CN111142084A - 一种微动太赫兹谱识别检测算法 - Google Patents

Abstract

本发明属于太赫兹探测技术领域，涉及一种微动太赫兹谱识别检测算法。本发明的检测算法包括：采用MIMO太赫兹雷达照射目标；对得到的两路I/Q信号进行静态分量抑制；对每一路I/Q信号进行反正切解调；对解调后的信号进行互相干处理；对互相干处理后的信号进行时‑频分析；基于时‑频分析结果，重构回波信号；对重构的回波信号进行时域滤波、变时窗分解；估计目标的太赫兹多普勒普。本发明的检测算法，可以在非视距环境下实现对目标太赫兹多普勒谱的检测,进一步拓宽了太赫兹探测技术的应用范围和领域。

Description

一种微动太赫兹谱识别检测算法

技术领域

本发明属于太赫兹探测技术领域，涉及一种微动太赫兹谱识别检测算法。

背景技术

太赫兹波在电磁波谱中的特殊位置及物理特殊性，使其在公共安全、生物医学、通信、军用雷达等领域具有独特的应用价值和广阔的市场前景。太赫兹雷达是太赫兹波诸多应用中最重要的研究方向之一。太赫兹雷达具有频率高、方向性强等特点，上述特点赋予了太赫兹雷达巨大的应用潜力，成为世界各主要国家的研究热点。相比于激光红外雷达，太赫兹雷达对非极性和弱极性介质材料具有更强的透射能力，烟尘、雾霾等恶劣环境下的目标检测性能基本不受影响，可实现全天候工作，同时回波具有更好的相参性，具备更高的抗干扰能力。相比于微波雷达，太赫兹雷达波长较小，低径向速度的目标在太赫兹雷达中可产生更大的多普勒频移，能够实现慢速运动或蠕动目标的检测，且更易实现大信号带宽和窄天线波束，非常有利于获取目标特征结构细节，实现目标的高精度识别。

基于MIMO雷达的太赫兹谱检测技术具有广泛应用，如在军事目标预警监测应用中，能够服务于高超声速目标的探测、反导拦截等领域，实现隐身军事装备的反制。在安检中，能够服务于人员分布和活动情况的侦查，实现对无驻留人体的高精度实时成像。在灾后救援应用中，能够服务于抗震救灾中废墟下人体的寻找，实现伤员的及时搜救。在生物医学应用中，能够实现非接触式生命信号监测，实现对大面积烧烫伤病人、婴幼儿、防区监控范围内的流动人群呼吸和心跳进行监控，排查安全隐患。然而，目前大部分太赫兹谱检测技术多是视距环境下，非视距环境下很难实现目标太赫兹多普勒谱的检测。

发明内容

本发明的目的是解决现有技术中存在的问题，提供一种非视距环境下太赫兹多普勒普的检测方法。

本发明解决其技术问题采用的技术方案是：一种微动太赫兹谱识别检测算法，包括：

采用MIMO太赫兹雷达照射目标；

对得到的两路I/Q信号进行静态分量抑制；

对每一路I/Q信号进行反正切解调；

对解调后的信号进行互相干处理；

对互相干处理后的信号进行时-频分析；

基于时-频分析结果，重构回波信号；

对重构的回波信号进行时域滤波、变时窗分解；

估计目标的太赫兹多普勒普。

进一步地，所述的静态分量抑制采用加权距离轮廓方法分别对两路I/Q信号进行静态分量抑制，利用空间背景估计方法实现背景估计，表示为：

Q₁(i+1)＝λQ₁(i+1)+(1-λ)Q₁(i),i＝1,…,N (2)

Q₂(i+1)＝λQ₂(i+1)+(1-λ)Q₂(i),i＝1,…,N (4)

其中，N表示数字化回波信号的样本点数，λ表示加权因子，取值范围为0～1。

进一步地，对每一路I/Q信号进行反正切解调，表示为：

进一步地，互相干处理表示为：

W＝Ω₁*Ω₂ (7)

