一种基于UWBMIMO生物雷达的静止人体目标识别与定位方法 |
|||||||
申请号 | CN201610460405.2 | 申请日 | 2016-06-22 | 公开(公告)号 | CN106054156A | 公开(公告)日 | 2016-10-26 |
申请人 | 中国人民解放军第四军医大学; | 发明人 | 梁福来; 王健琪; 李钊; 吕昊; 祁富贵; 安强; 张杨; 于霄; 焦腾; 路国华; | ||||
摘要 | 本 发明 公开了一种基于UWB MIMO 生物 雷达的静止人体目标识别与 定位 方法,通过对雷达原始回波 信号 进行预处理,形成距离‑慢时间‑多通道的三维数据矩阵,有效提高人体的生理体征信号和周围环境杂波的空间分离度;通过生理信号检测与定位方法 算法 探测和定位人体的生理体征信号,能有效提高生物雷达对人体目标识别和定位性能。 | ||||||
权利要求 | 1.一种基于UWB MIMO生物雷达的静止人体目标识别与定位方法,其特征在于,包括以下步骤: |
||||||
说明书全文 | 一种基于UWB MIMO生物雷达的静止人体目标识别与定位方法技术领域[0001] 本发明属于生物雷达或雷达式生命探测技术领域,涉及一种基于UWB MIMO生物雷达的静止人体目标识别与定位方法。 背景技术[0002] 生物雷达是以探测生命体为目的的新概念雷达,它将雷达、生物医学工程、计算机等技术融合于一体,可穿透非金属介质(砖墙、废墟等)、远距离、非接触探测和识别生命体目标,已广泛应用于反恐处突、灾后搜救等场合,对保障人民群众的生命安全具有重要作用。 [0003] 目前的生物雷达主要采用单通道和多通道两种体制。单通道雷达主要包括窄带连续波(Continuous Wave,CW)和超宽谱(Ultra Wideband,UWB)两种体制。其中,UWB雷达具有较强的穿透能力、良好的近场性能和目标识别能力,特别是步进频率连续波体制的UWB雷达以其具有相位、可同时实现低中心频率和大带宽、发射平均功率高等优点,是未来单通道生物雷达技术的发展方向。由于单通道生物雷达不具备横向分辨率,其回波中包含的信息是人体高维生理信息在雷达视线方向的投影,存在严重信息模糊。多通道生物雷达通过对多视角人体信息的融合处理提高人体目标的探测性能,但仍存在阵元数目少,横向分辨率差等问题。因此目前的单通道和多通道生物雷达仍存在探测虚警率高、易受动目标干扰等问题,制约了生物雷达技术的进一步发展。 [0004] 多输入多输出(Multiple-Input Multiple-Output,MIMO)生物雷达是一种特殊的多通道雷达,其接收端的每个天线阵元同时接收回波信号并通过匹配滤波分选得到多路回波,从而引入了多于实际物理阵元数目的观测通道和自由度。MIMO生物雷达利用虚拟阵元技术扩展原有物理接收阵列的孔径长度,从而产生更窄的波束方向图,提高阵列的横向分辨率。现阶段,MIMO生物技术主要以运动人体目标或建筑物内部层次结构作为探测对象,还未见关于静止人体探测与定位方法的系统研究。 发明内容[0005] 针对上述现有技术中存在的问题或缺陷,本发明的目的在于,提供一种基于UWB MIMO生物雷达的静止人体目标识别与定位方法,能够提高对静止人体目标探测与识别的准确率,对人体目标进行空间二维定位。 [0006] 为了实现上述目的,本发明采用如下技术方案: [0007] 一种基于UWB MIMO生物雷达的静止人体目标识别与定位方法,包括以下步骤: [0008] 步骤一:UWB MIMO生物雷达的多个发射天线依次分时向空间辐射电磁波信号,电磁波信号照射到人体目标被反射,多个接收天线接收被人体目标反射后的电磁波信号,形成多通道的雷达原始回波信号si,i表示等效虚拟接收通道的序号; [0009] 步骤二:对多通道的雷达原始回波信号si分别进行预处理,分别得到高分辨距离像 将高分辨距离像 按顺序排列形成三维数据矩阵 [0011] 步骤四:针对MIMO图像序列I采用生理信号检测与定位方法进行处 理,得到人体目标的数目和位置。 [0012] 具体地,所述步骤二中对多通道的雷达原始回波信号si分别进行预处理,具体包括以下步骤: [0013] 步骤2.1:对多通道的雷达原始回波信号si进行系统校正,得到系统校正后的雷达回波信号sci; [0014] 步骤2.2:对雷达回波信号sci进行背景消除,得到处理后的雷达回波信号sbi; [0015] 步骤2.3:对雷达回波信号sbi进行低通滤波,得到滤波后的雷达回波信号sfi,雷达回波信号sfi为频率-慢时间二维数据矩阵; [0016] 步骤2.4:对雷达回波信号sfi进行距离压缩,得到高分辨距离像 为距离-慢时间二维数据矩阵。 [0017] 具体地,所述步骤三中对三维数据矩阵 采用BP成像算法得到MIMO图像序列I,具体包括以下步骤: [0018] 步骤3.1:三维数据矩阵 为距离-慢时间-多通道三维数据矩阵,将三维数据矩阵在某一慢时间下的雷达回波信号用Sp表示,Sp为距离-多通道的二维数据矩阵; [0019] 步骤3.2:建立空间直角坐标系,横轴x为方位向,纵轴r为斜距向,并根据实际需要设定成像区域; [0021] 步骤3.4:对均匀网格上的像素点逐点遍历,针对每一个像素点(x,r),采用公式得到像素点(x,r)的幅度值: [0022] [0023] 其中,m为发射天线的序号,n为接收天线的序号,M为发射天线个数,N为接收天线个数,t表示快时间,R表示距离,c表示光速,快时间t与距离R的关系为t=2R/c,δ(·)表示狄里克莱函数,xTm为第m个发射天线的方位向坐标,xRn为第n个接收天线的方位向坐标,收发天线的斜距向坐标均为0; [0024] 针对每个慢时间下的雷达回波信号Sp,其对应的成像区域的所有像素点的幅度值均组成一幅MIMO图像,所有的MIMO图像形成MIMO图像序列I。 [0025] 具体地,所述步骤四中针对MIMO图像序列I采用生理信号检测与定位方法进行处理,估计得到人体目标的数目和位置,具体包括以下步骤:步骤4.1:对MIMO图像序列进行变化检测,提取生理微动信号 [0026] 步骤4.2:针对生理微动信号图像 基于全局阈值进行预筛选,得到预筛选后的生理微动信号图像 [0027] 步骤4.3:针对生理微动信号图像 采用CFAR算法得到处理后的生命体征信号图像 [0028] 步骤4.4:对生命体征信号图像 进行聚类,得到静止人体目标个数以及每个静止人体目标的二维位置。 [0029] 具体地,所述步骤4.1中的对MIMO图像序列进行变化检测,采用的公式如下: [0030] [0031] 其中,I(i,j,n)为MIMO图像序列I中的第n幅MIMO图像的像素点(i,j)的幅值,N表示MIMO图像序列I中的MIMO图像的个数。 [0032] 具体地,所述步骤4.2中的对MIMO图像序列进行变化检测,具体包括以下步骤: [0033] 步骤4.2.1:若令给定的某个像素点为人体目标像素的置信度为1-γ,按照以下公式求取阈值Tg: [0034] [0036] [0037] 具体地,所述步骤4.3中的针对生理微动信号图像 采用CFAR算法得到处理后的生命体征信号图像 具体包括以下步骤: [0038] 步骤4.3.1:以待检测的像素点(i,j)为中心设置滑动窗;滑动窗由保护窗和杂波窗组成; [0039] 