蔣留兵，吉雅雯，楊 濤，車(chē) 俐，2

(1.桂林電子科技大學(xué) 信息與通信學(xué)院，廣西 桂林 541004;2.桂林電子科技大學(xué) 廣西無(wú)線寬帶通信與信號(hào)處理重點(diǎn)實(shí)驗(yàn)室，廣西 桂林 541004)

1 引言

雷達(dá)人體目標(biāo)識(shí)別是目前雷達(dá)應(yīng)用的研究熱點(diǎn)，廣泛應(yīng)用于安全、軍事等領(lǐng)域。目前人體目標(biāo)識(shí)別大多針對(duì)人體微多普勒特征進(jìn)行研究。在人體微多普勒特征不明顯或者需要刻畫(huà)目標(biāo)局部詳細(xì)特征時(shí)，研究靜態(tài)人體目標(biāo)電磁散射特性，實(shí)現(xiàn)人體目標(biāo)識(shí)別具有重大意義。

不同目標(biāo)會(huì)對(duì)入射波產(chǎn)生不同的調(diào)制現(xiàn)象，使回波包含的信息可以描述目標(biāo)特征。這種調(diào)制由目標(biāo)本身固有物理屬性(如結(jié)構(gòu)、材料、尺寸等)決定。相比于非人體目標(biāo)，人體目標(biāo)物理屬性特殊，會(huì)產(chǎn)生獨(dú)特的調(diào)制現(xiàn)象。超寬帶(Ultra Wideband，UWB)雷達(dá)的工作環(huán)境適應(yīng)能力和抗多徑干擾能力強(qiáng)、分辨率高，因此，超寬帶雷達(dá)在人體探測(cè)和特征識(shí)別方面具有顯著優(yōu)勢(shì)［1］。

建立高可信度的電磁散射模型有助于研究目標(biāo)識(shí)別算法。時(shí)域有限差分(Finite Different Time Domain，F(xiàn)DTD)方法可以將麥克斯韋旋度方程轉(zhuǎn)化為偏微分方程，在時(shí)間軸上直接逐步推進(jìn)求解，精度比較高，是目前常用的數(shù)值模擬方法之一［2］。文獻(xiàn)［3］基于FDTD 算法，利用科羅拉多州立大學(xué)醫(yī)學(xué)院的可視人體數(shù)據(jù)計(jì)算了人體吸收電磁能量的模型。

提取目標(biāo)特征是目標(biāo)識(shí)別最重要的一部分。提取到的特征直接影響識(shí)別系統(tǒng)性能和分類(lèi)算法選擇。理論分析和計(jì)算機(jī)數(shù)值仿真的結(jié)果表明，用雙譜法提取超寬帶雷達(dá)目標(biāo)的特征信息具有良好的效果，利用提取出的特征信息可進(jìn)行目標(biāo)的分類(lèi)與識(shí)別［4］。但是雙譜數(shù)據(jù)量大，有較多信息冗余，不利于目標(biāo)識(shí)別?？梢赃M(jìn)一步提取特征，降低雙譜特征維數(shù)。而且不同特征可以從不同角度描述目標(biāo)，多特征融合更有利于目標(biāo)識(shí)別［5］。

根據(jù)上述分析，首先在超寬帶雷達(dá)體制下，基于精確三維實(shí)體模型，利用FDTD 算法計(jì)算目標(biāo)電磁散射回波，獲得目標(biāo)高分辨距離像(High Resolution Range Profile，HRRP)，作為特征提取的回波樣本。然后為了解決雙譜特征數(shù)據(jù)量大、不利于目標(biāo)識(shí)別的問(wèn)題，提出了利用雙譜對(duì)角線起伏特性的方法，相當(dāng)于從另一角度提取回波特征，降低了特征維數(shù)。并結(jié)合HRRP 強(qiáng)散射點(diǎn)分布特征，利用支持向量機(jī)(Support Vector Machine，SVM)，分別基于仿真和實(shí)測(cè)數(shù)據(jù)，識(shí)別出了人體目標(biāo)，并實(shí)現(xiàn)了人體姿態(tài)識(shí)別。

