⚡ electrical engineering

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

本文提出了一种基于低成本 60 GHz FMCW 雷达的轻量级距离 - 角度成像算法，通过非视觉图像处理有效解决了准静态人体活动检测难题，在显著提升检测准确率的同时实现了在树莓派 4B 上的实时部署。

原作者： Huy Trinh, George Shaker

发布于 2026-02-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Huy Trinh, George Shaker

原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种**“用雷达给老人‘拍照片’，并快速认出他们”的新技术。它的目标是在养老院等地方，用便宜、不侵犯隐私的雷达，精准地检测到那些几乎不动的人**（比如躺在沙发上休息、坐在地上的人）。

为了让你更容易理解，我们可以把这项技术想象成在**“嘈杂的菜市场里找一个人”**。

1. 为什么要做这个？（痛点）

场景：养老院里，老人经常躺着、坐着或站着不动。
难题：
- 传统雷达太笨：以前的雷达像是一个只盯着“移动物体”的保安。如果一个人动得很快（像跑步），雷达能一眼看到；但如果人只是静静地躺着，雷达就以为那是墙壁或家具，直接忽略了。这就像保安只抓“跑动的小偷”，却看不见“静止的嫌疑人”。
- 摄像头不行：用摄像头虽然能看见，但在养老院这种私密场所，大家不愿意被 24 小时盯着，而且晚上没光也拍不清。
- 现有方案太贵太重：有些高级方案需要很贵的雷达和很复杂的电脑（像用超级计算机去解小学数学题），没法装在便宜的设备上。

2. 他们是怎么做的？（核心创意）

作者团队想出了一个**“把雷达数据变成图片，再像找茬游戏一样找人”**的聪明办法。

第一步：雷达“拍照”

他们用一个很便宜的 60GHz 雷达（就像给房间装了一个看不见的“雷达眼”）。

传统做法：雷达把数据变成一张复杂的“热力图”，上面全是杂乱的噪点（墙壁、桌子、沙发反射的信号）。
他们的做法：他们把这张热力图当成一张普通的黑白照片。在这张照片里，人虽然不动，但会形成一个**“亮斑”**（就像在黑暗房间里，人身上有一盏小灯）。

第二步：像“筛沙子”一样找人（核心算法）

这是这篇论文最厉害的地方。以前的方法（CFAR 算法）像是在**“拿着放大镜，一格一格地数沙子”**，看看哪里的沙子比周围多一点点。这种方法很慢，而且容易被周围的“假沙子”（杂波）骗到。

作者的新方法（百分位门控检测）：
想象你在一个满是灰尘的房间里找一颗最亮的星星。

直接看最亮的：他们不跟周围的灰尘比，而是直接问：“这张照片里最亮的 1% 的像素在哪里？”
过滤噪音：把那些不够亮的（灰尘、墙壁反射）直接扔掉，只保留最亮的那一小块区域。
连成一片：把那些亮晶晶的小点连起来，看看是不是形成了一个完整的人形“光斑”。
只认最大的：如果地上有一堆亮斑，他们只认面积最大的那一个，因为那通常就是人。

比喻：

旧方法（CFAR）：像是在嘈杂的菜市场里，保安拿着喇叭问：“谁的声音比旁边人大 10%？”结果旁边卖菜的喊一声，保安就误报了。
新方法：保安直接戴上墨镜，只看全场最亮的那盏灯。不管周围多吵，只要灯够亮、连成一片，那就是人。

3. 效果怎么样？（成绩单）

他们在实验室里测试了三种情况：站着、坐在沙发上、坐在地上、躺在沙发上、躺在地上。

准确率大提升：
- 旧方法（CA-CFAR）：平均只能认出 68% 的人（经常漏掉躺着的人）。
- 旧方法（OS-CFAR）：平均能认出 78% 的人。
- 他们的新方法：平均能认出 93% - 94% 的人！几乎不会漏掉。
- 特别值得一提的是，对于最难检测的“躺在沙发上”这种几乎不动的情况，新方法的表现远超旧方法。
速度快得惊人：
- 他们在一个像树莓派（Raspberry Pi）这样非常便宜、像手机一样小的电脑上运行了这个程序。
- 旧方法：处理一张图需要 600 毫秒（像老牛拉车），一秒钟只能看 1-2 张图。
- 新方法：处理一张图只要 8 毫秒（像闪电一样快），一秒钟能看 120 多张图。
- 比喻：如果旧方法是蜗牛，新方法就是法拉利，而且是在同一辆破车上跑出来的。

