基于毫米波雷达的无线充电活体异物检测及驱离系统的制作方法

1.本发明涉及无线充电技术领域，尤其涉及基于毫米波雷达的无线充电活体异物检测系统。


背景技术：

2.无线充电系统是通过电磁感应原理将电能传输到接收设备中，如果充电设备上放置有异物，如金属物品或磁性物品等，它们可能会干扰传输，导致电能传输不畅或者根本无法进行充电。如果无法及时检测到这些异物，不仅会浪费能源，还会给设备或使用者带来安全隐患，甚至可能引起火灾或爆炸等危险。
3.虽然防止金属物体加热对于无线电力传输的其他应用来说已经足够了，但电动汽车的感应充电系统需要一个针对活体的特殊保护系统。
4.在商用的大功率电动汽车无线充电系统的一次线圈和二次线圈之间存在大空间气隙以及高强度磁场，特别是对于更大的传输功率，磁场强度超过了一般公众暴露的监管限制。
5.在实际情况中，必须防止有生命的物体暴露在车辆下方的磁场。例如，孩子们抓住一个滚到车底下的球，或者司机伸出手臂捡起掉在地上的车钥匙。尽管无人看管的幼儿在车下爬行几乎是不可想象的，但这个场景仍然代表了活体保护(living object protection，lop)系统的相关应用。此外，还有广泛讨论的应用，如：防止在充电过程中睡觉的宠物长期暴露在磁场中等。
6.由于进入气隙的物体可能是不受交变磁场直接或间接威胁的非生命体，因此优化的lop系统需要能够区分生物和非生物物体。这可以基于一些特定的属性，如温度、形状和物体的运动轮廓来实现。传统的机器视觉结合深度学习的模式中，深度学习模型的性能受网络结构和超参数的影响很大，尤其是超参数，往往需要人工参与选择，而且设备的图像采集频率及分辨率也会严重影响机器视觉的效果。另外，天气、光线等因素也会严重影响图像的采集，从而使现有技术的识别精准度大大降低。
7.基于以上问题，传统的机器视觉结合大数据人工智能的lop系统方案将无法满足现实商业化模式下高精度、高稳定、高环境适应性的要求。因此，研发一套基于毫米波雷达应用于新能源汽车wireless power translation(wpt)系统的lop系统显得尤为重要。


技术实现要素：

8.本发明提供基于毫米波雷达的无线充电活体异物检测及驱离系统，解决的技术问题在于：如何基于毫米波雷达对无线充电区域的活体进行高精度、高稳定性检测并进行驱离。
9.为解决以上技术问题，本发明提供一种基于毫米波雷达的无线充电活体异物检测系统，包括毫米波雷达模块、数字信号处理模块、大数据与人工智能综合分析模块；
10.所述毫米波雷达模块用于以第一频率发射针对无线充电区域的探测信号，并以所
述第一频率接收反射的雷达波，得到第一中频信号发送至所述数字信号处理模块；
11.所述数字信号处理模块用于接收所述第一中频信号并对其进行快速傅里叶变换，得到三维fft热图并发送至所述大数据与人工智能综合分析模块；
12.所述大数据与人工智能综合分析模块用于对所述三维fft热图分析是否有活体侵入所述无线充电区域，若是则向所述毫米波雷达模块发送频率改变信号，若否则继续接收数据进行分析；
13.所述毫米波雷达模块还用于，当接收到所述频率改变信号时，改以第二频率发射针对无线充电区域的探测信号，并以所述第二频率接收反射的雷达波，得到第二中频信号发送至所述数字信号处理模块；
14.所述数字信号处理模块还用于接收第二中频信号并将其转化为雷达3d散点图发送至所述大数据与人工智能综合分析模块；
15.所述大数据与人工智能综合分析模块还用于根据所述雷达3d散点图进行活体分类，得到侵入活体的种类。
16.优选的，所述大数据与人工智能综合分析模块对所述三维fft热图分析是否有活体侵入所述无线充电区域，具体包括步骤：
17.a1、读取所述三维fft热图中的fft图；
18.a2、对所述fft图使用恒虚警算法进行目标检测，若检测出目标则进入下一步，若否则继续检测；
19.a3、获得各个目标与所述毫米波雷达模块之间的距离，判断其中的最小距离是否在检测范围内，若是则进入下一步，若否则返回步骤a1读取下一周期的fft图；
20.a4、计算最小距离对应的目标的发射能量，并判断其反射能量是否在预设的最小阈值和最大阈值之间，若是则进入下一步，若否则返回步骤a1读取下一周期的fft图；
21.a5、计算最小距离对应的目标在运动位移为δr时的相位变化量，若相位变化量δφb为预设值，则表明有活体侵入所述无线充电区域，反之则表明侵入所述无线充电区域并非活体。
22.优选的，在所述步骤a5中，相位变换量δφb的预设值为：λ表示雷达波对应的波长。
23.优选的，所述大数据与人工智能综合分析模块还用于根据所述雷达3d散点图进行活体分类，具体包括步骤：
24.b1、使用点云配准算法将所述雷达3d散点图中的多个局部点云拼接成全局三维点云；
25.b2、使用ransac算法对所述全局三维点云进行拟合，得到ransac图像；使用三维sar算法对所述全局三维点云进行拟合，得到sar图像；
26.b3、将所述ransac图像输入第一深度学习网络中，得到第一分类结果；将所述sar图像输入相同结构的第二深度学习网络中，得到第二分类结果；
27.b4、综合考虑所述第一分类结果和所述第二分类结果，得到最终的分类结果。
28.优选的，在所述步骤b2中，使用的三维sar算法为距离多普勒算法，其算法流程包括步骤：
29.b21、对所述全局三维点云分别进行距离维fft和方位维fft，以将数据转换到二维频域；
30.b22、在二维频域进行距离维脉冲压缩和二次距离压缩；
31.b23、对距离维进行ifft；
32.b24、对距离维ifft进行徙动校正和方位匹配滤波；
33.b25、进行方位维ifft；
34.b26、得到成像结果。
35.优选的，在步骤b4后还包括步骤：
