一种基于涡旋电磁波雷达的人体目标步态精细识别方法技术

本发明专利技术提供一种基于涡旋电磁波雷达的人体目标步态精细识别方法。包括：第一步，对双模态回波信号经过平动补偿，进行解线频调处理，进行一维距离成像，利用双模态的回波将线多普勒和角多普勒分离；第二步，将线多普勒和角多普勒用时频图表示，并输入到双通道的卷积神经网络模型中，获得分类识别结果。实现了对人体目标步态的精细识别，有效克服了传统电磁波无法对人体目标步态的精细识别问题。

【技术实现步骤摘要】
一种基于涡旋电磁波雷达的人体目标步态精细识别方法
本专利技术涉及信号与信息处理技术，具体涉及一种基于涡旋电磁波雷达的人体目标步态精细识别方法。
技术介绍
由于雷达具有全天时、全天候、远距离的探测能力，基于雷达的人体目标步态识别在多个领域发挥着重要作用。由于人体运动带来的多普勒效应可以有效表征人体步态信息，因此基于多普勒效应(Dopplereffect)的人体目标识别技术受到了广泛的研究。通过分析人体运动引起的回波多普勒效应，可为目标的分类与识别提供重要依据。现有的人体目标步态识别技术，主要为基于深度学习的人体目标步态识别技术，针对十二种室内活动进行识别(参见SeyfiogluMS的《Deepconvolutionalautoencoderforradar-basedclassificationofsimilaraidedandunaidedhumanactivities》，发表在《IEEETransactionsonAerospaceandElectronicSystems》，2018，第五十四卷，第4期)和基于传统机器学习的人体目标步态识别技术(参见ChuanweiDing的《Continuoushumanmotionrecognitionwithadynamicrange-DopplertrajectorymethodbasedonFMCWradar》，发表在《IEEETransactionsonGeoscienceandRemoteSensing》，2019，第五十七卷，第9期)，这些对人体目标的识别方法，都通过提取目标的多普勒信息，将该信息输入到分类模型中获得分类结果。当采用传统电磁波作为发射波照射人体目标，人体的不同行为会导致其回波多普勒频移的不同，当人体步态差异较大时，如行走、奔跑、跳跃、蹲下等，能取得较好的分类识别效果，然而在人体步态精细识别方面，如普通行走、持刀/枪行走等，由于目标回波的可分性特征不显著，难以准确识别目标。而在实际应用中，往往需要对人体步态精细行为进行识别，当利用传统电磁波作为发射电磁波时，人体不同精细行为引起的距离多普勒(即线多普勒)相似，难以有效表征目标特征，仅利用传统电磁波难以获得精确的分类结果。
技术实现思路
本专利技术的目的在于克服上述现有技术中的不足之处，提出一种基于涡旋电磁波雷达的人体目标步态精细识别方法。本专利技术是通过如下方式实现的：步骤一：对天线回波信号经过平动补偿，进行解线频调处理，进行一维距离成像，利用双模态的回波将线多普勒和角多普勒分离；步骤二：将线多普勒和角多普勒用时频图表示，并输入到双通道卷积神经网络模型中，获得分类识别结果。所述的步骤一具体包括下述步骤：Step1)通过解线性调频操作，获得双模态回波下的目标一维距离像Sd2(fr,tm,α)；Step2)将双模态回波的一维距离像共轭相乘Sd3(fr,tm,α)＝Sd2(fr,tm,α)·conj(Sd2(fr,tm,-α))，取其波峰相位获得目标的角多普勒信息；Step3)将某一模态下的一维距离像波峰相位作为线多普勒信息。所述的步骤二具体包括下述步骤：Step1)利用短时傅里叶变换，用时频图表示线多普勒和角多普勒信息；Step2)构建双通道的卷积神经网络模型，该模型由4层卷积层组成，其卷积核大小分别为9*9、7*7、5*5，将时频图的幅度值输入到模型中，获得识别结果。本专利技术的有益效果在于：将涡旋电磁波雷达引入到人体精细步态识别技术研究中，利用涡旋电磁波中蕴含更多的目标信息，分辨出基于传统电磁波的识别技术难以识别的目标。将双模态回波的一维距离像波峰相位共轭相乘，获得目标的角多普勒信息，并将某一模态下的一维距离像波峰相位作为线多普勒信息。用时频图表达该信息，最后将时频图的幅度输入到双通道卷积神经网络模型中，实现了对人体步态精细目标的有效识别。克服了基于传统电磁波的雷达难以对径向变化相近的目标进行分类的问题。附图说明图1为涡旋电磁波雷达观测几何图；图2为本成像方法流程图；图3为识别模型结构图；图4为人体简化模型；图5为椭球体与雷达几何关系；图6为不同人体精细步态行走过程；图7-12分别为目标1、2、3的线多普勒和角多普勒时频图；具体实施方式下面结合附图和本专利技术的实例，对本专利技术作进一步的描述。如图2所示，本专利技术通过下列步骤实现：采用图1所示的涡旋电磁波天线阵列，天线为同心圆环阵列。如图1所示OXYZ为笛卡尔坐标系，在XYZ平面上，N个天线沿O为圆心，半径为a的圆周上等间距排列，每个天线添加相移φk＝2πk/N，k＝1,2,L,N-1，α为涡旋波模式数,虚数单位e为自然对数，雷达视线方向为Z轴正半轴。假设目标中心点为(xc,yc,zc)，xc,yc,zc分别为目标在空间直角坐标系下的x轴，y轴，z轴坐标以该中心点为坐标原点，建立目标局部坐标系xyz和参考坐标系UVW。参考坐标系是一个各个坐标轴与雷达坐标系平行的坐标系，随着目标的平移而整体平动。目标局部坐标系是参考坐标系沿着三个坐标轴旋转得到的坐标系，其作用为刻画目标在三维空间的运动，伴随目标在三维空间中运动。具体说明如下：步骤一：进行一维距离成像和线多普勒和角多普勒分离假设点目标P位于空间直角坐标系(x0,y0,z0)处，其速度矢量为(vx，vy，vz)，则其运动轨迹为：(xp(tm),yp(tm),zp(tm))＝(x0+vxtm,y0+vytm,z0+vztm)(1)式中tm为慢时间(相对于电磁波速度而言)，用球坐标系表示：式中：rp(tm),θp(tm),分别为目标P在球坐标系下随慢时间变化的坐标，上标“T”为转置，θp(tm)∈[0,π],当xp(tm)＝0，yp(tm)＞0时，xp(tm)＝0,yp(tm)＜0时，P点回波为：式中：t为脉冲内时间(“快时间”)，时延f0为载波频率，Tp为脉冲持续时间，λ为调频率，c为光速，rect()为矩形窗函数，波数k＝w0/c，σp为散射系数，Jα为第一类α阶贝塞尔函数。采用解线频调方法对接收数据进行处理，设参考距离为0，得到变换到距离域的信号：式中：其作用类似于sinc函数。在峰值点去除“剩余视频相位项”和“包络斜置项”后，在峰值处其表达式为：当存在雷达照射区域内存在n个目标时，信号表达式为：选取模态数为-α的回波，由于贝塞尔函数的性质，模态数取负值，其幅度值也取负值。所以其回波可被表示为：将双模态回波共轭相乘，可获得：由于函数H()类似于sinc函数的性质，唯有在峰值处的信息被保留下，即：式中：为||绝对值操作，目标角多普勒信息被获得。同时，由于角多普勒远小于线多普勒，可将(7)中，峰值处的相位信息作为线多普勒信息。至此获得了目标的线多普勒和角多普勒信本文档来自技高网...

【技术保护点】
1.一种基于涡旋电磁波雷达的人体目标步态精细识别方法，包括下列步骤：/n步骤一：对天线回波信号经过平动补偿，进行解线频调处理，进行一维距离成像，利用双模态的回波将线多普勒和角多普勒分离；/n步骤二：将线多普勒和角多普勒用时频图表示，并输入到双通道的卷积神经网络模型中，获得分类识别结果。/n

【技术特征摘要】
1.一种基于涡旋电磁波雷达的人体目标步态精细识别方法，包括下列步骤：
步骤一：对天线回波信号经过平动补偿，进行解线频调处理，进行一维距离成像，利用双模态的回波将线多普勒和角多普勒分离；
步骤二：将线多普勒和角多普勒用时频图表示，并输入到双通道的卷积神经网络模型中，获得分类识别结果。


2.根据权利要求1所述的基于涡旋电磁波雷达的人体目标步态精细识别方法，其特征在于：所述的步骤一具体包括下述步骤：
Step1)通过解线性调频操作，获得双模态回波下的目标一维距离像Sd2(fr，tm，α)；
Step2)将双模态回波的一维距离像共...

【专利技术属性】
技术研发人员：罗迎，袁航，梁佳，张聪，张群，李开明，李宏伟，陈怡君，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：陕西;61