CN110879388A - 基于ir-uwb生物雷达信号的人与动物非接触探测区分方法 - Google Patents

Abstract

本发明属于生物雷达技术领域，公开了一种基于IR‑UWB生物雷达信号的人与动物非接触探测区分方法。包括步骤1：IR‑UWB生物雷达的发射天线对目标发射雷达脉冲，雷达脉冲被目标反射，通过IR‑UWB生物雷达的接收天线获得雷达回波信号E(m,n)；步骤2：将步骤1获得的雷达回波信号E(m,n)通过信号预处理得到能量信号E₆(l)；步骤3：去除步骤2获得的E₆(l)的直达波得到能量信号E₇(l)，然后获取E₇(l)的最大值幅值E_7max和最大值在慢时间方向对应的位置l_max；步骤4：计算E₇(l)的波峰‑背景比值V_EtoB，然后计算平均相关系数r_m，通过目标探测区分规则得到目标的种类。

Description

基于IR-UWB生物雷达信号的人与动物非接触探测区分方法

技术领域

本发明属于生物雷达技术领域，具体涉及一种基于IR-UWB生物雷达信号的人与动物非接触探测区分方法。

背景技术

生物雷达是一种通过提取雷达回波中与生命体征相关的信号，非接触、远距离、并且能穿透一定介质实现生命体探测、生命体征监测、生命体成像和定位等功能的技术。其原理是雷达对人体发射电磁波，电磁波经过呼吸、心跳、体动等人体生理活动的调制后反射回雷达接收天线，雷达接收后再通过一定的信号处理技术从雷达回波中获取关于人体目标的生理和生物信息，这些信息包括生理参数、波形、图像、目标位置等。因为具有以上优点，生物雷达技术在灾后救援、医学监测、反恐维稳、战场搜救等领域显示出了极大的优越性和广阔的应用前景。

目前国内外关于生物雷达的探测研究多关注探测结果是否有人体目标，以及目标的数量、位置、姿势、轮廓等信息。然而在地震等灾害发生后的搜救行动中遇到的实际问题是复杂多样的。例如在2008年汶川地震中，救援队利用搜救生物雷达探测到一处废墟下生命信号，经过搜救官兵几个小时的破拆挖掘，结果发现废墟下面掩埋的是一只家禽。因此在灾后救援中的失踪人员搜寻等应用场合，我们不仅想知道是否有生命体存在，而且还想知道被探生命体是人还是动物。人与动物的准确区分识别对于科学制定救援方案，节约有限的救援力量和资源，在救援黄金期内提高搜救效率，增强救援人员的搜救信心，更加精准地辨识并挽救幸存者生命具有十分重要的现实意义。

当UWB生物雷达的发射信号照射到静止物体时，雷达回波信号是稳定的固定值，但是当照射到人或者动物等生命体时，由于生命体呼吸等引起的体表微动起伏，导致雷达原始回波信号出现波动，因此我们可以通过这些微小波动对生命体进行检测，并且可以利用人和动物在雷达回波中产生微小波动特点(如能量幅值、信号规律性等特点)的不同进行人与动物的辨识区分。

发明内容

本发明的目的在于提供一种基于IR-UWB生物雷达信号的人与动物非接触探测区分方法，用实现人与动物的辨识区分的问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于IR-UWB生物雷达信号的人与动物非接触探测区分方法，包括如下步骤：

步骤1：IR-UWB生物雷达的发射天线对目标发射雷达脉冲，雷达脉冲被目标反射，通过IR-UWB生物雷达的接收天线获得雷达回波信号E(m,n)，其中，m为快时间方向的采样序数，n为慢时间方向的采样序数，且m和n为正整数；

