赖 势 张贯强
（桂林电子科技大学信息与通信学院，广西 桂林 541004）
【摘 要】针对隐藏人体目标出现在偏离雷达视角的其它不同的位置或在检测过程中存在身体的偏移等情况使得回波非常微弱甚至没有，导致检测失效的问题。为此，在多发多收（MIMO）雷达体制的基础上提出一种多通道雷达检测方法，将天线放置在合理的位置，以确保人体回波信号能够被检测到。通过对每一通道回波信号预处理，并将所有通道的预处理结果进行小波图像融合和恒虚警（CFAR）处理实现隐藏人体目标的准确检测与定位，这样不仅提高回波信号的信噪比，还增加了雷达探测视角和距离。实验结果表明，该方法能够有效提高人体呼吸微动频率和位置的检测精度，优于传统的单站雷达检测方法。
教育期刊网 http://www.jyqkw.com
关键词 超宽带穿墙雷达；微动信号提取；小波图像融合；CFAR
Research of Human Micro-tremor Detection Based on Multi-antenna Ultra-wideband Through-wall Radar
LAI Shi ZHANG Guan-qiang
(School of Information and Communication, Guilin University of Electronic and Technology, Guilin Guangxi 541004, China)
【Abstract】The monostation radar is susceptible to the sight of radar, the radar echoes are too faint to detect when hidden human objectives deviate from the sight of radar during detection. The detection method of MIMO radar is proposed based on MIMO radar system in the paper, Multi-antenna placed in an appropriate location are used to guarantee that echoes are detected. The radar echoes are pre-processed ,and the pre-processed results for all channels are processed by the algorithm of wavelet image fusion and constant false alarm rate, and the results are used to locate and detect hidden human objective accurately. It not only improves the SNR of radar echoes but increases view angle and detection range. The results show that the detecting precision of location and respiratory rate of human can be improved effectively. Finally It´s a better way to detect weak signal than monostation radar.
【Key words】Ultra-wideband through-wall radar; Micro-tremor signal extraction; Image fusion based on wavelet; CFAR
作者简介：赖势（1986—），男，广西南宁人，硕士研究生，主要研究方向为穿墙雷达信号处理。
张贯强（1987—），男，河南洛阳人，硕士研究生，主要研究方向为射频前端电路。
超宽带穿墙雷达利用电磁波穿透非金属介质（砖墙、废墟等）进行非接触式检测人体的呼吸和心跳，可广泛应用于特殊病人监护、震后救援、反恐等领域[1-2]。它通过发射电磁波穿透障碍物照射隐藏的人体目标，其后向散射的雷达回波信号携带了微弱的人体信息如呼吸、心跳等，同时包含了大量的背景杂波和噪声。经过信号处理方法和技术消除回波信号中的杂波和噪声，可以有效地提取有用的人体目标信息，从而发现障碍物的隐藏人体[3]。有别于人体运动检测，静止人体的检测主要依赖于胸腔周期运动的呼吸或心跳[4-7]。
由于回波信号信噪比（signal to noise ratio，SNR）很低，且生命信号与背景噪声混合，传统滤波器无法有效去噪，而能否有效地去噪直接影响到检测精度。对于此问题，一般使用相干积累的方法去除噪声[8]，但在SNR很低的情况下，相干积累需要较长的数据采集时间，不适用于实时性要求很高的雷达系统。小波变换在去噪方面有比较好的效果，但小波基的选择是个难题，经验模态分解（empirical mode decomposition，EMD）解决了小波基的问题[9]，但是EMD方法在在信噪比很低的情况下，检测性能很差。采用超分辨率Relax谱估计方法对人体的呼吸和心跳频率进行估计[10]，其估计的精度比FFT方法和MUSIC方法的精度高，但是估计心跳信号时受到呼吸谐波的影响较大，而且该算法运算量大，不宜在实时性要求较高的雷达系统使用。
上述方法中大多采用单站雷达，易受到雷达视线角度的影响，即当隐藏人体人处于雷达有效视角范围以外时，得到的有用回波信号（胸腔微动）非常微弱甚至没有，导致检测失效[11]。针对此问题，提出基于多发多收（MIMO）体制的穿墙雷达系统，将天线放置在合理的位置以确保人体回波信号能够被检测，解决了单站雷达受限于雷达视角的问题，保证从多个角度全方位的对隐藏人体目标回波进行采集。首先，通过对多通道回波信号进行杂波抑制提高了回波信号的信噪比，然后对多通道预处理结果进行小波融合，最后对小波融合结果进行CFAR。该方法不仅增加了视角范围和探测距离，还更为准确快速地检测出人体的位置并估计出呼吸频率。
