基于雷達主成分分析的肢體運動分離方法
【專利摘要】本發明屬于雷達信號處理領域，公開了一種基于雷達主成分分析的肢體運動分離方法，包括：獲取單脈沖雷達L×1維的回波信號，將所述回波信號采用長度為K的移動窗進行N次觀測，得到N×K維的觀測信號矩陣，N為觀測次數，K為移動窗長度即采樣點數，N遠小于K；將所述N×K維的觀測信號矩陣作為采樣空間協方差矩陣，計算所述采用空間協方差矩陣的特征值，根據所述觀測次數N、移動窗長度K以及所述特征值計算所述回波信號的特征維度；利用主成分分析PCA對所述采樣空間協方差矩陣進行降維，將所述采樣空間協方差矩陣分解為與所述特征維度相同個數的主成分；對多個主成分進行聚類分組，從而對多個主成分進行分離。
【專利說明】
基于雷達主成分分析的肢體運動分離方法
技術領域
[0001] 本發明涉及雷達信號處理技術領域，尤其涉及一種基于雷達主成分分析 (Principle Component Analysis，PCA)的肢體運動分離方法。
【背景技術】
[0002] 人體的雷達回波信號不僅受到人體主體運動的頻率調制作用，同時受到晃動的手 臂和腿等微運動的影響。人體主體的運動產生多普勒效應，人體各部件的微運動產生微多 普勒效應。由于人體獨特的運動機理，運動人體的回波信號中包含大量由人體各部件微運 動產生的微多普勒信號，并且它們具有明顯的時頻特征，能夠明顯的區分開來。不同的微多 普勒信號包含不同的運動信息。
[0003] 對于合成孔徑雷達(SAR)和逆合成孔徑雷達（ISAR)，微多普勒的存在會降低圖像 的成像質量。然而，可以從微多普勒信號中提取目標的運動參數等一些隱藏的信息，并可能 因此改善雷達識別系統。隨著對目標特征的精細化描述，微多普勒特征分析在目標識別方 面發揮了重要作用。因此，對微多普勒信號的分離技術研究至關重要。
[0004] P.van,Dorp,and F.C.A.Groen等在"Feature-based human motion parameter estimation with radar"（IET Radar，Sonar，Navigat.，2008,2-2:135-145)中基于特征的 方法提出了雷達頻譜估計人體移動參數。但是，這個方法是基于Boulic行走模型，并不適用 于其它運動模型。沒有提到分離技術，只對一些參數進行了估計，且不能確定參數的歸屬。
[0005] Y. P.Ding,and J· T · Tang等在"Micro-Doppler trajectory estimation of pedestrians using a continuous-wave radar"（IEEE Trans.Geosci.Remote Sens , 2014,52-9:5807-5819)中結合改進的改進函數和CLEAN算法來預測人體微多普勒軌跡。但 是計算量巨大，而且確定多項式相位要求沒有定量的準則，通常是通過經驗來確定的。
【發明內容】
[0006] 針對上述現有技術的不足，本發明的目的在于提供一種基于雷達主成分分析的肢 體運動分離方法，適應性地對人體部件運動進行分離，保證了人體部件運動分離的質量。
[0007] 實現本發明的技術思路為：首先，使用移動窗將一維的單脈沖雷達回波信號轉換 為一個二維的多通道信號。其次，根據赤池信息量準則(Akaike Information Criterion， AIC準則)確定PCA輸出的最小數量，即主成份(Principle Components，PCs)的數量。然后， 基于AIC準則，利用PCA法提取可以表示人體回波主體能量的最優正交基PCs。最后，利用交 叉熵矩陣檢測PCs的相似度，通過轉換為一個非線性約束的優化問題對PCs進行聚類分組， 每組代表一個人體部件的回波信號。這樣，人體回波就被分離成不同人體部件的回波信號。
[0008] 為達到上述目的，本發明的實施例采用如下技術方案：
[0009] -種基于雷達主成分分析的肢體運動分離方法，所述方法包括如下步驟：
[0010] 步驟1，獲取單脈沖雷達LX1維的回波信號，將所述回波信號采用長度為K的移動 窗進行N次觀測，得到NXK維的觀測信號矩陣，N為觀測次數，K為移動窗長度即采樣點數，N 遠小于κ;
