⚡ electrical engineering

Lightweight Range-Angle Imaging Based Algorithm for Quasi-Static Human Detection on Low-Cost FMCW Radar

Este artigo propõe um algoritmo leve baseado em imagens de alcance-ângulo que utiliza radar FMCW de baixo custo para detectar com alta precisão e em tempo real atividades humanas quase estáticas em ambientes internos, superando significativamente os métodos tradicionais de CFAR e sendo viável para implementação em dispositivos de borda como o Raspberry Pi.

Autores originais: Huy Trinh, George Shaker

Publicado 2026-02-17

📖 4 min de leitura☕ Leitura rápida

CC0 1.0

Autores originais: Huy Trinh, George Shaker

Artigo original dedicado ao domínio público sob CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você precisa vigiar uma sala de idosos para garantir que todos estão seguros, mas não pode usar câmeras de vídeo. Por quê? Porque as pessoas querem privacidade, e às vezes a luz está tão fraca que as câmeras não veem nada.

A solução? Usar um radar barato (o mesmo tipo usado em carros modernos para detectar obstáculos). O problema é que os radares comuns são ótimos para ver coisas que se movem rápido (como um carro passando), mas são péssimos para ver pessoas que estão paradas, sentadas no sofá ou deitadas no chão. Para o radar tradicional, uma pessoa parada parece apenas "ruído" ou parte da parede.

Este artigo apresenta uma nova maneira de "enxergar" essas pessoas paradas usando um truque inteligente de processamento de imagem. Aqui está a explicação simplificada:

1. O Problema: O Radar "Cego" para o Quieto

Pense no radar como um fotógrafo que só tira fotos de coisas em movimento. Se alguém está deitado no sofá, o radar vê apenas um borrão confuso misturado com a sombra do sofá e da mesa de centro. Os métodos antigos tentavam filtrar esse "borrão" usando regras matemáticas rígidas (chamadas de CFAR), mas elas falhavam muito: ou ignoravam a pessoa ou viam fantasmas (falsos alarmes).

2. A Solução: Transformar Dados em um Mapa de "Calor"

Os autores pegaram os dados brutos do radar e os transformaram em algo que parece uma foto em preto e branco ou um mapa de calor.

A Analogia: Imagine que o radar não está apenas medindo distâncias, mas está pintando um quadro. Onde há uma pessoa, a tinta fica bem brilhante. Onde há apenas paredes ou móveis, a tinta é cinza ou escura.
Eles usaram um algoritmo chamado Capon (que é como um filtro de alta qualidade) para focar nessa "foto" e torná-la mais nítida.

3. O Truque Mágico: O "Peneiramento" Inteligente

Em vez de usar as regras matemáticas complexas e pesadas dos métodos antigos, eles criaram um detector super simples, como se fosse um peneiramento de areia:

Olhar apenas para o brilho: Eles dizem ao computador: "Ignore tudo que é cinza ou escuro. Olhe apenas para os 1% de pixels mais brilhantes da imagem".
Conectar os pontos: Se esses pixels brilhantes estiverem perto uns dos outros, o algoritmo os une, formando uma "mancha" (um lump).
Escolher o maior: Se houver várias manchas, o algoritmo escolhe a maior delas, assumindo que é a pessoa.

Por que isso é genial?
É como se você estivesse procurando uma pessoa em uma sala escura usando apenas uma lanterna. Os métodos antigos tentavam medir a temperatura de cada centímetro da sala (o que demora muito). O método novo apenas acende a lanterna e diz: "Se eu vejo algo brilhante e grande aqui, é uma pessoa". É rápido, simples e funciona mesmo quando há muita "sujeira" (móveis, paredes) na sala.

4. Os Resultados: Rápido e Preciso

Os pesquisadores testaram isso em um computadorzinho barato chamado Raspberry Pi (o tamanho de um cartão de crédito, usado em projetos de hobby).

Precisão: O método antigo acertava cerca de 60-70% das vezes. O novo método acertou mais de 93%, mesmo com a pessoa deitada no sofá (o cenário mais difícil).
Velocidade: O método antigo era lento, como um carro andando no trânsito. O novo método é como um foguete: ele processa mais de 120 quadros por segundo.
Comparação: O novo método é 74 vezes mais rápido que o segundo melhor método, mas consome a mesma pouca energia.

Resumo Final

Este trabalho criou um "olho invisível" barato e que respeita a privacidade. Ele transforma dados de radar em imagens simples e usa uma lógica de "peneira" para encontrar pessoas paradas em salas bagunçadas.

Para que serve?
Imagine um sistema instalado em lares de idosos ou hospitais. Ele pode alertar os cuidadores se alguém cair ou ficar deitado por muito tempo, sem precisar de câmeras que invadam a privacidade e sem precisar de computadores caros e pesados. É uma tecnologia leve, rápida e pronta para ser usada no mundo real.

Título: Algoritmo de Imagem Leve para Detecção de Humanos Quase-Estáticos em Radar FMCW de Baixo Custo

1. Problema e Motivação

A detecção de atividades humanas quase-estáticas (como deitar, sentar ou ficar em pé) em instalações de cuidados de longo prazo (LTC) apresenta desafios significativos para os sistemas de radar convencionais.

