CN112782665A - 一种基于fmcw雷达rdi的数据集拓展方法 - Google Patents

Abstract

本发明公开了一种基于FMCW雷达RDI的数据集扩展方法，该方法包括：读取雷达传感器接收到的待测对象反射回的雷达回波信号；将雷达回波信号与雷达发射信号进行混频；通过对混频后的信号进行快时间维度和慢时间维度的处理，得到距离多普勒图RDI，进而提取多目标的距离和速度信息；计算RDI的距离分辨率和速度分辨率；将RDI在距离维度和速度维度进行有效扩展，从而丰富雷达信号的数据集，有利于之后机器学习层面的研究。

Description

一种基于FMCW雷达RDI的数据集拓展方法

技术领域

本发明涉及雷达信号数据领域，尤其涉及一种基于FMCW雷达RDI的数据集拓展方法。

背景技术

在人工智能时代，数据是基础，任何研究都离不开数据。大规模数据的出现，才能让庞大的模型能够被很好的拟合。很多算法结果准确性的提升，都是数据集带来的。

对于图像数据来讲，已经有大量现成的开源数据集；身边各式各样的图片视频也可以作为数据集的来源。而雷达信号数据集的建立只能通过不断地数据采集，且复用性差。

发明内容

有鉴于此，本发明提供一种基于FMCW雷达RDI的数据集拓展方法，能够解决当下雷达信号数据集稀缺的问题。通过数据集扩展，能够更好地进行机器学习层面的研究。

为解决上述技术问题，本发明提出如下技术方案：一种基于FMCW雷达RDI(Range-Doppler-Image)的数据集扩展方法，该方法包括以下步骤：

步骤1、读取雷达传感器接收到的待测对象反射回的雷达回波信号，记为S₁；

步骤2、将雷达回波信号S₁与雷达发射信号S₂进行混频，混频后得到的信号

其中ω₁和ω₂分别表示雷达回波信号和雷达发射信号的频率，

和

分别表示两个信号的相位；

步骤3、通过对混频后的信号D(t)进行快时间维度和慢时间维度的处理，即可得到距离多普勒图RDI，进而可以提取多目标的距离和速度信息；具体为：

将混频后的信号D(t)及雷达传感器参数，通过快时间维度FFT得到距离信息R：

在FMCW的差拍信号D(t)中，我们知道，差拍信号的频率为：

再通过慢时间维度FFT得到速度信息v：

其中f_movingBeat和f_staticBeat分别为目标运动和静止状态下差拍信号的频率，f_d为多普勒频率，f_c为扫频带宽，R为目标距离，C为光速，t_c为扫频周期，f为Chirp信号的中心频率，v为目标速度；得到的RDI是一张x轴为距离维度，y轴为速度维度，值为信号强度的图像；

步骤4、在扩展之前，我们需要计算RDI的距离分辨率和速度分辨率；

根据数字信号处理的基础知识：第k个采样点的频率f_k与采样频率f_s间的关系，推出第k个采样点的角频率ω_k服从如下关系：

其中N_s为采样点数，Ω为模拟角频率，T_s为采样周期，取出等式中的第二项和第四项，有：

可得第k个采样点的频率f_k与采样频率f_s间的关系为：

根据RDI中，n₁为Range-FFT(快时间维度FFT)中目标对应的坐标序列号，n₂为Doppler-FFT(慢时间维度FFT)中同一目标对应的坐标序列号，得到：

其中N_Chirp为慢时间维度处理中Chirp序列的积累个数；可解得：

因为

t_seq＝N_Chirp·t_c

推出

其中t_seq为一帧所有Chirp信号的时长；

最终得到距离分辨率R_res和速度分辨率v_res，分别为：

步骤5、距离维扩展：雷达信号距离的变化，会导致信号强度发生较大的差异，我们在扩展时需要考虑这种差异；若当前点距离为R₁强度为I₁，我们将其移动至R₂这一距离上，我们需要将其强度修改为：

以将所有数据向外扩展一个距离分辨率R_res为例子，创建一个新的RDI′；

I′₀＝0

变换后，整体数据的强度中心向外扩展一个距离分辨率R_res；生成矩阵大小为x_max·y_max的噪声加入RDI′中以增强其泛化性，x_max为距离维的最大值，y_max为速度维的最大值；

步骤6、速度维扩展：将RDI沿速度维进行扩展，以将所有数据向外扩展一个速度分辨率v_res为例子，创建一个新的RDI′；

I′_y+1＝I_y(0＜y≤y_max)