1 探测模型
多天线穿墙雷达系统探测模型如图1所示，系统结构主要由三部分组成：计算机、雷达主机、天线阵列。计算机主要用于参数的设置、数据记录和存储、数据处理，雷达主机主要用于脉冲的产生、发射和接收、采样等，采用两发两收的天线阵列，天线的中心频率为400MHz，这样就形成四个数据通道，当然实验还可以很容易扩展到更多天线的情况。雷达主机由一个纳秒级的脉冲信号发生器产生两个超宽带脉冲信号，通过发射天线并行传输，同时脉冲经过延迟单元产生距离门，触发接收天线接收人体目标回波，接收天线接收到的目标回波信号通过ADC设备，送回控制中心，并存储在计算机里。考虑到现实探测过程人体目标会发生晃动的情况，导致人体胸腔偏离了某天线视角中心。建立如图2所示的天线布阵和观测视角关系图，人体晃动后胸腔正对接收天线1，此时假设雷达视角为ρ1；人体晃动后胸腔正对接收天线1和2的中间的位置，此时假设雷达视角为ρ2；人体晃动后胸腔正对接收天线2，此时假设雷达视角为ρ3。
2 算法分析
首先对每一通道雷达回波数据进行预处理，然后在预处理基础上进行多通道小波图像融合，最后对小波融合结果进行CFAR处理。算法流程如图3所示。
2.1 预处理
利用直达波移除（LTS）的方法[12]去除静态杂波和直达波，表达式为：
式中，R是原始的慢时-快时回波矩阵，X=[n/N 1N]，n=[0,1,…,N-1]T， 1N是N×1的单位矢量。为了对较远距离的人体目标微弱信号增强，利用基于信号能量的自动增益控制（AGC）的方法[13]处理R′数据，表达式为：
式中，
代表时窗为2w+1的信号能量，x为设定的阈值。
根据多通道雷达系统工作的带宽，在自动增益控制方法的基础上[14]，对回波矩阵G[i,n]的距离维进行有限脉冲响应（IIR）带通处理得到G1[i,n]，然后对G1[i,n]的慢时间维逐一进行快速傅立叶变换得到快时间-频率矩阵G2[i,n]。根据呼吸频率的先验知识，对G2[i,n]进行频率加窗以达到消除高频、谐波和极低的频率成分，此时得到G3[i,n]。为了进一步增强信噪比，对G3[i,n]的距离维进行N′点滑动平均，即
其中，k=0,1,…,K-1，
是指距离维上的点数，
表示比x小的最大的正整数。此过程不仅提高信噪比，同时在保持人体目标回波信号不变的情况下减小了数据量，从而大大缩短了数据处理时间。
2.2 小波方法图像融合
由于隐藏人体晃动导致雷达视角偏移，使得每一通道的回波信号强弱不一样，为了解决这个问题，经过预处理以后，利用小波变换对四个通道的预处理结果T1,T2,T3,T4进行融合。以两幅图像融合为例，其融合基本步骤如下[15]：
1）利用小波变换公式求出每一幅图像的二维小波变换，假设分解层数为j；
2）在两幅图像的小波变换域内，对水平、垂直和对角分量分别进行融合处理。在各尺度j(j=1,2,…,J)上比较两幅图像的高频系数，然后取系数绝对值较大融合规则，即：
其中，ωi,k1和ωi,k2分别表示两幅图像在各尺度分量上的小波系数。
3）对两幅图像经过小波变换后的低频系数Cj1和Cj2进行融合，即可得融合后的低频系数：
4）对高频系数
和低频系数
进行二维小波逆变换，最后由重构公式得到融合图像H。
2.3 CFAR处理
多通道小波融合后的图像仍存在较多杂波，考虑到图像结果中杂波的特征不能够进行精确的建模，采用基于恒虚警的能量检测方法[6]进一步对融合H图像进行处理。能量加窗之前，首先要进行像素阈值的处理，即对图像H的近零值的像素点进行处理来避免大的误差。如果像素点的值小于设定的阈值η，就用η来代替，否则保留像素点的原值，η的值是根据R来设定的。其次，进行恒虚警率的能量窗的滑动估计和能量阈值判决。CFAR的能量窗如图4所示。图中，Ix和Iv分别表示内窗的频率（慢时间）和距离，要求内窗范围覆盖包含隐藏人体目标位置的点；Gx和Gv分别表示保护窗的频率（慢时间）和距离，保护窗作为内窗和外窗的缓冲区，确保内窗不会包含有杂波信号；Ox和Ov分别表示外窗的频率（慢时间）和距离。为了使得外窗覆盖隐藏人体目标周围的杂波，定义Ix=1，Iv=27，Gx=3，Gv=Iv+4，Ox=5，Ov=Gv+4。EI为内窗的能量，EG为保护窗的能量，E为外窗的能量，CFAR窗中心点的局部信号-背景能量比参数P=EI/(E-EG)。最后，对融合结果H矩阵进行扫描搜寻隐藏人体目标位置点。如果P大于所设定的阈值Q，那么当前的CFAR窗的中心点被认为是隐藏人体目标的位置点，并将其值置为1，否则视为干扰信号，结果是0。
3 实验结果与分析
穿墙生命探测雷达的实验设备为实验室引进的美国劳雷工业有限公司的探地雷达系统SIR-20。雷达参数设置为：天线的中心频率400MHz，采样点数1024点，数据位数16位，扫描道数64道/s。实验测试得到墙体相对介电常数ε为6.25。构建的实验场景是：雷达天线贴着墙体，墙体厚度20cm，人体站在墙体后面距离墙体1.5m处急促呼吸（急促情况下，呼吸频率可达到0.6Hz）。
图5给出了人体位于墙体后1.5m处的原始雷达回波矩阵和处理结果。从图（a）可以看出，人体微动信号几乎被直达波和杂波信号掩盖，很难辨别人体的微动信号。从图（b）可以看出，使用单天线的情况下, 即使在急促呼吸时，也只能够模糊的从图中可以看出人体的生命信号在快时间大约15-16ns处,人体的呼吸频率大约0.4-0.5Hz。图（c）是两通道数据进行小波变换图像融合与CFAR相结合处理的结果。可以看出人体呼吸频率已经集中在慢时间维0.45Hz处，但是快时间维上的范围还不够精确。图（d）是对四个通道的数据进行小波变换图像融合与CFAR相结合处理的结果。可以看出人体目标在快时间维15.5ns处以及在慢时间0.45Hz处，已经集中体现在了一点。这就说明通道数越多,也即天线数越多,就越能够准确的观察到人体目标的位置以及呼吸频率。
（a）原始雷达回波
（b）单通道处理结果
（c）两通道小波融合-CFAR处理结果
（d）四通道小波融合-CFAR处理结果
4 结论
