CN111580060A - 目标姿态识别的方法、装置和电子设备 - Google Patents

目标姿态识别的方法、装置和电子设备 Download PDF

Info

Publication number
CN111580060A
CN111580060A CN202010315851.0A CN202010315851A CN111580060A CN 111580060 A CN111580060 A CN 111580060A CN 202010315851 A CN202010315851 A CN 202010315851A CN 111580060 A CN111580060 A CN 111580060A
Authority
CN
China
Prior art keywords
signal
target
time
frequency
baseband signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010315851.0A
Other languages
English (en)
Other versions
CN111580060B (zh
Inventor
王向荣
梁怀远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010315851.0A priority Critical patent/CN111580060B/zh
Publication of CN111580060A publication Critical patent/CN111580060A/zh
Priority to US17/092,094 priority patent/US11579248B2/en
Application granted granted Critical
Publication of CN111580060B publication Critical patent/CN111580060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/0209—Systems with very large relative bandwidth, i.e. larger than 10 %, e.g. baseband, pulse, carrier-free, ultrawideband
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/42—Simultaneous measurement of distance and other co-ordinates
    • G01S13/44—Monopulse radar, i.e. simultaneous lobing
    • G01S13/4454—Monopulse radar, i.e. simultaneous lobing phase comparisons monopulse, i.e. comparing the echo signals received by an interferometric antenna arrangement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/589—Velocity or trajectory determination systems; Sense-of-movement determination systems measuring the velocity vector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请提供了一种目标姿态识别的方法、装置和电子设备，通过获取发射信号经待识别目标散射后的第一接收信号以及第二接收信号，然后根据第一接收信号与发射信号确定第一基带信号，并根据第二接收信号与发射信号确定第二基带信号，最后根据第一与第二基带信号确定待识别目标的姿态类别。第一与第二基带信号携带着与目标姿态相关的各个特征值，包括横向速度信息和径向速度信息，通过目标姿态的径向和横向速度信息等各特征值相互配合，补充横向速度信息可以更准确区分目标在不同方位角时的不同姿态以及水平对称姿态，如从左到右滑动和从右向左滑动，实现对目标姿态的高准确率及高稳定性识别，且硬件成本较低，算法复杂度较低，实时交互性更好。

