用于生命探测雷达的微弱呼吸信号增强方法
【专利摘要】本发明提供了一种用于生命探测雷达的呼吸信号增强方法。该呼吸信号增强方法中，将超宽带生命探测雷达回波信号矩阵建模为零均值平稳随机过程，通过背景去除法和线性抖动去除法初步获得包含微弱呼吸信号的信号矩阵，不同程度增强处理、快时FIR带通滤波器和慢时滑动平均滤波器使得微弱呼吸信号得以增强，在输出信号矩阵中更为明显，从而为后续微弱人体特征检测提供保证。
【专利说明】用于生命探测雷达的微弱呼吸信号增强方法
【技术领域】
[0001]本发明涉及生命探测雷达【技术领域】，尤其涉及一种用于生命探测雷达的微弱呼吸信号增强方法。
【背景技术】
[0002]超宽带生命探测雷达系统必须工作在静止状态下，在一定时间内获得二维原始雷达回波信号矩阵。由于直达波、天线耦合波、固定背景等静态杂波的干扰，加之灾后救援现场的强噪声干扰，因此原始雷达回波信号矩阵需要在生命特征信号检测前进行信号预处理增强工作，否则微弱的生命特征信号将被干扰波淹没，导致检测算法失效。尤其是地震、房屋倒塌等灾害发生后，被困人员的生命特征在雷达回波中主要由呼吸运动引起，这些微弱的生命特征在低SNCR下的检测与提取非常困难。
[0003]微弱信号增强处理会使得微弱呼吸信号在雷达信号矩阵中更为明显，有利于后续检测算法处理，是超宽带生命探测雷达的关键技术，而现有技术中缺乏一种专门针对生命探测雷达微弱呼吸信号的信号增强技术。
【发明内容】
[0004](一 )要解决的技术问题
[0005]鉴于上述技术问题，本发明提供了一种用于生命探测雷达的微弱呼吸信号增强方法。
[0006]( 二 )技术方案
[0007]本发明用于生命探测雷达的微弱呼吸信号增强方法包括:步骤A:由输入的雷达回波信号建立时域信号模型，得到二维的输入信号矩阵S (m，n)，其中，η = 0，1，...，N-1,m = 0,1,..., Μ-1,Ν为观测次数，M为每次观测结果的采样点数；步骤B:对输入信号矩阵S(m，n)的每一个列向量，对其进行直流分量去除，得到信号矩阵S1On, η);并对其进行指数背景去除处理，得到处理后的信号矩阵S2 (m，η);步骤C:对信号矩阵S2 (m，η)进行增强处理，得到对相应列向量进行相应程度增强处理后的信号矩阵S3(m，η);步骤D:去除信号矩阵33(!11，η)在慢时方向上的线性不稳定抖动，得到信号矩阵S4 (m，η);步骤Ε:保留呼吸信号，采用带通滤波器对信号矩阵S4(m，n)进行滤波，并通过步骤C的方法对呼吸信号再次进行增强处理，得到信号矩阵S6 (m，η);以及步骤F:在慢时方向上滤除信号矩阵S6(m，n)中的高频分量，并通过步骤C对呼吸信号再次进行增强处理，输出信号矩阵S8 (m，η)，该信号矩阵S8(m, η)即为微弱呼吸信号的增强结果。
[0008](三)有益效果
[0009]从上述技术方案可以看出，本发明用于生命探测雷达的微弱呼吸信号增强方法具有以下有益效果:
[0010](I)本发明通过直流分量去除法，将超宽带生命探测雷达回波信号建模为零均值平稳随机过程，建立时域信号模型；
[0011](2)根据雷达背景杂波未知的特点，本发明通过指数背景去除法有效估计背景，使呼吸信号得以保留；
[0012](3)由于呼吸信号极其微弱，本发明通过对雷达信号矩阵进行不同程度增强处理，使得呼吸信号幅度得以增强；
[0013](4)在实际雷达系统中，雷达回波在慢时方向上的呈现线性不稳定抖动的特点，本发明通过线性漂移抑制算法实现该不稳定抖动的去除；
[0014](5)根据雷达工作频段，本发明利用带通滤波器对信号矩阵进行滤波，保留呼吸信号，并进行不同程度增强处理使得呼吸信号进一步增强；
[0015](6)由于信号矩阵中的存在高频分量，严重干扰呼吸信号的提取，本发明通过滑动平均滤波处理实现呼吸信号中高频分量的去除，再次增强呼吸信号。
【专利附图】
