CN106127110A - 一种基于uwb雷达和最优svm的人体细粒度运动识别方法 - Google Patents

Abstract

本发明公开了一种基于UWB雷达和最优SVM的人体细粒度运动识别方法，本发明建立的训练模型更加接近于在此距离上实际运动信号的时频特征值；本发明基于位置先验信息的最优SVM将能够找到待预测数据对应距离处的最优模型，能够很好地避免常规的总体SVM容易产生的不同距离处不同动作微多普勒特征相似而造成误判的问题；因此，本发明提出的方法能够有效的提高识别准确率。

Description

一种基于UWB雷达和最优SVM的人体细粒度运动识别方法

技术领域

本发明属于生物雷达或雷达式生命探测与识别技术领域，特别涉及一种基于UWB雷达和最优SVM的人体细粒度运动识别方法。

背景技术

生物雷达是一种融合生物医学工程、雷达等技术并用于生命目标探测和识别的特殊形式雷达。该技术主要以人体为探测目标，以雷达发射的电磁波为载体，能够穿透墙体、模板、废墟等非金属障碍实现对人体呼吸、心跳、运动等特征的探测。生物雷达具有非接触、穿透力强、定位精确、可实现全天候探测，免受光线、温度、和探测角度影响等优势，在公共安全、灾后救援、生物医学等方面具有广泛的应用前景。

生物雷达主要包括窄带连续波(Continuous Wave，CW)雷达和超宽谱(UltraWideband, UWB)两种体制的雷达。其中UWB雷达具有穿透力强、距离分辨率高和定位准确的优点，已逐渐成为研究的重点。除了大量以临床应用为目的的非接触检测和成像技术及用于灾后应急救援的搜救生物雷达技术外，目前基于UWB生物雷达用于军事、反恐处突的穿墙探测雷达技术研究也逐渐增多。

现有的穿墙雷达技术主要针对墙后生命体目标进行位置和数量的探测与识别，而对于目标行为动作进行探测与识别的研究还很少。在军事、反恐作战等行动中，目标人员往往在墙后只是进行原地小范围的细微运动， 即细粒度运动,例如挥手，蹲下和起立等动作。如果能够隔墙对墙后人体细粒度运动进行探测和准确识别分类，则能够使作战人员或者公安人员不用直接面对持枪恐怖分子就能知道其具体运动状况。这将十分有利于作战方案的制定与实行，极大地提高作战效能并较大程度地保护作战人员。

常规的总体SVM是通过将所有距离位置处的数据进行训练得到整体训练模型，从而对任意距离处的任意动作进行分类。这样很容易因为不同距离处不同动作微多普勒特征相似而造成误判。

发明内容

针对上述现有技术中存在的问题或缺陷，本发明的目的在于，提供一种基于UWB雷达和最优SVM的人体细粒度运动识别方法，能够充分发挥UWB生物雷达定位准确和距离分辨率高的优势，利用最优SVM结合U WB人体运动信号频谱特征对人体细粒度运动进行识别分类。

为了实现上述目的，本发明采用如下技术方案：

一种基于UWB雷达和最优SVM的人体细粒度运动识别方法，包括以下步骤：

步骤一：人体在隔墙后进行细粒度运动时，UWB雷达发射天线在隔墙另一侧发射电磁波，穿过隔墙的电磁波被人体反射后，接收天线接收被人体反射的电磁波，即为雷达原始回波R；

步骤二：对雷达原始回波R信号进行预处理，得到信号所述预处理包括减平均操作和低通滤波操作；

步骤三：根据信号提取有效运动特征距离范围信号sig_val，对有效运动特征距离范围信号sig_val进行时频变换得到综合时频谱，根据综合时频 谱采用限幅输出的方法得到有效运动信号的时频谱；根据有效运动信号的时频谱提取多个特征值；

步骤四：画出信号的伪彩图，根据伪彩图确定人体细粒度运动的距离位置信息d'；

步骤五：利用步骤三得到的多个特征值和步骤四得到的探测目标距离位置信息d'采用模式识别算法对人体细粒度运动进行识别。

具体地，所述步骤三中的根据信号提取有效运动特征距离范围信号sig_val，具体包括以下步骤：

获取空采信号，对空采信号进行步骤一中的预处理，得到预处理后的空采信号，预处理后的空采信号由多个距离轴单元信号组成，求所有距离轴单元信号的能量，将其平均值作为噪声能量均值E_empty；

