CN120334904A

CN120334904A - 基于毫米波雷达的校园欺凌监测系统

Info

Publication number: CN120334904A
Application number: CN202510512527.0A
Authority: CN
Inventors: 吴桐; 李涛; 刘洋; 蒋兰英; 李文怡; 邓淘飞; 邓艳; 苏尹
Original assignee: Jiaxing University
Current assignee: Jiaxing University
Priority date: 2025-04-23
Filing date: 2025-04-23
Publication date: 2025-07-18

Abstract

本发明属于校园欺凌监测技术领域，具体涉及一种基于毫米波雷达的校园欺凌监测系统。本发明公开了一种基于毫米波雷达的校园欺凌监测系统，毫米波雷达采集私密空间的雷达信号并且将该雷达信号传输到所述数据回传模块，以使得所述数据采集器接收数据回传模块传送的雷达信号并回传至异常点云簇检测模块；异常点云簇检测模块对接收回来的雷达信号进行DBSCAN算法处理，生成聚类簇；欺凌检测模块对异常的聚类簇分别通过人员计数检测模块、动作异常检测模块和人员倾倒检测模块进行三次分析。本发明公开的一种基于毫米波雷达的校园欺凌监测系统，能够实时准确的检测隐私区域是否发生欺凌行为，检测效率高，检测精度高。

Description

基于毫米波雷达的校园欺凌监测系统

技术领域

本发明属于校园欺凌监测技术领域，具体涉及一种基于毫米波雷达的校园欺凌监测系统。

背景技术

在当今的教育环境下，学生规模正呈现出不断扩大的趋势，校园内聚集了来自不同背景、性格各异的学生群体。这种多元化的学生构成在丰富校园文化的同时，也带来了新的挑战。其中，校园不友善行为，如欺凌、冲突等现象时有发生，给学生的身心健康和校园环境带来了负面影响。校园管理在面对这些新情况时，难免存在一些疏漏之处。传统的监控手段如摄像头，虽然在一定程度上有助于维护校园安全，但由于隐私保护的需要，其覆盖范围受到限制，无法在诸如学校卫生间、寝室等监控未覆盖的区域发挥作用，而这些区域恰恰是不友善行为的高发地带，这给学校的管理带来了极大的困难。

在此背景下，毫米波雷达技术作为一种新型的探测手段，展现出了巨大的应用潜力。毫米波雷达利用电磁波探测物体的活动轨迹，能够在不侵犯学生隐私的前提下，对上述隐私区域进行有效的监测。它不仅可以精确地感知区域内人员的存在、数量、位置和运动轨迹，还能通过智能算法识别异常行为模式，如长时间逗留、异常聚集、大范围肢体动作等，并及时触发预警机制，将预警信息发送给相关人员进行干预和处理。这种智能化的校园欺凌监测技术，不仅克服了传统监控手段的局限性，还为校园安全管理提供了一种更加精准、高效且人性化的解决方案，有助于营造一个更加安全、和谐的校园环境。

发明内容

本发明的主要目的在于提供一种基于毫米波雷达的校园欺凌监测系统，能够实时准确的检测隐私区域是否发生欺凌行为，检测效率高，检测精度高。

为达到以上目的，一种基于毫米波雷达的校园欺凌监测系统，包括毫米波雷达、数据回传模块、数据采集器、异常点云簇检测模块、欺凌检测模块和预警级别判断及响应模块，其中：

所述毫米波雷达采集私密空间的雷达信号并且将该雷达信号传输到所述数据回传模块，以使得所述数据采集器接收数据回传模块传送的雷达信号并回传至异常点云簇检测模块；

所述异常点云簇检测模块对接收回来的雷达信号进行DBSCAN算法处理，生成聚类簇，对生成的聚类簇进行GNN算法筛选，通过设置阙值，筛选出异常的聚类簇，并将数据传递到欺凌检测模块进行分析；

所述欺凌检测模块对异常的聚类簇分别通过人员计数检测模块、动作异常检测模块和人员倾倒检测模块进行三次分析，从而获得相应的数据并且经过数据融合传输到所述预警级别判断及响应模块；

所述预警级别判断及响应模块对接收的融合数据进行处理，进行预警级别的判断，并作出相对应的响应措施。

作为上述技术方案的进一步优选的技术方案，对于所述异常点云簇检测模块具体实施为：

首先，对接收回来的雷达信号进行包括去除杂波和噪声的处理，处理后的雷达信号接着进行离散化采样从而生成帧序列，对帧序列进行切割并重组得到帧矩阵；对生成的帧矩阵进行DBSCAN算法，帧矩阵中数据生成聚类簇，然后对生成的聚类簇进行GNN算法筛选，筛选出人数大于第一预设人数的聚类簇；此外当聚类簇的人数大于第二预设人数时，直接触发预警提醒，发出禁止聚集通知，并且通知教务人员进行情况查看。

作为上述技术方案的进一步优选的技术方案，对于人员计数检测模块的分析具体实施为：

根据人员的区域运动幅度、肢体反射角度、人员的速度和加速度，区分为不同的运动状态，以便后续进行识别；运动状态包括行走、奔跑、后退、跳跃和静止，分别对不同运动状态的人员进行计数统计处理；采用根均方值计算从雷达信号中获得的多目标的多普勒速度，作为身体运动指数；

人员计数检测模块采用的算法是CFAR目标检测并进行卡尔曼滤波跟踪定位，相关内容如下：

第一，计算初始雷达图像，公式为：，其中表示t时刻r距离θ方向上的雷达图像，表示在时间t、距离r和方向θ上的雷达图像强度值，是通过加权合成多个通道的信号得到的成像结果，反映位置的目标回波能量或特征，具体为：