36.b5、将最终的分类结果重新送入所述第一深度学习网络和所述第二深度学习网络中，以相互优化的方式训练所述第一深度学习网络和所述第二深度学习网络。
37.优选的，所述毫米波雷达模块安装在无线充电站的侧方，能够直射无线充电区域的地方，所述数字信号处理模块和大数据与人工智能综合分析模块部署在云端；
38.所述第一频率选用发射频率在77ghz～81ghz之间的高频电磁波；
39.所述第二频率选用发射频率为24ghz的低频电磁波。
40.本发明还提供一种基于毫米波雷达的无线充电活体异物驱离系统，包括如上所述的大数据与人工智能综合分析模块，还包括无线充电系统控制器和驱离模块；
41.所述大数据与人工智能综合分析模块还用于在分析出有活体侵入所述无线充电区域时，向所述无线充电系统控制器发送降低功率的指令；还用于在分类得到侵入活体的种类时将侵入活体的种类发送至所述驱离模块；
42.所述无线充电系统控制器用于在接收到所述降低功率的指令后控制无线充电系统降低功率；
43.所述驱离模块用于根据接收的侵入活体的种类发出对应的驱离信号。
44.优选的，所述大数据与人工智能综合分析模块还用于在分析出预设时间段内仍有活体存在所述无线充电区域以及当分类得出侵入的活体为人时，向所述无线充电系统控制器发送停止充电的指令，待活体离开所述无线充电区域后，向所述无线充电系统控制器发送启动充电的指令。
45.优选的，当侵入的活体为人类时，所述驱离模块发出语音警醒信号；当侵入的活体为动物时，所述驱离模块针对该动物种类发出对应的超声波信号同时发出语音驱赶信号。
46.本发明提供的基于毫米波雷达的无线充电活体异物检测及驱离系统，其有益效果在于：
47.1、使用毫米波雷达，利用生命体的微多普勒效应，通过检测生命体的微小运动来进行人体或动物的检测，以实现在无线充电发射端异物的生命体与非生命体识别。相较于传统的视觉摄像头和人工智能相结合的监控形式，毫米波雷达具有高环境适应性、可靠性和实时性等优势；
48.2、毫米波雷达通过发送毫米波信号并接收反射回来的信号，得到目标的距离、速度和方向等信息。在处理这些信息时，将其转换为散点图的形式，并利用算法对三维散点图进行一定的滤波和三维模型搭建，构建深度学习模型，对该模型进行不断地训练，通过大量的数据处理提高模型的判断正确率，使其具备无人检测的能力；
49.3、毫米波雷达作为新型的监控设备，加入到无线充电异物检测系统中，提高了系
统的环境适应性、系统稳定性和灵活机动性，结合深度学习模型的训练，对上述提到的综合监控需求具有较好的契合度。
附图说明
50.图1为毫米波雷达基础组成模块及雷达基础运行流程示意图；
51.图2为27～30ghz毫米波雷达模块预设进行简单fft变换后反馈到pc上位机的fft热图；
52.图3为毫米波雷达生命体征检测的基本流程图；
53.图4为毫米波雷达进行能量检测的示意图；
54.图5为二维直线拟合图：(a)二维平面点集；(b)拟合得到的最佳直线模型；
55.图6为snapnet流程图；
56.图7为segcloud流程图；
57.图8为pointnet网络结构图；
58.图9为通过cnn进行活体识别简化流程图；
59.图10为动物数据集识别简化流程图；
60.图11为rd算法流程图；
61.图12为cs算法流程图；
62.图13为bp算法流程图；
63.图14为clc-s型wpt系统拓扑结构图。
具体实施方式
64.下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
65.本发明实施例首先提供一种基于毫米波雷达的无线充电活体异物检测系统，包括毫米波雷达模块、数字信号处理模块、大数据与人工智能综合分析模块；
66.毫米波雷达模块用于以第一频率发射针对无线充电区域的探测信号，并以第一频率接收反射的雷达波，得到第一中频信号发送至数字信号处理模块；
67.数字信号处理模块用于接收第一中频信号并对其进行快速傅里叶变换，得到三维fft热图并发送至大数据与人工智能综合分析模块；
68.大数据与人工智能综合分析模块用于对三维fft热图分析是否有活体侵入无线充电区域，若是则向毫米波雷达模块发送频率改变信号，若否则继续接收数据进行分析；
69.毫米波雷达模块还用于，当接收到频率改变信号时，改以第二频率发射针对无线充电区域的探测信号，并以第二频率接收反射的雷达波，得到第二中频信号发送至数字信号处理模块；
70.数字信号处理模块还用于接收第二中频信号并将其转化为雷达3d散点图发送至大数据与人工智能综合分析模块；
71.大数据与人工智能综合分析模块还用于根据雷达3d散点图进行活体分类，得到侵入活体的种类。
72.本实施例将毫米波雷达对生命体征检测能力和雷达反射波3d散点建模的方法应用于新能源汽车无线充电发射端的活体异物检测；将毫米波雷达传感器和ai深度学习模型相结合，提出可识别活体种类的、高精度的检测系统。优点在于：毫米波雷达的高稳定性、非接触式检测、高环境适应性，以及能力日渐增强的深度学习模型训练算法的完善，可高效采集数据，得到极低的错误判断概率，降低维护成本等，形成一套高精度、高准确率、智能化的三位一体新能源汽车无线充电站异物检测系统。
73.其中，毫米波雷达模块安装在无线充电站的侧方，能够直射无线充电区域的地方，数字信号处理模块和大数据与人工智能综合分析模块部署在云端。
74.如图1所示，毫米波雷达模块主要由tx(发射)天线、rx(接收)天线、合成器、混频器(mixer)和adc采样器组成。毫米波雷达模块开始工作时，首先由合成器生成一个线性调频脉冲，并由发射天线(tx天线)发射。发射波经过物体被反射形成反射线性调制脉冲，并被接收天线(rx天线)所捕获。混频器将如式(1)表示的tx信号x1和如式(2)表示的rx信号x2合并到一起，生成如式(3)表示的中频(if)信号x