以能量最强的距离单元信号为中心沿距离轴向两侧延伸，选取能量E_i>E_empty的距离轴单元信号组成有效运动特征距离范围信号sig_val。

具体地，所述步骤三中的根据综合时频谱采用限幅输出的方法得到有效运动信号的时频谱，具体包括以下步骤：

获取空采信号的时频谱和综合时频谱的能量分布直方图；找到空采信号的时频谱的能量分布直方图中能量轴最大点，将其作为有效运动信号和背景噪声及杂波对应时频谱能量的阈值；在综合时频谱中基于此阈值进行限幅输出，得到有效运动信号的时频谱。

具体地，所述步骤三中的多个特征值包括：多普勒信号频移、微多普勒频移、运动主周期、运动次周期、时频图标准差、多普勒信号带宽与运动主周期比值、有效肢体微多普勒特征区域与躯干多普勒区域面积之比和 综合时频图上包络标准差。

具体地，所述步骤五中的利用步骤三得到的多个特征值和步骤四得到的人体细粒度运动的d'采用模式识别算法对人体细粒度运动进行识别，具体包括以下步骤：

步骤5.1：获取不同的标准距离位置d＝[d₁,d₂,…,d_i,…d_n-1,d_n]对应的特征值，通过训练建立与不同的标准距离位置相对应的不同模式识别模型：Model＝[Model₁,Model₂,…,Model_i,…Model_n-1,Model_n]；

步骤5.2：在标准位置d中找到与人体细粒度运动的距离位置信息d'最接近的距离值对应的模型即为最佳模型Model_Best；

步骤5.3：将步骤三得到的多个特征值输入到最佳模型Model_Best中，则最佳模型Model_Best将多个特征值与其内部存储的特征值进行匹配和预测，并自动输出一个结果值，根据结果值即可确定人体细粒度运动的类型，实现对人体细粒度运动的识别。

与现有技术相比，本发明具有以下技术效果：本发明建立的训练模型更加接近于在此距离上实际运动信号的时频特征值；本发明基于位置先验信息的最优SVM将能够找到待预测数据对应距离处的最优模型，能够很好地避免常规的总体SVM容易产生的不同距离处不同动作微多普勒特征相似而造成误判的问题；因此，本发明提出的方法能够有效的提高识别准确率。

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UWB穿墙生物雷达系统框图；

图2为隔墙3m人体原地踏步雷达原始回波的伪彩图；

图3为本发明方法的流程图；

图4为图2所示的雷达原始回波经过预处理后的回波伪彩图；

图5为5种细粒度运动UWB穿墙雷达信号的综合时频图，其中(a)表示原地踏，(b)表示蹲下捡物，(c)表示挥手，(d)表示跳跃，(e)表示随意站立(微晃)；

图6为原地踏步动作UWB雷达信号时频图的特征值提取示意图；

图7为基于人体位置先验信息的最优支撑向量机进行人体细粒度运动识别分类原理图；

图8为实施例中的4折交叉验证原理图；

图9为不同距离处五种动作的最优SVM识别分类4折交叉验证错误分布结果，其中，(a)表示3m距离处的分布结果，(b)表示4m距离处的分布结果，(c)表示5m距离处的分布结果，(d)表示6m距离处的分布结果；

图10为6m距离范围内五种动作的参考方法识别分类4折交叉验证错误分布结果。

具体实施方式

参见图1，对UWB穿墙生物雷达系统的工作过程进行简单说明：控制终端上运行生物雷达探测数据采集软件，发送雷达工作指令后，超宽带步进频连续波(SteppedFrequency Continuous Wave,SFCW)雷达发射机产生等间隔步进频率连续波信号。发射天线TX1向空间中发射电磁波信号，接收天线RX1和RX2同时接收回波信号并输入超外差接收机，接收到的回波 信号经过与本振信号进行混频后输出中频信号。经过中频滤波、正交解调等操作后即可获得信号的相位和幅度信息。