N：通道的总数量；

：第n个通道的加权系数，用于调节各通道对最终图像的贡献程度；

：方向θ上的波束赋形权重，与雷达天线的方向图或波束指向相关，决定第n个通道在方向θ上的响应强度；

：第n个通道在时间t和距离r处的原始信号；

t：时间变量，对应雷达脉冲发射或数据采集的时刻；

r：距离变量，表示目标到雷达的径向距离；

θ：方位角或方向变量，表示雷达波束的指向角度；

第二，抑制静态杂波，公式为：，其中表示抑制杂波后的雷达图像，通过时间平均法抑制静态杂波，保留动态目标的信号，其中：

T：时间窗口长度，即计算平均值的积分区间；

：时间窗口的索引；

t′：积分变量，表示历史时刻；

积分项：在时间窗口内，对同一距离r和方向θ的信号强度求时间平均，得到静态杂波的估计值；

第三，估计目标位置，公式为：，其中和分别表示t时刻目标的位置和方位角，为数学运算符，表示找到使函数取得最大值的参数对；

第四，计算新的雷达图像，初始雷达图像表示瞬时雷达图像，即在单个时间点t获取的距离-方位信号强度，新雷达图像公式为：，其中表示第个时间段内的雷达图像，表示时间平均后的雷达图像，通过对第个时间段内的瞬时图像进行能量积分和平均得到；

：第个时间段的平均雷达图像，单位为能量或功率；

：瞬时雷达图像，表示时间t、距离r、方位角θ处的复数信号；

瞬时信号的能量，用于消除相位影响，保留强度信息；

T：时间窗口长度，即积分的时间区间；

：时间段的索引；

积分项：对第个时间段内所有瞬时信号的能量进行累积；

第五，计算身体运动指数，公式为：，用于量化身体运动的强度，通过分析运动信号d(τ)的导数的能量，反映运动的剧烈程度，其中：

：时刻t的身体运动指数，单位为速度，数值越大表示运动越剧烈；

：原始运动信号；

：运动信号的时间导数，表示瞬时速度或变化率；

取模平方或直接平方，用于计算能量；

Tb：时间窗口长度，即计算运动指数的平滑区间；

积分区间：以t为中心、宽度为T_b的对称窗口，确保因果性或实时性需求；

第六，计算相关系数，公式为：

；

计算两个雷达在相同时间段内测量的身体运动指数之间的相关系数，用于量化运动信号是否同步或相似，其中：

取值范围：；

1：完全正相关；

：完全负相关；

0：无相关性；

：第个时间段内，雷达m和雷达m′的身体运动指数和的相关系数；

和：两个独立雷达在时间t测量的身体运动指数；

：计算相关系数的时间窗口长度；

：时间段的索引；

分子部分：两信号在窗口内的协方差，反映联合变化趋势；

分母部分：两信号能量的几何平均，用于归一化协方差，消除幅值差异的影响；

第七，计算目标关联准确率，公式为：

，用于计算多目标跟踪或关联任务的整体准确率，通过统计所有目标和所有时间段内的关联正确率，求取其平均值，其中：

：目标关联的整体准确率；

M：目标的总数量，表示系统需要跟踪或关联的独立目标数；

L：时间段的总数量，表示系统运行的总时间窗口数；

：第m个目标在第个时间段内的关联正确率，是一个二元值或概率值；

如果是二元值：

=1：表示目标m在时间段内被正确关联；

=0：表示关联错误；

如果是概率值：

表示关联的置信度或部分正确性；

第八，定义目标关联准确率，公式为：

；

二元判定规则，用于判断第个时间段内第m个目标是否被正确关联，其核心逻辑是：

如果目标m与自身的关联强度不低于它与其他任何目标m′的关联强度，则认为关联正确；

否则，关联错误；

：第个时间段内第m个目标的关联准确率，结果为二元值；

目标m与自身在时间段内的关联强度；

：目标m与其他目标m′在时间段内的关联强度；

：对所有不同于m的目标m′进行遍历比较；

第九，规范化主观评估分数，公式为：

；

其中，表示第j个实验中第m个参与者的规范化主观评估分数；

：第m个参与者在第j个实验中第k′项具体评价的原始分数；

K′：每个参与者或实验的评价项总数；

M：参与者的总数量；

J：实验的总数量；

参与者：指实际参与实验的人类受试者，而非雷达或传感器中的目标；

第十，计算客观身体运动指数，公式为：

；

计算客观的身体运动指数，通过量化第m个参与者在第j个实验中的运动能量，反映其整体运动强度，其中：

：第m个参与者在第j个实验中的客观身体运动指数；

：时间t时的原始运动信号；

L：实验的总周期数；

：单个周期的持续时间；

：实验的总时间长度；

K：运动指标的类别数；

利用CFAR目标检测的算法，统计雷达探测范围内的人员数量，分析人员的运动状态并识别出不同运动状态人员的进出事件，从雷达的回波数据判断人员特征以计数。

作为上述技术方案的进一步优选的技术方案，对于动作异常检测模块的分析具体实施为：

对筛选的聚类簇，进行特征提取，包括提取每个肢体部位在每个时间点的空间坐标，通过计算相邻时间点的位移，得到肢体部位的瞬时速度，通过对速度进行差分，得到肢体部位的加速度信息；基于毫米波雷达的点云数据获取目标的加速度信息，具体实施为：点云数据获取：毫米波雷达发射频率为77-81GHz的电磁波，通过接收反射信号并经过信号处理，获得目标的点云数据，每个点包含三维空间坐标及时间戳t；

