to a detection target area, receives radio waves from the detection target area, and performs a radar scan, and outputs a frequency spectrum;
a process of calculating the relative speed of each radar signal point regarding a target moving within the detection target area based on the frequency spectrum;
a process of detecting the peak of the frequency spectrum and extracting the radar signal point;
a process of generating a cluster of the extracted radar signal points;
a process of identifying representative points of the cluster;
a process of setting a region of interest including the representative point;
a process of calculating signal strength information for each of the relative velocity values of each of the radar signal points included in the region of interest;
After arranging a set of combination data of the relative velocity value and the signal strength information value for each radar scan for a predetermined time length in a time series, the time series arrangement of the combination data is arranged on a time axis. a process of calculating a correlation value in comparison with the set of the combination data arranged in time series before the shift while shifting the data one by one in the direction;
a process of determining an attribute of the target using the correlation value;
A method for identifying attributes characterized by:
ことを特徴とする請求項３に記載の属性の識別方法。 determining attributes of the target using a machine learning algorithm;
The attribute identification method according to claim 3, characterized in that:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020083417A JP7377494B2 (en) | 2020-05-11 | 2020-05-11 | Attribute identification device and identification method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020083417A JP7377494B2 (en) | 2020-05-11 | 2020-05-11 | Attribute identification device and identification method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021179323A JP2021179323A (en) | 2021-11-18 |
| JP7377494B2 true JP7377494B2 (en) | 2023-11-10 |
Family
ID=78511240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020083417A Active JP7377494B2 (en) | 2020-05-11 | 2020-05-11 | Attribute identification device and identification method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7377494B2 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102598250B1 (en) * | 2023-07-11 | 2023-11-06 | 메타빌드주식회사 | Target detection method using radar signal, target detection system and computer program for the same |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010250501A (en) | 2009-04-14 | 2010-11-04 | Hitachi Automotive Systems Ltd | External environment recognition device for vehicle and vehicle system using the same |
| US9661470B1 (en) | 2015-10-05 | 2017-05-23 | Google Inc. | Methods and systems for locating an actor within an environment |
| JP2019128634A (en) | 2018-01-22 | 2019-08-01 | 株式会社日立製作所 | Optimization apparatus and optimization method for hyper parameter |
| JP2019200083A (en) | 2018-05-15 | 2019-11-21 | 株式会社デンソーテン | Radar device and signal processing method |
| US20190391250A1 (en) | 2018-06-26 | 2019-12-26 | Zoox, Inc. | Radar clustering and velocity disambiguation |
-
2020
- 2020-05-11 JP JP2020083417A patent/JP7377494B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010250501A (en) | 2009-04-14 | 2010-11-04 | Hitachi Automotive Systems Ltd | External environment recognition device for vehicle and vehicle system using the same |
| US9661470B1 (en) | 2015-10-05 | 2017-05-23 | Google Inc. | Methods and systems for locating an actor within an environment |
| JP2019128634A (en) | 2018-01-22 | 2019-08-01 | 株式会社日立製作所 | Optimization apparatus and optimization method for hyper parameter |
| JP2019200083A (en) | 2018-05-15 | 2019-11-21 | 株式会社デンソーテン | Radar device and signal processing method |
| US20190391250A1 (en) | 2018-06-26 | 2019-12-26 | Zoox, Inc. | Radar clustering and velocity disambiguation |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021179323A (en) | 2021-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jin et al. | Multiple patients behavior detection in real-time using mmWave radar and deep CNNs | |
| Mobasseri et al. | A time-frequency classifier for human gait recognition | |
| Erol et al. | Fall motion detection using combined range and Doppler features | |
| Kim et al. | Radar-based human activity recognition combining range–time–Doppler maps and range-distributed-convolutional neural networks | |
| Wang et al. | Millimeter-wave frequency modulated continuous wave radar-based soft fall detection using pattern contour-confined Doppler-time maps | |
| Qi et al. | Quantitative evaluation of channel micro-Doppler capacity for MIMO UWB radar human activity signals based on time–frequency signatures | |
| JP2019152441A (en) | Vital sensor | |
| US20220260702A1 (en) | Radar-Based Target Tracker | |
| Lim et al. | DNN-based human face classification using 61 GHz FMCW radar sensor | |
| Yang et al. | Spatial-temporal-circulated GLCM and physiological features for in-vehicle people sensing based on IR-UWB radar | |
| Kittiyanpunya et al. | Millimeter-Wave Radar-Based Elderly Fall Detection Fed by One-Dimensional Point Cloud and Doppler | |
| Shankar et al. | Radar-based non-intrusive fall motion recognition using deformable convolutional neural network | |
| JP7377494B2 (en) | Attribute identification device and identification method | |
| Yang et al. | Fall feature enhancement and fusion using the stockwell transform with dual mmWave radars | |
| Hu et al. | Radar-Based Fall Detection: A Survey | |
| JP2024514618A (en) | DNN-based human face classification | |
| Alkasimi et al. | Geolocation tracking for human identification and activity recognition using radar deep transfer learning | |
| Sona et al. | A measurement approach based on micro-Doppler maps for human motion analysis and detection | |
| Raeis et al. | InARMS: Individual activity recognition of multiple subjects with FMCW radar | |
| Darlis et al. | Autonomous Human and Animal Classification Using Synthetic 2D Tensor Data Based on Dual-Receiver mmWave Radar System | |
| CN114767074B (en) | Vital sign measuring method, equipment and storage medium | |
| Zheng et al. | Real-Time Fall Recognition Using a Lightweight Convolution Neural Network Based on Millimeter-Wave Radar | |
| Fusco et al. | RadarSleepNet: Sleep Pose Classification via PointNet++ and 5D Radar Point Clouds | |
| Nocera et al. | Walking pattern identification of FMCW radar data based on a combined CNN and bi-LSTM approach | |
| Zhong et al. | Human motion recognition in small sample scenarios based on GaN and CNN models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230330 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231017 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231020 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7377494 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |