基于多通道HHT的UWB雷达人体运动微多普勒特征提取方法

摘要

本发明公开了基于多通道HHT的UWB雷达人体运动微多普勒提取方法，包括以下步骤：步骤1，获取UWB雷达信号；步骤2，预处理获取的UWB雷达信号；步骤3，有效通道选择；步骤4，多通道时频谱融合；本发明所提微多普勒时频分析方法具有更高的时频分辨率，不同部件对应微多普勒特征成分区分更加明显，更能体现人体运动的瞬时特征和细节变化；本发明所提时频分析方法抗干扰能力强，较远距离穿墙探测、信号急剧衰减情况下仍能捕捉到明显的微多普勒特征。本发明所提时频分析方法具有更好的去噪能力，所得时频谱信噪比更高，微多普勒特征成分更加明显。

说明书

技术领域

本发明属于生物雷达或雷达式生命探测与识别技术领域，特别涉及基于多通道HHT的UWB雷达人体运动微多普勒特征提取方法。

背景技术

超宽带(Ultra Wideband,UWB)雷达作为一种新型的非接触生命探测技术，且具有较高的距离分辨率和抗干扰性，其能够穿透一定厚度的非金属介质(砖墙、废墟等)、远距离、非接触探测和识别人体目标运动特征，逐渐应用于反恐处突、人质解救、城市巷战，边防安保和灾后搜救等场合，对提高部队战斗力和保障人民群众的生命安全具有重要作用。

微多普勒特征指除目标主体运动外，其各部件微动均会对雷达波产生差异性多普勒调制，超宽带雷达回波中蕴含微动信息将反应目标的几何结构和运动特征，有效的微多普勒特征提取和分析将为雷达目标识别分类提供新途径。然而，针对上述穿透探测应用场景，目前人体运动超宽带雷达微多普勒的分析与提取方法还存在以下问题：目标运动微多普勒特征将分布于超宽带雷达信号的多个距离单元，目前还未有针对超宽带雷达进行微多普勒特征综合分析与提取的方法；目标运动微多普勒穿墙后衰减迅速，微多普勒特征将与强烈的墙体杂波和背景噪声相互交织甚至被淹没，使得微多普勒特征信噪比极地，难以提取；传统的微多普勒特征时频变换提取方法时间-频率分辨率较低，不同部件所造成的相应微多普勒特征难以区分提取。

因此，目前急需一种时间-频率分辨率高、抗干扰性强的人体运动超宽带穿墙雷达信号微多普勒特征分析与提取方法，其将为人体目标运动的识别与分类提供详细、高价值的特征信息。

发明内容

针对上述现有技术中存在的问题或缺陷，本发明的目的在于，提供基于多通道HHT的UWB雷达人体运动微多普勒特征提取方法，能够利用改进的希尔伯特-黄变换(Hilbert-Huang Transform,HHT)结合有效通道融合技术对蕴含在UWB雷达中的人体运动微多普勒特征进行充分利用和有效提取，并结合人体运动学原理和雷达波散射机理对不同微多普勒成分进行分析验证。

为了实现上述目的，本发明采用如下技术方案：

基于多通道HHT的UWB雷达人体运动微多普勒特征提取方法，其特征在于，包括以下步骤：

步骤1，UWB雷达的发射天线发射信号，UWB雷达的接收天线接收被墙后人体反射的信号

式(1)中，表示距离轴采样点的数量，表示时间轴采样点的数量，表示在距离轴为m、时间轴为n时的信号值；

步骤2，对进行预处理，得到预处理后信号R；

式(2)中，r_m(n)表示在距离轴为m、时间轴为n时的预处理后信号值；

步骤3，设定有效运动特征信号边界值为距离轴d_c和d_f，d_f＞d_c，将预处理后信号R中距离轴m≥d_c和m≤d_f内的信号作为有效运动特征通道信号包括M′个通道信号其中M′＝d_f-d_c+1；

