CN109917347B - 一种基于时频域稀疏重构的雷达行人检测方法 - Google Patents

Abstract

本发明属于雷达信号处理和目标识别技术领域，提供了一种基于时频域稀疏重构的雷达行人检测方法。其主旨在于解决时频图像对运动特征检测的条件约束以及雷达在复杂环境噪声条件下检测率低的问题。主要技术方案包括：步骤1、雷达作为数据采集设备，可获到A/D采样数据，作为待识别的雷达信号S(t)；步骤2、A/D采样数据作二维FFT，得到距离维‑速度维频域数据S(f)；步骤3、CFAR检测获取动目标运动参数，同时得到运动目标所在距离门；步骤4、取出动目标所在距离门数据S_n(f)，进行稀疏重构处理；步骤5、对重构的动目标信号进行特征提取；步骤6、通过目标决策器，判决目标所属类别。

Description

一种基于时频域稀疏重构的雷达行人检测方法

技术领域

本发明属于雷达信号处理和目标识别技术领域，更具体地，本发明涉及一种基于时频域稀疏重构的雷达行人检测系统，可用于复杂环境中雷达目标识别处理。

背景技术

行人检测技术在汽车辅助驾驶、智能监控、智能交通、家居服务机器人等方面有着广泛的应用前景。同时，行人检测不是孤立存在的，它与行人跟踪、行为分析、姿态识别、场景分割等问题息息相关，具有较高的科研价值和商业价值。

雷达作为一种非接触生命探测技术，受光照影响小，探测精度高，可以全天时、全天候、远距离地对目标进行检测、定位。复杂背景下稳健高效的行人目标检测始终是雷达信号处理领域的研究热点和难点，一方面，强杂波背景和目标复杂运动使得信号微弱，时频域难以区分；另一方面，相参积累算法复杂，长时间积累运算量较大。

特别地，由于雷达系统本身的缺陷以及目标运动姿态变化等原因，导致部分回波信号数据有所损失。若采取传统的傅里叶分析方法，难以获取高分辨处理结果，从而影响目标的检测与识别。稀疏信号处理技术提供了一个利用少量数据实现稀疏信号重构的框架，且从信号在某个域中的稀疏特性出发，采用少量的观测样本，通过求解最优化问题，在稀疏域中实现对该信号的高分辨率表示。稀疏信号处理方法突破采样定理的限制，重构雷达缺失信号，具有分辨率高，对噪声不敏感、稳健性高等优点。

专利一(公开号为CN106526568A)提出了一种基于短时稀疏分数阶傅里叶变换的雷达动目标检测方法。专利一的方案结合时频方法、短时窗函数和稀疏表示方法对动目标进行检测，专利一的主要技术方案简要描述如下：

雷达回波经解调和脉冲压缩，选取待检测距离单元；

进行短时窗函数和稀疏分解字典设计；

结合分数阶傅里叶变换的时频方法，作短时稀疏分数阶傅里叶变换运算，完成目标回波的高分辨稀疏时频表示；

遍历所有距离搜索单元，完成动目标信号稀疏域检测；

估计动目标的运动参数。

该专利采用高分辨稀疏表示方法，在时间-稀疏域上实现时变信号的高分辨、低复杂度时频表示，仅保留最为稀疏的目标信号成分，保证了信号的能量聚集，抑制杂波，改善SCR，提高了动目标检测精度，其估计的目标运动参数精度高。

专利二的技术方案

专利二(公开号为CN102521616B)提出了一种基于稀疏表示的行人检测方法。专利二的方案结合图像稀疏化的混合特征向量和分类器对行人进行识别，其技术方案主要分为两个阶段：

