一种基于微波的多目标分类系统的制作方法

本实用新型涉及安防监控领域，特别涉及一种基于微波的多目标分类系统。

背景技术：

在安防监测系统中，需要利用目标跟踪技术实现多目标的精确探测与分类。一个性能良好的监测设备是保证系统信息准确与可靠的前提条件。对于雷达而言，其环境适应性高且性能稳定，从而成为目标分类和识别的研究首选。但早期的技术过多地依赖于不具备普适性的仿真，基本停留在传统的脉冲雷达技术，在人、车等慢速目标分类问题中缺乏稳健的特征提取方法。

在实际应用中，微波雷达由于目标回波副瓣影响及幅值不稳定等因素，往往容易产生距离和方位上的点迹分裂，形成多个目标回波点迹以及造成目标在方位上的点迹分裂，影响分类与跟踪的稳定性。低小慢目标的速度较小，容易淹没于杂波和噪声背景中，导致有效的杂波抑制和目标检测存在一定困难。且行人和车辆等慢速目标在雷达信号带宽有限的情况下很难分类。传统的基于目标雷达散射截面积的特征提取与分类方法难以实现行人和车辆目标的有效分离。

技术实现要素：

本实用新型要解决的技术问题是提供一种基于微波的多目标分类系统，以实现多目标的精准分类识别，尤其是有助于分辨方位相邻的弱小的目标。

为了解决上述技术问题，本实用新型的技术方案为：

一种基于微波的多目标分类系统，微波传感器具有采集前端和处理后端，所述采集前端由发射天线、接收天线以及预处理模块构成；所述预处理模块设置成，其内的连续被发射机与所述发射天线连接，其内的接收机混频器与所述接收天线连接；回波信号经过顺序连接的所述接收天线、所述接收机混频器、放大检波模块、多普勒放大器，到达所述处理后端，其中，所述回波信号在所述放大检波模块中转换成回波数据；所述处理后端由用于处理所述回波数据的距离向提取模块、方位向提取模块、点迹凝聚模块以及微多普勒特征识别模块构成。

优选的，所述放大检波模块具有两个支路，其中一个支路为一级中频放大器、AGC电路、二次检波器，另一个支路模块为顺序连接的所述一级中频放大器、二级中频放大器、所述二次检波器，所述两个支路的上游与所述接收机混频器连接，其下游与所述多普勒放大器连接。

优选的，所述二次检波器采用正交双通道。

优选的，在AGC电路中，A/D转换器、信号平均电平检测器、比较器、IIP滤波器、D/A转换器、可变增益放大器顺序连接。

与现有技术相比，本实用新型的有益效果在于：本实用新型针对现有检测设备的缺陷以及多目标分类识别的需要，提出对多个扫描周期内的空间目标参数的回波信息预处理，然后在距离向、方位向上对回波参数信息进行算法分析，从而有效的提取出多个目标，最后根据多普勒速度特征凝聚算法，对低小慢目标建立目标库，实现精准的多目标分类识别。本实用新型尤其有利于实现对方位相邻的弱小目标的分辩。在确保归并与分辨能力的基础上，该方法能够改善雷达观测方位的可靠性，提高滤波性能。

附图说明

后文将参照附图以示例性而非限制性的方式详细描述本实用新型的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：

图1为本实用新型一种基于微波的多目标分类系统中微波传感器的组成示意图；

图2为本实用新型一种基于微波的多目标分类系统中微波传感器的前端组成框图；

图3为图2中二次检波器的组成框图；

图4为图2中AGC电路组成框图；

图5为本实用新型一种基于微波的多目标分类方法的基本流程图；

图6为本实用新型的微波传感器对数据预处理的示意流程图；

图7为图5中S3的详细判断流程图；

图8为图5中S5的详细判断流程图；

图9a为车辆目标频谱图；

图9b为人类目标频谱图。

具体实施方式

下面结合附图对本实用新型的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本实用新型，但并不构成对本实用新型的限定。此外，下面所描述的本实用新型各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本实用新型基于微波的多目标分类方法，主要是由微波传感器对接收到的回波信号进行分析。微波传感器主要包括：雷达前端、供电模块、接口模块以及微处理模块。微处理模块由信号采集模块、信号处理模块以及存储模块构成。换句话说，微波传感器具有采集前端和处理后端。

