[發(fā)明專利]一種穿墻雷達(dá)運(yùn)動(dòng)目標(biāo)識(shí)別方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202210656829.1
• 申請(qǐng)日: 2022-06-07
• 公開(kāi)（公告）號(hào): CN115113158A
• 公開(kāi)（公告）日: 2022-09-27
• 發(fā)明（設(shè)計(jì)）人: 楊小鵬;高煒程;蘭天;渠曉東;龔俊波
• 申請(qǐng)（專利權(quán)）人: 北京理工大學(xué)
• 主分類號(hào): G01S7/41
• 分類號(hào): G01S7/41
• 代理公司: 北京正陽(yáng)理工知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11639
• 代理人: 張利萍

本發(fā)明公開(kāi)了一種穿墻雷達(dá)運(yùn)動(dòng)目標(biāo)識(shí)別方法及裝置，所述方法包括將若干穿墻雷達(dá)成像數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，將所述訓(xùn)練數(shù)據(jù)進(jìn)行奇異值分解，并將所述訓(xùn)練數(shù)據(jù)、以及所述訓(xùn)練數(shù)據(jù)分解后的子分量均由小波散射網(wǎng)絡(luò)進(jìn)行增強(qiáng)處理，獲取增強(qiáng)成像矩陣、增強(qiáng)子分量；將所述增強(qiáng)成像矩陣、增強(qiáng)子分量分別輸入各自對(duì)應(yīng)的概率圖模型，所述概率圖模型為條件隨機(jī)場(chǎng)(CRF)，對(duì)各個(gè)所述概率圖模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的各個(gè)概率圖模型；基于所述訓(xùn)練好的各個(gè)概率圖模型的輸出，進(jìn)行模型融合；獲取待識(shí)別穿墻雷達(dá)成像數(shù)據(jù)，基于融合后的模型，識(shí)別所述待識(shí)別穿墻雷達(dá)成像數(shù)據(jù)。

技術(shù)領(lǐng)域

本發(fā)明涉及雷達(dá)信號(hào)處理領(lǐng)域，具體涉及一種穿墻雷達(dá)運(yùn)動(dòng)目標(biāo)識(shí)別方法及裝置。

背景技術(shù)

由于超寬帶(UWB)信號(hào)具有一定的介質(zhì)穿透能力和對(duì)近距離目標(biāo)有更好的分辨率等優(yōu)勢(shì)，穿墻雷達(dá)(TWR)技術(shù)在過(guò)去幾十年中快速發(fā)展。它可以更好地服務(wù)于軍用雷達(dá)及民用雷達(dá)等各個(gè)領(lǐng)域。在這些應(yīng)用領(lǐng)域中，運(yùn)動(dòng)目標(biāo)(特別是人體)識(shí)別是穿墻運(yùn)動(dòng)目標(biāo)識(shí)別中最具挑戰(zhàn)性的課題之一。由于人體目標(biāo)在穿墻成像中體現(xiàn)出擴(kuò)展目標(biāo)的特性，且需要解決微波穿透墻壁聚焦產(chǎn)生的低信雜噪比(SCNR)及特征重疊模糊、多徑效應(yīng)等問(wèn)題。

針對(duì)超寬帶穿墻雷達(dá)人體行為識(shí)別工作，現(xiàn)有國(guó)內(nèi)外的研究成果可以分為三類。第一類是基于傳統(tǒng)的物理建模和統(tǒng)計(jì)信號(hào)處理理論的方法，包括奇異值分解(SVD)、截?cái)嗥娈愔捣纸?TSVD)、穿墻波達(dá)方向估計(jì)算法(DDOA)和改進(jìn)的卡爾曼濾波方法。這些方法以物理模型為基礎(chǔ)，計(jì)算復(fù)雜度低，可解釋性最強(qiáng)，但泛化能力差，不適用于復(fù)雜的場(chǎng)景。第二類是基于壓縮感知、稀疏和低秩建模理論以及統(tǒng)計(jì)學(xué)習(xí)的方法，包括基于重建微多普勒特征的魯棒主成分分析(RPCA)[8]、支撐向量機(jī)(SVM)和似然比(LRT)檢測(cè)器，基于正交匹配跟蹤(OMP)算法的時(shí)間延遲估計(jì)方法(TDOE)和基于交叉驗(yàn)證的同步正交匹配跟蹤算法(CV-CSOMP)。這些方法比第一類傳統(tǒng)方法具有更好的識(shí)別效果，但在處理復(fù)雜的運(yùn)動(dòng)狀態(tài)場(chǎng)景成像數(shù)據(jù)時(shí)，其泛化能力和推理性能仍然有限。第三類是基于新一代人工智能理論的方法，包括自動(dòng)編碼器網(wǎng)絡(luò)(AEN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、生成對(duì)抗網(wǎng)絡(luò)(GAN)、全連接多層感知機(jī)(MLP)以及基于簡(jiǎn)單概率圖的神經(jīng)網(wǎng)絡(luò)(PGM)。人工智能算法具有強(qiáng)大的場(chǎng)景泛化及適應(yīng)能力，且可以不受諸多先驗(yàn)知識(shí)的影響而工作，在近五年的研究中被認(rèn)為是可能替代原有穿墻雷達(dá)動(dòng)目標(biāo)識(shí)別方法的最佳選擇之一，但其訓(xùn)練過(guò)程需要消耗大量的計(jì)算成本。

現(xiàn)有技術(shù)CN202010005940.5(申請(qǐng)日：2020.01.03，公開(kāi)公告日：2020.05.15)公開(kāi)了一種基于擴(kuò)展貝塞爾模型的人體目標(biāo)微多普勒頻率估計(jì)方法，屬于微多普勒頻率估計(jì)技術(shù)領(lǐng)域，通過(guò)提取小腿微多普勒頻率，然后進(jìn)行分段擬合，先使用貝塞爾模型確定最優(yōu)控制點(diǎn)，在不改變并且不增加控制點(diǎn)的基礎(chǔ)上引入?yún)?shù)，通過(guò)基于擴(kuò)展貝塞爾模型的霍夫變換頻率估計(jì)算法完成對(duì)雷達(dá)回波信號(hào)的目標(biāo)分量分離和小腿多普勒頻率特征的精確估計(jì)，在實(shí)時(shí)人體傳感應(yīng)用中具有很好的應(yīng)用前景。該現(xiàn)有技術(shù)解決了利用擴(kuò)展人體建模方法實(shí)現(xiàn)微多普勒特征提取和行為識(shí)別的任務(wù)，其優(yōu)勢(shì)在于能夠以盡量少的模型參數(shù)、盡量快的估計(jì)速度整理出關(guān)于人體行為微多普勒特征，并且進(jìn)行對(duì)比、參數(shù)反演、感知，實(shí)現(xiàn)精確的人體目標(biāo)行為狀態(tài)估計(jì)功能。然而算法由于其模型的不可自適應(yīng)調(diào)參特性，使得算法的智能性被限制在一個(gè)較小范圍內(nèi)。