模型训练：训练图像进行特征提取，所提取的多种特征向量进行稀疏表示并组合成稀疏化的混合特征向量，通过支持向量机的模型训练分类器。

比较识别：检测图像进行特征提取，所提取的多种特征向量进行稀疏表示并组合成稀疏化的混合特征向量，经过训练好的分类器进行识别。

该专利基于图像进行特征提取，并对其进行稀疏化表示，使得对于遮挡的困难图像也有较好的鲁棒性。

本提案要解决的技术问题

专利一(公开号为CN102232307B)的缺点有：

该专利的主要作用在于提高了动目标的检测精度，得到动目标的运动参数估计。无法进一步识别运动目标属于行人还是非行人，对于行人检测的应用需求尚不满足。

专利二(公开号为CN103369535B)的缺点有：

该专利基于图像进行行人识别，但由于基于图像的识别系统识别精度受限，受天气等环境因素影响大，所提取的特征不够完备，判别结果误差大。加上目标运动距离远近所对应的图像大小不同，人体姿态变化万千，使得图像识别系统鲁棒性大大降低。

发明内容

本发明为了克服上述现有技术的缺点，提出一种基于时频域稀疏重构的雷达行人检测系统。实现了多分量时频域混叠的分离，解决时频图像对运动特征检测的条件约束以及雷达在复杂环境噪声条件下检测率低的问题，具有良好的泛化能力，便于工程实现。

为解决上述技术问题，本发明采用以下技术方案：

一种时频域稀疏重构的雷达行人检测方法，包括以下步骤：

步骤1、雷达作为数据采集设备，可获到A/D采样数据，作为待识别的雷达信号S(t)；

步骤2、A/D采样数据作二维FFT，得到距离维-速度维频域数据S(f)；

步骤3、CFAR检测获取动目标运动参数，同时得到运动目标所在距离门；

步骤4、取出动目标所在距离门数据S_n(f)，进行稀疏重构处理；

步骤5、对重构的动目标信号进行特征提取；

步骤6、通过目标决策器，判决目标所属类别；

稀疏重构处理部分构造chirp字典为I×J的矩阵

式(1)中，字典原子

N为信号的离散点数，f_i为目标运动引起的实时多普勒频率，u_j为雷达回波信号的调频率，设定f_i和u_j搜索精度和范围，F_s是采样频率。

上述技术方案中，对于f_i有：先基于CFAR检测获得目标实时速度v_i，得到目标的实时多普勒频率f_i为：

f_i＝2v_i/λ

(2)

通过CFAR计算得到的f_i，可以缩短搜索范围为[f_i-a，f_i+a]，搜索个数为I，a的取值范围根据人体运动速度引起的频偏值确定。

上述技术方案中，对于u_j有：

|u_j|≤F_maxF_s/N (3)

式中F_max为雷达回波信号的最大频率，F_s(F_s＝2F_max)是采样频率，N为信号的离散点数，搜索范围为

搜索个数为J。

上述技术方案中，所述的A/D采样数据指对雷达差拍回波信号进行采样处理，在M个脉冲重复周期内，结合人体运动模型，可得行进人体目标第i部位的FMCW雷达差拍信号为：

行进人体目标雷达总回波可视为各部位回波叠加：

式中，f₀为载波中心频率，u为调频斜率，T为扫描信号发射重复周期，τ_i，m为发射信号与人体第i部位接收信号间的时延，m＝1，2，…，M为第m个脉冲重复周期，A₀为信号幅值，η_i为人体第i部位的反射系数，t为实际时刻，j为数学表达形式，代表复数。

因为本发明采用上述技术方案，因此具备以下有益效果：

一、本发明结合人体模型分析行人的微动特性，研究发现躯干部位的能量最强。同样，狗这类小动物与人同属于非刚体运动，其躯干部位能量亦是最强；而车辆属于刚体运动，无微动特性，其回波为车体整回波，可被视为只有“躯干”。基于此，本发明重点考虑躯干分量，仅重构目标信号的躯干分量，其余部位分量与杂波一同被滤除掉，降低了多分量混叠，特征难以提取的困难，能有效提高检测精度。这是因为实际回波中往往存在杂波，使得目标回波的明显特征也失去了有效性，如何得到最能表征目标信号的特征极为重要。

