CN106019391A - 一种基于全向生物雷达的二维ca-cfar人体随机体动的检测方法 - Google Patents

Abstract

本发明公开了一种基于全向生物雷达的二维CA‑CFAR人体随机体动的检测方法，利用生物雷达探测较强动目标干扰环境中的人体随机体动从而实现幸存目标的探测与识别，为雷达探测幸存目标提供了新思路；采用通道内参考背景和环境参考背景作为二维CA‑CFAR技术的二维阈值对全向四通道生物雷达信号进行综合分析和判断，实现了对户外有风吹草动等动目标干扰情况下的人体随机体动进行准确检测和识别，有效降低了生命探测雷达对搜救环境的要求，提高了搜救效率。

Description

一种基于全向生物雷达的二维CA-CFAR人体随机体动的检测方法

技术领域

本发明属于生物雷达或雷达式生命探测技术领域，涉及一种基于全向生物雷达的二维CA-CFAR人体随机体动的检测方法。

背景技术

生物雷达是以探测生命体为目的的新概念雷达，它将雷达、生物医学工程、计算机等技术融合于一体，可穿透非金属介质(砖墙、废墟等)、远距离、非接触探测和识别生命体征，已广泛应用于反恐处突、灾后搜救等场合，对保障人民群众的生命安全具有重要作用。

然而在核化生泄露、爆炸现场搜救以及飞行员应急落地生命活动探测等实际探测环境中，幸存者头或脚可能正对雷达波以及探测环境中可能存在风吹草动等环境动目标干扰，并且幸存者往往处于受伤或虚弱状态下，此时规律的人体呼吸特征信号将很难被检测到。幸运的是，此时幸存者往往会产生挣扎、抽搐等随机体动。并且这些体动相对呼吸信号幅度更大、更强烈，更容易被雷达探测到，将为户外灾害搜救提供重要参考信息。另外，单元平均恒虚警(Cell Average-Constant False-Alarm Rate，CA-CFAR)检测作为经典的雷达动目标恒虚警率检测方法，能够在杂波功率变化的情况下保持恒定的虚警率。

现有的搜救生物雷达技术主要对人体呼吸和心跳等生命体征信号进行探测识别从而进行幸存目标有无判断，而在户外有动目标干扰情况下利用人体随机体动进行幸存目标判断的研究还尚未见报道。

发明内容

针对上述现有技术中存在的问题与缺陷，本发明的目的在于，提供一种基于全向生物雷达的二维CA-CFAR人体随机体动的检测方法，能够对户外有风吹草动等动目标干扰情况下的人体随机体动进行准确检测和识别，从而实现户外灾害搜救中幸存目标有无的判断。

为了实现上述目的，本发明采用如下技术方案：

一种基于全向生物雷达的二维CA-CFAR人体随机体动的检测方法，包括以下步骤：

步骤一：全向生物雷达的发射天线向探测区域发射电磁波，电磁波被障碍物反射，反射后的电磁波被全向生物雷达的接收天线接收，形成4个通道的雷达原始回波信号sig_A，sig_B,sig_C，sig_D，4个通道分别为通道A、通道B、通道C和通道D；

步骤二：针对雷达原始回波信号sig_A，sig_B,sig_C，sig_D均采用二维CA-CFAR进行处理，判断雷达原始回波信号sig_A，sig_B,sig_C，sig_D内是否存在人体随机体动；若雷达原始回波信号sig_A，sig_B,sig_C，sig_D中任一雷达原始回波信号中存在人体随机体动，则判定整个探测区域中存在人体随机体动；

其中，针对雷达原始回波信号sig_X，X表示A,B,C或D，采用二维CA-CFAR进行处理，包括以下步骤：

步骤2.1：求取雷达原始回波信号sig_X中每个识别单元的滑动方差δ²(m)，其中，m表示雷达原始回波信号sig_X中的第m个识别单元；雷达原始回波信号sig_X由离散采样点组成，每个识别单元包含多个离散采样点；

