CN113156430B - 一种基于涡旋电磁波雷达的人体目标步态精细识别方法 - Google Patents

Abstract

本发明提供一种基于涡旋电磁波雷达的人体目标步态精细识别方法。包括：第一步，对双模态回波信号经过平动补偿，进行解线频调处理，进行一维距离成像，利用双模态的回波将线多普勒和角多普勒分离；第二步，将线多普勒和角多普勒用时频图表示，并输入到双通道的卷积神经网络模型中，获得分类识别结果。实现了对人体目标步态的精细识别，有效克服了传统电磁波无法对人体目标步态的精细识别问题。

Description

一种基于涡旋电磁波雷达的人体目标步态精细识别方法

技术领域

本发明涉及信号与信息处理技术，具体涉及一种基于涡旋电磁波雷达的人体目标步态精细识别方法。

背景技术

由于雷达具有全天时、全天候、远距离的探测能力，基于雷达的人体目标步态识别在多个领域发挥着重要作用。由于人体运动带来的多普勒效应可以有效表征人体步态信息，因此基于多普勒效应(Doppler effect)的人体目标识别技术受到了广泛的研究。通过分析人体运动引起的回波多普勒效应，可为目标的分类与识别提供重要依据。

现有的人体目标步态识别技术，主要为基于深度学习的人体目标步态识别技术，针对十二种室内活动进行识别(参见Seyfioglu M S的《Deep convolutional autoencoderfor radar-based classification of similar aided and unaided humanactivities》，发表在《IEEE Transactions on Aerospace and Electronic Systems》，2018，第五十四卷，第4期)和基于传统机器学习的人体目标步态识别技术(参见ChuanweiDing的《Continuous human motion recognition with a dynamic range-Dopplertrajectory method based on FMCW radar》，发表在《IEEE Transactions on Geoscienceand Remote Sensing》，2019，第五十七卷，第9期)，这些对人体目标的识别方法，都通过提取目标的多普勒信息，将该信息输入到分类模型中获得分类结果。

当采用传统电磁波作为发射波照射人体目标，人体的不同行为会导致其回波多普勒频移的不同，当人体步态差异较大时，如行走、奔跑、跳跃、蹲下等，能取得较好的分类识别效果，然而在人体步态精细识别方面，如普通行走、持刀/枪行走等，由于目标回波的可分性特征不显著，难以准确识别目标。而在实际应用中，往往需要对人体步态精细行为进行识别，当利用传统电磁波作为发射电磁波时，人体不同精细行为引起的距离多普勒(即线多普勒)相似，难以有效表征目标特征，仅利用传统电磁波难以获得精确的分类结果。

发明内容

本发明的目的在于克服上述现有技术中的不足之处，提出一种基于涡旋电磁波雷达的人体目标步态精细识别方法。

本发明是通过如下方式实现的：

步骤一：对天线回波信号经过平动补偿，进行解线频调处理，进行一维距离成像，利用双模态的回波将线多普勒和角多普勒分离；

步骤二：将线多普勒和角多普勒用时频图表示，并输入到双通道卷积神经网络模型中，获得分类识别结果。

所述的步骤一具体包括下述步骤：

Step 1)通过解线性调频操作，获得双模态回波下的目标一维距离像S_d2(f_r,t_m,α)；

Step 2)将双模态回波的一维距离像共轭相乘S_d3(f_r,t_m,α)＝S_d2(f_r,t_m,α)·conj(S_d2(f_r,t_m,-α))，取其波峰相位获得目标的角多普勒信息；

Step 3)将某一模态下的一维距离像波峰相位作为线多普勒信息。

所述的步骤二具体包括下述步骤：

Step 1)利用短时傅里叶变换，用时频图表示线多普勒和角多普勒信息；

Step 2)构建双通道的卷积神经网络模型，该模型由4层卷积层组成，其卷积核大小分别为9*9、7*7、5*5，将时频图的幅度值输入到模型中，获得识别结果。

本发明的有益效果在于：将涡旋电磁波雷达引入到人体精细步态识别技术研究中，利用涡旋电磁波中蕴含更多的目标信息，分辨出基于传统电磁波的识别技术难以识别的目标。将双模态回波的一维距离像波峰相位共轭相乘，获得目标的角多普勒信息，并将某一模态下的一维距离像波峰相位作为线多普勒信息。用时频图表达该信息，最后将时频图的幅度输入到双通道卷积神经网络模型中，实现了对人体步态精细目标的有效识别。克服了基于传统电磁波的雷达难以对径向变化相近的目标进行分类的问题。