步骤2：将步骤1获得的雷达回波信号E(m,n)通过信号预处理得到能量信号E₆(l)；

步骤3：去除步骤2获得的E₆(l)的直达波得到能量信号E₇(l)，然后获取E₇(l)的最大值幅值E_7max和最大值在慢时间方向对应的位置l_max；

步骤4：计算E₇(l)的波峰-背景比值V_EtoB，然后计算平均相关系数r_m，通过目标探测区分规则得到目标的种类，所述目标探测区分规则为：

a)如果V_EtoB<σ_N，则判别结果为无目标；

b)如果σ_N≤V_EtoB<σ_Y，且r_m<σ_rm1，则判别结果为无目标；

c)如果V_EtoB≥σ_Y，则判别结果为人体目标；

d)如果S_thres≤V_EtoB<σ_Y，且r_m＞σ_rm2，则给出判别结果为人体目标；

f)除a)b)c)d)以外其他情况，则判别结果为动物目标；

其中，σ_N表示无目标阈值，σ_Y表示人体目标阈值，S_thres表示灵敏度阈值且σ_N<S_thres<σ_Y，σ_N、σ_Y和S_thres均大于1，σ_rm1表示弱相关阈值，σ_rm2表示强相关阈值且σ_rm1<σ_rm2，σ_rm1和σ_rm2均大于0小于1。

进一步的，步骤4中σ_N＝1.65，σ_Y＝8，σ_rm1＝0.45，σ_rm2＝0.92，S_thres＝{2，3，3.8}。

进一步的，步骤2中的信号预处理包括如下子步骤：

步骤2.1：对E(m,n)进行距离累积；

步骤2.2：将步骤2.1距离累积后的信号乘以式Ⅰ的指数增益曲线G(l)，进行衰减补偿；

其中，V_h表示雷达回波数据的最大值和目标反射回波的幅值的比值，P是目标位置单位为m，l表示距离累积后的快时间序号，l＝1,2,…,L且L为正整数；

步骤2.3：对步骤2.2衰减补偿后的信号移除静态杂波；

步骤2.4：对步骤2.3移除静态杂波后的信号进行线性趋势消除；

步骤2.5：对步骤2.4线性趋势消除后的信号在慢时间维度上进行低通滤波；

步骤2.6：对步骤2.5低通滤波后的信号沿慢时间轴累加，得到能量信号E₆(l)。

进一步的，通过式Ⅱ计算得到最大值处的相关系数均值r_m：

其中，i表示相关系数的序号且i＝1,2,3,4,5,6，E₅(l,q)表示步骤2.5得到的慢时间维度上进行低通滤波后的中间通道的信号，E_max(q)表示E₅(l,q)的最大值位置处的信号，E_(max+(i-4))(q)表示与E₅(l,q)的最大值位置相邻的前三个位置的信号，E_(max+(i-3))(q)表示与E₅(l,q)的最大值位置相邻的后三个位置处的信号，Q表示E₅(l,q)慢时间方向的信号总采样点数且Q为正整数，q表示慢时间方向的第q个信号采样点且q为正整数。

本发明与现有技术相比具有以下技术特点：

1、本发明根据人体和动物呼吸等信号特征，主要采用能量噪声比、相关系数均值两个特征参数、多个阈值相结合的一套目标探测与区分程序，实现了人与动物的探测区分，并且可以给出目标的距离。

2、本发明采用预先判定目标位置，再根据计算出来的指数增益曲线G(l)，在距离向上对信号进行衰减补偿，解决了雷达信号在传输过程中随着距离的增加产生的能量衰减问题，有效降低了远端目标的漏判率，相比分段的线性增益补偿方式，本发明采用的增益补偿更加精确。

3、本发明给出了两个特征参数能量噪声比、相关系数均值的物理意义、公式以及计算方法，在此基础上给出了各参数的最优判别阈值。在该最优阈值条件下，本发明提出的探测区分方法能以较高的识别正确率区分人与犬、猫、家禽等动物。

附图说明

图1为IR-UWB生物雷达系统原理框图；

图2为雷达回波信号二维矩阵示意图；

图3为(a)为快时间信号波形图；

图3为(b)为慢时间信号波形图；

图4为IR-UWB雷达探测人体呼吸示意图；

图5为人体呼吸的脉冲回波示意图；

图6为信号预处理算法流程图；

图7为模拟的雷达回波信号示意图；

图8为静态杂波移除后的模拟回波信号示意图；

图9为人与动物探测区分方法流程图；

图10为实施例1的能量信号E₆(l)示意图；

图11为实施例1的最大值处的慢时间信号E_max(n)示意图；

图12为实施例2的能量信号E₆(l)示意图；

图13为实施例2的最大值处的慢时间信号E_max(n)示意图；

图14为实施例3的能量信号E₆(l)示意图；

图15为实施例3的最大值处的慢时间信号E_max(n)示意图；

图16为实施例4的能量信号E₆(l)示意图；

图17为实施例4的最大值处的慢时间信号E_max(n)示意图。

具体实施方式

首先对本发明中出现的技术术语进行解释：

生物雷达技术：包含连续波(Continuous Wave，CW)雷达和超宽谱雷达(Ultra-wideband，UWB)，其中，超宽谱生物雷达因其具有高距离分辨率和目标识别能力等特点而成为目前生物雷达技术研究的主流。而冲击脉冲超宽谱雷达(Impulse-radio Ultra-wideband，IR-UWB)因为其性能优良、结构简单等特点而成为灾后搜救等领域内的研究热点，因此人与动物的识别区分采用IR-UWB生物雷达系统来实现。