Description

目标姿态识别的方法、装置和电子设备
技术领域
本申请涉及计算机信号处理领域，尤其涉及一种目标姿态识别的方法、装置和电子设备。
背景技术
目前，随着计算机技术的蓬勃发展，运用计算机技术对运动目标姿态的识别的应用越来越广泛，例如手势识别，头部姿势识别，跌落识别，身体动作识别等等。
然而，传统的识别方式是运用识别雷达发射电磁波，并接收回波，通过对雷达回波进行时频分析，得到回波的微多普勒特征，进而对运动目标识别与分类，但是单纯对回波分析的方式只能反映目标的径向速度特征，而无法反映目标的横向运动特征，这使得目标姿态识别的准确率对方位角十分敏感，在运动目标偏离雷达正方向的方位角超过一定范围时，其识别的正确率将受到极大的影响，并且雷达只能得到目标速度在径向上的投影，而径向投影无法反应横向的运动特征，使得雷达对水平对称的动作(如从左到右滑动和从右向左滑动)的识别准确率很低。
另一方面，对于上述问题现有技术的另一种方案是运用MIMO雷达通过应用阵列天线来获取目标的角度信息，然而精确的角度信息需要多天线的阵列，这与硬件的成本相互制约，且阵列信号处理的时间复杂度较高，为运动目标姿态的实时交互带来了困难。
发明内容
本申请提供一种目标姿态识别的方法、装置和电子设备，及存储介质，以解决现有技术中的传统雷达不能反映目标姿态的横向运动特征以致目标所处位置和目标水平对称运动影响识别准确度及稳定性的问题，以及运用MIMO雷达阵列硬件成本高，阵列信号处理复杂度高，实时交互性差的问题。
第一个方面，本申请提供一种目标姿态识别的方法，包括：
获取发射信号经待识别目标散射后的第一接收信号以及第二接收信号，所述发射信号由雷达的发射天线发出，所述第一接收信号由所述雷达的第一接收天线接收，所述第二接收信号由所述雷达的第二接收天线接收，所述雷达至少包括两个接收天线；根据所述第一接收信号与所述发射信号确定第一基带信号，根据所述第二接收信号与所述发射信号确定第二基带信号；根据所述第一基带信号与所述第二基带信号确定所述待识别目标的姿态类别。
可选的，所述根据所述第一基带信号与所述第二基带信号确定所述待识别目标的姿态类别，包括：利用预设时频分析算法，并根据所述第一基带信号与所述第二基带信号确定所述待识别目标的径向速度信息；将所述第一基带信号与所述第二基带信号进行相干处理，得到所述待识别目标的横向速度信息；根据所述横向速度信息以及所述径向速度信息确定所述待识别目标的所述姿态类别。
可选的，所述将所述第一基带信号与所述第二基带信号进行相干处理，得到所述待识别目标的横向速度信息，包括：将所述第一基带信号与所述第二基带信号进行相干处理，得到相干信号；利用所述预设时频分析算法，并根据所述相干信号确定相干时频谱；根据所述相干时频谱以及预设特征提取算法确定相干经验特征，所述横向速度信息包括所述相干经验特征。
可选的，所述利用预设时频分析算法，并根据所述第一基带信号与所述第二基带信号确定所述待识别目标的径向速度信息，包括：利用所述预设时频分析算法，确定所述第一基带信号对应的第一时频谱，所述第二基带信号对应的第二时频谱；根据所述第一时频谱以及所述预设特征提取算法确定第一经验特征，根据所述第二时频谱以及所述预设特征提取算法确定第二经验特征，所述径向速度信息包括所述第一经验特征以及所述第二经验特征。
可选的，所述根据所述横向速度信息以及所述径向速度信息确定所述待识别目标的所述姿态类别，包括：利用带有线性核的支持向量机，并根据所述横向速度信息以及所述径向速度信息确定所述待识别目标的所述姿态类别。
可选的，所述预设特征提取算法，包括：提取时频谱的正频率的质心信息以及负频率的质心信息，所述质心信息包括质心频率与质心时间，所述时频谱包括所述相干时频谱、所述第一时频谱以及所述第二时频谱，所述正频率为所述待识别目标朝向所述雷达运动时的频率，所述负频率为所述待识别目标远离所述雷达运动时的频率；根据所述正频率的质心信息以及所述负频率的质心信息生成经验特征，所述经验特征包括所述相干经验特征、所述第一经验特征以及所述第二经验特征。
可选的，所述经验特征包括第一特征值，第二特征值和第三特征值；所述第一特征值为时频谱的平均频率；所述第二特征值为时频谱的所述正频率与所述负频率的质心频率差；所述第三特征值为时频谱的所述正频率与所述负频率的质心时间差。
可选的，所述预设时频分析算法为对信号进行短时傅里叶变换，以得到的微多普勒时频谱。
第二个方面，本申请提供一种目标姿态识别的装置，包括：信号获取模块，用于获取发射信号经待识别目标散射后的第一接收信号以及第二接收信号，所述发射信号由雷达的发射天线发出，所述第一接收信号由所述雷达的第一接收天线接收，所述第二接收信号由所述雷达的第二接收天线接收，所述雷达至少包括两个接收天线；信号处理模块，用于根据所述第一接收信号与所述发射信号确定第一基带信号，根据所述第二接收信号与所述发射信号确定第二基带信号；目标姿态识别模块，用于根据所述第一基带信号与所述第二基带信号确定所述待识别目标的姿态类别。
可选的，所述信号处理模块，还用于利用预设时频分析算法，并根据所述第一基带信号与所述第二基带信号确定所述待识别目标的径向速度信息；所述信号处理模块，还用于将所述第一基带信号与所述第二基带信号进行相干处理，得到所述待识别目标的横向速度信息；所述目标姿态识别模块，还用于根据所述横向速度信息以及所述径向速度信息确定所述待识别目标的所述姿态类别。
可选的，所述信号处理模块，还用于将所述第一基带信号与所述第二基带信号进行相干处理，得到相干信号；所述信号处理模块，还用于利用所述预设时频分析算法，并根据所述相干信号确定相干时频谱；所述信号处理模块，还用于根据所述相干时频谱以及预设特征提取算法确定相干经验特征，所述横向速度信息包括所述相干经验特征。
可选的，所述信号处理模块，还用于利用所述预设时频分析算法，确定所述第一基带信号对应的第一时频谱，所述第二基带信号对应的第二时频谱；所述信号处理模块，还用于根据所述第一时频谱以及所述预设特征提取算法确定第一经验特征，根据所述第二时频谱以及所述预设特征提取算法确定第二经验特征，所述径向速度信息包括所述第一经验特征以及所述第二经验特征。
可选的，所述目标姿态识别模块，还用于利用带有线性核的支持向量机，并根据所述横向速度信息以及所述径向速度信息确定所述待识别目标的所述姿态类别。
可选的，所述信号处理模块，还用于提取时频谱的正频率的质心信息以及负频率的质心信息，所述质心信息包括质心频率与质心时间，所述时频谱包括所述相干时频谱、所述第一时频谱以及所述第二时频谱，所述正频率为所述待识别目标朝向所述雷达运动时的频率，所述负频率为所述待识别目标远离所述雷达运动时的频率；所述信号处理模块，还用于根据所述正频率的质心信息以及所述负频率的质心信息生成经验特征，所述经验特征包括所述相干经验特征、所述第一经验特征以及所述第二经验特征。
可选的，所述信号处理模块，还用于生成经验特征值包括第一特征值，第二特征值和第三特征值，所述第一特征值为时频谱的平均频率，所述第二特征值为时频谱的所述正频率与所述负频率的质心频率差，所述第三特征值为时频谱的所述正频率与所述负频率的质心时间差。
可选的，所述信号处理模块，还用于利用预设时频分析算法为对信号进行短时傅里叶变换，以得到的微多普勒时频谱。
第三个方面，本申请提供一种目标姿态识别的电子设备，包括：
存储器，用于存储程序指令；
处理器，用于调用并执行所述存储器中的程序指令，执行第一方面所提供的任意一种可能的目标姿态识别的方法。
第四个方面，本申请提供一种存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序用于执行第一方面所提供的任意一种可能的目标姿态识别的方法。
本申请提供的目标姿态识别的方法、装置和电子设备，通过获取发射信号经待识别目标散射后的第一接收信号以及第二接收信号，然后根据第一接收信号与发射信号确定第一基带信号，并根据第二接收信号与发射信号确定第二基带信号，最后根据第一基带信号与第二基带信号确定待识别目标的姿态类别。第一基带信号与第二基带信号携带着与待识别目标姿态相关的各个特征值，包括但不限于横向速度信息以及径向速度信息等，通过目标姿态的径向和横向速度信息等各特征值相互配合，补充横向速度信息可以更准确区分目标在不同方位角时的姿态以及水平对称姿态，如从左到右滑动和从右向左滑动，实现对目标姿态的高准确率及高稳定性识别，且硬件成本较低，算法复杂度较低，实时交互性更好。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的一种目标姿态识别的方法的应用场景示意图；
图2为本申请提供的一种目标姿态识别的方法的流程示意图；
图3为本申请提供的一种调频连续波相干雷达的回波接收信号示意图；
图4为本申请提供的另一种目标姿态识别的方法的流程示意图；
图5为本申请提供的再一种目标运动轨迹的确定方法的流程示意图；
图6为本申请提供的一种待识别目标姿态分类图；
图7为本申请提供的一种第一时频谱图；
图8为本申请提供的一种第二时频谱图；
图9为本申请提供的一种相干时频谱图；
图10为本申请提供的一种时频谱正频率和负频率部分的质心位置图；
图11为本申请提供的一种待识别目标测试样本径向经验特征分布图；
