基于改進ViBe的穿墻雷達動目標檢測算法

2019-09-09 03:41:22

雷達科學與技術 2019年4期

關鍵詞：檢測

(桂林電子科技大學信息與通信學院，廣西桂林 541004)

0 引言

穿墻雷達(Through-Wall Radar，TWR)是通過發射超寬帶(UWR)電磁波，穿透墻壁、樹叢、隔板等障礙物，并分析接收到的目標回波信號，對隱藏在障礙物后的目標進行探測的新型雷達[1-2]。

穿墻雷達動目標檢測方法分為兩種：一種是利用一維回波信號定位確定目標狀態方法[3-4]；另一種是通過回波信息成像后的目標檢測方法[5]。后者較前者具有目標定位精度高，能以圖像直觀地展示目標信息。該方法包括對回波數據預處理、回波成像、目標檢測、目標位置提取等方面[6]。本文基于圖像域的檢測原理，針對實時性較差，不能完全消除虛警現象等問題，提出了基于ViBe的穿墻雷達信號動目標檢測改進方法，該方法不需要預處理步驟，簡化了動目標檢測方法步驟。

目前，在穿墻雷達基于圖像域的目標檢測方法中，Buonanno 等提取圖像中像素最大值的20%作為全局閾值[7]，Chalabi 等通過平均值和標準差設計閾值[8]。上述方法僅對單個移動目標的情況有效。且由于接收天線采集的穿墻雷達回波信號強度不均勻，將導致嚴重的漏檢問題。為此，文獻[9]采用恒虛警(Constant False Alarm Rate, CFAR)檢測方法，通過局部信息自適應地計算閾值，較好地解決了漏檢問題。但實驗發現CFAR中有兩個不足：一是封閉環境內存在強雜波，CFAR無法消除虛警像素點，干擾用戶對目標信息的判斷；二是CFAR需要對回波數據進行預處理，實時性較差。針對上述問題，本文提出基于ViBe動目標檢測改進方法，該方法能夠適應室內環境中強雜波干擾，實時地檢測目標動態變化，準確地提供目標的位置信息。

ViBe(Visual Background Extractor)[10]算法常用于計算機視頻處理中，它采用隨機聚類技術從視頻序列每一個像素的8鄰域內隨機采集樣本用于初始化背景模型。背景模型不需要經過多幀的訓練，從第2幀開始就可以檢測出運動目標。但在穿墻雷達回波成像的多幀序列中，隨著目標移動到不同位置，成像后的動目標像素值是不相等的，這與普通視頻圖像目標像素值相等有差異。因此，ViBe算法并不能直接用于穿墻雷達生成圖像中動目標的識別。同時，由于初始的穿墻雷達圖像背景樣本中存在目標像素，導致結果中會出現“鬼影”像素點和孤立噪點等現象。

為了解決上述問題，本文改進傳統ViBe算法，在算法中加入動態閾值，使其能適應穿墻雷達圖像像素值變化問題。在此基礎上，為避免“鬼影”像素點和孤立噪點等現象，利用三幀差[11]消除了“鬼影”現象，再利用連通域消除圖像中的孤立噪點，彌補了ViBe算法的不足。通過仿真和實測實驗，驗證了本文方法可以準確提供目標的位置信息，消除虛警，具有實時性和穩定性，適合對穿墻雷達動目標進行檢測。

1 信號模型與成像

超寬帶穿墻雷達探測近似模型[12]如圖1所示。

圖1 超寬帶穿墻雷達探測示意圖

發射信號和回波信號間的關系用線性模型近似描述為

d(t)=starget(t)+swall(t)+scoupling(t)+snoise(t)

(1)

