基于時頻域特征融合的IR-UWB穿墻雷達人體行為識別方法

楊德貴, 許道峰

(中南大學自動化學院, 湖南 長沙 410083)

0 引 言

在現今的信息技術時代,信息獲取在各領域都是至關重要的一環,而人體的行為活動在人的日常生活及工作中都具有十分重要的意義,對人體行為識別的研究,可以應用于人機交互、反恐維穩及醫療監護等領域。常見的人體行為識別方法主要是基于光學傳感系統進行的,但基于光學傳感器的方法對環境要求較高,例如對光照條件的依賴性、目標與傳感器間的無遮擋性等;其次,基于光學傳感獲取的數據還存在存儲需求大、數據敏感、數據竊失等問題[1-2]。隨著雷達探測技術的發展,基于雷達數據分析的方法也在目標識別中發揮出重要作用[3-4]。但由于穿墻雷達使用較低頻段的電磁波作為探測信號,這會導致微多普勒的低分辨性能。沖激脈沖(impulse radio, IR)超寬帶(ultra wideband, IR-UWB)穿墻雷達具有穿透性能好、距離分辨率高、設計成熟、設備輕量化、成本低等優點,在人體目標探測識別領域具有重大優勢[5-6]。針對雷達目標識別中的小樣本問題,孫晶明[7]、晏媛[8]等基于元學習和遷移學習,提出了改進的小樣本學習方法,提高了雷達小樣本目標的識別效率和準確率。

研究人體行為識別,首先要對人體行為進行建模,常用方法包括基于人體骨架建模以及基于傳感器建模[9]。Dorp等[10]基于Thalmann模型對人體步態進行仿真分析,結合雷達獲取的人體實際步態微多普勒特征,建立了更貼近實際情形的人體運動步態回波數學模型。Van等[11]對Thalmann模型進行了優化改進,通過最小二乘法進一步減小了實測數據和仿真模型的差異。Chen等[12]對人體運動時產生的多普勒和微多普勒進行了詳細的深入研究,導出了人體運動時的微多普勒特征。Zhu等[13]使用IR-UWB雷達分別在穿墻和非穿墻條件下測試了行走和靜止兩種行為,并公布其數據集。

綜上所述,常見人體行為識別方法存在著環境依賴性高、特征分辨力低等問題,針對上述問題,本文基于IR-UWB穿墻雷達系統,分別于時域和頻域進行分析及特征提取,并通過支持向量機(support vector machine, SVM)算法實現對穿墻雷達的人體行為識別。首先,基于IR-UWB穿墻雷達獲取人體行為回波數據,并通過行為分離、雜波抑制、距離補償等方法對數據進行處理并構建人體行為回波數據集?；谠摂祿?對人體行為回波數據的時域和頻域圖像進行分析,提取出適用于IR-UWB穿墻雷達的人體行為特征,并通過SVM分類算法對人體行為進行識別分類,最后對實驗結果進行分析。

1 IR-UWB穿墻雷達人體行為回波模型

UWB雷達的一般定義為信號頻譜相對帶寬大于25%的雷達,主要特點為具有較大的帶寬以及較高的距離分辨率。在UWB穿墻雷達中,由于高頻信號的傳輸損耗要比低頻信號的傳輸損耗大得多,因此穿墻雷達的工作頻率一般在5 GHz及以下頻段。在信號體制方面,常見的UWB信號體制包括線性調頻連續波信號、線性調頻步進頻信號,以及IR信號。

本文實驗所用雷達的信號體制為IR信號。對于IR-UWB雷達,一般使用高斯脈沖對IR信號進行分析,其表達式如下所示:

(1)

式中:α為脈沖成形因子,影響脈沖的寬度和幅度,α越大,脈沖幅度越小,脈沖寬度越寬。

對于UWB穿墻雷達,當其發射一個脈沖信號時,信號首先穿過墻體障礙,照射到人體目標后產生反射再次穿過墻體障礙后被接收機捕獲。在此期間,天線直耦波,墻體的直接反射,目標背景的雜波反射,自由空間的電磁噪聲,目標一次反射后照射到其他反射體的多次反射等也將一并進入接收機。用雷達方程計算接收信號能量:

(2)

式中:Ptarget為接收信號總能量;Pavg為發射機平均功率;G為天線增益;λ為發射信號波長;σ為雷達散射截面積(radar cross section, RCS);R為目標徑向距離;L為損耗。

由于雷達回波中包含人體目標回波、雜波和噪聲,其中雜波和噪聲會對人體行為識別產生不利影響,因此需要對雷達回波進行雜波抑制。同時,由雷達方程可知,雷達回波能量在自由空間中會隨著距離呈現快速的衰減,這會導致中遠距離上的目標會淹沒在雜波和噪聲背景當中,因此對于雜波抑制后的雷達回波數據,還需要進行距離補償處理。

