CN109031287A - 基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法 - Google Patents

Abstract

本发明公开了一种基于Faster‑RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，首先对原始慢时间‑距离二维超宽带雷达回波信号做去噪和弱信号增强预处理；然后采用Advance Normalisation方法对于处理后的回波继续进行信号增强和去噪；采用MATLAB将预处理过程中的回波信号成像为灰度图像，图宽对应回波慢时间向，图高对应回波距离向；最后将得到的灰度图像进行筛选，标注数据集，训练Faster‑RCNN网络模型进行人体呼吸微弱信号识别。本发明的识别准确率高，检测速度快，为实际应用中的雷达回波目标检测、生命探测等实用技术提供了更好的技术支撑。

Description

基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测 方法

技术领域

本发明属于雷达信号检测技术领域，具体涉及一种基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法。

背景技术

超宽带UWB：Ultra Wideband雷达生命电磁探测通过发射超宽带电磁波探测呼吸或心跳等微动体征，近年来在实际的震后救援或者安全检测灾害环境中得到越来越广泛的应用。然而，雷达回波中人体体征微动信号一般是一种微弱、窄带、准周期的信号，该信号很容易受到干扰，救灾现场环境的时变、空变特性、噪声成因的多样性，也使得人体目标识别变得十分复杂，基于低维特征如基于能量的的雷达信号识别技术难于满足此类雷达应用需求。目前，卷积深度神经网络CNN：Convolutional Neural Network的识别技术已经应用到生活领域各方面，此技术能够从原始输入数据中自动发现需要检测的特征，目标识别能力准确度高，自适应性强，所以研究基于CNN的雷达回波信号提取方法具有重要意义。

针对实际探测环境中生命回波信号的低信噪比特点，目前已经有很多去噪和增强算法。去除静止目标背景杂波一般用时域平均去除法MS：Mean Subtraction，但该方法不可避免的引入附加的谐波干扰，以及由于雷达不稳定性会带来时间基偏移，静止目标回波不再是理想之流量，MS方法无法去除，线性趋势去除法LTS：Linear Trend Subtraction效果就比较好。根据被检测生命体的呼吸或心脏活动来检测的情况下，雷达回波中包含的反射信号具有相同的时间延迟，并且使用其他背景减法方法容易将生命体的这些特征误解为静态杂波，可以使用基于指数平均的自适应背景减法ABS：Adaptive BackgroundSubtraction方法改善。远离雷达系统的测试人体只能反射微弱的信号，多路径反射会使真实场景下的微弱呼吸反应减弱甚至消失。因此，Advance Normalisation方法被用于增强弱呼吸响应。针对多个生命体探测时，由于不同生命体回波信号强度不同而导致弱信号被掩盖以及生命体个数的自动判定问题，学者们提出了将基于信号功率的弱信号增强方法-自动增益控制法AGC：Automatic Gain Control用于增强弱生命信号。

传统算法中，针对实际环境中的非静态杂波干扰，根据生命信息的独特表现特征，学者们提出了基于恒虚警率CFAR：Constant False Alarm Rate和聚类处理的自动生命检测算法。在生命回波的距离-频率域中，通过CFAR窗估计局部能量比，寻找生命特征点，然后通过聚类处理自动提取生命体距离和频率信息。或者，将二值图像处理方法中的膨胀、腐蚀和递归像素寻找RPF：Recursive Pixel Finding等应用于生命检测中用于自动判定生命体个数。这些方法能够在有效去除非静态杂波干扰的同时，以高概率性和高自动性成功提取生命体个数及其相应的位置和频率信息，但是很依赖去噪和增强算法，较弱的生命信号被掩盖时无法识别。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，针对雷达回波人体微动信号特征提取问题，在应用基本的去噪和增强算法对穿墙超宽带雷达回波信号进行预处理过后，应用深度神经网络来做回波中人体呼吸微弱信号提取和识别。

本发明采用以下技术方案：

基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，对原始慢时间-距离二维超宽带雷达回波信号做去噪和弱信号增强预处理；采用Advance Normalisation方法对处理后的回波进行信号增强和去噪；采用MATLAB将预处理过程中的回波信号成像为灰度图像，图宽对应回波慢时间向，图高对应回波距离向；将得到的灰度图像进行筛选，标注数据集，训练Faster-RCNN网络模型进行人体呼吸微弱信号识别。