【附图说明】
[0016]图1为根据本发明实施例用于生命探测雷达的微弱呼吸信号增强方法的流程图；
[0017]图2为本实施例中原始雷达回波信号矩阵；
[0018]图3为本实施例中去直流后的雷达回波信号矩阵；
[0019]图4为本实施例中去除背景后的雷达回波信号矩阵；
[0020]图5为本实施例中实现不同程度增强处理后的雷达回波信号矩阵；
[0021]图6为本实施例中去除线性抖动的雷达回波信号矩阵；
[0022]图7为本实施例中快时带通滤波处理后的雷达回波信号矩阵；
[0023]图8为本实施例中图7中的信号矩阵经过不同程度增强处理后的结果；
[0024]图9为本实施例中慢时滑动平均滤波处理后的雷达回波信号矩阵；
[0025]图10为本实施例中图9中的信号矩阵经过不同程度处理后的结果。
【具体实施方式】
[0026]为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。需要说明的是，在附图或说明书描述中，相似或相同的部分都使用相同的图号。附图中未绘示或描述的实现方式，为所属【技术领域】中普通技术人员所知的形式。另外，虽然本文可提供包含特定值的参数的示范，但应了解，参数无需确切等于相应的值，而是可在可接受的误差容限或设计约束内近似于相应的值。实施例中提到的方向用语，例如“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向。因此，使用的方向用语是用来说明并非用来限制本发明的保护范围。
[0027]本发明将超宽带生命探测雷达回波信号矩阵建模为零均值平稳随机过程，通过背景去除法和线性抖动去除法初步获得包含微弱呼吸信号的信号矩阵，不同程度增强处理、快时FIR带通滤波器和慢时滑动平均滤波器使得微弱呼吸信号得以增强，在输出信号矩阵中更为明显，从而为后续微弱人体特征检测提供保证。
[0028]在本发明的一个示例性实施例中，提供了一种用于生命探测雷达的微弱呼吸信号增强方法。图1为根据本发明实施例用于生命探测雷达的微弱呼吸信号增强方法的流程图。请参照图1，本实施例用于生命探测雷达的微弱呼吸信号增强方法包括:
[0029]步骤A:由输入的雷达回波信号建立时域信号模型，得到二维的输入信号矩阵S(m，n)，其中，η = 0，1，...，N-l，m = 0，1，...，M_l，N为观测次数，M为每次观测结果的采样点数；
[0030]在第η次观测测量时间内，获得原始雷达回波连续时间信号Sn(t)，离散处理后记为sn(m), m = O, I,..., M-1, M表示采样点数。经过N次观察测量,共获得N个离散时间信号sn(m), η = O, I,..., N-1。将这些离散时间信号记为矩阵形式，即S(m, n) = [s0(m),S2 (m)，...，Sim (m)]，该矩阵称为二维MXN快时-慢时输入信号矩阵。
[0031]本实施例中，图2所示为原始雷达回波信号矩阵S (m，n)，m表示快时，单位为米，η表示慢时，单位为道。掩埋人员的微弱呼吸信号隐藏在原始雷达回波中。
[0032]本实施例中，为了减小计算的复杂度，M = 1024,N = 512。本领域技术人员应当清楚，该M和N还可以取其他值，例如，M取1024的整数倍，N可以任意取值。
[0033]步骤B，对输入信号矩阵S (m，η)的每一个列向量，对其进行直流分量去除，并对其进行指数背景去除处理，得到处理后的信号矩阵S2(m，η)；
[0034]该步骤B具体包括:
[0035]子步骤BI，对输入信号矩阵进行直流分量去除，得到信号矩阵S1 (m, η)，其具体包括:
[0036]子分步骤Bla，求取输入信号矩阵S (m, η)中的列向量的均值为^ ImZl S(m, Tl);
[0037]子分步骤Blb，根据下式，对信号矩阵S (m，η)的每一个列向量进行直流分量去除，使之成为零均值平稳随机过程，得到信号矩阵S1On, η):