式中，d(t)代表穿墻雷達獲取的回波信號，starget(t)代表墻體后真實目標的反射回波，swall(t)代表墻體直接反射信號產生的回波，scoupling(t)代表收發天線之間的直接耦合波，snoise(t)代表測量和系統引發的隨機噪聲，包括空間噪聲和射頻干擾信號。目標成像算法從回波信號d(t)檢測出starget(t)。采用BP(Back Projection)[13]法成像。由于墻體等障礙物和天線耦合的存在，動目標電磁回波能量非常微弱，圖像中出現大量的虛假像素點，影響檢測算法準確地提取目標信息。本文的動目標檢測改進方法可以解決上述問題。

2 ViBe算法原理

ViBe算法為每個背景像素點存儲一個樣本集合，將當前每一個新的像素值和樣本集合比較，判斷新的像素點是否為背景點。算法分為3個步驟：背景初始化、像素分類和背景更新策略。

2.1 背景模型初始化

算法采用第1幀圖像構造初始背景模型。第1幀中的每一個像素v(x)的背景模型為N個樣本組成的一個集合M(x)，其中x為當前像素值。N個樣本由v(x)自身鄰域(通常為8鄰域)隨機抽樣獲得，重復抽取得到M(x)，如式(2)：

M(x)=(v(x1),v(x2),…,v(xj),…,v(xN))

(2)

式中，j∈(1,2,…,N)。

2.2 像素分類

ViBe算法從第2幀圖像開始進行像素分類。假設當前待測像素點的像素值為P(x)，歐式空間為SR(P(x))，P(x)為SR(P(x))的圓心，R為SR(P(x))的半徑。將M(x)與SR(P(x))取交集，輸出結果為C(x)，如式(3)：

(3)

式中，Tmin為M(x)與SR(P(x))交集個數的閾值。當M(x)與SR(P(x))交集個數大于Tmin，P(x)為背景像素，C(x)=0；當M(x)與SR(P(x))交集數小于Tmin，P(x)為目標像素，C(x)=1。

2.3 背景更新策略

采用無記憶策略來更新背景。當某個像素點被判定為背景像素點，則使用該背景像素點代替從M(x)隨機選取的一個樣本值，形成新的背景樣本。這種無記憶更新策略避免了像素長期保留在背景模型中，使算法對環境有較強的適應性能。

3 自適應動態閾值ViBe算法

在不同時刻，隨著目標移動，雷達接收的目標回波能量大小是變化的，這導致成像后不同時刻的動目標像素的像素值大小也是不相等的。如果直接采用傳統的ViBe的固定閾值進行像素分類，處理后的圖像中會出現大量虛警像素。同時，由于墻體、天線耦合等強雜波的干擾，圖像中會出現“鬼影”和孤立噪聲。為解決上述問題，本文提出采用自適應動態閾值，結合三幀差和連通域判定的方法。

3.1 動態閾值

R(x)由圖像的最大值和M(x)的均方差σ(x)決定，如下式所示：

R(x)=0.5×max(M(x))×σ(x)

(4)

(5)

將R(x)用于動目標像素的判別，代替傳統ViBe像素分類。其步驟為：首先計算待測像素與樣本值的差(v′1,v′2,…,v′N)。假設#min定義為交點個數閾值。當R(x)與(v′1,v′2,…,v′N)的交點個數小于#min時，該像素可視為移動目標(使用D1i(x,y)=1來表示)。否則，將其視為背景像素點(使用D1i(x,y)=0表示)。同時更新背景模型，如下式所示：

(v′1,v′2,…,v′N)=(P(x)-v(x1),P(x)-

v(x2),…,P(x)-v(xN))

(6)

D1i(x,y)=

(7)

改進后的ViBe算法對閾值進行動態更新，能夠很好適應動目標的變化，保留移動目標信息。

3.2 三幀差改進算法

ViBe背景模型初始化時，如果第一幀中存在移動物體，則檢測結果中存在“鬼影”區域。本文使用三幀差算法提取動目標信息，彌補ViBe算法背景初始時不能存在目標的不足，進一步去除“鬼影”導致的虛警像素點。三幀差具體步驟如下：