步骤2.2：计算雷达原始回波信号sig_X所在通道内的参考背景Z_X1(m)，将其作为二维CA-CFAR的第一维参考背景；

步骤2.3：计算雷达原始回波信号sig_X的环境参考背景Z_X2(m)，将其作为二维CA-CFAR的第二维参考背景；

步骤2.4：根据通道内的参考背景Z_X1(m)和环境参考背景Z_X2(m)判断雷达原始回波信号sig_X内是否存在随机体动。

具体地，所述步骤2.1中的求取雷达原始回波信号sig_X中每个识别单元的滑动方差δ²(m)，采用的公式为：

${\mathrm{\δ}}^2\left(m\right)=\frac{{\Σ}_{i=m\×L-L+1}^{i=m\×L+L/2}{\left({\mathrm{sig}}_X\right(i\left)\right)}^2}{L+L/2}-{\left(\frac{{\Σ}_{i=m\×L-L+1}^{i=m\×L+\frac{L}{2}}{\mathrm{sig}}_X\left(i\right)}{L+\frac{L}{2}}\right)}^2,m=1,2,3,\mathrm{........}---\left(1\right)$

其中，i表示雷达原始回波信号sig_X中采样点的序号，识别单元的重叠区域为X表示A,B,C或D。

具体地，所述步骤2.2中的获取雷达原始回波信号sig_X所在通道内的参考背景Z_X1(m)，采用的公式为：

$Z_{X1}\left(m\right)=\frac{1}{N}\left({\Σ}_{i=m-\frac{N}{2}-L_{guard}}^{m-L_{guard}}{\mathrm{\δ}}^2\right(m)+{\Σ}_{i=m+\frac{N}{2}-L_{guard}}^{m+\frac{N}{2}+L_{guard}}{\mathrm{\δ}}^2(m\left)\right)---\left(2\right)$

其中，N是参考窗的长度，L_guard是保护单元的长度，X表示A,B,C或D。

具体地，所述步骤2.3中的计算雷达原始回波信号sig_X的环境参考背景Z_X2(m)，以雷达原始回波信号sig_A为例，计算环境参考背景Z_A2(m)，具体包括以下步骤：

步骤2.3.1：计算雷达原始回波信号sig_A以外的雷达原始回波信号的滑动方差，即雷达原始回波信号sig_B,sig_C，sig_D的滑动方差δ_B ²(m)、δ_C ²(m)和δ_D ²(m)；

步骤2.3.2:利用滑动方差δ_B ²(m)、δ_C ²(m)和δ_D ²(m)计算环境参考背景Z_A2(m)，采用的公式如下：

$Z_{A2}\left(m\right)=\frac{\left({{\mathrm{\δ}}_B}^2\right(m)+{{\mathrm{\δ}}_C}^2(m)+{{\mathrm{\δ}}_D}^2(m\left)\right)-\max \left({{\mathrm{\δ}}_B}^2\right(m),{{\mathrm{\δ}}_C}^2(m),{{\mathrm{\δ}}_D}^2(m\left)\right)}{2}---\left(3\right)$

具体地，所述步骤2.4中的根据通道内的参考背景Z_X1(m)和环境参考背景Z_X2(m)判断雷达原始回波信号sig_X内是否存在随机体动，采用的公式如下：

${\mathrm{Index}}_X\left(m\right)=\left\{\begin{array}{cc}1,& (\frac{{\mathrm{\δ}}_X^2\left(m\right)}{Z_{X1}\left(m\right)}>K_1)\∩(\frac{{\mathrm{\δ}}_X^2\left(m\right)}{Z_{X2}\left(m\right)}>K_2\∩({\mathrm{\δ}}_X^2\left(m\right)>K_3\left)\right)\\ 0,& else\end{array}\right.---\left(4\right)$

其中，Index_X(m)＝1表示雷达原始回波信号sig_X的m识别单元判定为有体动，Index_X(m)＝0，表示雷达原始回波信号sig_X的m识别单元判定为没有体动；K₁是通道内的参考背景阈值，K₂是环境参考背景阈值，K₃为环境补偿阈值，X表示A,B,C或D。

进一步地，1.9≥K₁＝K₂≥1.6，K₃＝0.3。

与现有技术相比，本发明具有以下技术效果：本发明利用生物雷达探测较强动目标干扰环境中的人体随机体动从而实现幸存目标的探测与识别，为雷达探测幸存目标提供了新思路；采用通道内参考背景和环境参考背景作为二维CA-CFAR技术的二维阈值对全向四通道生物雷达信号进行综合分析和判断，实现了对户外有风吹草动等动目标干扰情况下的人体随机体动进行准确检测和识别，有效降低了生命探测雷达对搜救环境的要求，提高了搜救效率。