具体的，对原始慢时间-距离二维超宽带雷达回波信号做去噪和弱信号增强预处理的步骤如下：

S101、输入人体呼吸探测雷达回波N道数据，将该N道数据按行累加求平均估计背景，将估计的背景从原始回波中减去，背景估计计算如下：

其中，b_tms表示估计的背景杂波；m＝0，···，M-1，M表示表示距离向采样点；R(m,n)表示雷达原始回波；

S102、将简单背景杂波去除后的回波运用指数平均法去除杂波；

S103、将指数平均法去除杂波后的回波利用Advance Normalisation方法进行信号增强处理；

S104、利用线性趋势去除法去除由于雷达不稳定性带来的时间基偏移；

S105、去除线性趋势后，利用自动增益控制法增强微弱信号；

S106、进行带通滤波，消除接收回波中的高低频干扰。

进一步的，步骤S102中，使用基于指数平均的自适应背景减法和矢量加权系数来代替标量加权因子，计算如下：

p_n(m)＝λ_n(m)×p_n-1(m)+(1-λ_n(m))×q_n(m)

其中，p_n(m)、q_n(m)为M*1维的向量，包含杂波和呼吸频率信息；λ为[M*1]维的0-1大小的实变权重系数。

进一步的，步骤S103中，Advance Normalisation方法表示如下：

t_Lmax＝0

t_Mmax＝t_end-1

for n＝n₁ to n _end

while t_Mmax＜t_end

if t_Lmax+t_max＜t_end

t_Mmax＝t_Lmax+t_max

else

t_Mmax＝t_end

end

for t＝t_Lmax+1 to t_Mmax

end

t_Lmax＝t_Mmax

end

end

Advance Normalisation方法基于区间内(t_Lmax；t_end)最大值的串行搜索以及在区间(t_Lmax；t_Nmax)中的当前信号的相应归一化，其中，t_Lmax是最后一个最大值的传播时刻，t_Nmax表示新发现的最大值的传播时刻，t_end是整个信号的最后传播时刻。

进一步的，步骤S104中，设输入雷达回波信号矩阵R为M×N矩阵，静态杂波和回波的线性趋势项由矩阵B表示，加性高斯噪声矩阵由W表示，有用微动目标和其它干扰由矩阵由R_m表示，则雷达回波可表示为：

其中，[·]^T表示矩阵的转置，A和X如下式所示：

其中，矩阵A的第一列表示线性趋势，第二列表示慢时不变量，X为2×M的矩阵，x1和x2为M维行向量，分别表示静态杂波和线性趋势的权值系数，则A和X表征了回波中的静态杂波和线性趋势项，将X作为待估计信号，将R_m ^T+W^T看作噪声项，利用最小二乘法求解X，得：

X＝(A^TA)^-1A^TR^T s.t min||R^T-AX||²

包含静态杂波和线性趋势项的背景估计如下：

B^T＝AX＝A(A^TA)^-1A^TR^T

将其从原始雷达回波中减去得：

转置即为去除了静态杂波和潜在的线性趋势项的信号

进一步的，步骤S105中，利用增益掩膜对输入信号进行调整，输入信号在长度为w的时间窗内的功率表示为：

其中，n＝0,2,···N-1，i＝0,2,···M-w，定义该时间窗内的增益如下：

对应每个n值，求所有i的最小增益设为g_min(n)，对所有增益进行归一化表示为：

增益掩膜定义为：

其中，g_MAX为预先确定的最大增益值，一般根据所有增益值的大小进行合理设定，利用上式的增益掩膜调整输入信号。

具体的，采用Advance Normalisation方法对处理后的回波继续进行信号增强和去噪的步骤具体如下：

S201、做Advance Normalisation处理，增强弱信号；

S202、在二维雷达回波矩阵中慢时间轴上做滑动平均，降低高低频干扰；

S203、继续做Advance Normalisation处理，增强弱信号；

S204、在慢时间维度上进行自相关处理，对于非周期性噪声，自相关函数倾向于为零，去除非周期噪声，计算如下：

其中，为自相关后的回波信号，是第m个M*2N维度的矩阵，E为求平均，x_m为N维行向量，0≦n₁、n₂≦N-1，n′＝n₁-n₂，N为慢时间采样点，m＝0，...，M-1为快时间采样点。

具体的，利用Faster-RCNN网络对雷达回波进行人体呼吸微弱信号识别的步骤如下：

S401、将能够辨别呼吸信号的中间图均作为训练样本，采用LabelImg进行标签标注制作VOC格式的数据集，人体呼吸信号作为要标注的目标区域，标签为person，数据集称为radarP；

