一種基于超寬帶雷達的日常活動分類方法*

賴佳磊， 陽召成， 鮑潤晗， 周建華

(深圳大學電子與信息工程學院， 廣東深圳 518060)

0 引言

人體的日常活動包含著大量信息，是與外界信息交換的重要方式，能夠在特定場合直觀地傳遞有效信息。人體活動監測在安防監控、人機交互、醫療監護等領域中發揮著重要的作用。因此，近年來隨著智能物聯網的普及和發展，人體活動分類的問題也成為研究的一大熱點。雷達傳感器以其獨有的優勢吸引了許多研究者的目光，利用雷達進行人體活動分類的研究也不斷涌現。雷達進行人體活動分類通常包含兩步：一是人體目標檢測；二是活動分類。

對于人體目標檢測，常見的檢測器如恒虛警檢測器(Constant False Alarm Rate，CFAR)被廣泛應用。CFAR檢測器是指假定噪聲服從某一分布時，設定恒虛警概率對輸入信號進行判別，最后進行目標檢測的方法。文獻[1]利用改進的CFAR檢測器，提出了一種新的基于可變窗口的CFAR圖像艦船目標檢測算法，其仿真結果表明該算法的優越性。在文獻[2]中，對數排序統計恒虛警檢測器(Ordered-Statistic Constant-False-Alarm-Rate，OS-CFAR)用于每幀距離單元的有效點檢測，進行人體目標探測和跟蹤。

對于活動分類，大部分學者利用微多普勒效應對人體雷達回波進行特征提取，進行目標的活動分類。人體的微多普勒效應最早由Chen[3]提出，是指由于人體這種多散射點目標對雷達有著不同的徑向速度，因此能夠產生不同多普勒頻移的效應。文獻[4]則進一步提取微多普勒特征，采用支持向量機(Support Vector Machine，SVM)分類器對人體動作進行分類。隨著深度學習的發展，越來越多研究者采用卷積神經網絡(Convolution Neural Network，CNN)這種分類器，利用人體微多普勒信息進行人員的活動分類[5-8]，并且都取得了可觀效果。在文獻[9]中，作者利用多個雷達傳感器對微多普勒特征采用長短期記憶神經網絡(Long Short-Term Memory，LSTM)，也取得了較好的性能。然而，雖然深度學習在一定程度上取得了很好的效果，但是這種處理方法需要消耗較大的計算資源，并不一定能夠保證實時性的計算結果。在智能物聯網應用中，邊緣計算在傳輸和延時方面是明顯優于云端計算的。因此，提供一種低復雜度、計算需求小的活動分類方法，在一定程度上能夠完成物聯網終端邊緣計算的目標。

本文提出一種基于脈沖超寬帶(Impulse Radio Ultra-Wideband，IR-UWB)雷達的低復雜度室內人員日常活動分類方法。該方法首先利用改進的OS-CFAR檢測有效距離單元目標；其次，提取基于平均多普勒頻率、信息量和多普勒能量的3種微多普勒特征進行動靜目標粗分類；最后，對于動目標采用兩個細胞單元的長短期記憶神經網絡(LSTM)對人體活動進行細分類。日常人體活動類別有：靜止、走路、坐下和起立。實驗結果表明：細分類別下(走路、坐下和起立)的測試準確率能夠達到92.52%。

1 雷達信號處理

1.1 信號模型

基于對人體探測安全的考慮，本文選用Novelda公司生產的X4M03[10]雷達模塊，該雷達模塊的功率僅為118 mW，具有低功耗的特點。X4M03雷達模塊是發射高斯包絡的脈沖多普勒雷達，其載頻為7.29 GHz，信號有效帶寬為1.4 GHz，硬件射頻采樣率為23.328 GHz。發射信號模型如下：

(1)

式中，V為電壓值，t為快時間，ωc為載頻，τ由雷達帶寬fb決定，表示為

(2)

