CN111157987A - 基于扩展贝塞尔模型的人体目标微多普勒频率估计方法 - Google Patents

Abstract

本发明公开了一种基于扩展贝塞尔模型的人体目标微多普勒频率估计方法，属于微多普勒频率估计技术领域，本发明提供一种基于扩展贝塞尔模型的人体目标微多普勒频率估计方法，通过提取小腿微多普勒频率，然后进行分段拟合，先使用贝塞尔模型确定最优控制点，在不改变并且不增加控制点的基础上引入参数，通过基于扩展贝塞尔模型的霍夫变换频率估计算法完成对雷达回波信号的目标分量分离和小腿多普勒频率特征的精确估计；本发明提出一种精确估计特定目标散射部分微多普勒频率的新方法，在实时人体传感应用中具有很好的应用前景。

Description

基于扩展贝塞尔模型的人体目标微多普勒频率估计方法

技术领域

本发明属于微多普勒频率估计技术领域，涉及基于扩展贝塞尔模型的人体目标微多普勒频率估计方法。

背景技术

近年来，基于雷达的人体目标特征研究是一项备受关注的新兴技术。利用多普雷穿墙雷达对人体的探测相比于其他传感器有着很大的优势。雷达技术不受光线强弱和天气状况的影响，能穿透遮挡衣物，在浓雾等可见度低的天气环境下依然能进行全天候的目标检测，甚至可以精确判断出人体目标静止、走动和跑动状态。当需要对墙体、烟雾等非电磁透明介质屏障进行穿透探测时就要用到基于电磁波信号的穿墙雷达来达到目的。它通过运动人体回波的多普勒调制效应来获取屏障后运动目标的信息，实现对各种墙以及其他非电磁透明障碍物后运动人体目标的探测、定位和跟踪。因此，穿墙雷达人体回波检测与跟踪技术在反恐、军事作战、防暴、救灾等方面装备上的应用十分关键，它在诸多领域上的需求，促进了技术在许多应用方面的不断发展。

雷达目标的微多普勒特征指的是目标的微动使雷达回波产生时变多普勒效应的现象，反映了目标物理特性对电磁波的调制作用。基于雷达的人体探测主要利用人体的某些部位的运动(比如心跳、呼吸、四肢的摆动等)对电磁波的调制，从而实现对人体的检测。人体走动时手和腿的摆动对雷达回波信号产生调制，且其激励的微多普勒频率近似为正弦调制，这种独特的调制由振幅和频率两个参数即可描述。通过提取目标的微多普勒特征可以获得不同目标各自独特的结构和运动细节等信息，从而精细地刻画体动规律，将有效的探测并估计人体的运动规律。因此，对人体目标微多普勒频率进行精确估计具有十分重要的意义。

目前，针对人体目标微多普勒频率，最常用的估计方法是时频分析技术，然而，时频分析方法具有几个主要缺点：第一、由于穿墙雷达应用的特殊性，大部分观测者往往希望能够实时获取目标的探测信息，对信号处理过程的时窗长度具有严苛的限制，导致了低分辨率、低精度的缺陷；第二、当不同目标的瞬时频率太过接近以至于不能被时频算法准确识别时，估计精度将发生明显下降，这种现象也称之为“频率模糊”效应；第三、时频分析方法容易受到噪声干扰，在低信噪比条件下，强噪声干扰信号很容易被错误识别为虚假目标，不仅降低了估计精度，还会影响检测结果的可靠性和鲁棒性。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于扩展贝塞尔模型的人体目标微多普勒频率估计方法。

本发明提供的这种基于扩展贝塞尔模型的人体目标微多普勒频率估计方法，包括以下步骤：

S1.基于贝塞尔模型的霍夫变换频率估计算法，完成对解调后回波信号的分量分离与人体目标微多普勒频率的估计，选定单段贝塞尔曲线的控制顶点；

S2.引入参数，将单段贝塞尔曲线表示成已经选定的控制顶点和含参数的调配函数的线性组合，构造扩展贝塞尔模型，通过动态调整参数，完成对解调后回波信号的分量分离与人体目标微多普勒频率的估计，以提高人体目标微多普勒频率的估计精度。

