基于人体模型的LFMCW雷达探测运动人体目标的方法

摘要

本发明公开了一种基于人体模型的LFMCW雷达探测运动人体目标的方法，步骤如下：将LFMCW雷达回波差拍信号进行模数转换，并对每个PRI回波差拍数据进行FFT处理，获得人体慢速运动时LFMCW雷达差拍信号的频域数据并在慢时间‑距离域二维平面重新排列；构建Boulic人体步行模型，并根据人体运动步态频率和初始相位范围，在步态频率‑初始相位二维平面上构建多个不同参数的人体躯干运动模型，构造出LFMCW雷达回波非线性相位补偿信号并对重排数据进行相位补偿，然后进行FFT处理得到四维空间的处理结果；通过恒虚警检测处理判决出某距离单元是否存在目标，并在存在目标的情况下得到目标的距离、速度与步态频率信息。本发明提升了LFMCW雷达检测的信噪比，从而改善了其在强地杂波中对人体目标的探测性能。

说明书

技术领域

本发明属于雷达信息探测技术领域，特别是一种基于人体模型的LFMCW雷达探测运动人体目标的方法。

技术背景

在雷达系统中，目标探测是最重要的任务之一，线性调频连续波(Linear Frequency Modulation Continuous Wave，LFMCW)雷达具有体积小、重量轻、距离分辨力高、无距离盲区和抗截获能力强等独特优势，在地面侦察场景中可以用于探测敌方的人员、车和坦克等运动目标，并获得目标的距离、速度和方位等信息。

在实际环境中，由于车辆、坦克等目标的雷达散射截面积(Radar Cross Section，RCS)较大并且运动速度快，LFMCW雷达能够较为容易地实现探测。而对于人这种地面慢速弱目标的探测，技术难度却很大，其瓶颈主要在于：1)这类目标多处于复杂的强地杂波中，具有反射系数小、RCS起伏大的特点，导致雷达对此类目标探测能力较弱。2)人体慢速目标在多普勒域与地物杂波谱(尤其是运动杂波)存在严重的交叠，当目标位于风吹动的草地或树林时，草地和树林杂波能量扩展到慢速目标的多普勒通道，使得目标回波与地物杂波混叠，难以从多普勒维上分辨出目标和杂波。3)人体行走属于典型的非刚体运动。各个关节同时协调摆动导致人体行走时的雷达回波多普勒成分复杂，使得雷达回波在多普勒域上产生较大的多普勒扩展，导致在积累时目标的能量分散，加大目标探测难度。

LFMCW雷达对地面慢速人体目标的探测主要依赖于接收到的回波信噪比。根据雷达方程，我们可以通过提高雷达发射功率、增大天线孔径、降低接收机噪声系数、优选发射频率等措施来提高雷达接收机的灵敏度，但是以上方法都需要增加硬件成本。相对而言，利用信号处理的方法来提升LFMCW雷达系统的信噪比从而实现对人体目标的探测，成本较低，手段灵活，能够尽最大可能的发挥雷达的潜力。

信号处理中提高检测信噪比的方法有增加相参积累时间、多帧数据联合处理等方法。然而人体步行并非匀速运动，而是一个类似于钟摆的运动。在前进过程中，人体四肢周期性的旋转带动躯干重复摆动，从而产生微多普勒回波。这些微多普勒分布在人体平均径向速度两侧，导致长时间相参积累后多普勒的扩散，使得目标信号的能量不能得到充分积累。

发明内容

本发明的目的在于提供一种LFMCW雷达探测运动人体目标的方法，将Boulic人体运动模型与LFMCW雷达信号处理相结合，通过人体运动非线性相位补偿将多普勒扩展能量聚焦，提升LFMCW雷达检测信噪比，从而改善其在强地杂波中对人体目标的探测性能。

实现本发明目的技术解决方案为：一种基于人体模型的LFMCW雷达探测运动人体目标的方法，包括以下步骤：

步骤1，将LFMCW雷达回波差拍信号进行模数转换，然后依次对每个脉冲重复周期回波差拍数据进行快速傅里叶变换处理，获得人体慢速运动时LFMCW雷达差拍信号的频域数据，并将该数据在慢时间-距离域二维平面重新排列；