I′₀＝0

变换后，整体数据的强度中心向外扩展一个速度分辨率v_res；并和距离维扩展一样加入噪声。

进一步地，所述雷达传感器采用频率区间为57.4GHz至62.6GHz的FMCW毫米波雷达。

进一步地，在所述步骤2中，若雷达传感器具有多个接收通道，则将得到的多条对应波形都进行相同的扩展操作。

进一步地，在所述步骤5、6中，添加的噪声可以是各种噪声，其中高斯噪声的处理方法：

假设RDI大小为(2i+1)×(2j+1)，以RDI中心位置为原点，则各个位置的高斯噪声计算公式如下：

I_(x，y)＝I_(x，y)+H_x，y

其中σ为RDI图像的方差，H_x，y为(x，y)点的高斯噪声强度。

进一步地，我们可以对数据集进行距离和速度维度组合扩展的方式，此时只需要添加一次噪声。

本发明所具有的有益效果为：本发明提出的一种基于FMCW雷达RDI的数据集拓展方法，可以解决当下雷达信号数据集稀缺的情况。通过数据集扩展，能够更好地进行机器学习层面的研究。

附图说明

图1是本发明实施例提供的原始RDI；

图2是本发明实施例提供的距离维扩展RDI；

图3是本发明实施例提供的速度维扩展RDI；

图4是本发明实施例提供的添加了高斯噪声的RDI；

图5是本发明实施例提供的原始训练集下测试集的混淆矩阵；

图6是本发明实施例提供的增强训练集下测试集的混淆矩阵。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

不失一般性，本实施实例提供一种基于FMCW雷达RDI的数据集扩展方法。采用频率区间为57.4GHz至62.6GHz的FMCW毫米波雷达，发射信号的帧率60帧/秒，每帧数据分为32个Chirp信号，每个Chirp中采样点数为64。

步骤1、读取雷达传感器接收到的待测对象反射回的雷达回波信号，记为S₁。

步骤2、将雷达回波信号S₁与雷达发射信号S₂进行混频，混频后得到的信号

其中ω₁和ω₂分别表示雷达回波信号和雷达发射信号的频率，

和

分别表示两个信号的相位。本实施例中采用的毫米波雷达具有三个接收通道，可以得到三条对应波形，对三条信号分别进行之后的处理。

步骤3、通过对混频后的信号D(t)进行快时间维度和慢时间维度的处理，即可得到距离多普勒图RDI，进而可以提取多目标的距离和速度信息。具体为：

将混频后的信号D(t)及雷达传感器参数，通过快时间维度FFT得到距离信息R：

在FMCW的差拍信号D(t)中，我们知道，差拍信号的频率为：

再通过慢时间维度FFT得到速度信息v：

其中f_movingBeat和f_staticBeat分别为目标运动和静止状态下差拍信号的频率，f_d为多普勒频率，f_c为扫频带宽，R为目标距离，C为光速，t_c为扫频周期，f为Chirp信号的中心频率，v为目标速度。得到的RDI是一张x轴为距离维度，y轴为速度维度，值为信号强度的图像。具体见图1。

步骤4、在扩展之前，我们需要计算RDI的距离分辨率和速度分辨率；

根据数字信号处理的基础知识：第k个采样点的频率f_k与采样频率f_s间的关系，推出第k个采样点的角频率ω_k服从如下关系：

其中N_s为采样点数，Ω为模拟角频率，T_s为采样周期，我们取出等式中的第二项和第四项，有：

可得第k个采样点的频率f_k与采样频率f_s间的关系为：

根据RDI中，n₁为Range-FFT(快时间维度FFT)中目标对应的坐标序列号，n₂为Doppler-FFT(慢时间维度FFT)中同一目标对应的坐标序列号，得到

其中N_Chirp为慢时间维度处理中Chirp序列的积累个数；

可解得：

因为

t_seq＝N_Chirp·t_c

推出

其中t_seq为一帧所有Chirp信号的时长。

最终得到距离分辨率R_res和速度分辨率v_res，分别为：

步骤5、距离维扩展：雷达信号距离的变化，会导致信号强度发生较大的差异，我们在扩展时需要考虑这种差异。若当前点距离为R₁、强度为I₁，我们将其移动至R₂这一距离上，我们需要将其强度修改为：

以将所有数据向外扩展一个距离分辨率R_res为例子，创建一个新的RDI′，如图2所示。

I′₀＝0

变换后，整体数据的强度中心向外扩展一个距离分辨率R_res。生成矩阵大小为x_max·y_max的噪声加入RDI′中以增强其泛化性。x_max为距离维的最大值，y_max为速度维的最大值。

步骤6、速度维扩展：将RDI沿速度维进行扩展，以将所有数据向外扩展一个速度分辨率v_res为例子，创建一个新的RDI′，如图3所示。

I′_y+1＝I_y(0＜y≤y_max)

I′₀＝0

变换后，整体数据的强度中心向外扩展一个速度分辨率v_res。并和距离维扩展一样加入噪声。当采用组合扩展时只需要添加一次噪声，添加的噪声可以是各种噪声，如图4为添加了高斯噪声的RDI′。