對于人體行為模型,可以用圓柱體和橢球體來代替人體的主要軀干和肢體,以估計其RCS值。根據雷達回波散射點疊加原理,可以將人體行為回波看成其各部位的雷達回波的疊加和,即人體行為雷達散射模型如下:

(3)

式中:S(ω,k)為雷達回波;ω為采樣頻率;k為脈沖數;N為散射點數量;σn(k)為第k次脈沖中第n個散射點的RCS值;j為虛數單位;rn(k)為第n個散射點的距離;m(ω,k)為除目標回波外的其他雜波及噪聲。

基于人體行為雷達回波模型的分析,人體目標的時域距離像中蘊含著豐富的行為特征,因此可以基于IR-UWB雷達的高分辨距離像,提取人體目標的時域、空域特征,從不同特征域的角度對人體行為進行特征提取。

2 基于SVM的人體行為識別算法

基于上述人體行為回波模型分析,提出基于SVM的人體行為識別算法,該算法流程如圖1所示,主要包括回波預處理、特征提取以及訓練模型3個部分。

圖1 人體行為識別算法流程圖Fig.1 Human behavior recognition algorithm flow chart

2.1 人體行為回波數據預處理

2.1.1 雜波抑制

在介質穿透下的人體行為識別研究中,可以假設目標運動幅度較大,而背景的變化較小,因此可以通過高通濾波的方法來對背景雜波進行濾除。常用的雜波抑制算法包括:脈沖對消法、積累平均背景相消法和指數加權法。其都是基于歷史背景模板進行雜波濾除的,不同之處在于背景模板yt的估計,即:

st=rt-yt

(4)

式中:st為當前時刻濾波后的結果;rt為當前時刻的回波數據。

指數加權法是對積累平均背景相消法的改進,具體體現在對于當前時刻背景模板的估計中,分別對當前時刻的回波和上一時刻的歷史背景模板賦予固定的權重比,即:

yt=αyt-1+(1-α)rt, 0≤α<1

(5)

式中:α為指數加權因子,決定了歷史背景模板和當前時刻回波所占的權重比。由式(5)可以看出,隨著回波時刻t的增加,離當前時刻越遠的歷史背景所帶來的影響將越小。特別地,當指數加權因子α=0時,指數加權法就退化成為脈沖對消法。

雜波抑制算法效果對比如圖2所示。圖2(a)為奔跑行為原始數據距離像,由于直耦波的幅值極高,目標回波幾乎被直耦波淹沒,僅在距離較近的范圍內(紅框)存在微弱的目標回波。在采用上述的雜波抑制方法處理后,可以看到近處的目標點已被突顯出來,但遠處的目標點信息依然非常模糊,如圖2(b)所示,因此需要對抑制后的結果進行距離補償。

圖2 雜波抑制效果對比圖Fig.2 Comparison of clutter suppression effect

2.1.2 距離補償

本文采用基于能量的自適應增益方法,進一步提高回波數據的信噪比,其基本思想是基于不同距離區間上信號的能量對信號進行增益[5]。具體方法是,給定區間范圍d和最大增益值gmax,計算滑窗范圍內信號的能量,并與gmax進行比較,即:

(6)

z(i)=s(i)·g(i)

式中:i為第i次滑窗處理過程;s(i)為第i次滑窗部分的原始雷達回波;z(i)為進行距離補償后的回波數據,將滑窗以非重疊方式將信號遍歷一遍,即可完成信號的增益補償。

距離補償結果如圖3所示,可以看出目標的運動信息已較為清晰,但近處還有少許的直耦波殘留分量,因此對其進行進一步抑制,抑制處理結果如圖4所示。

圖3 距離補償Fig.3 Distance compensation

圖4 直耦波抑制Fig.4 Direct coupling wave suppression

2.2 人體行為特征提取

常規識別方法采用微多普勒特征作為識別依據,通過STFT算法對回波數據進行處理,在傅里葉變換的基礎上給信號加窗函數,提取出信號的時頻特性,即:

(7)

式中:w(t)為窗函數。窗函數的選擇需要考慮頻率分辨率的問題,一般地,高斯窗函數可以獲得最低的時間頻率積,即:

(8)

人體行為微多普勒特征如圖5、圖6所示,可以看出,人體行為的微多普勒特征存在分辨率低的問題,且對于起立、坐下、起身和跌倒等相似行為,其多普勒特征相近,無法進行有效區分。