图2示出了采集前端的示意图。采集前端由发射天线、接收天线以及预处理模块构成。所述预处理模块设置成，其内的连续被发射机与所述发射天线连接，其内的接收机混频器与所述接收天线连接。回波信号经过顺序连接的所述接收天线、所述接收机混频器、放大检波模块、多普勒放大器，到达所述处理后端。其中，所述回波信号在所述放大检波模块中转换成回波数据。所述处理后端由用于处理所述回波数据的距离向提取模块、方位向提取模块、点迹凝聚模块以及微多普勒特征识别模块构成，从而分层次地对生下来的回波数据进行筛选剔除。

所述放大检波模块具有两个支路，其中一个支路为一级中频放大器、AGC电路、二次检波器，另一个支路模块为顺序连接的所述一级中频放大器、二级中频放大器、所述二次检波器，所述两个支路的上游与所述接收机混频器连接，其下游与所述多普勒放大器连接。图3和图4分别示出了二次检波器的组成框图、AGC电路组成框图。其中，二次检波器采用正交双通道处理，以避免单路检波器产生的频谱折叠效应。二次检波器能将中频载波中的所有调制信息都检出来并发送至多普勒放大器端。AGC电路中，A/D转换器、信号平均电平检测器、比较器、IIP滤波器、D/A转换器、可变增益放大器顺序连接。A/D转换器将输入进来的模拟信号采样量化为数字量后，经过信号平均电平检测器算出平均电平，该平均电平与预先设定的参考电平V相比较，得到平均电平误差，将该误差送入IIR滤波器进行平滑累加后得到与所期望的AGC增益相对应的数字量，最后通过D/A转换器送入可变增益放大器(VGA)。

由上述图1至图4所构成的微波传感器，其优点是发射系统简单，接收信号频谱集中，因而滤波装置简单，从干扰背景中选择动目标的性能好，可发现单元距离上的动目标，能够适用于强杂波背景条件(如在灌木丛中蠕动的人或爬行的车辆)。

基于上述结构，微波传感器接收到的回波信号经过信号处理单元，然后传输给数据处理单元，进行信息的二次处理。二次处理主要是对同一雷达不同扫描周期观测到的信息进行多次提取，过滤虚假点迹，对有效点迹进行跟踪以及位置参数和方位参数的估计，根据速度参数从而归集为真实目标的点迹，最后建立有效模型进行目标的分类识别。下面对信息的二次处理进行详细介绍。

如图5所示，本实用新型基于微波的多目标分类方法主要包括以下步骤：

S1：抑制所述回波信号中由杂波和噪声组成的干扰信号；

S2：设定经过S1后数据的距离单元；

S3：在连续的多个距离单元中，剔除距离向的第一虚假目标，其中所述第一虚假目标的距离宽度不位于预定距离区间内；

S4：设定经过S3后数据的方位单元；

S5：在连续的多个方位单元中，剔除方位向的第二虚假目标，其中所述第二虚假目标的方位宽度不位于预定方位区间内；

S6：归集在所述距离向和所述方位向中属于同一真实目标的所有点迹，以形成归属于所述同一真实目标的点迹集合；

S7：分类识别任意一个所述点迹集合所属的种类。

首先，在S1中，如图6所示，微波传感器对经过图2中各模块后的回波信号，进行预处理和动目标检测点迹处理。接收机中输出的回波信号中含有杂波和噪声，而杂波对于目标而言是冗余信息，需要通过特定预处理方法进行有效的抑制，降低其对目标检测与分类的影响。信号预处理主要是消除杂波和噪声组成的干扰信号，确定所采集点迹的速度、距离和方位值，大量的压缩信号处理后的目标点迹，判别和去除非有效的点迹，并以最大幅值的频道输出计算点迹的多普勒参数，同时给定点迹的质量参数，进而准确估值有效点迹参数，提取出目标信息。