在一个具体的实施方式中，从人体目标散射部分的多个分量及其微多普勒轨迹可知，小腿微多普勒频率轨迹是整个人体目标多普勒频率轨迹的包络线，即小腿微多普勒频率为最外层包络。

在一个具体的实施方式中，步骤S1中，所述基于贝塞尔模型的霍夫变换频率估计算法，具体包括：

S101.贝塞尔模型的端点确定：根据短时傅里叶变换，对发射机接收回波调解后的信号进行时频分析，小腿微多普勒频率轨迹是整个人体目标多普勒频率轨迹的包络线，具有非线性的特点，采用分段拟合的方法对小腿多普勒频率曲线进行拟合，在时频图上进行自上而下搜索到的第一个点为上峰值点P₀，同理，在时频图上自下而上搜索到的第一个点为下峰值点P₂，取小腿多普勒频率曲线的上峰值点P₀、下峰值点P₂作为贝塞尔模型的端点；

S102.贝塞尔模型的控制顶点确定：基于贝塞尔模型对霍夫变换频率进行拟合，根据霍夫变换的原理，确定最近似于小腿微多普勒频率曲线的贝塞尔模型，选定贝塞尔模型的控制顶点P₁，完成对小腿微多普勒频率的估计。

在一个具体的实施方式中，步骤S101中，所述发射机接收回波调解后的信号表示为：

式(1)中，a_k为第k个信号的幅度，f_di,k(t)是对应于载波频率f_i的第k个目标分量的多普勒频率，φ_k＝4πf_iR_k0/C是第k个信号回波初始相位，R_k0是初始目标范围，c是光速，j为虚数单位。

在一个具体的实施方式中，步骤S102中，由于信号经反射物反射后，被反射物吸收一部分能量，产生了具有衰减延迟的原信号，叠加上原信号形成回波信号，所得霍夫变换的模型如下：

式(2)中，F(X,t)是小腿微多普勒频率的拟合模型，X是拟合参数，调整拟合参数，当信号能量能最大程度的集中时，所得拟合模型可近似代替小腿微多普勒频率；

所述贝塞尔模型如下：

式(3)中，P₀和P₂是贝塞尔模型的端点，P₁是其控制点，u是参数；

小腿微多普勒频率的拟合如下：

F_P(X,t)＝(1-t)²·y_start+2t(1-t)Y₁+t²·y_end (4)

式(4)中，X＝[x₁,y₁]，确定最近似于小腿微多普勒频率曲线的贝塞尔模型，调整(X₁,Y₁)＝(x₁,y₁)时，选定贝塞尔模型的控制顶点P₁。

在一个具体的实施方式中，步骤S2中，所述扩展贝塞尔模型如下：

式(5)中，P₀和P₂是步骤S2中贝塞尔模型确定的端点，P₁是其控制点，u是新引入的参数；

N_2,i(u)(i＝0,1,2)为扩展贝塞尔模型的含参数的调配函数，式(5)中调配函数为：

式(6)中，u∈[0,1]，参数λ₁,λ₂∈[-2,1]；

小腿微多普勒频率的拟合如下：

式(7)中，Y₁为贝塞尔模型中控制点P₁的纵坐标；调整参数λ₁和λ₂，先假定λ₁为零，在[-2,1]范围内调整λ₂，当信号能量能最大程度的集中时确定λ₂的值，然后在[-2,1]范围内调整λ₁，当信号能量能最大程度的集中时确定λ₁的值，此时拟合结果最近似于小腿微多普勒频率曲线时，利用扩展贝塞尔曲线拟合小腿多普勒频率曲线，完成对小腿微多普勒频率的估计，相比于不加入参数时精度得到提高。