圖5 人體行為時間-頻率特征Fig.5 Time-frequency characteristics of human behavior

圖6 人體行為距離-頻率特征Fig.6 Range-frequency characteristics of human behavior

基于IR-UWB雷達的高距離分辨率特性,可以從時域距離像中提取目標行為的時域和空域特征,與頻域特征形成互補?；谀繕说母叻直婢嚯x像,可以提取出目標的速度值,以及能量分布特征。

對于給定的雷達回波數據X=[x1,x2,…,xn],其中xi∈Rm為第i道回波,m,n分別為雷達快時間和慢時間維度的度量,通過以下方法對目標范圍進行定位:

(9)

式中:k=1,2,…,N為滑窗次序;l為滑窗大小;N為總滑窗次數;[P0,P1]為目標在回波數據中的滑窗范圍;T為能量閾值;Ek為滑窗范圍能量值。

通過滑窗求取該范圍內的能量值Ek,如果該值大于能量閾值T,則認為該范圍內存在目標,因此目標所在區域的雷達回波數據為

(10)

在目標區域范圍內,提取目標行為的前、中、末段能量作為時域空間能量分布特征,即:

(11)

圖7為不同行為的時域能量分布,由圖中可以看出,起立坐下和起身跌倒相似行為得到了較好的區分,而對于行走奔跑等相似行為,可以通過計算其速度值來區分。根據選取的回波道數n,基于雷達脈沖重復頻率(pulse repetition frequency, PRF)估計目標在該范圍內的平均速度:

(12)

式中:τ為雷達接收機的快時間間隔;c為光速。

圖7 人體行為時域能量分布Fig.7 Time domain energy distribution of human behavior

2.3 SVM多分類模型

經典SVM最初是基于二分類任務而設計的。對于給定的訓練樣本xi∈Rn(i=1,2,…,l),其中n為樣本的特征數量,以及對應的類標簽yi∈{1,-1},基本的二分類SVM要解決以下的優化問題[28]:

s.t.yi(wTφ(xi)+b)≥1-ξi

(13)

式中:C>0為正則化參數,是權衡尋找最大間隔超平面與保證數據點偏差量最小的度量,對于線性可分的情況,C的大小只會影響訓練的中間過程,不影響最終結果;ξ為松弛變量,ξi≥0(i=1,2,…,l);φ(xi)函數將樣本xi映射到高維空間。

這是一個凸優化問題,且權向量w可能具有較高的維數,因此通常引入拉格朗日對偶變量,通過拉格朗日函數將約束條件融合到目標函數中去,隨后求解其對偶問題。上述優化問題的對偶問題為

(14)

(15)

式中:1=[1,…,1]T,K(xi,xj)為核函數,本文算法使用的核函數為徑向基核函數(radial basis function, RBF),其超參數較少,且可以處理類與特征間的非線性關系,其表達式如下:

(16)

為了使SVM擴展到多分類任務上,可以采用訓練構建多個分類器,隨后對所有分類器進行組合的方法。在此基礎上,有“一對多”和“一對一”兩種方式,在分類準確度方面兩種方法基本相等,而“一對一”方法的訓練時間更短[29],因此本文采用“一對一”方式實現SVM多分類。

在“一對一”方法中,總共構建k(k-1)/2個分類器,其中每個分類器分別使用樣本中的兩類數據進行訓練。即對于第m類和第n類樣本,解決下列優化問題:

(17)

決策函數為

(sgn((wmn)Tφ(x)+bmn)+1)

(18)

3 實測數據實驗分析

3.1 預處理效果分析

由第1節的回波模型分析可知,回波數據中包含人體目標回波、雜波和噪聲。其中,雜波會極大地提高數據的整體幅值水平,而過高的幅值會導致目標的回波數據被掩蓋,不僅會給目標定位帶來困難,而且同一行為的數據特征可能會因為雜波的不確定性而變得不具有相似性。同時,回波數據中的噪聲會給數據帶來一些隨機擾動,體現為提高數據樣本的方差,這也加劇了背景雜波所帶來的不利影響。

下面以起立和坐下兩種行為為例,對比分析預處理效果對數據特征的影響。圖8為原始數據的特征分布情況,圖9為預處理后的數據特征分布情況,其中紅線部分代表起立行為,藍線部分代表坐下行為,每條線分別代表不同的數據樣本,每個行為隨機挑選出10個樣本作為分析對象。

圖8 原始數據特征分布Fig.8 Original data feature distribution

圖9 預處理后特征分布Fig.9 Feature distribution after pretreatment

由圖8可以看出,原始數據中同一行為的同一特征間較為分散,且不同行為的同一特征存在較大混疊,這會導致不同行為的可分性變差;而由圖9可以看出,經過預處理后,數據樣本的特征分布更為密集,且不同行為的同一特征間的混疊情況也得到了改善。值得注意的是,原始數據特征幅值和預處理后的特征幅值的量級差距達到了109。由此說明了圖中得出的結論與第1節的回波模型分析相吻合。