二、本发明利用CFAR检测获得的目标实时速度这个先验信息，缩短了f_i的搜索范围，提高了其搜索精度。进而得以简化字典，减少计算量，实时性能好。

三、本发明不需要在图像域进行困难的特征选择和特征提取，而是基于雷达系统进行人体目标运动分析。并利用稀疏信号处理技术得到较为理想的目标信号，较传统的时频分析方法提取特征更容易、特征估计精度更高，再结合SVM分类器可以实现行人检测，且准确率高，稳健性好。

四、本发明的行人检测系统技术结合雷达特性可满足多种应用场景，实用价值高。

五、对比文件CN201610642463.7基于人体模型的LFMCW雷达探测运动人体目标的方法，具体的，这篇发明是对躯干进行非线性相位补偿，表现为慢时间-距离域二维矩阵数据X_n，与构建的非线性相位补偿信号H_p，q作克罗内克积，得到的结果是一个四维矩阵Y_p，q，如图8，图中的Y_n，p，q是三维矩阵，因为仅取出某个距离门n计算得到，共N个距离门遍历完成后得到的Y_p，q就是四维矩阵。本申请的发明是遍历的二维矩阵，且多个目标(多个距离门)在进行稀疏重构时，不断进行残差相减，进而提出有效数据输入到目标决策器识别。所需的内存存储更小，且大大缩小了计算量。

六、对比文件CN201610642463.7基于人体模型的LFMCW雷达探测运动人体目标的方法，具体的，这篇专利严格按照人体模型躯干位移S_p，q(m)进行相位补偿。该人体模型本身的缺点是按照人体速度3m/s以下构建的，也就使得人体速度过快(>3m/s)时，该方法失效。

附图说明

图1为系统结构框图；

图2为稀疏重构方法处理流程图；

图3为目标决策器结构框图；

图4为单行人目标时频谱图；

图5为单目标躯干分量重构图；

图6为两行人目标时频谱图；

图7为两目标躯干分量重构图；

图8为现有技术矩阵举例示意图。

具体实施方式

缩写语与关键语定义

FFT(Fast Fourier Transform，快速傅里叶变换)

CFAR(constant false alarm rate，恒虚警)

PRI(pulse repetition period，脉冲重复周期)

OMP(Orthogonal Matching Pursuit，正交匹配追踪)

SVM(Support Vector Machine，支持向量机)

本发明提出一种基于时频域稀疏重构的雷达行人检测系统。人在前行的过程中，躯干和四肢会呈现规律性的摆动，即目标微动在雷达信号中呈现微多普勒效应。研究雷达回波的多普勒偏移及其相位变化规律，结合稀疏信号处理技术完成本发明的行人探测系统。

为了使本发明的目的、技术方案及优点更加清楚明白，现结合附图和实施例，对本发明作进一步描述，具体如下。

本实施例采用连续波调频(FMCW)信号作为雷达发射信号，脉冲重复周期(PRI)数为M。实施例的人体模型将人体身体部位大致分为10个部位分量，包括头部、躯干、左右大臂、左右小臂、左右大腿、左右小腿，研究发现躯干部位的能量最强。为了提高检测精度，本发明重点考虑躯干分量，仅重构目标信号的躯干分量，其余部位分量与杂波一同被滤除掉。