步骤4.3.2:假定环境杂波服从高斯分布,根据保护窗与杂波窗之间的环形窗体内所有像素点的幅值估计高斯分布的参数,得到环境杂波的分布模型; [0040] 步骤4.3.3:给定虚警率,利用环境杂波的分布模型针对每个像素点(i,j)计算CFAR算法的门限值TCFAR(i,j); [0041] 步骤4.3.4:根据门限值TCFAR(i,j),将生理微动信号图像 中幅值大于门限值TCFAR(i,j)的像素点提取出来形成生命体征信号图像ICFAR(i,j),即: [0042] [0043] 步骤4.3.5:对生命体征信号图像ICFAR(i,j)进行形态学滤波,进一步滤除[0044] 杂波和噪声,得到处理后的生命体征信号图像 [0045] 具体地,所述保护窗的宽度Gx和长度Gy根据以下公式进行设置: [0046] [0047] [0048] 其中, 表示大于x的最小奇数,dchest和Kchest表示人体的厚度和宽度先验信息;db表示呼吸引起体动的距离,Larm表示手臂的长度;yres表示斜距向采样间隔和xres表示方位向采样间隔; [0049] 所述杂波窗的宽度Cx和长度Cy根据公式: 计算,其中,DH为多个人体目标之间的距离,xres和yres分别表示方位向和斜距向采样间隔。 [0050] 具体地,所述步骤4.4中对生命体征信号图像 进行聚类,得到静止人体目标个数以及每个静止人体目标的二维位置,具体包括以下步骤: [0051] 步骤4.4.1:生命体征信号图像 包含V个非零像素点{ρ1,ρ2,…,ρV},在V个非零像素点中选取幅值最强的像素点作为初始聚类中心u1,计算第i个像素点到当前的聚类中心u1的距离Di1=||u1-ρi||2,利用公式 计算更新聚类中心的位置,将所有满足聚类条件Di1<dc的像素点划分到u1'对应的簇;其中,m1为满足聚类条件Di1<dc的像素点的数目,dc表示聚类半径; [0052] 步骤4.4.2:在V个非零像素点中除去已形成的簇中的非零像素点,针对剩下的非零像素点继续操作,将其中幅度值最大的像素点作为第二个聚类中心u2,计算第i个像素点到当前的聚类中心u2的距离Di2=||u2-ρi||2,计 算得到新簇的聚类中心 将满足聚类条件Di2<dc的非零像素点划分到u'2对应的簇中,其中,m2表示满足聚类条件Di2<dc的像素点的数目; [0053] 步骤4.4.3:重复步骤4.4.2的划分过程,直到将所有非零像素点都划分到对应的簇中,得到Nc个簇以及Nc个聚类中心 [0054] 步骤4.4.4:以每个聚类中心为圆心,以dc作为半径统计圆内非零像素点的数目,若该数目小于PN,则将该簇去掉,最终得到P个簇及P个聚类中心{c1,c2,…,cP}。 [0055] 与现有技术相比,本发明具有以下技术效果:本发明通过对雷达原始回波信号进行预处理,形成距离-慢时间-多通道的三维数据矩阵,有效提高人体的生理体征信号和周围环境杂波的空间分离度;通过生理信号检测与定位方法算法探测和定位人体的生理体征信号,能有效提高生物雷达对人体目标识别和定位性能。 附图说明[0057] 图1为UWB MIMO生物雷达系统组成框图; [0058] 图2为本发明的方法流程图; [0059] 图3为呼吸机数据在UWB MIMO生物雷达某虚拟通道的预处理结果; [0060] 图4为静坐人体目标UWB MIMO某虚拟通道数据的预处理结果; [0061] 图5为UWB MIMO图像切片; [0062] 图6为距离-方位平面的生命体征信号; [0063] 图7为滑动窗设置示意图; [0064] 图8为生命体征信号CFAR检测结果; [0065] 图9为生命体征信号形态学滤波结果; [0066] 图10为UWB MIMO生物雷达图像聚类结果。 