首先，提取BP成像后相鄰的三幀圖像Ii-1，Ii，Ii+1(i為當前幀)，計算幀間方差d(i,i-1)(x,y)，d(i,i+1)(x,y)：

d(i,i-1)(x,y)=|Ii(x,y)-Ii-1(x,y)|

(8)

d(i,i+1)(x,y)=|Ii+1(x,y)-Ii(x,y)|

(9)

然后，設置閾值T將d(i,i-1)(x,y)，d(i,i+1)(x,y)二值化，得到二值圖像b(i,i-1)(x,y)和b(i,i+1)(x,y)：

(10)

(11)

將b(i,i-1)(x,y)，b(i,i+1)(x,y)進行邏輯與操作。得到二值圖像D2i(x,y)，公式如下：

D2i(x,y)=

(12)

二值圖像D2i(x,y)即為三幀差圖像。圖像中可以較清楚地觀測到動目標信息，但由于目標在幀間的移動，圖像中會出現“真空”現象。為了消除“真空”現象，通過形態學方法處理D2i(x,y)，即使用3×3矩陣對圖像進行腐蝕操作，然后用3×3膨脹填充“真空”小孔。

為了結合動態閾值ViBe和三幀差的優勢，將動態閾值處理得到的二值圖像D1i(x,y)和三幀差處理得到的二值圖像D2i(x,y)進行邏輯“與”操作處理，得到圖像Di(x,y)。公式如下：

(13)

圖像Di(x,y)中，消除了“鬼影”像素點，動目標信息都可以較好地保留下來。

3.3 連通域判定

經過上述操作后，發現圖像Di(x,y)中還存在一些孤立的噪點。本文采用連通域的思想去除孤立噪點。判斷每個像素和其他像素在上、下、左、右、左上角、左下角、右上角或右下角是否連通，如果連通，則判斷為目標；如果不連通，則判斷為孤立噪點。連通域判定法處理后，Di(x,y)圖像上只存在動目標像素。

3.4 改進算法流程

本文提出的動目標檢測改進方法首先將原始回波數據進行BP成像，形成幀序列，然后將待測幀分別進行改進ViBe建模和像素分割，并采用三幀差提取動目標像素，處理結果通過連通域判定操作，得到動目標二值化圖像，在圖像中可以直觀地觀測動目標信息。算法總體流程圖如圖2所示。

圖2 本文運動目標檢測算法的流程圖

4 仿真與實驗結果分析

4.1 模擬仿真結果分析

采用基于GPRMAX仿真數據驗證本文動目標檢測算法的性能。圖3為仿真采用的室內場景。房間的尺寸為LX=LZ=470 cm，兩個長1 m、厚0.1 m的內墻在距離前墻2.2 m處，墻厚度TH=0.1 m，房間墻壁是混凝土結構，相對介電常數ε=4.5，電導率σ=0.005 S/m。天線陣列長度L=4 m，距離前墻為h=1 m，有N=16個天線單元，單元之間的間隔d=0.3 m，每個天線輻射中心頻率為1 GHz的高斯脈沖波，在快速時間窗tre=60 ns內收集穿墻雷達回波。從第1幀到第10幀，目標1的坐標分別為(3.8,3.8)，(4.1,4.1)，(4.4,4.4)，(4.7,4.7)，(5.0,5.0)，(5.3,5.3)，(5.6,5.6)，(5.9,5.9)，(6.2,6.2)，(6.5,6.5)；目標2的坐標分別為(6.0,3.3)，(5.7,3.6)，(5.4,3.9)，(5.1,4.2)，(4.8,4.5)，(4.5,4.8)，(4.2,5.1)，(3.9,5.4)，(3.6,5.7)，(3.3,6.0)，軌跡如圖3所示。

