论文部分内容阅读
生命探测雷达在军事反恐、灾难营救、医疗检测等领域有着广泛的应用,其中利用电磁波对人体生命信号的提取与辨识研究日益受到重视。本文主要基于两种方法分别实现对静止和运动情况下的人体生命探测。对静止情况的人体,主要基于心跳和呼吸的微多普勒特征进行生命探测,对运动情况下的人体,主要利用步态的微多普勒特征实现生命探测。本论文针对其中的关键问题开展研究,具体如下:针对运动模型及雷达回波模型建模问题,本文首先建立呼吸心跳正弦模型和尖脉冲模型,并比较两种呼吸心跳模型的优劣势;其次在类人型机器人和虚拟人研究的基础上,利用M.Thalaman和D.Thalman测量的生物机械实验数据,建立了适用于人体雷达特征研究的经验化人体运动模型,分析了各肢体的运动学轨迹;紧接着与人体运动建模类似,本文利用ACCAD运动捕捉实验室的数据库获取马的运动学参数,通过建立动物坐标系,利用各关节挠曲角之间的关系以及欧拉旋转矩阵建立了一套动物步态模型。最后在此基础上建立雷达回波模型,推演出了各运动模型的雷达回波信号的解析式,为人体探测和特征提取提供了理论模型基础。针对呼吸心跳频率提取的问题,本文通过第二章中建立的呼吸心跳模型,采用一种呼吸和心跳频率信息提取算法,即进行两次时频分析和曲线拟合,并通过MATLAB仿真验证算法具有较好可行性。针对微多普勒特征提取问题,本文对一种目前新提出的时频分析方法---同步挤压短时傅里叶变换(SSTFT)进行探究,发现该算法在振动工程领域已经取得较好的效果,本文将其首次应用到步态微动特征提取,并通过仿真可知,SSTFT变换后的时频图比STFT变换后的时频图频率聚焦性有着显著提升,微多普勒特征提取效果更好。针对人体运动状态辨识的问题,本文提出一种基于步态规律的特征提取算法,即分别提取躯干的平均速度、腿部摆动频率和肢体摆动的最大最小速度作为分类的特征,并通过机器学习算法进行分类。最后通过实验验证基于该特征提取算法训练的机器学习模型的人体运动状态(走、跑)辨识精度高达95%,比传统的图像特征(HOG特征)提取算法训练的模型分类效果提高了6.25%。为了支撑论文上述研究工作,本文利用Infineon(英飞凌)24GHz连续波雷达进行大量的实验数据采集,并提取实测人体步态运动的微多普勒特征,通过实测图与仿真图的对比,对本文所建立的运动模型和算法理论进行了实验验证。