CN116687392A - 基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法 - Google Patents
基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法 Download PDFInfo
- Publication number
- CN116687392A CN116687392A CN202310675500.4A CN202310675500A CN116687392A CN 116687392 A CN116687392 A CN 116687392A CN 202310675500 A CN202310675500 A CN 202310675500A CN 116687392 A CN116687392 A CN 116687392A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- clutter
- noise
- frequency information
- 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.)
- Pending
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000008030 elimination Effects 0.000 title claims abstract description 17
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 17
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01S7/414—Discriminating targets with respect to background clutter
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves using microwaves or terahertz waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Dentistry (AREA)
- Electromagnetism (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法,针对现有技术中由于雷达回波信号中,既包含了目标信息,也存在着地物杂波噪声,杂波存在过多,会使识别网络更加注重于杂波信息,而忽视包含目标的时频信息,导致跌倒检测错误的问题,本申请相较于输入时频图进入网络识别的方法,本申请中,直接将回波信号经快速傅里叶变换FFT变换后含有时频信息的矩阵输入网络中进行识别。本申请并未忽视包含目标的时频信息。区别于时频图去除图中“斑点”方法,本申请在时频信息矩阵中,采用了搜索边界算法确定了杂波噪声矩阵,并利用了高斯分布概率确定了杂波消除的门限阈值,有效提高了毫米波雷达在不同杂波噪声环境下针对于跌倒检测的识别效果。
Description
技术领域
本发明涉及雷达杂波消除技术领域,具为基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法。
背景技术
跌倒在老年人群体中是尤为常见的致残因素,并严重影响老年人的生活质量,甚至致死。对于子女不在身边,独居老人的跌倒监测是非常有必要的,当前常见的跌倒监测方法主要有:(1)监控摄像头:在各个房间中安装监控摄像头,利用视频序列信息检测老人是否发生跌倒行为。(2)可穿戴设备:老人需穿戴智能手表等传感器设备,利用跌倒时的加速度和陀螺仪水平角信息变化,判断当前是否为跌倒状态。(3)毫米波雷达:在房间中安装雷达设备,根据老人跌倒时雷达回波中时频信息的显著变化,识别当前的跌倒行为。
在基于监控摄像头跌倒检测方法中,存在着老年人隐私保护以及强弱光照环境下检测效果差的问题,而在基于可穿戴设备的跌倒检测方法中,存在老年人设备遗忘穿戴,不方便的问题。而基于毫米波雷达的跌倒检测方法,由于雷达回波信号中,既包含了目标信息,也存在着地物杂波噪声,而杂波消除完全与否,极大地影响着检测的效果。杂波存在过多,会使识别网络更加注重于杂波信息,而忽视包含目标的时频信息,导致跌倒检测错误。
目前,在基于毫米波雷达的跌倒识别方法中,大多采用了时频图输入网络识别的方式,即将时频信息矩阵转换为图片的形式,并在此基础上,消除图片上目标信息以外的“斑点”,从而达到消除杂波在噪声的目的。