具体实施方式[0067] 参见图1,对UWB MIMO生物雷达系统的工作过程进行简单说明:控制终端上运行生物雷达探测数据采集软件,发送雷达工作指令后,超宽带步进频率连续波(stepped frequency continuouswave,SFCW)发射机产生等间隔步进频率连续波信号,两幅发射天线(TX1和TX2)依次分时向空间辐射电磁波信号,接收天线(RX1、RX2、RX3和RX4)同时接收回波信号馈入超外差接收机,探测到的回波信号经过与本振信号混频后变为中频信号,经中频滤波、正交解调获得回波信号的幅度和相位信息。 [0068] UWB MIMO生物雷达系统的主要技术指标如表1所示,具体包括:系统的不模糊探测距离不小于30m,能够满足生物雷达近场探测需要,发射机和接收机的工作频率范围为40MHz-4400MHz,对应距离分辨率约为3.4cm,发射功率不小于0dBm,接收机灵敏度-90dBm,接收机动态范围≥90dB,系统收发天线采用极化相反的平面对数螺旋天线(左旋和右旋)。 [0069] UWB MIMO生物雷达采用2个发射通道、4个接收通道,可形成8个等效虚拟接收通道。在距离向,每个通道收发系统的工作原理与单通道雷达相同,对探测距离范围内的回波信号按照一定的采样间隔进行连续扫描测量,并转换成离散数据以满足存储和处理的需要。在各接收通道中,人体生理体征信号到接收天线相位中心的位置产生空变,MIMO生物雷达利用空变效应形成的横向多普勒带宽,获得横向分辨率。 [0070] 表1系统的主要技术指标 [0071] [0072] 本发明的基于UWB MIMO生物雷达的静止人体目标识别与定位方法,参见图2,包括以下步骤: [0073] 步骤一:UWB MIMO生物雷达的多个发射天线依次分时向空间辐射电磁波信号,电磁波信号照射到人体产生反射,多个接收天线接收反射后的电磁波信号,形成多通道的雷达原始回波信号si,雷达原始回波信号si为频率-慢时间二维回波数据矩阵,i表示等效虚拟接收通道的序号,本实施方式中,i=1,2…8。 [0074] 步骤二:对多通道的雷达原始回波信号si,i=1,2…8分别进行预处理,分别得到高分辨距离像 i=1,2…8;将高分辨距离像 i=1,2…8按顺序排列形成距离-慢时间-多通道三维数据矩阵 [0075] 电磁波信号照射到人体产生反射,由于呼吸等生理运动导致人体体表微动,引起生理体征信号与雷达天线相位中心之间的距离出现相应的变化。 生物雷达技术主要是通过检测这种距离变化实现人体生理体征信号的检测。但在实际应用中,这种变化非常微弱,并且被大量杂波和噪声淹没,因此首先对UWB MIMO生物雷达的回波数据进行预处理,以去除系统和传输信道引入的干扰,形成高分辨率一维距离像。 [0076] 将每一个通道的雷达原始回波信号均用s表示,则对雷达原始回波信号s进行预处理包括以下步骤: [0077] 步骤2.1:对雷达原始回波信号s进行系统校正,得到系统校正后的雷达回波信号sc; [0078] 系统校正可分为天线子系统校正与射频子系统校正两个部分,一般将这两部分的校正分开进行。天线子系统校正一般采用微波暗室测量数据估计天线色散函数Ca,为降低测量数据的噪声污染,一般需做多次测量平均处理。射频子系统校正常采用闭环校正的方法,即在系统联调时旁路发射和接收天线,将发射信号衰减后直接馈入接收机,获得发射信号和接收信号的频谱,从而估计出射频子系统的传输函数Cr。 [0079] 利用估计得到的天线色散函数Ca和射频子系统的传输函数Cr对雷达原始回波信号s进行系统校正,采用公式如下: [0080] [0081] 其中,FT表示傅里叶变换。 [0082] 步骤2.2:对系统校正后的雷达回波信号sc进行背景消除,得到处理后的雷达回波信号sb; [0083] 一般认为背景是缓变的,而生理体征信号是时变的。求取一定时间范围内雷达回波信号sc的平均值,该平均值即为背景回波;在雷达回波信号sc中 减去提取出的背景回波即得到背景消除后的回波sb。 [0084] 步骤2.3:对雷达回波信号sb进行低通滤波,得到滤波后的雷达回波信号sf,雷达回波信号sf为频率-慢时间二维数据矩阵; [0085] 一般情况下,人体呼吸频率范围在0.2~0.5Hz,心跳的频率范围在1~2Hz。所以,可采用低通滤波器进行慢时间方向的低通滤波去除高频噪声和动目标干扰,截止频率选在2Hz; [0086] 步骤2.4:对雷达回波信号sf进行距离压缩,得到高分辨距离像 为距离-慢时间二维数据矩阵; [0087] 对雷达回波信号sf进行距离压缩所采用的手段为:过雷达回波信号sf进行距离向的IFT运算实现距离压缩。 [0088] 对所有通道的雷达回波信号si,i=1,2…8均采用上述方法进行预处理,分别得到高分辨距离像 i=1,2…8。 [0089] 将高分辨距离像 i=1,2...8按顺序排列形成距离-慢时间-多通道三维数据矩阵 [0090] 图3为呼吸机数据在UWB MIMO生物雷达某虚拟通道的预处理结果。该数据中,UWB MIMO生物雷达的天线阵列紧贴墙壁放置,呼吸机正对雷达天线阵列中心,置于墙后距雷达天线约3m处,呼吸机的频率设为1Hz。从图中可以看出,由于呼吸机的规律运动,在距离向3m区域附近出现随慢时间变化的周期性起伏。 [0091] 图4为静坐人体目标UWB MIMO某虚拟通道数据的预处理结果。该数据中,人体目标静坐于正对雷达天线阵列中心的墙后约3.5m处,保持平静呼吸。从图中可以看出,在距离向3.5m区域附近出现较强的起伏信号,但 由于身体微动及呼吸节律不规律的影响,呼吸信号的周期性体现得不像呼吸机那么明显。 [0092] 步骤三:针对距离-慢时间-多通道三维数据矩阵 采用BP成像算法得到MIMO图像序列I。 [0093] UWB MIMO生物雷达成像属于近场成像,频域类算法较难适于处理这类情况。理论上,后向投影(Back-Projection,BP)算法不存在任何近似,能在近场情况下得到稳定的成像结果,本发明采用BP成像算法得到MIMO图像序列。BP算法实现的基本过程如下: [0094] 步骤3.1:将三维数据矩阵 某一慢时间下的雷达回波信号用Sp表示,Sp为距离-多通道的二维数据矩阵; [0095] 步骤3.2:建立空间直角坐标系,横轴x为方位向,纵轴r为斜距向,并根据实际需要设定成像区域; [0096] 步骤3.3:将成像区域划分为均匀网格,每个网格中包含1个像素点(x,r); [0097] 步骤3.4:对均匀网格上的像素点逐点遍历,针对每一个像素点(x,r),采用下述公式得到像素点(x,r)的幅度值: [0098] [0099] 其中,m为发射天线的序号,n为接收天线的序号,M为发射天线个数,N为接收天线个数,t表示快时间,快时间t与距离R的关系为t=2R/c,c表示光速,δ(·)表示狄里克莱函数,xTm为第m个发射天线的方位向坐标,xRn为第n个接收天线的方位向坐标,收发天线的斜距向坐标均为0。 [0100] 针对每个慢时间下的雷达回波信号Sp,其对于的成像区域的所有像素点的幅度值均组成一幅MIMO图像,所有的MIMO图像形成MIMO图像序 列I。 [0101] 图5为MIMO图像序列中的慢时间切片。图中模拟的生理体征信号表现为在一定区域内分布的多个亮点。可见经过MIMO成像后,杂波干扰和噪声得到了一定的抑制。 [0102] 步骤四:针对MIMO图像序列I采用生理信号检测与定位方法进行处理,估计得到人体目标的数目和位置。