一种基于双毫米波雷达的船载环境入侵检测方法及系统技术方案

本发明专利技术提供了一种基于双毫米波雷达的船载环境入侵检测方法及系统，其方法包括：基于双毫米波雷达获得上雷达信号和下雷达信号；基于上雷达信号和下雷达信号获得目标对象的上RDA图和下RDA图；对上RDA图和下RDA图进行距离和角度维累积，获得上肢MD特征、上肢CVD特征、mDs特征和下肢MD特征；构建入侵检测模型，基于上肢MD特征、上肢CVD特征、mDs特征、下肢MD特征以及入侵检测模型，获得目标对象的运动状态和身份信息；构建入侵状态判别模型，基于运动状态、身份信息以及入侵状态判别模型，对目标对象的入侵状态进行判别。本发明专利技术克服船舶动态环境影响，提高了船载环境入侵检测的准确性。提高了船载环境入侵检测的准确性。提高了船载环境入侵检测的准确性。

【技术实现步骤摘要】
一种基于双毫米波雷达的船载环境入侵检测方法及系统


[0001]本专利技术涉及船载环境人员特征识别
，具体涉及一种基于双毫米波雷达的船载环境入侵检测方法及系统。

技术介绍

[0002]船舶作为一种重要的水上交通运输工具，其对敏感区域（船舶驾驶舱、机舱等）的身份识别与异常人员入侵感知受到越来越多的关注。但是不同于陆地环境，船舶舱室众多、弱光、结构复杂、航行中船体震动、舱壁金属干扰严重的船载环境给目前的识别手段带来了一定的挑战和约束。
[0003]传统的用户识别解决方案通常基于密码（即文本和图形模式）或生理生物特征（例如语音、指纹和虹膜）。然而，它们作为合作式身份识别都需要用户的干预与配合，防护等级较低有被模仿、伪造的风险，并且难以同时识别多个用户。ID卡和身份手环等device
‑
based方案要求用户携带额外的身份识别设备，往往有遗失、被盗等风险。对环境的自动与智能感知是未来识别系统的一个关键特性，目前现代监控系统主要采用摄像机作为主要传感器收集信息。然而，摄像机具有基本的缺陷，例如无法在弱光环境、恶劣天气条件情况下进行记录。此外，在隐私敏感区域操作时，相机的无限制使用也会引起争议。相比之下，基于毫米波雷达的感知技术不受上述因素的影响，适合在复杂船载环境中实现稳定的身份识别与入侵感知。
[0004]现有技术中通常是通过单毫米波雷达进行船载环境入侵检测，但由于单毫米波雷达的视野有限以及船舶在航行中存在船体震动、舱壁金属干扰等场景，导致单毫米波雷达在船载环境中的特征不完整，进而造成船载环境入侵检测不准确的技术问题。

