基于慢时间分割的超宽带雷达步态识别

为了解决室内监控时摄像头的隐私泄露问题和可穿戴设备的侵入性等问题,同时针对传统雷达步态识别算法中的行走条件限制问题,提出基于超宽带(UWB)雷达的自由空间步态识别算法.算法沿慢时间轴对目标行走动作产生的雷达步态信号进行分割产生一系列子信号;对于每个子信号,在距离单元上分别进行傅里叶变换得到距离-多普勒图像,这些距离-多普勒图像前后之间存在时序关系;利用方向梯度直方图算法对属于同一个步态信号的一组距离-多普勒图像进行特征提取,采用长短期记忆网络对得到的特征进行时序建模以获取目标身份分类结果.实验在空旷的室内环境中进行,对四人的步态分类准确率为79.10%.结果表明所提出的算法对自由空间中不同个体的步态具有一定的区分能力.

基于呼吸样本空间的超宽带雷达身份识别

为了解决传统雷达呼吸身份识别依赖人工预定义特征的问题,提出了一种基于呼吸样本空间(BSS)的超宽带(UWB)雷达身份识别算法。算法首先通过奇异值分解(SVD)对UWB雷达人体呼吸回波中杂波进行滤除,然后根据回波将目标跨距离单元的呼吸信号构建为包含时距信息的BSS序列,最后利用卷积神经网络(CNN)对BSS进行建模以获取目标分类结果。在室内场景实验中,对4人的身份识别准确率为84.64%。对比结果表明,所提出的算法对不同个体所具有的独特呼吸特征具有不错的区分能力。

基于CNN的超宽带穿墙雷达静目标数量识别技术

本文基于静止目标的超宽带(UWB)雷达模型的构建,提出利用卷积神经网络(CNN)进行人体数量的识别方法,针对实测数据对该方法进行实验分析,并与传统方法进行比较,结果表明:将超宽带穿墙雷达与CNN结合对人体数量识别准确率较高,并且去除数据预处理环节对识别效果没有影响。

融合全局与局部特征的UWB雷达人体动作识别算法

为了消除雷达信号中杂波和噪声对人体动作识别的干扰,提高小样本数据下动作识别的精度,在去除杂波及噪声干扰的基础上,提出一种融合全局与局部特征的超宽带(ultra-wideband,UWB)雷达人体动作识别算法。用动目标指示(moving target indication,MTI)结合自适应中值滤波对雷达原始回波信号进行预处理,再对人体动作的雷达二维特征图像利用主成分分析(principal component analysis,PCA)提取主要分量作为全局特征表征,并用二维离散小波变换(2D discrete wavelet transform,2D-DWT)结合奇异值分解(singular value decomposition,SVD)获取特征图像在不同方向与尺度划分下动作的局部特征表征,并将全局与局部特征进行串联融合;根据融合特征,在网格搜索算法(grid search,GS)优化的支持向量机(support vector machines,SVM)模型中实现人体动作的识别分类。实验结果表明,该算法能有效获取雷达信号中的人体动作信息,平均识别准确率为95.63%,具有良好的识别性能。

VHF/UHF UWB SAR基于通道均衡的RFI抑制方法

对工作于甚高频/超高频(VHF/UHF)波段的超宽带合成孔径雷达(UWB SAR),射频干扰(RFI)会严重恶化图像质量。该文提出了一种基于通道均衡的RFI抑制方法,它能有效地抑制雷达接收信号中的RFI分量,同时保持图像质量。实际的处理结果证实了该算法的有效性。

固定接收机双站UWB SAR改进NLCS算法

针对固定接收机双基地UWB SAR成像特点,建立回波信号模型,分析了该构型下距离徙动特征,结合改进NLCS算法解决了距离徙动空变带来的影响。重点分析了方位向调频率随目标方位位置的变化情况,为了解决方位调频率空变影响方位聚焦的问题,提出了一种扩展NLCS算法,推导了更高精度的方位扰动函数的解析表达式,并给出了该算法的具体操作流程。最后用该方法对仿真的点目标双基回波进行成像处理,获得了较好的目标聚焦效果,验证了所提出方法的正确性。