本发明所采用的SFCW超宽带穿墙探测雷达系统如表1所示：系统工作带宽0.5-3.5GHz，发射机步进点数101-301可调，发射机频率采样间隔30MHz，最大发射功率10dBm，动态范围≥72dB，AD精度≥12bit，采样率为250Hz，最大不模糊距离为5m。天线系统采用1发2收天线阵，天线采用平面对数螺旋天线，发射天线与接收天线采用交叉极化。

表1 SFCW穿墙生物雷达系统的主要技术指标

	SFCW生物雷达系统
		收发机工作频带	500MHz-3.5GHz
发射机频率采样间隔	30MHz
		不模糊探测距离	不小于5m
最大发射功率	10dBm
		动态范围	≥72dB
ADC精度	≥12bit
		天线阵列配置	1发2收线阵

此UWB穿墙雷达系统有两个接收通道，在距离向上，每个通道系统可对探测距离范围内的回波信号按照一定采样间隔进行连续扫描测量，这样离UWB雷达不同距离的目标所得不同时延回波可以同时被采集到，这些回波经过放大、采样后被存储于二维时间-距离数据矩阵中以进行后期处理。本发明中仅选择两个通道中信号质量较好的一个通道进行分析处理。

本发明的基于UWB雷达和最优SVM的人体细粒度运动分类方法，参见图3，具体包括以下步骤：

步骤一：人体在隔墙后进行细粒度运动时，UWB雷达发射天线在隔墙另一侧发射电磁波，穿过隔墙的电磁波被人体反射后，接收天线接收被人体反射的电磁波，即为雷达原始回波R；

图2所为任一通道的人体在隔墙3m处进行原地踏步运动的UWB雷达回波信号的伪彩图。横轴为数据采集时间，单位为s。纵轴为距离，也就是快时间，单位为ns。从雷达原始回波的时间-距离图中可以看出：在整个伪彩图中充满了强烈的墙体反射直达波和噪声干扰，在7ns处最严重。而在20ns处的人体运动回波则几乎完全被淹没在噪声中。

雷达原始回波R可表示为：

R＝{r^(m)[n]:m＝1,…,M,n＝1,…N}…… …(1)

其中，m和n分别表示距离和时间索引。M表示距离轴的采样点数并决定了雷达探测距离。N表示时间轴采样点数，其和采样频率共同决定了该数据的总时间。

步骤二：对雷达原始回波R进行预处理，得到信号

步骤2.1：对雷达原始回波R利用减平均操作以去除静态背景反射回来的直达波，得到信号

雷达原始回波R可以看成在时间轴上的一系列信号：sig＝{sig_j|(t):j＝1,..N}。

所述减平均操作采用的公式如下：

${\mathrm{sig}}_{average}=\frac{1}{N}{\Σ}_{j=1}^N{\mathrm{sig}}_j,j=1,\mathrm{..}N---\left(2\right)$

也可以看成在距离轴上的一系列距离轴单元信号：

步骤2.2：针对信号利用31阶低通滤波器进行低通滤波操作，得到信号

本发明中低通滤波器窗函数采用汉宁窗，截止频率为80Hz，以保证有用运动信号不被滤除。

图4为图2所示的雷达原始回波经过预处理后的回波图像，即伪彩图。由图4知，经过预处理操作后，强烈的背景杂波和噪声干扰已经较好的被滤除，在20ns处能够看到明显且规律的人体运动回波。

步骤三：根据信号提取有效运动特征距离范围信号sig_val，对有效运动特征距离范围信号sig_val进行时频变换得到综合时频谱，根据综合时频谱采用限幅输出的方法得到有效运动信号的时频谱；根据有效运动信号的时频谱提取多个特征值。

首先对UWB雷达有效运动特征距离范围内信号进行综合距离累积时频变换，最终得到人体运动微多普勒特征的时间-频率谱。通过选取能够表征不同动作差异特点的特征值并通过一定的提取算法进行提取。另一方面，由于UWB雷达具有距离分辨率，因此我们可以同时得到运动目标具体距离位置信息，具体包括以下步骤：