慢时间：雷达对目标的探测时间，单位是秒(s)。

快时间：脉冲传播所用时间，单位是纳秒(ns)。

如图3所示，在实际探测中，IR-UWB雷达采样的回波信号经过采样、积分和放大后，存储在一个二维矩阵R(m,n)中，其中m为行向量，n为列向量，图中的横轴表示慢时间，纵轴表示快时间，快时间可根据电磁波在介质中的传播速度折算成探测距离，单位是米(m)。

快时间和距离的计算关系为：距离(m)＝快时间(ns)×电磁波在介质中的传播速度(m/ns)/2。

快时间信号：在某一时刻，沿着快时间维度的信号，即二维矩阵的列向量。

慢时间信号：在某一距离点，沿着慢时间维度的信号，即二维矩阵的行向量。

本发明实现的原理为：当生物雷达的发射信号照射到静止物体时，雷达回波信号是稳定的固定值，但是当照射到人或者动物等生命体时，由于生命体呼吸等引起的体表微动起伏，导致雷达原始回波信号出现波动，因此我们可以通过这些微小波动对生命体进行检测。

本发明公开了一种IR-UWB生物雷达系统，系统结构框图如图1所示，脉冲发生器以一定的脉冲重复频率(Pulse Repeat Frequency,PRF)产生脉冲信号。产生的脉冲信号分成两路：一路经过发射电路调理整形成双极性脉冲信号，通过发射天线辐射出去；另一路脉冲信号被送入延时单元在微处理器控制下产生一系列延时时间可调的距离门，距离门其实是一种采样脉冲信号，持续时间非常短，在该信号的触发下，接收电路能够对雷达回波进行选择性地接收采样。由发射天线辐射出去的信号在遇到物体时发生反射，反射的雷达回波被接收天线接收后送入接收电路在距离门的触发下进行选择性地采样、积分、放大，然后通过模数转换器(Analog to Digital Converter,ADC)形成雷达回波信号。雷达回波信号在微处理器控制下经由WiFi模块送到处理显示终端进行信号处理和结果显示。

图3(a)和(b)分别显示了雷达回波快时间信号和慢时间信号的波形。IR-UWB雷达时窗的窗宽决定了快时间信号的长度，在本发明的实验设置中，一个快时间信号的时窗宽度设为80ns，对应的探测距离为12m范围。每个快时间信号由8192个采样点组成，每两个快时间信号之间的时间间隔T_s＝0.0625s，也就是说，慢时间信号的采样频率f_s＝1/T_s＝16Hz，满足奈奎斯特采样定律对人体呼吸信号采样的要求。

在本实施例中公开了一种基于IR-UWB生物雷达信号的人与动物非接触探测区分方法，包括如下步骤：

步骤1：IR-UWB生物雷达的发射天线对目标发射雷达脉冲，雷达脉冲被目标反射，通过IR-UWB生物雷达的接收天线获得雷达回波信号E(m,n)，其中，m为快时间方向的采样序数，n为慢时间方向的采样序数，且m和n为正整数；

步骤2：将步骤1获得的雷达回波信号E(m,n)通过信号预处理得到能量信号E₆(l)；

步骤3：去除步骤2获得的E₆(l)的直达波得到能量信号E₇(l)，然后获取E₇(l)的最大值幅值E_7max和最大值在慢时间方向对应的位置l_max，根据l_max获得目标到雷达的距离；总采样点数对应总距离，l_max对应的采样点在总采样点中的比例对应目标到雷达的距离在总距离的比例，从而获得获得目标到雷达的距离；