发明内容
本发明的目的是:针对现有技术中由于雷达回波信号中,既包含了目标信息,也存在着地物杂波噪声,杂波存在过多,会使识别网络更加注重于杂波信息,而忽视包含目标的时频信息,导致跌倒检测错误的问题,提出基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法。
本发明为了解决上述技术问题采取的技术方案是:
基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法,包括以下步骤:
步骤一:获取毫米波雷达的一个调频周期内的发射信号及包含人体目标的回波信号;
步骤二:将发射信号及回波信号进行混频后得到中频信号,并对中频信号进行采样,得到离散中频信号;
步骤三:对离散中频信号进行短时傅里叶变换,得到每一帧数据的距离多普勒图,并对每一帧数据的距离多普勒图进行谱峰搜索,得到目标所处的距离,并将距离门数设置为9,得到目标的除躯干外的四肢微多普勒信息,将距离门数范围内的回波能量加和求均值,作为该帧的多普勒信息;
步骤四:通过短时傅里叶变换将中频信号的时间域分为等长的时间序列,并对每段时间序列进行快速傅里叶变换操作,得到该帧数据的距离多普勒图,之后将该帧数据的距离多普勒图与该帧的多普勒信息结合,得到该段中频信号的时频信息矩阵;
步骤五:针对时频信息矩阵中每行数据进行平滑处理,得到该行数据的平滑数据,具体为:
在每行数据中,从第一个数据开始依次选取数据,直至选取到倒数第五个数据为止,针对每次选取的数据,获取该数据及其后四个数据,之后将得到的五个数据求均值,得到均值ymean,每行数据中所有的均值ymean组合后,得到1×(N-L)的矩阵,1×(N-L)的矩阵即为该行数据的平滑数据,L为滑块大小,N为重复周期数目;
步骤六:从每行平滑数据的中心位置,即零频处,向左右两端分别搜索小于该行数据中位数的极小值点,并记录左右端中极小值点的坐标;
步骤七:重复步骤六,得到时频信息矩阵每一帧左右端中极小值点的坐标,并得到其中最左端边界点yleft和最右端边界点yright,进而得到杂波噪声矩阵Noise,杂波噪声矩阵Noise表示为:
Noise=[a1,a2,…,aleft,aright,…,aN-1,aN]
其中,ai为时频信息矩阵的第i列数据,aleft为时频信息矩阵的第yleft列数据,aright为时频信息矩阵的第yright列数据,杂波噪声矩阵Noise服从高斯分布;
获取杂波噪声矩阵Noise中数据的最大值,并计算最大值在高斯分布中的出现概率p,取高斯分布概率p/10处对应噪声能量值作为杂波噪声的消去门限值,进而完成杂波消除。
进一步的,所述每一帧数据的距离多普勒图的获取步骤为:
对分帧操作得到的信号依次进行加窗滤波、距离维快速傅里叶变换和多普勒维快速傅里叶变换,得到每一帧数据的距离多普勒图。
进一步的,所述发射信号表示为:
其中,AT为发射信号幅度,fc为信号的中心斜率,t为发射时间,B为带宽,Tm为调频周期,τ为时间延迟,dτ为τ的微分。
进一步的,所述回波信号表示为:
其中,AR为回波信号幅度,Δt为回波信号相对于发射信号的时延,Δfd为多普勒频移,j为虚数单位。
进一步的,所述中频信号表示为:
SIF(t)=ST(t)SR(t)≈ATARexp{j2π[fcΔt+(f1-Δfd)t]}
其中,表示在t时刻中频信号的频率。
进一步的,所述对中频信号进行采样中,每个采样点的离散表达式为:
SI(n,m)=AI exp{j2π[fI(n)-Δfd(m)]/fs}
(1≤n≤N)(l≤m≤M)
其中,N为每帧中重复周期数目,即发射信号中Chirp数量,M为一个调频周期内的采样点数,SI(n,m)为第n个周期的第m个采样点的离散表达式。
进一步的,所述短时傅里叶变换STFT表示为:
其中,W(t)为窗函数,为目标在该时间范围内的运动回波信号,t为时间,f为信号频率。
进一步的,所述滑块均值ymean表示为:
其中,L为滑块大小,yi为第i个频率点处的能量大小,N为重复周期数目。
进一步的,所述杂波噪声矩阵Noise服从高斯分布,表示为:
其中,x为杂波噪声矩阵中的某点能量值,μ为杂波噪声矩阵的均值,σ为杂波噪声矩阵的方差,f(x)为在该噪声点的能量值的出现概率。
进一步的,所述毫米波雷达为线性调频FMCW。
本发明的有益效果是:
