CN109633534A - 一种用于无源目标运动跟踪的微多普勒估计方法 - Google Patents

Abstract

本发明公开了一种用于无源目标运动跟踪的微多普勒估计方法。首先，针对输入的CSI时间序列进行相位误差补偿、多径信号分离、一维线性插值及主成分分析等信号预处理操作；然后，针对得到的第一主成分运用短时傅里叶变换做时频分析，对得到的功率谱密度矩阵应用动态滑动窗口求局部最大值提取出连续的瞬时能量变化曲线，最终得到多普勒畸变校正后的多普勒变化曲线。本发明能够用来求取无源目标移动引起的带符号的微多普勒频移进而实现对目标运动轨迹和方向的跟踪；解决了传统微多普勒估计方法易受残余噪声和通带信号干扰的问题，有效地增强了提取出的多普勒变化曲线上数据点之间的连续性。

Description

一种用于无源目标运动跟踪的微多普勒估计方法

技术领域

本发明属于移动通信技术和数字信号处理领域，具体涉及到一种用于无源目标运动跟踪的微多普勒估计方法。

背景技术

随着信息产业的飞速发展，人们在享受通信网对生产生活带来极大便利的同时，对个人消费智能化的感知服务(Sensing Based Services,SBS)需求也呈大幅度增长趋势，感知包括对目标的检测、定位和跟踪等。早期的感知技术大致包括基于红外线、超声波、以及传感器网络(Wireless Sensor Networks,WSN)等的技术。这些感知技术在特定条件下都能获得较高的精度，但是都存在一些固有问题，比如，基于超声波的感知系统大多需要专业设备，系统造价成本高，不利于普遍部署；基于红外线的感知系统，通常只能工作在视距环境(Line-of-Sight,LOS)下，易受障碍物遮挡影响，并且用户的个人隐私得不到保护；基于WSN的感知系统，需要移动终端装有运动传感器，由于单个传感器距离有限，往往需要大量部署传感器，系统部署复杂度高。随着WiFi等无线技术的发展和成熟，许多家庭可随意安装高速且稳定的无线设备，这类设备成本低、易安装并且覆盖范围广，通过在已有的通信硬件设备上进行功能扩展来实现目标感知，相比其它感知系统具有精度高、延迟短、扩展性强等优势。

利用基于商用无线协议的设备进行目标感知，一方面可以工作在非视距环境，具有覆盖范围广且用户个人隐私保护较好的特点；另一方面，基于商用无线协议的感知系统可以探测到目标所在的距离、速度和角度等多维信息的变化，能够通过对这些参量的定时测量实现对目标运动状态的精细捕捉。综上所述，本发明提出了一种用于无源目标运动跟踪的微多普勒估计方法。

发明内容

针对现有的无源目标微多普勒估计方法面临易受残余噪声和通带信号干扰的问题，本发明提出了一种用于无源目标运动跟踪的微多普勒估计方法。本发明创造性地运用动态滑动窗口来计算功率谱密度矩阵中每一列向量的有效局部最大，在保证多普勒变化曲线上的数据真实有效的同时又增强了数据点之间的连续性。本发明相较于传统的微多普勒变化估计方法能够更加准确地捕捉多普勒的瞬时变化，避免因为噪声的存在使得估计结果出现较大畸变，保证了输出的频率变化曲线的真实性和连续性，本发明直接估计得到的是带有符号的多普勒，能够在对目标运动轨迹实现跟踪的同时判定其运动方向。

本发明所述的一种用于无源目标运动跟踪的微多普勒估计方法，具体包括以下步骤：

步骤1：利用不同天线上CSI信号共轭相乘的方式补偿采集到的CSI信号中由于收发端不同步引入的STO、CFO等相位误差，其中参考天线上的CSI表示为与其共轭相乘的天线上的CSI表示为共轭相乘的结果表示为C(m)。

步骤2：利用高通滤波器移除共轭相乘后C(m)中的静态路径分量的乘积部分，忽略纯粹的动态路径分量相乘的部分，得到余量

步骤3：根据采集到的CSI时间序列的时间戳，对进行一维线性插值。

步骤4：利用主成分分析的方法提取的第一主成分

步骤5：针对步骤4所述的第一主成分利用短时傅里叶变换的方法做时频分析，得到大小为M×1的频率向量集合F、大小为1×N的时间向量集合T以及大小为M×N的功率谱密度矩阵P。