2 目標(biāo)HRRP 數(shù)據(jù)仿真

本文選用FDTD 方法計(jì)算待測(cè)目標(biāo)后向散射回波。首先建立待測(cè)目標(biāo)實(shí)體模型?？紤]到人體目標(biāo)的復(fù)雜性，同一類(lèi)姿態(tài)下，人體目標(biāo)存在性別、手臂位置或軀干彎曲程度等明顯差異。為了說(shuō)明這些“同一姿態(tài)內(nèi)”的差異不會(huì)影響人體目標(biāo)姿態(tài)識(shí)別，本節(jié)在同一姿態(tài)下，建立了25個(gè)不同的人體目標(biāo)模型。同時(shí)，為了豐富樣本，每類(lèi)非人體目標(biāo)根據(jù)尺寸不同，分別建立20個(gè)實(shí)體模型。部分“站”姿態(tài)實(shí)體模型如圖1 所示。

圖1 不同人體“站”姿態(tài)的三維模型Fig.1 3D human body models of“stand”posture

一共建立了135個(gè)待測(cè)目標(biāo)實(shí)體模型。實(shí)體模型詳細(xì)尺寸和數(shù)量如表1 所示。

表1 待測(cè)目標(biāo)三維實(shí)體模型的尺寸及數(shù)量Table 1 Size and quantity of the 3D entity models

接下來(lái)討論目標(biāo)電磁參數(shù)。人體內(nèi)部阻抗大，電磁場(chǎng)微弱，在本文的研究領(lǐng)域，人體內(nèi)部的電磁場(chǎng)可以忽略，只需要考慮人體表面和人體周?chē)纳⑸洹⒖济绹?guó)ARL 實(shí)驗(yàn)提供的皮膚在1 GHz處的電磁參數(shù)作為人體平均介電常數(shù)和電導(dǎo)率［6］。邊界看作理想條件，設(shè)為全吸收邊界［7］，激勵(lì)源類(lèi)型為平面波，采用高斯調(diào)制，其余具體參數(shù)設(shè)置如表2 所示。

表2 散射模型的參數(shù)Table 2 The parameters of the scattering model

在超寬帶雷達(dá)體制下，目標(biāo)的后向散射時(shí)域回波就是目標(biāo)的HRRP。利用FDTD 算法仿真得到的部分人體目標(biāo)和非人體目標(biāo)HRRP 如圖2 所示。

圖2 不同目標(biāo)的HRRP Fig.2 HRRP of different targets

3 仿真數(shù)據(jù)特征提取及目標(biāo)識(shí)別

3.1 雙譜對(duì)角線起伏特征

超寬帶雷達(dá)體制下，HRRP 具有平移敏感性。且雷達(dá)分辨率越高，HRRP 對(duì)平移越敏感。雙譜特征具有平移不變性，可以有效解決HRRP 敏感問(wèn)題。同時(shí)，雙譜與傅里葉頻譜相比，雙譜不僅保留了目標(biāo)的位置信息，還保留了相位信息。

本文選用間接法計(jì)算雙譜［8］。首先，將回波數(shù)據(jù)X={x(1)，x(2)，…，x(n)}分成K 段，每段含M個(gè)樣本，并減去各自的均值。

之后，估計(jì)各段的三階累積量:

式中，x(i)(n)，n=1，2…是第i 段數(shù)據(jù);

然后，取所有段的三階累積量的平均作為整個(gè)觀測(cè)數(shù)據(jù)組的三階累積量估計(jì):

最后，產(chǎn)生雙譜估計(jì):

式中，L ＜M－1;ω(l，k)為二維窗，二維窗選取為最優(yōu)窗

將每個(gè)回波數(shù)據(jù)分為10 段(即K=10);式(3)中L=10，ω1、ω2兩個(gè)變量的取值均為0～200，采樣間隔為10 進(jìn)行計(jì)算。

根據(jù)式(1)～(4)計(jì)算得到的雙譜是21 維方陣，取對(duì)角線，并做歸一化處理，得到回波數(shù)據(jù){x(n)，n=1，2，…，N}的雙譜對(duì)角線b={b(1)，b(2)，…，b(21)}共21個(gè)元素組成的向量，將1～21個(gè)數(shù)平均分為3 份，每份分別取平均:

最后，按照式(6)計(jì)算出起伏特性{T(m)，m=1，2}:

由計(jì)算機(jī)仿真得到的HRRP 數(shù)據(jù)，根據(jù)式(1)～(4)計(jì)算得到雙譜，然后將對(duì)角線上的數(shù)字用LS算法進(jìn)行擬合。目標(biāo)雙譜與雙譜對(duì)角線擬合曲線如圖3 所示。