步骤3.1：根据信号提取有效运动特征距离范围信号sig_val。

根据信号的伪彩图可以看出，运动时人体各散射中心将跨多个距离 单元，并且每个距离单元所包含运动信息与其能量值成正比。实际操作中，为了自适应选择有效运动特征范围，我们以能量值为标准进行范围划分。具体步骤为：

获取空采信号，空采信号指的是无探测目标下雷达获取的信号；对空采信号进行步骤一中的预处理，得到预处理后的空采信号，预处理后的空采信号由多个距离轴单元信号组成，求所有距离轴单元信号的能量，将其平均值作为噪声能量均值E_empty。

如图4所示，在有效运动范围选择过程中，以能量最强的距离单元信号为中心沿距离轴向两侧延伸，选取能量E_i>E_empty的距离轴单元信号 组成有效运动特征距离范围信号sig_val，即：

${\mathrm{sig}}_{val}=\left\{{\stackrel{\&OverBar;}{sig}}_q\right|:q=1,\mathrm{..}{M}^{\&prime;},M^{\&prime;}<<M\}$

步骤3.2：对有效运动特征距离范围信号sig_val进行时频变换得到综合时频谱。

由于人体运动信息将分布于有效距离范围内的各个距离单元只有对各个距离单元进行合理利用并综合处理才能获得运动整体有效信息。因此在利用微多普勒特征分析有效工具——时频分析进行运动特征分析。

对有效运动特征距离范围信号sig_val中的每个距离单元信号进行STFT时频变换得到其时频谱，通过STFT时频变换能够将每个距离单元信号的微多普勒特征转换到时频域上；其中STFT的窗函数为0.42s汉宁窗；将每个距离单元信号对应得到的时频谱进行累积，即可得到包含整个运动特征的综合时频谱。

图5为5种细粒度运动UWB穿墙雷达信号的综合时频图。由图中可 以发现，5种动作微多普勒特征各异，具有明显差别并且与自身运动特征息息相关。低频处能量较强部分来自于身体躯干运动，高频部分来自于肢体运动。幅度较大、瞬时速度较大的动作的微多普勒频率在高频区域分布较低速动作更多。

步骤3.3：根据步骤3.2得到的综合时频谱采用限幅输出的方法得到有效运动信号的时频谱。

为了便于提取特征值，获取空采信号的时频谱和综合时频谱的能量分布直方图；找到空采信号的时频谱的能量分布直方图中能量轴最大点，将其作为有效运动信号和背景噪声及杂波对应时频谱能量的阈值；在综合时频谱中基于此阈值进行限幅输出，得到有效运动信号的时频谱。限幅输出指的是提取综合时频谱中大于此阈值横坐标对应的谱图的部分，作为有效运动信号的时频谱。

步骤3.4：基于有效运动信号的时频谱提取多种特征值，多种特征值包括多普勒信号频移、微多普勒频移、运动主周期、运动次周期、时频图标准差、多普勒信号带宽与运动主周期比值、有效肢体微多普勒特征区域与躯干多普勒区域面积之比和综合时频图上包络标准差。

通过观察分析微多普勒时频图特征差异，本发明选择8种能够表征不同运动差异能力的特征值并进行提取，以便于后期识别分类。实际操作中，以原地踏步运动为例，基于有效运动信号的时频谱，参见图6，图6为原地踏步动作雷达信号时频图特征值提取示意图。提取8种特征值的方法如下：

(1)多普勒信号频移：提取时频谱的上包络曲线，如图6中虚线所示，求取上包络曲线所有极大值的平均值，即可得到多普勒信号频移；

(2)微多普勒频移：求取上包络曲线所有极小值的平均值，并利用多普勒信号频移减去此平均值，即可得到微多普勒频移；

(3)运动主周期：求取上包络曲线上相邻极小值间时间差的平均值作为运动主周期；

(4)运动次周期：对上包络曲线进行快速傅里叶变换(FFT)，得到变换后的曲线，该曲线的横轴为频率，纵轴为幅值；选取变换后的曲线的次峰值对应频率点为次周期频率点，求次周期频率点的倒数即为运动信号次周期。