本发明还提供一种多普勒穿墙雷达定位方法，该雷达定位方法采用所述基于扩展贝塞尔模型的人体目标微多普勒频率估计方法。

本发明具有以下有益技术效果：

本发明提供一种基于扩展贝塞尔模型的人体目标微多普勒频率估计方法，通过提取小腿微多普勒频率，然后进行分段拟合，先使用贝塞尔模型确定最优控制点，在不改变并且不增加控制点的基础上引入参数，通过基于扩展贝塞尔模型的霍夫变换频率估计算法完成对雷达回波信号的目标分量分离和小腿多普勒频率特征的精确估计。

本发明提出一种精确估计特定目标散射部分微多普勒频率的新方法，在实时人体传感应用中具有很好的应用前景。

附图说明

图1为本发明基于扩展贝塞尔模型的人体目标微多普勒频率估计方法的流程图。

图2为实施例中基于扩展贝塞尔模型的人体目标微多普勒频率估计方法的流程图。

图3为本发明中人体运动回波时频图。

图4为本发明中人体右小腿运动回波时频图。

图5为本发明中多普勒雷达结构示意图。

图6为实施例1中使用基于线性模型的人体目标微多普勒频率估计方法的频率拟合结果。

图7为实施例1中使用基于扩展贝塞尔模型的人体目标微多普勒频率估计方法的频率拟合结果。

具体实施方式

下面结合具体实施例和附图对本发明进一步说明：

本发明所述基于扩展贝塞尔模型的人体目标微多普勒频率估计方法，如图1所示，包括以下步骤：

步骤1：基于贝塞尔模型的霍夫变换频率估计算法，完成对解调后回波信号的分量分离与人体目标微多普勒频率的估计，选定单段贝塞尔曲线的控制顶点；

从人体目标散射部分的多个分量及其微多普勒轨迹可知，小腿微多普勒频率轨迹是整个人体目标多普勒频率轨迹的包络线，如图3～4所示，小腿微多普勒频率为最外层包络，具体为：

1.1)贝塞尔模型的端点确定：根据短时傅里叶变换，对发射机接收回波调解后的信号进行时频分析，小腿微多普勒频率轨迹是整个人体目标多普勒频率轨迹的包络线，具有非线性的特点，采用分段拟合的方法对小腿多普勒频率曲线进行拟合，在时频图上进行自上而下搜索到的第一个点为上峰值点P₀，同理，在时频图上自下而上搜索到的第一个点为下峰值点P₂，取小腿多普勒频率曲线的上峰值点P₀、下峰值点P₂作为贝塞尔模型的端点；

1.2)贝塞尔模型的控制顶点确定：基于贝塞尔模型对霍夫变换频率进行拟合，根据霍夫变换的原理，确定最近似于小腿微多普勒频率曲线的贝塞尔模型，选定贝塞尔模型的控制顶点P₁，完成对小腿微多普勒频率的估计；

步骤2：引入参数，将单段贝塞尔曲线表示成已经选定的控制顶点和含参数的调配函数的线性组合，构造扩展贝塞尔模型，通过动态调整参数，完成对解调后回波信号的分量分离与人体目标微多普勒频率的估计，以提高人体目标微多普勒频率的估计精度。

本发明实施例中基于扩展贝塞尔模型的人体目标微多普勒频率估计方法，如图2所示，包括以下步骤：

(1)根据信号回波，通过霍夫变换确定贝塞尔模型的始末端点与控制点；

(2)引入参数，将贝塞尔曲线表示成已经选定的控制顶点和含参数的调配函数的线性组合，构造扩展贝塞尔模型；

(3)使用基于扩展贝塞尔模型的霍夫变换算法进行信号分离与频率估计，通过动态调整参数，完成对小腿微多普勒频率估计值的进一步优化。

本发明实施例中，基于贝塞尔模型的霍夫变换频率估计算法包括：

(1)扩展贝塞尔模型的设计，根据雷达回波信号的特点通过霍夫变换确定扩展贝塞尔模型；

(2)根据确定的扩展贝塞尔模型分离信号，根据霍夫变换拟合感兴趣的目标分量的瞬时频率。

本发明实施例中，回波调解后的信号表示为：

式(1)中，a_k为第k个信号的幅度，f_di,k(t)是对应于载波频率f_i的第k个目标分量的多普勒频率，φ_k＝4πf_iR_k0/C是第k个信号回波初始相位，R_k0是初始目标范围，c是光速，j为虚数单位。

