穿墙雷达能够发射电磁波来对墙体、门以及其他非透明材料等障碍物后隐藏的目标进行探测,在警事、军事及灾难救援领域中具有广泛的应用前景(Nag et al., 2001;Ahmad et al., 2005;王涵宁等,2011). UWB雷达是一种基于超宽带技术的穿墙雷达,具有较高的距离分辨率和穿透性能,使得它可以捕捉目标物体的运动特性(Li et al., 2012;徐锐,2012).但是穿墙雷达工作环境复杂,干扰较多,信号常常掩盖在各种杂波之下.因此,杂波抑制成为动态目标检测与成像中的关键问题之一(张斓子等,2014).在UWB雷达的穿墙探测中,杂波产生通常来自于天线直接耦合,墙壁等静止物体反射回波,以及高斯噪声等(樊勇等,2008).较常用的杂波去除方法有相减法、参数估计法、子空间方法、小波变换方法等(Brunzell,1999;van der Merwe and Gupta, 2000;Carevic,2000;Karlsen et al., 2001;Yu et al., 2002;Zhao et al., 2003).
卡尔曼滤波是一种最优化自回归数据处理算法,通过以最小均方误差估计来不断递推估计,按照预估、量测、校正的顺序进行递推,从而获取目标信号的最优解(Kalman,1960;Chui and Chen, 2013),具有程序相对简单,数据存储量小的特点,有利于快速获得目标信号.因而,该算法已经广泛应用于工业和控制的许多领域.很多研究者将卡尔曼滤波应用于探地雷达探测中(Carevic,1999;Zoubir et al., 2002;陈洁等, 2006),表明基于卡尔曼滤波的算法能比较好的消除探地雷达原始数据中的杂波信号干扰.
本文首先建立了UWB雷达穿墙探测的卡尔曼滤波信号模型,利用卡方检验判断信号是有目标模型还是无目标模型,然后使用卡尔曼滤波将信号分解为目标信号、背景信号、以及噪声信号.我们实施了UWB雷达的穿墙探测实验,然后使用提出的基于卡尔曼滤波的算法对实验数据进行了杂波压制,获得了目标信号.为了获得人体各部分的运动特征,对目标信号沿空间方向进行了快速傅里叶变换(Fast Fourier Transform:FFT),从而获得躯干、手臂和腿的运动频率.
1 建立卡尔曼滤波信号模型 1.1 信号模型在UWB雷达的穿墙探测中,接收的信号为u(n, k),其中n=0, …, N-1表示信号时间样本,k=0, 1, …, 对应接收天线的道,从而建立信号模型为(Carevic,1999):
(1) |
式中, st(n, k)是目标信号,sb(n, k)是背景信号,w(n, k)是附加噪声.如果信号u(n, k)中无目标,则st(n, k)=0.
我们定义测量向量为up (k)=[u(pm, k), u(pm+1, k), …, u((p+1)m-1, k)]t, 此处p=0, 1, 2, …, P-1.p=[N/m] ([z]代表最大整数<=z).也就是说,up(k)是起始于第pm个样本信号, 宽为m的穿墙雷达数据的水平条带.
目标不存在时,信号模型为
(2a) |
(2b) |
其中, V1p(k)是过程噪声向量,此处spb(k)=[sb(pm, k), sb(pm+1, k), …, sb((p+1)m-1, k)]T,wp(k)是测量噪声向量.
目标存在时,信号模型为
(3a) |
(3b) |
(3c) |
其中V2p(k)是m维过程噪声向量,bp(k)是随机偏差. V1p(k)、V2p(k)以及、wp(k)都是成分为独立同分布的高斯随机m维向量.此处spt(k)=[st(pm, k), st(pm+1, k), …, st((p+1)m-1, k)]T.背景值保持不变并且与无目标情况等价(见公式(2b)).对于上面的增广状态测量方程可以定义为
(4) |
(a)没有目标信号
在此情况下p-th状态向量x1p=[spb]被递归估计为
(5) |
这里A1=I1,并且H1=I,I是单位矩阵.
在这种情况下,从而有修正方程为
(6) |
(7) |
(8) |
这里K1p(k)是一个卡尔曼增益矩阵,P1p(k|k-1) 是一个大小为m×m的预测误差协方差矩阵,P1p(k)是更新后的误差协方差矩阵,Q1p(k)是过程噪声协方差矩阵,Rp=σwp2I是测量噪声协方差矩阵.误差协方差矩阵被初始化为P1p(0)=[0]m×m,过程噪声协方差矩阵被初始化为Q1p(0)=(σv1p0)2I, 这里(σv1p0)2是在(1) 式中的过程噪声矩阵序列的初始估计值.