其中，*表示互相干运算。

进一步地，利用短时傅里叶变换对互相干处理结果进行时-频分析，表示为：

其中，p表示3-9Hz范围内的频率分量；

Ξ表示汉明窗函数，表示为：

其中，α+β＝1。

进一步地，重构的回波信号表示为：

进一步地，利用均值滤波器实现信号增强与噪声抑制，表示为：

进一步地，变时窗分解包括：

将信号分为ψ组，第一组点数r，第二组点数r+o，第三组点数r+2o，…，以此类推，第ψ组包括点数N；其中：r＝2n，且r的采样时长至少为3～5倍的呼吸或心跳周期，n为正整数；o为正整数；

在每组数据后加0，直至每组数据具有N个值；

对变时窗得到的每组数据进行傅里叶变换，并对其进行加窗处理，表示为：

T_j[n]＝χ[n]{FFT{S_j[n]}}j＝1,....,Ψ；n∈K^*；K^*＝k^*,k^*+1,...,k^*+κ-1 (12)

其中，FFT{S_j[n]}表示第j个时窗内的信号的傅里叶变换，k^*表示加窗频率下限；

对于得到的具有相同频谱分辨率的ψ组频域特征做如下处理：

对信号进行多重频率累积，表示为：

X[n]＝(Π[n]+jΠ[n])*(Π[n]+jΠ[n]) (14)

进一步地，所述MIMO太赫兹雷达的发射信号功率范围为1mW-1W，带宽93.2-96.8GHz，信号模式可为有效带宽内的任意的点频连续波、线性调频连续波或步进频连续波。

本发明的检测算法，可以在非视距环境下实现对目标太赫兹多普勒谱的检测，进一步拓宽了太赫兹探测技术的应用范围和领域。

附图说明

图1是本发明实施例提供的方法的示意图；

图2是本发明实施例的算法流程图；

图3是解调后的回波信号；

图4是互相干信号示意图；

图5是时频分析示意图；

图6是重构回波信号示意图；

图7是均值滤波结果示意图；

图8是变时窗分解方法示意图；

图9是多普勒谱结果示意图。

具体实施方式

为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

本实施例的一种微动太赫兹谱识别检测算法，如图1所示，MIMO太赫兹雷达发射96GHz单频连续波，以人体为目标，人体与雷达间的距离为6m，两者之间以木门为间隔，检测算法流程如图2所示，具体包括：

MIMO雷达同时得到两路I/Q信号，人体目标回波信号中通常包括静态分量，信号较强，导致多普勒信息被淹没，因此，本实施例先利用加权距离轮廓算法分别对两路I/Q信号进行静态分量抑制，可表示为：

利用空间背景估计算法实现背景估计，表示为：

Q₁(i+1)＝λQ₁(i+1)+(1-λ)Q₁(i),i＝1,…,N (2)

Q₂(i+1)＝λQ₂(i+1)+(1-λ)Q₂(i),i＝1,…,N (4)

其中，N表示数字化回波信号的样本点数，λ表示加权因子，取值范围为0-1，本实施例中取值为0.75。

对每一路I/Q信号进行反正切解调，可表示为：

解调后的回波信号，以Ω₁为例，如图3所示。

对解调后的信号Ω₁与Ω₂，进行互相干处理，可表示为：

W＝Ω₁*Ω₂ (7)

其中，*表示互相干运算，结果如图4所示。

利用短时傅里叶变换对W进行时-频分析，可表示为：

其中，p表示3-9Hz范围内的频率分量。

Ξ表示汉明窗函数，其可表示为

其中，α+β＝1；本发明中α＝0.42，β＝0.58。

时-频分析结果如图5所示。

基于时-频分析结果K，重构回波信号可表示为：

重构回波信号如图6所示。

利用均值滤波器实现信号增强与噪声抑制，可表示为：

其中，

β表示滤波系数，取正整数，本实施例中取值为13，

表示小于M/β的最大整数值，滤波结果如图7所示。

为了实现人体生命体征的提取，本实施例公开的变时窗分解方法如图8所示，将信号分为ψ组，第一组包含点数r，第二组点数r+o，第三组点数r+2o，….以此类推，第ψ组包括点数N。为了确保频率估计精度，要求r＝2ⁿ，且r的采样时长至少为3-5倍的呼吸或心跳周期，n为正整数；o为正整数。本实施例中取r＝512，o＝100。