坐标序列构建：对筛选后的聚类簇，提取每个肢体部位在连续时间帧的空间坐标序列，其中：

；

速度计算：对于时间点，通过相邻时间点的位移差分计算瞬时速度：

；

加速度计算：对获得的速度序列进行二阶差分，计算时间点的瞬时加速度：

；

假设时间间隔均匀，加速度降噪处理：采用卡尔曼滤波算法对原始加速度数据进行降噪处理，滤除环境干扰和测量误差产生的噪声；

速度是判断动作快慢的重要指标，通过计算每个肢体部位的移动速度，判断动作的快慢速度计算公式为：

；

其中，v为速度，d为位移，t为时间；

位移计算：对于每个肢体部位，计算相邻时间点之间的位移；

时间间隔：记录每次采集的时间戳，计算时间间隔；

轨迹分析：结合肢体的运动轨迹，判断动作的幅度，通过计算肢体运动的路径长度和位移，从而有效识别出动作幅度；

路径长度计算公式如下：

；

其中，为路径长度，为第i个点的坐标；

路径计算：对每个肢体部位的点云数据进行路径计算，得到每个动作的总路径长度；

位移判断：通过比较路径长度与预设的幅度阈值，判断动作幅度；

动作幅度判断：动作幅度的判断依赖于肢体部位的移动范围，通过计算上肢和下肢在一定时间内的最大位移，确定动作的幅度；

最大位移计算：记录每个肢体部位的初始位置，并在后续的采集过程中计算最大位移，公式为：

；

其中，D为最大位移，为当前位置坐标，为初始位置坐标；

幅度阈值设定：若最大位移超过预设的幅度阈值，则认为该动作为有效动作；

动作频率判断：动作频率的判断基于肢体部位在单位时间内完成的移动次数，通过统计在设定时间段内肢体部位的运动变化，计算出动作的频率，具体方法如下：

频率计算：在一定的时间窗口内，统计肢体部位的状态变化次数，并计算频率，公式为：，其中，为频率，为状态变化次数，为时间窗口的长度；

频率阈值设定：若频率超过预设的频率阈值，则认为该动作为频繁动作；

重叠接触分析：通过分析与其他人员的重叠接触情况，进一步确认动作的有效性，重叠接触分析采用空间距离计算法，当两个人的肢体接触频繁且重叠时，表示正在进行某种互动动作，设定一个重叠阈值，当两个人的距离小于该阈值时，认为存在重叠接触；

距离计算：计算参与者之间的空间距离，使用欧几里得距离公式：；

其中，d为距离，和为两个点的坐标；

重叠判断：若计算出的距离小于设定的重叠阈值，则记录为重叠接触；

阈值设定：为有效区分一般肢体动作与特定动作，设定一个中等阈值，该阈值基于历史数据分析和实验结果，经过多次调整，最终确定为特定的速度和幅度范围；

经过以上的动作分析，获悉动作的幅度及频率，并通过中等阙值的设定，确定为有效动作，并且确定是否为异常动作。

作为上述技术方案的进一步优选的技术方案，对于人员倾斜检测模块的分析具体实施为：

对异常点云簇使用2D-FFT、2D-CFAR以及基于FFT的点云角度得到动目标点云信息，包括距离、高度、角度和能量，并且进行相对应的计算：

平均速度：计算目标在一段时间内的平均速度，用来衡量目标运动的快慢，计算公式如下：

；

其中，表示第i个速度数据，N表示数据点的总数；

平均加速度：计算目标在一段时间内的平均加速度，用来衡量目标加速或减速的程度，计算公式如下：

；

其中，表示第i个加速度数据，N表示数据点的总数；

速度标准差：计算目标速度的标准差，用来衡量目标速度的波动程度，计算公式如下：

；

最大速度：计算目标在一段时间内的最大速度，用来衡量目标运动的瞬时最快速度，计算公式如下：

；

跌倒持续时间：计算跌倒事件从开始到结束的持续时间，用来衡量跌倒事件的严重程度，计算公式如下：

；

将获得的数据传入到AdaBoost算法模型中，AdaBoost算法的原理和公式如下：

初始化每个样本的权重分布：；

对于每一轮迭代使用权重分布Dt对训练数据进行训练，得到一个弱分类器；

计算弱分类器在训练数据上的分类错误率，公式为：

；

其中表示第i个样本是否被错误分类，如果错误分类则为1，否则为0；

计算弱分类器的权重，公式为：

；

更新训练数据的权重分布：

；

其中是归一化因子，使得成为一个概率分布，计算公式为：

；

经过T轮迭代后，得到T个弱分类器及其权重，最终的强分类器为：

；

其中表示x的符号，如果则为1，否则为-1。

作为上述技术方案的进一步优选的技术方案，所述预警级别判断及响应模块基于欺凌检测模块的多维度分析，预警级别划分为三级：

一级预警

触发条件：

人数为4-5人，且动作幅度、频率均低于阈值；

检测到短暂肢体接触，但未持续超过10秒；

倾斜幅度轻微，质心速度正常；

应对措施：

本地提示：触发现场声光报警器，提醒相关人员注意行为规范；

日志记录：自动保存异常时间段的数据片段，供后续核查；

安保巡查：通知就近安保人员前往查看，确认无风险后解除预警；

二级预警

触发条件：

人数为6-10人，或动作频率超过阈值；

检测到持续肢体接触，且重叠距离<0.5米；

倾斜幅度显著，质心速度异常；

应对措施：

教务介入：推送预警信息至教务管理平台；

多端联动：

移动端：向值班教师发送定位及简要事件描述；

指挥中心：展示三维热力图与人员轨迹，辅助远程研判；

广播警示：通过区域广播播放语音提示；

三级预警

触发条件：

人数>15人，或检测到剧烈肢体动作；

重叠接触频繁；

质心速度>350像素/秒或躯干倾斜角>75°；

应对措施：

紧急响应：

联动校园安防中心，启动一键报警系统，通知警方介入；

广播疏散指令，避免次生风险；

实时追踪：

自动标注施暴者与受害者轨迹，推送高清点云数据至指挥大屏；

调度无人机或巡逻机器人前往现场取证；

事后处置：

生成详细事件报告；

启动心理辅导预案，对涉事人员进行干预。

作为上述技术方案的进一步优选的技术方案，毫米波雷达首次使用时，采用聚类形变检测算法进行初步检验，确定私密空间的大小，同时对待测私密空间的大小进行确认，并调节参数，使得毫米波雷达处于最佳距离分辨率模式。