下面结合附图和具体实施方式对本发明的方案做进一步详细地解释和说明。

附图说明

图1为全向生物雷达系统结构示意图；

图2为户外雷达生命探测场景示意图；

图3为单通道雷达原始回波信号的二维CA-CFAR体随机体动检测流程图；

图4为全向四通道雷达阵列的二维CA-CFAR人体随机体动检测流程图；

图5为室外有风吹草动情况下雷达探测实验结果，其中，(a)表示表示四通道内的信号波形，(b)四通道内信号的滑动方差波形；

图6为室内无人情况下探测实验结果，其中，(a)表示四通道内的信号波形，(b)表示四通道内信号的滑动方差波形；

图7为当目标处于雷达A天线的正前方7m情况下的雷达探测实验结果，其中，(a)表示四通道内的信号波形，(b)表示四通道内信号的滑动方差波形；

图8为当目标位于两个雷达夹角处雷达探测实验结果，其中，(a)表示四通道内的信号波形，(b)表示四通道内信号的滑动方差波形；

图9为人体的腹部正对于雷达A主瓣方向时的原始信号及其处理结果，其中，(a)表示四个雷达采集到的信号波形，(b)表示体动识别结果，(c)表示雷达A采集到的信号的时频图；

图10为人体的腹部正对于雷达B和雷达C两个雷达天线主瓣方向的夹角处的原始信号及其处理结果，其中，(a)表示四个雷达采集到的信号波形，(b)表示体动识别结果，(c)表示雷达B信号的时频图，(d)表示雷达B、C信号的时频图；

图11为人体平躺且雷达B天线正对人体头部的原始信号及其处理结果，其中，(a)表示四个雷达采集到的信号波形，(b)表示体动识别结果，(c)表示雷达B信号的时频图。

具体实施方式

参见图1，对全向生物雷达系统的结构和工作过程进行简单说明：此全向生物雷达系统由四个同一型号的生物雷达构成，按照顺时针方向分别定义为雷达A、B、C、D。图1展示了全向雷达系统主瓣和旁瓣覆盖情况，雷达A表示雷达A的覆盖区域，雷达B表示雷达B的覆盖区域，雷达AB表示雷达的共同覆盖区域，依此类推。

单个生物雷达的主要技术指标如表1所示：此雷达探测距离不小于15m，能够满足生物雷达近场探测的需要。雷达主瓣范围为80°，满足单个雷达探测角度覆盖范围的要求。另外此雷达外形小巧、输出功率低，适合多个雷达组合进行长时间工作。单个雷达采用自发自收方式，单独形成一个信号采集通道，4个雷达形成4个通道，分别为通道A、通道B、通道C和通道D。

全向生物雷达系统雷达工作时，采样率为40Hz，4个雷达同时工作得到4通道的雷达信号，并且根据单个雷达的主瓣和旁瓣覆盖范围可实现360°全向探测，为信号处理和生命体征识别带来了便利。实际户外生命探测场景如图2所示，除了与雷达相对位置随机的幸存人体目标外，还存在化学烟雾、房屋、杂草等复杂的周围环境干扰。因此，本发明充分利用全向生物雷达系统优势，将通道内的参考背景和环境参考背景作为二维CA-CFAR技术的双重参考背景对全向生物雷达信号进行综合分析和判断，能够有效检测出风吹草动等动目标干扰环境中的人体随机体动。

表1单个生物雷达的主要技术指标

本发明的基于全向生物雷达的二维CA-CFAR人体随机体动的检测方法，包括以下步骤：

步骤一：利用全向生物雷达对人体随机体动信号进行检测，全向生物雷达的发射天线向探测区域发射电磁波，电磁波被障碍物反射，反射后的电磁波被全向生物雷达的接收天线接收，形成4个通道的雷达原始回波信号sig_A，sig_B,sig_C，sig_D，4个通道分别为通道A、通道B、通道C和通道D。障碍物包括幸存人体目标、化学烟雾、房屋和杂草等。

步骤二：针对雷达原始回波信号sig_A，sig_B,sig_C，sig_D均采用二维CA-CFAR进行处理，对雷达原始回波信号sig_A，sig_B,sig_C，sig_D中的人体随机体动进行检测，若任一雷达原始回波信号中存在人体随机体动，则判定整个探测区域中存在人体随机体动。