本发明实施例中，霍夫变换的模型如下：

式(2)中，F(X,t)是小腿微多普勒频率的拟合模型，X是拟合参数，调整拟合参数，当信号能量能最大程度的集中时，所得拟合模型可近似代替小腿微多普勒频率；

贝塞尔模型如下：

式(3)中，P₀和P₂是贝塞尔模型的端点，P₁是其控制点，u是参数；

小腿微多普勒频率的拟合如下：

F_P(X,t))＝(1-t)²·y_start+2t(1-t)Y₁+t²·y_end (4)

式(4)中，X＝[x₁,y₁]，确定最近似于小腿微多普勒频率曲线的贝塞尔模型，调整(X₁,Y₁)＝(x₁,y₁)时，选定贝塞尔模型的控制顶点P₁。

本发明实施例中，扩展贝塞尔模型如下：

式(5)中，P₀和P₂是步骤S2中贝塞尔模型确定的端点，P₁是其控制点，u是新引入的参数；

N_2,i(u)(i＝0,1,2)为扩展贝塞尔模型的含参数的调配函数，式(5)中调配函数为：

式(6)中，u∈[0,1]，参数λ₁,λ₂∈[-2,1]；

小腿微多普勒频率的拟合如下：

式(7)中，Y₁为贝塞尔模型中控制点P₁的纵坐标；调整参数λ₁和λ₂，先假定λ₁为零，在[-2,1]范围内调整λ₂，当信号能量能最大程度的集中时确定λ₂的值，然后在[-2,1]范围内调整λ₁，当信号能量能最大程度的集中时确定λ₁的值，此时拟合结果最近似于小腿微多普勒频率曲线时，利用扩展贝塞尔曲线拟合小腿多普勒频率曲线，完成对小腿微多普勒频率的估计，相比于不加入参数时精度得到提高。

实施例1

双频连续波的载波频率为2.4GHz和2.39GHz，发射机与接收机距离为6.25cm。目标1的初始位置为(1,5)，横向速度为1米/秒，纵向速度为0.4米/秒；同时，目标2从其初始位置(0,2)开始移动，横向速度为1米/秒，纵向速度为0.6米/秒，整个实验持续约5秒。

使用基于线性模型的人体目标微多普勒频率估计方法结果见图4，使用基于扩展贝塞尔模型的人体目标微多普勒频率估计方法结果见图5，虚线为实际频率，实线为拟合频率。与使用线性拟合模型的人体微多普勒频率估计算法相比，本发明所提出的算法使人体微多普勒频率估计更加精确。此外，二者拟合误差对比见表1，与基于线性模型的人体微多普勒频率估计方法相比，频率估计精度平均提高1.16Hz。

表1 STFT、(无参数)的霍夫变换和本发明算法误差对比

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于扩展贝塞尔模型的人体目标微多普勒频率估计方法，其特征在于，包括以下步骤：

S1.基于贝塞尔模型的霍夫变换频率估计算法，完成对解调后回波信号的分量分离与人体目标微多普勒频率的估计，选定单段贝塞尔曲线的控制顶点；

S2.引入参数，将单段贝塞尔曲线表示成已经选定的控制顶点和含参数的调配函数的线性组合，构造扩展贝塞尔模型，通过动态调整参数，完成对解调后回波信号的分量分离与人体目标微多普勒频率的估计，以提高人体目标微多普勒频率的估计精度。

2.根据权利要求1所述基于扩展贝塞尔模型的人体目标微多普勒频率估计方法，其特征在于，从人体目标散射部分的多个分量及其微多普勒轨迹可知，小腿微多普勒频率轨迹是整个人体目标多普勒频率轨迹的包络线，即小腿微多普勒频率为最外层包络。