具体包括以下步骤: [0103] 步骤4.1:对MIMO图像序列进行变化检测,提取生理微动信号 [0104] MIMO图像序列反映了目标与场景随时间的变化。一般来说,由于MIMO图像的慢时间的采样间隔较小(本发明中的UWB MIMO系统的慢时间采样间隔为8.84ms),因此背景和部分缓变杂波可近似认为是固定不变的。 [0105] 对MIMO图像序列的方位向和斜距向进行离散采样,得到像素点(x,r)对应的序号为(i,j)。 [0106] 对MIMO图像序列I进行变化检测提取出生理微动信号图像 抑制背景杂波与噪声,即: [0107] [0108] 其中,I(i,j,n)为MIMO图像序列I中的第n幅MIMO图像的像素点(i,j)的幅值,MIMO图像序列I中共包含N幅MIMO图像。 [0109] 步骤4.2:针对生理微动信号图像 基于全局阈值进行预筛选,得到预筛选后的生理微动信号图像 [0110] 为了进一步抑制杂波和噪声,降低后续检测的虚警率,针对生理微动信号 基于全局阈值进行预筛选,实现方法包括: [0111] 步骤4.2.1:若令给定的某个像素点为人体目标像素的置信度为1-γ,按 照公式(4)求取阈值Tg: [0112] [0113] 其中,γ∈[0,1],可根据成像场景大小来设定,在大幅MIMO图像中,γ取值接近1。 [0114] 步骤4.2.2:以Tg作为门限做限幅,得到限幅后的生理微动信号图像 即: [0115] [0116] 通过预筛选即硬阈值限幅处理后,生理微动信号图像 中的杂波得到进一步抑制,人体生命体征信号得到进一步增强。人体可视为一个面目标,呼吸运动会引起一定区域内的胸壁产生起伏,因此在一定空间分布范围内生命体信号都比较强。 [0117] 步骤4.3:针对生理微动信号图像 采用CFAR算法得到处理后的生命体征信号图像 [0118] 图6为距离-方位平面的生命体征信号。可见,生命体征信号在距离-方位平面上体现为具有一定尺寸的块状目标,并且经过预筛选即硬阈值限幅处理后的生命体征信号在局部区域内强于周围环境杂波,因此可采用CFAR(Constant False Alarm Rate)即恒虚警率算法得到初步筛选结果。 [0119] CFAR算法通过滑动窗实现,滑动窗的尺寸由生命体征信号的性质、距离采样间隔和方位采样间隔共同决定。CFAR算法的实现方法如下: [0120] 步骤4.3.1:以待检测的像素点(i,j)为中心设置滑动窗,滑动窗由保护窗(图7中实线框)和杂波窗(图7中的虚线框)组成。 [0121] 滑动窗的尺寸由生命体征信号的性质、斜距向采样间隔yres和方位向采 样间隔xres共同决定。保护窗应将生命体征信号包含其中,避免生命体征信号对杂波统计过程形成干扰。 [0122] 根据胸壁的尺寸,保护窗的宽度Gx和长度Gy可设置为: [0123] [0124] 其中 表示大于x的最小奇数,dchest和Kchest表示人体的厚度和宽度先验信息,db表示呼吸引起体动的距离,Larm表示手臂的长度。 [0125] 杂波窗的宽度Cx和长度Cy利用 计算,其中DH表示多个人体目标之间的距离。一般人体间隔大于0.1cm,可令DH>0.1m。 [0126] 步骤4.3.2:假定环境杂波服从高斯分布,根据保护窗与杂波窗之间的环形窗体内所有像素点的幅值估计高斯分布的参数,得到环境杂波的分布模型; [0127] 步骤4.3.3:给定虚警率,利用环境杂波的分布模型针对每个像素点(i,j)计算CFAR算法的门限值TCFAR(i,j); [0128] 步骤4.3.4:根据门限值TCFAR(i,j),将生理微动信号图像 中幅值大于门限值TCFAR(i,j)的像素点提取出来形成生命体征信号图像ICFAR(i,j),即: [0129] [0130] 步骤4.3.5:对生命体征信号图像ICFAR(i,j)进行形态学滤波,进一步滤除杂波和噪声,得到处理后的生命体征信号图像 [0131] 噪声由于具有强的随机性,在CFAR图像中通常表现为小尺寸的亮点,而面积较大的动态杂波干扰在CFAR图像中表现为大尺寸亮斑。