图1为本发明的系统结构框图，包括雷达设备、算法处理模块、目标决策器，其中算法处理模块主要包括二维FFT、CFAR检测、稀疏重构、特征提取。

根据图1，归纳为6个主要部分：

1、雷达作为数据采集设备，可获到A/D采样数据，作为待识别的雷达信号S(t)；

2、A/D采样数据作二维FFT，得到距离维-速度维频域数据S(f)；

3、CFAR检测获取动目标运动参数，同时得到运动目标所在距离门；

4、取出动目标所在距离门数据S_n(f)，进行稀疏重构处理；

5、对重构的动目标信号进行特征提取；

6、通过目标决策器，判决目标所属类别。

所述的A/D采样数据指对雷达差拍回波信号进行采样处理。在M个脉冲重复周期内，结合人体运动模型，可得行进人体目标第i部位的FMCW雷达差拍信号为：

行进人体目标雷达总回波可视为各部位回波叠加：

式中，f₀为载波中心频率，u为调频斜率，T为扫描信号发射重复周期，τ_i，m为发射信号与人体第i部位接收信号间的时延，m＝1，2，…，M为第m个脉冲重复周期，A₀为信号幅值，η_i为人体第i部位的反射系数，t为实际时刻，j为数学表达形式，代表复数，举例有e^jx＝cos(x)+jsin(x)。

所述的二维FFT分别对应距离维FFT和速度维FFT，得到二维矩阵数据。

所述的CFAR检测是对二维矩阵数据作处理，检测距离单元内有无目标存在，获取动目标个数Q及其对应的距离、速度等运动参数。选取某一距离单元作为待检测单元，进行后续处理。

所述的取出动目标所在距离门数据S_n(f)，是因为单个目标可能出现跨越距离门的现象。设目标所占据距离门个数为x，即单个目标信号有：

S_q(f)＝∑_xS_n(f) (3)

多目标雷达总回波可视为单目标回波叠加：

所述的稀疏重构是以chirp原子为稀疏字典，对待检测距离单元进行多分量分离和目标信号重构。本发明稀疏重构方法的处理流程图如图2所示。

具体处理做法为：

(1)稀疏字典初始化。

短时窗函数设计

窗函数可选取汉明窗，定义如下：

此外，合适的窗长度选取也至关重要，一方面，在窗长度内需保证采样点足够多，用于满足相参积累；另一方面，窗长度越窄对信号的逼近性能越好，可以很好的描述信号的时变特性。针对两个条件，折中选取合适的窗长度。

稀疏字典设计

在雷达系统中，FMCW雷达回波信号属于短时非平稳信号，对雷达回波信号做加窗处理后，使得非平稳信号段的频率规律可以表示为线性chirp信号的加权和，且其中大部分参数系数为零，故它在时频域上是稀疏的。结合式(1)，本发明采用chirp基(字典原子往往具体细分为正弦基和chirp基等)构造稀疏字典，同时利用CFAR检测获得的目标实时速度v_i这个先验信息，得以简化字典，减少计算量。记(构造的字典的具体表达式记为)构造的chirp字典为I×J的矩阵

式(6)中，字典原子

N为信号的离散点数，f_i为目标运动引起的实时多普勒频率，气为雷达回波信号的调频率。设定f_i和u_j搜索精度和范围。

对于f_i有：

本发明先基于CFAR检测获得目标实时速度v_i，得到目标的实时多普勒频率f_i为：

f_i＝2v_i/λ (7)

通过CFAR计算得到的f_i，可以缩短搜索范围为[f_i-a，f_i+a]，搜索个数为I。a的取值范围根据人体运动速度引起的频偏值确定，这是因为雷达调制得到的人体回波具有正弦特性，最低频偏f_min和最高频谱f_max可以大致确定。本实施例在获得实时的f_i后，令a＝1就可以搜索得到较为精确的结果，较f_i-f_min或f_max-f_i的值小很多。需要进一步说明的是，a的大小可根据不同的雷达体制和目标类别调整。该方法提高了搜索精度，减少计算量。

对于u_j有：

|u_j|≤F_maxF_s/N (8)

式中F_max为雷达回波信号的最大频率，F_s(F_s＝2F_max)是采样频率。搜索范围为

搜索个数为J。

(2)OMP正交匹配追踪。

本实例采用OMP正交匹配追踪技术，多次进化得到最能描述加窗信号的最佳稀疏chirp原子组合并保存，该最佳稀疏chirp原子组合用于重构目标信号。OMP算法的优点在于，分解的每一步所选择的全部原子进行正交化处理，使得在保证精度的同时，收敛速度更快，实时性能好。算法描述如下：