S402、Faster RCNN是RPN和Fast-RCNN模型的组合体，在训练时，交替训练RPN和Fast-RCNN网络；

S403、对于一张测试image，先运行RPN生成region proposals，然后将regionproposals投影到conv feature map上经Fast-RCNN网络进行后续的操作。

进一步的，步骤S402具体为：

S4021、用预训练模型初始化网络参数，然后fine-tune训练RPN

S4022、用同一个预训练模型初始化网络参数，使用RPN网络输出的regionproposalsfine-tune训练Fast R-CNN；

S4023、用Fast-RCNN初始化RPN，固定两个网络共有的conv层，只fine-tune RPN独有的层；

S4024、固定共有的conv层，fine-tune Fast-RCNN的FC层。

进一步的，步骤S403具体为：

S4031、第一层Conv layers作为一种cnn网络目标检测方法，Faster-RCNN首先使用一组基础的conv+relu+pooling层提取image的feature maps，feature maps被共享用于后续RPN层和全连接层；

S4032、后续RPN网络用于生成region proposals，该层通过softmax判断anchors属于foreground或者background，再利用bounding box regression修正anchors获得精确的proposals；

S4033、Roi Pooling层用于收集输入的feature maps和proposals，提取proposalfeature maps送入后续全连接层判定目标类别；

S4034、Classification层利用proposal feature maps计算proposal的类别，同时再次bounding box regression获得检测框最终的位置。

与现有技术相比，本发明至少具有以下有益效果：

本发明提出一种基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，首先对原始雷达回波图像进行去噪和弱信号增强预处理，主要包括简单背景杂波去除，自适应背景去除，Advance Normalization(AN)方法信号增强，线性趋势去除，自动增益控制法以及距离向带通滤波六个步骤。然后对于处理后的回波继续进行信号增强和去噪，提升信噪比，主要步骤为AN，慢时间滑动平均，进一步采用AN。其后，采用MATLAB软件将前面预处理过程中的回波信号成像为灰度图像。最后将上步骤中得到的灰度图像进行筛选，标注数据集radarP，训练Faster-RCNN网络模型，进行识别测试，网络调整，和传统的基于恒虚警率的膨胀-腐蚀-递归像素寻找检测算法检测结果进行比较，后者是在预处理后回波的频域也即距离-频率二维矩阵中的信号识别，比较依赖阈值选取，所以误检率较高；本专利方法将识别中心从原来方法的频域转到时域，能更好的根据呼吸信号周期性特征做出高准确率识别，避免了基于能量方法识别准确率依赖于阈值选取的缺点，以及高低频强能量杂波信号容易影响产生误判的不足，而且检测速度较快。为实际应用中的雷达回波目标检测、生命探测等实用技术提供了更好的技术支撑。

进一步的，对原始慢时间-距离二维超宽带雷达回波信号做去噪和弱信号增强预处理，目的是去除高低频干扰，增强呼吸信号，提升信噪比。

进一步的，使用基于指数平均的自适应背景减法和矢量加权系数来代替标量加权因子，目的是在根据微弱胸腔震动、呼吸来进行生命信号检测时，测量的雷达回波中包含的这些反射信号具有相同的时延，容易被普通的背景减法方法误认为静态杂波，该方法作用即去除背景杂波的时候避免去除隐藏在杂波中的呼吸信号。

进一步的，使用Advance Normalisation(AN)方法增强微弱呼吸信号，一般测试目标距离雷达较远，返回的呼吸信号很弱，又因为多径反射原因使得弱呼吸响应在实际场景中变弱甚至消失，因此AN方法用来增强弱呼吸信号。

进一步的，使用线性趋势去除法，在雷达接收回波的不同时刻存在固定的时间基准的漂移，会造成雷达回波在慢时具有线性趋势项，该方法可有效去除。带通滤波用来去除高低频干扰，AN和自动增益控制主要是增强弱信号，增强信噪比。

