《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 通信與網(wǎng)絡(luò) > 設(shè)計(jì)應(yīng)用 > EEMD生命探測(cè)雷達(dá)人體數(shù)量識(shí)別技術(shù)
EEMD生命探測(cè)雷達(dá)人體數(shù)量識(shí)別技術(shù)
2014年電子技術(shù)應(yīng)用第5期
蔣留兵, 韋洪浪, 許騰飛, 楊昌昱, 管四海
(桂林電子科技大學(xué) 信息與通信學(xué)院, 廣西 桂林 541004)
摘要: 針對(duì)生命探測(cè)雷達(dá)回波信號(hào)的非線性、非平穩(wěn)性和難以獲得大量實(shí)驗(yàn)樣本的實(shí)際問(wèn)題,,提出了一種基于EEMD奇異值和支持向量機(jī)的多人識(shí)別方法,。通過(guò)對(duì)雷達(dá)回波信號(hào)進(jìn)行EEMD分解,將信號(hào)自適應(yīng)分解為若干個(gè)本征模態(tài)函數(shù)(IMF),然后對(duì)特征向量矩陣進(jìn)行奇異值分解求出特征向量,,最后將特征向量輸入支持向量機(jī)的分類器進(jìn)行模式識(shí)別,判斷墻體后面的人體數(shù)量,。實(shí)驗(yàn)結(jié)果表明,,所提出的方法識(shí)別速度快,識(shí)別率高,,可有效應(yīng)用于生命探測(cè)雷達(dá)的人體數(shù)量識(shí)別,,具有廣闊的應(yīng)用前景。
中圖分類號(hào): TN958.4
文獻(xiàn)標(biāo)識(shí)碼: A
文章編號(hào): 0258-7998(2014)05-0122-04
Technology of recognizing the number of the people based on EEMD life detection radar
Jiang Liubin, Wei Honglang, Xu Tengfei, Yang Changyu, Guan Sihai
School of Information and Communication, Guilin University of Electronic Technology,, Guilin 541004,,China
Abstract: For the life detection radar echo signal is nonlinear and non-stationary, and its difficult to obtain a large number of experimental samples in fact, a multi people recognition method is proposed, which is based on EEMD singular values and supports vector machine. The radar echo signal is decomposed self-adaptively into several intrinsic mode function (IMF) and then the feature vector matrix is decomposed into feature vectors by singular value. And finally the feature vectors have been input a support vector machine classifier for pattern recognition, to determine the amount of body behind the wall. The experimental results show that the method proposed in this paper has high recognition speed and high recognition rate, and can be effectively used in human number recognition of life detection radar. It has broad application prospects.
Key words : the life detection radar; ensemble empirical mode decomposition; singular value decomposition; support vector machine

  生命探測(cè)雷達(dá)是指探測(cè)生命體的雷達(dá),其融合了雷達(dá)技術(shù)和生物工程技術(shù),,可以穿透非金屬介質(zhì)(磚墻,、廢墟等),非接觸,、遠(yuǎn)距離地檢測(cè)人體的呼吸和心跳等信息,,廣泛應(yīng)用于特殊病人監(jiān)護(hù)、震后救援,、反恐斗爭(zhēng)等領(lǐng)域[1],。目前國(guó)際上比較流行的生命探測(cè)技術(shù)有光學(xué)生命探測(cè)技術(shù)、音頻生命探測(cè)技術(shù),、紅外生命探測(cè)技術(shù)和雷達(dá)生命探測(cè)技術(shù)等[2],。本文討論的是超寬帶雷達(dá)生命探測(cè)技術(shù),它基于多普勒效應(yīng),,通過(guò)發(fā)射電磁波穿透障礙物照射到人體目標(biāo),,然后產(chǎn)生電磁波反射,反射的雷達(dá)回波信號(hào)包含大量的雜波和噪聲,,同時(shí)攜帶微弱的人體生命信息,,最后通過(guò)信號(hào)處理技術(shù)把回波信號(hào)中的雜波和噪聲去除,,提取有用的人體生命信息。

  近年來(lái)國(guó)內(nèi)外的許多學(xué)者致力于生命探測(cè)雷達(dá)的識(shí)別技術(shù)研究,,并取得了很多研究成果,。參考文獻(xiàn)[3]采用短時(shí)傅里葉變換對(duì)生命體的呼吸信號(hào)進(jìn)行變換, 并通過(guò)奇異值分解有效地提取特征矢量進(jìn)行模式識(shí)別, 能夠成功地識(shí)別人體和動(dòng)物。但是在穿墻探測(cè)情況下,,由于信噪比(SNR)比較低,,難以提取相應(yīng)的特征向量,導(dǎo)致識(shí)別率很低,。參考文獻(xiàn)[4]對(duì)回波信號(hào)進(jìn)行譜圖變換,,然后對(duì)變換后的矩陣進(jìn)行奇異值提取,以建立模式特征量,,最后采用最小分類器對(duì)待識(shí)別進(jìn)行類型分類,。該方法能有效識(shí)別無(wú)人或有一個(gè)人,但在多人條件下,,效果不佳。參考文獻(xiàn)[5]利用EMD方法對(duì)回波信號(hào)進(jìn)行分解,,然后計(jì)算特征向量的奇異熵,,最后根據(jù)馬氏距離對(duì)人體數(shù)目進(jìn)行分類。但是EMD方法存在模態(tài)混疊問(wèn)題,,從而造成信號(hào)時(shí)頻分布的偏移,,使得分解得到的IMF分量的物理意義不明確,因而導(dǎo)致識(shí)別效果不佳,。針對(duì)此問(wèn)題,,Wu Zhaohua和HUANG N E等人提出了一種叫做總體平均經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)方法,經(jīng)過(guò)該方法處理后的信號(hào)能夠自適應(yīng)地分解為若干個(gè)平穩(wěn)的本征模態(tài)函數(shù)(IMF)[6]。

  基于此,本文提出了基于EEMD與支持向量機(jī)(SVM)相結(jié)合的生命探測(cè)雷達(dá)人體數(shù)目識(shí)別方法,。通過(guò)對(duì)雷達(dá)回波信號(hào)進(jìn)行EEMD分解,,提取本征模態(tài)函數(shù)(IMF)分量構(gòu)成的矩陣,并對(duì)該矩陣進(jìn)行奇異值分解,,求出特征向量,,將該特征向量輸入支持向量機(jī)的分類器對(duì)人體數(shù)目進(jìn)行自動(dòng)識(shí)別。理論分析和實(shí)驗(yàn)結(jié)果表明,,該方法可以有效判斷生命探測(cè)雷達(dá)回波信號(hào)中人體的數(shù)目,,相較于短時(shí)傅里葉變換與奇異值分解方法、譜圖變換與奇異值分解方法,、EMD方法與奇異熵方法,,該方法具有識(shí)別速度快、識(shí)別率高等優(yōu)點(diǎn),。

1 經(jīng)驗(yàn)?zāi)B(tài)分解

  1.1 經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)方法

  經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)能夠根據(jù)信號(hào)自身的特點(diǎn)自適應(yīng)分解為一系列的固有模態(tài)函數(shù)IMF和余項(xiàng)序列,每一個(gè)IMF體現(xiàn)信號(hào)中不同頻率尺度的振蕩特性,,從而可以對(duì)信號(hào)進(jìn)行時(shí)域或頻域分析[7],。EMD分解的過(guò)程是一種篩分過(guò)程,即通過(guò)層層篩分獲得IMF,。EMD分解的具體步驟如下:

  (1)使用3次樣條插值擬合對(duì)信號(hào)x(t)的極大值點(diǎn)和極小值點(diǎn)進(jìn)行擬合,得到信號(hào)的上包絡(luò)線eu(t)和下包絡(luò)線ed(t),,然后計(jì)算上下包絡(luò)的均值:

  m1(t)=[eu(t)+ed(t)]/2    (1)

  (2)將信號(hào)x(t)減去平均包絡(luò)m1(t),得到一個(gè)去掉低頻的新序列h1(t),,即:

  h1(t)=x(t)-m1(t)   (2)

  重復(fù)步驟(1)和(2),,直到滿足判斷條件:

  1`EPNOJ32`7OTZ(I$[]5]W9.png

  其中,SD表示連續(xù)兩次迭代結(jié)果的標(biāo)準(zhǔn)差,取值區(qū)間為[0.2,,0.3],。得到第一個(gè)IMF分量IMF1(t)=h1k(t),k表示判定條件時(shí)的迭代次數(shù),。