式(3)中，表示在距离轴为m′、时间轴为n时的有效运动特征通道信号值，；

其中，设距离轴d_c信号的能量为距离轴d_f信号的能量为

E₀为预处理后的空采信号的距离轴单元信号的平均值作为噪声能量均值；

步骤4，对的M′个通道信号分别进行时频分析，得到M′个时频矩阵；

包括：

步骤41，任选中任一通道信号作为当前通道信号

步骤411，向当前通道信号添加随机白噪声，得到待处理信号r′_m′；

步骤412，对待处理信号r′_m′进行EMD分解，得到本征模态函数分量序列IMF，所述IMF包括Q个imf；

步骤413，重复步骤411至步骤412L次，得到L组本征模态函数分量序列IMF，记为LIMF＝(IMF₁,IMF₂,…,IMF_l…IMF_L)，l＝1,2,...,L,L为大于等于1的自然数；

步骤414，对L组IMF进行平均，得到当前通道信号的最终本征模态函数分量序列IMF′；

IMF′＝{imf′_q|q＝1,2,...,Q}(5)

步骤42，任选IMF′中任一分量作为当前分量imf′_q；

步骤421，若该当前分量imf′_q与当前通道信号的向量空间余弦相似度为S_cosθ_q小于等于阈值CS_T，则从IMF′中将该当前分量imf′_q去除；其中，

步骤422，重复步骤421，直至IMF′所有分量都被作为当前分量，得到有效IMF″，所述IMF″中包括Q′个分量，Q′＜Q；

步骤43，对IMF″中的Q′个分量进行希尔伯特变换，得到当前通道信号的时频矩阵H_m(ω,t)，ω表示瞬时频率，t表示时间；

步骤44，重复步骤41至步骤43，直至中M′个通道信号都被作为当前通道信号，得到M′个时频矩阵，记为M′H(ω,t)；

M′H(ω,t)＝(H₁(ω,t),…,H_m(ω,t),…,H_M′(ω,t))(6)

步骤5，通过式(7)得到表征整个人体运动微多普勒时频特征的综合时频谱H(ω,t)。

进一步地，步骤2中所述所述预处理包括：减平均操作和低通滤波操作。

进一步地，步骤3中所述的空采信号为墙后无人体时，UWB雷达接收被墙反射的信号。

进一步地，步骤3中所述的预处理后的空采信号是对空采信号进行减平均操作和低通滤波操作后得到的信号。

与现有技术相比，本发明具有以下技术效果：

本发明所提微多普勒时频分析方法具有更高的时频分辨率，不同部件对应微多普勒特征成分区分更加明显，更能体现人体运动的瞬时特征和细节变化；本发明所提时频分析方法抗干扰能力强，较远距离穿墙探测、信号急剧衰减情况下仍能捕捉到明显的微多普勒特征。本发明所提时频分析方法具有一定更好的去噪能力，所得时频谱信噪比更高，微多普勒特征成分更加明显。

附图说明

图1为穿墙3m位置人体原地踏步UWB雷达原始信号图；

图2为UWB雷达预处理信号；

图3为UWB雷达信号有效通道选择示意图；

图4为基于改进多通道HHT对多通道UWB雷达信号分析处理流程图；

图5为墙后3m位置摆单臂和摆双臂UWB雷达信号STFT综合时频谱与改进型HHT综合时频谱：(a)摆单臂STFT时频谱；(b)摆单臂HHT时频谱；(c)摆双臂STFT时频谱(d)摆双臂HHT时频谱；

图6为基于改进型HHT的墙后3m位置人体6种动作综合时频谱：(a)原地踏步；(b)蹲下捡物；(c)挥手；(d)原地跳跃；(e)随意站立(微晃)；(f)坐姿呼吸。

图7为墙后3m、4m、5m位置原地踏步UWB雷达信号STFT综合时频谱与改进型HHT综合时频谱：(a)4m，STFT时频谱；(b)4m，HHT时频谱；(c)5，STFT时频谱；(d)5m，HHT时频谱；(e)6m，STFT时频谱；(f)6m，HHT时频谱。