步骤6：针对步骤5所述的功率谱密度矩阵P，运用动态滑动窗口求局部最值的方式在原矩阵P第一列的基础上依次生成新的功率谱密度矩阵的第2至N列，并构建局部最大值对应的标号矩阵Q。

步骤7：针对步骤6所述的功率谱密度矩阵和对应的标号矩阵Q，得到当前CSI数据段真实频率在频率向量集合F中的对应标号集合f₁。

步骤8：针对步骤7所述的标号集合f₁，从频率向量集合F中得到当前数据段对应的真实频率向量集合F₁。

步骤9：针对步骤8所述的频率向量集合F₁，输出与当前功率谱对应的多普勒变化曲线。

所述步骤1中：

其中，和ε_f分别表示采样定时偏移(STO)和载波频率偏移(CFO)，φ_offset是接收机各通道间的初始相位偏移；k和Δt_i分别表示子载波编号和发包间隔时间；H(m)和H(m₀)表示各天线上不包含误差的CSI；(·)^*表示共轭操作。

所述步骤2中：

其中C(m)的第一项代表静态路径分量的乘积，第三项代表动态路径分量的乘积，第二项代表静态分量和动态分量的混合积，代表路径分量分离后的余量。

所述步骤6中：

其中max(·)表示取最大值，index(max(·))表示取出最大值对应的标号；矩阵P表示初始功率谱密度矩阵，矩阵表示重新构建的功率谱密度矩阵；矩阵Q表示局部最大值对应的标号矩阵；ii和jj分别表示行标和列标，M和N表示行最大标号和列最大标号。

所述步骤7中寻找真实频率在频率向量集合F中的对应标号集合f₁，具体包括：

7a)寻找第N列最大点对应的位置，用f₁(N)表示：

其中max(·)表示取最大值，index(max(·))表示取出最大值对应的标号；

7b)使用回溯方式，从最后一列依次向前寻找真实频率的最佳标号：

f₁(kk-1)＝Q(f₁(kk),kk),kk＝N,N-1,...,2 (9)

其中，矩阵表示重新构建的功率谱密度矩阵，矩阵Q表示局部最大值对应的标号矩阵；max(·)表示取最大值，index(max(·))表示取出最大值对应的标号。

所述步骤8中从频率向量集合F中得到当前数据段对应的真实频率向量集合F₁，具体包括：

8a)按照标号集合f₁，在频率向量集合F中得到真实频率向量集合F₁：

F₁＝F{f₁}(10)

其中，F{·}表示从集合F中取出对应标号的数据。

本发明的有益效果：本发明能够较为准确地提取出经时频分析后的功率谱密度矩阵中所对应的多普勒变化曲线，能够使得对信号瞬时能量变化的刻画更连续，通过对功率谱密度矩阵的每一列使用动态滑动窗口求取局部有效最大值的方式，保证了谱图信息对比的全面性，更有利于找到瞬时的最佳能量值，降低了残余噪声和通带信号对多普勒变化曲线提取工作的干扰。本发明能够运用于求取环境中无源目标移动引起的带符号的微多普勒频偏以及校正发生了畸变的多普勒频偏。

附图说明

图1为本发明中步骤1至步骤9的流程图；

图2为本发明中步骤2所述的路径分量分离过程；

图3为本发明中步骤5至步骤9的时频分析和多普勒变化曲线提取过程；

图4为本发明的真实实验环境示意图(室外空旷环境和室内多径环境)；

图5为本发明在室外空旷环境中的多普勒估计结果图；

图6为本发明在室内多径环境中的多普勒估计结果图；

具体实施方式

下面根据附图对本发明作进一步详细描述：

本发明所提出的技术方案为：一种用于无源目标运动跟踪的微多普勒估计方法，如图1所示，具体包括以下步骤：

步骤1：利用不同天线上CSI信号共轭相乘的方式补偿采集到的CSI信号中由于收发端不同步引入的STO、CFO等相位误差，其中参考天线上的CSI表示为与其共轭相乘的天线上的CSI表示为最终结果表示为C(m)＝H(m)*H(m₀)^*。