4. 总结与意义

这篇论文的核心贡献在于：

变废为宝：把复杂的雷达信号处理，简化成了简单的**“图片找亮斑”**游戏。
又轻又快：不需要昂贵的超级计算机，普通的廉价芯片就能跑得飞快。
保护隐私：不用摄像头，只检测“有没有人”和“人在哪”，不拍人脸，非常适合养老院、医院等私密场所。

一句话总结：
这就好比给养老院装了一个**“又瞎又聪明”的雷达保镖**，它看不见人脸（保护隐私），但能通过“抓最亮的光斑”这种简单粗暴又聪明的方法，精准地知道老人是站着还是躺着，而且反应快得连老人都没来得及动，它就已经报警了。

这是一份关于论文《Lightweight Range–Angle Imaging Based Algorithm for Quasi-Static Human Detection on Low-Cost FMCW Radar》（基于轻量级距离 - 角度成像的低成本 FMCW 雷达准静态人体检测算法）的详细技术总结。

1. 研究背景与问题 (Problem)

应用场景：长期护理（LTC）设施中，需要监测半静态的人类活动（如躺卧、站立、坐着）。
现有挑战：
- 雷达检测难点：准静态活动产生的多普勒频移极低，且雷达回波信号在距离 - 角度图上高度弥散。传统的恒虚警率（CFAR）检测器（如 CA-CFAR 和 OS-CFAR）通常针对点目标设计，在此类场景下表现不佳，容易漏检。
- 隐私与环境限制：在 LTC 设施中，由于隐私顾虑和光线不足，摄像头等视觉设备难以长期部署。
- 硬件限制：现有的基于深度学习的雷达检测方法通常依赖高分辨率数据或昂贵的 MIMO 阵列，计算量大，难以在低功耗的边缘设备（如树莓派）上部署。
核心问题：如何在仅使用低成本、少接收通道（3 接收通道）的 60 GHz FMCW 雷达的情况下，实现高鲁棒性、低延迟的准静态人体检测，同时兼顾隐私和计算效率。

2. 方法论 (Methodology)

论文提出了一种将雷达信号处理与图像处理相结合的非视觉检测方案。

2.1 数据收集与预处理

硬件：使用商用 60 GHz mmWave FMCW 雷达（Infineon XENSIV™ BGT60TR13C），配备 1 个发射通道和 3 个接收通道。
数据集：在充满家具（沙发、茶几、电视等）的真实客厅环境中收集，涵盖 5 种半静态活动（站立、坐沙发、坐地板、躺沙发、躺地板）。
信号处理流程：
1. 去直流与加窗：去除直流偏置，应用 Blackman-Harris 窗。
2. FFT 变换：进行快时间（距离）和慢时间（多普勒）的 FFT，生成距离 - 多普勒图。
3. 杂波抑制：在距离 - 多普勒域应用指数移动平均高通滤波器（类似 MTI），去除静态杂波。
4. Capon 波束形成：利用两个空间分离的接收通道（RX0 和 RX2），基于距离 - 多普勒单元构建 2x2 空间协方差矩阵，计算方位角（Azimuth）上的 Capon 空间谱。
5. 生成 RA 图：堆叠距离和方位角的功率值，生成归一化的距离 - 角度（Range-Azimuth, RA）强度图（尺寸 64x256），作为后续处理的 2D 图像输入。

2.2 基线方法 (Baseline)

2D CA-CFAR (Cell-Averaging)：在 RA 图像上滑动窗口，计算参考单元的平均功率作为噪声估计，设定自适应阈值。
2D OS-CFAR (Order-Statistics)：将参考单元功率排序，选取第 k 大的值作为噪声估计，对离群点更鲁棒。
局限性：这两种方法计算复杂度高（ $O(HWK^2)$ ），且在强杂波背景下容易将背景噪声误检为目标。