圖3 目標(biāo)雙譜、雙譜對(duì)角線原值及擬合曲線Fig.3 The bispectrum，diagonal value of bispectrum and fitting curve

從擬合曲線中可以看出，“站”目標(biāo)的雙譜擬合曲線近似于線性增長(zhǎng)，“坐”目標(biāo)的雙譜擬合曲線振蕩，振蕩幅值在減小，“蹲”目標(biāo)的雙譜擬合曲線近似于線性遞減。由于上述擬合曲線趨勢(shì)可以區(qū)分出三種人體姿態(tài)，所以考慮提取雙譜對(duì)角線起伏特性作為識(shí)別特征。

圖3 中的數(shù)據(jù)根據(jù)式(5)、(6)計(jì)算得到的雙譜對(duì)角線起伏特征{T(m)，m=1，2}如表3 所示。

表3 三種姿態(tài)人體回波(仿真數(shù)據(jù))雙譜對(duì)角線起伏特性Table 3 Fluctuation characteristic of human body in three different postures(simulation data)

3.2 HRRP 強(qiáng)散射點(diǎn)分布

目標(biāo)HRRP 反應(yīng)了目標(biāo)在雷達(dá)視線方向上的強(qiáng)散射點(diǎn)分布情況。由FDTD 仿真得到的目標(biāo)HRRP 進(jìn)行取絕對(duì)值、歸一化、平滑處理后的波形，提取強(qiáng)散射點(diǎn)分布情況如圖4 所示。

圖4 目標(biāo)強(qiáng)散射點(diǎn)分布Fig.4 Target scattering distribution

從圖4 可以看出，人體目標(biāo)的強(qiáng)散射點(diǎn)個(gè)數(shù)比較多，而且分布范圍比較廣，在［200，1800］的采樣點(diǎn)數(shù)范圍內(nèi)均有分布。非人體目標(biāo)的強(qiáng)散射點(diǎn)數(shù)量比較少，而且強(qiáng)散射點(diǎn)僅僅分布在［100，1100］的區(qū)間內(nèi)，分布范圍比較小。人體姿態(tài)不同，所對(duì)應(yīng)的雷達(dá)截面有差別，三種姿態(tài)回波所對(duì)應(yīng)的最大幅值、波峰出現(xiàn)位置以及HRRP 包絡(luò)形狀有明顯的差異，但是計(jì)算得到的目標(biāo)強(qiáng)散射點(diǎn)個(gè)數(shù)和分布的特征對(duì)于不同姿態(tài)的人體目標(biāo)是相似的。所以，可以通過(guò)后向散射時(shí)域波形的數(shù)值特征來(lái)區(qū)分人體和非人體目標(biāo)。

3.3 仿真數(shù)據(jù)識(shí)別效果分析

支持向量機(jī)(SVM)相比其他分類(lèi)器泛化能力較強(qiáng)，收斂速度較快，對(duì)小樣本訓(xùn)練效果也較好，且分類(lèi)復(fù)雜度與樣本的維數(shù)無(wú)關(guān)，因此本文采用SVM分類(lèi)器，其核函數(shù)采用常用的RBF 核函數(shù)［9］。

根據(jù)上兩節(jié)中的數(shù)據(jù)構(gòu)造特征向量d1、d2:

每種樣本隨機(jī)選取7個(gè)作為測(cè)試數(shù)據(jù)，其余樣本作為訓(xùn)練數(shù)據(jù)(一共42個(gè)測(cè)試數(shù)據(jù)，93個(gè)訓(xùn)練數(shù)據(jù))。

目標(biāo)識(shí)別流程如圖5 所示。

首先將d1送入SVM，識(shí)別出人體目標(biāo)和非人體目標(biāo)。經(jīng)參數(shù)尋優(yōu)，SVM 懲罰因子C=0.15 時(shí)，達(dá)到最優(yōu)識(shí)別效果，分類(lèi)準(zhǔn)確率達(dá)到100%。

然后計(jì)算識(shí)別出的人體目標(biāo)的雙譜對(duì)角線起伏特性，構(gòu)成特征向量d2，用于識(shí)別人體目標(biāo)姿態(tài)。將d2送入SVM 分類(lèi)器，經(jīng)參數(shù)尋優(yōu)，SVM 懲罰因子C=0.15 時(shí)，分類(lèi)準(zhǔn)確率達(dá)到100%。