本申请相较于输入时频图进入网络识别的方法,本申请中,直接将回波信号经快速傅里叶变换FFT变换后含有时频信息的矩阵输入网络中进行识别。本申请并未忽视包含目标的时频信息。区别于时频图去除图中“斑点”方法,本申请在时频信息矩阵中,采用了搜索边界算法确定了杂波噪声矩阵,并利用了高斯分布概率确定了杂波消除的门限阈值,有效提高了毫米波雷达在不同杂波噪声环境下针对于跌倒检测的识别效果。
附图说明
图1为本申请流程图;
图2为时频信息矩阵与时频图目标多普勒信息效果对比图;
图3为固定门限噪声在高噪声环境下的滤噪效果图;
图4为本申请杂波噪声消除效果图。
具体实施方式
需要特别说明的是,在不冲突的情况下,本申请公开的各个实施方式之间可以相互组合。
具体实施方式一:参照图1具体说明本实施方式,本实施方式所述的基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法,包括:
阶段一、基于回波信息的时频变换
线性调频(FMCW)毫米波雷达的一个调频周期内的发射信号可以表示为:
其中,AT为发射信号幅度,fc为信号的中心斜率,t为发射时间,B为带宽,Tm为调频周期。
经过目标和环境反射后,毫米波雷达接受天线得到的回波信号为:
其中,AR为回波信号幅度,Δt为回波信号相对于发射信号的时延,Δfd为多普勒频移。
步骤一、计算回波信号距离多普勒图
经发射信号与回波信号混频后得到中频信号的表达式为:
SIF(t)=ST(t)SR(t)≈ATARexp{j2π[fcΔt+(f1-Δfd)t]} (3)
其中,表示在t时刻中频信号的频率,此时目标的距离可以表示为:
式中,c表示光速,即3×108m/s。
当对中频信号进行采样,则在其第n个周期的第m个采样点的离散表达式为:
其中,N为每帧中重复周期数目,即发射信号中Chirp数量,M为一个调频周期内的采样点数。
此时,若对每帧中具有N个线性调频周期的M个经采样后的离散中频信号,首先进行加窗滤波,除去高分干扰分量,然后分别对其做距离维FFT和多普勒维FFT即可得到该帧数据的距离多普勒图。
步骤二、计算时频信息矩阵
对时域信号进行分帧操作,即对每帧数据进行距离多普勒图的计算,并通过谱峰搜索算法,确定目标所处的距离,同时设定合适的距离门数,以确保能够获取目标的除躯干外的四肢微多普勒信息(多普勒分量主要由躯干多普勒分量和四肢多普勒分量构成),将该范围内的回波能量加和求均值,作为该帧的多普勒信息。
为了能够处理连续输入的时间信号的时频信息,通过短时傅里叶变换STFT将整个信号的时间域,分为等长的时间序列,并在每小段的时间序列进行FFT操作。因为信号在短时间范围内被视作是有限长的,故STFT能够在每个时间周期内有效的提取微多普勒信息的变化,其表达式为:
其中,W(t)为窗函数,为目标在该时间范围内的运动回波信号。
根据以上步骤,可以计算出毫米波雷达回波信息中的目标时频信息。
阶段二、基于时频信息矩阵的自适应杂波消除
步骤一、确定杂波噪声矩阵
在时频信息矩阵中,通常横向为每帧中重复周期数,即表示目标多普勒频率分量大小,纵向为帧数,即表示时间。为确定杂波噪声矩阵,需对时频信息矩阵逐帧搜索目标多普勒信息的边界点,即逐行搜索其运动特征包络,但目标运动信息和杂波噪声信息能量变化剧烈,不利于边界点的选取,故先对每行设置1×5滑块,将滑块内数据求均值进行平滑处理得到ymean,以更好地体现数据能量走势:
其中,L为滑块大小,yi为各频率点处的能量大小,N为重复周期数目。
将上述平滑处理后的各滑块均值ymean组合为1×(N-L)的矩阵,即表示该行数据的平滑数据。为确定该帧数据的运动信息边界,故选择从该行平滑数据的中心位置,即零频处,向左右两端分别搜索小于该行数据中位数的极小值点,记录当前左右端点两坐标。因为当平滑数据处于目标运动信息与杂波噪声边界处时,其值向两侧应是逐渐减小的过程,直到滑块内均值均为杂波噪声时,数据出现起伏,这也是滑块平滑数据的一个作用。
重复上述操作,便可得到整个时频信息矩阵的各帧运动信息的左右边界点,求出其最左端和最右端边界点yleft和yright,则杂波噪声矩阵Noise可表示为:
Noise=[a1,a2,…,aleft,aright,…,aN-1,aN] (8)
其中,ai表示时频信息矩阵的第i列数据。
步骤二、确定杂波噪声消去门限
经多次验证数据拟合,不同环境中的杂波噪声基本均服从高斯分布,只是均值与方差不同:
其中,x为杂波噪声矩阵中的某点能量值,μ为杂波噪声矩阵的均值,σ为杂波噪声矩阵的方差,f(x)为在该噪声点的能量值的出现概率。
取所得杂波噪声矩阵中的最大值,计算其在高斯分布中的出现概率p,因该矩阵为时频信息矩阵的杂波噪声样本,实际的杂波噪声值应大于等于该样本中的最大值,故取高斯分布概率p/10处对应噪声能量值作为杂波噪声的消去门限值。