  (3)將IMF1(t)從x(t)中分離出來(lái),,得到去掉高頻成分的余項(xiàng)序列r1(t),即r1(t)=x(t)-IMF1(t),。

  (4)將余項(xiàng)序列r1(t)作為待分解信號(hào),,重復(fù)以上步驟直到滿足篩分約束條件。此時(shí),,信號(hào)被分解為有限個(gè)IMF分量(IMF1(t),IMF2(t),…,IMFn(t))和一個(gè)代表原始信號(hào)序列均值或趨勢(shì)的余項(xiàng)rn(t),。因此,原始信號(hào)可以表示為:

  $OAO8WB_P9B5_}R@KWGVLOK.png

  1.2 總體平均經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)方法

  為了解決EMD分解存在的模態(tài)混疊問(wèn)題,,在EMD方法的基礎(chǔ)上改進(jìn)形成了EEMD方法,。該方法通過(guò)利用高斯白噪聲頻率均勻分布的統(tǒng)計(jì)特性,在信號(hào)中加入白噪聲,,使信號(hào)在不同尺度上具有連續(xù)性,,從而減小模態(tài)混疊的程度[6]。EEMD的分解步驟如下:

  (1)將高斯白噪聲ni(t)加入待分解的信號(hào)x(t)中,,即:

  xi(t)=x(t)+ni(t) (5)

  式中,xi(t)表示第i次加入白噪聲后的信號(hào);ni(t)表示白噪聲信號(hào),,其幅值均值為0,標(biāo)準(zhǔn)差為常數(shù)。

  (2)對(duì)加入白噪聲后的信號(hào)xi(t)分別進(jìn)行EMD分解,,得到所有的IMF分量,。

  (3)重復(fù)步驟(1)和步驟(2)各N次。

  (4)將上述N次EMD分解得到的對(duì)應(yīng)IMF分量進(jìn)行總體平均運(yùn)算,可以得到EEMD分解后新的IMF分量為:

  ZJ$2_PSW3I8I5OV%TAW]D_U.png

  此時(shí)EEMD分解的最終結(jié)果可以表示為:

  IAROU%B6M]_3W2L)C32~`4C.png

  式中, rn(t)為余項(xiàng)序列,。信號(hào)經(jīng)過(guò)EEMD分解后,,階數(shù)小的一般為高頻部分,階數(shù)大的一般為低頻部分,,而且每個(gè)IMF分量不僅包含的頻率成分不相同,,而且所攜帶的能量也不同,并且二者都會(huì)隨著原始信號(hào)x(t)的不同而變化。

001.jpg

  接收到的雷達(dá)回波數(shù)據(jù)成分復(fù)雜,,要經(jīng)過(guò)去除直達(dá)波,、去除背景等一系列預(yù)處理,提取慢時(shí)間數(shù)據(jù)切片才能得到一維的回波數(shù)據(jù),。圖1給出1個(gè)人時(shí)的雷達(dá)回波信號(hào)時(shí)域波形,,從圖中可以看出雷達(dá)回波信號(hào)含有比較多的噪聲,需要進(jìn)行后續(xù)信號(hào)處理才能提取信號(hào)的特征,。

002.jpg

  圖2給出以上信號(hào)經(jīng)過(guò)EEMD分解后的結(jié)果,,可以看出信號(hào)被自適應(yīng)地分解為一系列的固有模態(tài)函數(shù)IMF,每一個(gè)IMF體現(xiàn)信號(hào)中不同頻率尺度的振蕩特性,而且階數(shù)越小IMF的頻率越高,,階數(shù)越大IMF的頻率越低,,這體現(xiàn)了EEMD分解多分辨率的特性。從圖2中也可以看出IMF5信號(hào)的幅度最大,這說(shuō)明大部分的多普勒能量集中在這里,因此該分量也是人體特征最明顯的,。

2 奇異值分解

  特征提取是雷達(dá)回波信號(hào)人體數(shù)量識(shí)別的關(guān)鍵問(wèn)題,。由于矩陣的奇異值是矩陣的固有特征,它具有較好的穩(wěn)定性和魯棒性,,符合模式識(shí)別中作為特征向量所要求具有的性質(zhì),,因此選擇奇異值作為模式識(shí)別過(guò)程中的特征向量[8]。對(duì)于任意實(shí)矩陣,,都可以利用奇異值分解將其轉(zhuǎn)化為對(duì)角陣,。設(shè)有N行、M列的實(shí)矩陣A,,對(duì)它可以作如下的奇異值分解:

