基于多通道HHT的UWB雷達人體運動微多普勒特征提取方法與流程

本發明屬于生物雷達或雷達式生命探測與識別技術領域，特別涉及基于多通道hht的uwb雷達人體運動微多普勒特征提取方法。

背景技術：

超寬帶(ultrawideband,uwb)雷達作為一種新型的非接觸生命探測技術，且具有較高的距離分辨率和抗干擾性，其能夠穿透一定厚度的非金屬介質(磚墻、廢墟等)、遠距離、非接觸探測和識別人體目標運動特征，逐漸應用于反恐處突、人質解救、城市巷戰，邊防安保和災后搜救等場合，對提高部隊戰斗力和保障人民群眾的生命安全具有重要作用。

微多普勒特征指除目標主體運動外，其各部件微動均會對雷達波產生差異性多普勒調制，超寬帶雷達回波中蘊含微動信息將反應目標的幾何結構和運動特征，有效的微多普勒特征提取和分析將為雷達目標識別分類提供新途徑。然而，針對上述穿透探測應用場景，目前人體運動超寬帶雷達微多普勒的分析與提取方法還存在以下問題：目標運動微多普勒特征將分布于超寬帶雷達信號的多個距離單元，目前還未有針對超寬帶雷達進行微多普勒特征綜合分析與提取的方法；目標運動微多普勒穿墻后衰減迅速，微多普勒特征將與強烈的墻體雜波和背景噪聲相互交織甚至被淹沒，使得微多普勒特征信噪比極地，難以提取；傳統的微多普勒特征時頻變換提取方法時間-頻率分辨率較低，不同部件所造成的相應微多普勒特征難以區分提取。

因此，目前急需一種時間-頻率分辨率高、抗干擾性強的人體運動超寬帶穿墻雷達信號微多普勒特征分析與提取方法，其將為人體目標運動的識別與分類提供詳細、高價值的特征信息。

技術實現要素：

針對上述現有技術中存在的問題或缺陷，本發明的目的在于，提供基于多通道hht的uwb雷達人體運動微多普勒特征提取方法，能夠利用改進的希爾伯特-黃變換(hilbert-huangtransform,hht)結合有效通道融合技術對蘊含在uwb雷達中的人體運動微多普勒特征進行充分利用和有效提取，并結合人體運動學原理和雷達波散射機理對不同微多普勒成分進行分析驗證。

為了實現上述目的，本發明采用如下技術方案：

基于多通道hht的uwb雷達人體運動微多普勒特征提取方法，其特征在于，包括以下步驟：

步驟1，uwb雷達的發射天線發射信號，uwb雷達的接收天線接收被墻后人體反射的信號

式(1)中，表示距離軸采樣點的數量，表示時間軸采樣點的數量，表示在距離軸為m、時間軸為n時的信號值；

步驟2，對進行預處理，得到預處理后信號r；

式(2)中，rm(n)表示在距離軸為m、時間軸為n時的預處理后信號值；

步驟3，設定有效運動特征信號邊界值為距離軸dc和df，df＞dc，將預處理后信號r中距離軸m≥dc和m≤df內的信號作為有效運動特征通道信號包括m′個通道信號其中m′＝df-dc+1；

式(3)中，表示在距離軸為m′、時間軸為n時的有效運動特征通道信號值，；

其中，設距離軸dc信號的能量為距離軸df信號的能量為

e0為預處理后的空采信號的距離軸單元信號的平均值作為噪聲能量均值；

步驟4，對的m′個通道信號分別進行時頻分析，得到m′個時頻矩陣；

包括：

步驟41，任選中任一通道信號作為當前通道信號

步驟411，向當前通道信號添加隨機白噪聲，得到待處理信號r′m′；

步驟412，對待處理信號r′m′進行emd分解，得到本征模態函數分量序列imf，所述imf包括q個imf；

步驟413，重復步驟411至步驟412l次，得到l組本征模態函數分量序列imf，記為limf＝(imf1,imf2,…,imfl…imfl)，l＝1,2,...,l,l為大于等于1的自然數；