[0038]S1 (m,n) = S(m,η) - 士ΣπιΖοS(τη,η)(I)
[0039]本实施例中，对原始雷达回波信号矩阵进行直流分量去除，输出的信号矩阵S1 (m,η)如图3所示。
[0040]子步骤Β2，去除信号矩阵S1 (m，η)的指数背景，得到信号矩阵S2 (m，η)。
[0041 ] 该子步骤Β2具体包括:
[0042]子分步骤B2a,构造背景估计矩阵 Sbkgnd (m, n) = [p0 (m), P1 (m),..., Pn^1 (m)],其列向量Pn(m)称为当前第η次估计的新背景(η = 1，1，...，Ν-1)，表示为:
[0043]pn(m) = λη(πι) XpmO1 + Q-AnOn)) Xqn(m) (2)
[0044]其中，λη(πι)表示为时变加权系数，其维度为MX1，取值范围在O?I之间。当η=O 时,假定 P。(m) = s0 (m)；
[0045]子分步骤B2b, qn(m)包含目标信号，为信号矩阵S2 (m, η)的列向量,表不为:
[0046]qn(m) = sn(m)-pn(m)(3)
[0047]信号矩阵S2 (m, n) = [q0 (m), Q1 (m),..., qN_! (m)],通过迭代计算 pn(m),输出去除背景后的信号矩阵S2 (m，η)，其中η = O，1，...，N-10
[0048]本实施例中，对信号矩阵S1On,η)进行指数背景去除处理，得到的具有零均值平稳随机过程特点的输出信号矩阵S2 (m，η)如图4所示。
[0049]步骤C，对信号矩阵S2 (m, η)进行增强处理，得到对相应列向量进行相应程度增强处理后的信号矩阵S3 (m，η)；
[0050]该步骤C中，对一列向量qn(m)进行增强处理的步骤具体包括:
[0051]子步骤Cl，假定采样间隔为1；，对S2(m，n)中的列向量qn(m)所表示的离散时间信号进行增强处理，其采样时窗是[0，(M-1) TJ，记初始值ttaax = O, tend = (M-1) Ts,并且qn(t)=qn(mTs)；
[0052]子步骤C2，按照下式，在采样时窗tend]内寻找I qn(t) |的最大值Vmax和对应的时间序号tmax，进行归一化处理:
[0053](vmax, tmax) = max (| qn(t) |)，t e (tLmax, tend] (4)
[0054]qn{t) = qn(t)/vmaxO/
[0055]子步骤C3，用t_更新tN_，即tN_= tLmax+tmax,并重新限定采样时窗为(tN_，tend]。
[0056]子步骤C4，重复子步骤C2和C3，在新采样时窗内再次寻找最大值并归一化处理，同时更新采样时窗范围，直至= (M-1)Ts0此时获得的Kt)离散处理后记为Km),并作为输出信号矩阵S3 (m，η)的列向量。
[0057]至此，对列向量qn(m)进行增强处理的步骤介绍完毕。而后，选择S2 (m，η)中的下一个列向量qn+1 (m)，重复子步骤Cl至C4处理以实现信号不同程度增强的目的，输出信号矩阵 S3 (m, n) = \q0(m), Cj1On),..., qjV_1(m)j。
[0058]本实施例中，对信号矩阵S2(m，η)进行不同程度增强处理后，输出的信号矩阵S3(m, η)，如图5所示。
[0059]步骤D，根据下式，去除信号矩阵&011，11)在慢时方向上的线性不稳定抖动，得到信号矩阵S4 (m，η)；
[0060]S4T = S3T_z (ZTZ)-1ZtS^ (6)
[0061]其中z= [η, 1Ν], η = [0,1,...,N - 1]τ, 1Ν是NXI 维单位向量。
[0062]本实施例中，对信号矩阵S3(m，n)去除雷达回波在慢时方向上的线性不稳定抖动，输出的信号矩阵S4(m，η)如图6所示。