具体实施方式

下面通过附图和实施例对本发明作进一步说明。

雷达电磁波穿透墙体照射到人体反射，运动人体各部件微动均会对电磁波产生微多普勒调制，使得反射回波的延迟时间出现相应变化，进而雷达回波中蕴含的微动信息将反应目标的几何结构和运动特征。通过时频分辨率高、特征提取能力强、抗干扰性好的微多普勒特征提取方法即可实现运动人体各部件运动细微特征的提取，为细微人体运动状态识别分类提供基础。实际应用中，UWB穿墙探测信号中往往包含强烈的墙体反射直达波和背景噪声，使得人体运动信号被淹没。另外，人体各部件运动信息将分布于UWB雷达时间-距离二维数据的一定距离单元内，有效运动特征信息的利用以及高效的微多普勒特征提取方法成为必要。

本发明所提出的微多普勒提取算法具有以下技术优势：(1)信号分解中采用EEMD分解方式，其能够根据信号自身特征自适应分解，具有自适应性和灵活性，分离效果好；(2)基于最能表征人体运动信号特征差异的向量空间余弦相似度(CS)评价参数进行有效IMF″选择，保留住有用运动信息的同时提高了信噪比，使得算法抗干扰性强；(3)时频分辨率高，可提取信号瞬时频率变化，使得人体各部件微多普勒时频细微特征变化明显，微多普勒成分分离度高。

实施例1

本实施例提供了基于多通道HHT的UWB雷达人体运动微多普勒特征提取方法，包括以下步骤：

步骤1，UWB雷达的发射天线发射信号，UWB雷达的接收天线接收被墙后人体反射的信号

式(1)中，表示距离轴采样点的数量，表示时间轴采样点的数量，表示在距离轴为m、时间轴为n时的信号值；

本实施例中，UWB雷达探测墙后人体目标时，离雷达不同距离的运动目标所得的不同时延回波均可被采集到，UWB雷达回波信号经过后期放大和采样后被存储于二维数据矩阵中。

如图1所示为一组穿墙3m位置UWB生物雷达人体原地踏步运动回波数据。横轴为时间轴，单位通常为s；纵轴为快时间，表示UWB脉冲回波的延时，单位通常为ns，可以根据脉冲传播速度换算成距离，本实施例将快时间轴作为距离轴。

步骤2，对进行预处理，得到预处理后信号R；

式(2)中，r_m(n)表示在距离轴为m、时间轴为n时的预处理后信号值；

所述预处理包括：减平均操作和低通滤波操作；

本实施例中，低通滤波器窗函数采用汉宁窗，截止频率为80Hz，以保证有用运动信号不被滤除。

参见图2为预处理后信号，可以发现墙体反射直达波和背景噪声被有效去除，可明显看出强烈且规律的人体运动回波位于20ns处。

步骤3，参见图3为有效通道选择雷达信号示意图。根据人体运动学原理结合人体运动UWB雷达信号运动信息分布特性可以发现，人体运动信息分布于一定距离单元范围内，越靠近中心部分运动信息越丰富，能量越强。

设定有效运动特征信号边界值为距离轴d_c和d_f，d_f＞d_c，将预处理后信号R中距离轴m≥d_c和m≤d_f内的信号作为有效运动特征通道信号包括M′个通道信号其中M′＝d_f-d_c+1；

式(3)中，表示在距离轴为m′、时间轴为n时的有效运动特征通道信号值，；

其中，设距离轴d_c信号的能量为距离轴d_f信号的能量为

E₀为预处理后的空采信号的距离轴单元信号的平均值作为噪声能量均值；所述空采信号为墙后无人时UWB雷达接收到的信号；

步骤4，对的M′个通道信号分别进行时频分析，得到M′个时频矩阵；

参见图4为基于改进多通道HHT对有效多通道UWB雷达信号分析处理流程图。

包括：

步骤41，利用集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)对信号进行自适应分解，得到包含不同频率成分的本征模态函数分量序列IMF′；

任选中任一通道信号作为当前通道信号

步骤411，向当前通道信号添加随机白噪声，得到待处理信号r′_m′；

步骤412，对待处理信号r′_m′进行EMD分解，得到本征模态函数分量序列IMF，所述IMF包括Q个imf；

步骤413，重复步骤411至步骤412L次，得到L组本征模态函数分量序列IMF，记为LIMF＝(IMF₁,IMF₂,…,IMF_l…IMF_L)，l＝1,2,...,L,L为大于等于1的自然数；