步驟414，對l組imf進行平均，得到當前通道信號的最終本征模態函數分量序列imf′；

imf′＝{imf′q|q＝1,2,...,q}(5)

步驟42，任選imf′中任一分量作為當前分量imf′q；

步驟421，若該當前分量imf′q與當前通道信號的向量空間余弦相似度為s_cosθq小于等于閾值cs_t，則從imf′中將該當前分量imf′q去除；其中，

步驟422，重復步驟421，直至imf′所有分量都被作為當前分量，得到有效imf″，所述imf″中包括q′個分量，q′＜q；

步驟43，對imf″中的q′個分量進行希爾伯特變換，得到當前通道信號的時頻矩陣hm(ω,t)，ω表示瞬時頻率，t表示時間；

步驟44，重復步驟41至步驟43，直至中m′個通道信號都被作為當前通道信號，得到m′個時頻矩陣，記為m′h(ω,t)；

m′h(ω,t)＝(h1(ω,t),…,hm(ω,t),…,hm′(ω,t))(6)

步驟5，通過式(7)得到表征整個人體運動微多普勒時頻特征的綜合時頻譜h(ω,t)。

進一步地，步驟2中所述所述預處理包括：減平均操作和低通濾波操作。

進一步地，步驟3中所述的空采信號為墻后無人體時，uwb雷達接收被墻反射的信號。

進一步地，步驟3中所述的預處理后的空采信號是對空采信號進行減平均操作和低通濾波操作后得到的信號。

與現有技術相比，本發明具有以下技術效果：

本發明所提微多普勒時頻分析方法具有更高的時頻分辨率，不同部件對應微多普勒特征成分區分更加明顯，更能體現人體運動的瞬時特征和細節變化；本發明所提時頻分析方法抗干擾能力強，較遠距離穿墻探測、信號急劇衰減情況下仍能捕捉到明顯的微多普勒特征。本發明所提時頻分析方法具有一定更好的去噪能力，所得時頻譜信噪比更高，微多普勒特征成分更加明顯。

附圖說明

圖1為穿墻3m位置人體原地踏步uwb雷達原始信號圖；

圖2為uwb雷達預處理信號；

圖3為uwb雷達信號有效通道選擇示意圖；

圖4為基于改進多通道hht對多通道uwb雷達信號分析處理流程圖；

圖5為墻后3m位置擺單臂和擺雙臂uwb雷達信號stft綜合時頻譜與改進型hht綜合時頻譜：(a)擺單臂stft時頻譜；(b)擺單臂hht時頻譜；(c)擺雙臂stft時頻譜(d)擺雙臂hht時頻譜；

圖6為基于改進型hht的墻后3m位置人體6種動作綜合時頻譜：(a)原地踏步；(b)蹲下撿物；(c)揮手；(d)原地跳躍；(e)隨意站立(微晃)；(f)坐姿呼吸。

圖7為墻后3m、4m、5m位置原地踏步uwb雷達信號stft綜合時頻譜與改進型hht綜合時頻譜：(a)4m，stft時頻譜；(b)4m，hht時頻譜；(c)5，stft時頻譜；(d)5m，hht時頻譜；(e)6m，stft時頻譜；(f)6m，hht時頻譜。

具體實施方式

下面通過附圖和實施例對本發明作進一步說明。

雷達電磁波穿透墻體照射到人體反射，運動人體各部件微動均會對電磁波產生微多普勒調制，使得反射回波的延遲時間出現相應變化，進而雷達回波中蘊含的微動信息將反應目標的幾何結構和運動特征。通過時頻分辨率高、特征提取能力強、抗干擾性好的微多普勒特征提取方法即可實現運動人體各部件運動細微特征的提取，為細微人體運動狀態識別分類提供基礎。實際應用中，uwb穿墻探測信號中往往包含強烈的墻體反射直達波和背景噪聲，使得人體運動信號被淹沒。另外，人體各部件運動信息將分布于uwb雷達時間-距離二維數據的一定距離單元內，有效運動特征信息的利用以及高效的微多普勒特征提取方法成為必要。