Desafios de Sinal: Essas atividades geram deslocamentos Doppler muito baixos e assinaturas de radar altamente dispersas, o que torna difícil a detecção usando detectores de taxa de falsa alarme constante (CFAR) tradicionais, que são otimizados para alvos pontuais com movimento.
Limitações de Privacidade e Ambiente: Câmeras são frequentemente inviáveis em ambientes de cuidado devido a preocupações com privacidade e condições de baixa iluminação.
Limitações de Hardware: Soluções existentes baseadas em redes neurais profundas ou arrays MIMO de alto desempenho são computacionalmente pesadas e inadequadas para implantação em dispositivos embarcados de baixo custo e baixo consumo de energia.

2. Metodologia

O artigo propõe um método não visual e leve baseado em processamento de imagem para detectar a presença humana usando um radar FMCW de 60 GHz de baixo custo (Infineon XENSIV™ BGT60TR13C).

Aquisição e Pré-processamento de Dados:
- Um conjunto de dados dedicado foi coletado em um ambiente real de sala de estar (com móveis e oclusões) utilizando um radar com 1 transmissor e 3 receptores.
- O pipeline de processamento inclui remoção de viés DC, janelamento (Blackman-Harris), FFTs nos eixos de tempo rápido e lento para gerar mapas de Alcance-Doppler, e supressão de clutter estático (MTI).
- Mapeamento de Imagem: Utiliza-se o algoritmo de Beamforming Capon em dois canais de recepção para gerar um mapa de intensidade Alcance-Azimute (RA), tratado como uma imagem 2D em escala de cinza.
Abordagem Proposta (Detector de "Lump" com Limiar de Percentil):
- Em vez de aplicar CFAR diretamente em cada célula, o método trata o mapa RA como uma imagem e busca um único "bloco" (lump) conectado que corresponda ao refletor humano.
- Algoritmo:
  1. Calcula-se um limiar global baseado em um percentil de intensidade de pixel (ex: 99º percentil) para criar uma máscara binária, eliminando a maior parte do clutter de fundo (paredes, chão).
  2. Aplica-se uma operação morfológica de "fechamento" (closing) para conectar pixels brilhantes próximos.
  3. Remove-se "manchas" (blobs) muito pequenas.
  4. Identifica-se o componente conectado dominante (maior área) como a detecção final.
- Complexidade: O algoritmo possui complexidade linear $O(HW)$, sendo significativamente mais rápido que os métodos CFAR 2D que utilizam janelas deslizantes ( $O(HWK^2)$ ).
Métodos de Comparação (Baselines):
- CA-CFAR (Cell-Averaging CFAR) 2D.
- OS-CFAR (Order-Statistics CFAR) 2D.

3. Contribuições Principais

Ponte entre Processamento de Sinal e Imagem: Propõe tratar mapas de radar Capon como imagens 2D para detecção de alvos quase-estáticos, algo não explorado anteriormente para radares de baixo custo com poucos canais.
Algoritmo Leve e Robusto: Introduz um detector baseado em percentil e conectividade que supera os métodos CFAR tradicionais em cenários de alto clutter, sem a necessidade de redes neurais profundas.
Validação em Hardware Embarcado: O sistema foi implementado e testado em tempo real em um Raspberry Pi 4B, demonstrando viabilidade para implantação na borda (edge).

4. Resultados

O desempenho foi avaliado em um conjunto de dados com cinco atividades semi-estáticas e três sujeitos diferentes.

Precisão de Detecção:
- O método proposto alcançou uma precisão média de 93,24% (Sujeito 1), 92,3% (Sujeito 2) e 94,82% (Sujeito 3).
- Isso representa uma melhoria substancial em relação ao CA-CFAR (médias de 68,3%, 51,3% e 57,72%) e ao OS-CFAR (médias de 78,8%, 68,3% e 69,94%).
- O método demonstrou superioridade particular em atividades no sofá e no chão, onde o clutter é mais intenso e os métodos CFAR falham frequentemente.
Desempenho Computacional (Raspberry Pi 4B):
- Latência: O algoritmo proposto processa cada quadro em apenas 8,2 ms.
- Taxa de Quadros (FPS): Atinge mais de 122 FPS.
- Aceleração: Oferece um speed-up de 74x em relação ao OS-CFAR (que leva 601,1 ms) e 11x em relação ao CA-CFAR.
- O sistema atende facilmente à taxa de quadros do radar (10 Hz) sem atrasos.

5. Significado e Conclusão

Este trabalho demonstra que o processamento de imagem simples e leve pode fornecer uma detecção robusta de presença humana quase-estática em ambientes internos desordenados, superando as limitações dos detectores CFAR tradicionais.

Viabilidade de Implantação: A combinação de alta precisão e baixa latência computacional torna a solução ideal para dispositivos de borda de baixo custo, permitindo monitoramento contínuo e privado em instalações de saúde e cuidados de longo prazo.
Futuro: Os autores planejam otimizar ainda mais o pipeline e escalar a solução para grandes instalações, como hospitais, focando na privacidade, descentralização e custo-benefício.