步骤414，对L组IMF进行平均，得到当前通道信号的最终本征模态函数分量序列IMF′；

IMF′＝{imf′_q|q＝1,2,...,Q}(5)

步骤42，人体运动最直接和最明显的特征即为不同时刻运动方向和相位的变化。因此，对幅度值不敏感但注重向量之间方向、相位等差异性的向量空间余弦相似度(CS)成为评价imf′分量与原始信号之间相似度的合理标准。

任选IMF′中任一分量作为当前分量imf′_q；

步骤421，若该当前分量imf′_q与当前通道信号的向量空间余弦相似度为S_cosθ_q小于等于阈值CS_T，则从IMF′中将该当前分量imf′_q去除；其中，

本实施例中，设阈值为CS_T＝0.3。另外，通过对CS<0.3对应的imf′_q分量进行时频分析，结果发现其中并不存在规律的人体运动特征频率成分。

步骤422，重复步骤421，直至IMF′所有分量都被作为当前分量，得到有效IMF″，所述IMF″中包括Q′个分量，Q′＜Q；

步骤43，对IMF″中的Q′个分量进行希尔伯特变换，得到当前通道信号的时频矩阵H_m(ω,t)，ω表示瞬时频率，t表示时间；

步骤44，重复步骤41至步骤43，直至中M′个通道信号都被作为当前通道信号，得到M′个时频矩阵，记为M′H(ω,t)；

M′H(ω,t)＝(H₁(ω,t),…,H_m(ω,t),…,H_M′(ω,t))(6)

H_m(ω,t)表示第m个通道经过改进型HHT分析所得的时间频率矩阵，因此M′H(ω,t)表示一个时间-频率-距离三维立方体。

步骤5，如图4所示，通过式(7)得到表征整个人体运动微多普勒时频特征的综合时频谱H(ω,t)。

实验结果1：

为了便于对比，将传统的基于STFT(0.42s Hanning窗)的综合累积时频分析方法作为参考算法。采用本发明的时频分析方法，对在穿单墙(砖墙，厚度约为30cm)3m位置处的人体原地摆单臂、摆双臂两种动作UWB雷达信号进行时频分析，结果如图5所示。

通过对比图5(a)与图5(b)，图5(c)与图5(d)可以发现，本发明提出的算法相对参考方法时频分辨率更高，能够提取出更加细微的身体各部件的微多普勒成分，如上臂、下臂、肩等。另外，本发明的方法还可以显示出人体运动中相应部件微多普勒特征的相位差异，如图5(d)中左右手臂对应频率成分的出现的细微时延。

实验结果2：

采用本发明的时频分析方法，对在穿单墙(砖墙，厚度约为30cm)3m位置处的人体原地踏步、蹲下捡物、挥手、原地跳跃、站立随机晃动、坐姿呼吸六种动作UWB雷达信号进行时频分析，结果如图6所示。可以发现，不同动作频率成分的大小和数量差异较大。对于原地踏步、跳跃等大幅度复杂动作，频率成分较多，且最大微多普勒频率可达60～70；而对于随意站立、坐姿呼吸等简单微动，微多普勒频率成分较为单一，频率值很小。

实验结果3：

采用本发明的时频分析方法，对在穿单墙(砖墙，厚度约为30cm)4m、5m、6m位置处的人体原地踏步动作UWB雷达信号进行时频分析，结果如图7所示。为了便于对比，将传统的基于STFT(0.42s Hanning窗)的综合累积时频分析方法作为参考算法。结果发现，随着穿墙距离增大信号衰减距离且背景杂波、噪声增强时，参考方法所得微多普勒特征逐渐被强烈的背景杂波和噪声淹没，但本发明提出的方法仍能提取出清晰的微多普勒特征并保持较高的时频分辨率。同时，还能观察到人体运动的节律性变化和细节特征。