羅丁利**,王 勇,楊 磊,王亞軍
(西安電子工程研究所,西安 710100)
?
基于微多普勒特征的單人與小分隊分類技術(shù)*
羅丁利**,王勇,楊磊,王亞軍
(西安電子工程研究所,西安 710100)
人體行走是典型的非剛體運動,通常情況下每個人行走時的擺動周期不可能完全相同。通過提取目標(biāo)頻譜歸一化幅度和、多普勒譜線數(shù)和譜寬的標(biāo)準(zhǔn)差3個典型特征,采用支持向量機(SVM)分類器,實現(xiàn)了短駐留時間條件下單人與多人的有效鑒別,平均識別率大于90%。雷達(dá)實測數(shù)據(jù)表明所提特征是有效并且穩(wěn)健的。
行人分類;雷達(dá)參數(shù)設(shè)計;微多普勒;特征提取;支持向量機
人體的雷達(dá)微多普勒特征研究近幾年受到了國內(nèi)外學(xué)者的廣泛關(guān)注。作為人體運動的獨特特征,能夠給分類識別提供附加的信息,在搜索救援、邊防安檢、醫(yī)學(xué)監(jiān)護(hù)等民用、軍用領(lǐng)域有著廣泛的應(yīng)用前景。目前運動人體的雷達(dá)微多普勒特征分析與識別研究已經(jīng)成為一個重要的研究領(lǐng)域。美國海軍實驗室的VictorC.Chen對人體微動特征的研究比較早,也比較系統(tǒng)[1]。他建立了運動人體的雷達(dá)回波模型,采用時頻分析方法對行進(jìn)人體進(jìn)行了分析,包括前進(jìn)、后退以及不同的步態(tài)特征進(jìn)行了比較詳細(xì)的分析??偟膩碇v,運動人體微多普勒研究主要包括3個方向:人體建模及微多普勒信號仿真[1-4];人體微多普勒特征提取[5-6];基于微多普勒的人體識別,包括單人的姿態(tài)識別[1,7]、單人多人識別[7]等。當(dāng)人體微多普勒特征不明顯時,蔣留兵等[8]提出了一種基于雙譜特征的超寬帶雷達(dá)靜止人體及人體姿態(tài)識別方法,獲得了較好的識別效果。
目前人體建模與微多普勒特征提取研究較為成熟,但是主要側(cè)重于如何獲得行人的微多普勒變化平面,而對如何提取特征實現(xiàn)單人與多人鑒別的相關(guān)文獻(xiàn)相對較少。文獻(xiàn)[7]利用人體不同步態(tài)下的目標(biāo)回波分析了人體不同部分的微多普勒特征,對單人和多人分辨的問題進(jìn)行了初步探討,提出利用單人和多人的軀干分量的微多普勒的不同進(jìn)行單人和多人的分類。但是,通過分析實測數(shù)據(jù)我們發(fā)現(xiàn),要對不同人的軀干分量在多普勒維進(jìn)行分離,需要雷達(dá)在多普勒維具有足夠高的分辨率,即較長的駐留時間,這并不總能滿足要求。本文主要針對有限積累時間內(nèi)的單人與小分隊分類問題進(jìn)行研究。
基于微多普勒的目標(biāo)分類識別技術(shù)要求雷達(dá)獲得比較精細(xì)的目標(biāo)多普勒頻譜。為了比較好地獲得人體的微多普勒信息,要求對窄帶雷達(dá)的脈沖重復(fù)頻率(PulseRecurrenceFrequency,PRF)、相參處理間隔(CoherentProcessingInterval,CPI)以及駐留時間(DwellTime)進(jìn)行精心設(shè)計。下面基于工程設(shè)計經(jīng)驗,對3個參數(shù)的選取原則進(jìn)行論述。
2.1脈沖重復(fù)頻率
與運動剛體的單根多普勒譜線不同,運動人體的多普勒譜展寬非常嚴(yán)重。多普勒分量主要由軀干多普勒分量和四肢多普勒分量構(gòu)成。軀干分量近似于是一個剛體運動,其速度中心v為人體的行進(jìn)速度,本文通過大量的實測數(shù)據(jù)發(fā)現(xiàn),四肢微多普勒分量速度范圍分布在0~3v之間。因此,雷達(dá)脈沖重復(fù)頻率選擇要以人體多普勒譜不模糊為條件。比如:人體散步典型速度為1.5m/s,人體奔跑速度的極限為百米9.48s,即10.5m/s,那么四肢的最大速度為31.5m/s,雷達(dá)脈沖重復(fù)頻率應(yīng)該設(shè)計為不模糊速度至少為31.5m/s。這里雷達(dá)選取Ka頻段,脈沖重復(fù)周期為60μs。
