论文部分内容阅读
近年来,雷达逐渐应用于日常生活中的人体目标探测、生命体征检测等领域。目前可用于多目标检测及人体生命体征检测的雷达有许多种,例如MIMO雷达、FMCW雷达、CW雷达等。这些雷达通常需要大规模的天线阵来实现,而UWB雷达具有功耗小、距离分辨率高、只需一对收发天线即可完成多目标和人体生命体征的非接触式检测的优点,因此本文应用IR-UWB雷达对多目标及人体生命特征进行提取。为了将实现方法应用于服务器、移动设备等不同的检测平台,应用卷积神经网络和轻量级卷积神经网络对多目标和生命体征信号分别进行识别。1.应用PCA对主要的运动特征进行提取,消除运动谐波的干扰,得到较为纯净的运动目标纹理特征,并结合GoogLeNet估计对应场景下运动目标的个数。结合GoogLeNet方法得到了99.84%的估计精度,结合MobileNet得到了71.6%的检测精度。2.结合GoogLeNet方法,学习不同特征场景下的多目标运动特征,消除不同环境对运动目标的干扰,对未知环境下的目标数量进行判断,得到了 86.8%的测试精度,MobileNet网络得到了65.4%的检测精度,解决了现有检测数据对环境具有依赖性、无法预测未知场景人数的问题。3.在人体生命体征检测中,提出了基于IR-UWB雷达的差分交乘及状态空间法(DACM-SSM)。应用DACM方法来处理arctan函数进行数字计算时会带来相位的多值性问题,应用阈值优化的SSM算法提取得到高信噪比的呼吸和心跳信号。该算法提高了运算速率,抑制了人体的随机位移对人体的呼吸和心跳提取的影响,消除呼吸谐波对心跳提取的干扰。解决了现有算法复杂度较高,需消耗较大的计算资源,实时判断结果准确性较低等问题。利用VGG卷积神经网络判断目标的呼吸和心跳是否异常,得到了 90%以上的检测精度,使用MobileNet得到了 71.1%的检测精度。通过将雷达信号处理与深度学习相结合,检测人员可根据深度学习的优势提取被检测者的生理特征进行分析、预测及更全面的了解。