  }Q1UP`}0O5IHT[JOGEMYPI7.png

3 支持向量機(jī)原理

  支持向量機(jī)分類方法是根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則構(gòu)造的機(jī)器學(xué)習(xí)方法,,能夠解決小樣本,、非線性及高維的模式識(shí)別問(wèn)題,,因而可以用于生命探測(cè)雷達(dá)回波信號(hào)的識(shí)別。支持向量機(jī)分類的主要思想是尋找一個(gè)最優(yōu)化的超平面作為決策面,,它不但能夠?qū)⑺杏?xùn)練樣本正確分類,而且可使訓(xùn)練樣本中超平面兩側(cè)的距離達(dá)到最大[9],。當(dāng)訓(xùn)練樣本為非線性時(shí),可以通過(guò)非線性函數(shù)(x)將樣本x映射到一個(gè)高維線性空間,,然后在這個(gè)高維空間中構(gòu)造最優(yōu)分類超平面,,使原本非線性不可分的樣本變?yōu)榫€性可分。當(dāng)用一個(gè)超平面不能把兩類完全分開(kāi)時(shí),,需要引入松弛變量(i≥0,,i=1,2,3…,n)使超平面(x)+b=0滿足:

  (ED)T()5G[5@J1D4LR8]HM9.png

  式中, n為樣本數(shù)量;實(shí)際引入的松弛變量,。為此,,引入以下目標(biāo)函數(shù):

  YZN~}S3[9C`]WSPRCA72][K.png

  式中, C是一個(gè)正常數(shù),稱為懲罰因子??紤]到分類器的泛化能力和分類準(zhǔn)確率,,引入拉格朗日函數(shù)得到優(yōu)化問(wèn)題的對(duì)偶形式:

  2}FGT)6D(8K`$D4J`~)D`GH.png

  (3)根據(jù)g1(x),g2(x),…,gM(x)最大者的上標(biāo),判斷輸入x屬于第j類,。

4 人體數(shù)量識(shí)別方法

  利用本文介紹的方法對(duì)生命探測(cè)雷達(dá)回波信號(hào)分類的具體步驟如下:

  (1)對(duì)生命探測(cè)雷達(dá)回波信號(hào)進(jìn)行 EEMD分解,,得到一組IMF分量IMF1,IMF2,…,IMFn,各IMF重排形成初始特征向量矩陣A=[IMF1,IMF2,…,IMFn]T;

)SOTV0B3`L[U1962{$__O6E.png

  (3)建立由4個(gè)支持向量機(jī)組成的人體數(shù)量分類器(SVM1,SVM2,SVM3,SVM4),。將特征向量T′輸入支持向量機(jī),,對(duì)支持向量機(jī)進(jìn)行訓(xùn)練。

  (4)對(duì)待識(shí)別的生命探測(cè)雷達(dá)回波信號(hào),,按照步驟(1)和(2)計(jì)算得特征奇異值向量T′,,將其輸入分類器,根據(jù)分類器的輸出確定人體的數(shù)量,。

5 實(shí)驗(yàn)結(jié)果分析

  生命探測(cè)雷達(dá)的實(shí)驗(yàn)設(shè)備為美國(guó)勞雷工業(yè)有限公司的探地雷達(dá)系統(tǒng)SIR-20,它采用了新一代GPR數(shù)據(jù)采集系統(tǒng),,集成強(qiáng)大的數(shù)據(jù)采集單元和基于RADAN NT快速數(shù)據(jù)處理軟件,廣泛用于公路探測(cè),、地質(zhì)探測(cè)等,。

003.jpg

  實(shí)驗(yàn)場(chǎng)景:雷達(dá)天線距離墻40 cm,墻體厚度25 cm,人體站在墻體后面距離墻體1.5 m處,。分別對(duì)無(wú)人,、1人、2人,、3人的情況進(jìn)行多次采集數(shù)據(jù),。雷達(dá)參數(shù)如下:天線的中心頻率為1 GHz,測(cè)程15 ns,采用點(diǎn)數(shù)1 024點(diǎn),,數(shù)據(jù)位數(shù)為16 bit,,掃描行數(shù)為64,重復(fù)頻率為100 kHz。

  分別采集無(wú)人,、1人,、2人、3人的穿墻探測(cè)實(shí)驗(yàn)數(shù)據(jù)各100組,,從實(shí)驗(yàn)數(shù)據(jù)中分別對(duì)每一類數(shù)據(jù)隨機(jī)抽取70組作為分類器的訓(xùn)練樣本,,剩下的數(shù)據(jù)作為測(cè)試樣本。表1給出4類實(shí)驗(yàn)數(shù)據(jù)典型的特征向量T′,。