图12为本申请提供的一种待识别目标测试样本横向经验特征分布图；
图13a-13i为本申请提供的多个手势的识别准确率与方位角的关系图；
图14a-14l为本申请提供的三种系统在不同方位角下对九个手势分类的混淆矩阵图；
图15为本申请提供的一种目标姿态识别的装置的结构示意图；
图16为本申请提供的一种目标姿态识别的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，包括但不限于对多个实施例的组合，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在现有技术中，传统的姿态识别是雷达发射电磁波，并接收回波，通过对雷达回波进行时频分析，得到回波的微多普勒特征，进而对运动目标识别与分类，但是单纯对回波分析的方式只能反映目标的径向速度特征，而无法反映目标的横向运动特征，这使得目标姿态识别的准确率对方位角十分敏感，在运动目标偏离雷达正方向的方位角超过一定范围时，其识别的正确率将受到极大的影响，并且传统雷达只能得到目标速度在径向上的投影，而径向投影无法反应横向的运动特征，使得雷达对水平对称的动作(如从左到右滑动和从右向左滑动)的识别准确率很低，另一方面，运用MIMO雷达通过应用阵列天线来获取目标的角度信息从而得打横向运动特征，然而精确的角度信息需要多天线的阵列，这与硬件的成本相互制约，且阵列信号处理的时间复杂度较高，为运动目标姿态的实时交互带来了困难。因此，传统的采用传统雷达的目标运动姿态识别的方法无法得到横向运动特征，且受方位角影响识别准确率低，采用MIMO雷达硬件成本高，阵列信号处理的时间复杂度较高，实时交互性差。
考虑到上述问题，本申请提供了一种目标姿态识别的方法、装置、电子设备和存储介质，通过获取发射信号经待识别目标散射后的第一接收信号以及第二接收信号，然后根据第一接收信号与发射信号确定第一基带信号，并根据第二接收信号与发射信号确定第二基带信号，最后根据第一基带信号与第二基带信号确定待识别目标的姿态类别。第一基带信号与第二基带信号携带着与待识别目标姿态相关的各个特征值，包括但不限于横向速度信息以及径向速度信息等，通过目标姿态的径向和横向速度信息等各特征值相互配合，互补参照对比的方式，实现对目标所处不同方位的姿态和水平对称姿态的高准确率及高稳定性识别，且硬件成本较低，实时交互性更好。
下述申请实施例以人手作为目标，来对本申请实施例提供的目标运动姿态识别的方法，装置和电子设备进行说明和解释。图1为本申请提供的一种目标姿态识别方法的应用场景示意图。在该场景中，调频连续波雷达11的发射天线111发出发射信号，调频连续波雷达11的两路接收天线，分别为第一接收天线即接收天线112和第二接收天线即接收天线113，接收天线112和接收天线113分别接收发射信号经人手13反射后的第一接收信号和第二接收信号；随后，终端12从调频连续波雷达11处获取上述的发射信号、第一接收信号以及第二接收信号，并采用本申请提供的目标姿态识别的方法，确定出人手13的手势类别即姿态类别。其中，终端12可例如：计算机、手机、平板电脑、智能家电等。
需要说明的是，本申请实施例的调频连续波雷达具有一个发射天线和两个分置的接收天线即相干雷达，但本申请所记载的雷达包括但不限于这种形式的相干雷达，还可以是多个接收天线和多个发射天线相组合的雷达，只要能实现本申请记载的技术方案的雷达都属于本申请所述的雷达。本申请下述的如第一接收信号和第二接收信号，第一基带信号和第二基带信号等，实际意思是表达需要至少两个接收信号和至少一个发射信号，并对所有接收信号进行处理获得对应基带信号，然后各对应的基带信号再进行相干处理，后经时频分析得到待识别目标的横向和径向速度信息，并据此进行目标姿态识别，仅在数量上增加接收信号，和/或，增加发射信号仍属于本申请所述的技术方案的范围，本申请不对接收信号和发射信号的数量上限作任何限定。
下述申请实施例的目标姿态分类如图6所示，图6为本申请提供的一种待识别目标姿态分类图，如图6所示，手势的分类如下：(a)从前向后滑动，(b)从后向前滑动，(c)从左向右滑动，(d)从右向左滑动，(e)逆时针旋转，(f)顺时针旋转，(g)从上向下滑动，(h)从下向上滑动，(i)空白参照。在本实施例中包括了八个手势和一个空白参照，空白参照对应没有手在雷达前运动的情况，目的是判断雷达视场中是否有活动的待识别目标。
可以理解，本申请实施例提供的方法，不仅可以用于识别手势类别，可以适用于识别任一物体的姿态类别，如姿势识别，跌落识别等。
下面以具有一个发射天线和两个接收天线，并能够发射和接收频率受特定信号调制的连续波的相干雷达为例，以具体地实施例对本申请实施例的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请提供的一种目标姿态识别的方法的流程示意图。本实施例涉及的是如何对调相干雷达的信号进行处理，进而识别目标姿态类别的具体过程。如图2所示，该方法包括：
S101、获取发射信号经待识别目标散射后的第一接收信号以及第二接收信号。
在本步骤中，发射信号具体可以为线性调频波信号，相干雷达的发射天线发射线性调频波信号，该信号经由目标散射后，形成第一接收信号和第二接收信号，并由雷达的第一接收天线和第二接收天线接收，从而对应的天线相应获得第一接收信号和第二接收信号。
一种可能的情况下，具体的，当调频连续波相干雷达发出的连续线性调频波载波频率为f0，则发射信号可以通过公式(1)表示，公式(1)具体如下：
sT(t)＝exp(-j2πf0t) (1)
其中，f0为载频，j为虚数单位。
S102、根据第一接收信号与发射信号确定第一基带信号，根据第二接收信号与发射信号确定第二基带信号。
图3为本申请提供的一种调频连续波相干雷达的回波接收信号示意图。如图3所示，发射信号被待识别目标散射并被两个接收天线接收，天线1和天线2为接收天线且两者之间的间距为D，在本步骤中，以天线1为参考，则其接收信号即第一接收信号与发射信号进行混频滤波，得到发射信号与第一接收信号的差拍信号即第一基带信号，具体可以用公式(2)表示，在远场假设下，与天线1相比，天线2接收到的第二接收信号被延迟了τ，同理，将第二接收信号与发射信号进行混频滤波，得到第二基带信号，具体可表示为公式(3)：
Figure BDA0002459542310000091
Figure BDA0002459542310000092
其中，延迟
Figure BDA0002459542310000093
R是目标相对雷达的距离，c是光速，
Figure BDA0002459542310000096
为雷达回波到达接收天线的波达角即待识别目标的方位角。
S103、根据第一基带信号与第二基带信号确定待识别目标的姿态类别。
在本步骤中，对第一基带信号与第二基带信号分别进行时频分析，得到待识别目标各速度分量的时间分布特征，即微多普勒特征，进而可以从中提取出与特定姿态对应的特征值，包括但不限于：基带信号的微多普勒频谱，径向速度信息，横向速度信息，正频率质心，负频率质心，姿态持续时间，最大正频率及其时间，最小负频率及其时间，平均频率值，频带宽度，频率的方差或者标准差等；
在一种可能的设计中，计算第一基带信号与第二基带信号的频率峰值作为待识别目标的第一频移和第二频移，通过公式(4)计算第一接收信号和第二接收信号之间的差频信号，然后利用公式(5)计算得到待识别目标的横向速度。公式(4)和公式(5)具体如下：
fa＝fd1-fd2 (4)
Figure BDA0002459542310000094
其中，fa为差频信号，fd1为第一频移，fd2为第二频移，ω为切向速度即横向速度，D为两接收天线基线距离，fa为差频信号，
Figure BDA0002459542310000095
为t＝ts+nT时刻对应的雷达载波波长，T为扫频周期。
可选的，还可以对第一基带信号和第二基带信号进行迭代组合，作差，作商，相加，相乘，卷积，相干处理等不同的运算后再进行时频分析得到能够区分不同姿态的横向和径向运动信息特征值；
显然的不同的姿态对应着一个或者多个不同的特征值，根据此特征值或特征值集合进行组合比对或者配合比对，在本申请实施例中运用待识别目标的横向速度特征与径向速度特征一起相互配合，互补参照，补充横向速度信息可以更准确区分目标在不同方位角时的姿态以及水平对称姿态，如从左到右滑动和从右向左滑动，横向速度特征和径向速度特征可以形成一组特定的识别分类向量，建立与手势姿态即待识别目标姿态的对应关系表或者对应函数关系得到待识别目标的姿态分类类别。
本实施例提供了一种目标姿态识别的方法，通过获取发射信号经待识别目标散射后的第一接收信号以及第二接收信号，然后根据第一接收信号与发射信号确定第一基带信号，并根据第二接收信号与发射信号确定第二基带信号，最后根据第一基带信号与第二基带信号确定待识别目标的姿态类别。第一基带信号与第二基带信号携带着与待识别目标姿态相关的各个特征值，包括但不限于横向速度信息以及径向速度信息等，通过目标姿态的径向和横向速度信息等各特征值相互配合，补充横向速度信息可以更准确区分目标在不同方位角时的不同姿态以及水平对称姿态，如从左到右滑动和从右向左滑动，实现对目标姿态的高准确率及高稳定性识别，且硬件成本较低，算法复杂度较低，实时交互性更好。
