CN110161491A - 一种针对微弱生命体的测距和呼吸频率估计方法 - Google Patents

Abstract

本发明公开一种针对微弱生命体的测距和呼吸频率估计方法，应用于雷达探测领域，针对现有技术对于遮挡目标或信噪比较低的弱目标难以探测的问题，本发明利用多帧非相干积累得到目标可能出现的距离单元及对应的幅度，从而自适应地调节不同距离单元上相关熵的参数，通过对每个距离单元上不同周期的数据进行相关熵处理，实现了对弱目标的增强，最终在距离‑多普勒平面得到了所有人体目标的呼吸频率和距离信息；本发明的优点是能够在低信噪比下完成对多个静止人体目标的测距和呼吸频率提取。

Description

一种针对微弱生命体的测距和呼吸频率估计方法

技术领域

本发明属于雷达探测的技术领域，特别涉及一种利用雷达进行生命探测的技术。

背景技术

雷达生命迹象探测技术是一种综合运用生物医学、电子工程、雷达信号处理等技术的新型非接触式生命探测技术，其探测原理是利用生命体目标的微动(呼吸、心跳等)对回波信号的相位调制，对回波进行微多普勒分析，从而实现对目标的探测和相关参数估计等。

雷达生命迹象探测，根据探测目标数目的不同，可以分为单目标和多目标两种情况。现阶段，国内外对于单目标探测的研究已经较为完备。有基于谱分析的傅里叶变换算法，多信号分类(MUSIC)算法，松弛谱估计(RELAX)算法等；有基于时频分析的短时傅里叶变换算法，经验模态分解算法，小波变换算法等。这些算法均可以实现单目标场景下的生命迹象探测。

针对多目标场景下的生命迹象探测问题，国内外研究机构开展了相关研究工作。美国夏威夷大学提出了实解析恒模算法(Petrochilos N,Rezk M,Host-Madsen A,etal.Blind Separation of Human Heartbeats and Breathing by the use of a DopplerRadar Remote Sensing[C].2007IEEE International Conference on Acoustics,Honolulu,HI,USA,2007:I-333-I-336)，实现了对环境中多人体目标的识别，但是该算法无法获得场景中多目标的距离信息。中国电子科技大学基于步进频连续波雷达，提出了一种利用距离门和动目标检测(Moving Target Detection,MTD)滤波，通过时域和频域联合检测的生命迹象探测方法，实现了目标测距和频率信息的获取(Kong L J,Su T T,Cui G L,et al.Life detection algorithm for stepped-frequency CW Radar[C].2009IETInternational Radar Conference,Guilin,China,2009:1-4.)。中国第三军医大学基于调频连续波雷达，提出了一种双参数最小均方(Least Mean Square,LMS)滤波器的生命信号提取算法(He M,Nian Y,Gong Y.Novel signal processing method for vital signmonitoring using FMCW radar[J].Biomedical Signal Processing and Control,2017,33:335-345.)，有效地分离出了多目标的呼吸和心跳信号。然而，当场景中的人体目标被其他目标遮挡时，遮挡目标回波的信噪比会变得很低，上述方法均难以实现在这种低信噪比情况下对弱目标的探测。

发明内容

为解决上述技术问题，本发明提出一种针对微弱生命体的测距和呼吸频率估计方法，通过对弱目标进行增强，实现在低信噪比下对所有目标测距和呼吸频率提取。

本发明采用的技术方案为：一种针对微弱生命体的测距和呼吸频率估计方法，包括：

S1、对回波信号进行预处理；

S2、对经预处理后的数据利用多帧非相干积累得到目标可能出现的距离单元及对应的幅度；

S3、根据目标可能出现的距离单元对应的幅度，自适应地调节不同距离单元上相关熵的参数；

S4、对每个距离单元上不同周期的数据进行相关熵处理；

S5、在经相关熵处理后的距离-多普勒平面，计算得到人数判决与目标测距。

所述步骤S2具体为：

首先对经步骤S1预处理后的多周期的数据进行非相干积累，得到各距离单元非相干积累后的幅值；

将这些幅值按照降序排列，取前λ个值作为疑似目标的幅值，则得到目标可能出现的距离单元及对应的幅值，λ为一个经验取值，取值范围为5-10。

步骤S3所述自适应地调节不同距离单元上相关熵的参数的计算式为：

σ_target＝βA

其中，σ_target为出现目标的距离单元对应的最适相关熵参数，β为比例系数，A为该距离单元对应的积累幅值。

步骤S4计算式为：

其中，V(δ,k)表示对第k个距离单元周期间隔为δ的两个数据进行相关熵处理的结果，δ＝1,2,...,M-1，M表示总的周期数，N表示总的距离单元数，σ(k)为第k个距离单元上的相关熵参数，d'[m,k]表示经步骤S1预处理后的数据，m为周期数，m＝1,2,…,M。