[0063]步骤E:保留呼吸信号，采用带通滤波器对信号矩阵S4 (m，η)进行滤波，并通过步骤C的方法对呼吸信号再次进行增强处理，得到信号矩阵S6 (m，η)；
[0064]所述步骤Ε,包括:
[0065]步骤El:在快时方向上，采用FIR带通滤波器对信号矩阵S4(m，η)进行滤波处理，保留呼吸信号，输出信号矩阵S5(m，η)；
[0066]其中，FIR带通滤波器的通带为200MHz?800M Hz0
[0067]步骤E2:通过步骤C的方法对信号矩阵S5 (m，η)再次进行增强处理，输出信号矩阵 S6(m, η)。
[0068]本实施例中，输出信号矩阵S5(m，η)和S6(m，η)分别如图7和图8所示。
[0069]步骤F:在慢时方向上滤除信号矩阵S6 (m，η)中的高频分量，并通过步骤C对呼吸信号再次进行增强处理，输出信号矩阵S8(m，η)，该信号矩阵S8(m，η)即为微弱呼吸信号的增强结果。
[0070]其中，该高频分量是指信号中高于IHz的分量。
[0071]所述步骤F,包括:
[0072]步骤Fl:在慢时方向上对上步输出信号S6(m，η)进行滑动平均滤波处理，滤除呼吸信号中的高频分量，输出信号矩阵&^，η);以及
[0073]步骤F2:再次通过步骤C对信号矩阵S7 (m，η)进行增强处理，输出信号矩阵S8 (m，η) ο
[0074]本实施例中，输出信号矩阵S7(m，η)和S8(m，η)分别如图9和图10所示。
[0075]至此，已经结合附图对本实施例进行了详细描述。依据以上描述，本领域技术人员应当对本发明用于生命探测雷达的微弱呼吸信号增强方法有了清楚的认识。
[0076]综上所述，本发明克服了雷达回波信号矩阵中包含的呼吸信号极其微弱的缺点，实现了微弱呼吸信号的有效增强处理，满足了灾害救援等场合下掩埋人员微弱生命特征检测的需要。
[0077]以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
【权利要求】
1.一种用于生命探测雷达的呼吸信号增强方法，其特征在于，包括: 步骤A:由输入的雷达回波信号建立时域信号模型，得到二维的输入信号矩阵S (m，η)，其中，η = O，1，...，N-l，m = O，1，...，M-l，N为观测次数，M为每次观测结果的采样点数；步骤B:对输入信号矩阵S (m，η)的每一个列向量，对其进行直流分量去除，得到信号矩阵S1On, η);并对其进行指数背景去除处理，得到处理后的信号矩阵S2 (m，η)； 步骤C:对信号矩阵S2 (m, η)进行增强处理，得到对相应列向量进行相应程度增强处理后的信号矩阵S3 (m，η)； 步骤D:去除信号矩阵S3 (m，η)在慢时方向上的线性不稳定抖动，得到信号矩阵S4(m，η)； 步骤E:保留呼吸信号，采用带通滤波器对信号矩阵54(!11，11)进行滤波，并通过步骤C的方法对呼吸信号再次进行增强处理，得到信号矩阵S6 (m，η);以及 步骤F:在慢时方向上滤除信号矩阵S6 (m，η)中的高频分量，并通过步骤C对呼吸信号再次进行增强处理，输出信号矩阵S8(m，η)，该信号矩阵S8(m，η)即为微弱呼吸信号的增强结果。
2.根据权利要求1所述的呼吸信号增强方法，其特征在于，所述步骤C中对信号矩阵S2(m, η)中的列向量qn(m)进行增强处理包括: 子步骤Cl，假定采样间隔为1；，对S2(m，n)中的列向量qn(m)所表示的离散时间信号进行增强处理，其采样时窗是[O, (M-1) Ts]，记初始值= O, tend = (M-l)Ts，并且qn(t)=qn(mTs)； 子步骤C2，按照下式，在采样时窗(ttaax，tmd]内寻找|qn(t) I的最大值Vmax和对应的时间序号tmax，进行归一化处理:
(vmax，tmax) — max (I qn(t) |)，t ε (tLmax, tend] 々n (亡)—f Vmax 子步骤C3，用tMX更新tN_，tNmax =，并重新限定采样时窗为(tN_，tend]； 子步骤C4，重复子步骤C2和C3，在新采样时窗内再次寻找最大值并归一化处理，同时更新采样时窗范围，直至= (M-1)Ts，此时获得的夺?.(?)离散处理后记为存n(m),并作为输出信号矩阵S3 (m, η)的列向量。
3.根据权利要求1所述的呼吸信号增强方法，其特征在于，所述步骤D中，根据下式，去除信号矩阵S3(m，η)在慢时方向上的线性不稳定抖动，得到信号矩阵S4(m，η)；
S4T = S/-Z (ZTZ)^ZTS3T 其中z= \n Iiv], η =丨0 1l…，iV — l]τ，lN是NXl维单位向量。
4.根据权利要求1所述的呼吸信号增强方法，其特征在于，所述步骤E包括: 步骤El:在快时方向上，采用FIR带通滤波器对信号矩阵S4(m，η)进行滤波处理，保留呼吸信号，输出信号矩阵S5 (m，η)； 步骤Ε2:通过步骤C的方法对信号矩阵S5 (m，η)再次进行增强处理，输出信号矩阵S6 (m, η)。
5.根据权利要求1所述的呼吸信号增强方法，其特征在于，所述FIR带通滤波器的通带为 200MHz ?800M Hz。
6.根据权利要求1所述的呼吸信号增强方法，其特征在于，所述步骤F包括: 步骤Fl:在慢时方向上对上步输出信号S6(m，η)进行滑动平均滤波处理，滤除呼吸信号中的高频分量，输出信号矩阵&^，η);以及 步骤F2:再次通过步骤C对信号矩阵S7 (m，η)进行增强处理，输出信号矩阵S8 (m，η)。
7.根据权利要求6所述的呼吸信号增强方法，其特征在于，所述高频分量的频率高于IHz。
8.根据权利要求1至7中任一项所述的呼吸信号增强方法，其特征在于，所述步骤B中对输入信号矩阵S(m，η)的每一个列向量，对其进行直流分量去除，得到信号矩阵S1On, η)包括: 子分步骤Bla，求取输入信号矩阵S (m, η)中的列向量的均值为士EiS S(m, Tl)；
M 子分步骤Blb，根据下式，对信号矩阵S (m，η)的每一个列向量进行直流分量去除，使之成为零均值平稳随机过程，得到信号矩阵S1 (m，η): S1On, ?) = S(m,n) -
9.根据权利要求1至7中任一项所述的呼吸信号增强方法，其特征在于，所述步骤B中对直流分量去除后的信号矩阵S1On, η)进行指数背景去除处理，得到处理后的信号矩阵S2 (m, η)包括:
子分步骤B2a,构造背景估计矩阵Sbkgnd (m, n) = [p0 (m), P1 (m),..., Pn^1 (m)],其列向量Pn(m)称为当前第η次估计的新背景(n = 1,1,..., Ν-1),表示为:
Pn (m) = λ n(m) X Pn^1 (m) + (1- λ n (m)) X qn(m) 其中，λη(πι)表示为时变加权系数，其维度为MX 1，取值范围在O?I之间，当η = O时，假定P。(m) = s0 (m);以及 子分步骤B2b, qn(m)包含目标信号，为信号矩阵S2 (m, η)的列向量,表不为: qn(m) = sn(m)-pn(m) 信号矩阵S2 (m, n) = [q0 (m), Q1 (m),..., qN_! (m)],通过迭代计算pn(m),输出去除背景后的信号矩阵S2 (m，11)，其中11 = 0，1，...，^1。
10.根据权利要求1至7中任一项所述的呼吸信号增强方法，其特征在于，M= 1024,N=512。
【文档编号】A61B5/113GK104133199SQ201410321903
【公开日】2014年11月5日 申请日期:2014年7月8日 优先权日:2014年7月8日
【发明者】吴世有, 陈洁, 孟升卫, 方广有 申请人:中国科学院电子学研究所