仿真實(shí)驗(yàn)表明，在理想環(huán)境中，雙譜對(duì)角線起伏特性和強(qiáng)散射點(diǎn)分布特征相結(jié)合，可以在不考慮人體微多普勒特征的情況下，有效識(shí)別出靜態(tài)人體目標(biāo)及人體姿態(tài)。

4 實(shí)測(cè)數(shù)據(jù)驗(yàn)證

用超寬帶雷達(dá)采集數(shù)據(jù)，驗(yàn)證仿真數(shù)據(jù)的正確性。采用的雷達(dá)參數(shù)如表4 所示。

表4 實(shí)測(cè)數(shù)據(jù)使用的雷達(dá)參數(shù)Table 4 Radar parameters used by measured data

實(shí)測(cè)數(shù)據(jù)的現(xiàn)場(chǎng)照片如圖6 所示。

圖6 實(shí)測(cè)數(shù)據(jù)現(xiàn)場(chǎng)照片F(xiàn)ig.6 The scene of measured data

實(shí)測(cè)數(shù)據(jù)前若干點(diǎn)的相似回波是雷達(dá)接收端的耦合信號(hào)和地面散射。處理數(shù)據(jù)之前，目標(biāo)回波減去無(wú)目標(biāo)時(shí)的雷達(dá)接收信號(hào)。部分實(shí)測(cè)數(shù)據(jù)的強(qiáng)散射點(diǎn)分布如圖7 所示。

圖7 實(shí)測(cè)數(shù)據(jù)強(qiáng)散射點(diǎn)分布Fig.7 Target scattering distribution(measured data)

訓(xùn)練樣本由上一節(jié)中得到的仿真數(shù)據(jù)組成，實(shí)測(cè)數(shù)據(jù)作為測(cè)試樣本。

首先將實(shí)測(cè)數(shù)據(jù)HRRP 分布與仿真數(shù)據(jù)橫向?qū)R，保持采樣點(diǎn)數(shù)相同。然后將d1送入SVM，經(jīng)參數(shù)尋優(yōu)，SVM 懲罰因子C=0.15 時(shí)，人體與非人體的分類(lèi)準(zhǔn)確率達(dá)到100%。

實(shí)測(cè)數(shù)據(jù)計(jì)算得到的雙譜對(duì)角線如圖8 所示。

圖8 實(shí)測(cè)數(shù)據(jù)雙譜對(duì)角線數(shù)據(jù)及其擬合曲線Fig.8 Diagonal value of spectrum and fitting curve(measured data)

實(shí)際測(cè)量環(huán)境中，人體目標(biāo)不是理想環(huán)境中的均勻介質(zhì)，人體穿著的衣物、飾品等都有可能影響雙譜對(duì)角線特征。與理論結(jié)果相比，“坐”姿態(tài)下的雙譜對(duì)角線仍然是起伏的波形，且幅度遞減?！罢尽焙汀岸住弊藨B(tài)下，雖然雙譜對(duì)角線在數(shù)據(jù)中間區(qū)域仍然分別呈遞增和遞減的趨勢(shì)，與理論數(shù)據(jù)相符合;但是在兩端，擬合曲線呈現(xiàn)輕微起伏，與理論數(shù)據(jù)兩端的起伏有所差異。但是雙譜對(duì)角線上的起伏趨勢(shì)仍然能夠明顯區(qū)分出三種人體姿態(tài)。提取實(shí)測(cè)數(shù)據(jù)雙譜對(duì)角線的起伏特性，結(jié)果與仿真數(shù)據(jù)一致。

將實(shí)測(cè)數(shù)據(jù)處理得到的d2送入SVM，經(jīng)參數(shù)尋優(yōu)，SVM 懲罰因子C=0.15 時(shí)，人體目標(biāo)姿態(tài)識(shí)別的準(zhǔn)確率達(dá)到96.6%(29/30)。

實(shí)測(cè)實(shí)驗(yàn)結(jié)果表明，在實(shí)際環(huán)境中，相消去噪之后，利用第3 節(jié)中提出的方法，可以有效識(shí)別人體目標(biāo)及人體姿態(tài)，說(shuō)明該方法在實(shí)際環(huán)境中是可行的。

5 結(jié)束語(yǔ)

