基于微多普勒毫米波雷達(dá)特征提取及分類研究概述目錄TOC\o"1-3"\h\u23021基于微多普勒毫米波雷達(dá)特征提取及分類研究概述 1222311.1行人運(yùn)動模型 1156531.2短時傅里葉變換 4在雷達(dá)對于外界的環(huán)境進(jìn)行識別與檢測的時候，我們發(fā)射的電磁波當(dāng)碰到物體時便會返回。我們通過此可以獲得回波信號的特征，但是返回的一些信號并不能夠充分地反映目標(biāo)的具體信息。已知，當(dāng)一些靜止的物體在空間內(nèi)作出一些微小的不規(guī)則的運(yùn)動的時候，比如：風(fēng)吹動樹木、飛機(jī)螺旋槳、人體關(guān)節(jié)的相關(guān)運(yùn)動等，我們把這種情況稱之為微多普勒效應(yīng)。已知行人作為目標(biāo)中的非剛性目標(biāo)，故其在運(yùn)動過程中產(chǎn)生。微動現(xiàn)象。并由此產(chǎn)生一系列的多普勒效應(yīng)，故首先本章會建立行人的運(yùn)動模型。為了能夠利用毫米波雷達(dá)準(zhǔn)確提取目標(biāo)特征，本章會介紹兩種微多普勒特征的提取方法并進(jìn)行其運(yùn)動模型的仿真測試并比較兩者的優(yōu)缺點。1.1行人運(yùn)動模型通過大量對于人體運(yùn)動模型的觀察，我們以生物機(jī)械的數(shù)據(jù)為基礎(chǔ)，提出了一種數(shù)學(xué)參數(shù)化的人體的運(yùn)動模型。我們以每一個關(guān)節(jié)點看作運(yùn)動的中心點，軀干則作為動軸。例如抬起腿部進(jìn)行行走的一個過程，我們是以膝關(guān)節(jié)為原點，并以此來建立坐標(biāo)系。其次，通過四個參數(shù)連接變化。連接角θ、連接偏移量d，公共法線夾角α和公共法線長度a，建立完整統(tǒng)一的三維直角坐標(biāo)系：圖1.1人體關(guān)節(jié)坐標(biāo)系建立圖1.2三維構(gòu)建圖1.3節(jié)點坐標(biāo)系的模型建立已知人體運(yùn)動包括垂直運(yùn)動和平移運(yùn)動兩種方式，在翻閱了大量資料后我了解到，簡單的建模方式便是提取人五個關(guān)節(jié)點，分別是兩個手肘關(guān)節(jié)、兩個膝關(guān)節(jié)以及一個軀干作為中心。但是我們也可以將人體行走的過程復(fù)雜化考慮，設(shè)置17個關(guān)節(jié)點，分別是頭、左肩右肩、左肘右肘、左手腕右手腕、左臀左臀、左膝右膝、左腳踝右腳踝、左腳趾右腳趾。同時依據(jù)人體各部件的長度來確定橫滾角，俯仰角和偏橫角。這一部分將詳細(xì)討論用以實現(xiàn)人體行走模型的計算機(jī)代碼和源程序，并將其用于研究人體行走的微多普勒特征。為了與RBoulic、M.Thalman和D.Thalman的文章—致本部分使用的符號都和該文是相同的。由于使用了很多人體部件，全局人體行走模型的源代碼是很長的。但該代碼可以幫助讀者理解整個仿真過程。這個整體行走模型是基于大量的實驗數(shù)據(jù)，而并非解運(yùn)動方程得出的。特別地.如表1.1所列岀的，都是建立在行走速度的基礎(chǔ)之上的。表5-1人體運(yùn)動的模型軌跡平移人體旋轉(zhuǎn)左旋轉(zhuǎn)右旋轉(zhuǎn)垂直平移TV(t)側(cè)面平移TL(t)前/后平移TFB(t)前后旋轉(zhuǎn)θFB(t)左右旋轉(zhuǎn)θLR(t)反扭旋轉(zhuǎn)θTO(t)臀部撓曲θH(t)θH(t+0.5)膝蓋撓曲θK(t)θK(t+0.5)踝關(guān)節(jié)撓曲θA(t)θA(t+0.5)胸部運(yùn)動θTH(t)肩部撓曲θS(t)θS(t+0.5)肘部撓曲θE(t)θE(t+0.5)由于在路面上，其情況不是特別復(fù)雜，對于雷達(dá)而言，其需要識別分類的目標(biāo)相對簡單且明確，故在本次論文的研究范圍內(nèi)，不采用整個人體的關(guān)節(jié)運(yùn)動以此建立坐標(biāo)系。為簡化本文的人體運(yùn)動模型，本文采用橢圓體來構(gòu)建人體的部分模型，橢圓體的RCS,RCSdlip由式5-1給出，其中的相關(guān)參數(shù)a、b和c分別表示了橢圓體的三個半軸在坐標(biāo)系x、y、z方向上面的長度。