进一步的，使用自动增益控制法进一步增强弱信号，提升信噪比。

进一步的，使用Advance Normalisation方法对于处理后的回波继续进行信号增强，目的是更进一步提升信噪比。

进一步的，利用Faster-RCNN网络对权利要求7处理后的雷达回波进行人体呼吸微弱信号识别。基于恒虚警率膨胀-腐蚀-递归像素寻找检测算法则是将权利要求7处理后的回波数据进行慢时傅里叶变换然后根据呼吸频率先验性加窗去除高低频干扰，然后在频域进行恒虚警处理，选定阈值，判断有无生命迹象，然后利用膨胀-腐蚀将最近的生命像素点连接通过递归像素寻找法检测生命位置。基于Faster-RCNN的方法则直接将去噪和增强预处理各阶段的穿墙雷达回波时域信号成像为灰度图，手动挑选能够辨别呼吸信号的灰度图标注后作为训练样本，进行模型训练，用训练后的模型进行识别测试。这里不同阶段输出的回波图明暗度、目标特征、杂波特征形态都不同，这样有助于丰富数据集特征，增大数据量。

进一步的，在进行Faster-RCNN网络训练时，交替训练RPN和Fast-RCNN网络，用预训练模型初始化网络参数，然后fine-tune训练RPN；进一步用同一个预训练模型初始化网络参数，使用RPN网络输出的region proposalsfine-tune训练Fast R-CNN；用Fast-Rcnn初始化RPN，固定两个网络共有的conv层，只fine-tune RPN独有的层；进一步固定共有的conv层，fine-tune Fast-Rcnn的FC层，该训练过程目的就是用包含生命特征的radarP数据集训练一个具有识别生命特征能力的Faster-RCNN模型，在训练过程中不停微调来确定网络参数，使模型更成熟。

进一步的，在测试过程，输入一张测试雷达回波图，Faster-Rcnn首先使用一组基础的conv+relu+pooling层提取image的feature maps，feature maps被共享用于后续RPN层和全连接层；后续RPN网络用于生成region proposals，该层通过softmax判断anchors属于foreground或者background，再利用bounding box regression修正anchors获得精确的proposals；网络的Roi Pooling层用于收集输入的feature maps和proposals，提取proposal feature maps送入后续全连接层判定目标类别；网络的Classification层利用proposal feature maps来计算proposal的类别，同时再次bounding box regression获得检测框最终的精确位置。该测试过程是将我们在权利要求9训练好的Faster-RCNN模型的应用检测过程，目的在输入一张雷达回波图，检测是否有生命信号存在，并判断生命信号位置，进而得知检测结果。

综上所述，本发明的识别准确率高，检测速度快，为实际应用中的雷达回波目标检测、生命探测等实用技术提供了更好的技术支撑。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明流程图；

图2为本发明手动标注的数据集radarP中的部分图示例；

图3为基于恒虚警率的膨胀腐蚀-递归像素寻找方法对不同雷达回波信号人体呼吸信号检测的一种结果示意图；

图4为基于恒虚警率的膨胀腐蚀-递归像素寻找方法对不同雷达回波信号人体呼吸信号检测的另一种结果示意图；

图5为基于Faster-RCNN网络对不同雷达回波人体呼吸信号识别结果图；

图6为Faster-RCNN网络训练时不同迭代次数下的Precision-Recall曲线。

具体实施方式

本发明提供了一种基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，首先对原始雷达回波信号做去噪和弱信号增强预处理，主要包括简单背景杂波去除，自适应背景去除，Advance Normalization(AN)方法信号增强，线性趋势去除，自动增益控制法以及距离向带通滤波六个步骤。然后对于第一步处理后的回波继续进行信号增强和去噪，提升信噪比，主要步骤为AN，慢时间滑动平均，进一步采用AN。其后，采用MATLAB软件将前面预处理过程中的回波信号成像为灰度图像。最后将上步骤中得到的灰度图像进行筛选，标注数据集，训练Faster-RCNN网络模型，进行识别测试，网络调整。

请参阅图1，本发明一种基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，包括以下步骤：

S1、对原始慢时间-距离二维超宽带雷达回波数据进行杂波抑制和弱信号增强预处理，得到处理后的时域雷达信号；

S101、对回波进行简单背景杂波去除。输入人体呼吸探测雷达回波N道数据，将该N道数据按行累加求平均估计背景，将估计的背景从原始回波中减去；

背景估计如式(1)所示：

其中，b_tms表示估计的背景杂波；m＝0，···，M-1，M表示表示距离向采样点；R(m,n)表示雷达原始回波；

S102、将简单背景杂波去除后的回波运用指数平均法去除杂波；

使用基于指数平均的自适应背景减法和矢量加权系数来代替标量加权因子。计算公式如(2)所示：

p_n(m)＝λ_n(m)×p_n-1(m)+(1-λ_n(m))×q_n(m) (2)

