生物雷达检测技术（精选九篇）
生物雷达检测技术 篇1
非接触人体运动状态识别分类技术作为传感器探测和生物特征识别结合体,旨在非接触、非侵犯、较远距离地对人体运动状态进行检测、识别分类,对地震灾害后救援人员对被困人员状况的掌控、安全防护中异常行为人员的识别、伤员术后肢体恢复情况的评价等具有重要的意义[1,2]。
目前,常用的非接触人体运动检测手段主要包括基于视频流检测[3,4,5,6,7]、基于热释电红外传感器检测[8,9,10,11,12,13,14]和基于生物雷达检测等手段。基于视频流法研究起步较早,目前已取得较为丰硕的成果。Popoola[15]、Moeslund[16]、刘相滨[17]、Weinland[18]等分别从目标跟踪和人体运动姿势估计与行为识别理解方面对基于视频序列人体运动状态识别技术进行了归纳和分析;陈龙[10]和冯莉[11]对基于热释电红外传感器进行人体运动状态探测识别的研究进行了简单总结。视频流法虽然分辨率高但不具有穿透性,且易受光线、探测角度等因素影响;热释电红外成像法虽然可以克服光线等因素影响,但其穿透性较弱,对于墙体等较厚障碍物无法实现穿透探测。因此近年来,生物雷达因其具有免受光线和探测角度影响并可实现全天候穿透探测的优势逐渐成为研究的热点。
在生物雷达探测识别人体运动方面,目前仅有Nixon等[19,20]对较为规律的人体步态研究从目标检测和时频分析及状态识别等方面进行了简单总结,以及Gurbuz等[21]对如何选取人体运动雷达信号有效特征值以使得分类识别算法发挥高效识别能力进行了研究和总结。在基于生物雷达对复杂多样的人体运动状态检测识别分类方面,目前还未有相关详细综述。鉴于当前研究逐渐深入,本文主要从运动状态生物雷达检测、人体运动生物雷达信号分析、特征值提取和运动状态识别分类4个方面对人体运动状态生物雷达探测识别技术的研究现状进行分析、总结,并对未来此技术的研究和发展方向进行了展望。
1 基于生物雷达的人体运动检测发展现状
生物雷达作为人体运动检测新技术,因其具有独特优势已经成为研究的热点。目前,人体运动生物雷达检测技术主要包括连续波雷达检测和超宽谱(ultra-wide band,UWB)雷达检测。
1.1 连续波雷达检测
人体运动连续波雷达检测原理简单、回波信号处理简便,主要利用多普勒效应产生对应于目标速率的回波信号来工作,一直是运动状态探测的研究热点。
在雷达目标运动探测识别领域,早期的研究多基于目标的单一运动特征进行识别,进而对雷达探测参数要求较为简单。后续理论研究表明,除主体运动外,目标的微动会对电磁波产生多普勒调制,微动目标雷达回波中蕴含的微动特性信息反映了其几何结构和运动特征,故而提取目标的微动特征可为雷达目标特征抽取和识别提供新途径。因此,对微多普勒具有较好检测能力的连续波再次成为研究的热点。如Ling等[22,23,24]利用2.4 GHz连续波雷达对人体目标跑、行走、不摆臂行走、爬行、拳击、拳击前行、静止站立等7种动作进行探测,并结合微多普勒特征进行识别分类。Lyonnet等[25]利用2.5 GHz连续波雷达对人体3种不同行走模式进行探测,并利用其微多普勒特征进行分类。除此之外,Fairchild等[1]还通过对比S带连续波雷达和毫米波雷达在不同穿透条件下运动状态探测情况,发现S带更适合穿透探测,但随着障碍物穿透难度增大,其对细微运动敏感性较差,造成识别准确率下降,而毫米波因其发射频率高而在自由空间内对细节信息具有更好的探测能力,且发射频率越高,其对运动细节微多普勒检测能力越强。人体运动连续波雷达检测虽然原理简单、信号处理便捷,但无法获得包含距离信息的详细人体运动信息,对后期的特征提取和识别分类存在一定影响。
1.2 UWB雷达检测
UWB雷达因穿透力强、距离分辨率高、抗干扰能力强、能够获得目标距离信息,而逐渐被用于人体运动状态探测,同时,不同体制的UWB雷达对人体运动检测能力和存在问题也各有不同。
脉冲UWB雷达短时脉冲时间段内可以包含人体运动信息,可以实现人体运动的探测。起初,部分室内研究[26,27,28,29]均是对物体成像并通过滤波来识别运动人体,实现人体运动的探测跟踪,并未进行不同运动状态的识别。而随着研究的深入,Bryan等[30]发现UWB雷达也具有足够能力进行人体运动细节变化探测,随后其利用UWB雷达进行了8种运动动作的探测[2]。在此方面,美国时域公司(Time Domain Corporation,TDC)开发出的RV[27,31,32]系列和SV[33,34]系列系统可穿透砖墙、石膏灰胶纸夹板、木板墙、塑料墙、灰泥墙、石墙以及混凝土墙而良好地工作。然而研究者同时也发现,短脉冲UWB进行穿透探测时,要求特制天线克制不必要的震荡,且周期性的能量脉冲容易被混淆检测。随着雷达体制的丰富,研究者们逐渐开始采用UWB噪声雷达进行人体运动探测。Lai等[35,36]认为,随机噪声UWB雷达可以实现在任何距离上的高分辨率成像,并且适用于恶劣环境遮蔽地区隐蔽成像,免疫于干扰影响,从而能有效使用多普勒特征进行运动人员检测和跟踪。随后,Narayanan[37]利用噪声雷达进行墙体后人员跟踪定位和运动特性分析,结果表明,噪声雷达技术结合现代信号处理方法确实可以通过高分辨率成像区分静止和移动目标。另外,步进频连续波(stepped frequency ontinuous wave,SFCW)雷达作为一种新体制雷达,因其高信噪比也逐渐应用于运动探测。研究者们[38,39,40]利用SFCW雷达进行运动检测或者人体运动微动特征检测,结果均表明,SFCW雷达适于运动特征探测。UWB雷达所独有的优势必将为运动状态的识别和分类提供丰富详细的信息,在提高识别能力方面具有重要意义。
2 人体运动生物雷达信号分析研究现状
目前,人体运动经生物雷达检测后,除成像雷达探测通过人体成像和轨迹跟踪进行运动状态识别外,主要通过对雷达回波信号进行时域分解或时频分析,从而提取雷达信号时域特征或时频特征进行运动状态识别。目前,常用的运动信号时频分析处理方法主要包括短时傅里叶变换(short-time Fourier transform,STFT)、小波变换(wavelet transform,WT)、希尔伯特-黄变换(Hilbert-Huang transform,HHT)等。
2.1 短时傅里叶变换
傅里叶变换作为最初经典的频谱分析方法,对于时变非平稳信号因缺少时间分辨率而束手无策,此时STFT应用而生。STFT通过在时域上加时间窗将非平稳信号当作一系列短时分段平稳信号的叠加,通过对每个短时窗内信号进行傅里叶变换即可得到信号局部频谱特征,进而得到信号频谱特征在时间上的变化[41]。由于STFT具有比较成熟的理论基础和应用支撑,在人体运动雷达信号处理方面一直炙手可热。
STFT主要通过对人体运动雷达信号进行时频分析,从而提取多普勒频谱特征以区分不同运动状态。如Kim等[22,23]和Tivive等[42]均利用STFT提取人体运动连续波雷达信号的时频特征,从而进行运动状态分类。在UWB雷达中,Smith等[43]对每个距离单元的运动雷达信号进行STFT时频处理,最终得到时间-距离-频率三维信息图,充分利用距离信息并体现运动信号微多普勒特征,实现运动信号高效分析。另外,窗函数的选择对STFT处理效果至关重要,可根据不同信号特性选择合适窗函数。然而,窗函数选择由人为控制而无法进行自适应改变,并且STFT时间分辨率和距离分辨率始终受测不准原理制约。总的来看,虽然STFT在一定程度上兼顾了时间分辨率和距离分辨率,但其还无法对种类繁多的非周期、非平稳人体运动信号进行较好的描述和自适应处理。
2.2 小波变换
WT通过改变尺度参数和平移参数生成窗口可调的时频窗,对包含不同频率成分的复杂信号进行分解,从而达到时频分析局部化的效果,改善STFT窗函数选定则时间分辨率和频率分辨率就无法改变的缺陷。
人体运动信号WT主要通过将复杂的运动信号进行小波分解,从而得到不同频率成分的信号并提取微多普勒特征,其中小波基和分解层数的选择成为核心问题。Birsel等[44]使用离散小波变换(discrete wavelet transform,DWT)对腿部运动信号进行分解,并选择RBO3.1小波进行信号分解重构,以使得人工神经网络(artificial neural networks,ANN)识别分类具有更低的计算复杂度。Tian等[45]利用连续WT对目标的进动和翻滚进行微多普勒特征分析,通过对目标运动雷达散射截面数据进行连续WT得到高频分量。Serir等[46]在研究基于时间尺度特征进行目标运动状态识别分类时,采用基于DB4母小波的WT和多分辨率分解(multiplicative multiresolution decomposition,MMD)对回波信号进行13层分解。WT在一定程度上解决了频率分辨率与时间分辨率之间相互制约的矛盾,是一种窗口可调的时频分析方法。然而,小波分解效果受所选取小波基和分解尺度的影响巨大,当小波基函数确定后,便不能随意更换,分解效果也随之确定。对于种类繁多、复杂多变的人体运动非平稳信号,很难找到合适的小波基并且对于不同信号也不能随意更换。因此对于人体运动信号来说,WT还存在诸多问题和缺陷。
2.3 希尔伯特-黄变换
Huang等[47,48]认为,目前常用的时频分析方法——STFT、Wigner-Ville分布和WT等,均是基于一定核函数进行信号分解,一旦核函数选定,其分解效果就基本确定。但对于复杂多样的人体运动信号,合适核函数很难找到并且不能自动更换。因此,Huang等[49]提出了HHT算法,其分解基于信号时域局部特征和数据驱动,不依赖于基函数,因此分解具有自适应性,针对非平稳、非线性信号具有良好的效果。
HHT中信号经过经验模态分解(empirical mode decomposition,EMD),分解后再对单分量本征模式函数(intrinsic mode function,IMF)进行Hilbert变换,瞬时频率具有更加明确的物理意义,强调信号的局部变化,具有更好的时间分辨率和频率分辨率。目前,基于HHT对人体运动雷达信号进行分析识别的研究工作主要集中于宾夕法尼亚大学的Narayanan教授带领的课题组。Lai等[36,50,51]利用HHT对行走、挥动手臂、弯腰、蹲—站转换等4种动作的穿墙噪声雷达信号进行EMD分解后进行Hilbert谱分析,同时与STFT进行谱分析对比,结果发现,Hilbert谱时频分辨率更好,能更好地看出每个挥臂动作间的节律性变化。并且其认为,HHT通过对单一频率的IMF相位求导而得到瞬时频率,在多普勒频率提取时具有高效性。随后Fairchild等[1,52,53]将4种动作雷达信号EMD分解后信号各IMF能量值作为动作识别分类特征值。另外,Li等[54]通过研究也表明,HHT能够很好地区分不同运动的微多普勒特征和频率信息。在国内,目前关于HHT分析识别人体运动的研究还较少:上海交通大学毛炜等[55]以线性调频连续波(frequency modulated continuous wave,FMCW)信号模型作为研究对象,结合改进的EMD分解和完整的Hilbert谱分析,结果发现,改进后的HHT方法对于低信噪比非平稳信号分析的有效性较好;电子科技大学的王宏等[56]利用改进的整体平均经验模式分解(ensemble empirical mode decomposition,EEMD)方法和Hilbert谱分析对穿墙雷达人的运动信号进行微多普勒特性分析,得到信号的时间-频率-能量谱,较好地解决了模式混叠问题。然而,HHT算法的筛分停止准则和端点效应等问题仍严重制约着它的实际应用。
目前,基于HHT分析识别人体运动状态的研究还较浅,针对人体运动信号特性在EMD分解停止原则及信号合理重构方面还有待深入研究。另外,人体运动信号基于HHT分析处理后用于运动状态识别的特征值选择研究还比较缺乏。
3 特征值提取
人体运动生物雷达信号经过时域分解或者时频分析后,提取的能较好表征运动状态特性的特征值主要分为两大类。第1类主要以人体运动信号雷达回波自身特性或者统计特征量作为特征值,如利用频率上下包络的距离来判断人体行走是否摆臂[57,58],将人体运动雷达回波的标准化能量、方差、偏度和峰度作为特征值判断坐、躺、站3种姿态[59],以及通过对雷达回波进行主成分分析(principal component analysis,PCA)降维,根据PCA系数的均值和方差以及速度等特征值,对走、跑、旋转、拳击、跳等8种动作进行识别分类[2]。Serir等[46]利用WT和多分辨率分解后,选择各子带能量、方差、熵等时间尺度特征进行运动目标识别分类。由于人体运动信号非平稳、非线性且瞬时多变,部分研究者认为单纯基于信号自身或者简单时域分解,将很难得到对复杂多变的运动信号具有有效描述和区别能力的参数,因此第2类特征值主要通过人体运动雷达回波信号经过时频分析处理后,从时频谱中提取特征值。如Kim等[22,23]和Smith等[43]利用STFT时频谱特征进行运动状态识别,Hornsteiner等[60]选择频谱包络傅里叶级数系数表征人类的步态。另外,Thayaparan等[61,62]通过WT对飞机和人体雷达探测回波信号进行时频分析,从而根据时频特征进行目标识别。除此之外,研究者们也尝试将2类特征值相结合,以提高判断准确率。如Bjo咬rklund等[63]将频谱包络的形状结合平均躯干速度、最大包络速度、躯干振荡、四肢轨迹、谱中躯干回波与其他回波比率作为分类识别特征值,Serir等[46]选择时间-频率特征和时间尺度下信号特征作为综合识别特征值,识别准确率均相对提高。