本發明所提出的微多普勒提取算法具有以下技術優勢：(1)信號分解中采用eemd分解方式，其能夠根據信號自身特征自適應分解，具有自適應性和靈活性，分離效果好；(2)基于最能表征人體運動信號特征差異的向量空間余弦相似度(cs)評價參數進行有效imf″選擇，保留住有用運動信息的同時提高了信噪比，使得算法抗干擾性強；(3)時頻分辨率高，可提取信號瞬時頻率變化，使得人體各部件微多普勒時頻細微特征變化明顯，微多普勒成分分離度高。

實施例1

本實施例提供了基于多通道hht的uwb雷達人體運動微多普勒特征提取方法，包括以下步驟：

步驟1，uwb雷達的發射天線發射信號，uwb雷達的接收天線接收被墻后人體反射的信號

式(1)中，表示距離軸采樣點的數量，表示時間軸采樣點的數量，表示在距離軸為m、時間軸為n時的信號值；

本實施例中，uwb雷達探測墻后人體目標時，離雷達不同距離的運動目標所得的不同時延回波均可被采集到，uwb雷達回波信號經過后期放大和采樣后被存儲于二維數據矩陣中。

如圖1所示為一組穿墻3m位置uwb生物雷達人體原地踏步運動回波數據。橫軸為時間軸，單位通常為s；縱軸為快時間，表示uwb脈沖回波的延時，單位通常為ns，可以根據脈沖傳播速度換算成距離，本實施例將快時間軸作為距離軸。

步驟2，對進行預處理，得到預處理后信號r；

式(2)中，rm(n)表示在距離軸為m、時間軸為n時的預處理后信號值；

所述預處理包括：減平均操作和低通濾波操作；

本實施例中，低通濾波器窗函數采用漢寧窗，截止頻率為80hz，以保證有用運動信號不被濾除。

參見圖2為預處理后信號，可以發現墻體反射直達波和背景噪聲被有效去除，可明顯看出強烈且規律的人體運動回波位于20ns處。

步驟3，參見圖3為有效通道選擇雷達信號示意圖。根據人體運動學原理結合人體運動uwb雷達信號運動信息分布特性可以發現，人體運動信息分布于一定距離單元范圍內，越靠近中心部分運動信息越豐富，能量越強。

設定有效運動特征信號邊界值為距離軸dc和df，df＞dc，將預處理后信號r中距離軸m≥dc和m≤df內的信號作為有效運動特征通道信號包括m′個通道信號其中m′＝df-dc+1；

式(3)中，表示在距離軸為m′、時間軸為n時的有效運動特征通道信號值，；

其中，設距離軸dc信號的能量為距離軸df信號的能量為

e0為預處理后的空采信號的距離軸單元信號的平均值作為噪聲能量均值；所述空采信號為墻后無人時uwb雷達接收到的信號；

步驟4，對的m′個通道信號分別進行時頻分析，得到m′個時頻矩陣；

參見圖4為基于改進多通道hht對有效多通道uwb雷達信號分析處理流程圖。

包括：

步驟41，利用集合經驗模態分解(ensembleempiricalmodedecomposition，eemd)對信號進行自適應分解，得到包含不同頻率成分的本征模態函數分量序列imf′；

任選中任一通道信號作為當前通道信號

步驟411，向當前通道信號添加隨機白噪聲，得到待處理信號r′m′；

步驟412，對待處理信號r′m′進行emd分解，得到本征模態函數分量序列imf，所述imf包括q個imf；

步驟413，重復步驟411至步驟412l次，得到l組本征模態函數分量序列imf，記為limf＝(imf1,imf2,…,imfl…imfl)，l＝1,2,...,l,l為大于等于1的自然數；