步骤S5所述经相关熵处理后的距离-多普勒平面具体通过以下过程得到：

A1、对经步骤S4相关熵处理后的数据沿慢时间域进行去均值处理；

A2、对去均值后的数据沿慢时间域进行低通滤波，然后进行FFT得到距离-多普勒平面。

步骤S5具体包括以下分步骤：

S51、通过门限检测对距离-多普勒平面的点进行二值化处理；

S52、对步骤S51二值化的结果进行基于密度的带有噪声的空间聚类算法处理，得到目标的人数和目标在RD平面的坐标；

S53、将聚类得出的目标距离和目标预检测的结果进行对比与匹配，以得出与真实值偏差最小的目标距离。

本发明的有益效果：本发明的方法利用多帧非相干积累得到目标可能出现的距离单元及对应的幅度，从而自适应地调节不同距离单元上相关熵的参数，通过对每个距离单元上不同周期的数据进行相关熵处理，实现了对弱目标的增强，最终在RD平面得到了所有人体目标的呼吸频率和距离信息；本发明的优点是能够在低信噪比下完成对多个静止人体目标的测距和呼吸频率提取。

附图说明

图1为本发明的方法流程图。

图2为具体实施方式中MTI后得到的距离像-周期平面的结果。

图3为具体实施方式中预检测的非相干积累处理结果。

图4为具体实施方式中经由相关熵处理后得到的RD平面结果。

具体实施方式

下面根据一个MATLAB仿真例子给出本发明的具体实施方式。仿真采用的步进频信号起始频率为1.6GHz，终止频率为2.2GHz，每个频点持续时间为40μs，频率步长为2MHz。IFFT点数取4096，处理帧数为500。为了仿真后方目标被遮挡的场景，设置目标到雷达距离分别为4m和6m，其中4米处目标的回波强度设置为6米处的10倍，目标呼吸频率均为0.4Hz。基带信噪比为10dB。

如图1所示，本发明的实现过程包括以下步骤：

步骤1：回波数据预处理

对接收到的回波信号进行I/Q解调，得到正交两路差拍信号。再将两路差拍信号r_I(t),r_Q(t)变成数字信号并进行周期为T的重采样，得到包含人体微动信息的基带复数信号。对MATLAB仿真产生的基带信号沿快时间域依次进行加窗、补零，然后进行快速逆傅里叶变换(IFFT，Inverse Fast Fourier Transform，快速傅里叶逆变换)，得到包含了所有目标距离信息的距离像d[m,k]，其中，m为周期数，k为距离单元数。随后对回波距离像d[m,k]进行MTI处理去除静态杂波的干扰得到MTI后的距离像d'[m,k]。

d'[m,k]的结果如图2所示，可以看出只有前方的目标有较为明显的峰值，而后方的目标几乎完全淹没于噪声中。

步骤2：自适应相关熵处理

2.1、目标预检测，首先对多周期的数据(仿真中取M＝500帧)进行非相干积累。

其中，D为积累后的幅度，K为距离单元数。

随后对D(k)使用峰值检测的方法进行目标预检测，将这些峰值按照降序排列，取前λ个值作为疑似目标的峰值，由此得到目标可能出现的距离单元的位置为L_acc，对应的积累幅值为A。λ为一个经验取值，取值范围为5-10，视实际探测场景大小取值，一般取值为5即可。

仿真中非相干积累的结果如图3所示。目标预检测后得到的目标可能出现的位置为4.0100m、6.0059m、7.1228m、0.8972m和2.1240m，对应的积累幅值分别为4.0447、0.6588、0.5427、0.5343和0.5246。

2.2、相关熵参数的自适应选取。根据目标可能出现的距离单元上非相干积累的幅值按照一定比例自适应地调节对应距离单元相关熵参数的值。

σ_target＝βA (3)

其中，σ_target即为目标处的最适参数，β为经验值，一般取为1即可得到较好的效果，当β确定后，σ_target所影响的最终相关熵的输出将只和不同目标的积累幅值A有关，即实现根据不同目标的积累幅值A对相关熵进行自适应调节。

2.3、对每个距离单元的数据进行相关熵处理。

其中，V(δ,k)表示对第k个距离单元周期间隔为δ的两个数据进行相关熵处理的结果，δ＝1,2,...,M-1。σ(k)为第k个距离单元上的σ参数，其表达式为：

式(5)中，H为一个远大于σ_target的数值，仿真中H取值为5×10⁵；ε为过渡单元数，代表着目标所影响的其两侧的距离单元总数，仿真中ε取值为20。

2.4、去均值处理。对式(5)的输出沿慢时间域进行去均值处理。

2.5、对式(6)的结果沿慢时间域进行低通滤波，去除由预检测中的虚警所带来的干扰。随后进行FFT得到距离-多普勒(RD，Range-Doppler)平面。如图4所示，通过本发明方法的处理已经可以较为明显地分辨出4米和6米处的两个目标。