经过前述一系列信号处理以后，能量信号的幅值与生命体的生命信号密切相关，幅值越大，表明该距离处生命微动信号越强，越有可能是一个人体或者动物目标；

步骤4：计算E₇(l)的波峰-背景比值V_EtoB，然后计算平均相关系数r_m，通过目标探测区分规则得到目标的种类，所述目标探测区分规则为：

a)如果V_EtoB<σ_N，则判别结果为无目标；

b)如果σ_N≤V_EtoB<σ_Y，且r_m<σ_rm1，则判别结果为无目标；

c)如果V_EtoB≥σ_Y，则判别结果为人体目标；

d)如果S_thres≤V_EtoB<σ_Y，且r_m＞σ_rm2，则给出判别结果为人体目标；

f)除a)b)c)d)以外其他情况，则判别结果为动物目标；

其中，σ_N表示无目标阈值，σ_Y表示人体目标阈值，S_thres表示灵敏度阈值且σ_N<S_thres<σ_Y，σ_N、σ_Y和S_thres均大于1，σ_rm1表示弱相关阈值，σ_rm2表示强相关阈值且σ_rm1<σ_rm2，σ_rm1和σ_rm2均大于0小于1。

优选的，步骤4中σ_N＝1.65，σ_Y＝8，σ_rm1＝0.45，σ_rm2＝0.92，S_thres＝{2，3，3.8}。其中，设置三档灵敏度阈值S_thres，根据不同的探测灵敏度需求，生物雷达操作人员可以设置三档不同的灵敏度阈值S_thres＝2时探测灵敏度最高，S_thres＝3.8时探测灵敏度最低。

其中，无目标阈值和人体目标阈值通过式Ⅰ获得：

a为常系数，无目标时，信号最大幅值与背景噪声的比值水平大约为1.65或者小于1.65，即此时信号最大幅值约为背景噪声的1倍多，二者能量水平基本相当，信号波形呈现出接近背景噪声而无明显波峰的形态。当目标为人体目标时，由人体呼吸运动引起的胸部体表起伏导致信号在目标距离处幅值增大,信号最大幅值与背景噪声的比值水平在2倍以上(根据目标胸壁面积、呼吸幅度、背景信号能量水平不同而不同)，在有些场景下，该比值甚至可以达到8以上，此时信号最大幅值明显大于背景噪声的能量水平，信号波形在目标距离处呈现出一个显著波峰的形态。

弱相关阈值和强相关阈值通过式Ⅱ获得：

b为常系数，弱相关阈值和强相关阈值是跟据实验中一定样本量的实测数据来确定的，在两个阈值分别取0.45和0.92时，对人、动物和无目标的区分效果最好。

具体的，步骤1获得雷达回波信号的方法为：

IR-UWB雷达探测人体呼吸示意图如图4所示，假设人体目标的胸壁表面与雷达之间的初始距离是d₀，人体的呼吸会引起胸腔周期性的扩张和收缩，一般情况下，人体呼吸时胸腔壁的位移是一个关于慢时间的正弦函数x(t)，那么人体目标的胸壁表面与雷达之间的实际距离d(t)将会根据人体的呼吸频率f_r在d₀附近周期性地变化：

d(t)＝d₀+x(t)＝d₀+Arsin(2πf_rt)

式中t表示慢时间，x(t)表示人体呼吸时胸壁位移的变化，Ar表示人体呼吸的最大幅度。

因为探测范围内的环境是静态的，人体目标也保持静止，只有呼吸引起的胸壁运动，那么雷达系统的脉冲响应h(t,τ)将和呼吸运动一样随时间变化：

式中，t表示慢时间，τ表示快时间，

表示静态背景目标的脉冲回波成分，其中α_i和τ_i分别为第i个静态目标脉冲回波的幅度和在快时间维度上的延时，α_vδ(τ-τ_v(t)表示人体目标呼吸运动的脉冲回波成分，其中α_v为脉冲回波的幅度，τ_v(t)为人体目标脉冲回波在快时间维度上的延时变化，可以表示为：

式中c为电磁波在真空中的传播速度，τ_r为呼吸运动在快时间维度上的最大延时，τ₀为雷达波在人体胸壁表面与雷达之间(初始距离)的延时，即

如果忽略脉冲失真和其它非线性影响，就可以将雷达的回波信号看作是雷达发射脉冲和系统脉冲响应的卷积。那么在不考虑噪声存在的条件下，t时刻雷达的回波信号为：

式中p(τ)为雷达的发射脉冲，“*”表示卷积运算。

为了更加清楚地解释该信号模型，人体呼吸的脉冲回波示意图如图5所示。从图中可以看出，人体呼吸的脉冲回波在快时间维度上的延时是随着慢时间变化的，而静态目标的脉冲回波延时是不变的。