·压缩重构思想

定义压缩观测y＝Φx，其中y为观测所得向量，x为某距离门单元中的原信号，Φ为观测矩阵。通常x不是稀疏的，需要找到一个变换域

使其稀疏，即

其中，θ为K稀疏(θ仅K个非零项)，是信号x在变换域

的稀疏表示。整理如下：

令

称A为传感矩阵，则y＝A·θ。

·OMP算法步骤

输入：观测向量y，稀疏度K，传感矩阵A；

输出：信号稀疏表示系数估计

残差

符号说明：t表示迭代次数，r_t表示残差，Λ_t表示t次迭代的索引(列序号)集合，λ_t表示第t次迭代找到的索引(列序号)，α_j表示矩阵A的第j列，A_t表示索引集Λ_t选出的矩阵A的列集合，θ_t为信号的稀疏表示系数向量，符号∪表示集合并运算，<·，·>表示向量作内积运算，符号

表示空集，稀疏度K＜＜Q＜＜N。步骤详细如下：

步骤1：初始化残差r₀＝y，索引集

传感矩蒋

t＝1；

步骤2：找到索引λ_t，使得λ_t＝arg max|<r_t-1，α_j>|；

步骤3：令Λ_t＝Λ_t-1∪{λ_t}，A_t＝A_t-1∪a_j；

步骤4：求y＝A_t·θ_t的最小二乘解，

步骤5：更新残差

步骤6：t＝t+1，如果t＜K则返回步骤2，否则停止迭代进入步骤7；

步骤7：得到

在Λ_t处有非零项，其值分别为最后一次迭代所得的

OMP算法在求取残差的过程中，逐个分离出目标总回波中能量最强的信号，即信号能量最强的优先被分离出来。

(3)重构目标信号。

至此，(2)小节中计算得到的每个

对应目标信号的最佳稀疏表示，利用(1)小节中的字典矩阵

可重构目标信号

进一步地，实际目标雷达回波信号

得以重构完成。遍历所有待检测距离单元，直至对CFAR检测到的Q个动目标信号重构完毕。

所述的特征提取是对重构信号提取多普勒展宽，步态周期等特征，作为目标决策器的输入。

在常规路况中，从目标微动特性出发，人和动物这类非刚体运动有明显地微动特性，表现在时频域中具有严重的多普勒展宽现象。其中，人是两足动物，当肢体运动的频率相同时，人的步幅和速度将分别比动物长和高，人腿的高瞬时速度导致了高的最大多普勒频率。人正常行走时的步幅约为60-80cm，人跑步时的步幅约为70-120cm，这与狗这类小型动物的步幅有很大区别。而车辆这类刚体运动不具有明显的微动特性，表现在时频域中不具有多普勒展宽现象。

基于上述行人与动物、车辆之间明显的特征差异，本实例按照以下三个特征为例：

·多普勒带宽：微多普勒扩展的总宽度；

·躯干平均多普勒频率：人体躯干多普勒振动的平衡位置；

·步态周期：目标运动周期性。

对稀疏重构获得的较为理想的信号进行上述特征提取，可以很好的分辨出行人。

所述的目标决策器则是根据所提取特征是否在行人特征范围内，若是，则判决动目标为行人；若不是，则判决动目标为非行人。输出目标类别。

本实例选取SVM分类器对得到的运动特征进行学习，设计分类模型，完成目标决策器的构建。SVM分类器结构框图如图3所示。

为了进一步说明本发明的益处，结合仿真实验说明。

仿真实验1：设置单目标，相关仿真参数如表1所示，得到时频谱图如图4所示，且在图4中用红线标出多普勒带宽、躯干平均多普勒频率和步态周期这三个特征值。

表1：仿真参数

将单行人目标的雷达总回波信号S_B，m(t)作为本发明系统的输入信号，依次经过二维FFT、CFAR检测和稀疏重构处理，重构获得本次人体模型躯干分量如图5所示。

对重构出来的躯干分量进行特征值估计，所得结果记录如表2所示。

表2：单目标特征值估计

目标	多普勒带宽	躯干平均	步态周期
				目标1	58Hz	63Hz	1.146s

仿真实验2：设置两目标，相关仿真参数如表3所示，得到时频谱图如图6所示。

表3：仿真参数

将两行人目标的雷达总回波信号S₂(t)＝S_1，B，m(t)+S_2，B，m(t)作为本发明系统的输入信号，依次经过二维FFT、CFAR检测和稀疏重构处理，重构获得两行人目标躯干分量如图7所示。