步骤三、利用Shapiro-Wilk正态性检验检测杂波噪声门限选取的合理性。
Shapiro-Wilk正态性检验,是一种常用的高斯分布检验方法。本发明中,杂波噪声矩阵选取的正确与否,极大地影响了杂波噪声门限的选取,若杂波噪声矩阵选取过大,包含部分目标运动信息,则其是不符合高斯分布的。此时若仍以上述方式选取门限值,则会造成门限值选取过大,滤除杂波的同时,会造成部分目标运动信息的丢失,为后续检测识别造成一定干扰。相较于其他正态性检验方法,Shapiro-Wilk正态性检验中不管杂波噪声矩阵选取的样本数多少,均能有效地检验数据是否符合高斯分布。
因此,这里将Shapiro-Wilk正态性检验作为杂波噪声消除效果的检验指标。检验所选杂波噪声矩阵是否通过高斯分布的检验。若杂波噪声矩阵不服从高斯分布,则需要确定出目标运动信息最左端和最右端边界点yleft和yright所在行,继续向两端进行极小值点搜索操作。如果所选杂波噪声矩阵通过了正态性检验,则说明该矩阵的选取是合理的,即杂波噪声的门限选择也具有合理性。
实施例:
以一次老人跌倒数据消去杂波噪声得到目标信息包络展示本发明杂波消除效果:
设定雷达工作参数:雷达起始频率60GHZ,调频带宽2.1GHZ,每帧时间36ms,重复周期数目255个,共120帧数据。
具体流程:
(1)求出该数据的120×255时频信息矩阵;
(2)对该矩阵逐行进行平滑处理,并从中央位置向两侧搜索左右极小值点作为边界,最终得到目标运动信息的最左边界yleft为68,最右边界yright为185;
(3)截取时频信息矩阵的1-68列与185-255列,并拼接成120×139的杂波噪声矩阵;
(4)求出该杂波噪声矩阵中的均值1001.4与方差220.5,根据高斯分布概率密度函数,拟合该杂波噪声矩阵的分布函数;
(5)在显著性水平为0.05下,利用Shapiro-Wilk正态性检验对该杂波噪声矩阵的正态性进行检验,得出其符合高斯分布的概率为0.99,说明杂波噪声矩阵选取合理;
(6)计算该杂波噪声矩阵中的最大值2316.5,并计算在该值下的高斯分布概率p为8×10-4;
(7)取p/10为8×10-5,计算出概率下的高斯分布对应的能量值2564.7;
(8)以能量值2564.7为门限,时频信息矩阵中低于此值的能量值均置为0;
(9)此时,正确自适应消除了环境中的杂波与噪声,保留了目标的多普勒信息;
(10)将去噪后的时频信息矩阵直接输入网络进行识别,得到正确的识别结果:跌倒;
效果比较:相比于以往设定单一门限消去杂波噪声,本发明适用于不同杂波噪声环境下的室内跌倒检测任务;可以准确消除杂波噪声得干扰,而保留真实目标运动多普勒信息。
需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的,仍应落入本发明的保护范围内。
Claims (10)
1.基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法,其特征在于包括以下步骤:
步骤一:获取毫米波雷达的一个调频周期内的发射信号及包含人体目标的回波信号;
步骤二:将发射信号及回波信号进行混频后得到中频信号,并对中频信号进行采样,得到离散中频信号;
步骤三:对离散中频信号进行短时傅里叶变换,得到每一帧数据的距离多普勒图,并对每一帧数据的距离多普勒图进行谱峰搜索,得到目标所处的距离,并将距离门数设置为9,得到目标的除躯干外的四肢微多普勒信息,将距离门数范围内的回波能量加和求均值,作为该帧的多普勒信息;
步骤四:通过短时傅里叶变换将中频信号的时间域分为等长的时间序列,并对每段时间序列进行快速傅里叶变换操作,得到该帧数据的距离多普勒图,之后将该帧数据的距离多普勒图与该帧的多普勒信息结合,得到该段中频信号的时频信息矩阵;
步骤五:针对时频信息矩阵中每行数据进行平滑处理,得到该行数据的平滑数据,具体为:
在每行数据中,从第一个数据开始依次选取数据,直至选取到倒数第五个数据为止,针对每次选取的数据,获取该数据及其后四个数据,之后将得到的五个数据求均值,得到均值ymean,每行数据中所有的均值ymean组合后,得到1×(N-L)的矩阵,1×(N-L)的矩阵即为该行数据的平滑数据,L为滑块大小,N为重复周期数目;
步骤六:从每行平滑数据的中心位置,即零频处,向左右两端分别搜索小于该行数据中位数的极小值点,并记录左右端中极小值点的坐标;
步骤七:重复步骤六,得到时频信息矩阵每一帧左右端中极小值点的坐标,并得到其中最左端边界点yleft和最右端边界点yright,进而得到杂波噪声矩阵Noise,杂波噪声矩阵Noise表示为:
