CN112835009B - 一种基于fmcw雷达rai的数据集拓展方法 - Google Patents

Abstract

本发明公开了一种基于FMCW雷达RAI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；根据RDI得到RAI，将RAI在距离维度和角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RAI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RAI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RAI的数据集拓展方法，能够解决当下雷达信号数据集稀缺的情问题。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RAI(Range-Angle-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R_res；

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

推出

最终得到距离分辨率R_res：

步骤5、由于每个接收天线记录的是同一物体反射的不同相位，因此我们可以得到M个接收天线的RDI。根据RDI是否处于同一水平方向分成不同组别，共计G组。将每组的RDI沿天线数量维级联为3D矩阵。

在此基础上，我们将每组的RDI的天线数量维通过补零填充至N的大小，以增加角度分辨率。然后沿着天线数量维执行第三次FFT，获得距离多普勒角度矩阵。

通过将每组的距离多普勒角度矩阵沿速度维求和，使得该3D矩阵变为2D矩阵，该2D矩阵便是我们需要的RAI，共计G张。每张RAI是一张x轴为距离维度，y轴为角度维度，值为信号强度的图像。可以在RAI中观察物体在环境中的位置。

此时该RAI图像的角度分辨率a_res：

其中L为每组天线的个数；

步骤6、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RAI′。

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RAI′中以增强其泛化性，x_max为距离维的最大值，y_max为角度维的最大值；

步骤7、角度维扩展：将RAI沿角度维进行扩展，以将所有数据向外扩展一个角度分辨率a_res为例子，创建一个新的RAI′。

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角度分辨率a_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6、7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RAI大小为(2i+1)×(2j+1)，以RAI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RAI图像的方差，H_x，y为(x，y)点的高斯噪声强度。

进一步地，可以对数据集进行距离和角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：本发明提出的一种基于FMCW雷达RAI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RAI；

图2是本发明实施例提供的距离维扩展RAI；

图3是本发明实施例提供的角度维扩展RAI；

图4是本发明实施例提供的添加了高斯噪声的RAI；

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；

图7是本发明实施例使用的天线排列示意图。

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RAI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。

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R_res：

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

推出

最终得到距离分辨率R_res：

步骤5、由于每个接收天线记录的是同一物体反射的不同相位，本次使用的天线排列如图7所示：一共有三个接收天线，其中Rx1和Rx3分为一组，Rx2和Rx3分为一组，Rx1和Rx2分为一组，一共构成三组数据。将每组的RDI级联为3D矩阵。

在此基础上，我们将每组的RDI的天线数量维通过补零填充至N＝32的长度，以增加角度分辨率。然后沿着天线数量维执行第三次FFT，获得距离多普勒角度矩阵。

通过将每组的距离多普勒角度矩阵沿速度维求和，使得该3D矩阵变为2D矩阵，该2D矩阵便是我们需要的RAI，共计3张，如图1所示。每张RAI是一张x轴为距离维度，y轴为角度维度，值为信号强度的图像。可以在RAI中观察物体在环境中的位置。

此时该RAI图像的角度分辨率a_res：

步骤6、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RAI′，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RAI′中以增强其泛化性，x_max为距离维的最大值，y_max为角度维的最大值。

步骤7、角度维扩展：将RAI沿角度维进行扩展，以将所有数据向外扩展一个角度分辨率a_res为例子，创建一个新的RAI′，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角度分辨率a_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RAI。

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三个通道分别提取特征得到RDI，再将通道两两组合按照步骤5提取到三个通道的RAI融合构建数据集。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87.5％，混淆矩阵如图5。

再将上面得到的三通道RAI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，再将其融合得到增强数据集为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93.8％。混淆矩阵如图6。

综上所述，本发明提供的一种基于FMCW雷达RAI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RAI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，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R_res；

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

推出

最终得到距离分辨率R_res：

步骤5、由于每个接收天线记录的是同一物体反射的不同相位，能够得到M个接收天线的RDI；根据RDI是否处于同一水平方向分成不同组别，共计G组；将每组的RDI沿天线数量维级联为3D矩阵；将每组的RDI的天线数量维通过补零填充至N，以增加角度分辨率；沿着天线数量维执行第三次FFT，获得距离多普勒角度矩阵；通过将每组的距离多普勒角度矩阵沿速度维求和，使得该3D矩阵变为2D矩阵，获得RAI，共计G张；每张RAI是一张x轴为距离维度，y轴为角度维度，值为信号强度的图像；RAI的角度分辨率a_res：

其中L为每组天线的个数；

步骤6、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RAI′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RAI′中以增强其泛化性，x_max为距离维的最大值，y_max为角度维的最大值；

步骤7、角度维扩展：将所有数据向外扩展一个角度分辨率a_res，创建一个新的RAI′的公式如下：

I′_y+1＝I_y，0≤y_max

I′₀＝0

变换后，整体数据的强度中心向外扩展一个角度分辨率a_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RAI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RAI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RAI的数据集扩展方法，其特征在于，在所述步骤6、7中，添加的噪声为高斯噪声，处理方法如下：

假设RAI大小为(2i+1)×(2j+1)，以RAI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RAI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RAI的数据集扩展方法，其特征在于，对数据集进行距离和角度维度组合扩展的方式，此时只需要添加一次噪声。

Images