超宽带连续波生物雷达数据处理方法及系统

1.本发明涉及信号处理领域，具体涉及一种超宽带连续波生物雷达数据处理方法及系统。


背景技术：

2.人体姿态识别技术对于描述人体姿态、预测人体行为至关重要，近年来广泛应用于智能控制、医疗康复、辅助教练、体感游戏、安防监控等领域。相比于可穿戴式惯性传感器，视频、压力、射频类等非入侵式环境传感器不需要用户佩戴，也不存在电池供电受限等问题；相比于视频、音频等感知设备，以雷达为代表的射频类传感器能够更好地保护用户隐私，能更好地适应各种光照、噪音环境，有些频段甚至可以穿墙探测。
3.目前用于人体姿态识别的雷达多采用连续波多普勒体制，为窄带雷达，不具备高的距离分辨率。针对这种体制雷达的数据分析方法主要是时频分析方法，如短时傅里叶变换，分析雷达回波信号中各种频率成分随时间的变化规律，从中提取特征指标后输入机器学习模型，或将时频分析方法得到的时间多普勒谱直接送入深度学习网络，以区分不同人体姿态动作类型。
4.随着微电子和芯片技术的发展，近年来国外涌现出多款超宽带连续波生物芯片雷达，这种体制的雷达同时具备高的距离分辨率和速度分辨率，能够为人体姿态识别提供更加多维的信息，从而提升识别效率。在得到雷达回波数据多维度的信息后，可从中提取特征指标后输入机器学习模型，或直接将多维度图谱送入深度学习网络，以区分不同人体姿态动作类型。
5.在雷达数据分析方法上不同于窄带连续波生物雷达，超宽带连续波生物雷达的主要区别在于具有随时间变化的多个距离分辨单元。在提取特征时，多采用滑窗重叠取样分析特征指标。由于采用滑窗重叠取样计算，时频分析方法的计算量相对傅里叶变换较大，因此通常情况下(即线上实时处理计算资源有限的情况下)，不可能对每个距离单元的时序信号做时频分析。因此，如何挑选合适的距离单元对应的时序信号进一步时频分析，是超宽带连续波生物雷达数据处理需要解决的关键技术问题。


技术实现要素：

6.为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种超宽带连续波生物雷达数据处理方法及系统。
7.为了实现本发明的上述目的，本发明提供了一种超宽带连续波生物雷达数据处理方法,包括以下步骤：
8.持续接收超宽带连续波生物雷达回波信号；
9.对n个周期的雷达回波信号进行混频、滤波和快速傅里叶变换，得到n
×
m维的距离时间矩阵rt，m为超宽带连续波生物雷达的距离分辨单元数量；
10.在距离时间矩阵rt的慢时间方向进行动目标显示处理,得到动目标显示处理后的
距离时间矩阵rt
mti
；
11.根据距离时间矩阵rt或动目标显示处理后的距离时间矩阵rt
mti
得到距离多普勒谱矩阵；
12.选取距离多普勒谱矩阵中的最优距离单元，对其对应的时序信号进行时频分析，得到时间多普勒谱；
13.将该时间多普勒谱用于分类识别任务。
14.距离多普勒谱矩阵获得步骤为：对距离时间矩阵rt的所有行向量进行高通滤波，然后沿时间维做傅里叶变换，或直接对动目标显示处理后的距离时间矩阵rt
mti
沿时间维做傅里叶变换，并将傅里叶变换后的零频点移到频谱的中间，得到距离多普勒矩阵rd,对距离多普勒矩阵rd进行归一化，找出距离多普勒矩阵rd的最大值，将距离多普勒矩阵rd的所有元素除以该最大值；对归一化的距离多普勒矩阵rd取绝对值和对数变换，将得到的矩阵定义为距离多普勒谱矩阵。
15.该方法能够在保证较高识别率的前提下大大减小深度学习网络模型参数，能获得更优秀的分类识别性能，特别适用于人体行为识别。
16.本方法的优选方案：得到距离多普勒谱矩阵后，先对距离多普勒谱矩阵进行自适应门限动态杂波抑制，然后再选取最优距离单元。
17.距离多普勒谱矩阵进行自适应门限动态杂波抑制步骤为：
18.a、计算距离多普勒谱矩阵的中值，记为b；定义变换因子d，并赋初值d＝1；
19.b、计算门限th3＝b
×
d，将距离多普勒谱矩阵中小于门限th3的值设为0，大于或等于门限的值设为1，得到距离多普勒谱矩阵掩模二值矩阵，记为mask2；
20.c、计算距离多普勒谱矩阵掩模矩阵mask2的四个角矩阵的非零元素的个数，分别记为cn5、cn6、cn7、cn8，计算四个角矩阵的非零元素个数的和，记为cns2，其中cns2＝cn5+cn6+cn7+cn8；
21.d、在距离多普勒谱矩阵掩模矩阵mask2上和下分别取两个条带，计算距离多普勒谱矩阵掩模矩阵mask2上下条带内非零元素的个数，分别记为cn
up
、cn
down
，选取二者中的较小值记为cnm；