Noise=[a1,a2,…,aleft,aright,…,aN-1,aN]
其中,ai为时频信息矩阵的第i列数据,aleft为时频信息矩阵的第yleft列数据,aright为时频信息矩阵的第yright列数据,杂波噪声矩阵Noise服从高斯分布;
获取杂波噪声矩阵Noise中数据的最大值,并计算最大值在高斯分布中的出现概率p,取高斯分布概率p/10处对应噪声能量值作为杂波噪声的消去门限值,进而完成杂波消除。
2.根据权利要求1所述的基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法,其特征在于所述每一帧数据的距离多普勒图的获取步骤为:
对分帧操作得到的信号依次进行加窗滤波、距离维快速傅里叶变换和多普勒维快速傅里叶变换,得到每一帧数据的距离多普勒图。
3.根据权利要求1所述的基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法,其特征在于所述发射信号表示为:
其中,AT为发射信号幅度,fc为信号的中心斜率,t为发射时间,B为带宽,Tm为调频周期,τ为时间延迟,dτ为τ的微分。
4.根据权利要求3所述的基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法,其特征在于所述回波信号表示为:
其中,AR为回波信号幅度,Δt为回波信号相对于发射信号的时延,Δfd为多普勒频移,j为虚数单位。
5.根据权利要求4所述的基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法,其特征在于所述中频信号表示为:
SIF(t)=ST(t)SR(t)≈ATARexp{j2π[fcΔt+(f1-Δfd)t]}
其中,表示在t时刻中频信号的频率。
6.根据权利要求5所述的基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法,其特征在于所述对中频信号进行采样中,每个采样点的离散表达式为:
SI(n,m)=AIexp{j2π[fI(n)-Δfd(m)]/fs}
(1≤n≤N),(1≤m≤M)
其中,N为每帧中重复周期数目,即发射信号中Chirp数量,M为一个调频周期内的采样点数,SI(n,m)为第n个周期的第m个采样点的离散表达式。
7.根据权利要求6所述的基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法,其特征在于所述短时傅里叶变换STFT表示为:
其中,W(t)为窗函数,为目标在该时间范围内的运动回波信号,t为时间,f为信号频率。
8.根据权利要求7所述的基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法,其特征在于所述滑块均值ymean表示为:
其中,L为滑块大小,yi为第i个频率点处的能量大小,N为重复周期数目。
9.根据权利要求1所述的基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法,其特征在于所述杂波噪声矩阵Noise服从高斯分布,表示为:
其中,x为杂波噪声矩阵中的某点能量值,μ为杂波噪声矩阵的均值,σ为杂波噪声矩阵的方差,f(x)为在该噪声点的能量值的出现概率。
10.根据权利要求1所述的基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法,其特征在于所述毫米波雷达为线性调频FMCW。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310675500.4A CN116687392A (zh) | 2023-06-08 | 2023-06-08 | 基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310675500.4A CN116687392A (zh) | 2023-06-08 | 2023-06-08 | 基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116687392A true CN116687392A (zh) | 2023-09-05 |
Family