附图说明

图1是本发明的系统的示意图。

图2是本发明的系统部署在隐私区域的示意图（寝室）。

图3是本发明的系统部署在隐私区域的示意图（卫生间）。

具体实施方式

以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。

在本发明的优选实施例中，本领域技术人员应注意，本发明所涉及的毫米波雷达等可被视为现有技术。

优选实施例。

如图1-3所示，本发明公开了一种基于毫米波雷达的校园欺凌监测系统，包括毫米波雷达、数据回传模块、数据采集器、异常点云簇检测模块、欺凌检测模块和预警级别判断及响应模块，其中：

所述异常点云簇检测模块对接收回来的雷达信号进行DBSCAN算法处理，生成聚类簇，对生成的聚类簇进行GNN（GlobalNearestNeighbor）算法筛选，通过设置阙值，筛选出异常的聚类簇，并将数据传递到欺凌检测模块进行分析；

所述欺凌检测模块对异常的聚类簇分别通过人员计数检测模块、动作异常检测模块和人员倾倒检测模块（这三个子模块）进行三次分析，从而获得相应的数据并且经过数据融合传输到所述预警级别判断及响应模块；

具体的是，对于所述异常点云簇检测模块具体实施为：

首先，对接收回来的雷达信号（即回波数据）进行包括去除杂波和噪声的处理，处理后的雷达信号接着进行离散化采样从而生成帧序列，对帧序列进行切割并重组得到帧矩阵；对生成的帧矩阵进行DBSCAN算法，帧矩阵中数据生成聚类簇，然后对生成的聚类簇进行GNN算法筛选，筛选出人数大于第一预设人数（优选为3人）的聚类簇；此外当聚类簇的人数大于第二预设人数（优选为15人）时，直接触发预警提醒，发出禁止聚集通知，并且通知教务人员进行情况查看。

更具体的是，对于人员计数检测模块的分析具体实施为：

根据人员（即目标）的区域运动幅度、肢体反射角度、人员的速度和加速度，区分为不同的运动状态，以便后续进行识别；运动状态包括行走、奔跑、后退、跳跃和静止，分别对不同运动状态的人员进行计数统计处理；采用根均方值（RMS）计算从雷达信号中获得的多目标的多普勒速度，作为身体运动指数；

第一，计算初始雷达图像，公式为：，其中表示t时刻r距离θ方向上的雷达图像，表示在时间t、距离r和方向θ上的雷达图像强度值，是通过加权合成多个通道（或传感器）的信号得到的成像结果，反映位置的目标回波能量或特征，具体为：

N：通道（或传感器、波束、阵元）的总数量；

：第n个通道的加权系数，用于调节各通道对最终图像的贡献程度（例如增益、校准系数或噪声抑制权重）；

：第n个通道在时间t和距离r处的原始信号（为回波信号经过时延补偿、滤波等处理后的结果）；

t：时间变量，对应雷达脉冲发射或数据采集的时刻；

r：距离变量，表示目标到雷达的径向距离；

θ：方位角或方向变量，表示雷达波束的指向角度；

第二，抑制静态杂波，公式为：，其中表示抑制杂波后的雷达图像，通过时间平均法抑制静态杂波（如地面、建筑物等静止目标的回波），保留动态目标（如车辆、飞行器）的信号，其中：

T：时间窗口长度，即计算平均值的积分区间（通常选择杂波相干时间或固定观测周期）；

：时间窗口的索引（第个时间段，例如=0表示第一个窗口t∈[0,T]）；

t′：积分变量，表示历史时刻；

第三，估计目标位置，公式为：，其中和分别表示t时刻目标的位置和方位角，为数学运算符，表示找到使函数取得最大值的参数对（即搜索整个图像平面（所有可能的r和θ），定位强度最高的点）；

第四，计算新的雷达图像，初始雷达图像表示瞬时雷达图像，即在单个时间点t获取的距离-方位信号强度（可能包含噪声和杂波），新雷达图像公式为：，其中表示第个时间段内的雷达图像，表示时间平均后的雷达图像，通过对第个时间段内的瞬时图像进行能量积分和平均得到；

：第个时间段的平均雷达图像，单位为能量或功率；

：瞬时雷达图像，表示时间t、距离r、方位角θ处的复数信号（通常含幅度和相位信息）；

瞬时信号的能量（模平方运算），用于消除相位影响，保留强度信息；

T：时间窗口长度，即积分的时间区间（例如1秒、10个脉冲周期等）；

：时间段的索引；

积分项：对第个时间段内所有瞬时信号的能量进行累积；

第五，计算身体运动指数，公式为：，用于量化身体运动的强度，通过分析运动信号d(τ)的导数（即速度）的能量，反映运动的剧烈程度（运动速度越快，导数的绝对值越大，平方后的积分值高；时间平均（积分后除以Tb）平滑瞬时波动，得到稳定的运动指数；平方根运算将能量量纲还原为与速度一致的物理量，便于直观理解），其中：