步骤2，根据LFMCW雷达接收回波时长构建Boulic人体步行模型，并根据Boulic模型中的人体运动步态频率和初始相位范围，在步态频率-初始相位二维平面上构建多个不同参数的人体躯干运动模型，将躯干模型与发射波形参数结合，构造出LFMCW雷达回波非线性相位补偿信号；

步骤3，使用构建的相位补偿信号对步骤1中重排数据进行四维空间相位补偿，然后对补偿后的结果进行FFT处理得到多普勒频率-距离单元-初始相位-步态频率四维空间的处理结果；

步骤4，对每个距离单元下不同初始相位、步态频率对应的多普勒维数据进行恒虚警检测处理判决出该距离单元是否存在目标，并在存在目标的情况下得到目标的距离、速度与步态频率信息。

进一步地，步骤1所述将LFMCW雷达回波差拍信号进行模数转换，然后依次对每个脉冲重复周期回波差拍数据进行快速傅里叶变换处理，获得人体慢速运动时LFMCW雷达差拍信号的频域数据，并将该数据在慢时间-距离域二维平面重新排列，具体如下：

(1.1)对每个脉冲重复周期内雷达回波差拍信号Δf(t)进行A/D采样处理，将第m个PRI的采样结果记为x_m：

x_m＝[x(m,1),x(m,2),...,x(m,n),...,x(m,N)]^T>

其中，x(m,n)表示在第m个PRI内模数转换后的第n点回波时域数据；

(1.2)对x_m进行N点快速傅里叶变换处理，获得第m个PRI内N点频域结果X_m：

X_m＝[X(m,1),X(m,2),...,X(m,n),...,X(m,N)]^T(2)

其中，X(m,n)表示在第m个PRI内FFT后的第n点频域数据；

(1.3)重复步骤(1.1)～(1.2)，采集M个PRI内的差拍频域数据作为一个相参处理间隔，记为X：

X＝[X₁,X₂,...,X_m,...,X_M]^T(3)

将X按照慢时间-距离域二维平面排列，完成频域数据重排。

进一步地，步骤2所述根据LFMCW雷达接收回波时长构建Boulic人体步行模型，并根据Boulic模型中的人体运动步态频率和初始相位范围，在步态频率-初始相位二维平面上构建多个不同参数的人体躯干运动模型，将躯干模型与发射波形参数结合，构造出LFMCW雷达回波非线性相位补偿信号，具体如下：

(2.1)根据Boulic人体运动模型，进行步态频率-初始相位平面人体躯干运动模型的构造，在构造躯干位移模型时，躯干的运动时长与X时长对应，数据X的总时长T_m为：

T_m＝M·T_r(4)

其中T_r是LFMCW雷达发射信号重复周期；

(2.2)在Boulic模型中，人体相对步行速度v_r范围是0m/s到3m/s，根据相对步行速度v_r和步态频率f_gait间的关系，得f_gait范围是0Hz到1.3Hz，关系式如下：

v_r＝(f_gait·1.346)²(5)

将f_gait离散为P点，则其中第p个步态频率f_gait(p)为

$f_{gait}\left(p\right)=\frac{1.3}{P}·p,p=1,2,...,P---\left(6\right)$

同理初始相位范围是0到2π，将离散成Q点，则第q个初始相位为：

(2.3)在f_gait(p)和条件下第m个脉冲重复周期对应的人体躯干运动位移s_p,q(m)如下：

依次改变m取值获得单个相参处理间隔下人体躯干运动模型s_p,q：

s_p,q＝[s_p,q(1),s_p,q(2),...,s_p,q(m),...,s_p,q(M)]^T>

(2.4)将s_p,q与LFMCW雷达发射波形参数相结合，构建f_gait(p)和条件下单个相参处理间隔对应的LFMCW雷达回波非线性相位补偿信号H_p,q：

$H_{p,q}=\exp \left(-j2{\mathrm{\pi f}}_c·\left(\frac{2s_{p,q}}{c}\right)\right)---\left(10\right)$

其中，f_c是LFMCW雷达发射信号载频，c是光速；

(2.5)分别遍历所有p、q的值，完成步态频率-初始相位平面LFMCW回波相位补偿信号的构造。

进一步地，步骤3所述使用构建的相位补偿信号对步骤1中重排数据进行四维空间相位补偿，然后对补偿后的结果进行FFT处理得到多普勒频率-距离单元-初始相位-步态频率四维空间的处理结果，具体如下：