需要说明的是，本实施例不对挖掘待识别目标姿势相关的特征值的具体方法做出限定，只要能够得到包括待测目标的横向速度特征和径向速度特征的方法都属于本实施例所论述的范围。
图4为本申请另一实施例提供的另一种目标姿态识别的方法的流程示意图。如图4所示，本实施例提供的目标姿态识别的方法，其具体步骤，包括：
S201、获取发射信号经待识别目标散射后的第一接收信号以及第二接收信号。
S202、根据第一接收信号与发射信号确定第一基带信号，根据第二接收信号与发射信号确定第二基带信号。
步骤S201-S202的技术名词、技术效果、技术特征，以及可选实施方式，可参照图2所示的步骤S101-S102理解，对于重复的内容，在此不再累述。
S203、对第一基带信号以及第二基带信号进行时频分析，得到待识别目标的径向速度信息。
在本步骤中，对第一基带信号以及第二基带信号进行时频分析，可以理解为，第一基带信号与第二基带信号为时域信号，需要将时域信号转换为时频域信号，从而获取其对应的时频谱，而时域与时频域的转换方法有很多，例如短时傅里叶变换(STFT)，Gabor变换、分数阶傅里叶变换(FrFT)、小波变换(WT)等。
在一种可能的情况中，对第一基带信号和第二基带信号进行短时傅里叶变换(STFT)，根据第一基带信号得到第一微多普勒时频谱，根据第二基带信号得到第二微多普勒时频谱，从微多普勒时频谱当中可以得到待识别目标的微多普勒特征，即待识别目标的各速度分量的时间分布特征，从而得到待识别目标的径向速度信息。
具体的，可以为：调频连续波相干雷达的雷达信号的降采样使采样周期ts与扫频周期T相同或者它们的比值为1:50，因此，对于第一基带信号和第二基带信号可以进行短时傅里叶变换，并提取峰值作为待识别目标姿态引起的第三频移和第四频移。
随后，可以利用公式(6)和公式(7)计算所述目标的第一径向速度和第二径向速度，公式(6)和公式(7)具体如下：
Figure BDA0002459542310000111
Figure BDA0002459542310000112
其中，vr1为第一径向速度，vr2为第二径向速度，c为光速，fd3为所述第三频移，fd4为所述第四频移，f0为载波中心频率。
S204、将第一基带信号与第二基带信号进行相干处理，得到待识别目标的横向速度信息。
在本步骤中，将第一基带信号与第二基带信号在干涉仪中进行相干操作得到相干信号，产生的响应即相干处理及其结果可以用公式(8)表示，公式(8)具体如下：
Figure BDA0002459542310000121
其中，SI(t)为相干信号，S1(t)为第一基带信号，S2(t)为第二基带信号，c为光速，D为两接收天线基线距离，
Figure BDA0002459542310000122
为待识别目标的方位角，f0为载波中心频率。
横向速度引起的相干频率是公式(8)中相位项的时间导数，可以用公式(9)来表示，公式(9)具体如下：
Figure BDA0002459542310000123
其中，λ0是载波信号的波长，D为两接收天线基线距离，
Figure BDA0002459542310000124
是以雷达位置为参考测得的角速度。
横向速度与角速度成线性比例，即vt＝ωR，R是目标相对雷达的距离。因此，在下文中无特别说明，将不再区分角速度与横向速度。显然，相干信号的相位和频率分量可以分别反映方位角
Figure BDA0002459542310000126
和角速度ω。通过对相干信号进行时频分析，就可以获得手势的横向运动特征。
S205、根据待识别目标的横向速度信息和径向速度信息确定待识别目标的姿态类别。
在本步骤中，以相干雷达的正对面为参考零方位角，横向速度信息包含方位角
Figure BDA0002459542310000125
和角速度ω，对于待识别目标在不同方位角时，其对应的角速度即横向速度会发生对应的变化，并根据上一步中的公式(9)计算出来两者之间的关系，因此就可以对不同的方位角下的目标姿态进行分类，以提高待识别目标在不同方位角时的姿态识别准确度。
并且，径向速度是待识别目标在径向方向的投影，对于一些水平对称的运动即在横向上有区别而径向投影相似的运动，就必须引入横向速度信息，可以将横向速度信息和径向速度信息进行组合，例如形成综合速度向量组，然后以此向量组进行运算，就可以得到不同姿态分类所对应的识别分类值。
本实施例提供了一种目标姿态识别的方法，通过获取发射信号经待识别目标散射后的第一接收信号以及第二接收信号，然后根据第一接收信号与发射信号确定第一基带信号，根据第二接收信号与发射信号确定第二基带信号，然后对第一基带信号以及第二基带信号进行时频分析，得到待识别目标的径向速度信息，然后将第一基带信号与第二基带信号进行相干处理，得到待识别目标的横向速度信息，最后根据待识别目标的横向速度信息和径向速度信息确定待识别目标的姿态类别。通过目标姿态的径向和横向速度信息的各特征值相互配合，补充横向速度信息可以更准确区分目标在不同方位角时的不同姿态以及水平对称姿态，如从左到右滑动和从右向左滑动，实现对目标姿态的高准确率及高稳定性识别，且硬件成本较低，算法复杂度较低，实时交互性更好。
图5为本申请提供的再一种目标运动轨迹的确定方法的流程示意图。在本实施例中，待识别目标为人手，待识别目标姿态为手势，如图5所示，本实施例提供的目标姿态识别的方法，其具体步骤，包括：
S301、获取发射信号经待识别目标散射后的第一接收信号以及第二接收信号。
S302、根据第一接收信号与发射信号确定第一基带信号，根据第二接收信号与发射信号确定第二基带信号。
步骤S301-S302的技术名词、技术效果、技术特征，以及可选实施方式，可参照图2所示的步骤S101-S102理解，对于重复的内容，在此不再赘述。
S303、对第一基带信号以及第二基带信号进行时频分析，得到第一时频谱和第二时频谱。
第一基带信号和第二基带信号都为时域信号，需要把时域信号转换为频域信号，转换方法很多可以参照图4的步骤S203理解，在此不再赘述。
在本实施例的本步骤中，对第一基带信号进行短时傅里叶变换得到微多普勒时频谱即第一时频谱，对第二基带信号进行短时傅里叶变换得到微多普勒时频谱即第二时频。时频谱是指记录有时间与频率两个维度的频谱图，即时频谱中的点的坐标由时间和频率组成，如图7和图8所示。
图7为本申请提供的一种第一时频谱图，图8为本申请提供的一种第二时频谱图；如图7和图8所示，(a)-(i)为与图6对应的9个手势类别，被白色部分包围的深色区域为人手运动产生的正频率中最高的部分，图中的在白色部分之间过渡的灰色区域为人手运动产生的负频率，每个频谱图的横坐标为时间，纵坐标为频率，图中的每个点代表某时刻下该位置处的手势频率，如图所述每个手势都有其特定的时频谱图，可以根据时频谱图识别出手势的类别。
S304、将第一基带信号与第二基带信号进行相干处理得到相干信号。
本步骤的技术名词、技术效果、技术特征，以及可选实施方式，可参照图4所示的步骤S204理解，对于重复的内容，在此不再赘述。
S305、利用预设时频分析算法处理相干信号，得到相干时频谱。
在本步骤中，对相干信号进行短时傅里叶变换，得到相干信号的微多普勒时频谱即相干时频谱。
图9为本申请提供的一种相干时频谱图，如图9所示，(a)-(i)为与图6对应的9个手势类别，被白色部分包围的深色区域为人手运动产生的正频率中最高的部分，图中的在白色部分之间过渡的灰色区域为人手运动产生的负频率，每个频谱图的横坐标为时间，纵坐标为频率，图中的每个点代表某时刻下该位置处的手势频率。与图7和图8相比，相干时频谱在对应的手势上的频谱图有很大的区别，可以作为手势识别的补充信息，提高手势识别的准确率。
需要注意的是，步骤S303中的内容也可以放在本步骤中一起执行。
S306、利用预设特征提取算法分别对第一时频谱提取第一经验特征，对第二时频谱提取第二经验特征，对相干时频谱提取相干经验特征。
在本步骤中，对于预设特征提取算法，在一种可能的设计中，具体为，在每个时频谱图中包括：第一时频谱，第二时频谱以及相干时频谱，计算出每个时频谱图中的正频率质心所在点的坐标和负频率质心所在点的坐标，可以分别表示为(tp,fp)和(tn,fn)，其中，tp为正频率质心的时间，tn为负频率质心的时间，fp为正频率质心的频率，fn为正频率质心的频率。正频率指的是待识别目标朝向雷达所在位置运动时的频率，负频率指的是待识别目标远离雷达所在位置运动时的频率。图10为本申请提供的一种时频谱正频率和负频率部分的质心位置图，如图10所示，在时频谱图中可以根据预设的质心计算算法找到正频率质心点和负频率质心点，在此不对质心的计算算法进行限定。
利用正频率质心和负频率质心就可以计算出每个时频谱的经验特征，即第一时频谱计算得到第一经验特征，第二时频谱计算得到第二经验特征，以及相干时频谱计算得到相干经验特征。
可选的，对于每个时频谱的经验特征可以包括：第一特征值，第二特征值以及第三特征值。第一特征值为每个时频谱的平均频率，可以用公式(10)来表示，公式(10)具体为：
Figure BDA0002459542310000151
其中，F1为第一特征值，S(ti,fj)为时频谱中ti时刻fj频率所对应的复数值。