本文通過(guò)研究靜態(tài)人體目標(biāo)散射特征，提出了一種融合雙譜對(duì)角線起伏特性與目標(biāo)強(qiáng)散射點(diǎn)分布特征進(jìn)行人體目標(biāo)識(shí)別的方法。仿真和實(shí)測(cè)結(jié)果均表明，該方法實(shí)現(xiàn)了靜態(tài)人體目標(biāo)識(shí)別及人體姿態(tài)識(shí)別。在研究對(duì)象方面，研究了靜態(tài)人體目標(biāo)，而不是目前人體目標(biāo)識(shí)別領(lǐng)域普遍研究的微動(dòng)目標(biāo)。在特征提取方面，提取雙譜對(duì)角線起伏特性，降低了雙譜數(shù)據(jù)的維數(shù)，更有利于進(jìn)行目標(biāo)識(shí)別。在目標(biāo)特征向量構(gòu)成方面，雙譜特征結(jié)合強(qiáng)散射點(diǎn)分布特征，從兩種不同角度描述目標(biāo)，可以提高目標(biāo)識(shí)別能力。由于本文研究的是靜態(tài)人體目標(biāo)散射特征，因此人體微多普勒特征不明顯時(shí)，也可以實(shí)現(xiàn)人體目標(biāo)及人體姿態(tài)識(shí)別，可以作為進(jìn)一步研究災(zāi)后救援中探測(cè)人體目標(biāo)，了解被困人員姿態(tài)，降低二次傷害的參考。此外，有一點(diǎn)需要指出，本文的實(shí)測(cè)環(huán)境較為簡(jiǎn)單，今后需要在更復(fù)雜的環(huán)境下研究靜態(tài)人體目標(biāo)識(shí)別。

［1］Rovňáková J，Kocur D.UWB Radar Signal Processing for Positioning of Persons Changing Their Motion Activity［J］.Acta Polytechnica Hungarica，2013，10(3):165－184.

［2］Findlay R P.Induced electric fields in the MAXWEL surface－ based human model from exposure to external low frequency electric fields［J］.Radiation Protection Dosimetry，2014，162(3):244－253.

［3］Holland R，F(xiàn)ogler J，Donohoe G W.Human body modeling for FDTD evaluation of electromagnetic hazards［C］//Proceedings of 1996 Antennas and Propagation Society International Symposium.Baltimore，USA:IEEE，1996:654－657.

［4］劉傳武，張智軍，豆仁福.基于時(shí)域雙譜特征的雷達(dá)目標(biāo)識(shí)別［J］.數(shù)據(jù)采集與處理，2009，24(6):709－713.LIU Chuanwu，ZHANG Zhijun，DOU Renfu.Radar Target Recognition Based on Time－ Domain Bispectra Feature［J］.Journal of Data Acquisition and Processing，2009，24(6):709－713.(in Chinese)

［5］李志鵬，馬田香，杜蘭.在雷達(dá)HRRP 識(shí)別中多特征融合多類(lèi)分類(lèi)器設(shè)計(jì)［J］.西安電子科技大學(xué)學(xué)報(bào):自然科學(xué)版，2013，40(1):111－117.LI Zhipeng，MA Tianxiang，DU Lan.Ulti－class classifier design for feature fussion in radar HRRP recognition［J］.Journal of Xi' an University of Electronic Science and Technology:Natural Science，2013，40(1):111－ 117.(in Chinese)

［6］任晶晶.超寬帶信號(hào)穿墻傳播特性建模與檢測(cè)技術(shù)研究［D］.合肥:中國(guó)科學(xué)技術(shù)大學(xué)，2012.REN Jingjing.Ultra wideband signals travel through walls feature modeling and testing technology research ［D］.Hefei:University of Science and Technology of China，2012.(in Chinese)

［7］Sengor T，Ermisoglu E.Determination of the Behavior of Moving Human Body from the Scattered Field Data by Using FDTD Method［C］//Proceedings of 2006 IEEE Antennas and Propagation Society International Symposium.Albuquerque，NM:IEEE，2006:3773－3776.

［8］張賢達(dá).時(shí)間序列分析:高階統(tǒng)計(jì)量方法［M］.北京:清華大學(xué)出版社，1996:31－41.ZHANG Xianda.Time series analysis，higher order statistics method ［M］.Beijing:Tsinghua University Press，1996:31－41.(in Chinese)

［9］郭明瑋，趙宇宙，項(xiàng)俊平，等.基于支持向量機(jī)的目標(biāo)檢測(cè)算法綜述［J］.控制與決策，2014，29(2):193－200.GUO Mingwei，ZHAO Yuzhou，XIANG Junping，et al.Target detection algorithm based on support vector machine(SVM)review［J］.Control and Decision，2014:193－200.(in Chinese)