简介这份资源是TI毫米波实验lab0011-pplcount的完整工程包面向学习毫米波雷达与嵌入式开发的工程师及学生用于实践基于毫米波传感器的人数统计方案。压缩包共309个文件约14.67MB以C源码与头文件为核心辅以大量工程配置、示例数据、图像素材及PDF文档涵盖硬件配置、信号处理与GUI开发等环节。包内包含毫米波传感器参数配置、图形界面代码、快速上手指南、项目主体源码及配套文档可帮助读者理解检测阈值设定、目标跟踪与滤波等算法实现并掌握从传感器配置到实时人数统计的完整流程。目前已有360人学习下载适合希望深入毫米波应用开发、提升物联网与智能硬件实战能力的中高级学习者参考。1. 从 lab0011-pplcount 说起TI 毫米波资源到底能拿来做什么如果你手头有一块 TI 毫米波雷达板又恰好翻到过 lab0011-pplcount 这个实验名大概率会经历三个阶段先是好奇——毫米波还能数人然后是困惑——工程目录里一堆 cfg、dss、mss 文件从哪下手最后是务实——这套东西能不能搬到我的场景里改哪几个参数就能跑起来lab0011-pplcount 是 TI 毫米波雷达 SDK 里一个典型的「人数统计」实验核心思路是用单芯片毫米波雷达做区域检测加目标聚类输出当前区域内的人数估计。它解决的是「不靠摄像头、不侵犯隐私的前提下知道一个空间里有几个人」这个问题。适合谁做智能楼宇、会议室管理、零售客流分析的嵌入式工程师以及想入门毫米波信号处理链路的开发者。这一章先把这套资源的定位讲清楚后面几章再拆实现和参数。2. 毫米波人数统计的信号链路从 chirp 配置到点云输出2.1 为什么人数统计不能直接套用普通测距 demo普通测距 demo 只关心一个强反射目标配置上追求距离分辨率够用就行。人数统计完全是另一回事一个 3 米乘 3 米的区域里可能站着 5 个人每个人的雷达截面积不同有人正对雷达、有人侧身还有人在走动。这时候你需要的不是「测到多远」而是「在距离-角度-速度三维空间里把多个点分开再判断这些点属于几个人」。毫米波雷达的原始输出是 ADC 采样数据经过距离维 FFT、多普勒维 FFT、恒虚警检测CFAR、角度估计之后才得到点云。人数统计的全部难度都集中在「点云怎么聚类」和「聚类结果怎么映射成人头数」这两步上。lab0011-pplcount 的链路大致是chirp 配置 → 距离 FFT → 多普勒 FFT → CFAR 检测 → 角度 FFT → 点云输出 → 聚类 → 人数估计。中间任何一步参数不对最后的人数就会飘。2.2 关键配置参数profileCfg 和 frameCfg 怎么改毫米波雷达的行为几乎全由 cfg 文件决定。人数统计场景下最需要关注的是 profileCfg 和 frameCfg 这两条。下面是一个适合室内 3 到 5 米人数统计的配置片段我一般会从这个基线开始调# profileCfg定义单个 chirp 的发射参数 # 参数依次为profileId startFreq idleTime rampEndTime txOutPower txPhaseShifter freqSlopeConst txStartTime numAdcSamples digOutSampleRate hpfCornerFreq1 hpfCornerFreq2 rxGain profileCfg 0 60 7 6 0 0 60 0 128 4000 0 0 30 # frameCfg定义一帧里有多少 chirp、多少循环 # 参数依次为chirpStartIdx chirpEndIdx numLoops numFrames framePeriodicity triggerSelect frameTriggerDelay frameCfg 0 1 32 0 50 1 0逻辑说明profileCfg 里freqSlopeConst 60决定了距离分辨率60 MHz/us 的斜率配合 4 GHz 带宽距离分辨率大约在 4 厘米左右足够区分前后站立的人。numAdcSamples 128和digOutSampleRate 4000共同决定最大探测距离4000 ksps 采样率下 128 个采样点对应约 5 米多的无模糊距离室内够用。frameCfg 里numLoops 32表示一帧有 32 个 chirp 循环多普勒分辨率由此决定32 个循环对慢速走动的人足够但如果你要检测快速跑动得加到 64。参数怎么改如果发现远处的人漏检先把numAdcSamples加到 256同时把digOutSampleRate提到 5000 以上如果两个人前后站得很近分不开把freqSlopeConst往上调但注意斜率太高会导致最大不模糊速度下降。framePeriodicity 50表示一帧 50 毫秒也就是 20 帧每秒这个刷新率对人数统计够用再低就会感觉卡顿。2.3 点云聚类的实现DBSCAN 在毫米波数据上的适配点云出来之后下一步是聚类。lab0011-pplcount 里用的是类似 DBSCAN 的密度聚类思路但直接拿 sklearn 的 DBSCAN 套上去会翻车因为毫米波点云有三个特点点数少、密度不均、有大量噪点。我一般会在聚类前先做两步预处理一是按信噪比过滤把 SNR 低于 10 dB 的点丢掉二是按距离做动态 eps近处 eps 小、远处 eps 大。