实际探测中，IR-UWB雷达系统沿快时间方向在各离散时刻τ＝mT_f(m＝1,2,...,M)对每个脉冲波形上的各点进行采样，而沿慢时间方向在每个离散时刻t＝nT_s(n＝1,2,...,N)采样一次脉冲波形。采样后的回波信号存储为一个(M×N)二维数组E，数组E中的元素用E(m,n)表示：

信号E(m,n)为一个二维信号，m为快时间方向的采样序数，其中n为慢时间方向的采样序数。

具体的，步骤2中的信号预处理包括如下子步骤：

步骤2.1：对E(m,n)进行距离累积，以中间通道为例：

本研究采用的IR-UWB雷达系统，其采样点数为8192，时窗为80ns，如果直接对雷达原始回波数据进行处理，计算量大，运算缓慢，对探测识别的实时性不利。在IR-UWB雷达接收的二维原始回波数据E(m,n)中，由于快时间维度上邻近距离点处的雷达回波的调制方式大致相同，且具有一定的相关性，因此可以在不影响有用信息的前提下，首先对雷达的原始回波数据E(m,n)沿着快时间维度进行距离累积：

式中E₁(l,n)(l＝1,2,…L)为距离累积后的回波数据，Q为沿着快时间维度累积的窗宽，L为累积后在快时间维度的距离点数，且

其中

表示向下取整。通过大量的实验研究表明，窗宽Q＝40时，算法取得最优效果。那么经过距离累积后，原始回波数据E(m,n)的8192个对应距离点上的慢时间信号，就减少到E₁(l,n)的200个(即L＝200)对应距离点上的快时间信号，大大降低了雷达数据处理过程的运算量，减少了探测所需的运算时间，提高了探测效率。同时，沿着快时间维度的距离累积，也相当于对雷达回波的快时间信号做平滑滤波，一定程度上可以抑制快时间信号上的高频干扰。

步骤2.2：将步骤2.1距离累积后的信号乘以式Ⅰ的指数增益曲线G(l)，进行衰减补偿；

其中，V_h表示雷达回波数据的最大值和目标反射回波的幅值的比值，P是目标位置单位为m，l表示距离累积后的快时间序号，l＝1,2,…,L且L为正整数；

由于雷达波在介质传播过程中被严重衰减，这会使远端的物体界面反射回波幅值大幅减小，进而导致远端的物体很难被探测到，所以需要在识别界面反射回波之前，对距离累积后的雷达回波E₁(l,n)进行补偿。目前的超宽谱雷达(主要是探地雷达)都带有自动增益调节功能，通过对雷达回波进行分段的线性或者指数增益调节，对远端回波数据进行放大，但是由于缺乏电磁波传播介质界面信息的先验知识，其增益计算的准确率不高，往往会因为不准确的增益而导致噪声被过度放大，而真正的界面反射回波却因为增益较小得不到适当的放大，最终导致目标被误判和漏判的概率大大增加。

对衰减进行分段补偿的方式，需要根据各段回波可能的衰减来计算不同的增益，其计算过程过于复杂，但是很难准确地计算增益，容易受到噪声的影响，导致错误的补偿。在实际探测中，我们可以先采用无补偿的形式探测并计算出人体目标的位置，将人体目标位置信息作为先验知识，由于电磁波在介质内传播过程中呈指数衰减，因此我们以人体目标的位置和相应的反射回波幅值为补偿基准，采取指数增益补偿的方法对雷达回波数据在快时间维度进行衰减补偿，补偿后再次按照信号处理流程对信号进行处理，并对目标进行探测区分。

增益曲线的计算方法如下：

假设理想的指数增益曲线形如e^K×τ，其中K为一未知常数。对于经过预处理的数据，用E₁(l,n)的最大值A_max(通常也是雷达回波数据的最大值)除以人体目标反射回波的幅值A_human(即人体目标位置P_human在雷达回波数据中对应的幅值)，得到的比值计为V_h。将这个比值V_h作为雷达回波位置为P_human处的理想增益值，便可以计算出随快时间序号l变化的指数增益曲线，将计算指数增益曲线与雷达回波数据在快时间轴上相乘，便实现了对雷达回波数据的衰减补偿，衰减补偿后的信号为E₂(l,n)，且E₂(l,n)＝G(l)E₁(l,n)。