附图说明

图1为涡旋电磁波雷达观测几何图；

图2为本成像方法流程图；

图3为识别模型结构图；

图4为人体简化模型；

图5为椭球体与雷达几何关系；

图6为不同人体精细步态行走过程；

图7-12分别为目标1、2、3的线多普勒和角多普勒时频图；

具体实施方式

下面结合附图和本发明的实例，对本发明作进一步的描述。

如图2所示，本发明通过下列步骤实现：采用图1所示的涡旋电磁波天线阵列，天线为同心圆环阵列。如图1所示OXYZ为笛卡尔坐标系，在XYZ平面上，N个天线沿O为圆心，半径为a的圆周上等间距排列，每个天线添加相移φ_k＝2πk/N，k＝1,2,L,N-1，α为涡旋波模式数,虚数单位/>e为自然对数，雷达视线方向为Z轴正半轴。假设目标中心点为(x_c,y_c,z_c)，x_c,y_c,z_c分别为目标在空间直角坐标系下的x轴，y轴，z轴坐标以该中心点为坐标原点，建立目标局部坐标系xyz和参考坐标系UVW。参考坐标系是一个各个坐标轴与雷达坐标系平行的坐标系，随着目标的平移而整体平动。目标局部坐标系是参考坐标系沿着三个坐标轴旋转得到的坐标系，其作用为刻画目标在三维空间的运动，伴随目标在三维空间中运动。

具体说明如下：

步骤一：进行一维距离成像和线多普勒和角多普勒分离

假设点目标P位于空间直角坐标系(x₀,y₀,z₀)处，其速度矢量为(v_x，v_y，v_z)，则其运动轨迹为：

(x_p(t_m),y_p(t_m),z_p(t_m))＝(x₀+v_xt_m,y₀+v_yt_m,z₀+v_zt_m) (1)

式中t_m为慢时间(相对于电磁波速度而言)，用球坐标系表示：

式中：r_p(t_m),θ_p(t_m),分别为目标P在球坐标系/>下随慢时间变化的坐标，上标“T”为转置，θ_p(t_m)∈[0,π],/>当x_p(t_m)＝0，y_p(t_m)＞0时，x_p(t_m)＝0,y_p(t_m)＜0时，/>P点回波为：

式中：t为脉冲内时间(“快时间”)，时延f₀为载波频率，T_p为脉冲持续时间，λ为调频率，c为光速，rect()为矩形窗函数，波数k＝w₀/c，/>σ_p为散射系数，J_α为第一类α阶贝塞尔函数。

采用解线频调方法对接收数据进行处理，设参考距离为0，得到变换到距离域的信号：

式中：其作用类似于sinc函数。

在峰值点去除“剩余视频相位项”和“包络斜置项”后，在峰值处其表达式为：

当存在雷达照射区域内存在n个目标时，信号表达式为：

选取模态数为-α的回波，由于贝塞尔函数的性质，模态数取负值，其幅度值也取负值。所以其回波可被表示为：

将双模态回波共轭相乘，可获得：

由于函数H()类似于sinc函数的性质，唯有在峰值处的信息被保留下，即：

式中：为||绝对值操作，目标角多普勒信息被获得。同时，由于角多普勒远小于线多普勒，可将(7)中，峰值处的相位信息作为线多普勒信息。至此获得了目标的线多普勒和角多普勒信息。

步骤二：将线多普勒和角多普勒用时频图表示，进行分类识别；

为了更好的识别目标，常用短时傅里叶变换对信号进一步处理，它通过截取部分信号，进行变换来表示该部分的特征，部分点相位的错误不会影响全局。

短时傅里叶变换定义为

STFT(t_m,f)＝∫s(u)w(u-t_m)e^-i2πfudu (10)

式中：w()为矩形窗函数，f为频域，STFT(t_m,f)为变换后的结果，s(u)为所需变换的信号。

选择不同的窗函数会带来不同的效果。通过短时傅里叶变换可获得时频图，该时频图可表征目标信息。

使用卷积神经网络提取时频图深层次信息，以达到较好的分类效果，其模型结构如图3所示。将获得的角多普勒和线多普勒的时频图分别从两个通道输入，经过卷积层、池化层、规范化层后得到的输出拼接到一起输入到全连接层中，最后通过softmax层得到分类结果。模型的激活函数采用relu函数，该函数与平滑的激活函数，如双曲正切函数相比，可以更快使模型收敛。图3中，Conv.9×9/Stride1表示该层为卷积层，其卷积核大小为9×9，步长为1；BN(Batch Normalization)为批规范层，将输出规整在均值为0，方差为1的正态分布范围内。Pool.2×2/Stride2表示该层为池化层，池化大小和步长都为2；Concatenation为拼接操作，将两通道的输出拼接起来，输入到全连接层。假设输入到softmax函数的数组为x_j,j＝1,2,L,M，则softmax层的输出为：

将多个神经元的输出映射到(0,1)范围内，神经元输出和为1，将数值概率化，数值越大代表概率越高，常用于分类中。softmax层的输出为1×3的向量，网络可以识别出三类目标。以整数表示的目标标签需转换成one-hot码，网络输出进行比较。其损失函数为：

式中：p(x_j)为输入数据x_j下的真实概率分布，q(x_j)为输入数据x_j下模型输出概率分布。由于经过了softmax层，其输入满足真实概率分布满足/>当真实概率分布和预测概率分布越接近，交叉熵越小，可以指示模型训练方向。