其中，p_n(m)、q_n(m)为M*1维的向量，包含杂波和呼吸频率信息；λ为[M*1]维的0-1大小的实变权重系数。

S103、将指数平均法去除杂波后的回波利用Advance Normalisation(AN)方法进行信号增强处理；

AN方法是基于区间内(t_Lmax；t_end)的最大值的串行搜索以及在区间(t_Lmax；t_Nmax)中的当前信号的相应归一化，其中t_Lmax是最后一个最大值的传播时刻，t_Nmax表示新发现的最大值的传播时刻，t_end是整个信号的最后传播时刻。

S104、利用线性趋势去除法(LTS)去除由于雷达不稳定性带来的时间基偏移；

设输入雷达回波信号矩阵R为M×N矩阵，静态杂波和回波的线性趋势项由矩阵B表示，加性高斯噪声矩阵由W表示，有用微动目标和其它干扰由矩阵Rm表示，则雷达回波可表示为：

其中，[·]^T表示矩阵的转置，A和X如下式所示：

其中，矩阵A的第一列表示线性趋势，第二列表示慢时不变量，X为2×M的矩阵，x1和x2为M维行向量，分别表示静态杂波和线性趋势的权值系数，则A和X表征了回波中的静态杂波和线性趋势项。将X作为待估计信号，将R_m ^T+W^T看作噪声项，则利用最小二乘法求解X，得：

X＝(A^TA)^-1A^TR^T s.t min||R^T-AX||² (6)

包含静态杂波和线性趋势项的背景估计：

B^T＝AX＝A(A^TA)^-1A^TR^T

将其从原始雷达回波中减去得：

上式的转置即为去除了静态杂波和潜在的线性趋势项的信号

S105、去除线性趋势后，利用自动增益控制法(AGC)增强微弱信号；

根据输出信号能量的反馈自动调节增益，使其适应输入信号的变化，该方法为基于信号功率的增强方法，利用增益掩膜(Gain Mask)对输入信号进行调整，达到减弱强信号、增强弱信号的目的；

输入信号在长度为w的时间窗内的功率表示为：

其中，n＝0,2,···N-1，i＝0,2,···M-w，则定义该时间窗内的增益为：

对应每个n值，求所有i的最小增益设为g_min(n)，对所有增益进行归一化表示为：

则增益掩膜可定义为：

其中，g_MAX为预先确定的最大增益值，一般根据所有增益值的大小进行合理设定，利用上式的增益掩膜调整输入信号。

S106、为了更有效的改进信噪比，并抑制其他频率干扰，处理之后进行带通滤波，消除接收回波中的高低频干扰。

S2、步骤S1预处理过后的回波信号往往弱信号还是不够明显，此时继续采用AN及其他方法进一步处理，提高识别准确率；

S201、做Advance Normalisation处理，增强弱信号；

S202、在二维雷达回波矩阵中慢时间轴上做滑动平均，降低高低频干扰；

S203、继续做Advance Normalisation处理，增强弱信号；

S204、在慢时间维度上进行自相关处理，对于非周期性噪声，自相关函数倾向于为零，去除非周期噪声；

计算式如式(12)所示：

其中，为自相关后的回波信号，是第m个M*2N维度的矩阵，E为求平均，x_m为N维行向量，0≦n₁、n₂≦N-1，n′＝n₁-n₂，N为慢时间采样点，m＝0，...，M-1为快时间采样点。

S3、将前两步过程中间各步骤处理后的雷达回波信号经MATLAB成像为灰度图，图宽对应回波慢时间向，图高对应回波距离向；

S4、利用Faster-RCNN网络对雷达回波进行人体呼吸微弱信号识别；

S401、数据集准备

去噪和增强预处理各阶段的穿墙雷达回波信号灰度图中，只要可辨别呼吸信号的中间图，都选取为训练样本，采用LabelImg软件进行标签标注制作VOC格式的数据集，人体呼吸信号为要标注的目标区域，标签为person，数据集称为radarP；

S402、模型训练

Faster RCNN看成是RPN和Fast-RCNN模型的组合体，对于RPN网络，先采用一个cnn模型接收整张图片并提取特征图。然后在这个特征图上采用一个N×N(网络提出者采用3×3)的滑动窗口，对于每个滑窗位置都映射一个低维度的特征。然后这个特征分别送入两个全连接层，一个用于分类预测，另外一个用于回归。