技术实现思路

[0005]有鉴于此，有必要提供一种基于双毫米波雷达的船载环境入侵检测方法及系统，用以解决现有技术中存在的通过单毫米波雷达进行船载环境入侵检测导致检测不准确的技术问题。
[0006]一方面，本专利技术提供了一种基于双毫米波雷达的船载环境入侵检测方法，所述双毫米波雷达包括以一定高度竖直摆放的上毫米波雷达和下毫米波雷达，所述基于双毫米波雷达的船载环境入侵检测方法包括：将所述上毫米波雷达和所述下毫米波雷达进行时间同步，并基于所述上毫米波雷达和所述下毫米波雷达采集船载环境以及目标对象在所述船载环境中运动时的雷达信号，获得上雷达信号和下雷达信号；基于所述上雷达信号和所述下雷达信号获得所述目标对象的上距离
‑
多普勒
‑
方位角图和下距离
‑
多普勒
‑
方位角图；对所述上距离
‑
多普勒
‑
方位角图和所述下距离
‑
多普勒
‑
方位角图进行距离和角度维的累积，获得所述目标对象的上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频
谱特征和下肢微多普勒特征；构建入侵检测模型，并基于所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征以及所述入侵检测模型，获得所述目标对象的运动状态和身份信息；构建入侵状态判别模型，并基于所述运动状态、所述身份信息以及所述入侵状态判别模型，确定所述目标对象的入侵置信度，并基于所述入侵置信度对所述目标对象的入侵状态进行判别。
[0007]在一些可能的实现方式中，所述入侵检测模型包括领域鉴别子模型、状态识别子模型以及身份识别子模型；所述基于所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征以及所述入侵检测模型，获得所述目标对象的运动状态和身份信息，包括：将所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征输入至所述领域鉴别子模型，获得所述目标对象所在的船载环境的预测领域标签；将所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征输入至所述状态识别子模型，获得所述目标对象的运动状态；将所述下肢微多普勒特征、所述平均多普勒频谱特征进行分割，获得多个目标特征，并将所述目标特征输入至所述身份识别子模型，获得所述目标对象的身份信息。
[0008]在一些可能的实现方式中，所述领域鉴别子模型的领域损失函数为：所述状态识别子模型的状态识别损失函数为：所述身份识别子模型的身份识别损失函数为：式中，为所述领域损失函数；为真实领域标签向量；为预测领域标签向量；为输入至所述领域鉴别子模型中特征的总个数；为真实领域的总个数；为所述状态识别损失函数；为多特征融合网络计算损失；为单峰仅使用单模态k时的分类损失；为交叉验证系数；为领域损失权重；为单模态的总个数；为所述身份识别损失函数；为目标特征的总个数；为真实身份信息的总个数；为第d个目标特征的编码向量；为身份信息预测概率向量。
[0009]在一些可能的实现方式中，在所述获得所述目标对象的上距离
‑
多普勒
‑
方位角图和下距离
‑
多普勒
‑
方位角图之后，还包括：
基于预设的聚类算法分别对所述上距离
‑
多普勒
‑
方位角图和所述下距离
‑
多普勒
‑
方位角图进行聚类，对应获得所述目标对象的第一目标簇和第二目标簇；获得所述第一目标簇的实际距离和实际速度；基于所述实际距离和实际速度获得所述第二目标簇的理论距离和理论速度；基于所述实际距离和所述理论距离获得补偿距离，并基于所述实际速度和所述理论速度获得补偿速度；基于所述补偿距离和所述补偿速度获得补偿下距离
‑
多普勒
‑
方位角图；基于所述上距离
‑
多普勒
‑
方位角图和所述补偿下距离
‑
多普勒
‑
方位角图确定共有环境动态噪声；基于所述共有环境动态噪声对所述上距离
‑
多普勒
‑
方位角图和所述下距离
‑
多普勒
‑
方位角图进行去噪，获得去噪上距离
‑
多普勒
‑
方位角图和去噪下距离
‑
多普勒
‑
方位角图。
[0010]在一些可能的实现方式中，所述去噪上距离
‑
多普勒
‑
方位角图：式中，为所述去噪上距离
‑
多普勒
‑
方位角图；为所述上距离
‑
多普勒
‑
方位角图；为所述补偿下距离
‑
多普勒
‑
方位角图。
[0011]在一些可能的实现方式中，所述补偿距离为：可能的实现方式中，所述补偿距离为：所述补偿速度为：式中，为所述补偿距离；为所述补偿速度；| |为绝对值；为所述实际距离；为所述理论距离；为所述上毫米波雷达和所述下毫米波雷达的高度差；为所述第一目标点的俯角；为实际速度；为理论速度。
[0012]在一些可能的实现方式中，所述上肢微多普勒特征为：式中，为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双毫米波雷达的船载环境入侵检测方法，其特征在于，所述双毫米波雷达包括以一定高度竖直摆放的上毫米波雷达和下毫米波雷达，所述基于双毫米波雷达的船载环境入侵检测方法包括：将所述上毫米波雷达和所述下毫米波雷达进行时间同步，并基于所述上毫米波雷达和所述下毫米波雷达采集船载环境以及目标对象在所述船载环境中运动时的雷达信号，获得上雷达信号和下雷达信号；基于所述上雷达信号和所述下雷达信号获得所述目标对象的上距离
‑
多普勒
‑
方位角图和下距离
‑
多普勒
‑
方位角图；对所述上距离
‑
多普勒
‑
方位角图和所述下距离
‑
多普勒
‑
方位角图进行距离和角度维的累积，获得所述目标对象的上肢微多普勒特征、上肢节奏速度图特征、平均多普勒频谱特征和下肢微多普勒特征；构建入侵检测模型，并基于所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征以及所述入侵检测模型，获得所述目标对象的运动状态和身份信息；构建入侵状态判别模型，并基于所述运动状态、所述身份信息以及所述入侵状态判别模型，确定所述目标对象的入侵置信度，并基于所述入侵置信度对所述目标对象的入侵状态进行判别。2.根据权利要求1所述的基于双毫米波雷达的船载环境入侵检测方法，其特征在于，所述入侵检测模型包括领域鉴别子模型、状态识别子模型以及身份识别子模型；所述基于所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征以及所述入侵检测模型，获得所述目标对象的运动状态和身份信息，包括：将所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征输入至所述领域鉴别子模型，获得所述目标对象所在的船载环境的预测领域标签；将所述上肢微多普勒特征、所述上肢节奏速度图特征、所述平均多普勒频谱特征、所述下肢微多普勒特征输入至所述状态识别子模型，获得所述目标对象的运动状态；将所述下肢微多普勒特征、所述平均多普勒频谱特征进行分割，获得多个目标特征，并将所述目标特征输入至所述身份识别子模型，获得所述目标对象的身份信息。3.根据权利要求2所述的基于双毫米波雷达的船载环境入侵检测方法，其特征在于，所述领域鉴别子模型的领域损失函数为：所述状态识别子模型的状态识别损失函数为：所述身份识别子模型的身份识别损失函数为：
式中，为所述领域损失函数；为真实领域标签向量；为预测领域标签向量；为输入至所述领域鉴别子模型中特征的总个数；为真实领域的总个数；为所述状态识别损失函数；为多特征融合网络计算损失；为单峰仅使用单模态k时的分类损失；为交叉验证系数；为领域损失权重；为单模态的总个数；为所述身份识别损失函数；为目标特征的总个数；为真实身份信息的总个数；为第d个目标特征的编码向量；为身份信息预测概率向量。4.根据权利要求1所述的基于双毫米波雷达的船载环境入侵检测方法，其特征在于，在所述获得所述目标对象的上距离
‑
多普勒
‑
方位角图和下距离
‑
多普勒
‑
方位角图之后，还包括：基于预设的聚类算法分别对所述上距离
‑
多普勒
‑
方位角图和所述下距离
‑
多普勒
‑
方位角图进行聚类，对应获得所述目标对象的第一目标簇和第二目标簇；获得所述第一目标簇的实际距离和实际速度；基于所述实际距离和实际速度获得所述第二目标簇的理论距离和理论速度；基于所述实际距离和所述理论距离获得补偿距离，并基于所述实际速度和所述理论速度获得补偿速度；基于所述补偿距离和所述补偿速度获得补偿下距离
‑
多普勒
‑
方位角图；...

【专利技术属性】
技术研发人员：刘克中，龚大内，曾旭明，陈默子，郑凯，陈梦达，李春伸，王国宇，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：