2.2相參處理間隔
人體行進(jìn)中的運動周期和人體高度、速度、性別等因素相關(guān)。根據(jù)人體生理學(xué)特點,人體散步時胳膊的典型擺動頻率為2Hz,跑步時人體胳膊的極限擺動頻率為20Hz,即擺臂的時間間隔為50~500ms。因此,通常設(shè)計相參處理時間為數(shù)十毫秒級。為了獲得人體運動時精細(xì)的多普勒變化規(guī)律,在工程實現(xiàn)過程中根據(jù)需要進(jìn)行滑窗處理,即CPI之間可以存在一定的重疊數(shù)據(jù),重疊數(shù)據(jù)的多少由信號處理單元運算能力及系統(tǒng)要求確定。這里選取CPI時間為30.72ms,1/4滑窗。
2.3駐留時間
為了獲得人體的運動參數(shù),通常要獲得人體運動的多個運動周期數(shù)據(jù)。但是人體運動周期的范圍很寬,因此駐留時間的設(shè)計通常要和人體速度相關(guān)。人體運動速度越低,駐留時間越長;人體運動速度越高,駐留時間越短。散步和小跑的人,駐留時間通常設(shè)計為2~3s。
本文的所有數(shù)據(jù)來源于實際雷達(dá)試驗平臺。雷達(dá)組成框圖及實驗照片如圖1所示。該雷達(dá)工作于Ka頻段,是一部高集成度調(diào)頻連續(xù)波(FrequencyModulationContinuousWave,FMCW)雷達(dá),重復(fù)周期內(nèi)部作快速傅里葉變換(FastFourierTransform,FFT),完成頻率距離轉(zhuǎn)換;重復(fù)周期之間作動目標(biāo)檢測(MovingTargetDetection,MTD),完成雜波抑制與人體微動特征提取。本雷達(dá)對人體目標(biāo)的作用距離可達(dá)1km。雷達(dá)的主要參數(shù)參見表1。
圖1測量雷達(dá)框圖及現(xiàn)場照片
Fig.1Diagramofmeasurementradarandsitephoto
表1雷達(dá)參數(shù)
Tab.1Parametersofmeasurementradar
工作頻段體制輻射功率/mW相參積累調(diào)頻帶寬/MHz重復(fù)頻率/kHzKaFMCW100MTD1516.7
對于地面運動目標(biāo)分類問題,要求在進(jìn)行雜波抑制的同時盡可能地保留原始信號的頻率成分。對于地面戰(zhàn)場偵察雷達(dá)來講,其工作時雷達(dá)一般是靜止的,此時地雜波主要分布在零多普勒頻率附近。在給定雜波譜寬度的情況下,可以利用CLEAN算法對雜波范圍內(nèi)的頻率成分進(jìn)行去除。CLEAN算法是一種從信號中去除特定的單頻成分的方法[9],其一次實現(xiàn)可以去除給定信號中最大幅度對應(yīng)的單頻成分。若在特定的頻帶內(nèi)多次使用CLEAN算法,則可去除該特定頻帶內(nèi)的所有頻率成分。單人目標(biāo)雜波抑制前后的效果如圖2所示??梢钥闯觯珻LEAN算法能夠?qū)Φ仉s波進(jìn)行抑制的同時,較好地保留目標(biāo)的多普勒譜的結(jié)構(gòu)。
(a)雜波抑制前
(b)雜波抑制后
圖2利用CLEAN算法進(jìn)行雜波抑制前后目標(biāo)的時頻平面
Fig.2Thetime-frequencyplanebeforeandaftercluttersuppressionusingCLEANalgorithm
對于單人或小分隊目標(biāo)來說,其運動方向預(yù)先是未知的,因此應(yīng)該考慮各種可能出現(xiàn)的情況。一種是各個目標(biāo)之間的運動速度或運動方向不同,這時反映在雷達(dá)距離-多普勒平面上就是目標(biāo)分別出現(xiàn)在不同的距離-多普勒單元,目標(biāo)的數(shù)量明確,不需要進(jìn)行目標(biāo)數(shù)量的識別。第二種情況是小分隊目標(biāo)的各個成員處于同一個距離單元,且運動速度相近,運動方向相同,此時僅僅利用距離-多普勒信息無法對小分隊和單人進(jìn)行區(qū)分。本文正是針對后一種情況進(jìn)行研究,結(jié)合實測數(shù)據(jù)進(jìn)行分析與特征提取。在某段鄉(xiāng)間公路,錄取了單人和小分隊行走的數(shù)據(jù),目標(biāo)的運動速度約2m/s。下面分別針對單人和小分隊多普勒譜的特點進(jìn)行分析。