(b)有目标信号
此时增广的状态向量为
(9) |
它的修正估计值为
(10) |
其中:
(11) |
和上面类似,增益与协方差矩阵修正量可以通过式(12)(13)(14) 获得,公式为
(12) |
(13) |
(14) |
过程噪声协方差矩阵Q2p是一个3 m×3 m的矩阵,定义为
(15) |
増广状态在空间位置为k=k0处通过设初始化偏差为0,也将误差协方差矩阵P2p(k0)设为
(16) |
我们通过基于测量预测误差vp(k)的卡方检验来进行目标信号的检测(Bar-Shalom and Li, 1993).当新息较大时,我们认为目标存在。假设H0为无目标存在的情况,而假设H1为有目标存在的情况.对每一个长度为m的切片中的P道, 测量预测误差vp(k)为
(17) |
其中:
(18) |
它是测量预测值.
测量预测协方差矩阵更新,公式为
(19) |
式(19) 被用来计算归一化新息平方(NIS),公式为
(20) |
在假设H0的条件下,εp(k)是自由度为m的χ2.剖面中每一个P道都要经过卡方检验,即用来衡量信号水平参数α,从而有:
(21) |
在使用中可以根据实际情况设定K0道,当k>K0时,假设H0将不再被使用,然后使用假设H1.
通过求滑动窗长度为s的的NIS的总和来进行检测统计,公式为
(22) |
式中变量εps(k)是自由度为sm的卡方分布.由(22) 式决定的探测统计适用于嘈杂的背景.由此总结得到卡尔曼滤波的处理过程,见图 1.
用于穿墙测量的超宽带雷达系统由美国GSSI公司的SIR—3000探地雷达系统主机和中心频率1 GHz的喇叭天线所组成.两个相同的喇叭天线之间相距5 cm.雷达天线固定在墙外,天线距墙10 cm左右.这是一堵室内墙,墙厚约20 cm,是外层涂有石灰和涂料的砖墙.人站在墙内,与墙距离50 cm.在数据采集过程中,人匀速地进行原地踏步动作.实验设置如图 2所示(Lu et al., 2016).数据共采集了12 s,原始数据如图 3所示.由于数据显示了极为相似的特征,我们选取了其中的2.5 s数据(图 4a)进行了处理和解释.
进行卡尔曼滤波时,从原始数据截取一段(512采样点*500道)进行滤波处理,如图 4a, 卡尔曼滤波之后的数据如图 4b、c和d.
图 4中,图 4a是原始数据,图中两道条形分别为墙产生的信号(标有红色虚线)与人体静止部位信号(标有黄色虚线),波浪形为人体运动信号,同时还有下方产生的雪花状杂波,图 4b是目标数据,只剩余人体静止部位信号(条形)和运动信号(波浪形)以及少量雪花状杂波,图 4c是噪声数据,含有雪花状杂波以及少量人体运动信号,图 4d是背景数据,同时含有墙与人体静止部位信号.由图可见,滤波后,背景信号,噪声信号,目标信号得到有效分离.其中,背景信号分离较好,噪声信号分离较差,噪声信号中,保留着少量目标信号成分.
3 实验数据频谱分析行走是一种典型的人体周期性运动,可以被分解为步态循环中的周期性运动.而原地踏步是行走的一种特殊形态.不同的人体运动,如行走、跑步和跳跃,都有着不同的人体运动模式.但是人体原地踏步运动带来的反射信号在雷达数据的时域图像上并不明显,为了生成清晰的目标各个身体部位的运动学特征,卡尔曼滤波算法被应用于雷达采集后的数据,来去除背景及杂波干扰.
经过滤波后得到目标的人体信号后,需要对人体运动信息进行分析,从而能更准确获得人体的运动信息,将直观的信号数据转换为人体各部位运动的频率,速度,幅度等信息.通常采用短时傅立叶变换(STFT)和FFT等一些时频分析手段进行人体运动信息分析.由于人的踏步运动可以视为一段平稳的信号,FFT变换基本能够提供该运动下时频分析的需要,且FFT方法简单快速,因而本次采用FFT对滤波后数据进行频率域分析,以提取人体运动的运动学特征.经过FFT后,时域内不明显的运动特征可以在频率域内展现,得到的频率-时间图可以用来分析人体各个部位的运动特征,区分运动模式.