本实施例以雷达原始回波信号sig_A为例，详细介绍二维CA-CFAR的具体实现方法，参见图4，步骤如下：

步骤2.1：求取雷达原始回波信号sig_A中每个识别单元的滑动方差δ²(m)，参见图3，即：

${\mathrm{\δ}}^2\left(m\right)=\frac{{\Σ}_{i=m\×L-L+1}^{i=m\×L+L/2}{\left({\mathrm{sig}}_A\right(i\left)\right)}^2}{L+L/2}-{\left(\frac{{\Σ}_{i=m\×L-L+1}^{i=m\×L+\frac{L}{2}}{\mathrm{sig}}_A\left(i\right)}{L+\frac{L}{2}}\right)}^2,m=1,2,3,\mathrm{........}---\left(1\right)$

其中，δ²(m)表示第m个识别单元的方差，L＝40，i表示雷达原始回波信号sig_A中采样点的序号，表示识别单元的重叠区域为雷达原始回波信号sig_A由离散采样点组成，每个识别单元包含长度的离散采样点。

步骤2.2：获取雷达原始回波信号sig_A所在通道A内的参考背景Z_A1(m)，将其作为二维CA-CFAR的第一维参考背景。

如图3所示，设D为当前识别单元，由于当前的识别单元存在目标时，其信息可能会通过模拟滤波器传递到附近单元，为了得到最贴近真实的参考背景，在计算参考背景时需要在当前识别单元两侧增加保护单元，其长度为L_guard。p(1)和分别表示当前识别单元D左侧的第1个、第N/2个(N为偶数)背景参考单元值，N为参考单元的长度，q(1)和分别表示识别单元D右侧的第1个、第N/2个(N为偶数)背景参考单元的值，N为背景参考单元的长度。H1—假设识别单元存在目标，H0—假设识别单元不存在目标。使用当前识别单元D前后(不包含保护单元)共N个背景参考单元的平均值作为参考背景。

令该参考背景的值为Z_A1(m)，则：

$Z_{A1}\left(m\right)=\frac{1}{N}\left({\Σ}_{i=m-\frac{N}{2}-L_{guard}}^{m-L_{guard}}{\mathrm{\δ}}^2\right(m)+{\Σ}_{i=m+\frac{N}{2}-L_{guard}}^{m+\frac{N}{2}+L_{guard}}{\mathrm{\δ}}^2(m\left)\right)---\left(2\right)$

其中，N是参考窗的长度，在本发明中设为8，L_guard＝8。

步骤2.3：计算雷达原始回波信号sig_A的环境参考背景Z_A2(m)，将其作为二维CA-CFAR的第二维参考背景。

步骤2.3.1：计算雷达原始回波信号sig_A以外的雷达原始回波信号的滑动方差，即雷达原始回波信号sig_B,sig_C，sig_D的滑动方差δ_B ²(m)、δ_C ²(m)和δ_D ²(m)；

步骤2.3.2:利用滑动方差δ_B ²(m)、δ_C ²(m)和δ_D ²(m)计算环境参考背景Z_A2(m)，采用的公式如下：

$Z_{A2}\left(m\right)=\frac{\left({{\mathrm{\δ}}_B}^2\right(m)+{{\mathrm{\δ}}_C}^2(m)+{{\mathrm{\δ}}_D}^2(m\left)\right)-\max \left({{\mathrm{\δ}}_B}^2\right(m),{{\mathrm{\δ}}_C}^2(m),{{\mathrm{\δ}}_D}^2(m\left)\right)}{2}---\left(3\right)$

4个通道没有特殊性，对A通道识别时，其它三通道就用来计算环境背景。计算环境背景时去除了三个中的最大值，是因为人体目标有可能处于两个雷达的共同覆盖范围。去除最大值相当于设定了第二维度CA-CFAR的保护单元。这样即使有风吹草动干扰，由于有其他两通道得到的环境背景作为参考背景，也不会将环境动目标干扰判断为幸存目标体动。

若只是采用单一维CA-CFAR对每个通道信号进行判断，即滑动方差的某个值超出了阈值就判定为有动目标。那么对于风吹草动环境中无人体体动情况，将很容易造成误判。图5为风吹草动环境中空采信号及其滑动方差曲线。如果采用单阈值方法，类似图5中的(b)的80秒处将容易发生误判，因为图5中的(b)中的80秒单元的方差值，明显大于该通道的背景值。本发明采用的二维CA-CFAR通过设置环境背景作为第二维参考背景将有效避免这个问题。