：时刻t的身体运动指数，单位为速度（如m/s），数值越大表示运动越剧烈；

：原始运动信号（可能是位移、加速度、雷达回波相位变化等与身体运动相关的物理量）；

：运动信号的时间导数，表示瞬时速度或变化率；

取模平方（若d(τ)为复数信号）或直接平方（若为实数），用于计算能量；

Tb：时间窗口长度，即计算运动指数的平滑区间（例如2秒）；

第六，计算相关系数，公式为：

；

取值范围：；

1：完全正相关（两雷达信号变化完全一致）；

：完全负相关（信号变化完全相反）；

0：无相关性；

和：两个独立雷达（或同一雷达的不同通道）在时间t测量的身体运动指数（如速度、能量等）；

：计算相关系数的时间窗口长度（例如5秒）；

：时间段的索引（第个窗口）；

分子部分：两信号在窗口内的协方差，反映联合变化趋势；

第七，计算目标关联准确率，公式为：

：目标关联的整体准确率（取值范围为[0,1]，值越高表示关联性能越好）；

M：目标的总数量，表示系统需要跟踪或关联的独立目标数；

L：时间段的总数量，表示系统运行的总时间窗口数（例如L=10表示10个时间段）；

：第m个目标在第个时间段内的关联正确率，是一个二元值（0或1）或概率值（0到1之间）；

如果是二元值：

=1：表示目标m在时间段内被正确关联；

=0：表示关联错误；

如果是概率值：

表示关联的置信度或部分正确性；

第八，定义目标关联准确率，公式为：

；

如果目标m与自身的关联强度不低于它与其他任何目标m′的关联强度，则认为关联正确（=1）；

否则，关联错误（=0）；

：第个时间段内第m个目标的关联准确率，结果为二元值（0或1）；

目标m与自身（或理想参考）在时间段内的关联强度（通常由相关系数、匹配分数等量化）；

：目标m与其他目标m′（m′≠m）在时间段内的关联强度；

：对所有不同于m的目标m′进行遍历比较；

第九，规范化主观评估分数，公式为：

；

：第m个参与者在第j个实验中第k′项具体评价的原始分数（如对某项指标的评分）；

K′：每个参与者或实验的评价项总数（如问卷题目数量）；

M：参与者的总数量（注意：Mj可能是第j个实验的参与者数，需确认是否与M一致）；

J：实验的总数量；

参与者（m）：指实际参与实验的人类受试者（如用户、被试者），而非雷达或传感器中的目标（例如：在用户体验研究中，参与者可能是测试用户；在心理学实验中，可能是被试群体）（目标：若上下文涉及雷达/传感器，则“目标”指被检测的物体（如行人、车辆），与“参与者”不同。此处公式明确针对主观评分，因此“参与者”应为人）；

第十，计算客观身体运动指数，公式为：

；

：第m个参与者在第j个实验中的客观身体运动指数（单位与bm(j)(t)一致，如mm/s、g等）；

：时间t时的原始运动信号（可能来自加速度计、雷达微多普勒、视频姿态估计等传感器）；

L：实验的总周期数（如重复运动次数）；

：单个周期的持续时间（如一个步行周期为1秒）；

：实验的总时间长度（如L=10,Tp=1秒→总时间10秒）；

K：运动指标的类别数（如K=3可对应头、手、腿的运动信号）；

利用CFAR目标检测的算法，统计雷达探测范围内的人员数量，分析人员的运动状态并识别出不同运动状态人员的进出事件，（利用深度学习等机器算法）从雷达的回波数据判断人员特征以计数（在计数的过程中通过肢体的分析和中等阙值的设定以排除干扰：

肢体分析：上肢和下肢的点云移动速度、轨迹、与其他人员的重叠接触情况，判断肢体运动是否为有效动作；

中等阈值的设定：根据人员肢体的运动速度范围，低于阈值0.5m/s的肢体动作视为一般的肢体动作，可以不计入人员计数的范畴；根据人员肢体的运动轨迹范围，肢体运动轨迹的长度低于阈值0.5m的视为一般肢体动作；同理根据重叠接触的阈值设置为0.1平方米以上时可视为人员接触过激，通过设置这三个阈值可以排除一般的肢体动作；

通过上述方法可以实现对人员计数）。

进一步的是，对于动作异常检测模块的分析具体实施为：

；

参数：加速度幅值：，用于衡量动作强度，加速度变化率：

，用于判断动作突变程度，加速度持续时间：连续加速度超过阈值的时间长度，加速度方向变化：通过计算相邻时间点加速度向量的夹角；

加速度阈值与行为识别：检测到短暂肢体接触(如推搡)：特征为加速度峰值>2.0m/s²，持续时间<0.5秒；检测到持续肢体接触(如拉扯、围堵)；特征为加速度在0.8-2.0m/s²范围内波动，持续时间>1秒；检测到剧烈肢体动作(如殴打、踢踹)：特征为加速度峰值>2.5m/s²，且呈现规律性多次波峰。

；

其中，v为速度，d为位移，t为时间；

时间间隔：记录每次采集的时间戳，计算时间间隔；

轨迹分析：结合肢体的运动轨迹，判断动作的幅度，通过计算肢体运动的路径长度和位移，从而有效识别出（较大的）动作幅度；

路径长度计算公式如下：

；

其中，为路径长度，为第i个点的坐标；

；

其中，D为最大位移，为当前位置坐标，为初始位置坐标；

重叠接触分析：通过分析与其他人员的重叠接触情况，进一步确认动作的有效性，重叠接触分析采用空间距离计算法，当两个人的肢体接触频繁且重叠（较多）时，表示正在进行某种互动动作，设定一个重叠阈值，当两个人的距离小于该阈值时，认为存在重叠接触；