在训练时，需要训练RPN和Fast-RCNN两个网络，两个网络是交替训练的，过程如下：

S4021、用预训练模型初始化网络参数，然后fine-tune训练RPN

S4022、用同一个预训练模型初始化网络参数，使用RPN网络输出的regionproposalsfine-tune训练Fast R-CNN

S4023、用Fast-RCNN初始化RPN，固定两个网络共有的conv层，只fine-tune RPN独有的层；

S4024、固定共有的conv层，fine-tune Fast-RCNN的FC层；

预训练模型是指采用ImageNet网络来初始化RPN和Fast-RCNN网络(如VGG16，ZF)。实际中训练过程Faster-RCNN的训练分如为6个步骤：

1、在已经训练好的model上，训练RPN网络，对应stage1_rpn_train.pt

2、利用上步骤中训练好的RPN网络，收集proposals，对应rpn_test.pt

3、第一次训练Fast-RCNN网络，对应stage1_fast_RCNN_train.pt

4、第二次训练RPN网络，对应stage2_rpn_train.pt

5、再次利用上步骤中训练好的RPN网络，收集proposals，对应rpn_test.pt

6、第二次训练Fast-RCNN网络，对应stage2_fast_RCNN_train.pt

训练过程类似于一种“迭代”的过程，不过只循环了2次。

S403、模型测试

对于一张测试image，先运行RPN生成region proposals，然后把这些regionproposals投影到conv feature map上经过Fast-RCNN网络进行后续的操作。

由于RPN和Fast-RCNN共享了conv feature map，一张输入图只用计算一次，大大缩短了测试时间。

Faster-RCNN在检测时主要分为4个内容：

S4031、第一层Conv layers，作为一种cnn网络目标检测方法，Faster-RCNN首先使用一组基础的conv+relu+pooling层提取image的feature maps。该feature maps被共享用于后续RPN层和全连接层。

S4032、后续的RPN网络用于生成region proposals，该层通过softmax判断anchors属于foreground或者background，再利用bounding box regression修正anchors获得精确的proposals。

S4033、Roi Pooling层，该层收集输入的feature maps和proposals，综合这些信息后提取proposal feature maps，送入后续全连接层判定目标类别。

S4034、最后是Classification，它利用proposal feature maps来计算proposal的类别，同时再次bounding box regression获得检测框最终的精确位置。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的效果通过以下实验进一步说明：

A、对比试验方案

将本发明基于Faster-RCNN网络的超宽带雷达穿墙人体呼吸微弱信号识别与现有的基于恒虚警(CFAR)的膨胀-腐蚀-递归像素寻找算法(RPF)检测效果进行比较。

B、实验条件

本发明的穿墙超宽带雷达回波数据均在中科院电子所科研大楼内采集，超宽带雷达贴墙放置，放置方式有正立及侧立等，用信标仪模拟人体呼吸，放在30cm厚的墙另一侧一定距离，高度为1米，超宽带雷达参数如表1所示。

表1雷达参数设置

在去噪和信号增强部分，根据先验性，AGC处理方法中慢时域长度窗w设置为26，预先确定的最大增益值g_MAX设置为5；在距离向带通滤波处理时，设置通带为400～600MHz。本发明中用作对比的恒虚警-膨胀-腐蚀RPF方法检测之前，对去噪和增强处理后的距离-慢时间信号先进行慢时傅里叶变换和频域加窗，根据人体呼吸频率先验性设置窗大小为0.05-1Hz，加窗后可去掉高低频干扰，提高识别准确性。设置CFAR阈值为2～4。

本发明所采用的Faster-RCNN网络模型，训练时使用型号为GTX 1080Ti的GPU，网络训练参数如表2所示，RPN网络迭代8万次，Fast-RCNN网络迭代4万次。

表2 Faster-RCNN网络训练参数

含有人体呼吸信息的雷达回波距离-慢时间灰度图总共有797张，大小为1200*900像素，每张回波图人体呼吸有且只有一个，标记为person，训练集占数据集70％，验证集占20％，剩下的部分为测试集。部分数据集如图2所示，(a)～(d)图中虚线框表示标注的目标信号。