[0011] 步驟2,將所述ΝΧΚ維的觀測信號矩陣作為采樣空間協方差矩陣，計算所述采用空 間協方差矩陣的特征值，根據所述觀測次數Ν、移動窗長度Κ以及所述特征值計算所述回波 信號的特征維度；
[0012] 步驟3,利用主成分分析PCA對所述采樣空間協方差矩陣進行降維，將所述采樣空 間協方差矩陣分解為與所述特征維度相同個數的主成分；
[0013] 步驟4,對多個主成分進行聚類分組，從而對多個主成分進行分離。
[0014] 本發明的有益效果:結合了信息論、數據方法和最優化工具的方法，適應性地對人 體部件運動進行分離，很好地保證了人體部件運動分離的質量。
【附圖說明】
[0015] 為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現 有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以 根據這些附圖獲得其他的附圖。
[0016] 圖1為本發明實施例提供的一種基于雷達主成分分析的肢體運動分離方法流程示 意圖；
[0017] 圖2為人體運動模型示意圖；
[0018] 圖3為人體運動模型的仿真結果示意圖；
[0019] 圖4為19個PCs的時頻分布，（a)-(s)分別為1 -19個PC的時頻譜示意圖；
[0020] 圖5為PCs的交叉熵矩陣示意圖；
[0021 ]圖6為新分的三個組的時頻譜示意圖。
【具體實施方式】
[0022]下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于 本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他 實施例，都屬于本發明保護的范圍。
[0023] -種基于雷達主成分分析的肢體運動分離方法，參照圖1，所述方法包括如下步 驟：
[0024] 步驟1，獲取單脈沖雷達LX1維的回波信號，將所述回波信號采用長度為K的移動 窗進行N次觀測，得到NXK維的觀測信號矩陣，N為觀測次數，K為移動窗長度即采樣點數，N 遠小于K。
[0025] 所述NXK維的觀測信號矩陣為X= [xi，X2，···，XN]T，Xi = [xu，xi2，···，XiK]是第i個觀 測信號，i = l，2,…，N。
[0026] 步驟2,將所述NXK維的觀測信號矩陣作為采樣空間協方差矩陣，計算所述采用空 間協方差矩陣的特征值，根據所述觀測次數N、移動窗長度K以及所述特征值計算所述回波 信號的特征維度。
[0027] 步驟2中根據所述觀測次數N、移動窗長度K以及所述特征值計算所述回波信號的 特征維度具體為：
[0028] 特征維度dAIC的表達式為：
[0029] dAic = arg min[Ld+d(2N-d)]
[0030] 其中
，采樣空間協方差矩陣的特征值按降 序排列是采樣空間協方差矩陣的第i個特征值，d由1到N進行遍歷，當上式取最小值時d 的值即為所求的特征維度dAIC。
[0031] 步驟3,利用主成分分析PCA對所述采樣空間協方差矩陣進行降維，將所述采樣空 間協方差矩陣分解為與所述特征維度相同個數的主成分。
[0032]步驟3具體包括如下子步驟：
[0033] (33)所述~父1(維的觀測信號矩陣為父=|^1，叉2，."以]1'4=|^142，."41(]是第1 個觀測信號，1 = 1，2，一，1估計11的均值記為講，則觀測信號矩陣乂的均值矢量可以寫為：
[0034] μ = Ε[Χ] = [μι，μ2，···，μη]Τ
[0035] 觀測信號矩陣X減去均值矢量μ使觀測信號矩陣X中心化，得到中心化的矩陣f:
[0036]
[0037] (3b)計算中心化的矩陣f的協方差矩陣S，對所述協方差矩陣S進行奇異值分解后 表示為：
[0038] S = UAV
[0039] 其中，U是NXN階酉矩陣，Λ是由協方差矩陣S的奇異值構成的NXK階矩陣，V是KX Κ階酉矩陣，Λ中S的奇異值按降序排列；
[0040] (3c)根據所述回波信號的特征維度dAK，提取第一個dAK維特征值，即將啲第一個 dAIC行擴展成一個特征子空間Ul=[Ul，U2, . . .，Ud]，把每個信號空間Ui標記到對應的特征子 空間Yi·
[0041]