步骤2.4：根据通道内的参考背景Z_A1(m)和环境参考背景Z_A2(m)判断雷达原始回波信号sig_A内是否存在随机体动。判断方法如下：

${\mathrm{Index}}_A\left(m\right)=\left\{\begin{array}{cc}1,& (\frac{{\mathrm{\δ}}_A^2\left(m\right)}{Z_{A1}\left(m\right)}>K_1)\∩(\frac{{\mathrm{\δ}}_A^2\left(m\right)}{Z_{A2}\left(m\right)}>K_2\∩({\mathrm{\δ}}_A^2\left(m\right)>K_3\left)\right)\\ 0,& else\end{array}\right.---\left(4\right)$

其中，Index_A(m)＝1表示雷达原始回波信号sig_A的m识别单元判定为有体动；Index_A(m)＝0，表示雷达原始回波信号sig_A的m识别单元判定为没有体动。在公式(4)中，K₁是通道内的参考背景阈值，K₂是环境参考背景阈值，K₃为环境补偿阈值。当某一识别单元同时满足这三个阈值条件时，该识别单元内存在随机体动，判定为被测对象存活。

针对雷达原始回波信号sig_B,sig_C，sig_D均采用与雷达原始回波信号sig_A相同的二维CA-CFAR进行处理，对雷达原始回波信号sig_A，sig_B,sig_C，sig_D中的人体随机体动进行检测，若任一雷达原始回波信号中存在人体随机体动，则判定整个探测区域中存在人体随机体动，即存在幸存目标。

公式(4)中，1.9≥K₁＝K₂≥1.6，K₃＝0.3，这三个值的确定方法如下：

由于目前无法确定干扰的分布类型，所以不能通过计算的方法来确定K₁、K₂和K₃的值。针对此问题，本发明采用实验的方法来确定二维K₁、K₂和K₃的值。本发明招募2位健康男性志愿者进行试验。首先空采五组数据，每组实验3分钟。然后对同一受试者分别采用不同的测试距离(3米、5米、7米)进行测试。在不同距离处，每个受试者进行两次实验。第一次实验时，受试者仰躺，侧腹部正对某一个雷达。第二次实验时，受试者仰躺，侧腹部处于两个雷达的夹角处。有人体目标时，实验每次进行到60s，120s时，实验记录人员通知受试者进行简单晃动，2-4秒后，实验记录人员通知受试者停止晃动，受试者开始平静呼吸。

(1)环境补偿阈值K₃的确定

图6为无人的室内环境中所得四通道信号及其滑动方差曲线。由于在室内条件下环境背景非常干净，滑动方差非常小，任何随机扰动都会产生较大的相对滑动方差变化，如果只选用满足室外多动目标干扰环境的相对阈值K₁,K₂，就会将明显无随机体动的数据判断为有随机体动。

因此，我们通过结合有人体目标随机体动时和无人室内环境的滑动方差特点设置环境补偿阈值K₃。为了阈值更具普遍性，我们对室内5组空采集实验数据进行了统计，统计如表2所示。其中“雷达A”下的“总计”表示通道A内的信号滑动方差的总和，“最大值”表示通道A内的信号识别单元滑动方差的最大值。通过表2看出，5组实验中四个雷达的最大滑动方差为0.215。根据大量实验发现，雷达距离人体目标7米范围内，人体目标有随机体动时滑动方差必将大于0.3，所以将K₃＝0.3作为绝对阈值引入可以有效避免雷达在理想条件下产生的误判。

表2室内空采集的滑动方差统计

(2)通道内的参考背景阈值K₁和环境参考背景阈值K₂的确定在进行户外人员搜救时，人体与全向雷达的方位关系主要分为两种情况：第一种情况为目标处于某个雷达天线的正前方，雷达处于其各通道信号和滑动方差具有以下特点：以目标处于雷达A正前方，距离7m数据为例，如图7所示：整个环境背景的滑动方差较小；可以看出雷达A的前60秒有规律的呼吸波形，分别在60秒、120秒处信号的幅度和频率急剧变化，该变化也体现在图7中的(b)所示的滑动方差图中，雷达距离目标近时可以探测到高质量的呼吸信号，覆盖范围有人体目标的雷达通道滑动方差较大，且目标发生随机体动处滑动方差大。第二种情况为目标处于雷达处于两个雷达夹角处。以目标在雷达A、B天线夹角处，距离为7m，如图8所示：可以看出在实验对象分别在60秒、120秒处有随机体动时，对应该时刻雷达A、雷达B信号的幅度和频率急剧变化，该变化也体现在图8中的(b)所示的滑动方差图中，雷达A、B通道的滑动方差在随机体动发生时急剧增大。