步骤2：利用高通滤波器移除共轭相乘后C(m)中的静态路径分量的乘积部分，忽略纯粹的动态路径分量相乘的部分，得到余量

步骤3：根据采集到的CSI时间序列的时间戳，对进行一维线性插值。

步骤4：利用主成分分析的方法提取的第一主成分

步骤5：针对步骤4所述的第一主成分利用短时傅里叶变换的方法做时频分析，得到大小为M×1的频率向量集合F、大小为1×N的时间向量集合T以及大小为M×N的功率谱密度矩阵P。

步骤6：针对步骤5所述的功率谱密度矩阵P，运用动态滑动窗口求局部最值的方式在原矩阵P第一列的基础上依次生成新的功率谱密度矩阵的第2至N列，并构建局部最大值对应的标号矩阵Q。

步骤7：针对步骤6所述的功率谱密度矩阵和对应的标号矩阵Q，得到当前CSI数据段真实频率在频率向量集合F中的对应标号集合f₁。

步骤8：针对步骤7所述的标号集合f₁，从频率向量集合F中得到当前数据段对应的真实频率向量集合F₁。

步骤9：针对步骤8所述的频率向量集合F₁，输出与当前功率谱对应的多普勒变化曲线。

所述步骤1中：

C(m)＝H(m)*H(m₀)^* (5)

其中，和ε_f分别表示采样定时偏移(STO)和载波频率偏移(CFO)，φ_offset是接收机各通道间的初始相位偏移；k和Δt_i分别表示子载波编号和发包间隔时间；H(m)和H(m₀)表示各天线上不包含误差的CSI；(·)^*表示取共轭操作。

所述步骤2中：

其中C(m)的第一项代表静态路径分量的乘积，第三项代表动态路径分量的乘积，第二项代表静态分量和动态分量的混合积，代表路径分量分离后的余量。

所述步骤6中：

其中max(·)表示取最大值，index(max(·))表示取出最大值对应的标号；矩阵P表示初始功率谱密度矩阵，矩阵表示重新构建的功率谱密度矩阵；矩阵Q表示局部最大值对应的标号矩阵；ii和jj分别表示行标和列标，M和N表示行最大标号和列最大标号。

所述步骤7中寻找真实频率在频率向量集合F中的对应标号集合f₁，具体包括：

7a)寻找第N列最大点对应的位置，用f₁(N)表示：

其中max(·)表示取最大值，index(max(·))表示取出最大值对应的标号；

7b)使用回溯方式，从最后一列依次向前寻找真实频率的最佳标号：

f₁(kk-1)＝Q(f₁(kk),kk),kk＝N,N-1,...,2 (11)

其中，矩阵表示重新构建的功率谱密度矩阵，矩阵Q表示局部最大值对应的标号矩阵；max(·)表示取最大值，index(max(·))表示取出最大值对应的标号。

所述步骤8中从频率向量集合F中得到当前数据段对应的真实频率向量集合F₁，具体包括：

8a)按照标号集合f₁，在频率向量集合F中得到真实频率向量集合F₁：

F₁＝F{f₁} (12)

其中，F{·}表示从集合F中取出对应标号的数据。

所述步骤9中针对步骤8所述的频率向量集合F₁，输出与当前功率谱对应的多普勒变化曲线，即可得最终多普勒畸变校正后的多普勒变化曲线：

本发明的测试环境具体包括两种典型环境，如图4所示，分别是大小为57.6m×51.0m的室外空旷环境和大小为9.0m×7.7m的室内多径环境。在室外环境中发射机和接收机之间相距6m，在室内多径环境中发射机和接收机之间相距2.4m。实验中分别在两种环境中采集人体目标从收发中点出发沿收发中垂线以不同速度大小和方向运动的CSI数据，每个环境下进行多组实验。实验中发射机和接收机工作在5G频段，发包速率设置为1000Hz。