第二特征值为时频谱的所述正频率与所述负频率的质心频率差，可以用公式(11)来表示，具体如下：
F2＝fp-fn (11)
其中，F2为第二特征值，fp为正频率质心的频率，fn为正频率质心的频率。
第三特征值为时频谱的所述正频率与所述负频率的质心时间差，可以用公式(12)来表示，具体如下：
F3＝tp-tn (12)
其中，F3为第三特征值，tp为正频率质心的时间，tn为负频率质心的时间。
第一经验特征的三个特征值和第二经验特征的三个特征值可以用来表达待识别目标的径向速度特征信息，相干经验特征的三个特征值可以用来表达待识别目标的横向速度特征信息。
下面结合图11和图12来具体说明用三个特征值作为三个维度来表达的待识别目标的径向和横向经验特征，并且对横向速度特征如何与径向速度特征的相互补充配合进行说明。
图11为本申请提供的一种待识别目标测试样本径向经验特征分布图，此分布图为待识别目标的方位角为零度，即待识别目标正对雷达时对待识别目标即人手手势的9种分类各采样测试100个点所得到的，其中一种为空白参照，另外8种为有效手势。如图11所示，姿态1-8代表图6所示的8个有效手势，其中，姿势1对应图6的(d)，姿势2对应图6的(a)，姿势3对应图6的(g)，姿势4对应图6的(h)，姿势5对应图6的(c)，姿势6对应图6的(b)，姿势7对应图6的(e)，姿势8对应图6的(f)，空白对照对应图6的(i)，由图11可知，姿态1-3根据径向经验特征就可以准确识别，但是姿态4-8仅根据径向经验特征则姿态识别将会相互干扰，使得识别准确性受到影响。为区分这几个以混淆的手势，引入待识别目标的横向经验特征如图12所示。
图12为本申请提供的一种待识别目标测试样本横向经验特征分布图，此分布图的绘制条件与图11相同，在此不再赘述。如图12所示，姿态1-8与图11的8个姿态编号相对应，仅根据图12的横向经验特征也会影响部分姿态在识别时的准确性，但是结合图11与图12所示的径向与横向经验特征，就能得准确区分此8个有效手势，所以可以知道，横向速度是对径向速度的有效补充，两者相互配合可以提高姿态识别的准确性。
S307、将第一经验特征，第二经验特征和相干经验特征输入带有线性核的支持向量机，得到待识别目标的姿态类别。
在本实施例中，采用了带有线性核的支持向量机(SVM)对手势即待识别目标的姿态进行分类，将计算得到的第一经验特征，第二经验特征和相干经验特征输入支持向量机算法当中，就可以得到手势的类别。
为说明本实施例待识别目标在不同方位角时，引入横向速度特征可以提高不同方位角的姿态识别准确性及稳定性，下面给出本实施例与传统的一个多普勒时频谱，两个多普勒时频谱的识别准确率对比，如表1和图12所示。
表1列出了使用一个微多普勒时频谱，两个微多普勒时频谱以及两个微多普勒频谱图和相干时频谱在四个方位角下的手势识别准确率，其中，当方位角为15°时，三种系统均达到了最高的准确率。当手移出天线的主瓣时，随着信噪比(SNR)的降低，识别精度在较大的方位角上会有所降低。对于使用一个径向微多普勒时频谱的情况，由于只能获得径向微动信息，因此分类精度对方位角非常敏感，在45°时的精度仅有81.8％。对于另外两种情况，由于可以获取来自不同方向的微动信息，因此方位角对识别精度的影响相对较小。根据径向和横向微动特征进行手势的分类，在所有方位角的情况下，相干雷达均达到了最高的识别率。
表1三种系统在不同角度下的手势识别准确率
Figure BDA0002459542310000171
a一个径向微多普勒时频谱
b两个径向微多普勒时频谱
c两个径向微多普勒时频谱和相干时频谱
图13a-13i为本申请提供的多个手势的识别准确率与方位角的关系图，图13a-13i与图6中a-i的9中手势对应，(图13a)从前向后滑动，(图13b)从后向前滑动，(图13c)从左向右滑动，(图13d)从右向左滑动，(图13e)逆时针旋转，(图13f)顺时针旋转，(图13g)从上向下滑动，(图13h)从下向上滑动，(图13i)空白参照。如图13a-13i所示，这9个图展示了手势的识别准确度与方位角的关系，其中，从这9个图中的实线可知，使用具有横向速度特征的相干雷达的所有九种手势的分类准确率曲线几乎都是恒定的。从三个雷达系统的比较中可以明显看出，相干雷达对于九种手势识别的准确率具有最强的稳定性，并且对方位角的变化也展现出了鲁棒性，即在不同方位角时仍具有稳定的高准确度识别的性能。
因此引入横向速度特征可以使得姿态识别的准确性和不同方位角时的识别稳定性得到显著有效的提高。
为说明本申请实施例对水平对称姿态的准确识别能力，运用本实施例与两个传统的雷达识别的系统作对比，即得到三种系统，分别为：带有一个微多普勒时频谱，两个微多普勒时频谱和两个微多普勒时频谱与相干时频谱，在不同方位角下对9个手势分类的混淆矩阵进行对比分析。
图14a-14l为本申请提供的三种系统在不同方位角下对九个手势分类的混淆矩阵图：图14a-14d为只有一个多普勒时频谱系统的混淆矩阵图；图14e-14h为有两个多普利时频谱系统的混淆矩阵图；图14i-14l为有两个微多普勒时频谱与相干时频谱系统的混淆矩阵图。
如图14a-14l所示，其中，图14a，图14e和图14i的方位角为0°；图14b，图14f和图14j的方位角为15°；图14c，图14g和图14k的方位角为30°；图14d，图14h和图14l的方位角为45°。
在混淆矩阵中，水平对称手势(c)和(d)，(e)和(f)容易被混淆。但是，由于人的手是短距离的分布式目标，因此，多普勒雷达在大多数情况下仍可以识别这些水平对称的手势。但是，当方位角增大时，区分手势(c)和(d)，手势(e)和(f)的准确率会急剧下降。相反，与提供一个微多普勒时频谱和两个微多普勒时频谱的雷达相比，具有横向速度特征的相干雷达在较大方位角下仍能以较高的准确率区分这些水平对称的手势。由此可知，由于可以从不同方向提取更多的微动特征，且使用具有横向速度特征的相干雷达可以实现更高的空间分辨率，具有横向速度特征的相干雷达在区分水平对称手势方面表现出明显的优势。
从混淆矩阵中还可以看出，不同手势的识别准确率在不同方位角下有显着变化。例如，在0°时，手势(c)，(d)和(f)具有相对较高的假负率。但是，在30°时，手势(a)和(b)则是最容易混淆的。这表明，相同的手势在不同的方位角下表现出不同的微多普勒特征。固定进行手势时的方位角，通过在横向上得到更多微动信息，就可以得到更高的分类准确率。因此，可以从中得出，与传统多普勒雷达相比，本申请使用了从具有横向速度特征的相干雷达中获得的横向运动特征，可以有效提高手势分类识别性能，即本申请在不同方位角下均具有很好的适应性，并且本申请对于分辨多种手势，特别是水平对称手势的性能十分出色。
本实施例提供了一种目标姿态识别的方法，通过获取发射信号经待识别目标散射后的第一接收信号以及第二接收信号，然后根据第一接收信号与发射信号确定第一基带信号，根据第二接收信号与发射信号确定第二基带信号，然后对第一基带信号以及第二基带信号进行时频分析，得到第一时频谱和第二时频谱，然后将第一基带信号与第二基带信号进行相干处理得到相干信号，然后利用预设时频分析算法处理相干信号，得到相干时频谱，然后利用预设特征提取算法分别对第一时频谱提取第一经验特征，对第二时频谱提取第二经验特征，对相干时频谱提取相干经验特征，最后将第一经验特征，第二经验特征和相干经验特征输入带有线性核的支持向量机，得到待识别目标的姿态类别。第一与第二经验特征能够反映待识别目标的径向速度信息，相干经验特征能够反映待识别目标的横向速度信息，通过目标姿态的径向和横向速度信息的各特征值相互配合，补充横向速度信息可以更准确区分目标在不同方位角时的不同姿态以及水平对称姿态，如从左到右滑动和从右向左滑动，实现对目标姿态的高准确率及高稳定性识别，且硬件成本较低，算法复杂度较低，实时交互性更好。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图15为本申请提供的一种目标姿态识别的装置的结构示意图。该目标姿态识别的装置可以通过软件、硬件或者两者的结合实现，可以为前述所说的终端。
如图15所示，该目标姿态识别装置200包括：信号获取模块201、信号处理模块202、目标姿态识别模块203。
信号获取模块201，用于获取发射信号经待识别目标散射后的第一接收信号以及第二接收信号，所述发射信号由雷达的发射天线发出，所述第一接收信号由所述雷达的第一接收天线接收，所述第二接收信号由所述雷达的第二接收天线接收，所述雷达至少包括两个接收天线；
信号处理模块202，用于根据所述第一接收信号与所述发射信号确定第一基带信号，根据所述第二接收信号与所述发射信号确定第二基带信号；
目标姿态识别模块203，用于根据所述第一基带信号与所述第二基带信号确定所述待识别目标的姿态类别。
在一些可能的设计中，所述信号处理模块202，还用于利用预设时频分析算法，并根据所述第一基带信号与所述第二基带信号确定所述待识别目标的径向速度信息；
所述信号处理模块202，还用于将所述第一基带信号与所述第二基带信号进行相干处理，得到所述待识别目标的横向速度信息；
所述目标姿态识别模块203，还用于根据所述横向速度信息以及所述径向速度信息确定所述待识别目标的所述姿态类别。