对截取后的原始信号截取其双程走时为0~13 ns部分,沿着时间轴做FFT, 得到截取后的原始信号时间-频率谱图,见图 5b,对同一频率的信号进行叠加,得到原始信号的振幅-频率图见图 5a.用我们的方法对原始信号进行处理后,我们得到截取后的目标信号,截取其双程走时为0~13 ns部分,得到截取后的目标信号的振幅-频率谱图和时间-频率谱图见图 5c和图 5d.
由图 5a和5b可知,未经任何处理的原始信号,其能量主要集中在小于1 Hz的范围内.由于墙的影响,原始信号中的直流或者低频信号掩盖了目标信号,对提取人体部位运动的频率分析造成困难.
由图 5c和5d可知,经卡尔曼滤波处理后,由墙造成的干扰得到了很好的压制,目标信号的能量主要集中在1~3 Hz和4.5 Hz附近,从而提取出某些人体部位运动的频率.
由图 5d分析可以看出,a处频率范围约为0.5~1.5 Hz,是人体心脏、胸腔运动的频率特征;b,c,d处频率约在2.3 Hz,由上至下分别是人体的手、腿和躯干运动的频率特征.
计算人体距墙位置:
已知墙厚S墙=20 cm,墙的相对介电常数为6.25,取截取后的原始数据中第241道单道数据,绘制成图 6.
如图 6,人约在9.58 ns处,墙位于3.13 ns处.
计算得电磁波在墙中的传播速度为t墙=3.33 ns,
其双程用时为t墙=3.33 ns,
人与墙之间走时t空气=9.58-3.33-3.13-3.12 ns,
人与墙之间距离
实验中人与墙之间距离为0.50 m,因而,计算结果与实际距离相差0.50-0.47=0.03 m,计算结果比较准确的反映了真实情况.
4 结论针对UWB穿墙雷达的杂波干扰问题,本文使用了一种基于卡尔曼滤波的目标信号和杂波信号分离的方法.本文实施了UWB雷达的穿墙探测实验,然后使用基于卡尔曼滤波的方法消除实验数据中的干扰来获得目标回波信号,经过卡尔曼滤波后,杂波特别是来自墙体的干扰波得到抑制,周期性的目标信号得到有效分离.在对分离出的目标信号做FFT后,在频率域中获得了包括躯干、手臂和腿等人体各部分的运动特征.但是,从结果中也可以发现,滤去的杂波中包含着目标信号,目标信号中也残存部分杂波.这些缺陷有待于日后改进.
致谢 感谢审稿专家提出的修改意见和编辑部的大力支持![] | Ahmad F, Amin M G, Kassam S A. 2005. Synthetic aperture beamformer for imaging through a dielectric wall[J]. IEEE Transactions on Aerospace and Electronic Systems, 41(1): 271–283. DOI:10.1109/TAES.2005.1413761 |
[] | Bar-Shalom Y, Li X R. 1993. Estimation and Tracking:Principles, Techniques, and Software[M]. Norwood, MA: Artech House. |
[] | Brunzell H. 1999. Detection of shallowly buried objects using impulse radar[J]. IEEE Transactions on Geoscience and Remote Sensing, 37(2): 875–886. DOI:10.1109/36.752207 |
[] | Carevic D. 1999. Kalman filter-based approach to target detection and target-background separtion in ground-penetrating radar data[C].//Proceedings of SPIE 3710, Detection and Remediation Technologies for Mines and Minelike Targets IV. Orlando, FL:SPIE, 1284-1288. |
[] | Carevic D. 2000. Clutter reduction and detection of minelike objects in ground penetrating radar data using wavelets[J]. Subsurface Sensing Technologies and Applications, 1(1): 101–118. DOI:10.1023/A:1010126810896 |
[] | Chen J, Luo Y, Fang G Y, et al. 2006. The Application in suppress the noise of ground penetrating radar of Kalman filter[C].//The Second International Conference on Environmental and Engineering Geophysics(in Chinese). Wuhan:Geophysical Society of China, 197-199. |
[] | Chui C K, Chen G R. 2013. Kalman Filtering:With Real-Time Applications[M]. Berlin Heidelberg: Springer. |
[] | Fan Y, Zhou Z O, Xu J L. 2008. Clutter reduction in forward-looking ground penetrating radar using nonlinear curve fitting[J]. Modern Radar(in Chinese), 30(12): 43–48. |
[] | Kalman R E. 1960. A new approach to linear filtering and prediction problems[J]. Transactions of the ASME-Journal of Basic Engineering, 82: 35–45. DOI:10.1115/1.3662552 |
[] | Karlsen B, Larsen J, Sorensen H B D, et al. 2001. Comparison of PCA and ICA based clutter reduction in GPR systems for anti-personal landmine detection[C].//Proceedings of the 11th IEEE Signal Processing Workshop on Statistical Signal Processing. Singapore:IEEE, 146-149. |