为了验证本发明提出的用于无源目标运动跟踪的微多普勒估计方法的有效性和可靠性，如图5和图6针对两种环境分别给出了两组实验结果来展示该方法对人体目标运动引起的多普勒的频谱估计和对应多普勒变化曲线的提取结果。在室外空旷环境中两组实验人体目标运动对应的速度分别为0.4m/s和1m/s；在室内多径环境中两组实验人体目标运动对应的速度分别为0.6m/s和0.8m/s。

如图5和图6的结果表明本发明所述方法相比于传统的全局求最大值的方法来说具有嘈杂频谱能量更低、提取出的多普勒变化曲线更连续，突跳更少的特点，能够较好地刻画谱图中瞬时能量的变化趋势。

Claims (5)

1.一种用于无源目标运动跟踪的微多普勒估计方法，其特征在于：包括以下步骤：

步骤1：利用不同天线上CSI信号共轭相乘的方式补偿采集到的CSI信号中由于收发端不同步引入的采样定时偏移(STO)、载波频率偏移(CFO)等相位误差，其中参考天线上的CSI表示为与其共轭相乘的天线上的CSI表示为共轭相乘的结果表示为C(m)。

步骤2：利用高通滤波器移除共轭相乘后C(m)中的静态路径分量的乘积部分，忽略纯粹的动态路径分量相乘的部分，得到余量

步骤3：根据采集到的CSI时间序列的时间戳，对进行一维线性插值。

步骤4：利用主成分分析的方法提取的第一主成分

步骤5：针对步骤4所述的第一主成分利用短时傅里叶变换的方法做时频分析，得到大小为M×1的频率向量集合F、大小为1×N的时间向量集合T以及大小为M×N的功率谱密度矩阵P。

步骤6：针对步骤5所述的功率谱密度矩阵P，运用动态滑动窗口求局部最值的方式在原矩阵P第一列的基础上依次生成新的功率谱密度矩阵的第2至第N列，并构建局部最大值对应的标号矩阵Q。

步骤7：针对步骤6所述的功率谱密度矩阵和对应的标号矩阵Q，得到当前CSI数据段真实频率在频率向量集合F中的对应标号集合f₁。

步骤8：针对步骤7所述的标号集合f₁，从频率向量集合F中得到当前数据段对应的真实频率向量集合F₁。

步骤9：针对步骤8所述的频率向量集合F₁，输出与当前功率谱对应的多普勒变化曲线。

2.根据权利要求1所述的一种用于无源目标运动跟踪的微多普勒估计方法，其特征在于：所述步骤1中：

其中，和ε_f分别表示采样定时偏移(STO)和载波频率偏移(CFO)，φ_offset是接收机各通道间的初始相位偏移；k和Δt_i分别表示子载波编号和发包间隔时间；H(m)和H(m₀)表示各天线上不包含误差的CSI；(·)^*表示取共轭操作。

3.根据权利要求1所述的一种用于无源目标运动跟踪的微多普勒估计方法，其特征在于：所述步骤2中：

其中C(m)的第一项代表静态路径分量的乘积，第三项代表动态路径分量的乘积，第二项代表静态分量和动态分量的混合积，代表路径分量分离后的余量。

4.根据权利要求1所述的一种用于无源目标运动跟踪的微多普勒估计方法，其特征在于：所述步骤6中：

其中max(·)表示取最大值，index(max(·))表示取出最大值对应的标号；矩阵P表示初始功率谱密度矩阵，矩阵表示重新构建的功率谱密度矩阵；矩阵Q表示局部最大值对应的标号矩阵；ii和jj分别表示行标和列标，M和N表示行最大标号和列最大标号。

5.根据权利要求1所述的一种用于无源目标运动跟踪的微多普勒估计方法，其特征在于：所述步骤7中寻找真实频率在频率向量集合F中的对应标号集合f₁，具体包括：

7a)寻找第N列最大点对应的位置，用f₁(N)表示：

7b)使用回溯方式，从最后一列依次向前寻找真实频率的最佳标号：

f₁(kk-1)＝Q(f₁(kk),kk),kk＝N,N-1,...,2 (9)

其中，矩阵表示重新构建的功率谱密度矩阵，矩阵Q表示局部最大值对应的标号矩阵；max(·)表示取最大值，index(max(·))表示取出最大值对应的标号。