步骤2.3：对步骤2.2衰减补偿后的信号移除静态杂波；

在雷达式生命探测过程中，雷达的直达波以及探测范围内静止物体的反射，都会在雷达回波信号中形成很强的背景杂波，由于人体目标的呼吸信号非常微弱，通常都被这些背景杂波所淹没，如图3所示，在雷达的原始回波中，几乎看不到人体目标的生命信号，只能看到背景杂波。但在理想条件下，这些背景杂波都是静止的，称为静态杂波，而只有人体目标的生命信号是随时间变化的，因此，可以通过减去回波的慢时间信号均值将静态杂波完全滤除，只留下人体生命信号：

其中E₃(l,n)为去背景后的雷达回波信号。

图8为用matlab软件模拟的二维雷达信号，从图中可以看出，15ns和65ns附近是静态杂波，不随慢时间变化，而40ns附近为人体目标的呼吸信号，沿着慢时间维度有规律的变化。对模拟的二维雷达信号用去均值法进行静态杂波消除后，回波中的静态杂波成分被完全移除，只留下人体目标的呼吸信号，如图9所示。

步骤2.4：对步骤2.3移除静态杂波后的信号进行线性趋势消除；

IR-UWB雷达系统的硬件在采集数据过程中往往伴随着回波基线的漂移。线性的基线漂移会导致回波数据在低频段出现能量泄露，从而影响人体目标呼吸信号的探测和识别。因此本发明采用线性趋势消除(Linear Trend Subtraction,LTS)来移除雷达回波信号中的线性基线漂移。LTS通过线性最小二乘拟合估计出回波信号E₃(l,n)在慢时间维度上的直流分量和低频线性漂移趋势后，再从回波数据中减去：

E₄ ^T＝E₃ ^T-y(y^Ty)^-1y^TE₃ ^T

式中E₄表示LTS处理后的雷达数据，E₃表示去均值后的雷达数据E₃(l,n)；E₄ ^T和E₃ ^T分别为它们的转置行列式。

这里y为一个N行2列的行列式，1_N为一个长度是N且元素都是1的列向量，N为E₃中快时间信号的个数。线性趋势消除以后再将E₄ ^T转置得到E₄(l，n)。

步骤2.5：对步骤2.4线性趋势消除后的信号在慢时间维度上进行低通滤波；

由于IR-UWB雷达系统的硬件在工作过程中不可避免地会产生噪声，这些噪声相对于人体呼吸信号来说属于高频噪声，而人体目标的呼吸信号又是一个窄带的低频准周期信号，因此，为了有效滤除高频干扰，进一步提高雷达回波的信噪比，本发明在慢时间维度上对雷达回波信号进行低通滤波：

E₅(l,q)＝E₄(l,n)*h(t)

式中，E₅(l,q)为滤波后的雷达数据，”*”表示卷积运算，h(t)为有限冲击响应(Finite Impulse Response,FIR)滤波器的冲击函数。根据人体的呼吸频率，低通滤波器的截止频率设为0.5Hz，滤波器的阶数为120阶。低通滤波后的雷达回波信号为E₅(l,q)。

步骤2.6：对步骤2.5低通滤波后的信号沿慢时间轴累加，得到能量信号E₆(l)。

在实验中，每次采实验数据t_s＝80秒，根据慢时间信号的采样频率f_s＝16Hz可知，每次采得数据包含16×80＝1280个快时间信号，即低通滤波后的雷达回波信号为E₅(l,q)中的Q＝t_sf_s＝1280，L为距离累积后的数值200(200是由快时间信号的8192个采样点通过距离累积得到的，主要是为了减小运算量，该数值可以自由确定，累积至200-1000点均可以较少运算，且不影响信号质量)。

因为预处理中去均值、低通滤波等步骤需要一个收敛过程，因此前200(这里的200跟预处理中去均值、低通滤波的阶数之和有关，阶数越低，该值可以取的越小，阶数越高，该值需要取得越大)个快时间信号不作为目标探测识别的依据，予以剔除。我们将E₅(l,q)中的1000(这里的1000是由采样时间长短决定的，16Hz的采样频率对应约62.5秒的数据，信号采得时间越长，该值越大)个快时间信号(200-1200)取绝对值以后，沿慢时间轴累加，形成能量信号E₆(l)。