设计的多通道穿墙雷达系统，可以保证在检测过程中隐藏人体目标存在身体晃动导致接收回波信号非常微弱甚至没有等特殊情况下，至少能够被一副接收天线检测到；并采用小波图像融合-CFAR相结合的方法将多通道的数据进行融合-CFAR处理。实验结果表明，相对于传统单站穿墙雷达系统，该方法不仅提高雷达回波信号的信噪比，还扩大了雷达视角范围和探测距离，从多个角度全方位的对目标回波进行采集，比较精确的地检测出人体微动信号位置。因而，该方法在穿墙雷达微动信号检测方面有很广的应用前景，还可以用于非接触生命体的监测，以及抗震救灾的人体目标检测等。
教育期刊网 http://www.jyqkw.com
参考文献
［１］Li C, Cummings J, Lam J, et al. Radar remote monitoring of vital signs[J]. Microwave Magazine, IEEE, 2009,10(1):47-56.
［２］Staderini E M. UWB radars in medicine[J]. IEEE Aerospace and Electronic Systems Magazine, 2002,17(1):13-18.
［３］Boric-Lubecke O, Lubecke V M, Mostafanezhad I, et al. Doppler radar architectures and signal processing for heart rate extraction[J]. Mikrotalasna revija, 2009,15(2):12-17.
［４］Lv H, Li W, Li Z, et al. Characterization and Identification of IR-UWB Respiratory-Motion Response of Trapped Victims[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014,52:7195-7204.
［5］Lv H, Liu M, Jiao T, et al. Multi-target human sensing via UWB bio-radar based on multiple antennas[C]//TENCON 2013-2013 IEEE Region 10 Conference (31194). IEEE, 2013:1-4.
［６］Xu Y, Shao J, Chen J, et al. Automatic detection of multiple trapped victims by ultra-wideband radar[J]. Geoscience and Remote Sensing Letters, IEEE, 2013,10(6):1498-1502.
［７］Li Z, Li W, Lv H, et al. A novel method for respiration-like clutter cancellation in life detection by dual-frequency IR-UWB radar[J]. Microwave Theory and Techniques, IEEE Transactions on, 2013,61(5):2086-2092.
［８］Nijsure Y, Tay W P, Gunawan E, et al. An impulse radio ultrawideband system for contactless noninvasive respiratory monitoring[J]. IEEE Trans. Biomed. Engineering, 2013,60(6):1509-1517.
［９］Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[C]//Proceedings of the Royal Society of London A: Mathematical, Physical and Engineering Sciences. The Royal Society, 1998,454(1971): 903-995.
［１０］Li C, Ling J, Li J, et al. Accurate Doppler radar noncontact vital sign detection using the RELAX algorithm[J]. Instrumentation and Measurement, IEEE Transactions on, 2010,59(3):687-695.
［１１］魏崇毓,李玲娟,朱卫娟.一种弱信号检测新方法分析[J].现代电子技术,2012,35(5):60-67.
［１２］Nezirovic A, Yarovoy A G, Ligthart L P. Signal processing for improved detection of trapped victims using UWB radar[J]. Geoscience and Remote Sensing, IEEE Transactions on, 2010,48(4):2005-2014.
［１３］Rovnakova J, Kocur D. Weak signal enhancement in radar signal processing[C]//Radioelektronika (RADIOELEKTRONIKA), 2010 20th International Conference. IEEE, 2010:1-4.
［１４］Xu Y, Wu S, Chen C, et al. A novel method for automatic detection of trapped victims by ultrawideband radar[J]. Geoscience and Remote Sensing, IEEE Transactions on, 2012,50(8):3132-3142.
［１５］秦云霞.图像融合算法研究[D].兰州:兰州大学,2010.
［责任编辑：汤静］