基于双谱特征的超宽带雷达人体目标识别*

蒋留兵，吉雅雯，杨 涛，车 俐，2

(1.桂林电子科技大学 信息与通信学院，广西 桂林 541004;2.桂林电子科技大学 广西无线宽带通信与信号处理重点实验室，广西 桂林 541004)

1 引言

雷达人体目标识别是目前雷达应用的研究热点，广泛应用于安全、军事等领域。目前人体目标识别大多针对人体微多普勒特征进行研究。在人体微多普勒特征不明显或者需要刻画目标局部详细特征时，研究静态人体目标电磁散射特性，实现人体目标识别具有重大意义。

不同目标会对入射波产生不同的调制现象，使回波包含的信息可以描述目标特征。这种调制由目标本身固有物理属性(如结构、材料、尺寸等)决定。相比于非人体目标，人体目标物理属性特殊，会产生独特的调制现象。超宽带(Ultra Wideband，UWB)雷达的工作环境适应能力和抗多径干扰能力强、分辨率高，因此，超宽带雷达在人体探测和特征识别方面具有显著优势［1］。

建立高可信度的电磁散射模型有助于研究目标识别算法。时域有限差分(Finite Different Time Domain，FDTD)方法可以将麦克斯韦旋度方程转化为偏微分方程，在时间轴上直接逐步推进求解，精度比较高，是目前常用的数值模拟方法之一［2］。文献［3］基于FDTD 算法，利用科罗拉多州立大学医学院的可视人体数据计算了人体吸收电磁能量的模型。

提取目标特征是目标识别最重要的一部分。提取到的特征直接影响识别系统性能和分类算法选择。理论分析和计算机数值仿真的结果表明，用双谱法提取超宽带雷达目标的特征信息具有良好的效果，利用提取出的特征信息可进行目标的分类与识别［4］。但是双谱数据量大，有较多信息冗余，不利于目标识别。可以进一步提取特征，降低双谱特征维数。而且不同特征可以从不同角度描述目标，多特征融合更有利于目标识别［5］。

根据上述分析，首先在超宽带雷达体制下，基于精确三维实体模型，利用FDTD 算法计算目标电磁散射回波，获得目标高分辨距离像(High Resolution Range Profile，HRRP)，作为特征提取的回波样本。然后为了解决双谱特征数据量大、不利于目标识别的问题，提出了利用双谱对角线起伏特性的方法，相当于从另一角度提取回波特征，降低了特征维数。并结合HRRP 强散射点分布特征，利用支持向量机(Support Vector Machine，SVM)，分别基于仿真和实测数据，识别出了人体目标，并实现了人体姿态识别。

2 目标HRRP 数据仿真

本文选用FDTD 方法计算待测目标后向散射回波。首先建立待测目标实体模型。考虑到人体目标的复杂性，同一类姿态下，人体目标存在性别、手臂位置或躯干弯曲程度等明显差异。为了说明这些“同一姿态内”的差异不会影响人体目标姿态识别，本节在同一姿态下，建立了25个不同的人体目标模型。同时，为了丰富样本，每类非人体目标根据尺寸不同，分别建立20个实体模型。部分“站”姿态实体模型如图1 所示。

图1 不同人体“站”姿态的三维模型Fig.1 3D human body models of“stand”posture

一共建立了135个待测目标实体模型。实体模型详细尺寸和数量如表1 所示。

表1 待测目标三维实体模型的尺寸及数量Table 1 Size and quantity of the 3D entity models

接下来讨论目标电磁参数。人体内部阻抗大，电磁场微弱，在本文的研究领域，人体内部的电磁场可以忽略，只需要考虑人体表面和人体周围的散射。参考美国ARL 实验提供的皮肤在1 GHz处的电磁参数作为人体平均介电常数和电导率［6］。边界看作理想条件，设为全吸收边界［7］，激励源类型为平面波，采用高斯调制，其余具体参数设置如表2 所示。