能量信号E₆(l)，(l＝1,2,...,200)是一个一维信号，其横坐标为快时间，对应为距离(m)，纵坐标为沿慢时间累加形成的能量幅值。经过前述一系列信号处理以后，能量信号的幅值与生命体的生命信号密切相关，幅值越大，表明该距离处生命微动信号越强，越有可能是一个人体或者生物目标。

具体的，步骤3中去除直达波指将E₆(l)前50点数据抛弃，将剩余150点数据重新编号(1-150)形成新的去除直达波以后的能量信号E₇(l)

具体的，步骤4包括如下子步骤：

步骤4.1：计算步骤3得到的能量信号的1～(l_max-12)和(l_max+25)～150的两段数据的均值，得到背景均值B_ave；

步骤4.2：通过下式计算获得波峰-背景比值获得V_EtoB：

步骤4.3：根据E₅(l,n)，获得能量信号最大值l_max位置处的慢时间信号E_max(n)，计算与最大值位置处相邻的六个位置的相关系数，并求得三个相关系数均值；六个位置包括与该位置相邻的前三个位置和后三个位置；

抽出(l_max-3)，(l_max-2)，(l_max-1)，(l_max+1)，(l_max+2)，(l_max+3)处的慢时间信号，分别记为E_max-3(q)，E_max-2(q)，E_max-1(q)，E_max+1(q)，E_max+2(q)，E_max+3(q)，计算这六个慢时间信号与E_max(q)的相关系数。通过式Ⅱ计算得到最大值处的相关系数均值r_m：

其中，i表示相关系数的序号且i＝1,2,3,4,5,6，E₅(l,q)表示步骤2.5得到的慢时间维度上进行低通滤波后的中间通道的信号，E_max(q)表示E₅(l,q)的最大值位置处的信号，E_(max+(i-4))(q)表示与E₅(l,q)的最大值位置相邻的前三个位置的信号，E_(max+(i-3))(q)表示与E₅(l,q)的最大值位置相邻的后三个位置处的信号，Q表示E₅(l,q)慢时间方向的信号总采样点数且Q为正整数，q表示慢时间方向的第q个信号采样点且q为正整数。按照以上公式计算出来的六个相关系数分别记为：r₁，r₂，r₃，r₄，r₅，r₆，计算二次拐点信号最大值处的六个相关系数的均值r_m。

步骤4.4：建立目标探测区分规则，通过目标探测区分规则得到目标的种类。

验证实验及结果

采用该人与动物探测区分方法和IR-UWB生物雷达在实验室进行穿墙探测验证实验。实验选取一只健康公犬和两名健康青年男性(甲目标、乙目标)分别进行穿透单砖墙条件下的探测实验，并给出区分结果。实验共进行了30组，其中无目标、动物目标和单个人体目标各10组，单个人体目标实验中甲、乙两名试验对象各探测5组，所有数据探测时的灵敏度阈值设置为2。探测区分结果表明：无目标时探测准确率为90％，一组数据误判为动物目标；单个人体目标时探测准确率为80％，有两组数据因为波峰-背景比值较小，即1.65≤V_EtoB＜8，且0.45＜r_m＜0.92，而被误判成动物；动物目标时探测准确率为80％，一组数据因为V_EtoB＜1.65被误判为无目标，一次因为1.65≤V_EtoB＜8且r_m＜0.45，被误判为无目标。三组实验的识别区分准确率均达到了80％或以上，满足探测区分要求。这里选取四个探测结果正确的实验数据列举如下：

实验1：

实验场景：无目标穿墙探测，灵敏度阈值设置为2。

波峰-背景比值V_EtoB＝1.809，1.65≤V_EtoB<2；此时r_m＝0.095，r_m＜0.45。则判别结果为无目标，判别结果正确。

实验2：

实验场景：动物目标(犬)的穿墙探测，灵敏度阈值设置为2。

波峰-背景比值V_EtoB＝3.309，2≤V_EtoB<8；相关系数均值r_m＝0.707，0.45≤r_m≤0.92。则判别结果为动物目标，距离为墙后3.32米处，判别结果正确。