import numpy as np from sklearn.cluster import DBSCAN def cluster_points(points, snr, ranges): # points: N x 3 的数组每行是 (x, y, doppler) # snr: 每个点的信噪比 # ranges: 每个点到雷达的径向距离 mask snr 10 pts points[mask] rng ranges[mask] if len(pts) 3: return 0 # 动态 eps近处 0.3 米远处 0.8 米 eps_values np.clip(rng * 0.1, 0.3, 0.8) labels np.full(len(pts), -1) for i in range(len(pts)): if labels[i] ! -1: continue # 对每个点单独跑一次邻域判断实际工程里会用 KDTree 加速 neighbor_mask np.linalg.norm(pts - pts[i], axis1) eps_values[i] if np.sum(neighbor_mask) 3: labels[neighbor_mask] i unique_labels set(labels) - {-1} return len(unique_labels)逻辑说明这段代码的核心不是 DBSCAN 本身而是eps_values的动态计算。毫米波点云在近处密集、远处稀疏固定 eps 要么近处把两个人合成一簇要么远处把一个人拆成两簇。np.clip(rng * 0.1, 0.3, 0.8)的意思是距离 3 米时 eps 约 0.3 米距离 8 米时 eps 约 0.8 米中间线性过渡。min_samples设为 3 是因为毫米波对单个人体通常能打出 3 到 8 个点低于 3 个点的簇大概率是噪点。参数怎么改如果发现人数偏多先把min_samples从 3 提到 5如果发现人数偏少把eps的上限从 0.8 提到 1.2。注意snr 10这个阈值不是固定的不同板子的底噪不一样我一般会先采一段无人场景的数据看 SNR 分布的中位数再往上加 3 到 5 dB 作为阈值。3. 把 lab0011-pplcount 跑起来环境搭建与数据回放3.1 硬件和软件的最小依赖清单跑这个实验不需要全套 TI 生态但有几样东西绕不开。硬件上你需要一块 TI 毫米波雷达板比如 IWR6843 或 IWR1642 这类单芯片方案一个能供电和传数据的载板以及一根 USB 线。软件上需要毫米波 SDK、Code Composer Studio或者直接用命令行工具链、以及一个串口工具用来收数据。我一般会先确认三件事板子的固件版本和 SDK 版本是否匹配、串口驱动是否装好、以及雷达板是否能正常输出心跳包。这三件事任何一件没搞定后面都是白费功夫。常见做法是先用 TI 提供的可视化工具连一次能看到点云再往下走。3.2 用 cfg 文件配置雷达并启动数据流lab0011-pplcount 的启动流程是先通过串口发送 cfg 配置命令再发送启动命令然后雷达开始按帧输出点云数据。下面是一个最小启动脚本的骨架# 假设雷达枚举为 /dev/ttyUSB0配置口和 /dev/ttyUSB1数据口 # 第一步发送配置命令 cat profile_and_frame.cfg /dev/ttyUSB0 # 第二步发送启动命令 echo sensorStart /dev/ttyUSB0 # 第三步从数据口读取点云需要按 TI 的 TLV 格式解析 python3 read_pointcloud.py --port /dev/ttyUSB1 --baud 921600逻辑说明cfg 文件里除了 profileCfg 和 frameCfg还必须包含 channelCfg、adcCfg、以及 chirp 相关的命令顺序不能乱。sensorStart之后雷达才会真正发射。数据口的波特率一般设到 921600低了会丢帧。read_pointcloud.py 需要按 TI 的 TLVType-Length-Value格式解析每个 TLV 包里有类型、长度和具体数据点云的类型码通常是 1 或 2。参数怎么改如果串口一直没反应先检查 cfg 文件里有没有flushCfg命令有些 SDK 版本要求先 flush 再配置。如果数据口收到乱码八成是波特率不对把 921600 改成 115200 试试。如果点云帧率远低于预期检查framePeriodicity是不是设得太小雷达处理不过来会丢帧。3.3 离线回放没有硬件时怎么验证算法如果你手头暂时没有板子或者想反复调聚类参数离线回放是最省事的办法。做法是先用有板子的环境录一段原始数据存成二进制文件然后在 PC 上写一个回放脚本把二进制文件按帧读出来喂给聚类算法。import struct def replay_frames(bin_path, frame_size): with open(bin_path, rb) as f: while True: chunk f.read(frame_size) if len(chunk) frame_size: break # 假设每帧前 4 字节是帧头后面是 TLV 数据 frame_header struct.unpack(I, chunk[:4])[0] tlv_data chunk[4:] yield frame_header, tlv_data # 用法逐帧喂给聚类函数观察人数输出 for header, data in replay_frames(record.bin, 4096): points, snr, ranges parse_tlv(data) count cluster_points(points, snr, ranges) print(fFrame {header}: {count} people)逻辑说明frame_size需要根据你的配置算出来一般是numAdcSamples * numLoops * 4再往上取整。