對于回波信號，首先硬件對回波進行采樣得到射頻信號。接著對射頻信號進行移動平均雜波抑制去除背景靜止雜波[2]，利用數字混頻獲得包絡信息，由此取模得到慢時間-距離圖(以下簡稱時距圖)。

1.2 目標檢測

如圖1所示，本文實驗是針對室內環境下人體活動展開探測。因此，該場景不僅會有很多強的靜止雜波，還會有大量多徑效應存在，將對識別產生強干擾。為了去除雜波信息和避免雷達多徑效應對人體微多普勒信息的干擾，這里利用幅度拐點的OS-CFAR檢測器對雷達時距圖進行目標檢測。

圖1 實驗場景

首先，對每一幀多個距離單元的幅度進行排序，求排序后的二階導數，進而得到拐點。將拐點對應的幅度提取出來。如果排序后沒有拐點，則說明該幀很大概率沒有目標信息，此時取最大幅度代替拐點幅度。由此，每一幀都將得到一個幅度排序后拐點的值。

其次，以滑窗的形式，每窗積累20幀數據統計幅度的值。對于雜波數據，觀察統計的幅度，取對數之后可以近似認為服從均值為μ，方差為σ2的高斯分布。圖2為積累1 min后對數幅度排序之后的統計直方圖，可以明顯看到服從高斯分布。

圖2 對數幅度排序統計直方圖

最后，得到雜波的分布后，設定一個門限值Th，對每一幀下的距離單元進行判定，若滿足如下條件，則認為是有效距離單元點：

(3)

式中，x(n,k)為雷達時距圖，n為幀序列，k為距離單元序列。

同時，選取每一幀最靠近雷達的10個有效距離單元點為有效目標點，這是為了避免后面的多徑效應所帶來的有效單元點。圖3(a)是經過檢測器后的時距圖，圖3(b)是未經過檢測器的時距圖。從圖中結果可以明顯看出：檢測器能夠避免雷達多徑效應和雜波影響。

圖3 有無檢測器的時距圖對比

1.3 微多普勒特征

在除去噪聲和多徑效應后，對時距圖提取微多普勒特征，可以得到更加干凈的譜圖，這也是后續可以采用較低復雜度的分類器進行分類的原因。微多普勒譜圖是通過短時傅里葉變換得到的，如圖4為走路—坐下—起立—走路的時頻圖。其變換如下：

圖4 時頻圖(走路-坐下-起立-走路)

(4)

式中，x(n,k)為雷達時距圖，n為幀序列，k為距離單元序列，ω為變換頻率，w(m)為高斯窗函數。

對變換后的時頻圖提取了3個特征，利用3個特征可以對目標進行動靜粗分類。

1) 軀干多普勒頻率(速度)，提取公式如下：

(5)

式中，F為短時傅里葉變換的點數。

2) 中高頻信息量，公式如下：

(6)

式中，f∈φ表示f包含所有頻率。

3) 多普勒能量值，公式如下：

(7)

按0.1 s進行滑窗，窗的長度為1 s，分別對1 s內的3個特征值求平均，得到該時刻下的特征值。圖5顯示了3種特征值隨時間的變化。對于每一個特征值均可設定一個區分運動和靜止的門限值，超過某一門限值則判定為運動。若3個特征有超過2個判定運動(或者靜止)，則認為目標在運動。區分動靜目標后，第2節將介紹動目標細分類方法。

圖5 3個特征值隨時間變化圖

2 基于LSTM的動目標細分類

對于已經粗分類后的人體活動，本文將利用LSTM網絡進行細分類。首先，需要將由運動到靜止和由靜止到運動兩種狀態找出來，提取這種短時間內狀態轉換的時頻圖作為樣本。選取該時刻前后一共兩秒的時間為樣本的序列長度。由于雷達的幀數設定為100幀，短時傅里葉變換的點數為80點，因此，樣本為200*80的矩陣圖。