4.1單人
從單人回波的時頻平面可以發(fā)現(xiàn),單人的多普勒譜有以下特點:人體各部位的多普勒分量并不總是以軀干多普勒為中心對稱,特別是對于多普勒起伏較大的手腕和腳踝分量;通過時頻平面可以看出人體四肢存在較均勻的周期性擺動,即單人的微多普勒有周期性。對時頻平面在慢時間維進(jìn)行傅里葉變換,可以獲得人體四肢的擺動頻率。如圖3(d)所示,人體四肢擺動頻率為3.65Hz,由于人體四肢擺動過程類似于繞某個關(guān)節(jié)的圓周運動,所以,存在一定的周期性擴展,其分布類似于貝塞爾函數(shù)展開[1]。
(a)單人背站運動
(b)單人多幀多普勒譜疊加
(c)單人多幀多普勒譜
(d)單人的運動參數(shù)
圖3單人的實測多普勒譜及運動參數(shù)提取
Fig.3ThemeasuredDopplerspectralandextractedparameterofindividualsoldier
4.2小分隊
本文中小分隊特指人數(shù)至少兩人的具有近似運動速度和運動方向的目標(biāo)。由于小分隊中不同目標(biāo)的擺動起始與周期并不完全一致,因此人數(shù)越多,小分隊的多普勒分量越多。為了能夠找到比較穩(wěn)健的區(qū)分單人和小分隊的特征,本文著重考慮兩人與單人區(qū)分的情況。
圖4給出了小分隊的多普勒譜及參數(shù)提取結(jié)果。從圖4可以看出,小分隊的單幀多普勒譜與單人的多普勒譜很相似,但是時頻平面與單人的時頻平面存在較大差異,特別是小分隊成員步調(diào)不一致情況下,差異就更為明顯。從駐留時間維來看,由于每個成員的多普勒的周期性不同,其疊加的頻譜周期性已經(jīng)完全被破壞。對駐留時間維做FFT,可以看出對于小分隊提取人體的擺動頻率參數(shù)比較困難。
(a)兩人向站運動
(b)兩人多幀多普勒譜疊加
(c)兩人多幀多普勒譜
(d)兩人的運動參數(shù)
圖4小分隊的實測多普勒譜及運動參數(shù)提取
Fig.4ThemeasuredDopplerspectralandextractedparameterofsmallgroup
4.3 特征提取
通過對單人和小分隊的運動頻譜進(jìn)行分析,發(fā)現(xiàn)小分隊的多普勒分量更多,而不同行人的四肢擺動不整齊導(dǎo)致小分隊的運動參數(shù)較難提取。因此,提取3個反映多普勒分量多少的特征進(jìn)行分類。
4.3.1特征1:歸一化幅度和
(1)
式中:ts和te分別表示目標(biāo)多普勒所處的范圍。顯然,小分隊由于具有更多的微多普勒成分,歸一化幅度和應(yīng)該更大。圖5給出了單人和小分隊歸一化幅度和的均值和標(biāo)準(zhǔn)差的分布直方圖。從圖5可以看出,單人歸一化幅度和的均值和標(biāo)準(zhǔn)差較小,而小分隊幅度和的均值與標(biāo)準(zhǔn)差較大,因此歸一化幅度和能夠較好地區(qū)分單人和小分隊兩類目標(biāo)。
(a)歸一化幅度和的均值
(b)歸一化幅度和的標(biāo)準(zhǔn)差
圖5歸一化幅度和
Fig.5Sumofthenormalizedamplitude
4.3.2特征2:多普勒譜線數(shù)
顯然,目標(biāo)多普勒分量的多少直觀地反映在其多普勒譜線的多少上,因此提取多普勒譜線數(shù)目特征,其定義為
f2=te-ts+1。
(2)
圖6給出了單人和小分隊多普勒譜線數(shù)的均值和標(biāo)準(zhǔn)差的分布直方圖。從圖6可以看出,單人多普勒譜線數(shù)的均值和標(biāo)準(zhǔn)差較小,而小分隊多普勒譜線數(shù)的均值與標(biāo)準(zhǔn)差較大,通過多普勒譜線數(shù)能夠較好地區(qū)分單人和小分隊兩類目標(biāo)。