(3.1)对于步骤1中重排数据X，用表示X中第n个距离单元下M点慢时间维数据，如下：

${\hat{X}}_n={[X(1,n),X(2,n),...,X(m,n),...X(M,n)]}^T---\left(11\right)$

(3.2)用H_p,q对进行相位补偿，即

$Y_{n,p,q}={\hat{X}}_n\otimes H_{p,q}---\left(12\right)$

其中表示克罗内克积，所得结果Y_n,p,q表示第n个距离单元中f_gait(p)和条件下相位补偿后的M点慢时间维数据；

(3.3)针对依次改变n的取值，同时遍历步态频率-初始相位二维平面内所有p、q对应的H_p,q，重复式(12)的相位补偿处理，完成慢时间-距离单元-步态频率-初始相位四维空间相位补偿；

(3.4)对四维空间补偿结果中慢时间维M点数据Y_n,p,q进行快速傅里叶变换处理，得到第n个距离单元下f_gait(p)和对应的多普勒维数据F_n,p,q，即

F_n,p,q＝FFT(Y_n,p,q)>

依次对不同的Y_n,p,q进行式(13)操作，完成四维空间慢时间维M点快速傅里叶变换处理，从而获得多普勒频率-距离单元-初始相位-步态频率四维空间的处理结果。

进一步地，步骤4所述对每个距离单元下不同初始相位、步态频率对应的多普勒维数据进行恒虚警检测处理判决出该距离单元是否存在目标，并在存在目标的情况下得到目标的距离、速度与步态频率信息，具体如下：

依次对四维空间中多普勒维数据F_n,p,q进行恒虚警检测，判断出F_n,p,q对应的距离单元有无目标的存在，若在该距离单元发现目标，则根据相应距离单元下幅值最大值对应的多普勒单元、f_gait(p)和计算出目标的速度、最佳运动参数和从而得到目标运动信息。

本发明与现有技术相比，其显著优点为：(1)将人体运动的特性和LFMCW雷达信号处理相结合，在步态频率-初始相位二维平面上构建的多普勒相位补偿信号和雷达人体回波中的非线性相位相互抵消，可以使人体回波信号同相相加，改善了人体目标回波能量积累的效果；(2)简化了Boulic人体运动模型，只考虑人体躯干运动引起的多普勒扩展，原理简单，实现容易；(3)针对慢速运动的人体目标，利用Boulic模型中运动速度和步态频率间的关系来限定步态频率变化范围，减小了在步态频率-初始相位二维平面补偿处理的计算量；(4)抑制了动目标检测(Moving Target Detection，MTD)处理后多普勒扩散现象，有效地提高了LFMCW雷达检测信噪比(Signal-to-Noise Ratio，SNR)，增强了其对慢速运动人体的探测能力。

附图说明

图1为相位补偿法LFMCW雷达信号处理流程图。

图2为LFMCW雷达收发信号、回波差拍信号与采样时刻示意图。

图3为差拍频域数据重排示意图。

图4为四维空间中单个距离单元内相位补偿示意图。

图5为四维空间中单个距离单元内FFT处理示意图。

具体实施方式

本发明为一种基于人体模型的LFMCW雷达探测运动人体目标的方法，思路如下：人体步行时躯干和四肢摆动产生的微多普勒随时间是有规律变化的，根据Boulic模型可知，人体步行是一种关节连接的运动，人体的步态是大脑、肌肉、神经、关节和骨骼高度协调的周期性运动，而LFMCW回波相位中的多普勒调制是由人体各个部位在雷达径向上运动位移引起的。由此可得，人体步行对LFMCW雷达回波相位的调制也具有周期性的变化。利用人体运动的模型可以推导出LFMCW雷达回波相位变化的规律，根据回波相位变化规律可以在长时间相参积累前对雷达回波进行相位补偿，这样在雷达回波进行相参积累时可以使目标信号同相相加，从而提升LFMCW雷达的信噪比，达到增强LFMCW雷达在强地杂波下探测运动人体目标能力的目的。