004.jpg

  將所有訓(xùn)練樣本的特征向量輸入支持向量機(jī)的分類器中進(jìn)行訓(xùn)練,,然后將待測(cè)數(shù)據(jù)的特征向量輸入分類器中進(jìn)行模式識(shí)別,識(shí)別結(jié)果表2所示,。從表2可以看出,,基于EEMD奇異值向量和支持向量機(jī)的方法在生命探測(cè)雷達(dá)多人識(shí)別方面有很好的效果,。對(duì)于無(wú)人和1個(gè)人的情況,由于雷達(dá)回波信號(hào)比較簡(jiǎn)單,識(shí)別率是100%;但是對(duì)于多人的情況,,由于不同人的呼吸和心跳頻率一般是不同的,,雷達(dá)回波信號(hào)所含有的頻率成分比較復(fù)雜,所以識(shí)別率有所下降,。

  為了驗(yàn)證本文算法的優(yōu)越性,,分別使用幾種常用算法對(duì)4類實(shí)驗(yàn)數(shù)據(jù)進(jìn)行識(shí)別,識(shí)別結(jié)果如表3所示,。

005.jpg

  從表3可以看出,基于EEMD奇異值向量和支持向量機(jī)的方法克服了短時(shí)傅里葉變換與奇異值分解方法和譜圖變換與奇異值分解方法對(duì)兩個(gè)人以上無(wú)法識(shí)別的缺點(diǎn),,同時(shí)克服了使用EMD方法與奇異熵方法時(shí)由于EMD分解產(chǎn)生的頻譜混疊而導(dǎo)致識(shí)別率不高的缺點(diǎn)。

  EEMD方法可以將信號(hào)的時(shí)間尺度進(jìn)行自適應(yīng)分解,,并且克服了EMD分解存在模態(tài)混疊的問(wèn)題,,該方法可以將雷達(dá)回波信號(hào)分解到不同的基本模態(tài)中。利用奇異值分解,,對(duì)EEMD分解后的IMF分量進(jìn)行特征提取,,然后輸入支持向量機(jī)的分量器進(jìn)行分類。實(shí)驗(yàn)驗(yàn)證了基于EEMD奇異值分解和支持向量機(jī)方法在生命探測(cè)雷達(dá)多人識(shí)別中的有效性,。但本文只考慮了人體靜止的情況,,所以當(dāng)人體在墻后運(yùn)動(dòng)時(shí)還需尋求更有效的方法進(jìn)行識(shí)別。

  參考文獻(xiàn)

  [1] Li Changzhi,CUMMINGS J, LAM J,et al. Radar remotemonitoring of vital signs[J].IEEE Microwave Magazine,2009,10(1):47-56.

  [2] 陳純鍇. 基于DSP技術(shù)的非接觸生命信號(hào)探測(cè)系統(tǒng)關(guān)鍵技術(shù)研究[J].電子技術(shù)應(yīng)用,,2009,,35(12):50-52.

  [3] 路國(guó)華,楊國(guó)勝, 王健琪,等. 雷達(dá)式生命探測(cè)儀中人體數(shù)量識(shí)別技術(shù)的研究[J].北京生物醫(yī)學(xué)工程,2005,24(1):29-32.

  [4] 朱衛(wèi)娟.生命探測(cè)雷達(dá)回波信號(hào)的處理方法研究[D].青島:青島科技大學(xué),2011.

  [5] 白玉剛,楊明.基于EMD和奇異值分解的搜救目標(biāo)判[J].火力與指揮控制,2013,38(3):124-129.

  [6] Wu Zhaohua, HUANG N E. Ensemble empirical mode de-composition: a noise assisted data analysis method[J].dvances in Adaptive Data Analysis, 2008,1(1):1-41.

  [7] Wang Jun, Zhang Shouhong, Liu Hongwei.Integral detectorusing stepped frequency signals[J]. Xi′an Dianzi Keji DaxueXuebao(J Xidian Univ.), 2001,,28(3):373-377.

  [8] 陳淼峰. 基于EMD與支持向量機(jī)的轉(zhuǎn)子故障診斷方法研究[D].長(zhǎng)沙:湖南大學(xué),2005.

  [9] 陸文聰,,陳念貽,葉晨洲,,等.支持向量機(jī)算法和軟件ChemSVM介紹[J].計(jì)算機(jī)與應(yīng)用化學(xué),2002,,19(6):697-

702.


此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載,。