將矩陣圖進行LSTM網絡的訓練，可以得到訓練好的模型，進而對測試集進行分類。本次實驗一共有7個人參與了實驗，得到樣本有1 390個。

為了降低計算復雜度和充分利用時頻矩陣的時序性，這里采用兩個細胞單元的LSTM網絡進行訓練，LSTM層后面通過Softmax層進行三分類。每個LSTM層有100個神經元。

LSTM網絡結構(如圖6所示)的輸入由新輸入xt和上一步的輸出值ht-1組成，輸出由ct和ht組成。ct的作用是負責記憶信息的細胞單元。整個LSTM網絡中，還有中間單元，包括遺忘門、輸入門和輸出門。LSTM每一步的計算流程如下公式所示：

(8)

(9)

(10)

(11)

(12)

(13)

式中，wf，wi，wc，wo分別是不同單元的權重，bf，bi，bc，bo分別指不同單元的偏置。sigmoid函數和tanh函數如下公式所示。通過不停迭代權重和偏置，讓網絡學習到特征的分布，進而識別出相應的動作。

(14)

(15)

3 實驗結果分析

3.1 網絡參數對比

本節將基于實測數據分析本文提出的方法在室內環境下的分類識別效果。本實驗采用5-折交叉驗證的方法說明算法精度。5-折交叉驗證是將所有樣本分為5堆樣本集，依次提取5堆樣本中的其中一堆作為測試集，其他4堆作為訓練集進行網絡訓練。因此，每個模型參數都需要進行5次訓練，取測試集精度的平均值作為最終的訓練效果。每次實驗迭代次數為500次。本文將對比不同LSTM細胞個數和不同LSTM神經元個數對結果的影響，從而得出最優的模型。

表1顯示了兩個LSTM結構下，不同神經元數目的性能對比。表2顯示了100個神經元下不同LSTM結構數目的性能對比。綜合兩個表，可以看到：在100個神經元和兩個LSTM結構下，得到了92.52%的最高準確率。

表 2 100個神經元下LSTM結構不同數目的性能對比

圖7顯示了在最高準確率下，每次實驗的準確率與迭代次數的關系。這些實驗結果充分說明了本文算法的可行性。

圖7 最高準確率下5次實驗的測試精度與迭代關系

3.2 其他方法對比

在復雜度和精度方面，本小節將通過對比其他方法，進一步說明算法的可行性。在特征分類中，常用的分類器如SVM、卷積神經網絡、LSTM網絡將用來作算法的對比。

整個的對比結果可以用表3來概括。對比文獻[9]同樣采用的LSTM網絡，該方法將3個雷達采集數據應用于兩個800個神經元的LSTM細胞單元進行識別，達到了最高準確率98.19%。雖然該方法一共識別了21個動作且準確率較高，但是3個雷達采集數據獲得3個時頻圖的方式限制了其應用場景，同時一共1 600個神經元的結構也大大超過本文200個神經元的結構。對比文獻[4]采用的6個SVM模型，雖然SVM比起神經網絡復雜度低一點，但是其準確率最高只有90%，低于本文的準確率。對比文獻[5]采用的傳統卷積神經網絡，該網絡在最高準確率96.9%下采用3個卷積層和池化層，2個全連接層。其中每個卷積層有20個5*5的卷積結構，2*2的最大池化層，2個全連接層分別包含500個神經元和7個神經元。這些參數個數是遠高于本文的個數的。由此可見，相比已有的神經網絡方法，本文算法的計算復雜度更低。

表3 與其他方法的對比

4 結束語

本文提出了一種基于IR-UWB雷達的低復雜度室內人員日常活動分類方法。首先，在室內復雜多徑效應下，采用幅度拐點OS-CFAR檢測方法提取有效距離單元；其次，采用微多普勒特征提取方法對動靜目標進行粗分類；最后，采用兩個細胞單元的LSTM網絡對動目標進行細分類。實驗結果表明：最終的測試平均準確率達到92.52%。