因此我们通过在3/5/7米距离处分别采集两个实验者在正对或处于雷达夹角处的数据，经过计算得到各个位置处四通道雷达对应的方差统计结果。以可实现人体随机体动识别但不会出现误判为原则进行数据分析，在有阈值K₃的前提下发现4≥K₁＝K₂≥1.1可以满足要求。另外，本发明又在风吹草动强干扰条件下采集人体随机体动信号进行分析，以算法能够识别每次随机体动却并不会将随机动目标干扰误判成随机体动为标准，采用尝试和修正的办法确定阈值K₁、K₂。结果表明当1.9≥K₁＝K₂≥1.6可以满足上述标准。

实施例

采用本发明的方法，利用有人体目标随机体动的生物雷达探测试验并选定K₁＝K₂＝1.7对本方法进行效能评价。根据人体和雷达相对位置的不同主要分为以下三种情况：

图9为人体的腹部正对于雷达A主瓣方向时的原始信号及其处理结果。如图9中的(a)所示，由于雷达A天线前方有人体的遮挡，动目标干扰很小，可以看出清晰的呼吸波形，雷达B、C、D天线没有人体的遮挡，动目标干扰很强。由于被测对象的晃动，Radar A信号在60s、120s附近发生了剧烈变化。随机体动识别算法在雷达A回波的60s、120s附近识别出了体动，如图9中的(b)所示，其中Index＝1表示探测到实验对象的随机体动，Index＝0表示没有探测到实验对象随机体动。图9中的(c)是雷达A信号的时频图，可以看出在60s、120s附近信号的频率成分发生了突变。

如图10所示为人体的腹部正对于雷达B和雷达C两个雷达天线主瓣方向的夹角处，雷达系统距离目标3米左右的原始信号及其处理结果。如图11所示为人体平躺且雷达B天线正对人体头部的原始信号及其处理结果。此时由于人体头部遮挡，雷达将很难探测到人体呼吸信号。然而根据随机体动判断结果和时频分析验证可以看出，本发明提出的二维CA-CFAR检测方法能够有效检测出上述两种情况下户外环境中人体随机体动，满足在户外情况下对幸存目标存在与否进行准确判断的使用需求。

Claims (6)

1.一种基于全向生物雷达的二维CA-CFAR人体随机体动的检测方法，其特征在于，包括以下步骤：

步骤一：全向生物雷达的发射天线向探测区域发射电磁波，电磁波被障碍物反射，反射后的电磁波被全向生物雷达的接收天线接收，形成4个通道的雷达原始回波信号sig_A，sig_B,sig_C，sig_D，4个通道分别为通道A、通道B、通道C和通道D；

步骤二：针对雷达原始回波信号sig_A，sig_B,sig_C，sig_D均采用二维CA-CFAR进行处理，判断雷达原始回波信号sig_A，sig_B,sig_C，sig_D内是否存在人体随机体动；若雷达原始回波信号sig_A，sig_B,sig_C，sig_D中任一雷达原始回波信号中存在人体随机体动，则判定整个探测区域中存在人体随机体动；

其中，针对雷达原始回波信号sig_X，X表示A,B,C或D，采用二维CA-CFAR进行处理，包括以下步骤：

步骤2.1：求取雷达原始回波信号sig_X中每个识别单元的滑动方差δ²(m)，其中，m表示雷达原始回波信号sig_X中的第m个识别单元；雷达原始回波信号sig_X由离散采样点组成，每个识别单元包含多个离散采样点；

步骤2.2：计算雷达原始回波信号sig_X所在通道内的参考背景Z_X1(m)，将其作为二维CA-CFAR的第一维参考背景；

步骤2.3：计算雷达原始回波信号sig_X的环境参考背景Z_X2(m)，将其作为二维CA-CFAR的第二维参考背景；

步骤2.4：根据通道内的参考背景Z_X1(m)和环境参考背景Z_X2(m)判断雷达原始回波信号sig_X内是否存在随机体动。

2.如权利要求1所述的基于全向生物雷达的二维CA-CFAR人体随机体动的检测方法，其特征在于，所述步骤2.1中的求取雷达原始回波信号sig_X中每个识别单元的滑动方差δ²(m)，采用的公式为：