3.根据权利要求1或2所述基于扩展贝塞尔模型的人体目标微多普勒频率估计方法，其特征在于，步骤S1中，所述基于贝塞尔模型的霍夫变换频率估计算法，具体包括：

S101.贝塞尔模型的端点确定：根据短时傅里叶变换，对发射机接收回波调解后的信号进行时频分析，小腿微多普勒频率轨迹是整个人体目标多普勒频率轨迹的包络线，具有非线性的特点，采用分段拟合的方法对小腿多普勒频率曲线进行拟合，在时频图上进行自上而下搜索到的第一个点为上峰值点P₀，同理，在时频图上自下而上搜索到的第一个点为下峰值点P₂，取小腿多普勒频率曲线的上峰值点P₀、下峰值点P₂作为贝塞尔模型的端点；

S102.贝塞尔模型的控制顶点确定：基于贝塞尔模型对霍夫变换频率进行拟合，根据霍夫变换的原理，确定最近似于小腿微多普勒频率曲线的贝塞尔模型，选定贝塞尔模型的控制顶点P₁，完成对小腿微多普勒频率的估计。

4.根据权利要求3所述基于扩展贝塞尔模型的人体目标微多普勒频率估计方法，其特征在于，步骤S101中，所述发射机接收回波调解后的信号表示为：

式(1)中，a_k为第k个信号的幅度，f_di,k(t)是对应于载波频率f_i的第k个目标分量的多普勒频率，φ_k＝4πf_iR_k0/C是第k个信号回波初始相位，R_k0是初始目标范围，c是光速，j为虚数单位。

5.根据权利要求3所述基于扩展贝塞尔模型的人体目标微多普勒频率估计方法，其特征在于，步骤S102中，由于信号经反射物反射后，被反射物吸收一部分能量，产生了具有衰减延迟的原信号，叠加上原信号形成回波信号，所得霍夫变换的模型如下：

式(2)中，F(X,t)是小腿微多普勒频率的拟合模型，X是拟合参数，调整拟合参数，当信号能量能最大程度的集中时，所得拟合模型可近似代替小腿微多普勒频率；

所述贝塞尔模型如下：

式(3)中，P₀和P₂是贝塞尔模型的端点，P₁是其控制点，u是参数；

小腿微多普勒频率的拟合如下：

F_P(X,t)＝(1-t)²·y_start+2t(1-t)Y₁+t²·y_end (4)

式(4)中，X＝[x₁,y₁]，确定最近似于小腿微多普勒频率曲线的贝塞尔模型，调整(X₁,Y₁)＝(x₁,y₁)时，选定贝塞尔模型的控制顶点P₁。

6.根据权利要求1或2所述基于扩展贝塞尔模型的人体目标微多普勒频率估计方法，其特征在于，步骤S2中，所述扩展贝塞尔模型如下：

式(5)中，P₀和P₂是步骤S2中贝塞尔模型确定的端点，P₁是其控制点，u是新引入的参数；

N_2,i(u)(i＝0,1,2)为扩展贝塞尔模型的含参数的调配函数，式(5)中调配函数为：

式(6)中，u∈[0,1]，参数λ₁,λ₂∈[-2,1]；

小腿微多普勒频率的拟合如下：

式(7)中，Y₁为贝塞尔模型中控制点P₁的纵坐标；调整参数λ₁和λ₂，先假定λ₁为零，在[-2,1]范围内调整λ₂，当信号能量能最大程度的集中时确定λ₂的值，然后在[-2,1]范围内调整λ₁，当信号能量能最大程度的集中时确定λ₁的值，此时拟合结果最近似于小腿微多普勒频率曲线时，利用扩展贝塞尔曲线拟合小腿多普勒频率曲线，完成对小腿微多普勒频率的估计，相比于不加入参数时精度得到提高。

7.一种多普勒穿墙雷达定位方法，该雷达定位方法采用权利要求1～6中任一项所述基于扩展贝塞尔模型的人体目标微多普勒频率估计方法。

Images