(a)多普勒譜線數(shù)的均值
(b)多普勒譜線數(shù)的標(biāo)準(zhǔn)差
圖6多普勒譜線數(shù)
Fig.6Dopplerspectrallinenumber
4.3.3特征3:多普勒譜寬的標(biāo)準(zhǔn)差
由于單人行走時多普勒譜的周期較好,因此相同時間內(nèi)譜寬的變化較小,而小分隊中由于每個人四肢的擺動不可能完全一致,譜寬變化較大,這個差別可以用多普勒譜寬的標(biāo)準(zhǔn)差來表征。多普勒譜寬的標(biāo)準(zhǔn)差定義為
f3=std(te-ts)。
(3)
式中:std(·)表示求標(biāo)準(zhǔn)差操作。圖7給出了單人和小分隊多普勒譜寬標(biāo)準(zhǔn)差的分布直方圖。從圖7可以看出,單人的多普勒譜寬的標(biāo)準(zhǔn)差較小,而小分隊的較大,多普勒譜寬的標(biāo)準(zhǔn)差能夠作為區(qū)分單人和小分隊的一個有效特征。
圖7多普勒譜寬的標(biāo)準(zhǔn)差
Fig.7StandarddeviationoftheDopplerspectralwidth
本文實驗部分所用到的數(shù)據(jù)全部為第2節(jié)雷達(dá)試驗平臺采集的實測數(shù)據(jù)。雷達(dá)架設(shè)在一鄉(xiāng)間小路邊,單人和多人在雷達(dá)的主波束內(nèi)進(jìn)行直線靠近與遠(yuǎn)離運動。其中單人數(shù)據(jù)來源于身高不同的兩個人,多人包括兩人和三人兩種情況;多人目標(biāo)運動速度近似,運動方向相同,唯一的不同是小分隊中不同目標(biāo)的擺動起始和擺動幅度不總是完全相同。
本文采用支持向量機[10](SupportVectorMachine,SVM)進(jìn)行單人與小分隊的分類。訓(xùn)練樣本各為742個,其中單人和小分隊各371個(兩人樣本180個,三人樣本191個),單人和小分隊的測試樣本各1 200個。圖8給出了訓(xùn)練樣本的歸一化幅度和的均值、多普勒譜線數(shù)的均值與譜寬的標(biāo)準(zhǔn)差3個特征的三維分布以及支持向量。從圖8中可以看出,單人和小分隊的可分性非常好。利用SVM的總分類率為99.19%,支持向量個數(shù)為80個,對存儲空間的需求較少。表2給出了單人和小分隊分別的識別概率,可以看出,單人和小分隊的識別概率均較高。
表2單人和小分隊的識別概率
Tab.2Recognitionrateofindividualsoldierandsmallgroup
樣本識別率/%單人小分隊單人99.730.27小分隊1.3598.65
圖8單人和小分隊的三維特征分布
Fig.8 3Dfeaturesdistributionofindividualsoldierandsmallgroup
為給實際應(yīng)用提供參考,本文還評估了不同測試信噪比下的結(jié)果。所謂不同的測試信噪比,即指訓(xùn)練數(shù)據(jù)集采用高信噪比數(shù)據(jù),而每次實驗的測試數(shù)據(jù)集加入不同信噪比的白噪聲以生成不同信噪比下的測試數(shù)據(jù)。這樣評估的目的是為了檢驗所提方法對于噪聲的穩(wěn)健性。仿真采用蒙特卡洛方法進(jìn)行獨立試驗,試驗次數(shù)為100。信噪比指脈沖積累前的輸入信噪比,相參積累脈沖數(shù)為512點。圖9給出了不同信噪比下單人和小分隊的識別率的平均結(jié)果和標(biāo)準(zhǔn)差??梢钥闯?,單人的識別率一直比小分隊的識別率高,并且受信噪比的影響較小。在0~5dB時,單人的識別率隨著信噪比的增加有所下降,這是由于在低信噪比時,檢測到的單人的微多普勒成分更少,反而更有利于單人的識別。對于小分隊來說,隨著信噪比的增加,識別率迅速提高。當(dāng)信噪比高于10dB時,識別率大于90%。從平均識別率的角度看,當(dāng)信噪比大于5dB時,平均識別率大于90%,因此所提特征在信噪比的一定變化范圍內(nèi)是穩(wěn)健的。