out
。
[0075][0076][0077]
其中，ω1、分别表示tx信号的瞬时频率和相位，ω2、表示rx信号的瞬时频率和相位。中频(if)信号x
out
有一个瞬时频率，等于两个输入正弦函数的瞬时频率之差。中频(if)信号x
out
的相位等于两个输入信号的相位之差。数字信号处理模块(dsp)对混频器输出的中频if信号进行fft处理以后得到如图2所示的三维fft热图)。
[0078]
x
out
＝sin[(ω
1-ω2)t+(φ
1-φ2)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0079]
大数据与人工智能综合分析模块对生命体征检测整套算法流程如图3所示，具体包括步骤：
[0080]
a1、读取三维fft热图中的fft图；
[0081]
a2、对fft图使用恒虚警算法进行目标检测，若检测出目标则进入下一步，若否则继续检测；
[0082]
a3、获得各个目标与毫米波雷达模块之间的距离，判断其中的最小距离是否在检测范围内，若是则进入下一步，若否则返回步骤a1读取下一周期的fft图；
[0083]
a4、计算最小距离对应的目标的发射能量，并判断其反射能量是否在预设的最小阈值和最大阈值之间，若是则进入下一步，若否则返回步骤a1读取下一周期的fft图；
[0084]
a5、计算最小距离对应的目标在运动位移为δr时的相位变化量，若相位变化量δφb为预设值，则表明有活体侵入无线充电区域，反之则表明侵入无线充电区域并非活体。
[0085]
步骤a4进行能量检测是为了筛选明显不符合的情况。例如，在同等距离的条件下，将和照片类似的非金属物体放在雷达前，其反射能量会非常弱；反之将显示器或者手机这类金属物体放在雷达前，其反射能量就会非常强。能量检测就是为了规避这种特殊情况。
[0086]
能量检测的原理如图4所示，图4的横坐标是频域，表示的是距雷达的距离，纵坐标是相对能量幅值。point a所在的折线就是雷达原始if信号做fft取模之后的结果。经过目标检测后检测出来的目标点就是a，a点及其左右各3个点的幅值之和为物体a的能量，在图4上表现为point b。图4中另外两条曲线代表的是活体在雷达前反射能量的两个阈值(最大
能量maximum energy和最小能量minimum energy)，这两个阈值是从采集到不同距离条件下的数据中归纳得来。若此时b点在两个阈值之间，说明此时的目标通过了能量检测，可以进入下一步即步骤a5中静止检测的环节。
[0087]
针对静止检测，其原理说明如下。
[0088]
毫米波雷达模块接收到目标反射信号后通过一系列的信号预处理得到原始信号。式(4)为雷达发射fmcw波信号方程，其中a
t
为发射信号幅度，φ(t)为发射机的相位噪声，fc为线性调频信号的起始频率，β为线性调频信号的带宽，t表示时间。假设目标在距离r0处，同时有时变的位移x(t)，则雷达与目标的距离变化可表示为r(t)＝r0+x(t)，x(t)为胸腔运动函数。雷达回波信号为遇到目标后反射信号，有一个td的时间延迟，时延td＝2r(t)/c。将时延td带入式(4)得到回波信号方程式(5)，其中α为信号传播过程中幅度的衰减。
[0089][0090][0091]
在雷达接收机中，雷达接收信号与发射信号进行相参混频，然后经过i/q解调后得到的信号。式(6)为经过相参混频和i/q解调得到的信号，ar为接收信号幅度，x即为x(t)。其中混频得到的中频信号频率为fb，其中距离导致的时延得到的相位变化记为φb(t)，记为式(8)，式中π(b/tc)t
d2
部分在实际应用过程中很小，所以在φb(t)中可以忽略不计。δφ(t)＝φ(t-td)为相位噪声。
[0092]
y(x)＝αa
rej(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0093][0094][0095]
在非接触式体征信号探测过程中距离函数r(t)＝r0+x(t)，将得到雷达回波信号进一步化简，得到x(t)即式(7)，其中td＝2r0/c(c表示雷达信号在空气中的传播速度)，故雷达信号采用fmcw波，整个信号的持续时间0＜t＜tc，所以整个信号时间段内的频率(b/tc)t＜＜fc，所以在雷达回波信号理论分析时，(2b/ctc)部分在式(8)中可以忽略不计，式(6)、(7)、(8)整体化为式(9)、(10)、(11)的形式。
[0096]
y(x)＝αa
rej(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0097][0098][0099]
对雷达回波函数化简得到由式(10)表示的有关胸腔运动函数x(t)，最后雷达回波原始信号为混频得到的中频信号。式(10)中只包含胸壁前后移动得到的相位变化和相位噪
声部分。后续通过软件进行雷达回波信号建模，都将以式(10)为主要理论依据。相应的式(9)所示的y(x)变换为如下式(12)：
[0100][0101]
其中，λ为毫米波雷达波对应的波长。
[0102]
对式(10)得到的回波信号通过傅里叶变换可以得到信号的相位值，雷达通过测量在目标距离单元内的fmcw回波信号的相位变化来展示测量微小的振动。式(13)为距离细微变化和相位之间的关系式，当目标运动位移为δr，前后相位相差δφb。这也是通过毫米波雷达检测生命体征信号的核心在生命体体征信号检测的过程中，通过雷达回波的得到的相位来表示胸腔运动函数的x(t)。本文实验毫米波雷达波对应的波长λ为3.8mm，当δr有1mm的位移时，对应的相位变化δφb＝π。
[0103][0104]