3.2 數據集構建

本文實驗使用IR-UWB穿墻雷達對墻后人體進行探測來采集人體行為回波數據,所用雷達設備系統參數如表1所示。實驗場景包括室外開放場地及室內場景,如圖10所示,圖中為數據采集準備過程。參與人體行為數據采集實驗的人體目標共有3名,分別進行行走、奔跑、坐下、起立、跌倒、起身等6種不同的人體行為,每組實驗分別重復100次。在本文實驗中,分別對3名不同實驗對象進行了相同行為動作的數據采集,其中將2名實驗對象的數據作為訓練集,其余1名實驗對象的數據作為測試集。

表1 IR-UWB穿墻雷達系統參數Table 1 Parameters of IR-UWB through wall radar system

圖10 人體行為實驗數據采集Fig.10 Human behavior experiment data acquisition

對于雷達獲取的人體行為回波數據,首先通過第2.1節所述方法得到高分辨距離像,并對獨立的人體行為進行分割,作為單個行為動作的數據。本次實驗共采集了584道不同人體行為的回波數據,但因篇幅有限,每種行為僅展示12幅圖像,表2分別展示了不同行為類別單次動作的距離像。在得到單次行為動作的回波數據后,基于第2.2節中所述方法,提取人體行為數據特征,構建SVM數據集。

表2 不同行為單次動作的時域圖像Table 2 Time domain image of a single action for different behaviors

3.3 實驗結果與分析

本次人體行為實驗共采集了584道數據,其中挑選300道數據作為訓練集,剩余284道數據作為測試集,使用SVM算法對6種不同的人體行為進行識別。表3為人體行為識別混淆矩陣。

表3 人體行為識別混淆矩陣Table 3 Human behavior recognition confusion matrix

基于以上混淆矩陣,分別計算識別精確率(positive predictive value, PPV)和召回率(true positive rate, TPR),即:

(19)

式中:TP為正確正樣本數;FP為錯誤正樣本數;FN為錯誤負樣本數。

PPV衡量的是預測值為正樣本中的識別準確率,TPR衡量的是真實正樣本的識別準確率,但PPV和TPR有時會出現矛盾的情況,因此需要綜合考慮上述指標,即計算F值:

(20)

上述3個指標數值越接近100%,代表識別結果越好,計算結果如表4所示。

表4 人體行為識別結果分析Table 4 Analysis of human behavior recognition results %

在本文實驗的6種人體行為中,行走和奔跑、起立和坐下、起身和跌倒各位為相似的一組人體行為,其中起立是指人從靜坐狀態站起來的行為,起身是指人從跌倒狀態站起來的行為。由表4可以看出,3項指標均達到95%,表明算法可以較好地對6種不同的人體行為進行識別,即使對于行為類型相近的人體行為,本文算法能夠很好地將其區分,識別率均超過95%。

在現有的IR-UWB穿墻人體行為識別方法中,利用的特征包括微多普勒[15-16,24,27]、時頻圖[14,17-18,26]、時間-距離信息[30-31]等,可以分為頻域特征和時域特征,本文算法將兩種特征結合起來,彌補了單域特征的不足,提高了人體行為識別的準確率,表5給出了分別用單頻域和單時域特征方法得到的識別結果,圖11為不同方法的識別效果對比。

表5 單域特征識別結果Table 5 Single domain feature recognition results %

圖11 識別準確率對比Fig.11 Recognition accuracy comparison

由表5可以看出,單時域特征的識別方法準確率較低,僅有77%的平均識別準確率,單頻域的識別方法準確率較高,達到了94%的識別準確率,而本文算法的平均識別準確率為98%。圖11直觀展示了3種不同方法得到的識別準確率指標,可以看出,本文算法能夠有效彌補單一特征域的不足,提高人體行為識別準確率。

4 結 論

本文基于SVM算法,提出了一種適用于IR-UWB雷達的人體行為識別方法。對于獲取的人體行為回波數據,首先采用雜波抑制和距離補償算法對圖像進行濾波,得到高信噪比的時域距離像,基于該距離像和滑窗能量搜尋的方法定位出目標所在區域,并獲取不同距離區間的能量分布情況,然后對目標所在區域進行時頻變換,分別獲取頻域范圍的時變特征和空變特征,最后基于SVM算法對6種不同的人體行為進行識別。實驗結果表明,對于行為類型不相近的動作,本文算法能夠很好對其進行區分,識別準確率接近100%,對于行為類型相近的動作,本文算法的識別準確率也能達到95%以上。