在S2和S3之间，具体还包括以下步骤：

S2.1：在连续的多个距离单元中，提取每一所述距离单元的幅度峰值；

S2.2：选取模糊门限值，剔除所述幅度峰值中低于所述模糊门限值的点迹数据。

经过预处理后的数据，在S2.1和S2.2中，可以初步计算出当前目标的多普勒频率值。首先，选取该目标同一距离单元不同频道的几个最大极值点。选取的几个极值点之间的频率间隔为100MHz-400MHz之间。得到极值点之后，根据目标落在每个频道的距离值不同，算出当前极值点多普勒频率值。选出极值点对应的频道号以及左右相邻的几个频道号，采用幅度加权算法计算出当前目标的多普勒频率值。

其中，fd为当前目标多普勒频率值；m＝0，1，2…8，n＝0，1，2…8；Ac为极值频道对应距离值，Ac-m、Ac+n分别为极值频道的前m个频道和后n个频道对应的频率指向系数。

在S3中，如图7所示，需要对目标的距离向进行提取。首先，按单个目标在距离上延续的距离单元找出距离值最大的峰值点，提取距离向连续的点迹数据。对距离上连续的两个或三个相近峰值点的目标点迹，按距离门限值进行判断，从而滤除距离值等于或低于距离门限值的目标原始点迹数据。若目标原始点迹的距离值超过距离门限值，需保留相应的点迹数据，待进一步分辨是否为邻近小目标点迹。S3具体包括S301和S302步骤。

S301：在连续的多个距离单元中，确定属于同一目标的距离起始点和距离终止点。

其中，S301具体包括以下步骤：

S301A：设定所述距离单元的距离门限值，判断每一个距离单元中的距离值是否大于所述距离门限值，若“是”，则将对应的距离单元中的距离值置为“1”；若“否”，则将对应的距离单元中的距离值置为“0”；

S301B：在所述多个距离单元中，由多于一个的“1”组成的点迹组，则判定其属于同一目标；在两个间隔的距离单元之间存在“0”，则判定所述两个间隔的距离单元属于不同目标；

S301C：确定所述同一目标的距离起始点和距离终止点，所述距离起始点为所述点迹组中第一个“1”，所述距离终止点为所述点迹组中最后一个“1”。

S302：判断所述同一目标的距离起始点和距离终止点之间的距离宽度是否位于预定距离区间内，若“是”，则判定为真实目标；若“否”，则判定为第一虚假目标，并删除所述第一虚假目标的信息。

在S301A中，根据距离方向上每一个量化单元距离值与设定的距离门限值相比较，如果距离值大于距离门限值，那么则置“1”，否则置“0”。目标可能处于相邻的距离单元内。在本实施例的判断中，选取3个距离单元合并在一起判定。首先经过距离门限值的判决后，目标点迹的距离值置为0或1，由此能够确定目标的起始和终止。多个连续的距离单元由多个“0”或“1”所组成的点迹组。如果点迹组多于一个的“1”组成，也就是说为“11”、“111”或者“1111”等，则判定这几个连续的距离单元属于同一目标。而如果在两个间隔的距离单元之间存在“0”，尤其是，在两个间隔的距离单元之间存在两个或两个以上连续的“0”，也就是说存在“1001”“10001”，则判定所述两个间隔的距离单元属于不同目标。而对于一个属于同一目标的点迹组来说，例如“01110”，则距离起始点为所述点迹组中第一个“1”，距离终止点为所述点迹组中最后一个“1”。

