微多普勒效应自提出以来,被广泛应用于目标的检测、特征提取、识别、分类和参数反演等多个方面。人体运动时,除人体质心的整体平动外,还存在人体各部位相对人体质心的微运动,如四肢的周期性摆动以及呼吸和心跳造成皮肤、胸腔的振动等微运动,人体不同部位的微运动形式不同。各部位微运动引起的微多普勒效应中不仅包含微动部位的散射强度、尺寸等固有属性信息,还包括目标的运动信息,利用这些微动特征信息可以为目标识别提供额外的有效信息,能够有效地提高雷达的目标识别能力与信息获取能力。由于人体的微多普勒信号属于典型的非平稳信号,在时频域人体各部位的微动信号相互混叠,不利于微动特征信息的提取,如何有效地将行人不同部位的微动信号进行分离是人体微多普勒特性研究领域中的一个难题,因此研究基于微多普勒特征的行人微动部位分离具有重要意义,这能够为微多普勒信号的精细化识别和分类能力提供一定的技术积累。同时,本文的研究成果可以应用于行人的运动姿态的分类和精细化识别,在战场侦察监视、恐怖袭击预警、突发事件取证、医疗救助和精准医疗等方面具有重要的应用价值。本文结合行人微动目标识别和分类的实际应用需求,开展了基于微多普勒特征的行人微动信号分离研究。将重点研究行人雷达回波建模和行人微动信号分离方法等问题。主要研究内容包括:1.建立振动、旋转、圆锥运动等典型微运动的运动模型,分析典型微运动调制产生的微多普勒频率,利用联合时频分析方法分析它们的微动特性,为后续行人微多普勒分析和微动部位分离算法研究奠定基础。2.针对行人各部位运动机制复杂的挑战,结合行人各部位微运动特征和基于烧伤面积的人体部位散射截面积(Radar Cross Section,RCS)分析,构建适用于行人微动特征分析的行人雷达回波模型,并详细分析了行人微多普勒特性。将人体建模为12个部位,假设各部位之间不存在相互遮挡作用,则行人的雷达回波信号为人体所有部位的回波信号之和。基于行人各部位的微运动表现出来的类正弦特性,将行人各部位的运动轨迹简化为正弦函数;通过研究各部位的散射性质,引入医学中的烧伤面积来计算人体各部位的RCS,构建适用于行人特征分析的行人雷达回波模型。在此基础上利用联合时频分析方法分析行人微多普勒特性。3.针对行人微多普勒信号相互混叠、难以分离的问题,提出了一种基于PCAKmeans的行人微动部位分离方法。该方法首先通过预处理将一维回波信号变换为二维输入矩阵,并对输入矩阵进行均值归一化处理。然后利用主成分分析(Principal Component Analysis,PCA)得到相互正交的主成分,构成一个维度较低的特征子空间,并在特征子空间内将原信号分解为相互正交的主分量。最后基于各主分量的频率概率密度分布,利用K-means方法将主分量聚类,聚类得到的每类信号分别代表行人不同部位的回波信号。4.针对利用PCA-Kmeans方法对行人微动信号分离得到的各类信号之间存在相互交叠的情况,提出基于逆Radon变换(Inverse Radon Transform,IRT)的行人微动部位信号分离方法。首先基于行人雷达回波信号的时频图利用IRT估计信号中能量最强的信号分量参数。然后利用估计得到的参数将该信号分量和原回波信号分离。最后计算分离得到的信号能量占总能量的能量比值,若该能量比值低于设定的阈值,则算法结束;反之,则对去除信号分量后的信号进行下一次的信号分离。利用IRT可以较为理想地将行人各部位的微动信号分离开来,每次分离得到的信号分离即为行人各部位的微动信号。