步驟414，對l組imf進行平均，得到當前通道信號的最終本征模態函數分量序列imf′；

imf′＝{imf′q|q＝1,2,...,q}(5)

步驟42，人體運動最直接和最明顯的特征即為不同時刻運動方向和相位的變化。因此，對幅度值不敏感但注重向量之間方向、相位等差異性的向量空間余弦相似度(cs)成為評價imf′分量與原始信號之間相似度的合理標準。

任選imf′中任一分量作為當前分量imf′q；

步驟421，若該當前分量imf′q與當前通道信號的向量空間余弦相似度為s_cosθq小于等于閾值cs_t，則從imf′中將該當前分量imf′q去除；其中，

本實施例中，設閾值為cs_t＝0.3。另外，通過對cs<0.3對應的imf′q分量進行時頻分析，結果發現其中并不存在規律的人體運動特征頻率成分。

步驟422，重復步驟421，直至imf′所有分量都被作為當前分量，得到有效imf″，所述imf″中包括q′個分量，q′＜q；

步驟43，對imf″中的q′個分量進行希爾伯特變換，得到當前通道信號的時頻矩陣hm(ω,t)，ω表示瞬時頻率，t表示時間；

步驟44，重復步驟41至步驟43，直至中m′個通道信號都被作為當前通道信號，得到m′個時頻矩陣，記為m′h(ω,t)；

m′h(ω,t)＝(h1(ω,t),…,hm(ω,t),…,hm′(ω,t))(6)

hm(ω,t)表示第m個通道經過改進型hht分析所得的時間頻率矩陣，因此m′h(ω,t)表示一個時間-頻率-距離三維立方體。

步驟5，如圖4所示，通過式(7)得到表征整個人體運動微多普勒時頻特征的綜合時頻譜h(ω,t)。

實驗結果1：

為了便于對比，將傳統的基于stft(0.42shanning窗)的綜合累積時頻分析方法作為參考算法。采用本發明的時頻分析方法，對在穿單墻(磚墻，厚度約為30cm)3m位置處的人體原地擺單臂、擺雙臂兩種動作uwb雷達信號進行時頻分析，結果如圖5所示。

通過對比圖5(a)與圖5(b)，圖5(c)與圖5(d)可以發現，本發明提出的算法相對參考方法時頻分辨率更高，能夠提取出更加細微的身體各部件的微多普勒成分，如上臂、下臂、肩等。另外，本發明的方法還可以顯示出人體運動中相應部件微多普勒特征的相位差異，如圖5(d)中左右手臂對應頻率成分的出現的細微時延。

實驗結果2：

采用本發明的時頻分析方法，對在穿單墻(磚墻，厚度約為30cm)3m位置處的人體原地踏步、蹲下撿物、揮手、原地跳躍、站立隨機晃動、坐姿呼吸六種動作uwb雷達信號進行時頻分析，結果如圖6所示。可以發現，不同動作頻率成分的大小和數量差異較大。對于原地踏步、跳躍等大幅度復雜動作，頻率成分較多，且最大微多普勒頻率可達60～70；而對于隨意站立、坐姿呼吸等簡單微動，微多普勒頻率成分較為單一，頻率值很小。

實驗結果3：

采用本發明的時頻分析方法，對在穿單墻(磚墻，厚度約為30cm)4m、5m、6m位置處的人體原地踏步動作uwb雷達信號進行時頻分析，結果如圖7所示。為了便于對比，將傳統的基于stft(0.42shanning窗)的綜合累積時頻分析方法作為參考算法。結果發現，隨著穿墻距離增大信號衰減距離且背景雜波、噪聲增強時，參考方法所得微多普勒特征逐漸被強烈的背景雜波和噪聲淹沒，但本發明提出的方法仍能提取出清晰的微多普勒特征并保持較高的時頻分辨率。同時，還能觀察到人體運動的節律性變化和細節特征。