在一些可能的设计中，所述信号处理模块202，还用于将所述第一基带信号与所述第二基带信号进行相干处理，得到相干信号；
所述信号处理模块202，还用于利用所述预设时频分析算法，并根据所述相干信号确定相干时频谱；
所述信号处理模块202，还用于根据所述相干时频谱以及预设特征提取算法确定相干经验特征，所述横向速度信息包括所述相干经验特征。
在一些可能的设计中，所述信号处理模块202，还用于利用所述预设时频分析算法，确定所述第一基带信号对应的第一时频谱，所述第二基带信号对应的第二时频谱；
所述信号处理模块202，还用于根据所述第一时频谱以及所述预设特征提取算法确定第一经验特征，根据所述第二时频谱以及所述预设特征提取算法确定第二经验特征，所述径向速度信息包括所述第一经验特征以及所述第二经验特征。
在一些可能的设计中，所述目标姿态识别模块203，还用于利用带有线性核的支持向量机，并根据所述横向速度信息以及所述径向速度信息确定所述待识别目标的所述姿态类别。
在一些可能的设计中，所述信号处理模块202，还用于提取时频谱的正频率的质心信息以及负频率的质心信息，所述质心信息包括质心频率与质心时间，所述时频谱包括所述相干时频谱、所述第一时频谱以及所述第二时频谱，所述正频率为所述待识别目标朝向所述雷达运动时的频率，所述负频率为所述待识别目标远离所述雷达运动时的频率；
所述信号处理模块202，还用于根据所述正频率的质心信息以及所述负频率的质心信息生成经验特征，所述经验特征包括所述相干经验特征、所述第一经验特征以及所述第二经验特征。
在一些可能的设计中，所述信号处理模块202，还用于生成经验特征值包括第一特征值，第二特征值和第三特征值，所述第一特征值为时频谱的平均频率，所述第二特征值为时频谱的所述正频率与所述负频率的质心频率差，所述第三特征值为时频谱的所述正频率与所述负频率的质心时间差。
在一些可能的设计中，所述信号处理模块202，还用于利用预设时频分析算法为对信号进行短时傅里叶变换，以得到的微多普勒时频谱。
值得说明的是，图15所示实施例提供的目标姿态识别的装置，可以执行上述任一方法实施例所提供的目标姿态识别的方法，其具体实现原理和技术效果类似，在此不再赘述。
图16为本申请提供的一种目标姿态识别的电子设备的结构示意图。如图16所示，该目标姿态识别的电子设备300可以包括：至少一个处理器301和存储器302。图16示出的是以一个处理器为例的电子设备。
存储器302，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
存储器302可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器301用于执行存储器302存储的计算机执行指令，以实现以上各方法实施例所述的目标姿态识别方法。
其中，处理器21可能是一个中央处理器(central processing unit，简称为CPU)，或者是特定集成电路(application specific integrated circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
可选地，存储器302既可以是独立的，也可以跟处理器301集成在一起。当所述存储器302是独立于处理器301之外的器件时，所述电子设备300，还可以包括：
总线303，用于连接所述处理器301以及所述存储器302。总线可以是工业标准体系结构(industry standard architecture，简称为ISA)总线、外部设备互连(peripheralcomponent，PCI)总线或扩展工业标准体系结构(extended industry standardarchitecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器302和处理器301集成在一块芯片上实现，则存储器302和处理器301可以通过内部接口完成通信。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random accessmemory，RAM)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述各实施例中的目标姿态识别方法。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种目标姿态识别的方法，其特征在于，包括：
获取发射信号经待识别目标散射后的第一接收信号以及第二接收信号，所述发射信号由雷达的发射天线发出，所述第一接收信号由所述雷达的第一接收天线接收，所述第二接收信号由所述雷达的第二接收天线接收，所述雷达至少包括两个接收天线；
根据所述第一接收信号与所述发射信号确定第一基带信号，根据所述第二接收信号与所述发射信号确定第二基带信号；
根据所述第一基带信号与所述第二基带信号确定所述待识别目标的姿态类别。
2.根据权利要求1所述的目标姿态识别的方法，其特征在于，所述根据所述第一基带信号与所述第二基带信号确定所述待识别目标的姿态类别，包括：
利用预设时频分析算法，并根据所述第一基带信号与所述第二基带信号确定所述待识别目标的径向速度信息；
将所述第一基带信号与所述第二基带信号进行相干处理，得到所述待识别目标的横向速度信息；
根据所述横向速度信息以及所述径向速度信息确定所述待识别目标的所述姿态类别。
3.根据权利要求2所述的目标姿态识别的方法，其特征在于，所述将所述第一基带信号与所述第二基带信号进行相干处理，得到所述待识别目标的横向速度信息，包括：
将所述第一基带信号与所述第二基带信号进行相干处理，得到相干信号；
利用所述预设时频分析算法，并根据所述相干信号确定相干时频谱；
根据所述相干时频谱以及预设特征提取算法确定相干经验特征，所述横向速度信息包括所述相干经验特征。
4.根据权利要求3所述的目标姿态识别的方法，其特征在于，所述利用预设时频分析算法，并根据所述第一基带信号与所述第二基带信号确定所述待识别目标的径向速度信息，包括：
利用所述预设时频分析算法，确定所述第一基带信号对应的第一时频谱，所述第二基带信号对应的第二时频谱；
根据所述第一时频谱以及所述预设特征提取算法确定第一经验特征，根据所述第二时频谱以及所述预设特征提取算法确定第二经验特征，所述径向速度信息包括所述第一经验特征以及所述第二经验特征。
5.根据权利要求4所述的目标姿态识别的方法，其特征在于，所述根据所述横向速度信息以及所述径向速度信息确定所述待识别目标的所述姿态类别，包括：
利用带有线性核的支持向量机，并根据所述横向速度信息以及所述径向速度信息确定所述待识别目标的所述姿态类别。
6.根据权利要求5所述的目标姿态识别的方法，其特征在于，所述预设特征提取算法，包括：
提取时频谱的正频率的质心信息以及负频率的质心信息，所述质心信息包括质心频率与质心时间，所述时频谱包括所述相干时频谱、所述第一时频谱以及所述第二时频谱，所述正频率为所述待识别目标朝向所述雷达运动时的频率，所述负频率为所述待识别目标远离所述雷达运动时的频率；
根据所述正频率的质心信息以及所述负频率的质心信息生成经验特征，所述经验特征包括所述相干经验特征、所述第一经验特征以及所述第二经验特征。
7.根据权利要求6所述的目标姿态识别的方法，其特征在于，所述经验特征包括第一特征值，第二特征值和第三特征值；
所述第一特征值为时频谱的平均频率；
所述第二特征值为时频谱的所述正频率与所述负频率的质心频率差；
所述第三特征值为时频谱的所述正频率与所述负频率的质心时间差。
8.根据权利要求2-7中任意一项所述的目标姿态识别的方法，其特征在于，所述预设时频分析算法为对信号进行短时傅里叶变换，以得到的微多普勒时频谱。
9.一种目标姿态识别的装置，其特征在于，包括：
获取模块，用于获取发射信号经待识别目标散射后的第一接收信号以及第二接收信号；
处理模块，用于根据所述第一接收信号与所述发射信号确定第一基带信号，根据所述第二接收信号与所述发射信号确定第二基带信号；
所述处理模块，还用于根据所述第一基带信号与所述第二基带信号确定所述待识别目标的姿态类别。
10.一种电子设备，其特征在于，包括：
处理器；以及，
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至8任一项所述的目标姿态识别的方法。
CN202010315851.0A 2020-04-21 2020-04-21 目标姿态识别的方法、装置和电子设备 Active CN111580060B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010315851.0A CN111580060B (zh) 2020-04-21 2020-04-21 目标姿态识别的方法、装置和电子设备
US17/092,094 US11579248B2 (en) 2020-04-21 2020-11-06 Method, apparatus and electronic equipment for recognizing posture of target