结合图1，本发明LFMCW雷达探测运动人体目标的方法，具体步骤如下：

步骤1，将LFMCW雷达回波差拍信号进行模数转换，然后依次对每个脉冲重复周期(Pulse Repetition Interval,PRI)回波差拍数据进行快速傅里叶变换(Fast Fourier Transform，FFT)处理，获得人体慢速运动时LFMCW雷达差拍信号的频域数据，并将该数据在慢时间-距离域二维平面重新排列，具体如下：

(1.1)对每个PRI内雷达回波差拍信号Δf(t)进行图1中“A/D采样”处理。其中LFMCW雷达收发信号、回波差拍信号Δf(t)及采样时刻如图2所示。将第m个PRI的采样结果记为x_m：

x_m＝[x(m,1),x(m,2),...,x(m,n),...,x(m,N)]^T(14)

x(m,n)表示在第m个PRI内模数转换后的第n点回波时域数据。在A/D采样时，需要将最大作用距离对应回波时延之前的数据舍弃。

(1.2)接着对x_m进行图1中“N点FFT处理”，获得第m个PRI内N点频域结果X_m：

X_m＝[X(m,1),X(m,2),...,X(m,n),...,X(m,N)]^T(15)

其中X(m,n)表示在第m个PRI内FFT后的第n点频域数据。在X_m中，点与点之间的间隔对应LFMCW雷达的距离分辨率，这N点频域信息代表了N个距离单元。

(1.3)重复步骤(1.1)～(1.2)，采集M个PRI内的差拍频域数据作为一个相参处理间隔(Coherent Processing Interval，CPI)，记为X：

X＝[X₁,X₂,...,X_m,...,X_M]^T(16)

将X按照图3所示的慢时间-距离域二维平面排列，完成图1中“频域数据重排”。

步骤2，根据LFMCW雷达接收回波时长构建Boulic人体步行模型。在Boulic模型中，人体步行是由头部、躯干、四肢等12个关键部位相互协调运动组成。但与人体其它部位相比，躯干的RCS最大，回波中躯干能量最强，因此只考虑人体躯干运动引起的多普勒扩展。在构建躯干运动模型时，根据Boulic模型中给出的人体运动步态频率和初始相位范围，在步态频率-初始相位二维平面上构建多个不同参数的人体躯干运动模型。然后将躯干模型与发射波形参数结合，构造出LFMCW雷达回波非线性相位补偿信号，具体如下：

(2.1)首先根据Boulic人体运动模型，进行图1的“步态频率-初始相位平面人体躯干运动模型的构造”。在构造躯干位移模型时，躯干的运动时长需要与X时长对应。数据X的总时长T_m为

T_m＝M·T_r>

其中T_r是LFMCW雷达发射信号重复周期。由于人体运动缓慢，因此躯干运动位移在单个PRI内近似不变，只在PRI之间变化。

(2.2)在Boulic模型中，人体相对步行速度v_r范围是0m/s到3m/s。根据相对步行速度v_r和步态频率f_gait间的关系

v_r＝(f_gait·1.346)²>

可得f_gait范围是0Hz到1.3Hz。将f_gait离散为P点，则其中第p个步态频率f_gait(p)为

$f_{gait}\left(p\right)=\frac{1.3}{P}·p,p=1,2,...,P---\left(19\right)$

同理初始相位范围是0到2π，将离散成Q点，则第q个初始相位为

(2.3)这样，在f_gait(p)和条件下第m个PRI对应的人体躯干运动位移：

依次改变m取值获得单个CPI下人体躯干运动模型：

s_p,q＝[s_p,q(1),s_p,q(2),...,s_p,q(m),...,s_p,q(M)]^T(22)

(2.4)然后将s_p,q与LFMCW雷达发射波形参数相结合，忽略次要因素的影响，构建f_gait(p)和条件下单个CPI对应的LFMCW雷达回波非线性相位补偿信号H_p,q

$H_{p,q}=\exp \left(-j2{\mathrm{\pi f}}_c·\left(\frac{2s_{p,q}}{c}\right)\right)---\left(23\right)$

其中f_c是LFMCW雷达发射信号载频，c是光速。

(2.5)分别遍历所有p、q的值，重复上述处理，完成图1中“步态频率-初始相位平面LFMCW回波相位补偿信号的构造”。

步骤3，使用构建的相位补偿信号对(1)中重排数据进行四维空间相位补偿，然后对补偿后的结果进行FFT处理得到多普勒频率-距离单元-初始相位-步态频率四维空间的处理结果，具体如下：