22.e、当cns2≥th4且cnm≥th5时，令d＝d
‑△
d，更新d值，
△
d是步长，其中th4为mask2的四个角矩阵的非零元素个数和的门限值；th5为mask2上下条带内非零元素的个数门限值,为正整数；
23.f、重复执行步骤b至e，直到cns2《th4并且cnm《th5终止，得到最终门限th3＝b
×
d；将距离多普勒谱矩阵中大于或等于最终门限th3的值保持原值，小于最终门限th3的值等于th3。
24.mask2的四个角矩阵的大小均为mask2上下条带的大小均为其中，cm≤k2m，k2是小于1的正实数，n
fft
和m分别为距离多普勒谱矩阵的行和列。mask2的非零元素的数量门限值q3是小于1的正实数。
25.该距离多普勒谱矩阵的自适应门限动态杂波抑制可以突显目标，抑制环境干扰，有益于后期特征的提取，减少网络参数、降低网络复杂度。
26.本方法的优选方案：最优距离单元的选取方法为：
27.对距离多普勒谱矩阵中元素大小进行排序，形成向量x；
28.设置百分比p，将向量x的变换范围映射到区间[0,100]，寻找向量x中p对应百分位数的元素，记为x；
[0029]
将距离多普勒谱矩阵中小于等于x的元素维持值不变，大于x的元素赋值为x，得到更新的距离多普勒谱矩阵；
[0030]
对更新后的距离多普勒谱矩阵按照多普勒频率轴方向求和，得到向量srd，其大小为1
×
m，m为距离单元的个数；
[0031]
计算向量srd最大值对应的距离单元，将其作为最优距离单元。
[0032]
这里选择多普勒频率轴方向的最大的距离单元作为最优距离单元，可以抑制环境中运动目标多径干扰的伪影带入的虚假分量，而且兼顾到稳定的多普勒最大值，从而可以比较科学、完整地包含动作行为频率随时间变化的信息。
[0033]
本技术还提出了一种超宽带连续波生物雷达数据处理系统，包括处理器和存储器，所述处理器和存储器之间通信连接，相互通信，所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的超宽带连续波生物雷达数据处理方法的操作。
[0034]
本发明的有益效果是：本发明能够在保证较高识别率的前提下大大减小深度学习网络模型参数；其采用最优距离单元选取方法得到的时间多普勒谱比用现有方法选取距离单元得到的时间多普勒谱在同样深度学习网络模型框架下能获得更优秀的行为识别性能，特别适用于人体行为识别。
[0035]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0036]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0037]
图1是超宽带连续波生物雷达数据处理方法的流程图。
具体实施方式
[0038]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0039]
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0040]
如图1所示，本发明提供了一种超宽带连续波生物雷达数据处理方法，该方法具体介绍如下：
[0041]
超宽带连续波生物雷达可发射和接收步进频或调频连续波信号，因此持续接收超宽带连续波生物雷达回波信号。
[0042]
对每个周期的雷达回波信号进行混频、滤波和快速傅里叶变换，即进行下变频、距离压缩处理，得到包含m个距离单元的一维行向量；对n个周期信号进行该处理并按照列方向进行排列，得到一个n
×
m维的距离时间矩阵rt，m为超宽带连续波生物雷达的距离分辨单元数量。
[0043]
如果直接对距离时间矩阵rt进行取绝对值和对数变换，得到距离时间谱矩阵，此时得到的谱矩阵包含大量静态环境杂波，无法直接用于动作行为识别。因此，本实施例先在距离时间矩阵rt的慢时间方向(列方向)进行动目标显示处理(mti),得到动目标显示处理后的距离时间矩阵rt
mti
。动目标显示处理(mti)最简单的一种执行方法就是对n
×
m维距离时间矩阵rt沿着慢时间方向(列方向)做差分，本实施例中的动目标显示处理(mti)可采用该方法。
[0044]
根据距离时间矩阵rt或动目标显示处理后的距离时间矩阵rt
mti
得到距离多普勒谱矩阵。
[0045]
本实施例中，距离多普勒谱矩阵获得步骤为：对距离时间矩阵rt或动目标显示处理后的距离时间矩阵rt
mti