圖3 GPRMAX仿真的室內多目標場景

圖4為第5幀BP處理后的圖像，黑圓為目標實際位置，由圖可知，除了真實目標，還有大量由墻體反射、天線耦合造成的背景噪聲。

圖4 第5幀BP成像效果圖

圖5對第5幀分別采用了CA-CFAR檢測(如圖5(a)所示)、OS-CFAR檢測(如圖5(b)所示)以及本文檢測算法(如圖5(c)所示)處理，并對3種檢測算法進行了比較。圖中圓圈處為實際目標位置，黑色斑點為算法檢測出的目標位置。由圖可知，CA-CFAR檢測的圖像中目標周圍存在大量虛警，不利于提取目標信息；OS-CFAR檢測后，目標周圍的虛警像素雖然清除，但是對強雜波引起的虛警的處理效果并不理想；本文檢測算法消除目標周圍的虛警，并且較好地保留了目標信息。

圖6為采用本文算法處理第2幀到第9幀的輸出結果，圖中只有動目標像素。綜上所述，本文算法不僅消除了室內環境造成的虛警現象，而且對移動目標檢測具有較高的穩定性。為了更加客觀地評價算法的檢測性能，將計算每個檢測結果的虛警率(False Alarm Rate，FAR)和均方根誤差(Root-Mean-Square Error，RMSE)。FAR為雜波區域像素個數的比值與整個區域像素個數的比值，FAR值越小，說明背景噪聲造成的虛警像素越少。RMSE為測量目標位置與真實目標位置的均方根誤差，RMSE值越小，說明檢測出目標的位置越準確。從表1可知，CA-CFAR，OS-CFAR檢測算法的FAR值較大，虛警較嚴重，對目標信息提取影響較大；而本文的FAR值和RMSE值均小于上述兩種算法，消除了虛警現象，較精確地保留了目標的位置信息。

(a) 第2幀 (b) 第3幀

(e) 第6幀 (f) 第7幀

(g) 第8幀 (h) 第9幀圖6 數據幀檢測輸出結果

算法FARRMSECA-CFAR0.02070.2419OS-CFAR0.01660.1333本文檢測算法00.0866

4.2 實測結果分析

為了進一步驗證本文算法在實際場景中的性能，使用了穿墻雷達系統對房間內兩個移動人體收集回波數據，實驗場景如圖7所示。雷達系統由矢量網絡分析儀器和天線陣列搭建(如圖7(b)所示)。天線單元共6個，間隔為27 cm。矢量網絡分析儀工作頻率為1～2 GHz，起始頻率為1 GHz，頻率步進為5 MHz，雷達系統放置在離墻10 cm處。兩個人體目標在房間內直線移動(如圖7(c)所示)。

(a) 實測場景示意圖

圖7 實測場景

(a) 第2幀CA-CFAR檢測 (b) 第2幀OS-CFAR檢測

圖8為分別采用CA-CFAR檢測(如圖8(a)所示)、OS-CFAR檢測(如圖8(b)所示)以及本文檢測算法(如圖8(c)所示)三種算法處理雷達圖像的第2幀。由圖可知，CA-CFAR檢測的圖像中存在大量虛警，不利于提取目標信息，同時，由于目標旁瓣較大引起了拖尾現象；OS-CFAR檢測后，目標周圍的虛警像素點雖然被清除，但是對目標旁瓣較大的處理效果并不理想；本文檢測算法消除目標周圍的虛警，并且較好地保留了目標信息。

圖9為采用本文算法處理實測數據中第2幀到第7幀的輸出結果，圖中成功檢測出移動目標。上述實驗驗證了仿真實驗中得出的結論。本文算法不僅消除了室內環境造成的虛警現象，而且對移動目標檢測具有較高的穩定性。表2客觀表明CA-CFAR，OS-CFAR檢測算法的FAR值較大，虛警較多，對目標信息提取影響較大；而本文的FAR值和RMSE值均小于上述兩種算法，消除了虛警現象，較精確地保留了目標的位置信息。