通过上述的检测方法便可以确定入侵物体是否为活体，如果反馈结果为是，雷达则切换到24ghz低频毫米波频段，对该入侵目标进行雷达波扫描。毫米波雷达散点图是毫米波雷达接收到的散射回波信号的强度与时间的关系图。首先毫米波雷达使用tx低频发射天线发射24ghz低频毫米波，然后接收目标物体散射回来的电磁波信号。对这些反射回来的信号进行数字化处理，通过对每个不同信号强弱的区分，便可以在雷达3d散点图中不同的位置立体化地显示不同的坐标点。这些信息通过散点云的形式呈现出来便形成了毫米波雷达散点图。
[0105]
大数据与人工智能综合分析模块还用于根据雷达3d散点图进行活体分类，具体包括步骤：
[0106]
b1、使用点云配准算法将雷达3d散点图中的多个局部点云拼接成全局三维点云；
[0107]
b2、使用ransac算法对全局三维点云进行拟合，得到ransac图像；使用三维sar算法对全局三维点云进行拟合，得到sar图像；
[0108]
b3、将ransac图像输入第一深度学习网络中，得到第一分类结果；将sar图像输入相同结构的第二深度学习网络中，得到第二分类结果；
[0109]
b4、综合考虑第一分类结果和第二分类结果，得到最终的分类结果。
[0110]
针对步骤b1，毫米波雷达散点图中的点云一般为小规模的局部点云，需要使用点云配准算法将多个局部点云拼接成场景的全局三维点云。最常用的点云配准算法有正态分布变换算法(normal distribution transform,ndf)和迭代最近点算法(iterative closest point,icp)，其核心思想都是通过不同局部点云之间的重叠部分来进行特征匹配。ndf假设点云服从正态分布，求解一个包含旋转和平移的空间变换，使得一个点云转换后最大可能地位于另一个点云扫描平面上。icp是求解一个包含旋转和平移的空间变换，使得变换后每个点与另一个参考点的最近点的距离之和最小。
[0111]
针对步骤b2，数据集中的点分为“局内点”(inliers)和“局外点”(outliers)。“局内点”是指适应模型的数据，对模型拟合有用的数据；“局外点”是指不符合模型描述一致性的数据，对模型拟合无用的数据，也就是数据集中的噪声点。ransac算法具有较好的鲁棒性，在给定的一组包含噪声的数据中，能够计算出符合某一几何模型的参数。
[0112]
下面以一个直线拟合的示例来对ransac的应用进行说明，示例如下：从一个二维平面点集中拟合出对样本点支持度最高的直线模型参数，点集中包含局内点和局外点，其拟合参数的一个大致过程如下：
[0113]
step1：假设要拟合的模型为直线，方程为y＝ax+b，确定一条直线只需要两个点，首先从数据中随机选择两个点求解方程，得到参数a、b的值，确定了一个初步的假设模型；
[0114]
step2：设置距离阈值为d
max
，遍历数据集中所有的点，计算每个点到直线y＝ax+b的距离d，若距离d＜d
max
，则认为该点处于直线y＝ax+b上，即该点为局内点，反之，则判定该点为局外点，对上一步中每一个确定的直线方程都统计局内点的个数n；
[0115]
step3：根据数据集大小设定一个判断该数据集对当前模型的支撑度参数s，若n》s，则保存当前的模型参数，否则继续下一轮迭代；
[0116]
step4：重复上述步骤，不断迭代，最终数值n最大所对应的模型即为直线的最佳拟合模型。
[0117]
如图5所示，图5(a)为包含局内点和局外点的二维平面上的点集，图5(b)为使用ransac算法拟合得到的最佳直线模型，从图5中结果可以看出，局外点的存在并没有影响最终的模型拟合结果。
[0118]
基于与这些步骤相似的过程，使用ransac算法对全局三维点云进行拟合，得到ransac图像。
[0119]
ransac算法的基本思想可以描述为：给定一个包含局内点和局外点的数据集p，以及一个需要至少n个样本来实现位置参数求解的模型m，首先从数据集中随机选择n个点组成子集x1，用于求解模型m的参数得到初始模型m1；然后将数据集p中的点与模型m1进行适配，统计局内点个数n，适配的原则是该点到模型m1的距离小于给定的阈值δ，n的数值越大说明该局内点组成的子集对模型的支撑度越大，不断迭代，最终n最大的值所对应的模型m为最佳拟合模型。
[0120]
传统的点云分类方法依据的是专家根据几何约束和统计约束设计的人工特征来进行的，基于深度学习的方法可以利用网络从数据中自动提取特征，可达到比传统方法更好的分类效果。深度学习最初用于图像处理，而三维点云相对于图像来说是无序的、不规则的、非结构化的，因此在输入网络前需要对点云进行相应的变换，根据输入网络点云数据格式的不同，可以将基于深度学习的点云分类方法分为基于多视图、基于体素、基于点三类方法。
[0121]
基于多视图的方法其核心思想是采用多视图2d图像来表示三维点云数据，snapnet是少有的基于多视图的点云分类网络，原理流程如图6所示，其对点云的分类步骤如下：
[0122]
step1：点云预处理，对点云进行抽取，计算点的特征(如法线或局部噪声)并生成网格；
[0123]
step2：使用基于segnet的深度分割网络和融合残差矫正为输入的一对rgb图和深度图上每个像素提供一个语义标签；
[0124]
step3：将语义化后的图像投影到三维空间，得到三维点云的分类结果。
[0125]
基于体素的方法以体素为输入，解决了点云无序性和非结构化的问题，类似于二维图像中的像素，经过体素化后的点云可以直接采用3d卷积网络进行处理。segcloud是最
具代表性的基于体素的点云分类网络，原理流程如图7所示，其处理点云的步骤如下：
[0126]
step1：点云体素化；
[0127]