总体来看,正如Gurbuz等[21]分析所说,运动信号特征值种类繁多,提取方法、复杂度互不相同,运算时间各异,最终识别分类准确率随特征值选择不同而相应改变。因此,在人体运动状态识别分类中,针对运动信号的特性选取合适的特征值,对提高识别分类准确率至关重要。
4 运动状态识别与分类
目前,人体运动状态识别分类主要基于有效的特征值结合合适的模式识别算法进行运动状态自动判别和分类,具有客观性和高效性。整个识别分类过程可以分为2个阶段:训练(或设计)阶段和识别阶段。首先,主要基于一定数量的训练样本特征值进行分类器的设计或训练,使得分类器针对每种状态类别形成一定模式;其次,利用所设计并经过训练的分类器对待识别的样本进行分类决策。目前,针对人体运动状态识别分类研究,主要通过支持向量机(support vector machine,SVM)和人工神经网络(artificial neural networks,ANN)模型等具有自我学习能力的智能模式识别系统进行识别分类。
4.1 支持向量机
SVM作为用于解决非线性边界问题的二元分类器[64,65],主要基于训练数据支撑特征和相应的已知类别名称来优化产生相应模型,利用此模型,测试数据通过其支撑向量被精确分类。
针对如运动状态识别分类等多分类问题,引来二分类SVM向多分类拓展技术的更深入研究,目前解决方法主要包括一对一、一对多、一对全部等方法。如Fairchild等[51]在利用SVM进行运动状态识别时,选择一对全部实现多分类。另外,当SVM基于训练数据进行训练学习以产生类别模型时,往往容易存在训练过度问题。为此,研究者们提出采用交叉验证的方法,选择最佳训练次数,从而使分类器对未知测试数据具有最好的分类效果[66]。随着算法的不断改进,SVM逐渐成为人体运动状态识别分类的重要工具。Kim等[23]选取运动信号STFT时间-频率谱图中6种特征值,结合SVM模式识别方法对7种运动状态进行识别分类,识别准确率高达90%。Fairchild[1,51,52,53]针对背景噪声、呼吸、挥动手臂、捡物、蹲-站转换5种S带和毫米波雷达信号,利用信号EMD分解后IMF能量值分布作为支撑向量,结合SVM进行运动状态识别和自动分类,效果良好,但识别分类准确率与人体运动状态的执行情况有关。Lei等[67]利用Gabor滤波器提取运动信号在时频域的微多普勒特征,并通过主成分分析法进行特征降维,然后作者基于3种不同的识别分类算法(线性贝叶斯估计法、K近邻算法、SVM)结合模拟特征数据进行测试,结果发现SVM识别分类效果最好。另一方面,SVM自我学习能力有限,并且针对复杂多样的人体运动状态如何选择合适核函数也尚无确切理论支持。
4.2 人工神经网络
人工神经网络是近年来兴起的模拟人类大脑学习分类思想的一种模式识别算法。与传统方法相比,人工神经网络具有自我学习能力、自我组织和联想记忆能力,能够并行处理和分布式存储,因此,利用其建立模型稳定性好且可以多次运作[68,69]。基于以上优点,人工神经网络已被广泛应用于人体运动状态识别分类等各种多分类问题,与Fisher线性分类和贝叶斯决策等方法相比,其分类误差明显更低[70]。
Kiasari等[59]利用UWB雷达对人体不同姿态进行探测,以雷达回波自身特征值结合神经网络模型对坐、站、躺3种状态进行识别分类,准确率可达80%以上。Kim等[22]利用运动信号STFT时间-频率谱图特征值,结合人工神经网络模式识别方法行识别分类,识别率高达82.7%。Birsel等[44]将腿部运动信号做DWT后系数的归一化方差等参数作为特征值,结合人工神经网络模型对8种腿部运动进行识别分类,准确率最高可达95.1%。Cho等[71]利用深层神经网络模型从空间定位、时间差异和人体关节运动轨迹标准化差异等方面识别人体活动。然而,针对人体运动状态分类,如何选择合适的神经网络结构还尚无统一理论指导,并且存在局部极小化和收敛速度慢等问题。
4.3 其他识别分类算法
人体运动状态识别分类算法种类繁多,优劣特点各不相同。除以上详细分析的2种常用智能算法外,多分类法[72]和线性判别法(如Fisher线性判别)等多种算法均可用于运动状态识别分类。然而,从传统的分类算法(如线性判别式法、K近邻算法等)到现行的智能识别算法(如SVM、神经网络等),虽然算法的自我学习能力和对复杂状况处理能力逐渐提高,但其逐渐增加的算法复杂度也对处理速度造成了压力,这在一定程度上也影响了算法的实时性和快速性。目前的研究主要偏重于将运动信号特征值直接输入识别系统,依靠系统的识别算法对运动状态进行识别分类。
5 总结与展望
经过科学家们的不懈努力,基于生物雷达人体运动状态探测识别技术研究已经得到了快速发展,探测技术、算法分析识别能力也在不断提高,积累了一大批卓有意义的理论与技术成果,但目前在以下领域内还需要更深入地研究才能使此技术得到长足发展,并且最终能广泛高效地应用于实际。
(1)人体运动动作类别的限制。目前,关于人体运动动作探测识别分类主要集中于较为规范、规律的简单人体运动动作,如走、跑、跳、坐、站等。因此,针对种类更多、更加复杂多变的非平稳、非线性的随机人体运动,如何进行有效探测并准确识别将成为未来研究的重点。
(2)背景环境变异性影响研究较少。目前,研究主要针对自由空间内单人目标运动探测识别。因此,针对较为复杂的多人运动、具有异常动作人体与正常人体运动,以及周围非人体运动与人体运动的探测识别分类也具有重要研究意义。
(3)高效特征值选择困难。特征值选择尤为重要,直接影响识别分类算法的选择及其运行性能发挥。在效用上,若特征值对运动动作表征能力强、区分效用高,将直接提高算法识别准确率;在数量上,若采用特征值维数过大、数量过多,将直接增大模式识别算法数据处理压力,增加运算复杂度,增长运算时间,降低算法工作效率,但特征值数量太少又必将降低识别能力。另外,针对人体运动信号的特性,在不同应用环境复杂条件下,不同特征值效用性、稳健性、抗干扰性又各不相同。因此,基于人体运动信号特性,如何在不同应用环境中选择合适、高效、稳健的特征值并同时在一定程度上保证算法运行速率有待深入研究。
雷达技术论文 篇2
相控阵雷达有相当密集的天线阵列，在传统雷达天线面的面积上可安装上千个相控阵天线，任何一个天线都可收发雷达波，而相邻的数个天线即具有一个雷达的功能。扫描时，选定其中一个区块(数个天线单元)或数个区块对单一目标或区域进行扫描，因此整个雷达可同时对许多目标或区域进行扫描或追踪，具有多个雷达的功能。由于一个雷达可同时针对不同方向进行扫描，再加之扫描方式为电子控制而不必由机械转动，因此资料更新率大大提高，机械扫描雷达因受限于机械转动频率因而资料更新周期为秒或十秒级，电子扫描雷达则为毫秒或微秒级。因而它更适于对付高机动目标。此外由于可发射窄波束，因而也可充当电子战天线使用，如电磁干扰甚至是构想中发射反相位雷达波来抵消探测电波等。关键字 相控阵雷达
原理
特点
应用
分类
应用
历史
发展
正文
1.相控阵雷达
相控阵雷达又称作相位阵列雷达，是一种以改变雷达波相位来改变波束方向的雷达，因为是以电子方式控制波束而非传统的机械转动天线面方式，故又称电子扫描雷达。
1.1相控阵雷达的原理
我们知道，蜻蜓的每只眼睛由许许多多个小眼组成，每个小眼都能成完整的像，这样就使得蜻蜓所看到的范围要比人眼大得多。与此类似，相控阵雷达的天线阵面也由许多个辐射单元和接收单元（称为阵元）组成，单元数目和雷达的功能有关，可以从几百个到几万个。这些单元有规则地排列在平面上，构成阵列天线。利用电磁波相干原理，通过计算机控制馈往各辐射单元电流的相位，就可以改变波束的方向进行扫描，故称为电扫描。辐射单元把接收到的回波信号送入主机，完成雷达对目标的搜索、跟踪和测量。每个天线单元除了有天线振子之外，还有移相器等必须的器件。不同的振子通过移相器可以被馈入不同的相位的电流，从而在空间辐射出不同方向性的波束。天线的单元数目越多，则波束在空间可能的方位就越多。这种雷达的工作基础是相位可控的阵列天线。相位控制可采用相位法、实时法、频率法和电子馈电开关法。在一维上排列若干辐射单元即为线阵，在两维上排列若干辐射单元称为平面阵。辐射单元也可以排列在曲线上或曲面上．这种天线称为共形阵天线。共形阵天线可以克服线阵和平面阵扫描角小的缺点，能以一部天线实现全空域电扫。通常的共形阵线 应该具有以下的特点环形阵、圆面阵、圆锥面阵、圆柱面阵、半球面阵等。
1.2 相控阵雷达的特点
相控阵雷达之所以具有强大的生命力，因为它优胜于一般机械扫描雷达。它具有以下特点：
（1）能对付多目标。相控阵雷达利用电子扫描的灵活性、快速性和按时分割原理或多波束，可实现边搜索边跟踪工作方式，与电子计算机相配合，能同时搜索、探测和跟踪不同方向和不同高度的多批目标，并能同时制导多枚导弹攻击多个空中目标。因此，适用于多目标、多方向、多层次空袭的作战环境。
（2）功能多，机动性强。相控阵雷达能够同时形成多个独立控制的波束，分别用以执行搜索、探测、识别、跟踪、照射目标和跟踪、制导导弹等多种功能，一部相控阵雷达能起到多部专用雷达的作用，而且还远比它们能够同时对付的目标多。因此，可大大减少武器系统的设备，从而提高系统的机动能力。
（3）反应时间短、数据率高。相控阵雷达可不需要天线驱动系统，波束指向灵活，能实现无惯性快速扫描，从而缩短了对目标信号检测、录取、信息传递等所需的时间，具有较高的数据率。相控阵天线通常采用数字化工作方式，使雷达与数字计算机结合起来，能大大提高自动化程度，简化了雷达操作，缩短了目标搜索、跟踪和发控准备时间，便于快速、准确地实施畦达程序和数据处理。因而可提高跟踪空中高速机动目标的能力。
（4）抗干扰能力强。相控阵雷达可以利用分布在天线孔径上的多个辐射单元综合成非常高的功率，并能合理地管理能量和控制主瓣增益，可以根据不同方向上的需要分配不同的发射能量，易于实现自适应旁瓣抑制和自适应抗各种干扰，有利于发现远离目标和小雷达反射面目标（如隐形飞机），还可提高抗反辐射导弹的能力。
（5）可靠性高。相控阵雷达的阵列组较多，且并联使用，即使有少量组件失效，仍能正常工作，突然完全失效的可能性最小。此外，随着固态器件的发展，格控阵雷达的固态器件越来越多，甚至已生产出全固态儿控阵雷达，如美国的。“爱国者”雷达，其天线的平均故障间隔时间高达15万小时，即使有10％单元损坏也不会影响雷达的正常工作。[3][4]
1.2.1 相控阵雷达的优点
（1）波束指向灵活，能实现无惯性快速扫描，数据率高；（2）一个雷达可同时形成多个独立波束，分别实现搜索、识别、跟踪、制导、无源探测等多种功能；（3）目标容量大，可在空域内同时监视、跟踪数百个目标；（4）对复杂目标环境的适应能力强；（5）抗干扰性能好。全固态相控阵雷达的可靠性高
1.2.2 相控阵雷达的缺点
美中不足的是，相控阵雷达设备复杂、造价昂贵，且波束扫描范围有限，最大扫描角为90°～120°。当需要进行全方位监视时，需配置3～4个天线阵面。
2.相控阵雷达的应用
相控阵雷达与机械扫描雷达相比，扫描更灵活、性能更可靠、抗干扰能力更强，能快速适应战场条件的变化。多功能相控阵雷达已广泛用于地面远程预警系统、机载和舰载防空系统、机载和舰载系统、炮位测量、靶场测量等。美国“爱国者”防空系统的AN／MPQ-53雷达、舰载“宙斯盾”指挥控制系统中的雷达、B-1B轰炸机上的APQ-164雷达、俄罗斯C-300防空武器系统的多功能雷达等都是典型的相控阵雷达。随着微电子技术的发展，固体有源相控阵雷达得到了广泛应用，是新一代的战术防空、监视、火控雷达。
当相控阵雷达警戒、搜索远距离目标时，虽然看不到天线转动，但上万个辐射器通过电子计算机控制集中向一个方向发射、偏转，即使是上万公里外来袭的洲际导弹和几万公里远的卫星，也逃不过它的“眼睛”。如果是对付较近的目标，这些辐射器又可以分工负责，有的搜索、有的跟踪、有的引导，同时工作。每个“移相器”可根据自己担负的任务，使电磁瓣在不同的方向上偏转，相当于无数个天线在转动，其速度之快非一般天线所能相比。正是由于这种雷达天线摒弃了一般雷达天线的工作原理，利用“移相器”来实现电磁瓣的转动，人们给它起了个与众不同的名字－－相控阵雷达，代表着“相位可以控制的天线阵”的含义。
3.相控阵雷达的历史及发展
3.1相控阵雷达的历史
相控阵技术，早在20世纪30年代后期就已经出现。1937年，美国首先开始这项研究工作。但一直到20世纪50年代中期才研制出2部实用型舰载相控阵雷达。
20世纪60年代，美国和前苏联相继研制和装备了多部相控阵雷达，多用于弹道导弹防御系统，如美国的AN/FPS-
46、AN/FPS-85、MAR、MSR，前苏联的“鸡笼”和“狗窝”等。这些都属于固定式大型相控阵雷达，其共同点：采用固定式平面阵天线，天线体积大、辐射功率高、作用距离远。其中美国的AN/FPS-85和前苏联的“狗窝”最为典型。
20世纪70年代，相控阵雷达得到了迅速发展，除美苏两国外，又有很多国家研制和装备了相控阵雷达，如英、法、日、意、德、瑞典等。其中最为典型的有：美国的AN/TPN-25、AN/TPQ-37和GE-592、英国的AR-3D、法国的AN/TPN-
25、日本的NPM-510和J/NPQ-P7、意大利的RAT-31S、德国的KR-75等。这一时期的相控阵雷达具有机动性高、天线小型化、天线扫描体制多样化、应用范围广等特点。
20世纪80年代，相控阵雷达由于具有很多独特的优点，得到了更进一步的应用。在已装备和正在研制的新一代中、远程防空导弹武器系统中多采用多功能相控阵雷达，它已成为第三代中、远程防空导弹武器系统的一个重要标志。从而，大大提高了防空导弹武器系统的作战性能。在21世纪，相控阵雷达随着科技的不断发展和现代战争兵器的特点，其制造和研究更上一层楼。
3.2 相控阵雷达技术的发展
3.2.1雷达体制从无源到有源
作为有源相控阵雷达的前身，无源相控阵雷达的发射机与天线分离配置，射频能量从发射机通过复杂昂贵的波导管馈送至天线。但是，波导管穿过甲板、隔舱等舰体结构，自然会影响舰体的强度；而且这种配置的可靠性也较低，一旦发射机组或波导管出现故障或战损，就会导致整个雷达系统的失效。同时，无源相控阵雷达由行波管之类的发射机来提供功率，要增大雷达发射功率不那样容易。人们认识到了无源相控阵雷达的上述缺点，设法寻找新的雷达模式。
微波集成电路的快速发展带来了机遇－－人们可以在砷化镓晶片上做出几厘米大小、能发射/接收电磁波的小单元，用来取代庞大的行波管和天线。将一个个这种小单元（移相器）排成阵列，就成为发射机与天线合一的有源相控阵雷达。与无源相控阵雷达不同，有源相控阵雷达抛弃了集中式发射机，而是每一个天线单元都配备一个独立的雷达发射机，只要增加天线的发射/接收单元数，就可以增加发射功率。
有源相控阵雷达不使用穿过舰体的波导管，降低了系统的复杂性和体积，也相应减少了馈电系统造成的能量损耗；每个天线单元均具备独立发射与接收电磁波的功能，少数天线单元的故障或受损不会导致整个系统的失效，故可靠性与抗战损能力有了大幅度的提升；高峰值功率是通过诸多天线单元合成的方式来实现的，因此降低了对微波元件的峰值功率要求，有助于降低成本。同时，有源相控阵雷达在雷达波束的分配、管理与运用上也更加灵活，有利于提高雷达系统的反应速度与效率。
3.2.2 全面提升电子对抗能力
在电子对抗日趋激烈的未来海战场环境中，为了有效地发挥雷达的信息作战优势，强大的抗干扰、电子压制能力不可或缺。面对海军作战区域由远洋向近岸水域转变的趋势，水面舰艇所面临的威胁与实战环境也变得更加复杂。对舰载相控阵雷达来说，浅滩、急流、礁石、岛屿、海岸线陆地、丛林等复杂地形所造成的杂波和多重反射，对海空目标的侦测造成了很大干扰，急需提高雷达的抗干扰能力。而有效对抗反辐射导弹的威胁，也成为确保舰载相控阵雷达生存和有效运用的必要前提。采用雷达低截获概率技术
3.2.3增强弹道导弹侦测能力
海基导弹防御系统比陆基系统有更高的灵活性和远程机动部署能力，因此，侦测弹道导弹并引导防空导弹实施拦截，已成为舰载相控阵雷达的重要使命。美国改进AN/SPY-1系列相控阵雷达，以满足海基反导的需求；英国的“桑普森”相控阵雷达具备了相当的侦测弹道导弹的潜力，已获得美国弹道导弹防御局的资助；荷兰的“阿帕”雷达也具备一定的探测弹道导弹能力，有可能成为欧盟发展海基战区导弹防御的基础。
除此而外，舰载相控阵雷达还力求与舰载指控系统、数据链、编队网络整合并高速交换数据，争取能通过雷达反射特性快速辨识目标舰（机）。长远目标是整合各种舰载雷达的功能，以期用1部多功能相控阵雷达满足从远程导弹拦截到近距防御的多种需求，如远距离探测、跟踪、目标锁定以及各类舰载武器的导引、作战指挥，从根本上简化舰艇的雷达配置。
3.3 中国装备
经过十年时间，周万幸造就了“海之星”，不仅让中国成为了第三个拥有自主创新舰载多功能雷达的国家，还被美国中情局评价称，该雷达是中国真正自主创新研制的相控阵雷达。它的研制成功标志着中国第一部舰载多功能相控阵雷达的研制已达国际领先水平。
新型导弹驱逐舰“武汉”号、“海口”号的高技术装备广受关注。“海口”号上的相控阵雷达是目前最先进的雷达之一，不但能扫描探测目标，还能对发出的导弹进行跟踪，对空探测距离、引导能力和同时处理的目标数量，在世界范围内都处于领先地位。“武汉”号上的超视距雷达可对敌舰艇实施超视距攻击，并且可以同时攻击多批次水面目标。另外，两艘驱逐舰上都安装的三坐标对空警戒雷达能探测方位、距离、高度。美国环球战略网2009年10月8号刊登了名为《中国航母预警机》的文章。文章推测中国正将一种类似于曾装备的较大型“空警-200”型预警机的相控阵雷达设备配备在重达21吨、双引擎的“运-7”（Y-7）运输机上。运-7飞机为中国仿制俄罗斯安-24型运输机。中国的“运-7”预警机将承担类似于美国23吨重的E-2型航母舰载预警机作战职责。
4.参考文献
【1】飞扬军事 http://
【3】铁血网：科普：相控阵雷达工作原理及类型简介 http://bbs.tiexue.net/post2_3832670_1.html
【4】网易：美媒：中国为运7装相控阵雷达作为航母预警机，2009年10月10日 http://war.news.163.com/09/1010/09/5L8K081V00011MTO.html
【5】新浪网：官方揭秘:中国海军相控阵雷达已达世界先进水平http://blog.sina.com.cn/s/blog_5dfc28960100felq.html
机载激光雷达测绘技术浅析 篇3
【关键词】机载激光雷达；测绘技术；全球定位；激光扫描；空间数据
1.机载激光雷达测绘技术
1.1机载激光雷达测绘技术简介
机载激光雷达技术一般是将机载激光系统安装于飞机之上，主要用于探测地面的三维坐标来生产相应的激光雷达数据影像，通过数据处理及相应软件处理生成相应地面的DEM模型、等值线图及DOM正射影像图。其中，机载激光雷达测绘技术主要是将激光、全球定位、惯性导航、光学技术集于一体运用光学遥感技术进行波段探测，从而可以有效的获取地面物体所反射能量的大小与物体反射波谱的幅度、频率与相位，针对所获取的数据进行及时的处理与定位，进而针对目标物体进行准确的测速与识别。
目前，我国主要将机载激光雷达测绘技术应用于数字城市规划、工程建筑测量、电力设计勘测选线和线路监测、灾害监测与环境监测、林业种植与规划等领域，为我国的社会发展作出了巨大贡献。
1.2机载激光雷达系统
1.2.1机载激光雷达系统的构成
机载激光雷达系统的构成部件主要包括：惯性导航系统、全球定位系统、激光扫描测距和数码成像系统等组成。
1.2.2机载激光雷达系统的功能及原理
（1）惯性导航系统，用于测量扫描装置主光轴的空间姿态参数（ω、?、κ）。
（2）基于动态相位差分技术的全球定位系统，用于确定扫描投影中心的空间位置参数（X0，Y0，Z0）。
（3）激光扫描测距系统，用于测量传感器到被探测目标的距离D；在激光雷达系统中，由发射机发出的无线电波射到空中后，一部分经物体或空气反射后，由雷达的接收系统接收，这部分反射波称为雷达信号，反映从反射无线电波的物体到雷达的距离。
（4）数码成像系统，主要用于获取目标的彩色或红外影像信息。
2.数据处理
2.1确定航迹
地面GPS基站和机载GPS的测量数据联合平差来确定飞机的飞行轨迹。
2.2激光点三维空间坐标的计算
利用随机的商用软件，对机载GPS数据、飞机姿态数据、激光测距数据进行联合平差，得到各测点的三维坐标数据，称之为“激光点云”。
2.3激光数据的噪声和异常值剔除
由于水体对激光的吸收及其他原因，使有些激光测距点无明显的回波信号以及因电路等原因产生的异常距离值，在处理激光测距的原始数据时必须先剔除噪声和异常值。
2.4激光数据滤波
目前用于机载激光扫描数据滤波的方法大部分是基于激光数据脚点的高程突变等信息进行的，主要分为形态学滤波法、移动窗口法、迭代线型最小二乘法、基于地形的坡度滤波等。
2.5激光数据拼接
在机载激光雷达系统作业时，可利用同步获得的影像信息，根据重叠区域的影像可确定航带间的系统误差。此外，为了保证DTM拼接正确，通常采用变系数加权平均法消除航带间出现的随机误差。
2.6激光数据分类输出
数据分类处理完毕后，一些不必要的数据被剔除，数据量将减小，可以以ASCII或二进制形式输出。
2.7坐标转换
利用POS动态定位所提供的定位结果属于WGS-84坐标系，而我们所需要的空三加密结果应属于国家规定的另一套坐标系或地方坐标系，因此必须解决动态定位结果的坐标转换问题，利用地面基站坐标和坐标系间的转换参数进行转换，一般采用GPS基线向量网的约束平差。GPS所提供的是以椭球面为基准的大地高程，必须转换为以大地水准面为基准的正常高，可通过测区内若干已知正常高的控制点拟合建立高程异常模型进行。
2.8影像数据的定向和镶嵌
数字影像先进行解压处理，结合激光扫描测量的DTM数据进行定向镶嵌，形成数字正射影像图。
3.机载激光雷达技术的应用现状
3.1数字城市应用
随着科技技术的快速发展，我国的城市化推进工作不断加快，其中尤以数字化城市建设为重。在进行数字化城市规划的过程中，必然需要通过运用相应的规划软件与技术来有效开展规划工作。二维规划技术已无法满足当前数字化城市的规划需求，而机载激光雷达测绘技术可以有效的实现三维城市形象规划。
其中，机载激光雷达测绘技术主要通过将获取的三维空间数据进行快速的数据处理，对城市进行系统化、全面化、形象化的规划与模拟，进而可以有效避免由于航高、阴影遮挡等限制因素而导致城市规划处理出现误差。由此可见，通过运用机载激光雷达测绘技术进行数字城市规划，不仅可以有效、快速、准确的采集相应的三维空间数据来生成影像，而且可以进行大比例尺地形图规划，以高精度、高自动化水平、高效率方式进行必要的数据获取与测量工作，确保其纹理映射自动化水平以及高效率的房屋建模工作，推进数字化城市的规划工作。
3.2工程建筑测量
如文中所述，机载激光雷达测绘技术具备高精确度，可以为建筑工程项目提供高精确度、高实效性的工程测量数据，确保工程项目按期按质完成。其中，将机载激光雷达测绘技术应用于建筑工程项目施工领域之中，主要是通过应用DEM结合GIS及CAD软件进行影像与数据搜集，以便及时筛选最优化的施工方案。由激光雷达系统对各方案中的施工组织设计及施工线路、施工位置进行测量，从而为工程项目，例如道路施工工程提供大量有效、准确的地形数据，提供工程施工方案设计的有效性。
3.3电力设计勘测选线和线路监测应用
机载激光雷达测绘技术的应用领域还包括电力企业中的相关工程项目之中，包括电力设计过程中的勘测选线与电力线路的实时监控，结合激光雷达测绘技术，可以对电力线路的设计区域中的地形与物体要素进行数据采集，以供线路监测与选线之需，提高电力企业施工的效率与质量水平。
3.4灾害监测与环境监测
根据机载激光雷达测绘技术，它可以生成DEM系统，从而可以针对我国社区进行必要的灾害控制、监测与环境监测。
水文学家可以通过采用激光雷达测绘技术，对我国社区的重大自然灾害进行监测与防治，包括地震、洪灾、泥石流滑坡、风害等，还可以对我国的环境进行实时监控。例如，在降水量大的季节进行洪水范围预测，以便应急消防救助小组根据灾害范围及灾害情况提前设计、组织灾害防治方案与救援组织方案，以便将灾害的损伤降到最低。其中，在一架固定翼飞机上安装一台机载激光雷达系统，可以实现在长30公里的区域之内进行维持四小时的实地勘测，为灾害监测及环境监测提供了重要的数据资料。
3.5林业应用
机载激光雷达系统在我国林业种植与发展方面（下转第22页）（上接第20页）也具有很大贡献。通过运用激光雷达系统，可以提供准确的森林及树冠下面的信息数据。通过数据的后期处理，独立的激光返回值可分为植被返回值和地面返回值，根据激光雷达数据，针对森林中的林木覆盖率与覆盖面积数据进行分析，以便林业管理者掌握树木的疏密程度，年长树木的覆盖面积和年幼树木的覆盖面积，从而促进森林管理工作的规范化与高效化，便于管理者针对森林进行宏观调控与管理，提高其管理水平与管理质量。
4.小结
结合上文中所述，随着科学信息技术的不断发展、改进与成熟，机载激光雷达测绘技术也将随之发展，其应用的领域与深度也将逐渐拓宽、加深。根据当前机载激光雷达市场来看，我国在今后的技术研讨工作中，将主要集中于开发、利用新的激光辐射源、多传感器系统集成和数据融合，通过不断探索机载激光雷达的新体制，力求为我国的社会经济发展作出更大贡献。 [科]
【参考文献】
[1]刘经南，张小红.激光扫描测高技术的发展与现状[J].武汉大学学报，信息科学版，2003（06）：144-145.
[2]李德仁.摄影测量与遥感的现状与发展趋势[J].武汉测绘科技大学学报，2000，25（01）：55-58.
[3]王惠南.GPS导航原理与应[M].北京：科学出版社，2003.
[4]陈利，贾友，张尔严.激光雷达技术及应用[N].河南理工大学学报，2009-10-11.
[5]张启峰.激光雷达技术在超高压送电线路工程中的应用研究[J].2009（09）：222-223.
生物雷达检测技术 篇4
人体的探测识别主要是利用各种技术手段获得人体生理或行为特征,从而对个人身份进行鉴定[1],在灾害救援、战场救护、反恐安保等方面具有广泛的应用前景。其他个人身份特征识别技术一般依靠指纹、虹膜以及人脸等,而步态检测无需受试者配合、不需要接触识别设备,具有非侵犯、容易采集、目标不易隐藏和伪装等优点[2,3],因而受到国内外研究者的关注。目前,人体步态的非接触检测多采用光学图像、超声和生物雷达3种方式。基于光学图像的步态非接触检测技术包含目标追踪、视频获取、图像处理与识别等多项内容,首先对视频系统捕捉到的目标进行跟踪检测,并通过图像处理技术提取目标的步态信息,再与样本数据库中储存的数据进行比对,从而对目标进行分类与识别[4]。基于超声步态非接触检测利用机械波的多普勒效应,用频率极高的机械波照射运动人体,回波含有经过人体运动调制的多普勒信息,对回波进行信号处理,可以将人体运动的多普勒信息提取出来,进而确定人体步态参数[5,6,7]。以上两种步态非接触检测方式,都能够获取人体步态参数,但受光线、能见度、障碍物等外界因素影响较大[4,5,6,7]。基于生物雷达的人体步态信号非接触检测技术更具优势,主要表现在:不受光线影响,可全天候识别;可穿透衣物、伪装甚至墙壁;可在烟、尘、雾等能见度低的天气条件下使用等[8]。因此,基于生物雷达的人体步态非接触检测技术研究具有重要的研究意义。
目前,国内外对于人体步态非接触检测的研究主要利用超宽带生物雷达,连续波雷达使用较少。但连续波雷达的多普勒效应对于人体步态检测具有重要意义。Geisheimer等人利用一台10.5 GHz的连续波雷达来检测人体行走产生的微多普勒信号,并使用短时傅立叶变换与线调频小波变换(Chirplet Transform,CT)来对信号进行处理,从人体步态信号中获取了不同的特征[9]。Otero等详述了利用连续波雷达获取人走路时产生的多普勒特征信号,并利用傅立叶变换分析信号。这些关键特征信号在人类行走运动中具有代表性。他们针对不同性别的人进行了试验,并开发了一个简单的分类系统来进行识别[10]。Zhang将不同的时频分析方法应用于人体步态雷达回波多组分非平稳信号分析,并通过这些分析得到了人体步态时频特征,为今后的研究奠定了基础[11]。
1 材料与方法
1.1 实验对象与系统
1.1.1 实验对象
10名健康男性在知情同意的前提参加本研究,年龄22.0±2.0岁,所有实验对象在实验过程中尽量保持身体相对静止,避免体动干扰影响检测结果。
1.1.2 连续波生物雷达系统
利用连续波(Continuous-Wave,CW)生物雷达照射走动的人体目标,雷达回波信号被人体运动调制,使得回波信号包含了人体各部分微动调制产生的多普勒频率。天线接收回波信号后,利用信号处理技术,提取回波信号中的关键特征信号[12]。用于实验的CW雷达工作频率为10.4GHz,系统的工作原理,见图1。
1.1.3 加速度传感器
通过加速度传感器获取人体运动时手臂与胳膊的运动参数,以便与生物雷达获得的数据进行对比验证。因人体步态信号频率较低,低频(0~20 Hz)的加速度传感器即可满足要求。除此之外,加速度传感器按输出的不同还可分为模拟式和数字式两种。其中模拟式加速度传感器输出值为电压,体积较小;数字式加速度传感器集成了ADC电路,但体积偏大。综上,本实验采用低频、模拟式加速度传感器ADXL335。利用Biopac多通道生理信号采集系统将模拟信号转换为数字信号,以便于后期处理。加速度传感器在人体表面粘贴位置,见图2。
1.1.4 视频监控系统
视频监控系统被用来对人体目标进行观测,以确认人体目标的状态以及与生物雷达的相对位置关系。视频监控系统是由摄像、传输、控制、显示、记录5大部分组成。摄像机通过网线将视频图像传输到计算机,再对视频进行处理,并存档以便与步态数据进行对比。本实验采用2台海康威视1080p高清摄像头对人体目标进行记录,视频监控系统原理,见图3。
1.2 数据处理方法
1.2.1 频谱分析
人体步态作为一种非平稳信号,具有明显的周期性。傅立叶变换(Fourier Transform,FT)是处理周期信号的常用方法。连续时间信号x(t)的傅里叶变换可以表示为:
式中计算出来的是信号x(t)的连续频谱。但是,在实际中能够得到的是连续信号x(t)的离散采样值x(n T)。因此需要利用离散信号x(n T)来计算信号x(t)的频谱。有限长离散信号x(n),n=0,1,…,N-1的离散傅立叶变换(Discrete Fourier Transform,DFT)定义为:
为了计算简便,采用与DFT等价的快速傅立叶变换(Fast Fourier Transformation,FFT)对滤波后的信号进行处理,可以得到信号的频谱图,以便进行频谱分析。
1.2.2 相干分析
平方相干估计是一个值介于0和1之间的频率函数,它通常被用来估计两组信号在每个频率上的一致性[13]。我们采用Welch’s重叠平均周期法计算信号x和y的功率谱密度为Pxx(f)和Pyy(f),那么x和y的交叉功率谱密度Pxy(f)可由以下公式得到[14,15]:
使用Matlab进行相干分析,得到了两组信号在各个频率上的相干系数,画出频率—相干系数分布图。图中,x和y轴分别对应频率和相干系数,当两个信号在某种频率成分上具有较高的一致性时,曲线将出现极大值。
2 结果
2.1 人体步态信号非接触检测
实验中,锡箔纸被粘帖在人体四肢表面,以增强其雷达信号反射能力。生物雷达采样频率为1 k Hz,人体步态信号通常在2 Hz以下,因此采用0.3~3 Hz的带通滤波器对信号进行预处理[16]。经过FFT频谱分析后,可得到信号频谱图,见图4。
2.2 人体步态信号检测对比结果
2.2.1 加速度传感器
加速度传感器x轴垂直于人体运动方向,y轴与人体运动方向保持水平,z轴与人体运动方向相同。人体面向生物雷达运动,生物雷达采集到的数据主要为与人体运动方向一致的z通道信号,故两者相干性最好。为防止其他加速度传感器带来的干扰,我们每次只采集生物雷达与一个加速度传感器的数据。由于手腕、手肘、膝盖以及脚踝部位的运动具有对称性,实验只分析一组传感器数据。加速度传感器在人体表面的分布,见图5。人体各部位加速度传感器信号与频谱分析,见图6。
通过图6中对比,可以发现,生物雷达获取的数据与加速度传感器得到的数据在频率上具有一致性。人体四肢的频率集中在0.7 Hz附近,也即人体四肢的步态频率约为0.7 Hz。躯干的频率集中在1.4 Hz附近,说明躯干的步态频率约为四肢的两倍,与理论上人体运动特征相符。
图7为两种信号的相干分析,可以发现,人体四肢的生物雷达信号与加速度传感器信号在0.6~0.8 Hz的频率范围内表现出了较高的相干性,即主要频率成分一致。与之前的信号频率成分分析结果一致,躯干的相干性表现在1.4 Hz附近,证明了躯干步态频率约为四肢的2倍。
2.2.2 视频监控系统
我们利用2个摄像机从实验目标的前后进行视频采集。视频监控系统摄像机分布,见图8。
视频监控系统记录了人体目标在生物雷达照射下的运动过程细节。通过视频记录,实验中的人体目标的运动频率约为0.7 Hz,与生物雷达和加速度传感器得到的数据一致。
注:a.躯干;b.肘部;c.手腕;d.膝盖;e.脚踝。
3 结论与讨论
本文介绍了一种基于生物雷达的人体步态非接触检测系统,通过该系统获取了人体步态信号。信号经过滤波处理后,利用Welch’s重叠平均周期法计算信号的功率谱,发现了可能含有人体步态信息的信号频率。通过与加速度传感器获得的数据进行了对比,发现人体行走时四肢的步态信号频率约为0.7 Hz,躯干步态信号频率约为1.4 Hz。最后,视频监控系统验证了实验结论。
注:a.躯干;b.肘部;c.手腕;d.膝盖;e.脚踝。
目前,检测人体的步态信号主要采用加速度传感器和视频技术[4,17]。加速度传感器需要紧贴身体,不仅对人体产生较大的束缚,还容易受到佩戴位置、相对运动等影响,造成信号误差较大;视频技术采用高分辨率摄像头,能够动态地记录人体步态图像,但设备价格昂贵。本文提出的生物雷达系统,能够非接触地检测到人体的步态信号,拓展了生物雷达在医学领域的应用,在非接触检测人体呼吸信号的基础上增加了步态信号[18,19]。为了更准确地利用生物雷达检测到人体的步态信号,下一步的研究将主要集中在人体步态信号的提取方面,即如何从复杂的生物雷达多普勒回波信号中有效地检测到步态信号,采用传统的数字滤波技术容易造成步态信号损失,可以采用自适应谱线增强技术检测人体步态信号,抑制其他干扰信号。为了进一步验证步态信号的准确性,在采用加速度传感器和视频系统的基础上,还可以增加肌电信号检测,对生物雷达数据具有较高的参考价值。
注:a.肘部;b.手腕;c.膝盖;d.脚踝;e.躯干。
在临床工作中,有很多疾病会造成人体下肢病变,引起步态变化。生物雷达可以对步态异常进行分类与量化,为分析病情、制定治疗方案提供参考。同时,步态分析还可记录病人步态参数,并与健康人的参数进行比对,从而对康复病人进行健康评定。此外,基于生物雷达的人体步态非接触检测技术可以在不对人体产生影响的情况下获取步态参数,可以为步态异常的基本过程和机制,以及关节、骨骼、肌肉等活动方式的医学研究提供便利。
摘要：人体步态是一个全身肌肉骨骼协调运行的复杂机制,具有特异性,可以作为身份判别或临床疾病诊断的依据。本文介绍了一种基于连续波生物雷达的人体步态非接触检测系统,通过对人体走动时产生的雷达回波信号进行频谱分析,提取出人体步态信号的主要频率,并与加速度传感器获得的数据进行相干分析。实验结果表明生物雷达可以非接触地检测到人体的步态信号,并与加速度检测和视频监测结果具有较好的一致性。
基于生物雷达的临床监测系统研究 篇5
关键词：生物雷达,临床检测,非接触
1 引言
非接触探测和监护技术可以广泛地应用于临床监护、抗震救灾、军事以及国家安全领域[1]。通过生物雷达可以监测到目标人体的呼吸、心跳以及体动等重要信息。这些基础生命体征是临床诊断和疾病预防的重要依据。常规的检测方法有接触式和非接触式2种。接触式需要依靠电极或传感器等采集信号,对人体产生约束,在一些非常规的应用场合(如烧伤、传染等)不宜使用。常用的非接触式检测方法如红外、激光等受到温度和环境障碍物的影响,应用范围受到限制;雷达式生命体征检测技术通过雷达发射电磁波照射人体,接收的回波经过信号处理分离出呼吸、心跳、体动生命信息,从而进行进一步的分析。这一过程会减少电极、导线、传感器等对被监测目标引起的不适感,还可以克服接触式监测方法对特殊患者监测的局限性。基于生物雷达研制的监护系统可用于老年、烧伤、精神、传染等病房的非接触生命体征参数的实时监测。
2 生物雷达技术描述
生物雷达特指探测生命信息的雷达,其融合雷达技术、生物医学工程技术于一体,可不需要任何电极或传感器实现间隔一定距离、穿透非金属介质(砖墙、废墟等),探测生命信号(呼吸、心率、血流、肠蠕动等)[2]。利用雷达技术检测人体生命体征信号(呼吸、心率等)成为生物医学工程研究中产生的一个崭新的领域。
基于生物雷达的非接触监护系统正是利用了雷达的这些优势。图1为雷达的工作原理图,图2为雷达监护系统的简图。如图2所示,病房屋顶为每个病床安装雷达监控设备,雷达数据通过网络传输到服务器上,工作站计算机通过访问服务器中对应患者的数据进行统一控制和监测。系统可以设定一些模式,比如呼吸暂停综合征模式,那么雷达数据通过预设算法会对相关呼吸信号重点分离及监护,并作有效记录及实时显示。采集的所有数据都会及时保存,医生可以随时调看患者雷达历史数据,通过软件分析,对患者的睡眠、呼吸、心跳、夜间翻身等一系列活动进行临床观察,并作辅助诊断。
硬件预处理模块由课题组前期自行研制开发,特点是:灵敏度高、共模抑制能力强。主要组成部分为:前置输入级、主放大级、滤波器组、增益控制级、50 Hz陷波级、信号输出级。前置级主要是滤波和保护电路;主放大级实现对弱信号的放大,对强信号的限幅;增益控制电路设置调节模块实现对输出信号增益;陷波电路滤除50 Hz的工频干扰。回波信号经过预处理之后输出。预处理单元要±5 V直流电源供电。
3 生命体征参数提取
使用生物雷达可以采集到与心肺相关的生命特征参数[3]。传统的心率及呼吸等生命体征的采集方法主要有脉搏压力传感器、心电图、呼吸绑带压力传感器等,这些测量方法都需要被测者身上贴上一些电极和传感器,而在一些特殊情况下,如患者皮肤大面积烧伤,重度传染病患者体查,精神病、老年患者夜间持续监测等,这就需要一种非接触的采集手段,例如红外、生物雷达[4]等,其中生物雷达技术具有穿透性强的优势,便于透过衣物被褥等检测患者生命体征。因此,对于生物雷达临床监护领域的研究得到了广泛的关注。
3.1 呼吸与心跳信号的分离
基于最小均方(least mean square,LMS)自适应谐波抵消算法[5],检测的信号通过0.03 Hz的高通滤波器去除雷达系统的直流干扰,再进行2.0 Hz的低通滤波,输出信号进行基于LMS算法的自适应谐波抵消信号处理[6]。体动路信号是由心跳信号和干扰等叠加的混合信号,作为滤波器的原始信号输入的d(n)。呼吸路信号通过高通和低通滤波器,去除干扰,经过谐波分析[7]得到呼吸的高次谐波信号u’(n)。呼吸信号的高次谐波估计作为滤波器的参考信号输入。通过自适应噪声抵消器求差值,得到的输出信号为心跳信号e(n)。在算法执行过程中,滤波器基于LMS准则自适应的更新向量权重使得输出误差最小。滤波器的阶数设定为15;算法的迭代次数设为输入信号数据的长度;收敛因子设为输入信号相关矩阵最大特征值的倒数的1/2;信号采样频率为200 Hz,采样时间为60 s。
由实验可见(如图3~7所示),呼吸与心跳的分离较为理想,分离后的心动信号与指压式脉搏信号相关性强。
3.2 睡眠呼吸暂停综合征监测
3.2.1 实验设计
睡眠呼吸暂停综合征是一种临床上常见的疾病,对人类的健康有较大的危害[8]。通过模式识别[9]可以将异常数据有效分离,如图8所示。
我们选择短时平均幅度、短时方差、短时频谱等3个特征组成呼吸信号模式识别的特征向量空间来做有效判别,见表1。
经过计算,得到判别函数为:
d(x)=0.78 x1+0.42 x2+2.1 x3-1
其中,x1、x2、x3为向量系数。
基于判别函数,我们可以对呼吸信号进行判别。
3.2.2 模拟睡眠呼吸暂停综合征实验
图9为一段模拟呼吸暂停的信号,将这75 s的信号一共分成了29个时间段,分别求得每一段的特征向量,并代入判别函数,可以得出第1~7段为正常呼吸状态,8~12段为呼吸暂停状态,13~21段为正常呼吸状态,22~24段为呼吸暂停状态,25~29段为正常呼吸状态,这一过程通过Matlab程序实现,如图10所示。对于正常呼吸状态我们用“+”表示,对于呼吸暂停状态我们用“o”表示,图中的彩色平面即判别面。
如图11所示,根据对呼吸状态的判别,我们可以得出在17.5~32.5 s和52.5~62.5 s 2个时间段均符合呼吸暂停状态的特征,并且这2段时间均≥10 s,因此我们判定在这75 s的时间段内,发生了2次睡眠呼吸暂停。
4 信息采集与分析工作站的建立
基于以上实验,建立多雷达临床监护系统[10]。采集到的数据将会保存在服务器中,数据库记录患者个人信息以及雷达监护数据的保存路径,监护系统分为实时状态和数据分析状态,前者可以进行实时、多人数据显示及分析,后者只作记录,可对历史数据进行处理和分析。如果系统被设置为实时状态,那么可以有几种模式供选择:心跳监护、呼吸监护、睡眠监护等。在相应的模式中会有数据异常判断,例如呼吸监护中,呼吸暂停就是异常数据,而睡眠监护中,频繁翻身即为异常数据。图12为流程图。
5 结语
该系统可以有效提取心率、心跳强度、呼吸率、呼吸强度、睡眠质量、睡眠暂停综合征特征等参数以及有效对数据进行判别,基本满足临床非接触监测要求,作为一种辅助检测手段,其具有明显的优势。雷达各模块的实验数据较为理想地表征了生命体征信息,从这些实验入手,构建相应的监护系统是可行的。但是,系统的实时性可能对于一些模块来说无法兼顾,在接下来的工作中,将重点进行这方面的研究。
参考文献
[1]Lubecke V,Boric-Lubecke O,Awater G,et al.Remote sensing of vitalsigns with telecommunications signals[C]//World Congress on MedicalPhysics and Biomedical Engineering,CWMP2000.US IL,July 2000.Chicago:IEEE Trans Biomedical Engineering,2000:89-96.
[2]张杨,焦腾,荆西京,等.生物雷达技术的研究现状与新进展[J].信息化研究,2010(10):6-10.
[3]Hilton M F,Bates R A,Godfrey K R,et al.Evaluation of frequencyand time-frequency spectral analysis of heart rate variability as a di-agnostic marker of the sleep apnea syndrome[J].Medical and Biolog-ical Engineering and Computing,1999,37:760-769.
[4]王健琪,王海滨,杨国胜,等.心冲击图的雷达式非接触检测技术研究[J].北京生物医学工程,2001(2):7-10.
[5]张华,路国华,荆西京,等.非接触生物雷达基于自适应滤波的心跳信号检测[J].医疗卫生装备,2012,33(1):8-9.
[6]王元东,王健琪,路国华,等.基于自适应RLS算法的非接触式生命参数检测中呼吸和心跳信号的分离[J].医疗卫生装备,2009,30(3):25-27.
[7]张杨,王健琪,荆西京,等.基于自适应滤波的生物雷达干扰抑制方法[J].仪器仪表学报,2009,30(4):807-811.
[8]俞梦孙,张宏金.睡眠医学监测的新模式[J].中国医疗器械信息,2003,27(9):4-6.
[9]张坤,王志中.改进的BP算法在表面肌电信号识别中的应用[J].医疗卫生装备,2005,26(12):17-19.
生物雷达检测技术 篇6
生物雷达回波信号去噪方法中, 常用的是傅里叶变换去噪[5]。生物雷达回波信号中包含的人体呼吸、心跳信号均属于低频信号, 通过低通滤波器能去除高频噪声, 保留大部分有用的人体信号, 这种方法在信号平稳且具有明显区别于噪声的频谱特性时比较有效。但雷达回波信号属于非平稳信号, 且傅立叶变换方法不具有时频分析的局域性[6], 去噪的同时也平滑了信号的突变部分, 可能导致突变位置携带的重要信息丢失。小波变换作为一种非平稳信号分析与处理的工具, 具有多分辨率的特点, 可以方便地从混有强噪声的信号中提取原始信号, 在信号滤波去噪方面得到了广泛应用[7]。小波基选择的正确与否很大程度上影响小波去噪的效果, 但小波基的选择具有一定的主观性和经验性, 自适应性相对缺乏, 给实际应用带来了不便[8]。
美国工程院院士N.E.Huang等人提出了一种可用于非线性和非平稳信号处理的新的时频分析方法Hilbert-Huang变换 (简称HHT) [9]。HHT吸取了小波变换多分辨率的优势, 同时克服了小波变换中需要选择小波基的困难, 可以用于生物雷达回波信号的滤波和去噪[10]。雷达回波信号信噪比较高时, 基于固有模态函数 (Intrinsic Mode Function, IMF) 分量能量分析与小波软阈值去噪的方法能有效地去除回波信号的高频成分, 保留低频有用人体信息[11]。然而在低信噪比情况下, 基于IMF分量能量的分析方法无法确定噪声占主导模态部分与有用信号占主导模态部分的分界点, 无法针对不同IMF分量特点提取其中的有用人体信息。本文利用基于噪声与信号自相关函数特性差异的方法来确定IMF分量中噪声占主导模态部分与有用人体信息占主导模态部分的分界点, 在低信噪比情况下达到既能去除噪声, 又能最大限度地保留信号中有用成分的目的, 为生物雷达识别人体目标奠定良好的基础。
1 UWB生物雷达系统
UWB生物雷达系统由脉冲振荡器产生脉冲信号, 触发电磁脉冲发生器产生窄脉冲, 并通过发射天线辐射出去。反射信号经过接收天线送到取样积分器, 由脉冲振荡器产生的信号经过延时电路产生距离门, 对接收信号进行选择。信号通过积分电路, 实现对成千上万个脉冲的积累, 提高信噪比, 然后进行放大滤波, 经高速采集后送入计算机。一般情况下, UWB雷达中心频率越低, 穿透力越强[12], 因此该系统采用了中心频率较低 (400/500 MHz) 的UWB雷达, 以满足实际应用中对穿透力的要求。系统原理框图, 见图1。
2 噪声抑制方法
2.1 EMD算法
经验模态分解 (Empirical Mode Decomposition, EMD) 是一种基于信号局部极值特征的自适应信号分析方法, 可将复杂信号分解成有限数目、不同尺度的数据列之和, 每个子数据列称为1个IMF分量, 都具有准正弦特性和窄带特性。每个IMF分量需要满足以下条件:①在整个信号长度上, 信号极值和零点的数目必须相等或最多相差1个;②在任意一点, 由极大值点定义的上包络线和由极小值点定义的下包络线的平均值为0。
2.2 EMD分解
EMD分解过程也称为筛分过程, 即通过筛分得到IMF分量, 筛分过程如下:
(1) 找出信号x (t) 中所有极值点, 然后利用3次样条函数分别拟合出极大值点与极小值点的上包络线与下包络线, 求出上、下包络线的均值m1 (t) 。
(2) 将信号x (t) 减去包络线均值m1 (t) 得到1个新序列h1 (t) , 即:
h1 (t) 通常并不是1个平稳信号序列, 将其作为待处理信号x (t) , 重复步骤①、②直至满足判定条件: , SD为连续两次迭代结果的标准差, k为达到判定条件需要的迭代次数, SD通常取值区间为[0.2, 0.3]。经过上述迭代过程得到第1个IMF分量C1 (t) =h1k (t) 。
(3) 将信号x (t) 减去C1 (t) 得到1个去除了高频成分的信号序列r1 (t) :
(4) 对r1 (t) 重复上述3个步骤得到第2个IMF分量C2 (t) , 如此重复下去, 直至得到的rn (t) 为一单调函数或常量, 筛分过程结束, rn (t) 通常表示原信号的趋势项或直流分量, 至此EMD分解过程结束。
经过EMD筛分, 原信号x (t) 被分解为有限个IMF分量:C1 (t) , C2 (t) , …, Cn (t) 和1个余项rn (t) , 因此原信号可表示为:
信号经EMD分解为IMF分量C1 (t) , C2 (t) , …, Cn (t) , 阶数低的IMF分量对应信号的高频部分, 一般信号尖锐部分主要为噪声;阶数高的IMF分量对应信号的低频部分, 一般有用的人体信息集中于该部分, 且该部分中噪声影响很小。
2.3 基于EMD的噪声抑制方法
Wu和Huang[13]等研究结果表明:EMD分解的高斯白噪声信号分量的能量随着分解阶数的增加而逐渐减小, 因此认为IMF分量能量的第一个极小值点即为噪声占主导模态部分与有用信号占主导模态部分的分界点, 基于EMD的噪声抑制方法的主要思想就在于寻找该分界点。以EMD分解得到的IMF阶数为横坐标, 各阶IMF对应的能量为纵坐标, 分别画出信噪比高、低两种情况下的能量曲线, 见图2~3。可见在信噪比高的情况下, IMF分量的能量曲线会出现极小值点;在信噪比低的情况下, IMF分量的能量曲线单调递减, 没有出现极小值点。
信噪比低的情况下, 无法通过寻找IMF分量能量曲线极小值点的方法来确定噪声占主导模态部分与有用信号占主导模态部分的分界点, 此时引入基于噪声与信号自相关函数特性差异的方法来确定该分界点。
自相关函数是信号时域特性的平均度量, 描述了随机信号x (t) 在任意不同时刻t1和t2取值间的相关程度, 一般定义为:
下面对比噪声强度为3 d BW的高斯白噪声n (t) 与信号y (t) 的自相关函数 (图4) :
由图可见, 高斯白噪声n (t) 由于其随机性以及各时刻的弱相关性, 自相关函数在零点出现了最大值, 而其他点的值则迅速衰减;信号y (t) 的自相关函数在零点出现了最大值, 由于信号间存在相关性, 因此其他点的值并未迅速衰减, 而是随着信号变化而变化。噪声与信号通常都是夹杂在一起的, 生物雷达回波信号也是如此。IMF分量中噪声占主导模态部分的自相关函数特性近似于高斯白噪声n (t) , 但没有那么明显;有用信号占主导模态部分的自相关函数的统计特性则近似于信号y (t) 。通过IMF分量自相关函数呈现出来的特性即可判定它是噪声占主导模态还是有用信号占主导模态。
基于噪声与信号自相关函数特性差异的分析方法处理步骤如下:
3 实验测试
(1) 实验目标:与UWB生物雷达 (型号为SJ-3000) 相隔一面实验室穿单墙 (厚度28 cm) , 正对UWB雷达的人体。
(2) 实验预处理:为了减少运算量以及提高信噪比, 对原始数据进行了空域积累与背景去除, 经过积累与去背景的预处理后, 信号中仍夹杂有大量高频噪声, 需要对其进行去噪处理。
(3) 实验结果。对采集到的生物雷达回波信号经过预处理后的一个信噪比较低的点信号进行EMD分解, 得到9个IMF分量。IMF分量的能量曲线, 见图5。
由图5可见IMF分量的能量曲线单调递减, 未出现极小值点, 故需要采用基于噪声与信号自相关函数特性差异的方法来进行噪声处理。
分别求得9个IMF分量的自相关函数, 发现前4阶IMF的自相关函数呈现出噪声特性;从第5阶IMF分量开始, 自相关函数呈现信号特性, 因此认为前4阶IMF为噪声占主导模态, 5~9阶IMF为有用信号占主导模态, 这样就确定出了分界点k=5。按照前面叙述的步骤对信号进行处理, 结果见图6, 有效去除了雷达回波信号中夹杂的高频噪声, 保留了低频有用人体信息。对其进行FFT频谱分析, 结果见图7, 可见信号中的高频成分得到了有效抑制, 低频成分得以保留, 达到了抑制高频噪声干扰的目的。
4 讨论
对于信噪比较低的信号, 通过基于噪声与信号自相关函数特性差异的分析方法有效地去除了高频噪声成分, 保留了低频有用信息, 且整个过程都以雷达回波信号经EMD分解得到的IMF分量的自相关函数特性为依据, 未引入主观参数, 体现了该方法的自适应性。虽然该方法取得了一定效果, 但还需要进一步的改进与细化, 噪声占主导模态部分与信号占主导模态部分的自相关函数特性都具有明显的特性, 但是两部分可能会出现混叠的情况, 即某一IMF分量的自相关函数特性同时呈现出噪声与信号特性, 对于该情况的划分还需进一步进行研究。
摘要：目的 基于经验模态分解 (EMD) 的多尺度时域滤波特性, 抑制生物雷达回波信号噪声。方法 将经过预处理的雷达回波信号进行EMD分解, 获取固有模态函数 (IMF) 分量;根据噪声与信号自相关函数的特性差异将IMF区分为有用信号占主导模态与噪声占主导模态两部分;然后用基于小波软阈值的去噪方法提取噪声占主导模态部分中的有用成分, 与有用信号占主导模态部分的固有模态函数叠加, 获取雷达回波信号中的生命信息。结果 基于EMD的噪声抑制方法有效地去除了雷达回波信号中的高频噪声成分, 提取出了有用信息。结论 基于EMD的噪声抑制方法能为生命体目标的识别提供更多信息。
生物雷达检测技术 篇7
人体运动状态探测识别、分类在实际应用中具有重要的应用价值,比如在反恐行动中对恐怖分子或被挟持人员的状态分析,各种灾害现场搜救人员对被困人员状况的掌控,公共安全防护中异常行为人员的识别,以及伤员术后肢体恢复情况的评价等情况均需要时刻掌握人体运动状态[1,2]。生物雷达因其免受光线和探测角度影响可实现全天候穿透探测,逐渐成为探测技术研究热点。目前,针对连续波生物雷达在自由空间下对人体运动信号的探测与识别的研究已取得较大的进展[3,4],然而考虑在反恐行动、灾害搜救等实际穿墙探测环境下对穿透探测性能、抗干扰能力和信号质量的要求,本研究采用的步进频连续波(Stepped Frequency Continuous Wave,SFCW)超宽带生物雷达,其抗干扰能力强且具备较高的分辨率和穿透性,能够提供运动信号的距离信息,在后期识别中具有独特的优势。
在反恐行动和灾害搜救等实际场景中,包含身体各部分细微变化的细粒度运动出现频率最高,比如手势、原地跳跃,挥手、蹲下起立等。而对于此类细粒度运动,单纯依赖主体运动多普勒特征进行识别分类的方法将失效[5],而由四肢运动形成的微多普勒特征将成为最重要的识别信号。Chen等[6,7]指出除目标主体运动外,其目标各部件运动也存在各自的微多普勒特征,可以反映复杂人体结构运动特征,为目标细微运动分类(尤其是人体不同运动分类)提供了新思路[8,9]。同时,时频变换作为有效非平稳信号分析工具,可以将含有多频率组分的信号在时频域上的不同特征更加高效地体现出来,不仅能够区分粗粒度运动,更能较好地区分仅有细微差别的细粒性运动,为人体运动状态分析识别提供有效信息。目前,研究者们在自由空间下利用联合时频分布技术对除躯干运动外的各肢体(手臂和腿)运动形成的微多普勒特征进行分析,从而对挥手、走- 停- 走[10],摆单臂行走、双臂行走等有距离运动[4]进行识别分类。
在穿透探测中,由于穿墙回波信号衰减较大或者因目标离雷达较远而信号较弱时,微多普勒特征容易变得十分微弱,运动整体时频谱特征变得模糊,导致运动特征可识别度降低。Kim等[8,9]基于人体运动微多普勒时频谱特征值,利用智能识别算法对爬行、持枪行走等7 种运动状态进行识别分类,在自由空间下效果优异,但在穿墙条件下较近距离内运动信号微多普勒特征已急剧削弱,识别分类准确率变低。为此,针对运动幅度较大、非平稳、随机性强的人体运动信号,本研究提出了一种基于反权重系数人体运动超宽带雷达信号时间—频率谱综合距离累积方法。本方法对人体运动超宽带雷达信号不同距离单元上的不同频谱特征信息充分利用,以期使得人体细粒度运动微多普勒特征更加明显,为后期人体运动的有效特征提取和高效识别准确率奠定基础。
1 材料与方法
1.1 SFCW雷达实验平台
本研究基于双通道SFCW雷达系统,系统的主要技术指标:工作带宽0.5~3.5 GHz,发射机步进点数101~301(可调),发射机频率采样间隔30 MHz,最大发射功率10 d Bm,动态范围≥ 72 d B,AD精度≥ 12 bit,采样率为4 ms/ 次。天线系统采用1 发2 收天线阵,天线采用平面对数螺旋天线,发射天线与接收天线采用交叉极化,整个SFCW雷达采集系统,见图1(a)。
利用SFCW雷达穿墙探测人体运动场景,见图1(b),受试者位于实验室砖墙一侧,正对紧贴砖墙另一侧的雷达。采集数据时,每次仅有一位受试者位于砖墙一侧以自然状态执行特定动作,每个特定动作重复执行并持续20 s左右,雷达探测回波经后期软件采集得到原始离散信号。本研究分别在隔墙3 m处采集原地踏步、原地跳跃和蹲下捡物信号,然后分别在4、5、6 m处采集原地踏步信号。
1.2 基于不同距离累积方式的人体运动超宽带雷达信号时频分析方法
SFCW超宽带雷达因其具有距离分辨率可使人体运动各部位的距离信息变化在雷达回波时间- 距离图像上明显地表现出来。在超宽带雷达中,运动信号经过采样后得到sig(t),其表示处于一个相邻处理间隔(Coherent Processing Interval,CPI)的一个目标散射中心信号。在此CPI中,其假定目标运动维持在单个距离单元中,并且每个距离单元都得到一个信号,即可获得一系列信号{Sigil(t)}(i表示距离单元索引)。此时对单个距离单元信号进行时频变换是分析微多普勒特征的有效方法。文献[5]指出,如果目标在CPI中运动距离处于单个距离单元长度内,则此方法有效。若目标在CPI中运动距离超出单个距离单元长度,此时散射中心信号将分布于多个距离单元,此方法将失效。根据本系统参数和采样率参数,在CPI内,人体运动各散射中心运动均处于单个不同距离单元内。
原地踏步运动在SFCW雷达原始回波时间- 距离像上主要分布在1200~1500 点(图2(a))。对此单通道原始回波依次进行距离压缩、去背景和低通滤波(截止频率为60 Hz)等预处理,得到原地踏步SFCW雷达回波预处理信号(图2(b)),其运动起伏变化在图像上清晰可见。在对回波预处理信号进行时频分析时,不同距离单元信号的利用方式将对时频分析效果产生重要影响。在以往研究方法主要有优选一点法和有效距离平均法两种。
1.2.1 最优一点法和有效距离平均法
(1)最优一点法:在距离单元上取信号最优一点。通过在超宽带雷达时间距离像中选择最强或者信号特征代表性最优的距离单元信号sigbest,然后进行时频分析。本研究基于能量最强原则选择最优点。
(2)有效距离平均法:将有效运动特征范围内不同距离单元上部分信号叠加求平均,然后得到sigaverage,并对其进行时频分析。
以上两种方法常见于超宽带雷达人体呼吸心跳信号探测时,由于人体呼吸相对于体动幅度小、规律性强、平稳性好,取最优点并不会丢失过多信号特征。有效距离内多点信号合理平均时,合理个数距离单元平均后不易造成信号特征丢失,可以增强信号能量,提高信噪比。
1.2.2 基于反权重系数人体运动超宽带雷达信号时间-频率谱综合距离累积方法
对于人体原地踏步、跳跃等细粒度运动,根据其原始时间- 距离图可以发现:运动跨多距离单元,幅度大、非平稳、弱周期,运动人体各散射中心(各肢体结构)的运动将粗略地分布于不同的距离单元,从而对回波信号形成不同的频率调制。另外,超宽带雷达信号经过穿墙衰减之后,各组分微多普勒特征将被削弱,使得运动整体时频谱特征变得模糊,不利于人体运动状态分析识别。因此本研究提出基于反权重系数人体运动超宽带雷达信号时间- 频率谱综合距离累积方法,充分利用超宽带雷达信号不同距离单元上不同散射中心信号的时频信息,对人体运动信号微多普勒时频谱特征进行增强。首先,笔者需要得到联合距离- 时间- 频率分布(Joint-Range-Time-FrequencyRepresentation,JRTFR)[11],见图3。
通过对每个距离单元信号进行时频变换得到时间- 频率谱(Time-Frequency-Representation,TFR) 并将不同距离单元上的TFR按顺序聚集从而得到整个人体运动超宽带雷达信号在有效距离内的JRTFR立方体,三坐标轴分别表示距离、时间、频率,见图3。然后,将整个JRTFR沿距离轴对每个距离单元信号所得TFR按相应反权重系数进行距离累积。最终将得到整个运动信号综合距离累积时频分布(Comprehensive Distance Accumulation Time-Frequency Representation,CDATFR)。
本文基于增强由肢体运动所形成的微多普勒特征的目的,采用反权重系数对不同距离单元时频谱进行综合距离累积,反权重累积如公式(1) 所示:
其中 ωi表示不同距离单元TFR所对应的权重,si表示不同距离单元所得到的TFR,i=1...n,n表示运动信号TFR信号有效距离单元长度。
在选择权重系数 ω 时,本研究根据人体细粒度运动超宽带雷达信号独有特点而采用反权重系数进行距离累积。以图2 原地踏步信号为例,在原始雷达回波信号伪彩图的运动特征有效范围内,在距离轴方向上中间部分主要来源于散射面积较大的躯干运动和少量肢体运动,其能量较强。而在向其两侧能量逐渐减弱,主要来源于散射面积较小的肢体运动和逐渐减少的躯干运动,如手臂和腿的运动。当信号经过穿墙衰减或者因目标离雷达较远而信号较弱时,肢体造成的微多普勒将急剧衰减。为此,将能量值较弱的距离单元TFR赋予较大的权重而能量值较大的距离单元TFR赋予较小的权重,从而利用反权重系数 ω 增强由手臂、腿等肢体运动形成微多普勒特征。
2 结果
本研究采用短时傅里叶变换(STFT)对人体运动雷达信号进行时间- 频率谱分析,其中窗函数采用0.42 s的Hanning窗。本实验主要分为两部分:
(1)第一部分主要利用基于3 种距离累积方法的时频变换对相同距离处不同人体细粒度运动穿墙探测超宽带信号进行时间- 频率谱分析。以原地踏步、原地跳跃和蹲下捡物为例,其实验结果,见图4。
(2)第二部分主要利用基于3 种距离累积方法的时频变换对不同距离处相同人体细粒度运动穿墙探测超宽带信号进行时间- 频率谱分析,以原地踏步为例。实验结果,见图5。
图4(a) 表明取最优一点时频分析效果稍好但信号特征较弱。图4(b) 表明有效距离内信号平均法距离累积后再进行时频分析,效果最差。图4(c) 表明基于反权重综合距离累积时频谱效果最好,信号特征明显。
图5 分别为穿墙4 m、5 m、6 m处原地踏步运动信号基于三种距离累积方式条件下STFT时频谱。通过观察可以发现,在穿墙4 m处,距离平均法已经失效,所得时频谱微多普勒特征已急剧削弱,很难看出原地踏步运动变化特征。最优一点法效果优于距离平均法,在穿墙5 m处仍可以较为粗略的看出原地踏步运动的节律性变化,但此时由手臂和腿等肢体运动形成的高频微多普勒特征已极其微弱并且较为混乱模糊。而本文提出的综合距离累积时频变换方法性能优越。虽然与3 m处原地踏步动作时频谱图4(c) 相比,随着穿墙距离增加,部分能量较为微弱的肢体运动信号高频微多普勒特征已经被急剧削弱。但其在穿墙6 m处也能较好的表现出原地踏步运动的节律性变化,躯干运动多普勒特征和肢体运动微多普勒特征仍能明显区分,利于运动特征分析。因此,在较远距离穿墙情况下,运动信号微多普勒特征因衰减较大而较为微弱时,本方法优势十分明显。
3 讨论
第一部分实验结果中,对于原地踏步、原地跳跃、蹲下捡物3 种跨多个距离单元的大幅度、非平稳信号,人体各个肢体结构的散射中心将粗略地分布于不同的距离单元,因而不同距离单元信号将包含不同肢体的运动信息,并且相邻距离单元信号具有一定的相关性。若采用最优一点法,将丢失许多不同肢体结构所形成的微多普勒信息。若采用有效距离平均法,分布在不同距离单元内信号的正负值很容易相互抵消或者被改变从而导致运动特征被减弱或者被改变。然而采用本研究提出的综合距离累积时频变换方法则可以清楚的看出人体运动的节律性变化,并且由躯干运动形成的多普勒特征和肢体运动所形成的微多普勒特征也可以明显区分。如图4(c) 所示,由于在原地踏步、原地跳跃和蹲下捡物时,人体躯干运动频率较低但散射面积大、能量强,因此其在时频图中就主要分布在0~8 Hz以内,而手臂和腿等肢体运动速度快故瞬时频率高,因而在时频图中主要分布于8 Hz以上。另外,由于肢体运动在原地跳跃时比踏步时更加随机不规律,故而从原地跳跃时频谱中就可看出包含高频信息的微多普勒特征变化更加紊乱。
第二部分实验结果中,随着穿墙距离的增大,人体运动的高频微多普勒特征相对低频微多普勒特征衰减更快。这可能是因为距离增大,手臂等肢体相对躯干运动速度快、散射面积较小,其形成的高频微多普勒衰减更快并更容易淹没于随机无规律噪声和干扰中,因而更难在时频谱中表现出有规律的运动特征。
4 结论
本研究基于穿墙探测的需求选择SFCW雷达对人体细粒度运动进行穿透探测。针对人体运动超宽带雷达信号微多普勒特征容易由于穿墙探测或者距离增大而急剧衰减,从而不利于人体运动信号的有效分析和识别的问题,本研究提出了一种基于反权重系数综合距离累积时频变换方法。其充分利用人体运动SFCW超宽带雷达信号不同距离单元信息,在较好地保证信号特征完整性和原始性的基础上增强运动信号微多普勒特征。
在实验研究中,首先通过基于3 种距离累积方式的时频处理方法对同一穿墙距离处原地踏步、原地跳跃和蹲下捡物3 种穿墙超宽带雷达信号进行时频谱分析,结果表明本研究提出的综合距离累积时频变换方法针对人体细粒度运动信号处理效果优于目前常用的最优一点法和距离平均法,证明了此方法对不同运动信号的广泛适用性。另外,实验还通过基于3 种距离累积方式的时频处理方法对不同穿墙距离处的原地踏步穿墙超宽带雷达信号进行时频谱分析,结果表明综合距离累积时频变换方法在运动信号微多普勒特征因穿墙或距离增而削弱时,可以较好地增强微多普勒特征。
本研究提出的综合距离累积时频变换方法能够高效利用人体运动超宽带雷达信号距离信息,较大程度上合理增强运动信号中微多普勒特征,为穿墙探测或远距离探测条件下人体细粒度运动的有效分析和准确识别奠定了基础。在下一步研究中,希望对随着距离增大运动高频微多普勒特征削弱过快问题进行深入研究并提出相应的解决方法。
参考文献
[1]Fairchild DP,Narayanan RM.Micro-doppler radar classification of human motions under various training scenarios[C].SPIEDefense,Security,and Sensing.International Society for Optics and Photonics,2013:873407-873411.
[2]Bryan JD,Kwon J,Lee N,et al.Application of ultra-wide band radar for classification of human activities[J].IET Radar Sonar Navig,2012,6(3):172-179.
[3]Fairchild DP,Narayanan RM.Classification and modeling of human activities using empirical mode decomposition with S-band and millimeter-wave micro-Doppler radars[C].SPIEDefense,Security,and Sensing.International Society for Optics and Photonics,2012:83610X-15.
[4]Lyonnet B,Ioana C,Amin MG.Human gait classification using micro Doppler time-frequency signal representations[C].Radar Conference,2010 IEEE.IEEE,2010:915-919.
[5]Smith GE,Ahmad F,Amin MG.Micro-Doppler processing for ultra-wideband radar data[C].SPIE Defense,Security,and Sensing.International Society for Optics and Photonics,2012:83610L-83610L-10.
[6]Chen VC.Analysis of radar micro-Doppler with time-frequency transform[C].Statistical Signal and Array Processing,2000.Proceedings of the Tenth IEEE Workshop on.IEEE,2000:463-466.
[7]Chen VC,Li F,Ho SS,et al.Micro-Doppler effect in radar:phenomenon,model,and simulation study[J].IEEE T Aero Elec Sys,2006,42(1):2-21.
[8]Kim Y,Ling H.Human activity classification based on microDoppler signatures using an artificial neural network[C].Antennas and Propagation Society International Symposium,2008.AP-S 2008.IEEE.IEEE,2008:1-4.
[9]Kim Y,Ling H.Human activity classification based on microDoppler signatures using a support vector machine[J].IEEE TGeosci Remote S,2009,47(5):1328-1337.
[10]Lai CP,Ruan Q,Narayanan RM.Hilbert-Huang Transform(HHT)analysis of human activities using through-wall noise radar[C].Signals,Systems and Electronics,2007.ISSSE'07.International Symposium on.IEEE,2007:115-118.
生物雷达检测技术 篇8
超宽带(Ultra-Wide Band,UWB)生物雷达融合了雷达技术和生物医学工程技术,通过发射出的电磁波穿透非金属介质(木板、墙壁、废墟等),检测到生命体目标的体动,或者呼吸、心跳等生命体征引起的体表微动,并以此为依据探测和识别生命体目标。与基于红外、光学和超声的探测技术相比,UWB生物雷达因其具有非接触、穿透性强、能够获得目标距离信息、抗干扰能力强等特点,可广泛应用于医学、军事、反恐等领域,特别是在地震、塌方等灾害发生后的应急救援中,具有不可替代的优势[1,2,3,4,5]。
目前的UWB生物雷达技术多采用冲激脉冲(Impulse Radio,IR)雷达,它是以固定的脉冲重复频率发射超短脉冲来实现超宽带的[6,7]。IR-UWB生物雷达在地震、塌方等灾后应急救援场景中,通常采用小时窗分段探测技术来提高雷达的探测精度和回波信噪比[8]。但当目标压埋较深,距离雷达较远时,使用这种技术就会增加探测时间,影响探测效率。因此,为了能够更加快速准确地发现幸存人员,应当使用大时窗探测技术。
但是当生物雷达进行大时窗探测时,由于探测环境十分复杂,雷达发射的电磁波通常需要穿透多种不同介质才能照射到被压埋的人体目标。当IR-UWB生物雷达发射的电磁波穿过两种介电常数不同的介质(如砖和空气)时,由于雷达硬件电路不可能工作在理想条件下,发射脉冲必然会产生细微抖动,原本应该静止的不同介质交界面处的雷达回波,将会随时间不断变化,产生强反射杂波[9,10]。有时这种强反射杂波和人体的呼吸信号十分相近,普通的雷达回波信号处理方法很难将其去除,从而导致雷达系统发生误判或者漏判,浪费宝贵的救援时间和资源,影响对幸存人员的搜救[11]。
在以往的IR-UWB生物雷达探测研究中,为了消除这种由强反射障碍物引起的非静态杂波,有研究通过在人体目标身后放置吸波材料来消除砖墙、地面等带来的强杂波干扰[12,13],但是这种方法只能在实验研究中运用,无法应用在实际的灾后搜救场景中;还有研究通过改变雷达回波的起始位置将这种非静态杂波干扰调整到雷达接收时窗之外[14],但这种方法会导致探测时出现盲区,影响雷达系统的实用性;还有些研究利用特殊的雷达回波信号处理算法,对这种非静态杂波的消除具有一定的效果,但是当障碍物距离人体目标非常近时(如人体靠墙站立或平躺在地面上),由障碍物发射产生的非静态杂波和人体目标的呼吸信号就变得更加难以区分[15,16]。
本文提出了一种基于双源IR-UWB生物雷达的强反射杂波抑制方法,利用两种不同中心频率的天线,通过等效时间采样和分时复用技术同时对目标进行探测,再配合自适应杂波消除算法,能够有效地抑制这种强反射杂波干扰,提高雷达判断的准确率。
1 基于双源IR-UWB生物雷达的通道内处理算法
双源IR-UWB生物雷达的发射天线发射雷达脉冲,雷达脉冲被人体目标反射,再通过双源IR-UWB生物雷达的接收天线接收到被人体目标反射后的雷达脉冲,即雷达原始回波信号。双源IR-UWB生物雷达包含两对具有不同中心频率的天线,每对天线均包括一个发射天线和一个接收天线,两个接收天线接收到两个具有不同中心频率的雷达原始回波信号R1和R2。分别对这两个通道的回波信号做通道内处理,具体步骤如下:
1.1 距离累积
用R表示任意一个通道内的雷达原始回波信号,R可以表示为二维矩阵R(m,n)。雷达原始回波信号二维矩阵示意图,见图1。图中横轴表示探测时间,称为“慢时间”,沿着探测时间的方向为慢时间方向,单位是s;纵轴表示探测距离,称为“快时间”,沿着探测距离的方向为快时间方向,单位是ns。在某一时刻,沿着快时间方向的信号,即二维矩阵的列向量,叫做“道信号”;在某一距离点上,沿着慢时间方向的信号,即二维矩阵的行向量,叫做“点信号”。由于快时间方向上邻近距离点处的雷达回波的调制方式大致相同,且具有一定的相关性,因此,在不影响有用信息的前提下,首先对二维矩阵R(m,n)在空间域沿着快时间方向进行距离累积,即:
式中,R1(l,n)(l=1,2,...,L)为距离累积后的雷达回波数据,Q为沿着快时间方向累积的窗宽,L为累积后在快时间方向的距离点数,且,其中表示向下取整,设定窗宽Q=40,采样点数M为8192,则L为200,从而大大降低了雷达数据处理的运算量,减少了探测所需的运算时间,提高了废墟搜救幸存人员的工作效率。
1.2 归一化
距离累积后的雷达回波信号R1在时间域沿着慢时间方向进行归一化处理,得到归一化后的雷达回波信号R2。为了增强距离雷达较远处目标信号的幅度,补偿信号在穿透和传播过程中的衰减,提高雷达回波信号的信噪比,对距离累积后的信号R1,在时间域沿着慢时间方向进行点信号的归一化处理,即:
式中,R2(l,n)为归一化后的雷达回波数据,N为R1中包含的道信号的个数。雷达回波数据R1(l,n)经过归一化处理后,每个距离上的点信号的幅值范围都在-1到1之间。
1.3 线性趋势消除
对雷达回波信号R2进行线性趋势消除,得到雷达回波信号R3。由于IR-UWB生物雷达的硬件不可能在理想条件下工作,采集数据过程中往往伴随着回波基线的漂移。因此,本文采用线性趋势消除(Linear Trend Subtraction,LTS)来去除雷达回波信号R2中的静态杂波以及线性漂移,LTS通过线性最小二乘拟合估计出雷达回波信号R2在慢时间方向上的直流分量和线性趋势后,再从回波数据中减去,即:
式中,R3表示LTS后的雷达回波信号,
y=[n/N,IN],n=[0,1,2,...,N-1]T,IN为一个长度是N且元素都是1的列向量,N为R2中包含的道信号的个数。
1.4 低通滤波
对雷达回波信号R3进行低通滤波,得到滤波后的雷达回波信号R4。由于IR-UWB生物雷达的硬件在工作过程中不可避免的会产生高频噪声,而且人体目标的呼吸信号又是一个窄带的准周期信号,因此,为了进一步提高雷达回波的信噪比,就需要在慢时间方向上对雷达回波信号R3的点信号进行低通滤波:
式中,R4(l,n)为滤波后的雷达回波数据,“*”表示卷积运算,h(t)为有限冲击响应(Finite Impulse Response,FIR)滤波器的冲击函数。根据人体的呼吸频率,该算法中低通滤波器的截止频率为0.5 Hz。
按照上述4个步骤,分别对两个通道内的雷达原始回波信号R1和R2进行通道内处理,得到处理后的雷达回波信号R41和R42。
2 基于双源IR-UWB生物雷达的通道间处理算法
本文中双源IR-UWB生物雷达包含中心频率分别为270 MHz和400 MHz的两对蝶型天线,采用等效时间采样、多通道分时复用技术,实现不同中心频率天线每发射出一道信号后交替工作,从而使两种中心频率的天线在工作时相互不产生干扰。由于两对不同中心频率的天线分时复用交替探测,且交替时间间隔非常短,可近似认为两对天线同时对目标进行探测,两对不同频率的雷达回波中人体呼吸信号具有一定的相关性;但是两对天线的脉冲发射源是相互独立的,因此产生的脉冲抖动是随机的,不具有相关性。
R41和R42分别是中心频率为270 MHz和400 MHz通道内处理后的雷达回波信号。对R41和R42进行自适应杂波消除,得到人体呼吸信号的估计值S(k)。基于双源IR-UWB生物雷达的通道间处理具体算法的原理,见图2。主输入信号y(k)为提取的雷达回波信号R41的点信号,由人体目标的呼吸信号S1(k)和非静态杂波n1(k)组成,而参考信号x(k)为提取的雷达回波信号R42的点信号,由人体目标的呼吸信号S2(k)和非静态杂波n2(k)组成。由于两对不同中心频率的天线同时对人体目标进行探测,因此呼吸信号S1(k)和S2(k)具有一定的相关性,又由于两对天线的脉冲发射源是相互独立的,因此产生的脉冲抖动是随机的,非静态杂波n1(k)和n2(k)不具有相关性。利用误差信号e(k),通过最小均方算法调整FIR滤波器的参数,使滤波器的输出信号S(k)为相关的人体呼吸信号的估计值,将雷达回波信号中的强反射杂波等非静态杂波去除,计算步骤如下:
其中,FIR滤波器的阶数L=50,步长因子μ=10-5,权系数向量ωi(k)的初始值全是0,k表示输出信号S(k)中的数据序号。
3 双源IR-UWB生物雷达探测实验
3.1 穿墙实验
穿墙探测场景,见图3。房间内两堵平行的砖墙厚度均为24 cm,将双源IR-UWB生物雷达系统摆放在其中一堵墙后,对无人的房间进行探测。探测完成后,一名健康成年男子紧靠另一堵墙且正对雷达站立,平静呼吸,身体保持静止,雷达与人体目标之间的距离约为3 m,对其进行探测。
为了能够更加直观地识别人体目标的呼吸信号及其所在位置,对处理后的雷达回波数据沿慢时间方向计算每个距离上的点信号的方差,得到雷达回波信号的能量谱。在有人体目标和无人体目标两种情况时,采用普通IR-UWB生物雷达处理方法(基于单源IR-UWB生物雷达的常规处理算法[16])得到的雷达回波数据能量谱,见图4。从图4(a)中可以看出,3 m附近的能量值明显大于其余位置的能量值,这正是由人体目标的呼吸引起的。而图4(b)中,3 m附近也出现了很明显的能量峰值,这是因为IR-UWB雷达在探测过程中,人体身后的墙产生了强反射杂波干扰,它与人体目标的呼吸信号十分相似,无法通过普通的IR-UWB生物雷达处理方法滤除。因此,通过普通的生物雷达探测技术,有人体目标和无人体目标两种情况的雷达回波数据都被判断为探测区域内有人体目标,且目标距离都约为3 m,图4(b)的回波数据产生误判。
在有人体目标和无人体目标两种情况时,采用基于双源IR-UWB生物雷达的强反射杂波抑制方法得到的雷达回波数据能量谱,见图5。从图5(a)中可以看出,只有3 m附近的能量峰值较强,其最大值在2.88 m处,正好是人体目标所站的位置。而图5(b)中有多处较强的能量峰值,这是由于能量谱进行归一化后,原本很小的峰值都变得比较明显。实际上,出现在图4(b)中近似呼吸的强反射杂波已经被较好的抑制。因此,图5(b)中雷达回波数据的判断结果为探测区域内无人体目标,与实际情况相符。
3.2 穿废墟实验
穿废墟探测场景,见图6。模拟废墟高度约为3 m,包括两个10 cm厚的混凝土预制板,两段厚度约为1 m的砖块堆,还有一个高度约为80 cm的废墟空洞。IR-UWB雷达系统放置在模拟废墟顶端,方向朝下进行探测。探测完成后,一名健康成年男子平躺在废墟空洞中,胸壁正对雷达,平静呼吸,身体保持静止,雷达与人体目标之间的距离接近3 m,对其进行探测。
在有人体目标和无人体目标两种情况时,采用普通IR-UWB生物雷达处理方法得到的雷达回波数据能量谱,见图7。两幅图的能量波形很相似,都存在多处较强的能量峰值,这主要是因为IR-UWB雷达系统在穿透模拟废墟探测过程中,由于雷达脉冲的抖动,在两种介质(预制板和空气、砖和空气)的交界面处原本应该静止的雷达回波却随慢时间不停变化,产生近似呼吸的强反射杂波干扰。因此,两幅图的雷达回波数据判断结果都是探测区域内无人体目标,图7(b)的探测结果发生了漏判。
在有人体目标和无人体目标两种情况时,采用基于双源IR-UWB生物雷达的强反射杂波抑制方法得到的雷达回波数据能量谱,见图8。虽然图8(a)中仍存在多处较强的能量峰值,但实际上由废墟交界面产生的近似呼吸的强反射杂波已经被大大的削弱了,只是能量归一化使得原本幅度很小的能量峰值又变得比较明显。因此,这幅图的回波数据判别结果为探测区域内无人体目标,与实际情况相符。图8(b)中只剩下一处较强的能量峰值,这正是人体目标的呼吸能量,其能量最大值在4.05 m处。由于该坐标距离计算的是电磁波在空气中的传播距离,而电磁波在该模拟废墟中的衰减很大,经过距离校准后的实际位置约为2.83 m,与人体目标所躺的位置相符。
4 结语
在基于IR-UWB生物雷达的生命探测技术研究中,强反射杂波干扰对雷达回波的信噪比影响十分重要。本文采用一种双源IR-UWB生物雷达配合自适应杂波消除方法能够较好地抑制不同场景中的强反射杂波干扰,提高了生物雷达系统判断的准确率,为该领域的进一步发展提供了新的研究思路和方法。
摘要：在基于生物雷达的生命探测技术研究中,强反射杂波干扰对雷达回波的信噪比影响十分重要,普通的信号处理方法很难将其去除,从而使雷达系统发生误判或者漏判。本文在现有超宽带生物雷达技术的基础上,提出了一种基于双源IR-UWB生物雷达的强反射杂波抑制方法。利用两种不同中心频率的天线同时进行探测,首先对不同频率雷达回波信号分别进行通道内处理,实现人体微弱生命信号的增强;然后进行通道间处理,并采用自适应杂波消除技术抑制雷达回波中的强反射杂波干扰。在穿透砖墙和废墟两种不同场景下进行实验,结果表明本文所提出的方法可以明显提高雷达探测的准确率。
雷达极化测量技术 篇9
极化信息同雷达信号中的幅度、相位、频率、波形一样,是雷达信号的重要参量[3]。不同的辐射源,其极化方式不同,测量电磁波信号的极化方式对辐射源信号分类、识别都具有重要意义。常用的电子侦察系统侦察辐射源的参数包括辐射源的方位角、信号载频、信号调制样式、脉冲重复周期、脉冲宽度等,而针对辐射源的天线极化方式的侦察很少。其实传统的对雷达的侦察系统相当于采用的是独立于雷达信号极化的圆极化侦察,这种侦察方式能够侦收到绝大部分辐射源信号,但其结果往往是除了损失1/2的入射信号功率外,同时损失了对入射信号极化特性的检测、分辨和识别能力[4]。为更好地对辐射源进行分类、识别,文中针对雷达辐射源极化的检测与测量,提出了正交双通道测量极化方法,并对该方法进行了仿真实验,实验结果验证了该方法是正确的。
1 雷达电波极化方式
1.1 极化椭圆
由麦克斯韦方程组推导出了时变电磁波的基本表达式,该表达式是建立在一定的理想条件下。因为雷达天线与侦查接收天线距离较远,可以看作是远场,电磁波在大气中传播姑且认为是在均匀介质中传播,所以发射的无线电波认为是均匀的平面电磁波,也称为横电磁波(Transverse Electro-Magnetic Wave)简称TEM波[5]。
对于电磁波而言,极化描述了电场矢量端点作为时间的函数所形成的空间轨迹的形状和旋向[6]。平面电磁波的电矢量在直角坐标系中可分解为水平和垂直两个分量,而这两个分量之间的相对关系就构成了平面电磁波的极化方式[7,8]。
一般情况下,一个沿+z方向传播的单色电磁波的电场矢量E既有x方向的分量[9],又有y方向的分量,用复矢量表示为
式中,
式(1)还可以写为
其中,
由以上3式可以看出,当Ex≠0、Ey≠0并且ϕ≠0时,消去参数γ,得出一般情况下的椭圆方程
由此可见,平面电磁波的极化椭圆由E0x、E0y和3个参量惟一确定。如果只考虑椭圆的形状而忽略其大小,那么只需要两个参数ϕ和γ就可以描述一个极化椭圆。其中,ϕ是相位差,γ是垂直极化电波幅度与水平极化电波幅度比值的反正切。如图1所示,一般情况下平面电磁波电场矢量的轨迹图。
极化椭圆的旋转方向是这样规定的(IEEE Test Antenna Standard,1979):如果电场矢量旋向与传播方向满足右手螺旋定则,则称为右旋极化;如果电场矢量旋向与传播方向满足左手螺旋定则,则称之为左旋极化。
1.2 电波的极化形式
根据平面电磁波的电场矢量端点在空间中的轨迹图形,一般可划分为3种极化形式,即线极化、圆极化和椭圆极化[10,11]。
(1)线极化。
当E0y或E0y有一个为0,极化椭圆蜕化为一条线段,对应的极化方式为线极化。当E0x=0时,电磁波对应的极化方式是垂直线极化;当E0y=0时,电磁波对应的极化方式是水平线极化。当ϕ=-180°或180°时,即使水平方向或者垂直方向的分量的幅度不为0,其极化方式也是线极化。该线极化与x轴的夹角θ和两者之间的幅度比有关系[12],而θ=arctan(E0y/E0x)。
(2)圆极化。
当垂直分量的幅度与水平分量的幅度相等且两者之间的相位差为+90°或-90°时,极化椭圆蜕化为圆形,+90°对应左旋圆极化,-90°对应右旋圆极化。
(3)椭圆极化。
除了以上两种情况外,剩下的都是椭圆极化,通过侦收测得椭圆倾角γ、椭圆率角ε和椭圆尺寸A来区分不同的椭圆极化。
2 正交极化天线法
正交极化天线法是采用两个正交的极化天线接收雷达信号,接收到的信号通过两个相参通道,经过一系列处理,测出两个通道信号的幅度比和相位差,从而输出雷达信号的极化方式。这两个正交的极化天线可以是垂直线极化和水平线极化的结合,也可以是左旋圆极化和右旋圆极化的结合,仅两者的数据处理部分不同,其原理是相同的。这种方法又称为幅度—相位法[13]。
以常见的极化雷达信号为例,为了方便计算,姑且认为该极化雷达发射的电磁波是平面电磁波,任何一个平面电磁波都可以表示为
式中,f为雷达信号的载波频率;ϕx、ϕy分别为水平方向和垂直方向电波的初相。
该雷达信号进入极化分集接收系统后,在水平通道和垂直通道的响应就是Ex和Ey
两者间的幅度比为
相位差为
ϕ=ϕy-ϕx (8)
水平通道和垂直通道的信号混频,放大,中频滤波和正交相位处理,分别输出两路正交的I、Q信号
式中,k、a为经过混频和低通滤波器的增益;ϕl为本振的初相。提取信号的幅度值,得到信号的幅度分别为
信号相位差的提取得到
V0=k2·a2·E0x·E0ycos(ϕy-ϕx) (12)
通过式(11)和式(12)可以计算出信号的幅度比和相位差为
对比式(7)～式(8)和式(13)～式(14)可以看出,所求的幅度比χ′=χ,相位差ϕ′=ϕ。所以由所求的幅度比和相位差来判别雷达信号的极化方式是正确的。
3 实验仿真结果及分析
当雷达发射的是左旋椭圆极化,雷达信号的频率为f=1 020 MHz,接收机带宽200 MHz,其中心频率为f0=1 000 MHz。以一个左旋的极化椭圆为例,设初值E0x=1,ϕx=π/3,E0y=2,ϕy=π/2。理论上,接收机的水平通道和垂直通道都有信号并且幅度之比为2∶1,仿真得出,水平通道和垂直通道的I、Q信号时域特性曲线如图2和图3所示。
从图2和图3中可以看出,水平通道和垂直通道都有信号,其幅度之比为
幅度比均值为:2.000 1+8.226 1e-008i幅度比方差为:3.186 6e-005-2.047 5e-009i
相位差均值为:0.523 51+6.654 5e-008i相位差方差为:8.404 8e-005-2.571 5e-010i取其实部,可以得出幅度比为2.000 1,可认为是2;相位差为0.523 51,接近于π/6。所测得幅度比和相位差与实际雷达信号的幅度比和相位差相符,推导出该雷达信号的极化方式为左旋椭圆极化,仿真结果成立。
4 优缺点
正交极化天线法的优点是能瞬时测出雷达信号的极化方式,只要有雷达信号进入接收机,在末端就会有极化方式的输出。随着高速数字电路和数字信号处理(DSP)技术的发展,经过高速A/D变换的大量数字信号能够得到快速处理,将这些技术应用到雷达极化测量上,能够大大缩短极化测量时间,为战场提供了时间保障。其次是能够处理同时到来的多个信号,可同时识别多部极化雷达,为雷达侦察的信号预处理提供了重要的参数依据。另外对于极化捷变雷达的测量很有效果,能够迅速测量极化捷变雷达极化参数,引导干扰信号进行极化干扰。
正交极化天线法的缺点有:
(1)该方法采用了双通道处理,比单通道处理多一倍的设备量,提高了雷达极化侦察的成本。
(2)该方法必须要求双通道各个器件的参数必须保持一致,处理时间上也要保持同步,对器件性能要求很高。
(3)该方法对数据处理部分要求也很高,需要高速大规模的集成器件来处理大量的高速数字信号。
5 结束语
文中只对水平和垂直这一对正交极化做了仿真,其实在理论上,只要是一对正交的极化天线都能够测出雷达信号的极化,它们之间的关系只是坐标与坐标之间的变换关系,所以有了水平和垂直这一对正交极化天线就能推导出其他正交极化天线的算法。
文中对接收系统的流程和一些主要算法做了仿真,仅考虑了接收机的内噪声,外界的杂波,外界噪声和各种有源无源干扰都以理想状态对待,在实际应用中还会存在一些新的问题。
摘要：极化信息同雷达信号中的幅度、相位、频率、波形一样,是雷达信号的一个重要参量。不同的辐射源,其极化方式也不同,测量电磁波信号的极化方式对辐射源信号分类、识别都具有重要意义。基于此,提出了用一对正交天线来测量辐射源的极化,通过对此方法进行Matlab仿真实验,并分析实验结果,证明了理论模型和算法的正确性,同时阐述了此方法的优缺点。
【生物雷达检测技术】相关文章：
雷达信号检测05-08
雷达目标检测方法07-08
雷达技术论文范文05-09
基于雷达的目标检测08-17
地面雷达数值风洞技术实现方法05-13
高效调制雷达通信一体化系统相关技术研究11-28
机载激光雷达技术在电力线路勘测中的应用09-10
WR-08X型雷达站标准化建设技术要求12-21
雷达测试05-17