的所有行向量进行高通滤波，然后沿时间维做傅里叶变换，并将零频点移到频谱的中间，得到距离多普勒矩阵rd,对距离多普勒矩阵rd进行归一化，找出距离多普勒矩阵rd的最大值，将距离多普勒矩阵rd的所有元素除以该最大值；对归一化的距离多普勒矩阵rd取绝对值和对数变换，将得到的矩阵定义为距离多普勒谱矩阵。
[0046]
对距离多普勒谱矩阵进行自适应门限动态杂波抑制。
[0047]
本实施例中，距离多普勒谱矩阵自适应门限动态杂波抑制步骤为：
[0048]
a、计算距离多普勒谱矩阵的中值，记为b；定义变换因子d，并赋初值d＝1。
[0049]
b、计算门限th3＝b
×
d，将距离多普勒谱矩阵中小于门限th3的值设为0，大于或等于门限的值设为1，得到距离多普勒谱矩阵掩模二值矩阵，记为mask2。
[0050]
c、计算距离多普勒谱矩阵掩模矩阵mask2的四个角矩阵的非零元素的个数，分别记为cn5、cn6、cn7、cn8，计算mask2的四个角矩阵的非零元素个数的和，记为cns2，其中cns2＝cn5+cn6+cn7+cn8。这里四个角矩阵的范围应根据距离多普勒谱矩阵的大小来选取，本实施例中，mask2的四个角矩阵的大小均为其中，cm≤k2m，k2是小于1的正实数，可应根据雷达系统设备的噪声系数情况具体调整，本实施例中优选但不限于为0.02，即以及cm≤m/50，n
fft
和m分别为距离多普勒谱矩阵的行数和列数。
[0051]
该步骤中，由于经过频谱变换和零频点中间移动，距离多普勒谱矩阵中的目标相对集中在零频(矩阵的中心点)附近，因此四个角矩阵没有目标出现，因此省去对目标位置的判断步骤。
[0052]
d、在距离多普勒谱矩阵掩模矩阵mask2上和下分别取两个条带，大小均为计算距离多普勒谱矩阵掩模矩阵mask2上下条带内非零元素的个数，分别记为cn
up
、cn
down
，选取二者中的较小值记为cnm，有cnm＝min(cn
up
,cn
down
)。
[0053]
e、设置mask2的四个角矩阵的非零元素个数和的门限值th4与mask2上下条带内非零元素的个数门限值th5，th5可以根据频谱的具体噪声情况进行微调，本实施例中优选但不限于为1，当cns2≥th4且cnm≥th5时，令d＝d
‑△
d，更新d值，
△
d是步长，其中mask2的非
零元素的数量门限值q3是小于1的正实数，可以根据频谱的具体噪声情况进行微调，本实施例中q3优选但不限于为0.05,mask2上下条带内非零元素的个数门限值th5为正整数。
[0054]
f、重复执行步骤b至e，直到cns2《th4并且cnm《th5终止，得到最终门限th3＝b
×
d；将距离多普勒谱矩阵中大于或等于最终门限th3的值保持原值，小于最终门限th3的值等于th3，至此，完成距离多普勒谱矩阵的自适应门限动态杂波抑制。
[0055]
选取距离多普勒谱矩阵中的最优距离单元，最好是基于自适应杂波抑制后的距离多普勒谱矩阵选取最优距离单元，对其对应的时序信号进行时频分析，如短时傅里叶变换，得到时间多普勒谱；将该时间多普勒谱用于人体行为识别。
[0056]
具体地，最优距离单元的选取方法为：
[0057]
对距离多普勒谱矩阵中元素大小进行排序，形成向量x。
[0058]
设置百分比p，将向量x的变换范围映射到区间[0,100]，寻找向量x中p对应百分位数的元素，记为x，本p为小于100的正实数，可根据距离多普勒谱矩阵的噪声背景调整，本实施例中优选为98。
[0059]
将距离多普勒谱矩阵中小于等于x的元素维持值不变，大于x的元素赋值为x，得到更新的距离多普勒谱矩阵。
[0060]
对更新后的距离多普勒谱矩阵按照多普勒频率轴方向(列方向)求和，得到向量srd，其大小为1
×
m，m为距离单元的个数。
[0061]
计算向量srd最大值对应的距离单元，将其作为最优距离单元。
[0062]
这里在最优距离单元选取的时候，之所以选择和最大而不是距离多普勒上多普勒值最大的距离单元，是因为这样可以抑制环境中运动目标多径干扰的伪影带入的虚假分量，而且兼顾到稳定的多普勒最大值，从而可以比较科学、完整地包含动作行为频率随时间变化的信息。
[0063]
优选的，在得到时间多普勒谱后，可以参照距离多普勒谱矩阵自适应门限动态杂波抑制方法，对时间多普勒谱进行动态杂波抑制，然后再用于人体行为识别。
[0064]
本实施例中，还可根据动目标显示处理后的距离时间矩阵rt
mti
得到距离时间谱矩阵，然后对对距离时间谱矩阵进行自适应门限动态杂波抑制。
[0065]
距离时间谱矩阵获得步骤为：对距离时间矩阵rt