在上述判断的基础上，还进行点迹组宽度的判断。也就是判断所述同一目标的距离起始点和距离终止点之间的距离宽度是否位于预定距离区间内。若“是”，则判定为真实目标；若“否”，则判定为第一虚假目标，并删除所述第一虚假目标的信息。根据大量的数据学习及分析，最终确定预定距离区间为[2，8]。也就是说，单独的“00100”，是第一虚假目标，“111111111”，也是第一虚假目标。

在目标的距离向提取后，如图8所示，S4和S5对目标的方位向继续提取。S5具体包括S501和S502。

S501：在连续的多个方位单元中，确定属于同一目标的方位起始点和方位终止点，其中，所述方位起始点所在的方位单元的距离与其前一个方位单元的距离不相关，所述方位终止点所在的方位单元的距离与其后一个方位单元的距离不相关。

S501具体包括以下步骤：

S501A：设定所述方位单元的的方位门限值，判断每一方位单元中的方位值是否大于所述方位门限值，若“是”，则将对应的方位单元中的方位值置为“1”；若“否”，则将对应的方位单元中的方位值置为“0”；

S501B：判断任意一个方位值为“1”的存在方位单元，其前一个方位单元的方位值是否为“1”，若“是”，则进行S501C；若“否”，则判定所述存在方位单元为方位起始点；同时，判断其后一个方位单元的方位值是否为“1”，若“是”，则进行S501C；若“否”，则判定所述存在方位单元为方位终止点；

S501C：判断所述存在方位单元的距离与其前一个方位单元的距离是否相关，若“是”，则判定两者属于同一目标；若“否”，则判定所述存在方位单元为方位起始点；判断所述存在方位单元的距离与其后一个方位单元的距离是否相关，若“是”，则判定两者属于同一目标；若“否”，则判定所述存在方位单元为方位终止点；

S501D：确定所述同一目标的方位起始点和方位终止点。

S502：判断所述同一目标的方位起始点和方位终止点之间的方位宽度是否位于预定方位区间内，若“是”，则判定为真实目标；若“否”，则判定为第二虚假目标，并删除所述第二虚假目标的信息。

在S501中，方位向目标存在与否的判断原理与距离向相同，都是通过设定门限值，对该方位单元(或上面的距离单元)是否存在目标进行判断。

首先，按照点迹数据设定方位单元的方位门限值，以S3中距离向的凝聚结果为基础判断当前方位是否有目标。在上述判断描述中，存在目标的方位单元记为存在方位单元。如果有目标，则根据S501B和S501C判断此目标是新目标的方位起始点，还是前一个目标在当前存在方位的延续。判断依据是存在方位单元的距离是否与前一个存在目标的方位单元的距离相关，如果相关，则是前一个目标在当前存在方位单元的延续，如果不相关，则当前存在方位单元为新目标。相关性指的是两者存在交际或者在距离向上相切。

若为新目标，则记录目标信息；若是上一方位目标在当前方位的延续，则与上一方位的同一目标进行方位向的合并。如果上一方位向有目标且当前方位向或下一方位向没有此目标的延续，则判断此目标终止

在上述判断的基础上，还对一个目标在方位向上的宽度进行判断。也就是判断所述同一目标的方位起始点和方位终止点之间的方位宽度是否位于预定方位区间内。若“是”，则判定为真实目标；若“否”，则判定为第二虚假目标，并删除所述第二虚假目标的信息。根据大量的数据学习及分析，最终确定预定方位区间为[2，8]。

综上，方位向的提取中，依次扫描相邻方位的点迹数据，将满足凝聚条件的点迹归为同一目标的数据处理。将此目标的距离信息与上一方位的各目标距离信息进行比较，如果两者在距离向上存在交集或刚好相切，则判断当前目标是上一方位目标的延续，将两个目标合并；如果两者不存在交集且距离向上不相切，则判断此目标是新目标，当前方位是此目标的起始方位。