[0042] 其中，上標Η表示共輒轉置運算，Yi是一個NXK階矩陣。
[0043] (3d)將得到的每個特征子空間h轉置重建為一維信號Zl，并組成去相關矩陣Z:
[0044] Z=[zi,Z2, . . . ,Zd]T
[0045] 其中，Z是dXL階矩陣，Z的每行是一個主成分，且各主成分之間即Z的各行之間兩 兩去相關。
[0046] 步驟4,對多個主成分進行聚類分組，從而對多個主成分進行分離。
[0047]步驟4具體包括如下子步驟：
[0048] (4a)定義交叉熵矩陣D( i，j)，用于表征兩個主成分21和^之間的相似度：
[0049]
[0050] 其中，Zi和Zj為各主成分中的同一個主成分或者不同主成分，是主成分Zi的概率 分布，八^是主成分W的概率分布，D的主對角線上元素全部為0,其它元素均為正；
[0051] 其中
[0052] 八是LX 1維的列向量
（'")是列向量心的第m個元素，Zi(m)是 列向量zi的第m個元素，sum(zi)是列向量zi的所有元素之和；[0053] (4b)定義一個非線性約束的最優解問題來確定每個主成分屬于的類：
[0054]
[0055]
[0056] J-1
[0057] 其中，花費函數H(M;D)用于描述類內部的緊密度和類間的同次性，C是分類的類別 數目，是交叉熵矩陣D的第i行第j列的元素，是指派矩陣Μ的第i行第j列的元素，Μ是η XC階指派矩陣：
[0058]
[0059] 其中，P(Ul|Cj)是成分m在類中的概率，通過搜索指派矩陣Μ中每一行的最大元 素確定每個主成分屬于的類。
[0060] 本發明的效果可通過以下仿真實驗作進一步的說明。
[0061] 1)仿真條件
[0062]雷達發射載頻f= 15GHz的單頻信號，距離分辨率為0.01m，脈沖重復頻率為 2000Hz，脈沖總數為6144。人體和雷達的相對速度為2. Om/s。人體運動模型如圖2所示，人體 模型的各部件長度如表1所示。仿真是基于Boulic模型，它同時符合其他人體模型。
[0063]表1人體模型的部件長度
[0064]
[0065] *H= 1 · 8m，Length(Head+Torso+U-leg+L_Leg) =Η·
[0066] 2)仿真內容及分析
[0067] 首先，基于Boulic模型對運動人體的雷達回波信號進行仿真。圖3是人體運動模型 的仿真結果。圖3(a)是距離域圖像，由圖中可知，人體和雷達的初始距離大約為10m。通過 STFT獲得回波信號的時頻譜，如圖3(b)所示。人體向著雷達移動，通過回波在距離方向上的 疊加，可以獲得一個一維的時間采樣信號。
[0068]然后，利用移動窗對上述一維采樣信號進行處理，得到32個信道的2維信號。接下 來，利用PCA法將信號投影到特征子空間，提取可以表示原始信號的最優子空間，然后，將它 們再次映射至原始信號空間。最后，可以得到19個互不相關的PCU9個PCs的時頻譜圖分別 如圖4(a)~（s)所示。由圖4可以看出，一些有相似時頻特征的PCs，可以重新組合成一個新 的分組。因此，可以利用分組技術來實現這項功能。
[0069] 通過計算PCs間的相似度對PCs進行分組。圖5是19個PCs的交叉熵矩陣的計算結 果。它是對稱矩陣且主對角線上的元素全部為0。這與理論分析結果一致。我們把這些PCs分 成三組。依概率矩陣的PCs聚類結果如表2所示。由表可知，除第二個和第三個PCs外，大部分 PCs都可以通過一個確定的數值分到一個確定的組。
[0070] 表2概率矩陣及PCs的聚類結果
[0071]
[0072] 三個新分的組的信號的時頻譜圖如圖6(a)_(c)所示。與圖3(b)相比，代表移動人 體主體部分的大部分能量的信號都分離開了。因此，第一組可以表征為移動人體的主體部 分的回波信號。圖6(b)含有豐富的微多普勒信號，和人肢體的回波信號相對應。圖6(c)的微 多普勒特征最明顯，對應于小腿和腳部的回波信號。由于在一個步行周期內，人體左右腳移 動的最大幅值交替出現，所以在圖6(c)中有一條亮色的條帶。和圖4相比，PCs的分類結果與 理論分析結果一致。證明了分類方法的有效性。