其中，d为距离，和为两个点的坐标；

重叠状态下的特定动作识别：当系统检测到重叠接触状态后（即距离小于0.5m的重叠阈值），系统进一步对重叠状态下的特定动作类型（包括推搡、拉扯、围堵、殴打以及踢踹）进行具体识别分析，其具体实施如下：

时空特征提取与表征：根据多尺度时空特征分析法，构建综合时空特征向量：

；

其中，V代表速度特征组，a代表加速度特征组，代表时序特征组，代表方向特征组，I代表交互特征组；

这些特征根据不同类型的动作有不同的特征表现。

互动力学模型构建：根据人体运动学模型和互动力学模型，对重叠状态中的两人（或多人）互动关系进行建模分析，通过力与反作用力的关系识别互动类型。

1.推搡动作识别：

推搡动作特征提取：推搡动作具有以下显著特征：

动作方向特征：毫米波雷达可通过多普勒效应测量目标运动方向和速度，可识别施力方动作方向与被推方运动方向的相关性，以方向相似度指数表示：

；

其中，为施力方动作方向与被推方运动方向的夹角；

运动学特征：推搡动作表现为施力方向被推方快速传递动量，可通过毫米波雷达的微多普勒特征观测，表示为：

= 观测到的被推方速度变化量v；

其中，为雷达观测到的运动冲量特征；

时序特征：推搡动作的交互时间通常较短，可通过毫米波雷达的连续帧分析识别：

<0.5s；

其中，为接触持续时间；

推搡动作判别标准：当满足以下条件时，判定为推搡动作：

1.施力方朝目标方向的运动速度 >0.8m/s；

2.方向一致性系数>0.85；

3.接触持续时间<0.5s；

4.被推方在交互后的速度变化量v>0.5m/s。

2. 拉扯动作识别：

拉扯动作特征提取：拉扯动作具有以下显著特征：

持续接触特征：拉扯动作通常具有较长的接触持续时间。

拉力传递特征：通过运动轨迹关联分析捕捉拉力传递特征，轨迹关联度计算公式：

；

其中，为施力方速度向量，为被拉方速度向量，为时间延迟参数；

相对位置约束：拉扯过程中两人保持特定的相对位置关系，相对位置约束度量：

；

其中，表示标准差运算，和分别表示两人的位置坐标；

拉扯动作判别标准：当满足以下条件时，判定为拉扯动作：

初始接触后施力方回撤速度vpull>0.6m/s；

轨迹关联度Cpull>0.7；

接触持续时间tcontact>0.8s；

相对位置约束度Drel<0.2m；

此类特征组合在拉扯行为识别中的准确率可达90.5%。

3. 围堵动作识别：

围堵动作特征提取：围堵动作具有以下显著特征：

空间封闭性特征：围堵者在空间分布上形成封闭或半封闭结构，空间封闭性计算公式：

；

其中，表示从被围堵者位置到第i个围堵者的角度范围；

移动自由度限制：被围堵者的移动范围受到明显限制，移动自由度计算公式：

；

其中，为实际移动区域面积，为正常状态下可移动区域面积；

空间密度异常：围堵区域的人员密度明显高于周围区域，密度异常系数：

；

其中，为围堵区域的人员密度，为正常区域的人员密度；

围堵动作判别标准：当满足以下条件时，判定为围堵动作：

空间封闭性Cenclosure>0.5（至少180°角度被围堵）；

移动自由度Mfreedom<0.4；

围堵状态持续时间tsurrounding>10s；

密度异常系数Ddensity>2.0；

该组合特征判别围堵行为的准确率可达95.2%。

4. 殴打动作识别：

殴打动作特征提取：殴打动作具有以下显著特征：

高速冲击特征：手臂快速往返运动形成的高速冲击特征，通过速度峰值计算：

；

其中，为观察时间窗口；

加速度波形特征：殴打动作产生的加速度曲线具有特征性的尖峰-谷值波形，波形特征系数：

；

其中，和分别为加速度的最大值和最小值，为两者之间的时间间隔；

冲击能量：冲击能量表征殴打力度，计算公式：

；

其中，和分别表示时刻t的加速度和速度；

殴打动作判别标准：当满足以下条件时，判定为殴打动作：

手臂速度峰值vpeak>1.2m/s；

加速度峰值apeak>3.5m/s²；

波形特征系数Wacc>15m/s³；

冲击能量Eimpact>2.8J；

这些特征组合识别殴打动作的准确率可达93.8%。

5. 踢踹动作识别：

踢踹动作特征提取：踢踹动作具有以下显著特征：

下肢轨迹特征：踢踹动作的下肢呈现特征性的弧形轨迹，轨迹曲率计算公式：

；

其中，v为速度向量，a为加速度向量；

高度特征：踢踹过程中下肢抬起高度明显高于正常行走状态。

速度分段特征：踢踹动作通常包含准备-伸展-回收三个阶段，各阶段速度特征明显不同，分段特征计算：

；

其中，,,分别表示三个阶段的平均速度，为最大速度；

踢踹动作判别标准：当满足以下条件时，判定为踢踹动作：

1.下肢伸展速度vkick>1.5m/s；

2.轨迹曲率K>0.85；

3.接触后目标加速度aimpact>2.0m/s²；

该特征组合识别踢踹动作的准确率可达89.5%。

多特征融合判决机制：

为提高识别的鲁棒性和准确性，本系统采用基于Dempster-Shafer证据理论的多特征融合方法，构建综合判决公式：

；

其中，表示动作类型的综合证据支持度，表示第j个特征的权重，表示第j个特征对动作类型的支持度）当某一动作类型的支持度超过预设阈值θdecision(设定为0.75)时，系统判定为该类型的动作。