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010315851.0A CN111580060B (zh) 2020-04-21 2020-04-21 目标姿态识别的方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN111580060A true CN111580060A (zh) 2020-08-25
CN111580060B CN111580060B (zh) 2022-12-13

Family

ID=72124479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010315851.0A Active CN111580060B (zh) 2020-04-21 2020-04-21 目标姿态识别的方法、装置和电子设备

Country Status (2)

Country Link
US (1) US11579248B2 (zh)
CN (1) CN111580060B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111939A (zh) * 2021-04-12 2021-07-13 中国人民解放军海军航空大学航空作战勤务学院 飞行器飞行动作识别方法及装置
CN113109802A (zh) * 2021-03-05 2021-07-13 福瑞泰克智能系统有限公司 目标运动状态判断方法、装置、雷达设备和存储介质
CN115345908A (zh) * 2022-10-18 2022-11-15 四川启睿克科技有限公司 一种基于毫米波雷达的人体姿态识别方法
WO2023015865A1 (zh) * 2021-08-13 2023-02-16 上海禾赛科技有限公司 激光雷达及其测量运动速度的方法和装置、控制系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111624572B (zh) * 2020-05-26 2023-07-18 京东方科技集团股份有限公司 一种人体手部与人体手势识别的方法及装置

Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102841348A (zh) * 2012-09-03 2012-12-26 西北工业大学 基于傅里埃基带信号的距离、速度探测方法
DE102012024998A1 (de) * 2012-12-19 2014-06-26 Valeo Schalter Und Sensoren Gmbh Verfahren zum Bestimmen einer lateralen Geschwindigkeit eines Zielobjekts relativ zu einem Kraftfahrzeug mit Hilfe eines Radarsensors, Fahrerassistenzsystem und Kraftfahrzeug
CN103901425A (zh) * 2014-04-23 2014-07-02 武汉大学 一种测量运动物体横向速度的雷达及方法
CN104076352A (zh) * 2014-06-27 2014-10-01 电子科技大学 低截获测速方法及雷达装置
CN105786185A (zh) * 2016-03-12 2016-07-20 浙江大学 基于连续波微多普勒雷达的非接触式手势识别系统与方法
CN106250854A (zh) * 2016-08-02 2016-12-21 清华大学 基于微多普勒特征和支持向量机的人体步态识别方法
CN106324589A (zh) * 2016-07-27 2017-01-11 四川九洲电器集团有限责任公司 一种移动目标的参数测量方法及电子设备
CN106872974A (zh) * 2017-01-23 2017-06-20 西安电子科技大学 基于高超声速平台双通道雷达的高精度运动目标成像方法
CN107358250A (zh) * 2017-06-07 2017-11-17 清华大学 基于双波段雷达微多普勒融合的人体步态识别方法及系统
CN107430444A (zh) * 2015-04-30 2017-12-01 谷歌公司 用于手势跟踪和识别的基于rf的微运动跟踪
CN107886121A (zh) * 2017-11-03 2018-04-06 北京清瑞维航技术发展有限公司 基于多波段雷达的目标识别方法、装置及系统
CN108594198A (zh) * 2018-07-03 2018-09-28 中国人民解放军国防科技大学 基于轨道角动量的复合运动目标探测方法
CN108614267A (zh) * 2018-07-09 2018-10-02 南京普陆康电子科技有限公司 一种基于77GHz毫米波技术的防撞雷达设计方法
CN108680917A (zh) * 2018-05-18 2018-10-19 华瑞哲 一种急弯处汽车雷达不可视运动目标检测方法及装置
CN108957443A (zh) * 2018-07-16 2018-12-07 北京航空航天大学 一种基于双发双收相干雷达的无人机旋翼长度和转速的估计方法
CN109298412A (zh) * 2018-09-30 2019-02-01 北京航空航天大学 一种基于双频相干雷达的目标二维速度测量方法
CN109313259A (zh) * 2016-06-09 2019-02-05 株式会社电装 雷达装置以及由雷达装置进行的目标检测方法
CN109633620A (zh) * 2018-12-13 2019-04-16 广州极飞科技有限公司 目标物体的识别方法和装置、作业设备
JP2019066287A (ja) * 2017-09-29 2019-04-25 ミツミ電機株式会社 レーダー装置及び物標検出方法
CN109859526A (zh) * 2019-01-18 2019-06-07 长安大学 一种超车时前方目标车辆运动姿态实时观测装置及方法
KR20190090626A (ko) * 2018-01-25 2019-08-02 영남대학교 산학협력단 대상체의 동작을 인식하기 위하여 복수개의 상이한 주파수들을 이용하는 센서 모듈 및 그 센서 모듈의 동작 방법
CN110109102A (zh) * 2019-04-04 2019-08-09 电子科技大学 一种sar运动目标检测与速度估计的方法
CN110361725A (zh) * 2018-04-11 2019-10-22 英飞凌科技股份有限公司 使用毫米波雷达进行人类检测和识别的系统和方法
CN110389338A (zh) * 2019-06-26 2019-10-29 深圳市华讯方舟微电子科技有限公司 判断交通状况的方法、装置、毫米波雷达及存储介质
CN110431437A (zh) * 2017-03-17 2019-11-08 罗伯特·博世有限公司 用于求取雷达目标的横向相对速度分量的方法和设备
CN110431436A (zh) * 2017-03-17 2019-11-08 罗伯特·博世有限公司 用于求取至少一个目标的径向相对加速度的方法和雷达设备
CN110873877A (zh) * 2019-04-25 2020-03-10 北京航空航天大学 目标运动轨迹的确定方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679189B (zh) * 2012-09-14 2017-02-01 华为技术有限公司 场景识别的方法和装置
US10579150B2 (en) * 2016-12-05 2020-03-03 Google Llc Concurrent detection of absolute distance and relative movement for sensing action gestures