步骤3：人数判决和目标测距

3.1、通过门限检测对RD平面的点进行二值化处理，其中目标处的值为1，其他区域的值为0。

3.2、对二值化的结果进行基于密度的带有噪声的空间聚类(Density basedspatial clustering of applications with noise,DBSCAN)算法处理，得到目标的人数和目标在RD平面的坐标。输出的目标人数为2人，提取出的目标呼吸频率为0.4133Hz和0.4046Hz，可见本发明的方法能很好地实现在低信噪比下完成对多个静止人体目标的呼吸频率提取。本步骤输出目标的人数判决结果和目标的呼吸频率。

3.3、将聚类得出的目标距离和目标预检测的结果进行对比与匹配，以得出与真实值偏差最小的目标距离。令聚类得出的目标所在的距离单元序数为L_DBSCAN，最终输出的目标距离单元数为L，则匹配的过程可以由下式表示：

L＝L_acc(arg min(|L_acc-L_DBSCAN|)) (7)

匹配之后输出的目标距离为4.0100m和6.0059m，与设定值4m和6m的误差分别为0.25％和0.10％1cm和0.59cm，一般测距误差在10cm以内则认为测距效果较好，可见本发明在低信噪比下对多个静止人体目标的测距效果非常好。

观察图2，在进行自适应相关熵处理之前，后方6m处目标在距离像平面中几乎无法被检测到。本发明在经由一系列处理之后，最终在步骤3.2和步骤3.3中输出了目标的准确人数和误差很小的测距和频率估计结果。本发明的方法能有效地探测弱目标，并且实现了在低信噪比下完成对多个静止人体目标的测距和呼吸频率提取。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (6)

1.一种针对微弱生命体的测距和呼吸频率估计方法，其特征在于，包括：

S1、对回波信号进行预处理；

S2、对经预处理后的数据利用多帧非相干积累，得到目标可能出现的距离单元及对应的幅度；

S3、根据目标可能出现的距离单元对应的幅度，自适应地调节不同距离单元上相关熵的参数；

S4、对每个距离单元上不同周期的数据进行相关熵处理；

S5、在经相关熵处理后的距离-多普勒平面，计算得到人数判决与目标测距。

2.根据权利要求1所述的一种针对微弱生命体的测距和呼吸频率估计方法，其特征在于，步骤S2具体为：

首先对经步骤S1预处理后的多周期的数据进行非相干积累，得到各距离单元非相干积累后的幅值；

将这些幅值按照降序排列，取前λ个值作为疑似目标的幅值，则得到目标可能出现的距离单元及对应的幅值，λ为一个经验取值，取值范围为5-10。

3.根据权利要求2所述的一种针对微弱生命体的测距和呼吸频率估计方法，其特征在于，步骤S3所述自适应地调节不同距离单元上相关熵的参数的计算式为：

σ_target＝βA

其中，σ_target为出现目标的距离单元对应的最适相关熵参数，β为比例系数，A为该距离单元对应的积累幅值。

4.根据权利要求2所述的一种针对微弱生命体的测距和呼吸频率估计方法，其特征在于，步骤S4计算式为：

其中，V(δ,k)表示对第k个距离单元周期间隔为δ的两个数据进行相关熵处理的结果，δ＝1,2,...,M-1，M表示总的周期数，N表示总的距离单元数，σ(k)为第k个距离单元上的相关熵参数，d'[m,k]表示经步骤S1预处理后的数据，m为周期数，m＝1,2,…,M。

5.根据权利要求4所述的一种针对微弱生命体的测距和呼吸频率估计方法，其特征在于，步骤S5所述经相关熵处理后的距离-多普勒平面具体通过以下过程得到：

A1、对经步骤S4相关熵处理后的数据沿慢时间域进行去均值处理；

A2、对去均值后的数据沿慢时间域进行低通滤波，然后进行FFT得到距离-多普勒平面。

6.根据权利要求5所述的一种针对微弱生命体的测距和呼吸频率估计方法，其特征在于，步骤S5具体包括以下分步骤：

S51、通过门限检测对距离-多普勒平面的点进行二值化处理；

S52、对步骤S51二值化的结果进行基于密度的带有噪声的空间聚类算法处理，得到目标的人数和目标在RD平面的坐标；

S53、将聚类得出的目标距离和目标预检测的结果进行对比与匹配，以得出与真实值偏差最小的目标距离。