step2：采用三维全卷积网络生成粗下采样体素标签；
[0128]
step3：采用三线性插值将体素的粗输出转换到原始点云上；
[0129]
step4：将上一步得到的结果通过三维全连接条件随机场进行推理，得到所有点的分类结果。
[0130]
尽管segcloud采用体素作为处理对象，相较于直接处理点云来说，极大地提高了效率，但其计算量和内存消耗仍然很大，有学者采用八叉树结构来替换体素，可以更好地提升点云处理的效率。
[0131]
基于点的方法是直接以点云为输入，网络直接对输入的三维点进行处理。在这类方法中最具代表性的是pointnet，它是第一个直接基于点云进行点云分类的深度网络，其网络结构如图8所示，以场景点云为输入，对输入的点云进行输入变换和特征变换，然后采用最大池化层将特征整合在一起，最后的分割网络是前面分类网络的延伸，将全局特征与局部特征连接在一起，最终输出k个类别和每个类别对应的分数。
[0132]
在后续的研究中，基于pointnet进行优化改进的网络、引入卷积的点云分类网络以及采用图结构的点云分类网络，得到了更好的分类效果。基于深度学习的点云分类方法相比传统的点云分类方法，精度和效率都有了极大的提升。
[0133]
为提高系统识别准确性，在运行上述ransac算法的同时，系统还会将数据放入三维sar算法中建模。也即使用三维sar算法对全局三维点云进行拟合，得到sar图像。两套算法同时运算输出结果，对结果进行比对输出，不仅仅能够提高输出结果的准确性；将输出结果重新送入深度学习模型中，还能在系统投入使用的过程中不断优化模型，使识别准确率不断提高。故在步骤b4后还包括步骤：
[0134]
b5、将最终的分类结果重新送入第一深度学习网络和第二深度学习网络中，以相互优化的方式训练第一深度学习网络和第二深度学习网络。
[0135]
sar(synthetic aperture radar)是一种用于制作雷达图像的技术，它利用飞机或卫星等平台发射雷达脉冲并接收反射回来的信号来获取地面信息。sar算法是对sar数据进行处理以获取图像的一系列数学方法。sar图像的特点是高分辨率、全天候、全天时，但也存在一些困难，比如多次反射、斑点噪声等。为了克服这些问题，需要使用复杂的算法来处理数据并获得高质量的图像。常见的sar算法包括：
[0136]
1.range doppler算法：这是最常用的sar处理算法之一。它利用了距离和多普勒频移之间的关系来合成图像。这种算法可以提供高分辨率的图像，但需要大量计算资源。
[0137]
2.基于时域分析的sar算法：这类算法将sar数据转换到时间域中，通过处理时间序列数据来得到sar图像。其中最常用的算法是omega-k算法和chirp scaling算法。
[0138]
3.基于极化分析的sar算法：这类算法使用sar数据的极化信息来进行处理，以获得更准确的地物分类和分析。常见的算法包括极化干涉和极化散射分解等。
[0139]
4.基于压缩感知的sar算法：这类算法利用压缩感知理论来实现对sar信号的压缩采样和重构，从而降低了数据采集和处理的成本。常见的算法包括基于稀疏表示的压缩感知和基于低秩表示的压缩感知等。
[0140]
本系统中，首先分析目标运动模型，建立回波模型，分析回波频谱，然后介绍经典
rd、cs、bp成像算法，最后对目标散射中心建模，得到目标仿真sar图像。
[0141]
同一距离、不同方位的目标，其回波信号形式相同，在方位向上时延不同。因为时延不影响信号的频谱范围，所以同一距离、不同方位的目标回波在距离-多普勒域上徙动轨迹重叠。距离多普勒(range-doopler,rd)算法利用这一特点，在距离-多普勒域进行距离徙动校正，每个距离单元只需要校正一次。
[0142]
rd算法流程如图11所示，具体包括步骤：
[0143]
b21、对全局三维点云分别进行距离维fft和方位维fft，以将数据转换到二维频域；
[0144]
b22、在二维频域进行距离维脉冲压缩和二次距离压缩；
[0145]
b23、对距离维进行ifft；
[0146]
b24、对距离维ifft进行徙动校正和方位匹配滤波；
[0147]
b25、进行方位维ifft；
[0148]
b26、得到成像结果。
[0149]
首先，对距离维和方位维分别fft，将原始数据转换到二维频域。然后，在二维频域进行距离维脉冲压缩。由于大斜视角下距离维散焦较严重，还需要二次距离压缩。接下来，对距离维ifft在距离-多普勒域上进行徙动校正和方位匹配滤波。最后进行方位ifft，得到成像结果。
[0150]
下面对距离匹配滤波、二次距离压缩、距离徙动校正、方位匹配滤波相关公式进行说明。
[0151]
(1)距离维匹配滤波
[0152]
基于式(2)-(6)，回波信号的距离维表达式为：
[0153][0154]
其中，kr为调平率，sr()为回波信号的距离维。
[0155]
因此匹配滤波的参考信号为：
[0156]hr
(τ)＝w
τ
(τ)exp(jπkrτ2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0157]
匹配滤波后，回波为sinc形式的窄脉冲，实现了距离维聚焦。
[0158]
(2)二次距离压缩
[0159]
观察二维频域表达式(16)，相位来自调平率kr的发射信号，该相位分量通过距离匹配滤波抵消，另一相位分量θ(f
t
,f
τ
)展开式(17)第三项由距离方位耦合产生，定义为θ
src
(f
t
,f
τ
)：
[0160][0161]
二次距离压缩对θ
src
(f
t
,f
τ
)补偿，频率响应h
src
(f
t
,f
τ
)为：
[0162][0163]
正侧视的情况下，多普勒频率f
t
主要集中在0hz附近，相位θ
src
(f
t
,f
τ
)的影响较小。
而斜视角较大的情况下，频率f
t
提高，相位θ
src
(f
t
,f
τ
)变大，因此km和原始调频率kr有一定差值。如果不进行二次距离压缩，会导致相位失配，引起距离维散焦的现象。
[0164]
(3)距离徙动校正
[0165]
正侧视情况下，距离-多普勒域的徙动可简化为式(18)：
[0166][0167]
斜视角较大的情况下，不能进行简化，徙动校正为：
[0168][0169]
(4)方位匹配滤波
[0170]
多普勒维信号表达式为式(20)：
[0171][0172]
方位匹配滤波器的频率响应为式(21)：
[0173][0174]
rd算法分辨率较高，各个散射点在距离和方位聚焦效果良好，旁瓣较低。但斜视场景下旁瓣略微抬高，这是由于对距离多普勒频谱推导与相位θ
src
(f
t
,f
τ
)展开时，忽略了高阶相位。随斜视角增大，这种近似对成像的影响越明显，因此大前斜成像时需要对rd算法进行修改。
[0175]
线性调频变标(chirp scaling,cs)将线性调频信号与变标函数相乘，改变零频位置，匹配滤波后，脉冲发生时移，实现距离徙动校正。cs算法避免了插值操作，时间复杂度降低。下面首先介绍cs的基本原理，然后结合sar回波表达式，推导变标方程。
[0176]
单脉冲线性调频接收信号为式(22)：
[0177]
s(τ)＝exp[jπkr(τ-τ0)2]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
[0178]
设变标方程为式(23)：
[0179][0180]
s(τ)乘以变标方程s
cs
(τ)式(24)：
[0181][0182]
从式(24)可看出，变标后零频出现在τ0/1+α处。因为线性调频信号脉压后峰值位于零频位置，变标方程可使压缩脉冲产生时移，偏移量δτ为式(25)：
[0183][0184]
δτ与τ0成正比。变标后调频率变为(1+α)kr，调频率变化会导致带宽的变化。
[0185]
cs算法的流程如图12所示。首先，作方位维fft，用变标方程式(26)补余rcmc。然
后，作距离维fft，用式(27)完成距离匹配滤波，用式(28)进行相位补偿完成一致rcmc。接下来，作距离维ifft，变换回距离-多普勒域，用式(29)完成方位匹配滤波，用式(30)相位补偿。最后，作方位维ifft完成成像。
[0186][0187][0188][0189][0190][0191]
后向投影(back projection,bp)算法在时域成像，将距离压缩后的回波映射到用户定义的成像面上。bp算法比较简单灵活，成像面不受限制，可以在任意几何关系下对目标成像。但是，算法时间复杂度较高，需要对成像面所有像素点遍历和插值。
[0192]
回波距离维匹配滤波后的表达式(31)：
[0193][0194]
式中，qr[τ-2r(t)/c]表示距离维压缩脉冲。将距离r(t)对应的回波单元相干积累，即可实现方位聚焦。
[0195]
定义成像面i对成像面划分网格。首先进行距离维脉冲压缩，然后对i中所有单元格循环成像。以单元格(i,j)为例，求该单元格的距离变化历程r
i,j
(n)，n为脉冲编号。由r
i,j
(n)得到回波数据位置k＝(2r
i,j
(n)/c)fs。k可能不是整数，需要插值得到位置k的回波。式(31)中相位-4π(fc/c)r(t)随时间变化，相干积累时需要对该相位进行补偿。综上，单元格(i,j)的成像值为式(32)：
[0196][0197]
bp算法流程如图13所示。首先，确定成像空间，对成像面划分单元格。然后对原始回波进行距离维脉冲压缩。接下来对成像面的全部单元格循环成像：
[0198]
(1)计算成像点在所有慢时间采样时刻与sar平台的距离r
i,j
(n)；
[0199]
(2)由r
i,j
(n)得到距离向采样点下标k在距离维上插值，得到回波值sr(n,k)；
[0200]
(3)对sr(n,k)进行多普勒相位补偿，各慢时间回波相干叠加；
[0201]
(4)对所有单元格循环完毕后，即得到成像区域图像。
[0202]
正侧视成像结果中出现距离维脉冲展宽或旁瓣功率提高的现象。这是因为成像点比较集中，回波在时域上混叠，bp算法对某成像单元进行回波投影时，可能同时引入了其他成像单元的回波。斜视场景下，成像点间斜距的差值比正侧视场景大，因此回波时域混叠的程度较轻，成像效果更好。
[0203]
bp算法比较灵活，可以自由定义成像面，分辨率较高。但是，它需要做大量插值运算，时间复杂度达到o(n3)，给实时成像带来困难。
[0204]
sar图像切片仿真的步骤如下：
[0205]
(1)对sar平台工作参数进行设置；
[0206]
(2)根据入射角度计算目标表面采样点的rcs；
[0207]
(3)根据发射信号参数、散射点rcs、距离等信息求回波功率，生成回波；
[0208]
(4)将所有散射点回波相加，叠加噪声；
[0209]
(5)用成像算法对回波进行处理，得到sar图像。
[0210]
机器学习和深度学习成为sar图像分类和识别的趋势。本系统使用经典机器学习算法和卷积神经网络对飞机和车辆sar图像分类，活体目标图像通过仿真产生，动物图像来源于imagenet公开数据集。基于深度学习方法，设计两种卷积神经网络对sar图像分类。对imagenet动物目标进行分类实验，对算法的性能进行分析。
[0211]