ID=87835257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310675500.4A Pending CN116687392A (zh) | 2023-06-08 | 2023-06-08 | 基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116687392A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117519474A (zh) * | 2023-11-06 | 2024-02-06 | 中国人民解放军陆军工程大学 | 一种考虑运动先验的雷达手势特征获取方法 |
-
2023
- 2023-06-08 CN CN202310675500.4A patent/CN116687392A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117519474A (zh) * | 2023-11-06 | 2024-02-06 | 中国人民解放军陆军工程大学 | 一种考虑运动先验的雷达手势特征获取方法 |
CN117519474B (zh) * | 2023-11-06 | 2024-05-14 | 中国人民解放军陆军工程大学 | 一种考虑运动先验的雷达手势特征获取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112630768B (zh) | 一种改进调频连续波雷达目标检测的降噪方法 | |
CN109031277B (zh) | 一种穿墙雷达多目标图像域稳健跟踪方法 | |
CN113963441B (zh) | 一种基于跨域增强的毫米波雷达手势识别方法及系统 | |
CN116687392A (zh) | 基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法 | |
CN111175718A (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
CN111830480B (zh) | 一种雷达海杂波短时谱特征参数估计方法及系统 | |
CN113447905A (zh) | 双毫米波雷达人体跌倒检测装置及检测方法 | |
CN111856422A (zh) | 基于宽带多通道毫米波雷达的唇语识别方法 | |
CN110929842A (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN108646248A (zh) | 一种针对低速运动声源的被动声学测速测距方法 | |
CN111812634B (zh) | 警戒线目标监测方法、装置和系统 | |
Zorych et al. | Particle filtering for dispersion curve tracking in ocean acoustics | |
CN112929141A (zh) | 一种基于图传信号匹配的无人机检测识别方法和系统 | |
CN110632563B (zh) | 一种基于短时傅里叶变换的脉内频率编码信号参数测量方法 | |
CN112327286A (zh) | 低复杂度下日常活动分类方法、装置、设备及存储介质 | |
CN117368875A (zh) | 一种宽带雷达多模态运动目标相参积累检测方法及装置 | |
CN111965613A (zh) | 一种基于动态规划与分数阶傅里叶变换的弱目标检测方法 | |
US5278774A (en) | Alarm for transient underwater events | |
CN108718223B (zh) | 一种非合作信号的盲频谱感知方法 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
CN105959035B (zh) | 一种直扩信号截获检测方法 | |
CN113759335A (zh) | 一种基于时间反演的超宽带回波去噪和能量检测方法 | |
CN112698295A (zh) | 一种知识辅助的雷达检测跟踪一体化方法及系统 | |
CN113064122A (zh) | P波段sar干扰抑制算法的性能评价方法、系统及介质 | |
CN111427035A (zh) | 一种基于子带微多普勒差异的雷达实测数据集扩充方法 |
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 |