本实施例中，一共召集了四位志愿者，针对四类不同手势，每人每种手势通过FMCW雷达采集20组数据，共320组手势数据。每组数据包含三个通道的混频信号，选择每组数据的其中一个通道提取特征得到RDI构建数据集。将该数据集按照8：2的比例随机划分成训练集和测试集，其中训练集样本为256条，测试集样本为64条，通过简单的三层感知机模型训练测试，得到的准确率为89％，混淆矩阵如图5。

再将训练集通过本发明提出的数据集扩展方法进行扩展，分别将其上下左右移动并各自添加噪声，得到增强数据集为2560条数据，通过同样的三层感知机模型训练测试，得到的准确率为95.3％。混淆矩阵如图6。

本发明扩展方法除了在数据集上表现良好；在推理时，由于通过扩展之后的数据集包含的距离和角度范围更大，具有更好的泛化性。

综上所述，本发明提供的一种基于FMCW雷达RDI的数据集扩展方法，可以解决当下雷达信号数据集稀缺的情况。通过数据集扩展，能够更好地进行机器学习层面的研究。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于发明的保护范围。

Claims (5)

1.一种基于FMCW雷达RDI的数据集扩展方法，其特征在于，该方法包括以下步骤：

步骤1、读取雷达传感器接收到的待测对象反射回的雷达回波信号，记为S₁；

步骤2、将雷达回波信号S₁与雷达发射信号S₂进行混频，混频后得到的信号

其中₁和₂分别表示雷达回波信号和雷达发射信号的频率，

和

分别表示两个信号的相位；

步骤3、通过对混频后的信号D(t)进行快时间维度和慢时间维度的处理，得到距离多普勒图RDI，进而提取多目标的距离和速度信息；具体为：

将混频后的信号D(t)及雷达传感器参数，通过快时间维度FFT得到距离信息R：

在FMCW的差拍信号D(t)中，差拍信号的频率为：

再通过慢时间维度FFT得到速度信息v：

其中f_movingBeat和f_staticBeat分别为目标运动和静止状态下差拍信号的频率，f_d为多普勒频率，f_c为扫频带宽，R为目标距离，C为光速，t_c为扫频周期，f为Chirp信号的中心频率，为目标速度；得到的RDI是一张x轴为距离维度，y轴为速度维度，值为信号强度的图像；

步骤4、计算RDI的距离分辨率和速度分辨率；

根据数字信号处理的基础知识：第k个采样点的频率f_k与采样频率f_s间的关系，推出第k个采样点的角频率ω_k服从如下关系：

其中N_s为采样点数，Ω为模拟角频率，T_s为采样周期，取出等式中的第二项和第四项，有：

可得第k个采样点的频率f_f与采样频率f_s间的关系为：

根据RDI中，n₁为快时间维度FFT中目标对应的坐标序列号，n₂为慢时间维度FFT中同一目标对应的坐标序列号，得到：

其中N_Chirp为慢时间维度处理中Chirp序列的积累个数；可解得：

因为

t_seq＝N_chirp·t_c

推出

其中t_seq为一帧所有Chirp信号的时长；

最终得到距离分辨率R_res和速度分辨率v_res，分别为：

步骤5、距离维扩展：若当前点距离为R₁、强度为I₁，将其移动至R₂这一距离上，需要将其强度修改为：

将所有数据向外扩展一个距离分辨率R_res，创建一个新的RDI′的公式如下；

I′₀＝0

变换后，整体数据的强度中心向外扩展一个距离分辨率R_res；生成矩阵大小为x_max·y_max的噪声加入RDI′中以增强其泛化性，x_max为距离维的最大值，y_max为速度维的最大值；

步骤6、速度维扩展：将所有数据向外扩展一个速度分辨率v_res，创建一个新的RDI′的公式如下：

I′_y+1＝l_y(0<y≤y_max)

I′₀＝0

变换后，整体数据的强度中心向外扩展一个速度分辨率v_res；并和距离维扩展一样加入噪声。

2.根据权利要求1所述的一种基于FMCW雷达RDI的数据集扩展方法，其特征在于，所述雷达传感器采用频率区间为57.4GHz至62.6GHz的FMCW毫米波雷达。

3.根据权利要求1所述的一种基于FMCW雷达RDI的数据集扩展方法，其特征在于，在所述步骤2中，若雷达传感器具有多个接收通道，则将得到的多条对应波形都进行相同的扩展操作。

4.根据权利要求1所述的一种基于FMCW雷达RDI的数据集扩展方法，其特征在于，在所述步骤5、6中，添加的噪声可以是高斯噪声，处理方法如下：

假设RDI大小为(2i+1)×(2j+1)，以RDI中心位置为原点，则各个位置的高斯噪声计算公式如下：

I_(x，y)＝I_(x，y)+H_x，y

其中σ为RDI图像的方差，H_x,y为(x,y)点的高斯噪声强度。

5.根据权利要求1所述的一种基于FMCW雷达RDI的数据集扩展方法，其特征在于，可以对数据集进行距离和速度维度组合扩展的方式，此时只需要添加一次噪声。

Images