cnn作为一种学习效率极高且易于训练的深度学习模型，在动物识别中最为常用，并且在不断进步。在cnn基础之上，人们通过对卷积层、池化层、全连接层等结构的交替与优化，加强对图像的特征提取并通过调整网络层数加强学习能力，进一步训练提高识别性能。2014年chen等研究发现cnn的学习能力明显优于传统的bag of visual words(bow)模型，但通过cnn进行动物物种分类的准确率仅有38％。2016年，okafor等在wild-anim数据集的基础上，通过减少全连接层中神经元的数量改善cnn架构，简化了识别流程，并且提高了识别的效率。norouzzadeh等在snapshot serengeti数据集(现存最大的动物标记数据集)的基础上，使用2阶段多任务学习的检测方式，对48个物种进行识别并对其行为等其他特征进行分析，准确率达到了93.8％以上。shi等通过构建dcnn(deep convoluted neural net work)框架对40只东北虎个体进行识别，准确率达到93.5％，且较于其他神经网络大大缩短了运行时间。拉毛杰等基于darknet-53框架，通过数据增强实现了部分畜牧业动物图像的识别，准确率达到了87.9％。王文成等利用resnet50网络框架对10种鱼类进行分类识别，准确率达到了93.3％。马梦园利用dcnn网络对70种鳞翅目(lepidoptera)昆虫进行分类，识别率达到了99.8％。guo等基于tri-ai技术，对41种灵长类动物进行识别，准确率高达94.1％，该技术不仅适用于多物种识别，也可应用于夜间数据分析。此外，cnn可结合其他神经网络架构，如rnn的lstm、gan等，增强特征提取能力，进一步优化网络结构，提高识别准确度。以cnn为基础的动物识别流程见图9。
[0212]
神经网络对流式数据流的处理方法主要有三种：一是利用多张序列融合，即利用cnn提取每帧的建模特征并输入到lstm网络中，最后进行多标签输出；二是利用双流架构，即空间流与时域运动流，二者通过多卷积层进行分类，最后对结果进行融合，是目前对流式数据流目标识别的主流路线；三是利用三维卷积(3d convolutional neural network，3dcnn)的方式，需要对视频进行预处理，再利用3d的卷积核进行特征提取并输出结果。基本的目标识别简化流程如图10。
[0213]
对上述的ransac算法和sar算法得到的结果进行比对，选择出可能性较大的结果，将结果返回到两种算法识别建模的深度学习模型中；不断地以相互优化的方式训练深度学习模型，以达到在使用中训练模型的效果。这种方法不仅能为模型的训练扩充训练集，并且可以不断提高模型输出结果的可靠性。最终达到高精度、高准确性的效果。
[0214]
基于上述无线充电活体异物检测系统，本发明实施例还提供一种基于毫米波雷达的无线充电活体异物驱离系统，包括上述的大数据与人工智能综合分析模块，还包括无线充电系统控制器和驱离模块；
[0215]
大数据与人工智能综合分析模块还用于在分析出有活体侵入无线充电区域时，向无线充电系统控制器发送降低功率的指令；还用于在分类得到侵入活体的种类时将侵入活体的种类发送至驱离模块；
[0216]
无线充电系统控制器用于在接收到降低功率的指令后控制无线充电系统降低功率；
[0217]
驱离模块用于根据接收的侵入活体的种类发出对应的驱离信号。
[0218]
大数据与人工智能综合分析模块还用于在分析出预设时间段内仍有活体存在无线充电区域以及当分类得出侵入的活体为人时，向无线充电系统控制器发送停止充电的指令，待活体离开无线充电区域后，向无线充电系统控制器发送启动充电的指令。
[0219]
当侵入的活体为人类时，驱离模块发出语音警醒信号(比如：危险！危险！请尽快离开当前无线充电区域；或者是蜂鸣声、鸣笛声等各种能使人尽快驱离的声音)。当侵入的活体为动物时，驱离模块针对该动物种类发出对应的超声波信号同时发出语音驱赶信号(人类驱赶动物的语音)。利用动物对高频波的敏感性和对不同频率声波的反应不同，通过发出特定频率的超声波来影响动物的行为和逃离无线充电区域。
[0220]
图14为clc-s型wpt系统拓扑结构图。如果需要降低功率或者关闭无线充电则可以调整原边dc-dc电源电压，或者关闭dc-dc以实现功能。
[0221]
综上，本发明实施例提供的基于毫米波雷达的无线充电活体异物检测及驱离系统，其有益效果在于：
[0222]
1、使用毫米波雷达，利用生命体的微多普勒效应，通过检测生命体的微小运动来进行人体或动物的检测，以实现在无线充电发射端异物的生命体与非生命体识别。相较于传统的视觉摄像头和人工智能相结合的监控形式，毫米波雷达具有高环境适应性、可靠性和实时性等优势；
[0223]
2、毫米波雷达通过发送毫米波信号并接收反射回来的信号，得到目标的距离、速度和方向等信息。在处理这些信息时，将其转换为散点图的形式，并利用算法对三维散点图进行一定的滤波和三维模型搭建，构建深度学习模型，对该模型进行不断地训练，通过大量的数据处理提高模型的判断正确率，使其具备无人检测的能力；
[0224]
3、毫米波雷达作为新型的监控设备，加入到无线充电异物检测系统中，提高了系统的环境适应性、系统稳定性和灵活机动性，结合深度学习模型的训练，对上述提到的综合监控需求具有较好的契合度。
[0225]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

技术特征：