[0073]以上所述，僅為本發明的【具體實施方式】，但本發明的保護范圍并不局限于此，任何 熟悉本技術領域的技術人員在本發明揭露的技術范圍內，可輕易想到變化或替換，都應涵 蓋在本發明的保護范圍之內。因此，本發明的保護范圍應以所述權利要求的保護范圍為準。
【主權項】
1. 一種基于雷達主成分分析的肢體運動分離方法，其特征在于，所述方法包括如下步 驟： 步驟1，獲取單脈沖雷達LXl維的回波信號，將所述回波信號采用長度為K的移動窗進 行N次觀測，得到NXK維的觀測信號矩陣，N為觀測次數，K為移動窗長度即采樣點數，N遠小 于K; 步驟2,將所述NXK維的觀測信號矩陣作為采樣空間協方差矩陣，計算所述采用空間協 方差矩陣的特征值，根據所述觀測次數N、移動窗長度K以及所述特征值計算所述回波信號 的特征維度； 步驟3,利用主成分分析對所述采樣空間協方差矩陣進行降維，將所述采樣空間協方差 矩陣分解為與所述特征維度相同個數的主成分； 步驟4，對多個主成分進行聚類分組，從而對多個主成分進行分離。2. 根據權利要求1所述的一種基于雷達主成分分析的肢體運動分離方法，其特征在于， 步驟1具體為： 所述^1(維的觀測信號矩陣為乂=[11，12，一舊]1'^=|^1#2，"_#1(]是第：[個觀測信 號，? = 1，2，···，Ν。3. 根據權利要求1所述的一種基于雷達主成分分析的肢體運動分離方法，其特征在于， 步驟2中根據所述觀測次數Ν、移動窗長度K以及所述特征值計算所述回波信號的特征維度 具體為： 特征維度dAK的表達式為：采樣空間協方差矩陣的特征值按降序排 列，A1是采樣空間協方差矩陣的第i個特征值，d由1到N進行遍歷，當上式取最小值時d的值 即為所求的特征維度dAIC。4. 根據權利要求1所述的一種基于雷達主成分分析的肢體運動分離方法，其特征在于， 步驟3具體包括如下子步驟： (38)所述^1(維的觀測信號矩陣為父=|^1，12，'"舊]1'4=|^1#2，'"#1(]是第：[個觀 測信號，i = l，2，···，N，估計X1的均值記為講，則觀測信號矩陣X的均值矢量可以寫為：觀測信號矩陣X減去均值矢暈μ使觀測信號矩陣X中心化，得到中心化的矩陣X :(3b)計算中心化的矩陣X的協方差矩陣S，對所述協方差矩陣S進行奇異值分解后表示 為： S = UAV 其中，U是N X N階酉矩陣，Λ是由協方差矩陣S的奇異值構成的N X K階矩陣，V是K X K階 酉矩陣，Λ中S的奇異值按降序排列； (3c)根據所述回波信號的特征維度dAIC，提取第一個dAIC維特征值，即將U的第一個d AIC 行擴展成一個特征子空間Ul =[ Ul，U2，…，Ud ]，把每個信號空間Ui標記到對應的特征子空間 Yi ： V; X, l<i <d 其中，上標H表示共輒轉置運算，Y1是一個N X K階矩陣。 (3d)將得到的每個特征子空間Y1轉置重建為一維信號Z1，并組成去相關矩陣Z: Z= [zi,Z2, ··· ,Zd]T 其中，Z是dXL階矩陣，Z的每行是一個主成分，且各主成分之間即Z的各行之間不相關。5.根據權利要求4所述的一種基于雷達主成分分析的肢體運動分離方法，其特征在于， 步驟4具體包括如下子步驟： (4a)定義交叉熵矩陣D(i，j)，用于表征兩個主成分21和^之間的相似度：其中，Zi和Zj為各主成分中的同一個主成分或者不同主成分，ft，是主成分Zi的概率分 布，巧/是主成分Zj的概率分布，D的主對角線上元素全部為O，其它元素均為正； 其中AiLXl維的列向量Pl·")是列向量心的第m個元素，zi(m)是列向 量Zi的第m個元素，sum(zi)是列向量Zi的所有元素之和； (4b)定義一個非線性約束的最優解問題來確定每個主成分屬于的類：其中，花費函數H(M;D)用于描述類內部的緊密度和類間的同次性，C是分類的類別數 目，Dlj是交叉熵矩陣D的第i行第j列的元素，Mlj是指派矩陣M的第i行第j列的元素，M是nXC 階指派矩陣：其中，P(m I Cj)是成分m在Cj類中的概率，通過搜索指派矩陣M中每一行的最大元素確定 每個主成分屬于的類。
【文檔編號】A61B5/11GK105997093SQ201610256907
【公開日】2016年10月12日
【申請日】2016年4月24日
【發明人】周峰, 粟華林, 石曉然, 陶明亮, 張子敬
【申請人】西安電子科技大學