表2 散射模型的参数Table 2 The parameters of the scattering model

在超宽带雷达体制下，目标的后向散射时域回波就是目标的HRRP。利用FDTD 算法仿真得到的部分人体目标和非人体目标HRRP 如图2 所示。

图2 不同目标的HRRP Fig.2 HRRP of different targets

3 仿真数据特征提取及目标识别

3.1 双谱对角线起伏特征

超宽带雷达体制下，HRRP 具有平移敏感性。且雷达分辨率越高，HRRP 对平移越敏感。双谱特征具有平移不变性，可以有效解决HRRP 敏感问题。同时，双谱与傅里叶频谱相比，双谱不仅保留了目标的位置信息，还保留了相位信息。

本文选用间接法计算双谱［8］。首先，将回波数据X={x(1)，x(2)，…，x(n)}分成K 段，每段含M个样本，并减去各自的均值。

之后，估计各段的三阶累积量:

式中，x(i)(n)，n=1，2…是第i 段数据;

然后，取所有段的三阶累积量的平均作为整个观测数据组的三阶累积量估计:

最后，产生双谱估计:

式中，L ＜M－1;ω(l，k)为二维窗，二维窗选取为最优窗

将每个回波数据分为10 段(即K=10);式(3)中L=10，ω1、ω2两个变量的取值均为0～200，采样间隔为10 进行计算。

根据式(1)～(4)计算得到的双谱是21 维方阵，取对角线，并做归一化处理，得到回波数据{x(n)，n=1，2，…，N}的双谱对角线b={b(1)，b(2)，…，b(21)}共21个元素组成的向量，将1～21个数平均分为3 份，每份分别取平均:

最后，按照式(6)计算出起伏特性{T(m)，m=1，2}:

由计算机仿真得到的HRRP 数据，根据式(1)～(4)计算得到双谱，然后将对角线上的数字用LS算法进行拟合。目标双谱与双谱对角线拟合曲线如图3 所示。

图3 目标双谱、双谱对角线原值及拟合曲线Fig.3 The bispectrum，diagonal value of bispectrum and fitting curve

从拟合曲线中可以看出，“站”目标的双谱拟合曲线近似于线性增长，“坐”目标的双谱拟合曲线振荡，振荡幅值在减小，“蹲”目标的双谱拟合曲线近似于线性递减。由于上述拟合曲线趋势可以区分出三种人体姿态，所以考虑提取双谱对角线起伏特性作为识别特征。

图3 中的数据根据式(5)、(6)计算得到的双谱对角线起伏特征{T(m)，m=1，2}如表3 所示。

表3 三种姿态人体回波(仿真数据)双谱对角线起伏特性Table 3 Fluctuation characteristic of human body in three different postures(simulation data)

3.2 HRRP 强散射点分布

目标HRRP 反应了目标在雷达视线方向上的强散射点分布情况。由FDTD 仿真得到的目标HRRP 进行取绝对值、归一化、平滑处理后的波形，提取强散射点分布情况如图4 所示。

图4 目标强散射点分布Fig.4 Target scattering distribution

从图4 可以看出，人体目标的强散射点个数比较多，而且分布范围比较广，在［200，1800］的采样点数范围内均有分布。非人体目标的强散射点数量比较少，而且强散射点仅仅分布在［100，1100］的区间内，分布范围比较小。人体姿态不同，所对应的雷达截面有差别，三种姿态回波所对应的最大幅值、波峰出现位置以及HRRP 包络形状有明显的差异，但是计算得到的目标强散射点个数和分布的特征对于不同姿态的人体目标是相似的。所以，可以通过后向散射时域波形的数值特征来区分人体和非人体目标。

3.3 仿真数据识别效果分析

支持向量机(SVM)相比其他分类器泛化能力较强，收敛速度较快，对小样本训练效果也较好，且分类复杂度与样本的维数无关，因此本文采用SVM分类器，其核函数采用常用的RBF 核函数［9］。

根据上两节中的数据构造特征向量d1、d2:

每种样本随机选取7个作为测试数据，其余样本作为训练数据(一共42个测试数据，93个训练数据)。

目标识别流程如图5 所示。

首先将d1送入SVM，识别出人体目标和非人体目标。经参数寻优，SVM 惩罚因子C=0.15 时，达到最优识别效果，分类准确率达到100%。

然后计算识别出的人体目标的双谱对角线起伏特性，构成特征向量d2，用于识别人体目标姿态。将d2送入SVM 分类器，经参数寻优，SVM 惩罚因子C=0.15 时，分类准确率达到100%。

