.png){kind=icon}
返回
Human Pose Estimation Using Millimeter-Wave Radar: Prototype, Dataset, and Method
.png){kind=icon}
OA
AI
DOI：10.1016/j.eng.2026.10.001.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
三维人体姿态估计（3D-HPE）对以人为中心的感知至关重要，但基于视觉的解决方案受限于隐私担忧、光照变化和遮挡。尽管毫米波（mmWave）雷达提供了隐私保护的替代方案，但现有的雷达点云通常稀疏且不完整，且现有的雷达3D-HPE数据集在主体规模、帧量和运动多样性方面仍有限制。本文提出了一种用于密集点云感知的毫米波雷达原型、一个大规模毫米波雷达密集人体姿态估计（mmWave-DensePose）数据集，以及一种仅用于雷达的3D-HPE的部分感知时空网络（PAST-Net）。具体而言，我们设计了一个四芯片级联的毫米波雷达系统，其方位角和俯仰角分辨率为1.30°和2.24°，以生成密集的人体相关点云。构建的数据集包含101个主体、19种设计动作、多种自由动作和570124帧有效的同步帧。每帧有效帧平均包含164个有效的人体相关雷达点，超过了代表性的公开数据集，并为基于雷达的3D-HPE提供了更清晰的体区提示。所提出的方法仅使用毫米波雷达点云作为输入，并使用Kinect V2骨骼作为地面真实注释。PAST-Net将帧级点云特征重新组织为骨骼感知的部分标记表示，并通过部分级自注意力建模其时空演化，补偿局部体区的弱观测和不完整观测。在提出的基准测试中，PAST-Net的平均平均定位误差为4.08厘米，与最先进基线相比误差降低了22.14%。消融实验进一步证实了所提出的模块和输入特征的贡献，包括骨骼感知的空间建模、部分级的时空建模和雷达特定的点属性。这些结果表明，设计的毫米波雷达原型和所提出的方法为隐私保护和细粒度3D-HPE提供了有效的感知基础。
Keyword:
Millimeter-wave radar
Three-dimensional human pose estimation
Millimeter-wave radar dense human pose estimation dataset
Skeleton-aware representation
Spatio-temporal modeling
Dense point cloud
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