实例：人体目标步态精细识别仿真实验

仿真实验：为了验证本发明所提算法的有效性，我们进行如下计算机仿真。雷达通过多发多收的方式获得涡旋电磁波信号。回波数据模拟所需参数设定见表1。

表1仿真参数设置

仿真1：为了验证算法的有效性，现进行如下仿真实验。采用图4所示的模型。单个椭球体的散射系数为

式中：a_n，b_n,c_n为第n个椭球体的三个半轴。如图4所示，α_R,β_R为雷达视线方向在球坐标系下的角度，雷达视线方向为

L_los＝[cosα_Rcosβ_R,sinα_Rcosβ_R,sinβ_R] (14)

φ_R,n(t)为椭球体轴心矢量d_nm(t)与雷达视线方向的夹角，可由下式计算

式中：<>表示内积，||||₂为L2范数。第n个椭球体到雷达中心的距离为：

R_n(t)＝||m_nm(t)||₂ (16)

式中：m_nm(t)为从雷达中心指向椭球体中心点的矢量。由于涡旋电磁波具有螺旋形相位波前分布，仿真生成回波需要计算目标投影到雷达平面上所得的角度，分别定义两个单位向量L₂,L₃，构成雷达平面

L₂＝[-sinα_R,cosα_R,0] (17)

L₃＝[-cosα_Rsinβ_R,-sinα_Rsinβ_R,cosβ_R] (18)

计算目标投影到L₂,L₃的大小

P_2，n(t)＝<m_nm(t),L₂> (19)

P_3,n(t)＝<m_nm(t),L₃> (20)

可算出

单个区域的R_n(t),θ_n(t),σ_n(t)随t_m改变，其回波为

式中：rect()为矩形窗函数。人体14个区域的组合如图5所示，雷达总回波为

选取三类人体行走姿态作为分类对象，其行走过程如图6所示。第一类目标为人体摆双臂行走；第二类目标为人体摆单臂，另一臂持刀不动；第三类目标为人体双臂持枪，与身体相对静止。

第一步：回波信号进行一维距离成像，进行线多普勒和角多普勒分离，线多普勒和角多普勒的分离；

第二步：用时频图表示线多普勒和角多普勒信息，取其幅度值，其结果如图7-12。图7、8、9分别为目标1、2、3的线多普勒时频图；图10、11、12分别为目标1、2、3的角多普勒时频图。可以看到，与线多普勒相比，角多普勒能表征更多的目标信息。将线多普勒和角多普勒时频图输入到双通道卷积神经网络模型中。输入特征通过网络，不断传递，由最后的softmax层输出各类概率，取概率最高的类作为模型输出。

第三步：模型输出结果如表2所示。由于人体运动轨迹相似，基于线多普勒的方法已经不能准确识别目标。与之相比，由于角多普勒提供了额外的信息，使用角多普勒和线多普勒混合特征可以有效提高识别能力。结果表明，使用涡旋波可以有效提高回波目标信息获取能力，并提高识别精度。

从仿真结果中可以看出，由于目标1与目标2和3的差别较大，其识别准确率最高。目标2和目标3的时频特征相似，其识别准确率相近，模型较易混淆目标2和3。由于人体运动轨迹相似，基于线多普勒的方法已经不能准确识别目标。

表2识别结果

表3无噪声下的识别混淆矩阵

仿真2：在实际应用中，样本中通常会受到加性噪声的影响，为验证方法在噪声状况下的表现，为数据集加入-15dB、-20dB的复高斯噪声，此时信噪比为15dB、20dB，实验了在不同强度噪声下，上述方法的表现。由于将目标时频图直接输入到识别模型中，没有对回波进一步处理，受噪声影响较大。加入-20dB的噪声时，识别率下降明显。但与传统电磁波相比，该方法仍有明显优势。

表4不同噪声下的识别结果

本发明提出的基于单频涡旋电磁波雷达的人体目标步态精细识别方法，实现了对人体目标步态精细识别，能够有效提高了目标识别率。

Claims (2)

1.一种基于涡旋电磁波雷达的人体目标步态精细识别方法，包括下列步骤：

步骤一：对天线回波信号经过平动补偿，进行解线频调处理，进行一维距离成像，利用双模态的回波将线多普勒和角多普勒分离；

所述的步骤一具体包括下述步骤：

Step 1)通过解线性调频操作，获得双模态回波下的目标一维距离像S_d2(f_r,t_m,α)，其中，t_m为慢时间，α为涡旋波模式数；

Step 2)将双模态回波的一维距离像共轭相乘S_d3(f_r,t_m,α)＝S_d2(f_r,t_m,α)·conj(S_d2(f_r,t_m,-α))，取其波峰相位获得目标的角多普勒信息；

Step 3)将某一模态下的一维距离像波峰相位作为线多普勒信息；

步骤二：将线多普勒和角多普勒用时频图表示，并输入到双通道的卷积神经网络模型中，获得分类识别结果。

2.根据权利要求1所述的基于涡旋电磁波雷达的人体目标步态精细识别方法，其特征在于：所述的步骤二具体包括下述步骤：

Step 1)利用短时傅里叶变换，用时频图表示线多普勒和角多普勒信息；

Step 2)构建双通道的卷积神经网络模型，该模型由4层卷积层组成，其卷积核大小分别为9*9、7*7、5*5、6*6，将时频图的幅度值输入到模型中，获得识别结果。