(5)时频谱标准差：如图6所示，选取时频谱对应的矩阵中非零行部分并求其标准差。

(6)多普勒信号带宽与运动主周期比值；

(7)有效肢体微多普勒特征区域与躯干多普勒区域面积之比：将上包络的极小值点连成极小值曲线，分别统计时频图中极小值线上下部分非零点所占面积并求其比值，即可得到有效肢体微多普勒特征区域与躯干多普勒区域面积之比；

(8)时频谱上包络标准差：求取上包络曲线的标准差。

参见表2，可以发现不同动作对应的特征值差异很大，可以作为动作分类有效可靠的特征值。

步骤四：画出信号的伪彩图，根据伪彩图确定人体细粒度运动的距离位置信息d'。

如图4所示的预处理信号其沿波形方向定义为“时间轴”，单位为(s)，沿距离轴方向信号为“道信号”，单位为纳秒(ns)。道信号表示脉冲信号从发射到接收的时间间隔τ。根据预处理信号的伪彩图，找到能量最强的距离单元信号在距离轴上对应的雷达波发射与接收的时间间隔τ_max，根据d'＝(c*τ_max)/2得到人体细粒度运动的距离位置信息d'，其中c表示光速。

步骤五：利用步骤三得到的多个特征值和步骤四得到的人体细粒度运动的d'采用模式识别算法对人体细粒度运动进行识别。

图7为基于人体位置先验信息的最优支撑向量机进行人体细粒度运动识别分类原理图，其具体包括以下步骤：

步骤5.1：参见图7中的训练阶段，获取不同的标准距离位置d＝[d₁,d₂,…,d_i,…d_n-1,d_n]对应的多组特征值，n表示获取的标准距离位置的个数，通过训练建立与不同的标准距离位置相对应的不同模式识别模型：Model＝[Model₁,Model₂,…,Model_i,…Model_n-1,Model_n]。每个模式识别模型中存储着一个标准距离位置的值，以及多组特征值。

在本发明中，标准位置d取值为：d＝[d₁,d₂,d₃,d₄]＝[3,4,5,6](单位：m)，对应的模式识别模型为Model＝[Model₁,Model₂,Model₃,Model₄]。

步骤5.2：参见图7中的测试阶段，在标准位置d中找到与目标距离位置信息d'最接近的距离值对应的模型即为最佳模型Model_Best。例如，人体位置先验信息d'＝4.6，则基于min(|d_i-d′|)原则得到与 目标距离位置信息d'最接近的距离值d_best＝d₃。

步骤5.3：将步骤三得到的8个特征值输入到最佳模型Model_Best中，最佳模型Model_Best将8个特征值与其内部存储的特征值进行匹配和预测，并自动输出一个结果值，根据结果值即可确定人体细粒度运动的类型，实现对人体细粒度运动的识别。

本发明提出的基于人体位置先验信息最优SVM自适应选择所得的训练模型更加接近于在此距离上实际运动信号的时频特征值。另外，运动信号微多普勒特征将不可避免地随着穿墙距离的增大而减弱。常规的总体SVM是通过将所有距离位置处的数据进行训练得到整体训练模型，从而对任意距离处的任意动作进行分类。这样很容易因为不同距离处不同动作微多普勒特征相似而造成误判。而本发明基于位置先验信息的最优SVM将能够找到待预测数据对应距离处的最优模型，能够很好地避免以上问题。基于以上两点原因，本发明提出的方法将能有效的提高识别准确率。

实施例

采用本发明的方法，在穿单墙条件下6m距离范围内变化位置处的五种运动状态进行分类，以验证该方法的有效性，其中砖墙厚度约为30cm。

实验数据共来自于8名志愿者。每名志愿者在墙后按照个人习惯执行原地踏步、蹲下捡物、挥手、跳跃、随意站立5种动作。每个动作分别在3、4、5、6m处各执行12次，每次持续时间为12s。最终总体数据量为1920组。

实验过程中，本发明采用LIBSVM算法进行分类。其核函数采用径向核函数。本实验中，除了本发明提出的最优SVM外，将目前常用的整体 SVM作为参考方法进行对照试验。最终的识别准确率将以通过4折交叉验证得到的平均准确率为准，其操作方法如图8所示，即分别不同分布位置的数据轮流作为训练数据和测试数据。同时，为了便于将在结果中表示，依次将原地踏步、蹲下捡物、挥手、跳跃、随意站立五种动作依次编号为1到5。