在对每组数据进行傅立叶变化之前，为了确保数据的频谱具有相同的频率分辨率，在每组数据后加0，直至每组数据具有N个值。

对变时窗得到的每组数据进行傅里叶变换，同时为了抑制带外噪声，对其进行加窗处理，可表示为：

T_j[n]＝χ[n]{FFT{S_j[n]}}j＝1,....,Ψ；n∈K^*；K^*＝k^*,k^*+1,...,k^*+κ-1 (12)

其中，FFT{S_j[n]}表示第j个时窗内的信号的傅里叶变换，k^*表示加窗频率下限，本实施例中时窗范围为0.18-2.4Hz。

对于得到的具有相同频谱分辨率的ψ组频域特征做如下处理：

同时为了抑制带内噪声，对信号进行多重频率累积，可表示为：

X[n]＝(Π[n]+jΠ[n])*(Π[n]+jΠ[n]) (14)

由此可得到生命体征微动信号的频率估计值，如图9所示。

Claims (9)

1.一种微动太赫兹谱识别检测算法，其特征在于，包括：

采用MIMO太赫兹雷达照射目标；

对得到的两路I/Q信号进行静态分量抑制；

对每一路I/Q信号进行反正切解调；

对解调后的信号进行互相干处理；

对互相干处理后的信号进行时-频分析；

基于时-频分析结果，重构回波信号；

对重构的回波信号进行时域滤波、变时窗分解；

估计目标的太赫兹多普勒普。

2.根据权利要求1所述的微动太赫兹谱识别检测算法，其特征在于，所述的静态分量抑制采用加权距离轮廓方法分别对两路I/Q信号进行静态分量抑制，利用空间背景估计方法实现背景估计，表示为：

Q₁(i+1)＝λQ₁(i+1)+(1-λ)Q₁(i),i＝1,…,N (2)

Q₂(i+1)＝λQ₂(i+1)+(1-λ)Q₂(i),i＝1,…,N (4)

其中，N表示数字化回波信号的样本点数，λ表示加权因子，取值范围为0～1。

3.根据权利要求2所述的微动太赫兹谱识别检测算法，其特征在于，对每一路I/Q信号进行反正切解调，表示为：

4.根据权利要求3所述的微动太赫兹谱识别检测算法，其特征在于，互相干处理表示为：

W＝Ω₁*Ω₂ (7)

其中，*表示互相干运算。

5.根据权利要求4所述的微动太赫兹谱识别检测算法，其特征在于，利用短时傅里叶变换对互相干处理结果进行时-频分析，表示为：

其中，p表示3-9Hz范围内的频率分量；

Ξ表示汉明窗函数，表示为：

其中，α+β＝1。

6.根据权利要求5所述的微动太赫兹谱识别检测算法，其特征在于，重构的回波信号表示为：

7.根据权利要求6所述的微动太赫兹谱识别检测算法，其特征在于，利用均值滤波器实现信号增强与噪声抑制，表示为：

8.根据权利要求7所述的微动太赫兹谱识别检测算法，其特征在于，变时窗分解包括：

将信号分为ψ组，第一组点数r，第二组点数r+o，第三组点数r+2o，…，以此类推，第ψ组包括点数N；其中：r＝2ⁿ，且r的采样时长至少为3-5倍的呼吸或心跳周期，n为正整数；o为正整数；

在每组数据后加0，直至每组数据具有N个值；

对变时窗得到的每组数据进行傅里叶变换，并对其进行加窗处理，表示为：

T_j[n]＝χ[n]{FFT{S_j[n]}}j＝1，...，Ψ；n∈K^*；K^*＝k^*，k^*+1，...，k^*+κ-1 (12)

其中，FFT{S_j[n]}表示第j个时窗内的信号的傅里叶变换，k^*表示加窗频率下限；

对于得到的具有相同频谱分辨率的ψ组频域特征做如下处理：

对信号进行多重频率累积，表示为：

X[n]＝(∏[n]+j∏[n])*(∏[n]+j∏[n]) (14)

9.根据权利要求1-8任一项所述的微动太赫兹谱识别检测算法，其特征在于，所述MIMO太赫兹雷达的发射信号功率范围为1mW-1W，带宽93.2-96.8GHz，信号模式可为有效带宽内的任意的点频连续波、线性调频连续波或步进频连续波。

Images