方位角φ和入射角θ圖1.5角度表示橢圓相對于雷達(dá)坐標(biāo)系建立根據(jù)一系列的運(yùn)動軌跡建立人類行走即行人的運(yùn)動模型，從而確定他們的具體位置建立相對應(yīng)的坐標(biāo)系，對于坐標(biāo)的正負(fù)進(jìn)行方向定義；以x軸為正向的前進(jìn)的方向，以y軸正向為向右，以z軸的正向為向上。通過對于相關(guān)公式的層層推導(dǎo)，從而得到關(guān)于人類行走的回波信號：Sexp(j4πRoF/Bλ其中λ是雷達(dá)的工作頻率1.2短時傅里葉變換時域和頻域的特征是雷達(dá)的目標(biāo)的重要的參考的因素，我們可以通過建立時間與頻率的聯(lián)合函數(shù)來表征空間內(nèi)的回波信號。我們通過傅里葉變換，將整個的雷達(dá)信號轉(zhuǎn)變成在頻域上的相關(guān)分布。但是由于毫米波雷達(dá)測試的微多普勒特征是根據(jù)雷達(dá)的載波調(diào)制目標(biāo)部件的部分微動所形成的。其做接收的信號是周期的調(diào)制信號。而且相關(guān)的接收信號具有周期、非平穩(wěn)等特征。而簡單的傅里葉變換不能夠滿足高精度和準(zhǔn)確率的相關(guān)要求，于是我們通過將信號轉(zhuǎn)變?yōu)闀r間頻率的圖像，分析信號局部產(chǎn)生的頻率變化。即通過短時傅里葉的變化。假設(shè)每段內(nèi)信號平穩(wěn)的，類似積分變換的思想。針對部分信號進(jìn)行傅葉變換，最終再將每一段組成成一個完整處理的信號。那么將會得到一個個部分的信號，即采用一個固定的窗函數(shù)，沿時間軸軸滑動。下面進(jìn)行相關(guān)推導(dǎo)：設(shè)x(t)為回波信號的信號函數(shù)，g(t)為窗函數(shù)，那么得到相對應(yīng)的公式為：傅里葉變換：STFT(τ,f)=?∞∞x(t)g(t?τ)e?2jπft傅里葉反變換：(t)=?∞∞?∞設(shè)信號x(t)的波形如圖1.6所示，其經(jīng)過傅里葉變換后的波形如圖1.7所示:圖1.6x(t)的相關(guān)波形圖1.7時頻變換圖在信號處理的過程中，要預(yù)防信號泄露的問題，我們已經(jīng)知道，窗函數(shù)g(t)的窗口特性在很大程度上都能夠影響短時傅里葉變換過程中信號泄露，窗函數(shù)越短，其信號泄露的程度就會越來越嚴(yán)重，綜合考慮了各個方面的相關(guān)因素之后，我們選擇利用高斯窗函數(shù)。圖1.8窗長度216的時頻分布圖1.9窗長度為1024的時頻分布由上述的實驗看出，確定了窗函數(shù)的長度便可以直接確定短時傅里葉變換后信號的大小和形狀。與此同時，短時傅里葉變換（SFFT）雖然其特有的短時間內(nèi)的分析能力能夠極大地改善傅里葉變換地不足，但是，他在實際運(yùn)用地過程中也有許多不夠完善的地方。上圖可知，較窄的窗函數(shù)能夠提供更高的時間分辨率，但是容易造成高頻的假象。而選用更寬的窗函數(shù)能夠提供更高的頻率分辨率，但是也容易造成混頻。故對于我們而言，很難得到同時兼具高時間分辨率和頻率分辨率的結(jié)果.但是通過對于行人人體運(yùn)動多普勒特征的相關(guān)分析我們發(fā)現(xiàn)，當(dāng)偏離軀干部分的多普勒頻率譜線較于多普勒頻率相對很遠(yuǎn)的時候，此時行人在進(jìn)行運(yùn)動時，微動現(xiàn)象明顯呃隨著窗函數(shù)長度等一系列其他因素的選定。此時其時頻分析的特性就難以更改，雖然缺點明顯，但是其工作過程簡單，所以我們將其運(yùn)用在此次工作過程中。1.3小波變換相較于上文所提到的短時傅里葉的變換，小波變換具有相對而言更加優(yōu)良的特征提取辦法，因為他可以通過滑動的可變窗來提供較高的時域與頻域分辨率。已知，小波基定義：φa,b(t)=1a為尺度因子，b為時間平移因子小波變換的實際具體操作：第一步：選擇較為恰當(dāng)?shù)男〔ê瘮?shù)第二步：確定小波的最小以及最大的相關(guān)尺度第三步：選擇中心頻率小波變換的特點主要有分辨率高，可以多層次地觀察數(shù)據(jù)、便于分析信號的相關(guān)局部變化，方便對于一些瞬間或者特殊點的相關(guān)檢驗等等。對于本論文的研究方向和重點，我們將采用Morlet小波作為母波進(jìn)行相關(guān)的一系列研究。子小波的相關(guān)函數(shù)為：ωd=ω半功率帶寬以及傅里葉變換的最高分析頻率BW=2ln2/a(1.6)fmax=f最小的尺度因子為：αmin≥ln2+ω02παmin≥ln2+ω0為保證小波變換分辨率精度的準(zhǔn)確性，要求：αmax≤1/6(小波的能量譜：PWx(a,t)=|WT(A,τ)|2已知對于頻率為ω的正弦信號得到相