2.3 提出的算法：基于百分位门限的团块检测器 (Proposed Percentile-Gated Lump Detector)

该算法将 RA 图视为 2D 灰度图像，利用人体回波在图像中形成连通亮斑的特性进行检测：

全局百分位门限：计算图像像素强度的全局百分位阈值 $\tau$ （例如保留前 99% 的强度），生成二值掩膜。这一步能有效去除大部分地板和墙壁的杂波背景。
形态学闭运算：使用 2x2 结构元素进行闭运算，连接邻近的亮像素，形成连通区域。
小团块剔除：移除面积小于设定阈值 $A_{min}$ 的微小噪点。
连通分量分析与选择：使用连通分量算法标记剩余区域，仅保留面积最大的连通分量作为最终检测目标（假设人体是最大的反射源）。
输出：生成检测掩膜和边界框（BBox）。

复杂度：算法仅涉及线性扫描、比较和逻辑运算，复杂度为 $O(HW)$，远低于 CFAR 的滑动窗口计算。

3. 关键贡献 (Key Contributions)

轻量级图像化检测框架：首次提出将 Capon 波束形成的距离 - 角度图直接视为 2D 图像，利用简单的图像处理原语（百分位门限、形态学操作、连通分量）替代复杂的统计检测器，专门针对准静态人体检测。
高鲁棒性：在强杂波（如沙发、墙壁反射）环境下，该方法显著优于传统的 CA-CFAR 和 OS-CFAR，特别是在低信噪比场景下。
边缘部署可行性：证明了该算法在资源受限的嵌入式设备（Raspberry Pi 4B）上可实现实时运行，无需昂贵的 MIMO 阵列或深度学习模型。
公开数据集与基准：构建了包含多种准静态活动和真实杂波环境的专用数据集，并提供了详细的性能基准测试。

4. 实验结果 (Results)

实验在三个不同受试者（Subject 1, 2, 3）的数据集上进行，并在 Raspberry Pi 4B 上进行了实时性测试。

检测精度 (Accuracy)：
- 平均准确率：提出的方法在所有受试者上的平均检测准确率分别达到 93.24% (Subject 1), 92.3% (Subject 2), 和 94.82% (Subject 3)。
- 对比提升：相比 CA-CFAR (平均约 51-68%) 和 OS-CFAR (平均约 68-79%)，准确率有显著提升。
- 难点场景：在最具挑战性的“躺沙发”和“坐沙发”场景中，传统方法准确率极低（如 Subject 1 躺沙发 CA-CFAR 仅 33%），而提出的方法达到了 86.6%。
实时性能 (Real-time Performance)：
- 处理速度：在树莓派 4B 上，单帧处理平均耗时仅 8.2 ms，帧率超过 122 FPS。
- 加速比：相比 OS-CFAR (601.1 ms) 实现了 74 倍 的加速，相比 CA-CFAR (91.2 ms) 实现了 11 倍 加速。
- 资源占用：内存占用约 299.5 MB，满足嵌入式部署要求。

5. 意义与展望 (Significance & Future Work)

隐私保护：提供了一种非视觉的、基于雷达的监测方案，解决了 LTC 设施中摄像头隐私泄露的痛点。
低成本与可部署性：利用低成本雷达和简单的算法，使得在大规模设施（如医院、养老院）中大规模部署分布式监测系统成为可能。
技术启示：证明了在特定场景下，简单的图像处理逻辑结合物理先验（如人体是最大的连通亮斑）比复杂的深度学习或传统统计检测更有效且更高效。
未来工作：计划进一步优化处理流水线以提高可靠性，并致力于将该系统扩展到大规模设施中，验证其在真实医疗和护理环境中的可扩展性。

总结：该论文成功解决了一个具体的工程难题——如何在低成本、低算力硬件上，利用雷达可靠地检测“静止不动”的人。通过创新地将雷达数据转化为图像并应用轻量级图像处理技术，实现了精度与速度的双重突破，为智慧养老和医疗监护提供了极具价值的技术方案。