形态学滤 波利用上述两种干扰与生命体征信号的尺寸存在的差异剔除上述干扰。 [0132] 图8为生命体征信号ICFAR(i,j)的检测结果图,图9为生命体征信号 的检测结果图,可见经过形态学滤波之后杂波数量明显减少。 [0133] 步骤4.4:对生命体征信号图像 进行聚类,得到静止人体目标个数以及每个静止人体目标的二维位置。 [0134] 假设场景中有P个生命体,则应存在P个聚类中心{μ1,μ2,…,μP}。设生命体征信号图像 包含V个非零像素点{ρ1,ρ2,…,ρV},这些非零像素点分布在P个聚类中心的周围。 [0135] 对生命体征信号 进行聚类的实现方法如下: [0136] 步骤4.4.1:在V个非零像素点中选取幅值最强的像素点作为初始聚类中心u1,计算第i个像素点到当前的聚类中心u1的距离Di1=||u1-ρi||2,利用公式 计算更新聚类中心的位置,将所有满足聚类条件的像素点划分到u1'对应的簇;其中,m1为满足聚类条件Di1<dc的像素点的数目,其中,dc表示聚类半径,dc=0.5m。 [0137] 步骤4.4.2:在V个非零像素点中除去已形成的簇中的非零像素点,针对剩下的非零像素点继续操作,将其中幅度值最大的像素点作为第二个聚类中心u2,计算第i个像素点到当前的聚类中心u2的距离Di2=||u2-ρi||2,计算得到新簇的聚类中心 将满足聚类条件的非零像素点划分到u'2对应的簇中,其中,m2表示满足聚类条件Di2<dc的像素点的数目; [0138] 步骤4.4.3:重复步骤4.4.2的划分过程,直到将所有非零像素点都划分到对应的簇中,得到Nc个簇以及Nc个聚类中心 [0139] 步骤4.4.4:以每个聚类中心为圆心,以dc作为半径画圆,统计圆内非零像素点的数目,若该数目小于PN,则将该簇去掉,最终得到P个簇及P个聚类中心{c1,c2,…,cP},假设图像网格密度为0.02m×0.02m, P个簇代表P个人体目标,P个聚类中心的位置代表人体目标的位置。 [0140] 图10为UWB MIMO生物雷达图像聚类结果。在聚类结果中直接给出了静止人体目标个数和二维位置的估计。 [0141] 实施例 [0142] 采用以上处理方法,我们在穿单墙条件下对静止人体目标进行了大量探测和识别实验,以验证该方法的有效性,其中砖墙厚度约为30cm。探测结果将怀疑目标区分为人体目标和杂波两类,其中判定有人体目标时同时给出目标的二维位置。 [0143] “误判”定义如下:将无人体目标数据判断成有目标;将有目标数据判断成无目标,或判断出的人体目标的位置与其实际位置有明显差别。实验结果按照探测场景和目标距离的不同进行分组统计,每一组包括无目标和有目标两种情况,目标均为同一正常成年男子。结果统计如表2所示: [0144] 表2穿墙条件下人体目标识别定位实验结果 [0145] [0146] 从表中可知,人体目标在近距离处且在视线方向时,其误判率为0%;在远距离非视线方向时,人体目标的误判率为3.33%,发生了一次漏警。理论上,随着目标距离的增加,探测和识别的准确率有所下降;人体位于非视线方向时,探测和识别的准确率下降,该理论分析与上述实验结果一致。总体来说,采用以上处理方法,对静止人体目标的识别和定位达到了满意的效果,可以满足生物雷达技术在穿墙探测中的使用需求。 |