Patent Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102841348A (zh) * 2012-09-03 2012-12-26 西北工业大学 基于傅里埃基带信号的距离、速度探测方法
DE102012024998A1 (de) * 2012-12-19 2014-06-26 Valeo Schalter Und Sensoren Gmbh Verfahren zum Bestimmen einer lateralen Geschwindigkeit eines Zielobjekts relativ zu einem Kraftfahrzeug mit Hilfe eines Radarsensors, Fahrerassistenzsystem und Kraftfahrzeug
CN103901425A (zh) * 2014-04-23 2014-07-02 武汉大学 一种测量运动物体横向速度的雷达及方法
CN104076352A (zh) * 2014-06-27 2014-10-01 电子科技大学 低截获测速方法及雷达装置
CN107430444A (zh) * 2015-04-30 2017-12-01 谷歌公司 用于手势跟踪和识别的基于rf的微运动跟踪
CN105786185A (zh) * 2016-03-12 2016-07-20 浙江大学 基于连续波微多普勒雷达的非接触式手势识别系统与方法
CN109313259A (zh) * 2016-06-09 2019-02-05 株式会社电装 雷达装置以及由雷达装置进行的目标检测方法
CN106324589A (zh) * 2016-07-27 2017-01-11 四川九洲电器集团有限责任公司 一种移动目标的参数测量方法及电子设备
CN106250854A (zh) * 2016-08-02 2016-12-21 清华大学 基于微多普勒特征和支持向量机的人体步态识别方法
CN106872974A (zh) * 2017-01-23 2017-06-20 西安电子科技大学 基于高超声速平台双通道雷达的高精度运动目标成像方法
CN110431436A (zh) * 2017-03-17 2019-11-08 罗伯特·博世有限公司 用于求取至少一个目标的径向相对加速度的方法和雷达设备
CN110431437A (zh) * 2017-03-17 2019-11-08 罗伯特·博世有限公司 用于求取雷达目标的横向相对速度分量的方法和设备
CN107358250A (zh) * 2017-06-07 2017-11-17 清华大学 基于双波段雷达微多普勒融合的人体步态识别方法及系统
JP2019066287A (ja) * 2017-09-29 2019-04-25 ミツミ電機株式会社 レーダー装置及び物標検出方法
CN107886121A (zh) * 2017-11-03 2018-04-06 北京清瑞维航技术发展有限公司 基于多波段雷达的目标识别方法、装置及系统
KR20190090626A (ko) * 2018-01-25 2019-08-02 영남대학교 산학협력단 대상체의 동작을 인식하기 위하여 복수개의 상이한 주파수들을 이용하는 센서 모듈 및 그 센서 모듈의 동작 방법
CN110361725A (zh) * 2018-04-11 2019-10-22 英飞凌科技股份有限公司 使用毫米波雷达进行人类检测和识别的系统和方法
CN108680917A (zh) * 2018-05-18 2018-10-19 华瑞哲 一种急弯处汽车雷达不可视运动目标检测方法及装置
CN108594198A (zh) * 2018-07-03 2018-09-28 中国人民解放军国防科技大学 基于轨道角动量的复合运动目标探测方法
CN108614267A (zh) * 2018-07-09 2018-10-02 南京普陆康电子科技有限公司 一种基于77GHz毫米波技术的防撞雷达设计方法
CN108957443A (zh) * 2018-07-16 2018-12-07 北京航空航天大学 一种基于双发双收相干雷达的无人机旋翼长度和转速的估计方法
CN109298412A (zh) * 2018-09-30 2019-02-01 北京航空航天大学 一种基于双频相干雷达的目标二维速度测量方法
CN109633620A (zh) * 2018-12-13 2019-04-16 广州极飞科技有限公司 目标物体的识别方法和装置、作业设备
CN109859526A (zh) * 2019-01-18 2019-06-07 长安大学 一种超车时前方目标车辆运动姿态实时观测装置及方法
CN110109102A (zh) * 2019-04-04 2019-08-09 电子科技大学 一种sar运动目标检测与速度估计的方法
CN110873877A (zh) * 2019-04-25 2020-03-10 北京航空航天大学 目标运动轨迹的确定方法及装置
CN110389338A (zh) * 2019-06-26 2019-10-29 深圳市华讯方舟微电子科技有限公司 判断交通状况的方法、装置、毫米波雷达及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113109802A (zh) * 2021-03-05 2021-07-13 福瑞泰克智能系统有限公司 目标运动状态判断方法、装置、雷达设备和存储介质
CN113109802B (zh) * 2021-03-05 2023-12-26 福瑞泰克智能系统有限公司 目标运动状态判断方法、装置、雷达设备和存储介质
CN113111939A (zh) * 2021-04-12 2021-07-13 中国人民解放军海军航空大学航空作战勤务学院 飞行器飞行动作识别方法及装置
WO2023015865A1 (zh) * 2021-08-13 2023-02-16 上海禾赛科技有限公司 激光雷达及其测量运动速度的方法和装置、控制系统
CN115345908A (zh) * 2022-10-18 2022-11-15 四川启睿克科技有限公司 一种基于毫米波雷达的人体姿态识别方法

Also Published As

Publication number Publication date
US20210325512A1 (en) 2021-10-21
CN111580060B (zh) 2022-12-13
US11579248B2 (en) 2023-02-14

Similar Documents

Publication Publication Date Title
CN111580060B (zh) 目标姿态识别的方法、装置和电子设备
CN107683423B (zh) 用于调频连续波雷达中的对象检测的低复杂度超分辨率技术
EP3721258B1 (en) Radar processing chain for fmcw radar systems
TWI722473B (zh) 智慧型手機、用於偵測分佈式目標之方法及電腦可讀儲存媒體
Alizadeh et al. Low-cost low-power in-vehicle occupant detection with mm-wave FMCW radar
Li et al. Using range profiles as feature vectors to identify aerospace objects
CN111656217A (zh) 用于虚拟孔径雷达跟踪的系统和方法
Goswami et al. Real-time multi-gesture recognition using 77 GHz FMCW MIMO single chip radar
Zhao et al. Cubelearn: End-to-end learning for human motion recognition from raw mmwave radar signals
Du et al. Enhanced multi-channel feature synthesis for hand gesture recognition based on CNN with a channel and spatial attention mechanism
JP7190663B2 (ja) レーダ装置及びレンジサイドローブ判定方法
Jiang et al. Recognition of dynamic hand gesture based on mm-wave FMCW radar micro-Doppler signatures
Arsalan et al. Radar trajectory-based air-writing recognition using temporal convolutional network
Yu et al. SoDar: Multitarget gesture recognition based on SIMO doppler radar
Sluÿters et al. RadarSense: Accurate recognition of mid-air hand gestures with radar sensing and few training examples
Lee et al. Digit recognition in air-writing using single millimeter-wave band radar system
Qu et al. Dynamic hand gesture classification based on multichannel radar using multistream fusion 1-D convolutional neural network
Chen et al. Improved target detection through DNN-based multi-channel interference mitigation in automotive radar
Yili et al. Short-range clutter suppression method combining oblique projection and interpolation in airborne CFA radar
Fink et al. Feature-based gesture classification by means of high resolution radar measurements
Cui et al. Millimetre-wave radar for low-cost 3D imaging: A performance study
Lan et al. A low cost solution of hand gesture recognition using a three-dimensional radar array
Zhang et al. Improved STAP algorithm based on APES
CN110967763A (zh) 物品检测方法和装置
CN110618465B (zh) 物品检测方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant