基于多普勒穿墙雷达的人体精细动作识别方法研究

Doppler through-wall radar (TWR), which can precisely recognize target states behind obstacles by echo feature extraction, can be a prospective tool both in military and civial areas. Aimed at the Doppler through-wall radar detection application of human targets, this project is about to improve the high false alarm rate and low accuracy drawbacks of the traditional detection method, precisely extract the micro-Doppler feature corresponding to the particular target part and realize the fine movement analysis in a dynamic low SNR environment. In a time-varying detection environment, an echo processing algorithm, which based on the statistical parameter tracking of the clutter and linear predictive coding, is about to be proposed. It can real-time detect the environment variety, adaptively adjust the parameters of the filter and predictor according to the practical requests and maintain a constant false alarm rate and high resolution even in a dynamic situation and real-time processing situation. To solve the issues of severe noise interference and overlapping target components, a high resolution human fine movement recognition algorithm will be proposed.It can precisely separate and extract the weak target scattering components even in a low SNR environment, avoid the cross-term interference and estimate the component micro-Doppler frequency with high accuracy and reliability to achieve the fine movement recognition of targets.

多普勒穿墙雷达通过提取回波特征，能够对障碍物后的目标状态进行准确识别，在军事和民用领域具有广泛的应用前景。本项目针对多普勒穿墙雷达在人体目标探测中的应用，改善传统探测过程中常见的高虚警和低精度缺陷，探索时变低信噪比环境下准确提取目标特定部位的微多普勒频率特征，实现对其精细动作识别的技术方法。针对时变探测环境，提出一种基于杂波统计参数跟踪和线性预测编码的回波处理算法，能够实时监测外界环境变化，根据实际需求自适应地调节滤波器和预测器参数，保证雷达在动态环境下进行实时探测的恒虚警和高分辨特性。针对探测过程中严重的噪声干扰和交织混叠的目标分量，提出一种精确到目标散射部位的动作识别算法，能够在低信噪比环境下准确分离和提取目标各部位的微弱散射分量，避免交叉项干扰，并针对各部位的散射分量进行高精度、高可靠的微多普勒频率估计，实现对目标精细动作的识别。

通过提取多普勒穿墙雷达接收回波的特征信息，结合自适应滤波、信息预测、多分量分离和机器学习等现代信号处理方法，实现具体针对目标散射部位的精细动作识别，在反恐战争、安检安保和远程医疗等军事和民用领域具有广泛的应用前景。本项目以人体目标的动作识别为目标展开研究，主要成果包括以下三个方面。首先，针对多普勒穿墙雷达在时变低信噪比环境下常见的噪声干扰问题，提出了一种基于回波信号统计参数跟踪的自适应滤波算法。该算法基于时频分析技术提取噪声样本，能够实时估计噪声统计参数的变化规律，并结合探测需求完成对滤波阈值的自适应调节。相比于传统基于固定阈值的滤波算法，该算法在动态探测环境下，能够在目标检测概率和虚警概率间保持更好的平衡状态，一方面防止因滤波阈值过大而产生的目标丢失效应，一方面抑制因滤波阈值过小而产生的虚假目标。其次，针对多普勒穿墙雷达的目标散射分量分离问题，提出了一种基于非对称模型的分量提取算法。该算法基于改进的能量算子完成对微弱目标散射分量的能量累积，结合人体不同部位运动的特点，通过设计的非对称模型自主匹配信号特征，完成对特定回波分量的识别与提取。相比于传统的分量分离算法，该算法对回波信号的分离基于目标散射特性，一方面提取的信号分量具有更加明确的物理意义，另一方面有助于避免交叉项干扰，改善对目标特定部位微多普勒频率的估计精度。最后，针对多普勒穿墙雷达的人体目标动作识别问题，提出了一种基于人工神经网络的状态识别算法。该算法基于目标散射部位运动产生的微多普勒频率信息，筛选出最具代表性的特征参数，并由此完成对特征矩阵的优化和校正，通过改进的人工神经网络算法实现对目标动作的识别。实验结果表明，通过综合运用本项目提出的各项算法，在相同探测条件下，多普勒穿墙雷达对人体动作的识别精度从85%提高到了92%，达到了项目的预期指标。