参见图9和图10，可以发现，本发明提出的最优SVM在6m范围内对五种动作的平识别准确率为86.67％，明显高于目前常用的整体SVM的准确率79.12％。并且，在穿墙3m等较近范围内，其准确率高达91.46％。

总体来说，采用以上处理方法，对人体目标细粒度运动的穿墙探测和识别分类达到了满意的效果，为反恐行动等实际应用提供了有效非接触探测技术。

Claims (5)

1.一种基于UWB雷达和最优SVM的人体细粒度运动识别方法，其特征在于，包括以下步骤：

步骤一：人体在隔墙一侧进行细粒度运动时，UWB雷达发射天线在隔墙另一侧发射电磁波，穿过隔墙的电磁波被人体反射后，接收天线接收被人体反射的电磁波，即为雷达原始回波R；

步骤二：对雷达原始回波R信号进行预处理，得到信号所述预处理包括减平均操作和低通滤波操作；

步骤三：根据信号提取有效运动特征距离范围信号sig_val，对有效运动特征距离范围信号sig_val进行时频变换得到综合时频谱，根据综合时频谱采用限幅输出的方法得到有效运动信号的时频谱；根据有效运动信号的时频谱提取多个特征值；

步骤四：画出信号的伪彩图，根据伪彩图确定人体细粒度运动的距离位置信息d'；

步骤五：利用步骤三得到的多个特征值和步骤四得到的探测目标距离位置信息d'采用模式识别算法对人体细粒度运动进行识别。

2.如权利要求1所述的基于UWB雷达和最优SVM的人体细粒度运动识别方法，其特征在于，所述步骤三中的根据信号提取有效运动特征距离范围信号sig_val，具体包括以下步骤：

获取空采信号，对空采信号进行步骤一中的预处理，得到预处理后的空采信号，预处理后的空采信号由多个距离轴单元信号组成，求所有距离轴单元信号的能量，将其平均值作为噪声能量均值E_empty；

以能量最强的距离单元信号为中心沿距离轴向两侧延伸，选取能量E_i>E_empty的距离轴单元信号组成有效运动特征距离范围信号sig_val。

3.如权利要求2所述的基于UWB雷达和最优SVM的人体细粒度运动识别方法，其特征在于，所述步骤三中的根据综合时频谱采用限幅输出的方法得到有效运动信号的时频谱，具体包括以下步骤：

获取空采信号的时频谱和综合时频谱的能量分布直方图；找到空采信号的时频谱的能量分布直方图中能量轴最大点，将其作为有效运动信号和背景噪声及杂波对应时频谱能量的阈值；在综合时频谱中基于此阈值进行限幅输出，得到有效运动信号的时频谱。

4.如权利要求1所述的基于UWB雷达和最优SVM的人体细粒度运动识别方法，其特征在于，所述步骤三中的多个特征值包括：多普勒信号频移、微多普勒频移、运动主周期、运动次周期、时频图标准差、多普勒信号带宽与运动主周期比值、有效肢体微多普勒特征区域与躯干多普勒区域面积之比和综合时频图上包络标准差。

5.如权利要求1所述的基于UWB雷达和最优SVM的人体细粒度运动识别方法，其特征在于，所述步骤五中的利用步骤三得到的多个特征值和步骤四得到的人体细粒度运动的d'采用模式识别算法对人体细粒度运动进行识别，具体包括以下步骤：

步骤5.1：获取不同的标准距离位置d＝[d₁,d₂,…,d_i,…d_n-1,d_n]对应的特征值，通过训练建立与不同的标准距离位置相对应的不同模式识别模型：Model＝[Model₁,Model₂,…,Model_i,…Model_n-1,Model_n]；

步骤5.2：在标准位置d中找到与人体细粒度运动的距离位置信息d'最接近的距离值对应的模型即为最佳模型Model_Best；

步骤5.3：将步骤三得到的多个特征值输入到最佳模型Model_Best中，则最佳模型Model_Best将多个特征值与其内部存储的特征值进行匹配和预测，并自动输出一个结果值，根据结果值即可确定人体细粒度运动的类型，实现对人体细粒度运动的识别。