论文部分内容阅读
雷达具有全天时、全天候和远作用距离的优势,因此在民用和军事领域有着广泛的应用。人体目标是地面监视雷达探测的重要目标之一,雷达中的人体检测及运动姿态识别在保障安全、打击犯罪、医护监视、军事侦察等领域发挥着重要的作用。人体在行走、跑动或者跳动时身体各部位的摆动会在雷达回波中产生微多普勒效应,不同运动姿态的雷达回波包含不同的微多普勒特征,利用这些特征的差异性,可对人体运动姿态进行区分。因此,人体微多普勒特征是人体雷达回波中重要的信息,利用微多普勒效应对人体目标运动姿态进行识别是雷达目标识别研究中重要的方向,具有重要的理论意义和应用价值。但是,受限于人体回波样本难以获取的问题,对人体微多普勒效应的研究是以建立精确的、符合实际情况的人体运动模式为基础的,而人体目标属于非刚体目标,各部位的运动既协调统一又相互制约,使得人体运动建模工作面临诸多难题。而在地面探测场景中,地面监视雷达面临着杂波的干扰,复杂环境下多种类型杂波的混合给杂波抑制带来了一定的挑战,地面监视雷达的杂波抑制成为了人体运动姿态分类的前提。再次,在获得人体的微多普勒信息后,如何对人体运动姿态进行准确分类是雷达信号处理研究中的重点问题。最后实际场景中出现的多人也是人体探测中不可忽视的目标类型,多人的微动特征反映到一条雷达回波上就是多种微多普勒频率混叠,而多分量的混叠给多人运动姿态分类带来了新的挑战。本文在国家自然科学基金、“十三五”预研、某重大专项的等课题的资助下,结合情报侦察领域地面监视雷达对人体目标检测和识别的实际应用需求,开展了基于微多普勒分析的行人目标检测与识别研究,重点研究了人体目标雷达回波建模、地面监视雷达杂波抑制、基于微多普勒特征的人体运动姿态分类、多人目标的微动特性分离等问题。主要研究内容概述如下:1、针对人体实测回波数据录取成本高、人体运动模式复杂的问题,分析人体运动特性,对基于生物力学的人体建模和基于实测运动轨迹捕获文件的人体建模方法进行了研究。对于基于生物力学的人体建模方法,本文分析了人体各部位在步态循环周期内的经验公式;对于基于实测运动捕获文件的建模方法,本文推导了运动捕获文件中人体各部位每一帧位置。在这两者的基础上对两种模型进行了构建,而后利用时频分析方法对两种回波模型、不同运动姿态下的人体微多普勒特性进行深入研究,并详细分析了基于生物力学的建模方法和基于运动捕获的建模方法的性能,比较了优缺点,为后续的人体目标运动姿态分类和多人微动分离研究提供理论基础。2、针对复杂环境中杂波类型多、难以有效抑制的问题,提出了基于一维卷积神经网络(1D Conventional Neural Network,1D-CNN)的智能自适应杂波抑制方法。首先,在分析复杂环境杂波统计分布的基础上,构建了丛林环境下的杂波分布模型;其次,利用基于运动捕获文件的人体雷达回波模型,对丛林环境下的人体目标回波信号进行仿真;然后,基于1D-CNN对不同距离单元的杂波进行分类,并计算不同分布杂波对应的滤波权值,实现了复杂环境下的杂波精准抑制。最后,仿真实验验证了所提算法的有效性,并对比传统的基于统计特性分析的自适应杂波抑制方法比,该方法性能更优,处理后的回波信号信杂比提升2d B到3d B。3、针对现有深度学习方法只利用图像信息,未考虑回波相位信息导致在低信噪比(Signal to Noise Ratio,SNR)时人体运动姿态分类性能差的难题,本文提出了一种基于复数CNN(Complex Value CNN,CV-CNN)的人体运动姿态分类方法。首先,对不同运动姿态下的微多普勒差异性进行定量分析,通过时频图提取了相关纹理特征。其次,在CNN基础上进行改进,推导了复数域的网络参数更新公式;之后,搭建CV-CNN网络,对不同人体运动姿态进行了训练和测试,实现不同人体运动姿态的精确分类。最后,仿真结果验证了该算法的有效性和鲁棒性。此外,与典型CNN和基于特征提取的分类方法相比,该算法在低SNR条件下取得了较好的分类结果,当SNR在-5d B时,该算法分类准确率提升11.34%。4、针对多人目标运动姿态分类中回波混叠严重、微多普勒特征难以分辨的难题,本文提出了一种Mask掩码生成和置换不变训练结构(Mask Generating Network based on CNN with Permutation Invariant Training,CNN-Mask-PIT)的多人微动分离网络。首先,将Mask生成机制引入到多人目标的分离中,在Mask R-CNN的基础上进行改进,用以Mask的生成以适应多人目标分离的任务;其次,引入PIT机制,在不使用先验信息和距离信息的条件下,仅用时频数据本身实现了多人微动特征在时频域的精细化分离;最后,基于分离后时频谱图,利用CNN实现了多人运动姿态的分类。仿真实验验证了算法的有效性,图像相似度指标表明分离图像与原始图像有较高的相似度,并且该算法优于传统的主成成分析算法(Principal Component Analysis,PCA)。