[] | Li J, Zeng Z F, Sun J G, et al. 2012. Through-Wall detection of human being's movement by UWB radar[J]. IEEE Geoscience and Remote Sensing Letters, 9(6): 1079–1083. DOI:10.1109/LGRS.2012.2190707 |
[] | Lu Q, Liu C, Zeng Z F, et al. 2016. Detection of human's motions through a wall using UWB radar[C].//Proceedings of the 16th International Conference on Ground Penetrating Radar(GPR). Hong Kong:IEEE, 1-4. |
[] | Nag S, Fluhler H, Barnes M. 2001. Preliminary interferometric images of moving targets obtained using a time-modulated ultra-wide band through-wall penetration radar[C].//Proceedings of the 2001 IEEE Radar Conference. Atlanta:IEEE, 64-69. |
[] | van der Merwe A, Gupta I J. 2000. A novel signal processing technique for clutter reduction in GPR measurements of small, shallow land mines[J]. IEEE Transactions on Geoscience and Remote Sensing, 38(6): 2627–2637. DOI:10.1109/36.885209 |
[] | Wang H, Narayannan R M, Zhou Z O, et al. 2010. Micro-Doppler character analysis of moving objects using through-wall radar based on improved EEMD[J]. Journal of Electronics & Information Technology(in Chinese), 32(6): 1355–1360. DOI:10.3724/SP.J.1146.2009.00899 |
[] | Wang H N, Lu B Y, Zhou Z M, et al. 2011. An algorithm of through-wall imaging and correction based on the estimation of wall parameters[J]. Radar Science and Technology(in Chinese), 9(5): 430–436. |
[] | Xu R. 2012. Ultra-wideband through-wall detecting radar(in Chinese)[Master's thesis]. Changchun:Changchun University of Science and Technology. |
[] | Yu S H, Gandhe A, Mehra R K. 2002. Real-time adaptable subspace method for automatic mine detection[C].//Proceedings of SPIE 4742, Detection and Remediation Technologies for Mines and Minelike Targets Ⅶ. Orlando, FL:SPIE, 986-985. |
[] | Zhang L Z, Lu B Y, Zhou Z M, et al. 2014. A wall clutter suppression method based on spatial signature in MIMO through-the-wall radar imaging[J]. Journal of Electronics & Information Technology(in Chinese), 36(4): 946–952. DOI:10.3724/SP.J.1146.2013.00891 |
[] | Zhao Y X, Gader P, Chen P, et al. 2003. Training DHMMs of mine and clutter to minimize landmine detection errors[J]. IEEE Transactions on Geoscience and Remote Sensing, 41(5): 1016–1024. DOI:10.1109/TGRS.2003.811761 |
[] | Zoubir A M, Chant I J, Brown C L, et al. 2002. Signal processing techniques for landmine detection using impulse ground penetrating radar[J]. IEEE Sensors Journal, 2(1): 41–51. DOI:10.1109/7361.987060 |
[] | 陈洁, 罗元, 方广有, 等. 2006. 卡尔曼滤波在探地雷达杂波抑制中的应用[C]. //第二届环境与工程地球物理国际会议. 武汉: 中国地球物理学会, 197-199. |
[] | 樊勇, 周正欧, 徐嘉莉. 2008. 利用非线性拟合抑制前视探地雷达杂波[J]. 现代雷达, 30(12): 43–48. DOI:10.3969/j.issn.1004-7859.2008.12.012 |
[] | 王涵宁, 陆必应, 周智敏, 等. 2011. 基于墙体参数估计的穿墙成像与校正算法[J]. 雷达科学与技术, 9(5): 430–436. |
[] | 王宏, NarayananR M, 周正欧, 等. 2010. 基于改进EEMD的穿墙雷达动目标微多普勒特性分析[J]. 电子与信息学报, 32(6): 1355–1360. DOI:10.3724/SP.J.1146.2009.00899 |
[] | 徐锐. 2012. 超宽带穿墙探测雷达系统[硕士论文]. 长春: 长春理工大学. http://cdmd.cnki.com.cn/Article/CDMD-10186-1012510852.htm |
[] | 张斓子, 陆必应, 周智敏, 等. 2014. 基于空间特征的MIMO穿墙雷达墙杂波抑制[J]. 电子与信息学报, 36(4): 946–952. DOI:10.3724/SP.J.1146.2013.00891 |