在距离向和方向上提取点迹后，进行S6，对之间目标的各距离、方位上归并与分辨成功配对后的回波数据进一步算法处理，使得单个目标多个原始点迹数据能够凝聚为唯一点迹。

S6的归集方法为：计算属于同一真实目标并且在距离上连续的点迹的距离质心，计算属于同一真实目标并且在方位上相邻的点迹的方位质心，以形成归属于同一目标的点迹集合。

对于同一目标产生的、在距离上连续的点迹，按公式(2)和(3)求取距离质心，然后将质心的数值作为相应目标点迹的距离估计值，其公式为：

其中，n为目标点迹个数；Ri和Vi分别为第i个目标点迹的距离和回波幅度值。Vj和Rj为归并后的点迹的强度和距离。

对由同一目标产生的、在方位上相邻的点迹可按公式(4)求取方位质心，将质心数值作为相应目标点迹的方位估计值，公式为：

其中，m为目标点迹的个数，Aj和Vj分别为第j个点迹的方位和回拨幅度值。

上面已经可以求得目标在各个方位上的距离值，但仍没有获得目标点迹距离的唯一估计值，这时可以根据目标方位估计值落入的位置，求得距离唯一估计值。假设方位落在经距离估计值的第k和k+1点之间，则求距离唯一估计值的内插公式为：

R′0＝Rk+(Rk+1-Rk) (5)

其中，R′0为目标点迹距离的唯一估计值；A0为目标点迹方位的唯一估计值，Rk，Rk+1，Ak+1，Ak分别为第k+1和第k点点迹的距离和方位。

经点迹距离、方位归并与鉴别后，同属于一个目标的原始点迹被凝聚到一起，形成由各个分散的点迹组成的目标集合；而属于不同目标的点迹间是相互独立的，相互之间没有关联。

之后，在S7中，分类识别任意一个所述点迹集合所属的种类。检测范围内的存在多种类型的目标(人类、车辆)，其运动形式有所差异，在其运动时都可以观测到微多普勒现象。对车辆和行人的运动姿态进行分析可知，车辆的轮胎是做圆周运动，而当人行走时，双臂做来回的摆动，以行人与车辆微多普勒频率的不同进行分类。

行人的微多普勒频率为：

其中，f为行人摆臂的频率，AR与AL分别为行人右臂与左臂的摆动半径，λ为信号波长。

轮胎(微动部位)面积与车辆面积之比较小，而行人的手臂面积与躯干面积之比比较大，行人与车辆两类不同目标的平均功率的取值范围不同，以此特征作为目标的特征向量，可以完成车辆与行人目标的分类识别。如图9a所示，车辆的微动分量能量很弱，多普勒谱能量主要集中车身主分量之上，当车速较稳定时，时频分布近似为一条直线；如图9b所示，行人的多普勒分量丰富，表征微多普勒的四肢的频谱能量相对较强，容易在仿真和实测数据中观测得到，同时由于四肢的周期性运动调制，人体时频分布近似为正弦变化。所以从时频谱图中提取用于区分目标的微动原理特征，并进行定量描述。在找到目标所在距离单元后，通过对目标的频谱分析，人类和车辆的频谱具有一定的差异，以此通过提取频谱特征再与目标库进行匹配，能够完成对车辆目标与行人目标的识别。

综上，通过S1至S7的步骤，本实用新型提出的多目标点迹归并与凝聚方法能够抑制点迹分裂的产生，避免一个目标产生多个观测点迹数据。本实用新型采用的多目标分类方法能够实现目标的有效分离，并深入挖掘各目标之间存在差异的有效特征量，进行目标分类。本实用新型结构简单、成本低廉，连续波雷达发射大时宽信号，不需要很大的峰值功率，避免了高功率和高压器件的使用，大大降低了系统结构的复杂性，而且容易实现微波传感器的小型化集成。

以上结合附图对本实用新型的实施方式作了详细说明，但本实用新型不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本实用新型原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本实用新型的保护范围内。