仿真实验表明，在理想环境中，双谱对角线起伏特性和强散射点分布特征相结合，可以在不考虑人体微多普勒特征的情况下，有效识别出静态人体目标及人体姿态。

4 实测数据验证

用超宽带雷达采集数据，验证仿真数据的正确性。采用的雷达参数如表4 所示。

表4 实测数据使用的雷达参数Table 4 Radar parameters used by measured data

实测数据的现场照片如图6 所示。

图6 实测数据现场照片Fig.6 The scene of measured data

实测数据前若干点的相似回波是雷达接收端的耦合信号和地面散射。处理数据之前，目标回波减去无目标时的雷达接收信号。部分实测数据的强散射点分布如图7 所示。

图7 实测数据强散射点分布Fig.7 Target scattering distribution(measured data)

训练样本由上一节中得到的仿真数据组成，实测数据作为测试样本。

首先将实测数据HRRP 分布与仿真数据横向对齐，保持采样点数相同。然后将d1送入SVM，经参数寻优，SVM 惩罚因子C=0.15 时，人体与非人体的分类准确率达到100%。

实测数据计算得到的双谱对角线如图8 所示。

图8 实测数据双谱对角线数据及其拟合曲线Fig.8 Diagonal value of spectrum and fitting curve(measured data)

实际测量环境中，人体目标不是理想环境中的均匀介质，人体穿着的衣物、饰品等都有可能影响双谱对角线特征。与理论结果相比，“坐”姿态下的双谱对角线仍然是起伏的波形，且幅度递减。“站”和“蹲”姿态下，虽然双谱对角线在数据中间区域仍然分别呈递增和递减的趋势，与理论数据相符合;但是在两端，拟合曲线呈现轻微起伏，与理论数据两端的起伏有所差异。但是双谱对角线上的起伏趋势仍然能够明显区分出三种人体姿态。提取实测数据双谱对角线的起伏特性，结果与仿真数据一致。

将实测数据处理得到的d2送入SVM，经参数寻优，SVM 惩罚因子C=0.15 时，人体目标姿态识别的准确率达到96.6%(29/30)。

实测实验结果表明，在实际环境中，相消去噪之后，利用第3 节中提出的方法，可以有效识别人体目标及人体姿态，说明该方法在实际环境中是可行的。

5 结束语

本文通过研究静态人体目标散射特征，提出了一种融合双谱对角线起伏特性与目标强散射点分布特征进行人体目标识别的方法。仿真和实测结果均表明，该方法实现了静态人体目标识别及人体姿态识别。在研究对象方面，研究了静态人体目标，而不是目前人体目标识别领域普遍研究的微动目标。在特征提取方面，提取双谱对角线起伏特性，降低了双谱数据的维数，更有利于进行目标识别。在目标特征向量构成方面，双谱特征结合强散射点分布特征，从两种不同角度描述目标，可以提高目标识别能力。由于本文研究的是静态人体目标散射特征，因此人体微多普勒特征不明显时，也可以实现人体目标及人体姿态识别，可以作为进一步研究灾后救援中探测人体目标，了解被困人员姿态，降低二次伤害的参考。此外，有一点需要指出，本文的实测环境较为简单，今后需要在更复杂的环境下研究静态人体目标识别。

［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，Fogler 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］刘传武，张智军，豆仁福.基于时域双谱特征的雷达目标识别［J］.数据采集与处理，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］李志鹏，马田香，杜兰.在雷达HRRP 识别中多特征融合多类分类器设计［J］.西安电子科技大学学报:自然科学版，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.超宽带信号穿墙传播特性建模与检测技术研究［D］.合肥:中国科学技术大学，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］张贤达.时间序列分析:高阶统计量方法［M］.北京:清华大学出版社，1996:31－41.ZHANG Xianda.Time series analysis，higher order statistics method ［M］.Beijing:Tsinghua University Press，1996:31－41.(in Chinese)

［9］郭明玮，赵宇宙，项俊平，等.基于支持向量机的目标检测算法综述［J］.控制与决策，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)