(3.1)对于步骤1中重排数据X，用表示X中第n个距离单元下M点慢时间维数据，如下：

${\hat{X}}_n={[X(1,n),X(2,n),...,X(m,n),...X(M,n)]}^T---\left(24\right)$

(3.2)首先用H_p,q按照图4所示对进行相位补偿，即

$Y_{n,p,q}={\hat{X}}_n\otimes H_{p,q}---\left(25\right)$

其中表示克罗内克积，所得结果Y_n,p,q表示第n个距离单元中f_gait(p)和条件下相位补偿后的M点慢时间维数据。

(3.3)针对依次改变n的取值，同时遍历步态频率-初始相位二维平面内所有p、q对应的H_p,q，重复式(12)的相位补偿处理，完成图1中“慢时间-距离单元-步态频率-初始相位四维空间相位补偿”。

(3.4)然后对四维空间补偿结果中慢时间维M点数据Y_n,p,q进行如图5所示FFT处理，得到第n个距离单元下f_gait(p)和对应的多普勒维数据F_n,p,q，即

F_n,p,q＝FFT(Y_n,p,q)(26)

依次对不同的Y_n,p,q进行式(13)操作，完成图1中“四维空间慢时间维M点FFT处理”，从而获得多普勒频率-距离单元-初始相位-步态频率四维空间的处理结果。

步骤4，对每个距离单元下不同初始相位、步态频率对应的多普勒维数据进行恒虚警(Constant False Alarm Rate，CFAR)检测处理判决出该距离单元是否存在目标，并在存在目标的情况下得到目标的距离、速度与步态频率等信息。

依次对四维空间中多普勒维数据F_n,p,q进行图1中“CFAR检测”，判断出F_n,p,q对应的距离单元有无目标的存在。若在该距离单元发现目标，则根据相应距离单元下幅值最大值对应的多普勒单元、f_gait(p)和计算出目标的速度、最佳运动参数和从而得到目标运动信息。

实施例1

本专利测试采用的LFMCW雷达系统由收发天线、发射机、接收机、频率综合器、信号处理器和目标显示器等组成。该雷达整机性能参数如表1：

表1雷达整机性能参数

用上述雷达采集人在不同距离情况下缓慢前进的频域数据。其中人面向雷达径向运动，速度范围为0.8m/s到1.8m/s。通过对采集的数据进行直接MTD和相位补偿处理，对比得出两种方法下目标峰值能量和噪声平均功率的变化以及SNR的提升情况，其中在相位补偿处理时将步态频率-初始相位二维平面分为P×Q点(P为76，Q为72)。

表2、表3是人距离雷达27m、45m、63m和81m时，采集实测数据并分别用MTD和相位补偿两种方法处理的结果。从表2、表3可以看出，雷达发射相同功率信号时，目标距离雷达越远，采用MTD处理和相位补偿处理后的回波中目标峰值能量都变小，而系统的噪声平均功率几乎不变。比较表2、表3中目标位于相同距离单元下两种方法处理的结果可以发现：相位补偿处理后的目标峰值能量比MTD后的能量有所增加，而两者的噪声基底平均功率变化不大。

表2不同距离时MTD处理结果

表3不同距离时相位补偿处理结果

表4不同距离时两者处理SNR变化

表4是不同距离时两者处理后SNR变化情况。从表4能够得出，相位补偿处理后的SNR和MTD处理相比有较好的改善，提升大约4dB到5dB。

相位补偿之所以可以增加SNR是因为该方法通过构建多个不同运动参数下的多普勒相位补偿信号，采用遍历的方式与LFMCW雷达回波信号相位匹配，估计出目标的最佳运动参数(和)，使得回波中的非线性相位相互抵消，让目标信号可以同相累加。这样MTD处理后的多普勒扩散能够得到充分利用，可以使目标峰值能量增加，而噪声平均功率变化很小，从而达到提升LFMCW雷达检测SNR的目的。由此可得，与MTD处理相比，对LFMCW雷达强地杂波下的慢速人体回波信号进行相位补偿处理，目标峰值能量增加，噪声平均功率不变，检测SNR有较好的提升，LFMCW雷达的人体慢速运动探测性能增强。