圖9單人和小分隊的分類識別率與單個脈沖輸入信噪比的關(guān)系
Fig.9TherecognitionrateofanindividualsoldierandasmallgroupversusSNRofasinglepulse
本文通過提取歸一化幅度和、多普勒譜線數(shù)和譜寬的標(biāo)準(zhǔn)差特征進(jìn)行單人和小分隊的分類識別,實測數(shù)據(jù)表明所提特征是有效的,而且在一定信噪比范圍內(nèi)是穩(wěn)健的。本方法在搜索救援、邊防安檢等方面有著潛在的應(yīng)用背景。需要指出的是,本文的單人與小分隊分類方法主要利用了四肢微多普勒分量的不同,因此目標(biāo)的運動狀態(tài)對分類效果有一定影響,我們將在工程應(yīng)用中進(jìn)一步考慮。
[1]CHENVC.雷達(dá)中的微多普勒效應(yīng)[M].吳順君,杜蘭,劉宏偉,譯.北京:電子工業(yè)出版社,2013:145-171.
CHENVC.Themicro-Dopplereffectinradar[M].TranslatedbyWUShunjun,DULan,LIUHongwei.Beijing:PublishingHouseofElectronicsIndustry,2013:145-171.(inChinese)
[2]趙會寧,賀思三,馮存前.基于運動捕獲文件的人體微多普勒信號仿真[J].計算機應(yīng)用研究,2012,29(7):2766-2769.
ZHAOHuining,HESisan,FENGCunqian.Utilizingmotioncapturedfiletosimulatemicro-Dopplersignalofhumanbeings[J].ApplicationResearchofComputers,2012,29(7):2766-2769.(inChinese)
[3]孫忠勝,王俊,畢嚴(yán)先,等.基于廣義S變換的多人微多普勒特征分析[J].系統(tǒng)工程與電子技術(shù),2014,36(7):1291-1297.
SUNZhongsheng,WANGJun,BIYanxian,etal.Analysisofmulti-humanmicro-DopplersignaturesbasedongeneralizedStransform[J].SystemsEngineeringandElectronics,2014,36(7):1291-1297.(inChinese)
[4]張翼,程永強,朱玉鵬,等.人體目標(biāo)雷達(dá)回波建模[J].系統(tǒng)仿真學(xué)報,2011,23(3):438-445.
ZHANGYi,CHENGYongqiang,ZHUYupeng,etal.Humantargetradarechomodeling[J].JournalofSystemSimulation,2011,23(3):438-445.(inChinese)
[5]賀峰,黃曉濤,劉承蘭,等.行進(jìn)人體目標(biāo)雷達(dá)瞬時多普勒特征分析[J].信號處理,2010,26(9):1281-1288.
HEFeng,HUANGXiaotao,LIUChenglan,etal.RadarinstantaneousDopplersignaturesofpedestrian[J].SignalProcessing,2010,26(9):1281-1288.(inChinese)
[6]陳行勇.微動目標(biāo)雷達(dá)特征提取技術(shù)研究[D].長沙: 國防科技大學(xué),2006.
CHENXingyong.Researchonradarsignatureextractionfromtargetwithmicro-motion[D].Changsha:NationalUniversityofDefenseTechnology,2006.(inChinese)
[7]張翼.人體微動雷達(dá)特征研究[D].長沙: 國防科技大學(xué),2009.