C、实验结果与分析

在对一次穿墙生命探测雷达回波进行杂波去除和信号增强处理后，再进行慢时傅里叶变换和频域加窗处理，对距离-频率回波信号采用基于恒虚警的膨胀-腐蚀-递归像素寻找检测法进行检测，检测结果如图3所示，(a)为原始回波信号，(b)为经过处理步骤二之后成像的灰度图，可以看到有规律的呼吸信号位于4m米位置处。图(c)为经过步骤三慢时频域加窗处理后的成像图，经过CFAR窗之后结果如图4(d)所示，亮信号为生命特征，经过膨胀-腐蚀-递归像素寻找检测法后如图(e)所示，图中*表示生命特征质点位置，距离在4.06米处，呼吸频率为0.21Hz，与我们采取数据时设计的人体位置(3.8m)和呼吸频率(0.23Hz)基本一致。基于CFAR识别方法能简单快速确定有无生命特征，并定位信号，但是较依赖于阈值选取，部分情况下即使选取最佳阈值也无法避免错检。如图4所示，我们已知回波信号中只有一个呼吸信号，位置在1.7米处，但结果显示在3.1米处还有一呼吸，频率为0.07Hz，根据先验性，该信号非人体呼吸信号。

基于Faster-RCNN网络的人体呼吸信号识别中，我们采用ZF模型预训练网络，部分检测结果如图4所示，实现框为检测出的目标信号，实现框左上角信息为信号类别及置信度，如图5(a)，图中2～4m处有呼吸信号的概率为0.996。

经过测试，网络在测试集上的AP(Average Precision)为91％，计算公式如式(13)：

其中，P代表Precision，R代表Recall，AP相当于求Precision/Recall曲线下面积。

单张图片测试大约需要0.08秒时间。Faster-RCNN模型的Precision/Recall曲线如图6所示，

(a)为在训练过程中RPN网络、Fast-RCNN网络分别迭代2000次的Precision/Recall曲线(Precision表示检测出的正确的样本占检出的总样本的比重，Recall表示被正确判定的正例占总的正例的比重)，可见每当大幅度提高Recall的时候总会大程度降低Precision；

(b)为RPN网络、Fast-RCNN网络分别迭代8万和4万次的Precision/Recall曲线，这时候Recall值增大，Precision变化很小，迭代次数对于检测效果很重要。

本发明提出了一种更加有效的基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，和传统的基于恒虚警率的膨胀-腐蚀-递归像素寻找检测算法检测结果进行比较，后者是在预处理后回波的频域也即距离-频率二维矩阵中的信号识别，本发明将识别中心从原来的频域转到时域，能更好的根据呼吸信号周期性特征做出高准确率识别，避免了基于能量方法识别准确率依赖于阈值选取的缺点，以及高低频强能量杂波信号容易影响产生误判的不足，而且检测速度较快。为实际应用中的雷达回波目标检测、生命探测等实用技术提供了更好的技术支撑。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，其特征在于，对原始慢时间-距离二维超宽带雷达回波信号做去噪和弱信号增强预处理；采用AdvanceNormalisation方法对处理后的回波进行信号增强和去噪；采用MATLAB将预处理过程中的回波信号成像为灰度图像，图宽对应回波慢时间向，图高对应回波距离向；将得到的灰度图像进行筛选，标注数据集，训练Faster-RCNN网络模型进行人体呼吸微弱信号识别。

2.根据权利要求1所述的基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，其特征在于，对原始慢时间-距离二维超宽带雷达回波信号做去噪和弱信号增强预处理的步骤如下：

S101、输入人体呼吸探测雷达回波N道数据，将该N道数据按行累加求平均估计背景，将估计的背景从原始回波中减去，背景估计计算如下：

其中，b_tms表示估计的背景杂波；m＝0，···，M-1，M表示表示距离向采样点；R(m,n)表示雷达原始回波；

S102、将简单背景杂波去除后的回波运用指数平均法去除杂波；

S103、将指数平均法去除杂波后的回波利用Advance Normalisation方法进行信号增强处理；

S104、利用线性趋势去除法去除由于雷达不稳定性带来的时间基偏移；

S105、去除线性趋势后，利用自动增益控制法增强微弱信号；

S106、进行带通滤波，消除接收回波中的高低频干扰。

3.根据权利要求2所述的基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，其特征在于，步骤S102中，使用基于指数平均的自适应背景减法和矢量加权系数来代替标量加权因子，计算如下：

p_n(m)＝λ_n(m)×p_n-1(m)+(1-λ_n(m))×q_n(m)

其中，p_n(m)、q_n(m)为M*1维的向量，包含杂波和呼吸频率信息；λ为[M*1]维的0-1大小的实变权重系数。

4.根据权利要求2所述的基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，其特征在于，步骤S103中，Advance Normalisation方法表示如下：