1.基于毫米波雷达的无线充电活体异物检测系统，其特征在于，包括毫米波雷达模块、数字信号处理模块、大数据与人工智能综合分析模块；所述毫米波雷达模块用于以第一频率发射针对无线充电区域的探测信号，并以所述第一频率接收反射的雷达波，得到第一中频信号发送至所述数字信号处理模块；所述数字信号处理模块用于接收所述第一中频信号并对其进行快速傅里叶变换，得到三维fft热图并发送至所述大数据与人工智能综合分析模块；所述大数据与人工智能综合分析模块用于对所述三维fft热图分析是否有活体侵入所述无线充电区域，若是则向所述毫米波雷达模块发送频率改变信号，若否则继续接收数据进行分析；所述毫米波雷达模块还用于，当接收到所述频率改变信号时，改以第二频率发射针对无线充电区域的探测信号，并以所述第二频率接收反射的雷达波，得到第二中频信号发送至所述数字信号处理模块；所述数字信号处理模块还用于接收第二中频信号并将其转化为雷达3d散点图发送至所述大数据与人工智能综合分析模块；所述大数据与人工智能综合分析模块还用于根据所述雷达3d散点图进行活体分类，得到侵入活体的种类。2.根据权利要求1所述的基于毫米波雷达的无线充电活体异物检测系统，其特征在于，所述大数据与人工智能综合分析模块对所述三维fft热图分析是否有活体侵入所述无线充电区域，具体包括步骤：a1、读取所述三维fft热图中的fft图；a2、对所述fft图使用恒虚警算法进行目标检测，若检测出目标则进入下一步，若否则继续检测；a3、获得各个目标与所述毫米波雷达模块之间的距离，判断其中的最小距离是否在检测范围内，若是则进入下一步，若否则返回步骤a1读取下一周期的fft图；a4、计算最小距离对应的目标的发射能量，并判断其反射能量是否在预设的最小阈值和最大阈值之间，若是则进入下一步，若否则返回步骤a1读取下一周期的fft图；a5、计算最小距离对应的目标在运动位移为δr时的相位变化量，若相位变化量δφ
b
为预设值，则表明有活体侵入所述无线充电区域，反之则表明侵入所述无线充电区域并非活体。3.根据权利要求2所述的基于毫米波雷达的无线充电活体异物检测系统，其特征在于：在所述步骤a5中，相位变换量δφ
b
的预设值为：λ表示雷达波对应的波长。4.根据权利要求2所述的基于毫米波雷达的无线充电活体异物检测系统，其特征在于，所述大数据与人工智能综合分析模块还用于根据所述雷达3d散点图进行活体分类，具体包括步骤：b1、使用点云配准算法将所述雷达3d散点图中的多个局部点云拼接成全局三维点云；b2、使用ransac算法对所述全局三维点云进行拟合，得到ransac图像；使用三维sar算法对所述全局三维点云进行拟合，得到sar图像；b3、将所述ransac图像输入第一深度学习网络中，得到第一分类结果；将所述sar图像
输入相同结构的第二深度学习网络中，得到第二分类结果；b4、综合考虑所述第一分类结果和所述第二分类结果，得到最终的分类结果。5.根据权利要求4所述的基于毫米波雷达的无线充电活体异物检测系统，其特征在于，在所述步骤b2中，使用的三维sar算法为距离多普勒算法，其算法流程包括步骤：b21、对所述全局三维点云分别进行距离维fft和方位维fft，以将数据转换到二维频域；b22、在二维频域进行距离维脉冲压缩和二次距离压缩；b23、对距离维进行ifft；b24、对距离维ifft进行徙动校正和方位匹配滤波；b25、进行方位维ifft；b26、得到成像结果。6.根据权利要求4所述的基于毫米波雷达的无线充电活体异物检测系统，其特征在于，在步骤b4后还包括步骤：b5、将最终的分类结果重新送入所述第一深度学习网络和所述第二深度学习网络中，以相互优化的方式训练所述第一深度学习网络和所述第二深度学习网络。7.根据权利要求1所述的基于毫米波雷达的无线充电活体异物检测系统，其特征在于：所述毫米波雷达模块安装在无线充电站的侧方，能够直射无线充电区域的地方，所述数字信号处理模块和大数据与人工智能综合分析模块部署在云端；所述第一频率选用发射频率在77ghz～81ghz之间的高频电磁波；所述第二频率选用发射频率为24ghz的低频电磁波。8.基于毫米波雷达的无线充电活体异物驱离系统，其特征在于：包括如权利要求1～7任意一项所述的大数据与人工智能综合分析模块，还包括无线充电系统控制器和驱离模块；所述大数据与人工智能综合分析模块还用于在分析出有活体侵入所述无线充电区域时，向所述无线充电系统控制器发送降低功率的指令；还用于在分类得到侵入活体的种类时将侵入活体的种类发送至所述驱离模块；所述无线充电系统控制器用于在接收到所述降低功率的指令后控制无线充电系统降低功率；所述驱离模块用于根据接收的侵入活体的种类发出对应的驱离信号。9.根据权利要求8所述的基于毫米波雷达的无线充电活体异物驱离系统，其特征在于：所述大数据与人工智能综合分析模块还用于在分析出预设时间段内仍有活体存在所述无线充电区域以及当分类得出侵入的活体为人时，向所述无线充电系统控制器发送停止充电的指令，待活体离开所述无线充电区域后，向所述无线充电系统控制器发送启动充电的指令。10.根据权利要求9所述的基于毫米波雷达的无线充电活体异物驱离系统，其特征在于：当侵入的活体为人类时，所述驱离模块发出语音警醒信号；当侵入的活体为动物时，所述驱离模块针对该动物种类发出对应的超声波信号同时发出语音驱赶信号。

技术总结
本发明涉及无线充电技术领域，具体公开了一种基于毫米波雷达的无线充电活体异物检测系统，将毫米波雷达对生命体征检测能力和雷达反射波3D散点建模的方法应用于新能源汽车无线充电发射端的活体异物检测；将毫米波雷达传感器和AI深度学习模型相结合，提出可识别活体种类的、高精度的检测系统。优点在于：毫米波雷达的高稳定性、非接触式检测、高环境适应性，以及能力日渐增强的深度学习模型训练算法的完善，可高效采集数据，得到极低的错误判断概率，降低维护成本等，形成一套高精度、高准确率、智能化的三位一体新能源汽车无线充电站异物检测系统。测系统。测系统。


技术研发人员：吴晓锐 周柯 莫宇鸿 李林 卓浩泽 肖静 韩帅 陈绍南 龚文兰 王佳琳 陈卫东 吴宁 郭敏 郭小璇 张龙飞
受保护的技术使用者：广西电网有限责任公司电力科学研究院
技术研发日：2023.05.25
技术公布日：2023/8/23