对重构出来的躯干分量进行特征值估计，所得结果记录如表4所示。

表4：两目标特征值估计

目标	多普勒带宽	躯干平均	步态周期
				目标1	58Hz	63Hz	1.146s
目标2	102Hz	164Hz	0.921s

由图4、图5、图6和图7可知，本发明基于时频域稀疏重构的雷达行人检测系统可以很好的重构出行人的躯干分量，多目标时依然有效，较传统时频分析得到的时频图，更容易进行特征提取。

由表1、表2、表3和表4可知，目标1设置的步态周期为1.15s，经稀疏重构后估计为1.146s；目标2设置的步态周期为0.89s，经稀疏重构后估计为0.921s。估计精度高，误差小。

综上，本发明在复杂环境下，仅重构目标信号的躯干分量，其余部位分量与杂波一同被滤除掉，降低了多分量混叠，特征难以提取的困难，能有效提高检测精度，结合SVM分类器可以实现行人检测，且准确率高，稳健性好。

Claims (4)

1.一种基于时频域稀疏重构的雷达行人检测方法，其特征在于：包括以下步骤：

步骤1、雷达作为数据采集设备，可获到A/D采样数据，作为待识别的雷达信号S(t)；

步骤2、A/D采样数据作二维FFT，得到距离维-速度维频域数据S(f)；

步骤3、CFAR检测获取动目标运动参数，同时得到运动目标所在距离门；

步骤4、取出动目标所在距离门数据S_n(f)，进行稀疏重构处理；

步骤5、对重构的动目标信号进行特征提取；

步骤6、通过目标决策器，判决目标所属类别；

稀疏重构处理部分构造chirp字典为I×J的矩阵

式(1)中，字典原子

N为信号的离散点数，f_i为目标运动引起的实时多普勒频率，u_j为雷达回波信号的调频率，设定f_i和u_j搜索精度和范围，F_s是采样频率。

2.根据权利 要求1所述的一种基于时频域稀疏重构的雷达行人检测方法，其特征在于：对于f_i有：先基于CFAR检测获得目标实时速度v_i，得到目标的实时多普勒频率f_i为：

f_i＝2v_i/λ (2)

通过CFAR计算得到的f_i，可以缩短搜索范围为[f_i-a,f_i+a]，搜索个数为I，a的取值范围根据人体运动速度引起的频偏值确定。

3.根据权利 要求1所述的一种基于时频域稀疏重构的雷达行人检测方法，其特征在于：对于u_j有：

|u_j|≤F_maxF_s/N (3)

式中F_max为雷达回波信号的最大频率，F_s是采样频率，F_s＝2F_max，N为信号的离散点数，搜索范围为

搜索个数为J。

4.根据权利 要求1所述的一种基于时频域稀疏重构的雷达行人检测方法，其特征在于：所述的A/D采样数据指对雷达差拍回波信号进行采样处理，在M个脉冲重复周期内，结合人体运动模型，可得行进人体目标第i部位的FMCW雷达差拍信号为：

行进人体目标雷达总回波可视为各部位回波叠加：

式中，f₀为载波中心频率，u为调频斜率，T为扫描信号发射重复周期，τ_i,m为发射信号与人体第i部位接收信号间的时延，m＝1,2,…,M为第m个脉冲重复周期，A₀为信号幅值，η_i为人体第i部位的反射系数，t为实际时刻，j代表复数。

Images