阈值设定：为有效区分一般肢体动作与特定动作，设定一个中等阈值，该阈值基于历史数据分析和实验结果，经过多次调整，最终确定为特定的速度和幅度范围（具体而言：速度阈值：设定为0.5m/s。幅度阈值：设定为0.3m。频率阈值：设定为每分钟3次。重叠阙值：设定为0.5m）；

更进一步的是，对于人员倾斜检测模块的分析具体实施为：

平均速度（MeanVelocity,MV）：计算目标在一段时间内的平均速度，用来衡量目标运动的快慢，计算公式如下：

；

其中，表示第i个速度数据，N表示数据点的总数；

平均加速度（MeanAcceleration,MA）：计算目标在一段时间内的平均加速度，用来衡量目标加速或减速的程度，计算公式如下：

；

其中，表示第i个加速度数据，N表示数据点的总数；

速度标准差（StandardDeviationofVelocity,SDV）：计算目标速度的标准差，用来衡量目标速度的波动程度，计算公式如下：

；

最大速度（MaximumVelocity,MaxV）：计算目标在一段时间内的最大速度，用来衡量目标运动的瞬时最快速度，计算公式如下：

；

跌倒持续时间（FallDuration,FD）：计算跌倒事件从开始到结束的持续时间，用来衡量跌倒事件的严重程度，计算公式如下：

；

将获得的数据传入到AdaBoost算法模型中（AdaBoost（AdaptiveBoosting）是一种集成学习方法，它通过将多个弱分类器组合成一个强分类器来提高分类性能。AdaBoost的基本思想是在每一轮迭代中，根据上一轮的分类错误率对训练样本进行加权，使得分类错误的样本在下一轮中得到更多关注。同时，每个弱分类器都有一个权重，表示其在最终分类器中的重要程度。通过这种方式，AdaBoost能够自适应地调整各个弱分类器的权重，使得整体分类器的性能得到提升），AdaBoost算法的原理和公式如下：

初始化每个样本的权重分布：；

对于每一轮迭代(T为迭代次数)使用权重分布Dt对训练数据进行训练，得到一个弱分类器；

计算弱分类器在训练数据上的分类错误率，公式为：

；

计算弱分类器的权重，公式为：

；

更新训练数据的权重分布：

；

其中是归一化因子，使得成为一个概率分布，计算公式为：

；

其中表示x的符号，如果则为1，否则为-1（由最终的强分离器对跌倒的判断，跌倒正确率达到99.7%，准确率高）。

优选地，所述预警级别判断及响应模块基于欺凌检测模块的多维度分析（人员数量、倾斜幅度、动作幅度与频率、重叠接触等），预警级别划分为三级：

一级预警（低风险）

触发条件：

人数为4-5人，且动作幅度、频率均低于阈值；

检测到短暂肢体接触（如推搡），但未持续超过10秒；

倾斜幅度轻微（躯干倾斜角<30°），质心速度正常；

应对措施：

日志记录：自动保存异常时间段的数据片段，供后续核查；

二级预警（中风险）

触发条件：

人数为6-10人，或动作频率超过阈值（>5次/分钟）；

检测到持续肢体接触（如拉扯、围堵），且重叠距离<0.5米；

倾斜幅度显著（躯干倾斜角30°~60°），质心速度异常（>200像素/秒）；

应对措施：

教务介入：推送预警信息至教务管理平台；

多端联动：

移动端：向值班教师发送定位及简要事件描述（如“疑似冲突聚集”）；

指挥中心：展示三维热力图与人员轨迹，辅助远程研判；

广播警示：通过区域广播播放语音提示（如“请保持秩序”）；

三级预警（高风险）

触发条件：

人数>15人，或检测到剧烈肢体动作（如殴打、踢踹）；

重叠接触频繁（距离<0.3米且持续>30秒）；

质心速度>350像素/秒（判定跌倒）或躯干倾斜角>75°；

应对措施：

紧急响应：

联动校园安防中心，启动一键报警系统，通知警方介入；

广播疏散指令（如“请立即离开该区域”），避免次生风险；

实时追踪：

调度无人机或巡逻机器人前往现场取证；

事后处置：

生成详细事件报告（含时间、地点、行为类型、视频证据）；

启动心理辅导预案，对涉事人员进行干预。

还包括动态降级机制：若异常行为在30秒内自行终止，系统自动降级或解除预警。

误报优化：通过强化学习模型，结合历史处置数据优化阈值灵敏度（如降低静止聚集的误判率）。

隐私保护：所有预警数据脱敏处理，仅保留骨骼关键点信息。

此分级体系通过量化异常行为特征，结合多级响应策略，兼顾预警效率与隐私安全，适用于校园私密场所的精细化安全管理。

优选地，毫米波雷达首次使用时，采用聚类形变检测算法进行初步检验，确定私密空间的大小，同时对待测私密空间的大小进行确认，并调节参数，使得毫米波雷达处于最佳距离分辨率模式。

值得一提的是，本发明专利申请涉及的毫米波雷达等技术特征应被视为现有技术，这些技术特征的具体结构、工作原理以及可能涉及到的控制方式、空间布置方式采用本领域的常规选择即可，不应被视为本发明专利的发明点所在，本发明专利不做进一步具体展开详述。