实验3：

实验场景：人体目标的穿墙探测，灵敏度阈值设置为2。

波峰-背景比值V_EtoB＝3.69，2≤V_EtoB<8；相关系数均值r_m＝0.9257，r_m＞0.92。则判别结果为人体目标，距离为墙后4.51米处，判别结果正确。

实验4：

实验场景：人体目标的穿墙探测，灵敏度阈值设置为2。

波峰-背景比值V_EtoB＝11.04，V_EtoB＞8。直接判别为人体目标，距离为墙后3.64米处，判别结果正确。

Claims (4)

1.一种基于IR-UWB生物雷达信号的人与动物非接触探测区分方法，其特征在于，包括如下步骤：

步骤1：IR-UWB生物雷达的发射天线对目标发射雷达脉冲，雷达脉冲被目标反射，通过IR-UWB生物雷达的接收天线获得雷达回波信号E(m,n)，其中，m为快时间方向的采样序数，n为慢时间方向的采样序数，且m和n为正整数；

步骤2：将步骤1获得的雷达回波信号E(m,n)通过信号预处理得到能量信号E₆(l)；

步骤3：去除步骤2获得的E₆(l)的直达波得到能量信号E₇(l)，然后获取E₇(l)的最大值幅值E_7max和最大值在慢时间方向对应的位置l_max；

步骤4：计算E₇(l)的波峰-背景比值V_EtoB，然后计算平均相关系数r_m，通过目标探测区分规则得到目标的种类，所述目标探测区分规则为：

a)如果V_EtoB<σ_N，则判别结果为无目标；

b)如果σ_N≤V_EtoB<σ_Y，且r_m<σ_rm1，则判别结果为无目标；

c)如果V_EtoB≥σ_Y，则判别结果为人体目标；

d)如果S_thres≤V_EtoB<σ_Y，且r_m＞σ_rm2，则给出判别结果为人体目标；

f)除a)b)c)d)以外其他情况，则判别结果为动物目标；

其中，σ_N表示无目标阈值，σ_Y表示人体目标阈值，S_thres表示灵敏度阈值且σ_N<S_thres<σ_Y，σ_N、σ_Y和S_thres均大于1，σ_rm1表示弱相关阈值，σ_rm2表示强相关阈值且σ_rm1<σ_rm2，σ_rm1和σ_rm2均大于0小于1。

2.如权利要求1所述的基于IR-UWB生物雷达信号的人与动物非接触探测区分方法，其特征在于，步骤4中σ_N＝1.65，σ_Y＝8，σ_rm1＝0.45，σ_rm2＝0.92，S_thres＝{2，3，3.8}。

3.如权利要求1所述的基于IR-UWB生物雷达信号的人与动物非接触探测区分方法，其特征在于，步骤2中的信号预处理包括如下子步骤：

步骤2.1：对E(m,n)进行距离累积；

步骤2.2：将步骤2.1距离累积后的信号乘以式Ⅰ的指数增益曲线G(l)，进行衰减补偿；

其中，V_h表示雷达回波数据的最大值和目标反射回波的幅值的比值，P是目标位置单位为m，l表示距离累积后的快时间序号，l＝1,2,…,L且L为正整数；

步骤2.3：对步骤2.2衰减补偿后的信号移除静态杂波；

步骤2.4：对步骤2.3移除静态杂波后的信号进行线性趋势消除；

步骤2.5：对步骤2.4线性趋势消除后的信号在慢时间维度上进行低通滤波；

步骤2.6：对步骤2.5低通滤波后的信号沿慢时间轴累加，得到能量信号E₆(l)。

4.如权利要求3所述的基于IR-UWB生物雷达信号的人与动物非接触探测区分方法，其特征在于，通过式Ⅱ计算得到最大值处的相关系数均值r_m：

其中，i表示相关系数的序号且i＝1,2,3,4,5,6，E₅(l,q)表示步骤2.5得到的慢时间维度上进行低通滤波后的中间通道的信号，E_max(q)表示E₅(l,q)的最大值位置处的信号，E_(max+(i-4))(q)表示与E₅(l,q)的最大值位置相邻的前三个位置的信号，E_(max+(i-3))(q)表示与E₅(l,q)的最大值位置相邻的后三个位置处的信号，Q表示E₅(l,q)慢时间方向的信号总采样点数且Q为正整数，q表示慢时间方向的第q个信号采样点且q为正整数。

Images