[发明专利]一种基于距离频率聚类的多目标体征检测方法和装置

说明书

本公开关于一种基于距离频率聚类的多目标体征检测方法和装置。所述方法包括：对来自UWB雷达的回波信号进行预处理；对经预处理的信号进行归一化处理；以及对经归一化处理的信号进行聚类提取特征信息。根据本发明的基于距离频率聚类的体征检测算法可以快速准确检测同一位置的多个目标。

技术领域

本公开涉及目标探测领域，尤其涉及基于距离频率聚类的多目标体征检测。

背景技术

近年来，使用脉冲式UWB雷达进行人体非接触式生命体征测量已成为研究热点，利用脉冲式超宽带雷达非接触式检测技术，对生命体征信号进行检测时，微弱生命体征回波信号常常会被各种噪声掩盖，造成人类无法对多目标进行识别和定位。为解决这一问题，提出一种于距离频率聚类的多目标体征检测算法，首先将回波信号在频域上展开，在呼吸和心跳频段分别进行SVD降噪、二值化处理以及中值滤波获得潜在目标频率点，然后进行距离和频域两个维度上的聚类得到检测目标的呼吸心跳频率。

目前在生命特征信号提取和处理方法中，使用变分模式分解(Variational ModeDecomposition，VMD)来抑制模式混叠，VMD算法是一种完全非递归的变分模态分解方法，模态是同时提取的。恢复的VMD模式构成了输入频谱的一个很好的部分，每个模式在信号周围都很明显地占主导地位，并且它能够非常精确地捕获相关的中心频率。该算法对采样和噪声的鲁棒性更强。利用VMD算法实现了多目标生命体征跟踪算法。首先对预处理后的信号进行镜像对称扩展，得到回波信号，第二步是更新模式和中心频率。

上述算法中分解级别需要根据检测场景中的目标数量来确定，呼吸频率和心跳频率是通过单帧信号的傅里叶频谱分析获得。当采样频率固定时，时间序列越长，频谱越好，因此需要长期客观的数据，但是降低了雷达的效率。除此之外，包括由改进的EMD(Empirical Mode Decomposition)，如EEMD(Ensemble Empirical Mode Decomposition)、自适应白噪声的完整经验模态分解(Complete Ensemble Empirical Mode Decompositionof Adaptive Noise，CEEMDAN)及其衍生出的通过划分高、低频分量降噪的诸多方法中，大部分只是针对分量中的高频成分进行降噪处理而忽略了低频分量中的少量噪声，这样的低频分量直接用于重构会严重影响频率估计精度，很难获得满意的分解效果。

发明内容

本发明的技术方案是这样实现的：在获得回波信号的基础上，首先，对回波信号进行杂波的有效滤除，因为回波信号中不仅包括被测目标胸部表面反射回来的信号，还混杂着被测目标附近其他静止目标表面反射回来的信号(即静止杂波)，这里需要对静止杂波进行有效的滤除。接着，提取被测目标的体表振动信号，在杂波滤除后会获得由一段时间内不同时刻的高斯脉冲组成的回波信号，每一个高斯脉冲都具有相应的时延波动，这个时延波动是由被测目标胸部表面的波动所产生的，通过提取脉冲时延的波动周期就可以间接提取被测目标的体表振动信号。然后，由于体表振动信号中混杂着一些环境中的随机噪声，需要对体表振动信号进行降噪处理，提高信号的信噪比。最后，利用分离算法和频率提取算法对体表振动信号进行处理以获得生命体征信息，即呼吸心跳频率信息。。

根据本公开的第一方面，提供一种基于距离频率聚类的多目标体征检测方法，包括：对来自UWB雷达的回波信号进行预处理；对经预处理的信号进行归一化处理；以及对经归一化处理的信号进行聚类提取特征信息。

在本公开的一个实施例中，对回波信号进行预处理包括：频域展开，将每一个距离门信号在频域上进行展开，并将信号的频域分为呼吸频段部分和心跳频段部分，接下来的相应处理都是针对呼吸频段部分和心跳频段部分分开进行的；

SVD降噪，对所述距离频率矩阵进行奇异值分解降噪，分解公式为：

R^fd＝U·Λ·V^H，R^fd∈A^K×N (1)