${\mathrm{\δ}}^2\left(m\right)=\frac{{\mathrm{\Σ}}_{i=m\×L-L+1}^{i=m\×L+L/2}{\left({\mathrm{sig}}_X\left(i\right)\right)}^2}{L+L/2}-{\left(\frac{{\mathrm{\Σ}}_{i=m\×L-L+1}^{i=m\×L+\frac{L}{2}}{\mathrm{sig}}_X\left(i\right)}{L+\frac{L}{2}}\right)}^2,m=1,2,3,.........---\left(1\right)$

其中，i表示雷达原始回波信号sig_X中采样点的序号，识别单元的重叠区域为X表示A,B,C或D。

3.如权利要求1所述的基于全向生物雷达的二维CA-CFAR人体随机体动的检测方法，其特征在于，所述步骤2.2中的获取雷达原始回波信号sig_X所在通道内的参考背景Z_X1(m)，采用的公式为：

$Z_{X1}\left(m\right)=\frac{1}{N}\left({\mathrm{\Σ}}_{i=m-\frac{N}{2}-L_{guard}}^{m-L_{gu\mathrm{ar}d}}{\mathrm{\δ}}^2\right(m)+{\mathrm{\Σ}}_{i=m+\frac{N}{2}-L_{guard}}^{m+\frac{N}{2}+L_{guard}}{\mathrm{\δ}}^2(m\left)\right)---\left(2\right)$

其中，N是参考窗的长度，L_guard是保护单元的长度，X表示A,B,C或D。

4.如权利要求1所述的基于全向生物雷达的二维CA-CFAR人体随机体动的检测方法，其特征在于，所述步骤2.3中的计算雷达原始回波信号sig_X的环境参考背景Z_X2(m)，以雷达原始回波信号sig_A为例，计算环境参考背景Z_A2(m)，具体包括以下步骤：

步骤2.3.1：计算雷达原始回波信号sig_A以外的雷达原始回波信号的滑动方差，即雷达原始回波信号sig_B,sig_C，sig_D的滑动方差δ_B ²(m)、δ_C ²(m)和δ_D ²(m)；

步骤2.3.2:利用滑动方差δ_B ²(m)、δ_C ²(m)和δ_D ²(m)计算环境参考背景Z_A2(m)，采用的公式如下：

$Z_{A2}\left(m\right)=\frac{\left({{\mathrm{\δ}}_B}^2\left(m\right)+{{\mathrm{\δ}}_C}^2\left(m\right)+{{\mathrm{\δ}}_D}^2\left(m\right)\right)-\mathrm{ma}x\left({{\mathrm{\δ}}_B}^2\left(m\right),{{\mathrm{\δ}}_C}^2\left(m\right),{{\mathrm{\δ}}_D}^2\left(m\right)\right)}{2}---\left(3\right)$

5.如权利要求1所述的基于全向生物雷达的二维CA-CFAR人体随机体动的检测方法，其特征在于，所述步骤2.4中的根据通道内的参考背景Z_X1(m)和环境参考背景Z_X2(m)判断雷达原始回波信号sig_X内是否存在随机体动，采用的公式如下：

${\mathrm{Index}}_X\left(m\right)=\left\{\begin{array}{cc}1,& (\frac{{\mathrm{\δ}}_X^2\left(m\right)}{Z_{X1}\left(m\right)}>K_1)\∩(\frac{{\mathrm{\δ}}_X^2\left(m\right)}{Z_{X2}\left(m\right)}>K_2\∩({\mathrm{\δ}}_X^2\left(m\right)>K_3\left)\right)\\ 0,& else\end{array}\right.---\left(4\right)$

其中，Index_X(m)＝1表示雷达原始回波信号sig_X的m识别单元判定为有体动，Index_X(m)＝0，表示雷达原始回波信号sig_X的m识别单元判定为没有体动；K₁是通道内的参考背景阈值，K₂是环境参考背景阈值，K₃为环境补偿阈值，X表示A,B,C或D。

6.如权利要求5所述的基于全向生物雷达的二维CA-CFAR人体随机体动的检测方法，其特征在于，1.9≥K₁＝K₂≥1.6，K₃＝0.3。