对于本领域的技术人员而言，依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。

Claims

1.一种基于毫米波雷达的校园欺凌监测系统，其特征在于，包括毫米波雷达、数据回传模块、数据采集器、异常点云簇检测模块、欺凌检测模块和预警级别判断及响应模块，其中：

2.根据权利要求1所述的一种基于毫米波雷达的校园欺凌监测系统，其特征在于，对于所述异常点云簇检测模块具体实施为：

3.根据权利要求2所述的一种基于毫米波雷达的校园欺凌监测系统，其特征在于，对于人员计数检测模块的分析具体实施为：

N：通道的总数量；

：第n个通道在时间t和距离r处的原始信号；

t：时间变量，对应雷达脉冲发射或数据采集的时刻；

r：距离变量，表示目标到雷达的径向距离；

θ：方位角或方向变量，表示雷达波束的指向角度；

T：时间窗口长度，即计算平均值的积分区间；

：时间窗口的索引；

t′：积分变量，表示历史时刻；

：第个时间段的平均雷达图像，单位为能量或功率；

瞬时信号的能量，用于消除相位影响，保留强度信息；

T：时间窗口长度，即积分的时间区间；

：时间段的索引；

积分项：对第个时间段内所有瞬时信号的能量进行累积；

：原始运动信号；

：运动信号的时间导数，表示瞬时速度或变化率；

取模平方或直接平方，用于计算能量；

Tb：时间窗口长度，即计算运动指数的平滑区间；

第六，计算相关系数，公式为：

;

取值范围：；

1：完全正相关；

：完全负相关；

0：无相关性；

和：两个独立雷达在时间t测量的身体运动指数；

：计算相关系数的时间窗口长度；

：时间段的索引；

分子部分：两信号在窗口内的协方差，反映联合变化趋势；

第七，计算目标关联准确率，公式为：

：目标关联的整体准确率；

M：目标的总数量，表示系统需要跟踪或关联的独立目标数；

L：时间段的总数量，表示系统运行的总时间窗口数；

如果是二元值：

=1：表示目标m在时间段内被正确关联；

=0：表示关联错误；

如果是概率值：

表示关联的置信度或部分正确性；

第八，定义目标关联准确率，公式为：

；

否则，关联错误；

：第个时间段内第m个目标的关联准确率，结果为二元值；

目标m与自身在时间段内的关联强度；

：目标m与其他目标m′在时间段内的关联强度；

：对所有不同于m的目标m′进行遍历比较；

第九，规范化主观评估分数，公式为：

；

：第m个参与者在第j个实验中第k′项具体评价的原始分数；

K′：每个参与者或实验的评价项总数；

M：参与者的总数量；

J：实验的总数量；

第十，计算客观身体运动指数，公式为：

；

：第m个参与者在第j个实验中的客观身体运动指数；

：时间t时的原始运动信号；

L：实验的总周期数；

：单个周期的持续时间；

：实验的总时间长度；

K：运动指标的类别数；

4.根据权利要求3所述的一种基于毫米波雷达的校园欺凌监测系统，其特征在于，对于动作异常检测模块的分析具体实施为：

；

其中，v为速度，d为位移，t为时间；

时间间隔：记录每次采集的时间戳，计算时间间隔；

路径长度计算公式如下：

；

其中，为路径长度，为第i个点的坐标；

；

其中，D为最大位移，为当前位置坐标，为初始位置坐标；

距离计算：计算参与者之间的空间距离，使用欧几里得距离公式：

；

其中，d为距离，和为两个点的坐标；

5.根据权利要求4所述的一种基于毫米波雷达的校园欺凌监测系统，其特征在于，对于人员倾斜检测模块的分析具体实施为：

；

其中，表示第i个速度数据，N表示数据点的总数；

；

其中，表示第i个加速度数据，N表示数据点的总数；

；

初始化每个样本的权重分布：；

计算弱分类器在训练数据上的分类错误率，公式为：

；

计算弱分类器的权重，公式为：

；

更新训练数据的权重分布：

；

其中是归一化因子，使得成为一个概率分布，计算公式为：

；

其中表示x的符号，如果则为1，否则为-1。

6.根据权利要求5所述的一种基于毫米波雷达的校园欺凌监测系统，其特征在于，所述预警级别判断及响应模块基于欺凌检测模块的多维度分析，预警级别划分为三级：

一级预警

触发条件：

人数为4-5人，且动作幅度、频率均低于阈值；

检测到短暂肢体接触，但未持续超过10秒；

倾斜幅度轻微，质心速度正常；

应对措施：

日志记录：自动保存异常时间段的数据片段，供后续核查；

二级预警

触发条件：

人数为6-10人，或动作频率超过阈值；

检测到持续肢体接触，且重叠距离<0.5米；

倾斜幅度显著，质心速度异常；

应对措施：

教务介入：推送预警信息至教务管理平台；

多端联动：

移动端：向值班教师发送定位及简要事件描述；

指挥中心：展示三维热力图与人员轨迹，辅助远程研判；

广播警示：通过区域广播播放语音提示；

三级预警

触发条件：

人数>15人，或检测到剧烈肢体动作；

重叠接触频繁；

质心速度>350像素/秒或躯干倾斜角>75°；

应对措施：

紧急响应：

联动校园安防中心，启动一键报警系统，通知警方介入；

广播疏散指令，避免次生风险；

实时追踪：

调度无人机或巡逻机器人前往现场取证；

事后处置：

生成详细事件报告；

启动心理辅导预案，对涉事人员进行干预。

7.根据权利要求1所述的一种基于毫米波雷达的校园欺凌监测系统，其特征在于，毫米波雷达首次使用时，采用聚类形变检测算法进行初步检验，确定私密空间的大小，同时对待测私密空间的大小进行确认，并调节参数，使得毫米波雷达处于最佳距离分辨率模式。