mti
进行归一化，找出距离时间矩阵rt
mti
中的最大值，然后将距离时间矩阵rt
mti
的所有元素除以该最大值；对归一化的距离时间矩阵rt
mti
取绝对值和对数变换，得到距离时间谱矩阵。
[0066]
距离时间谱矩阵自适应门限动态杂波抑制步骤为：
[0067]
s1，计算距离时间谱矩阵的中值，记为a；定义变换因子c，并赋初值c＝1。
[0068]
s2，计算门限th1＝a
×
c，将距离时间谱矩阵中小于门限th1的值设为0，大于或等于门限的值设为1，得到距离时间谱矩阵掩模二值矩阵，记为mask1。
[0069]
s3，计算距离时间谱矩阵掩模矩阵mask1的四个角矩阵的非零元素的个数，分别记为cn1、cn2、cn3、cn4，四个角的顺序不分先后。这里四个角矩阵的范围应根据距离时间谱矩阵的大小来选取，本实施例中，mask1的四个角矩阵的大小均为cn×cm
,cn≤k1n，cm≤k1m，n和m分别为距离时间谱矩阵的行数和列数，这里系数k1是小于1的正实数，可根据雷达系统设备的噪声系数情况具体调整，通常为1/50。
[0070]
s4，排除cn1、cn2、cn3、cn4中存在目标的位置：分别判断四个角矩阵的非零元素的个数cn1、cn2、cn3、cn4是否大于或等于设定值,如果是，则认为大于或等于设定值的非零元素的个数所对应的角矩阵处为包含目标，不对该角矩阵的元素个数进行求和,本实施例中，设定值优选但不限于为q1×cn
×cm
，q1为小于1的正实数，本实施例中优选为9/10，即如果是目标，非零元素的个数则会占据90％的角矩阵位置；如果存在小于设定值的非零元素的个数，则认为该非零元素的个数所对应的角矩阵为非目标处角矩阵，计算所有非目标处角矩阵非零元素个数的和，记为cns1，当cns1≥th2时，令c＝c
‑△
c，更新c值，其中
△
c是步长，th2是mask1的非目标处角矩阵非零元素的数量门限值，本实施例中，非零元素的数量门限值th2＝q2cn×cm
,q2是小于1的正实数，本实施例中，q2优选为1/10。这里所提到的目标为检测时需要识别提取的有效信号。
[0071]
s5，重复步骤s2至s4，直到cns1《th2终止，得到最终门限th1＝a
×
c；将距离时间谱矩阵中大于或等于最终门限th1的值保持原值，小于最终门限th1的值等于th1。至此，完成距离时间谱矩阵的自适应门限动态杂波抑制。
[0072]
采用经上述自适应门限动态杂波抑制后的距离时间谱矩阵、距离多普勒谱矩阵进行人体行为识别，可以突显目标，抑制环境和系统抖动引入的干扰，同样有益于后期特征的提取，减少网络参数、降低网络复杂度。
[0073]
本技术还提出了一种超宽带连续波生物雷达数据处理系统，包括处理器和存储器，所述处理器和存储器之间通信连接，相互通信，所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的超宽带连续波生物雷达数据处理方法的操作。
[0074]
本技术所侧重于机器学习(包含深度学习)网络模型前端的雷达数据处理方法，不对机器学习(包含深度学习)网络模型进行描述，具体实施时，采用现有的机器学习(包含深度学习)网络模型即可。
[0075]
为了验证提出方法的有效性和可靠性，对本技术所提出的方法进行了大量的实验。首先用超宽带生物雷达采集了36人的3240次行为动作数据，将分析得到的距离时间谱、距离多普勒谱和时间多普勒谱的数据集，通过上下翻转和左右翻转等数据扩充方法后，送入搭建的深度学习网络进行5折交叉验证分析，网络中所有的随机种子数进行固定，计算5折交叉验证的平均识别性能，评价指标包括准确率、精确度、灵敏度、特异性和f1-score。大量实验结果证实：用本方法得到的距离时间谱比原始距离时间谱的对于动作行为的识别性能要好；用本方法得到的距离时间谱、距离多普勒谱和时间多普勒谱能够在保证较高识别率的前提下大大减小深度学习网络模型参数；用最优距离单元选取方法得到的时间多普勒谱比用现有方法选取距离单元得到的时间多普勒谱在同样深度学习网络模型框架下能获得更优秀的行为识别性能。
[0076]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0077]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不
脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。