Advance Normalisation方法基于区间内(t_Lmax；t_end)最大值的串行搜索以及在区间(t_Lmax；t_Nmax)中的当前信号的相应归一化，其中，t_Lmax是最后一个最大值的传播时刻，t_Nmax表示新发现的最大值的传播时刻，t_end是整个信号的最后传播时刻。

5.根据权利要求2所述的基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，其特征在于，步骤S104中，设输入雷达回波信号矩阵R为M×N矩阵，静态杂波和回波的线性趋势项由矩阵B表示，加性高斯噪声矩阵由W表示，有用微动目标和其它干扰由矩阵由R_m表示，则雷达回波可表示为：

其中，[·]^T表示矩阵的转置，A和X如下式所示：

其中，矩阵A的第一列表示线性趋势，第二列表示慢时不变量，X为2×M的矩阵，x1和x2为M维行向量，分别表示静态杂波和线性趋势的权值系数，则A和X表征了回波中的静态杂波和线性趋势项，将X作为待估计信号，将R_m ^T+W^T看作噪声项，利用最小二乘法求解X，得：

X＝(A^TA)^-1A^TR^T s.t min||R^T-AX||²

包含静态杂波和线性趋势项的背景估计如下：

B^T＝AX＝A(A^TA)^-1A^TR^T

将其从原始雷达回波中减去得：

转置即为去除了静态杂波和潜在的线性趋势项的信号

6.根据权利要求2所述的基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，其特征在于，步骤S105中，利用增益掩膜对输入信号进行调整，输入信号在长度为w的时间窗内的功率表示为：

其中，n＝0,2,…N-1，i＝0,2,…M-w，定义该时间窗内的增益如下：

对应每个n值，求所有i的最小增益设为g_min(n)，对所有增益进行归一化表示为：

增益掩膜定义为：

其中，g_MAX为预先确定的最大增益值，一般根据所有增益值的大小进行合理设定，利用上式的增益掩膜调整输入信号。

7.根据权利要求1所述的基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，其特征在于，采用Advance Normalisation方法对处理后的回波继续进行信号增强和去噪的步骤具体如下：

S201、做Advance Normalisation处理，增强弱信号；

S202、在二维雷达回波矩阵中慢时间轴上做滑动平均，降低高低频干扰；

S203、继续做Advance Normalisation处理，增强弱信号；

S204、在慢时间维度上进行自相关处理，对于非周期性噪声，自相关函数倾向于为零，去除非周期噪声，计算如下：

其中，为自相关后的回波信号，是第m个M*2N维度的矩阵，E为求平均，x_m为N维行向量，0≦n₁、n₂≦N-1，n′＝n₁-n₂，N为慢时间采样点，m＝0，...，M-1为快时间采样点。

8.根据权利要求1所述的基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，其特征在于，利用Faster-RCNN网络对雷达回波进行人体呼吸微弱信号识别的步骤如下：

S401、将能够辨别呼吸信号的中间图均作为训练样本，采用LabelImg进行标签标注制作VOC格式的数据集，人体呼吸信号作为要标注的目标区域，标签为person，数据集称为radarP；

S402、Faster RCNN是RPN和Fast-RCNN模型的组合体，在训练时，交替训练RPN和Fast-RCNN网络；

S403、对于一张测试image，先运行RPN生成region proposals，然后将regionproposals投影到conv feature map上经Fast-RCNN网络进行后续的操作。

9.根据权利要求8所述的基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，其特征在于，步骤S402具体为：

S4021、用预训练模型初始化网络参数，然后fine-tune训练RPN

S4022、用同一个预训练模型初始化网络参数，使用RPN网络输出的regionproposalsfine-tune训练Fast R-CNN；

S4023、用Fast-RCNN初始化RPN，固定两个网络共有的conv层，只fine-tune RPN独有的层；

S4024、固定共有的conv层，fine-tune Fast-RCNN的FC层。

10.根据权利要求8所述的基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法，其特征在于，步骤S403具体为：

S4031、第一层Conv layers作为一种cnn网络目标检测方法，Faster-RCNN首先使用一组基础的conv+relu+pooling层提取image的feature maps，feature maps被共享用于后续RPN层和全连接层；

S4032、后续RPN网络用于生成region proposals，该层通过softmax判断anchors属于foreground或者background，再利用bounding box regression修正anchors获得精确的proposals；

S4033、Roi Pooling层用于收集输入的feature maps和proposals，提取proposalfeature maps送入后续全连接层判定目标类别；

S4034、Classification层利用proposal feature maps计算proposal的类别，同时再次bounding box regression获得检测框最终的位置。