ZHANGYi.Researchonradarfeatureofhumanmicro-motion[D].Changsha:NationalUniversityofDefenseTechnology,2006.(inChinese)
[8]蔣留兵,吉雅雯,楊濤,等.基于雙譜特征的超寬帶需達(dá)人體目標(biāo)識別[J].電訊技術(shù),2015,55(9):953-958.
JIANGLiubing,JIYawen,YANGTao,etal.Ultra-widebandradarhumantargetrecognitionbasedonbispectrumfeature[J].TelecommunicationEngineering,2015,55(9):953-958.(inChinese)
[9]李彥兵.基于微多普勒效應(yīng)的運動車輛目標(biāo)分類研究[D].西安:西安電子科技大學(xué),2013.
LIYanbing.Studyonclassificationofmovingvehiclesbasedonmicro-Dopplereffect[D].Xi′an:XidianUniversity,2013.(inChinese)
[10]BURGESCJC.Atutorialonsupportvectormachinesforpatternrecognition[J].DataMiningandKnowledgeDiscovery,1998(2):121-167.
羅丁利(1974—),男,陜西富平人,碩士,研究員,主要研究方向為雷達(dá)信號處理及目標(biāo)分類識別技術(shù);
LUODingliwasborninFuping,ShaanxiProvince,in1974.HeisnowaseniorengineerofprofessorwiththeM.S.degree.Hisresearchconcernsradarsignalprocessing,targetclassificationandrecognition.
Email:luodinglixian@126.com
王勇(1984—),男,陜西西安人,博士,高級工程師,主要研究方向為雷達(dá)信號處理及目標(biāo)分類識別技術(shù);
WANGYongwasborninXi′an,ShaanxiProvince,in1984.HeisnowaseniorengineerwiththePh.D.degree.Hisresearchconcernsradarsignalprocessing,targetclassificationandrecognition.
Email:364224826@qq.com
楊磊(1988—),男,陜西西安人,碩士,工程師,主要研究方向為雷達(dá)信號處理及目標(biāo)分類識別技術(shù);
YANGLeiwasborninXi′an,ShaanxiProvince,in1988.HeisnowanengineerwiththeM.S.degree.Hisresearchconcernsradarsignalprocessing,targetclassificationandrecognition.
Email:lyang624@126.com
王亞軍(1983—),男,河南新鄉(xiāng)人,博士,高級工程師,主要研究方向為數(shù)字波束形成和綜合抗干擾技術(shù)。
WANGYajunwasborninXinxiang,HenanProvince,in1983.HeisnowaseniorengineerwiththePh.D.degree.Hisresearchconcernsdigitalbeamformingandanti-jamming.
TechnologyforClassifyinganIndividualSoldierandaSmallGroupBasedonMicro-DopplerFeatures
LUODingli,WANGYong,YANGLei,WANGYajun
(Xi′anElectronicEngineeringResearchInstitute,Xi′an710100,China)
Humanwalkingistypicalnon-rigidmotionandtheswingperiodsfordifferentmenareusuallynotsame.Throughexactingthreeeffectivefeatures,includingthesumofthenormalizedmagnitude,Dopplerspectrallinenumberandthestandarddeviationofspectrumwidth,aclassifierofsupportvectormachine(SVM)isusedtodistinguishanindividualsoldierandasmallgroupforshortdwelltime.Theaveragerecognitionrateismorethan90%.Theexperimentsshowthattheproposedfeaturesareeffectiveandrobust.Keywords:humanclassification;radarparameterdesign;micro-Doppler;featureextraction;supportvectormachine
10.3969/j.issn.1001-893x.2016.09.004
2016-01-04;
2016-05-04Receiveddate:2016-01-04;Reviseddate:2016-05-04
TN957.5
A
1001-893X(2016)09-0969-07
Email:dreamer_gk@163.com
引用格式:羅丁利,王勇,楊磊,等.基于微多普勒特征的單人與小分隊分類技術(shù)[J].電訊技術(shù),2016,56(9):969-975.[LUODingli,WANGYong,YANGLei,etal.Technologyforclassifyinganindividualsoldierandasmallgroupbasedonmicro-Dopplerfeatures[J].TelecommunicationEngineering,2016,56(9):969-975.]
**通信作者:luodinglixian@126.comCorrespondingauthor:luodinglixian@126.com