parse_tlv需要你自己实现核心是按 TLV 的格式逐段解析。离线回放的好处是你可以反复跑同一段数据对比不同聚类参数的效果不用每次都去现场。参数怎么改如果回放时发现帧对不齐先确认frame_size是否和录制时一致。如果解析出来的点云数量明显偏少检查 TLV 类型码是不是写错了不同 SDK 版本的类型码可能不同。4. 人数统计的避坑记录从翻车到稳定输出4.1 坑一静止的人被当成背景滤掉现象会议室里坐着 4 个人雷达输出 0 或 1。原因多普勒 FFT 之后静止目标的 Doppler 接近 0很多 CFAR 实现会把零多普勒附近的点当静态杂波滤掉。解决在 CFAR 之后加一个「零多普勒保留」逻辑对距离维上能量足够强但 Doppler 接近 0 的点不直接丢弃而是标记为「疑似静止人体」单独走一套聚类。4.2 坑二两个人并排走被算成一个人现象两个人肩并肩走人数输出 1。原因毫米波的角度分辨率有限并排的人在角度维上分不开点云混在一起。解决把numRxAntennas用满如果板子支持 MIMO开启 TDM MIMO 模式提升角度分辨率同时在聚类时把eps调小但注意别小到把一个人拆成两个。4.3 坑三风扇和空调出风口导致人数虚高现象空房间里人数输出 2 到 3。原因风扇叶片和空调出风口的金属百叶会产生多普勒信号被当成运动目标。解决在安装时让雷达波束避开这些区域或者在软件里加一个「微多普勒过滤」把 Doppler 展宽特别窄、能量特别低的点丢掉。4.4 坑四帧率设太高导致 DSP 过载现象雷达跑几分钟后数据断流。原因framePeriodicity设得太小DSP 每帧的处理时间超过帧周期缓冲区溢出。解决把framePeriodicity从 30 毫秒放宽到 50 毫秒或者减少numLoops降低每帧计算量。我一般会在调试阶段先用 100 毫秒一帧确认算法没问题再逐步收紧。4.5 坑五不同板子的底噪差异导致阈值失效现象同一套代码换一块板子人数输出完全不对。原因每块板子的射频前端底噪不同固定的 SNR 阈值不通用。解决每次换板子先采 30 秒无人数据算 SNR 的均值和标准差把阈值设成均值加 3 倍标准差。这个步骤我一般会写成一个校准脚本换板子就跑一次。5. 进阶技巧用轨迹跟踪替代单帧聚类单帧聚类最大的问题是抖动同一个人在这一帧被算成 1下一帧可能因为点云稀疏被算成 0。要稳定输出得引入跨帧跟踪。我一般会在聚类之后加一个简单的卡尔曼跟踪器给每个簇分配一个 track ID只有连续 3 帧以上都存在的 track 才计入人数。class SimpleTracker: def __init__(self, max_age3): self.tracks {} # track_id - (centroid, age) self.next_id 0 self.max_age max_age def update(self, centroids): # centroids: 当前帧每个簇的中心点列表 matched set() for tid, (old_c, age) in list(self.tracks.items()): best_dist float(inf) best_idx -1 for i, c in enumerate(centroids): if i in matched: continue d np.linalg.norm(np.array(old_c) - np.array(c)) if d best_dist: best_dist d best_idx i if best_dist 1.0: # 1 米内认为是同一个目标 self.tracks[tid] (centroids[best_idx], age 1) matched.add(best_idx) else: self.tracks[tid] (old_c, age - 1) if self.tracks[tid][1] 0: del self.tracks[tid] for i, c in enumerate(centroids): if i not in matched: self.tracks[self.next_id] (c, 1) self.next_id 1 # 只统计 age 3 的 track return sum(1 for _, (_, age) in self.tracks.items() if age 3)逻辑说明max_age控制一个 track 在丢失后还能保留几帧设 3 表示连续 3 帧没匹配上才删除。best_dist 1.0是匹配阈值1 米内认为是同一个人这个值可以根据场景调整会议室可以设 0.8大厅可以设 1.5。age 3是输出门槛只有稳定存在 3 帧以上的 track 才计入人数这样能滤掉大部分闪烁。参数怎么改如果发现人走动时 track ID 频繁切换把匹配阈值从 1.0 提到 1.5如果发现两个人靠得近时被合并成一个 track把阈值降到 0.6。max_age设太大会导致人离开后人数不降设太小会导致人转身时人数跳变我一般从 3 开始试。验证方法录一段有 3 个人进出场景的原始数据离线跑跟踪算法看人数曲线是否平滑。如果曲线在 2 和 3 之间反复跳说明匹配阈值或 age 门槛需要调。我习惯把每帧的 track 数量和最终输出人数都打出来对比着看比只看最终数字有用得多。最后说个血泪经验毫米波人数统计没有「一套参数打天下」这回事。同一个房间家具挪个位置、空调换个风向点云分布就变了。我现在的习惯是每到一个新场景先花 10 分钟采数据、看点云、调阈值再跑正式逻辑。这个前置步骤省不掉省了后面一定翻车。希望帮到你。本文还有配套的精品资源点击获取