[发明专利]一种基于距离和关联的穿墙雷达活动人数判定方法

摘要

本发明提供一种基于距离和关联的穿墙雷达活动人数判定方法。本发明从数据关联的角度出发，基于大量的实验数据，分析和总结复杂封闭的建筑环境下多目标随机运动时距离和的变化规律，多人在狭小空间内随机运动时，不可避免地会在一段时间内相互遮挡，造成回波的突变。本发明据此突变形成的临界区域作为判断房间内出现多运动目标的条件，再对临界区域中发生突变的目标数据进行关联从而确定运动目标数目。本发明能够对穿墙雷达进行活动人数提取，可辅助运动人体跟踪以改善航迹质量，提升复杂封闭建筑环境下多个目标的跟踪效果。

主权项

一种基于距离和关联的穿墙雷达活动人数判定方法，其特征在于，包括以下步骤：1)获取距离和平面：穿墙雷达包含一个发射天线一个接收天线，接收天线分别采集连续周期的回波信号，根据回波信号处理生成峰值点距离和矩阵，再对峰值点距离和矩阵进行距离和分类处理，将矩阵中对应同一目标的距离和存放在同一列数组上得到距离和矩阵NP(N‑1,Kc)；2)活动人数判定：(1)假定目标的数目为y，初始时y＝y0，y0为可检测的最大目标数目；(2)在距离和平面EP(N‑1,Kc)中寻找出当前目标数目y对应的L个临界区域，所述当前目标数目y对应的临界区域为，在两段目标个数为y‑1的连续行之间为目标个数为y的连续行的突增区域，或者在两段目标个数为y的连续行之间为目标个数为y的连续行之间为目标个数为y‑1的连续行的突减区域；(3)判断当前假定的目标数目是否满足y>1，若是，则转至步骤(4)；否则，进行单目标的判决得到最终判定活动目标数目yF；(4)判断当前目标数目y对应的临界区域数目L是否为0，如是，更新y＝y‑1后返回步骤(2)，否则，进行多目标的判决得到最终判定活动目标数目yF；所述单目标的判决的方法为：统计距离和平面EP(N‑1,Kc)中存在有1个目标存在的周期数M，判断是否满足N表示天线接收的总脉冲周期数，Ratio为预设单目标判决门限，如满足则最终判定活动目标数目yF为1，否则，判定为无目标；所述多目标的判决的方法为：依次对L个临界区域进行基于距离和关联的多目标判定来得到最终判定活动目标数目yF；每一次基于距离和关联的多目标判定的方法为：确定当前假定的目标数目y，为当临界区域为突增区域的情况时，当满足距离和关联规则：(k‑g)<T1且则表示为距离和关联成功，更新此次基于距离和关联的多目标判定的活动目标数目为y‑1，否则判断此次基于距离和关联的多目标判定的活动目标数目为y；其中，T0表示脉冲周期，T1表示y个目标出现所持续的脉冲周期门限，T2表示y个目标出现前后的y‑1个目标持续的脉冲周期门限，g为突变之前的y‑1个目标持续的脉冲周期数，m‑k为突变之后的y‑1个目标持续的脉冲周期数，k‑g为突增的y个目标持续的脉冲周期数，v表示人体目标最大运动速度，|rk+1,j‑rg,i|表示突变发生时的目标i与突变结束时的目标j之间的距离；确定当前假定的目标数目y，当临界区域为突减区域的情况时，满足距离和关联规则：g>T(m-k)>T|rk+1,j-rg,i|(k-g)×T0<v;]]>则表示为距离和关联成功，更新此次基于距离和关联的多目标判定的活动目标数目为y‑1，否则判断此次基于距离和关联的多目标判定的活动目标数目为y；其中，T表示y‑2个目标出现前后的y‑1个目标持续的脉冲周期门限；当出现1次基于距离和关联失败后，则将最终判定活动目标数目yF赋值为y，多目标的判决完成；否则，进行下一次的基于距离和关联的多目标判定；当L次基于距离和关联均关联成功，则将最终判定活动目标数目yF赋值为y‑1；步骤1)获取距离和平面的具体方法为：预处理步骤：穿墙雷达包含一个发射天线、一个接收天线，接收天线采集N个周期的回波信号；经过预处理后形成包含快慢时间信息的二维数据矩阵表示原始距离像平面D(N,M)，其中N为脉冲周期总数，M为距离单元总数；距离和是指，电磁波从发射天线到达目标后再返回接收天线的延时在自由空间的等效距离；检测区域截断步骤：对原始距离像平面D(N,M)进行检测区域截断，保留后墙之前的区域，得到距离像平面BD(N,K)，K表示待检测的房间的后墙之前的距离单元总数；滤波步骤：对距离像平面BD(N,K)进行动目标检测MTI滤波处理得到数据矩阵AS(N‑1,K)；距离和矩阵生成步骤：对数据矩阵AS(N‑1,K)进行降采样得到幅值矩阵CS(N‑1,Kc)并保存幅值矩阵CS(N‑1,Kc)中每个元素对应的距离和，并将矩阵CS(N‑1,Kc)中每个元素对应的距离和替换为元素值，得到距离和矩阵P(N‑1,Kc)；Kc表示降采样后的总列数；自适应门限步骤：对幅值矩阵CS(N‑1,Kc)的每一个脉冲周期归一化后分别以门限G(n)进行检测，高于门限的元素保留原始值，低于门限则置为0，形成幅值矩阵RS(N‑1,Kc)；G(n)=max(1KCΣk=1KCCSn(k)/max(CSn),Nnoise/max(CSn))+Δfactor]]>其中，max表示取最大值，n为行数，n＝1,2,…,N‑1；CSn表示矩阵CS(N‑1,Kc)中的第n行，CSn(k)表示矩阵CS(N‑1,Kc)中的第n行第k列的元素值；Nnoise为噪声基底，△factor为冗余量；峰值点距离和矩阵生成步骤：对幅值矩阵RS(N‑1,Kc)的每一行求极大值，保留极大值所在位置的元素值，其他元素的元素值置为零，得到幅值矩阵WS(N‑1,Kc)，并进行凝聚处理得到幅值矩阵QS(N‑1,Kc)；对幅值矩阵QS(N‑1,Kc)进行二值化处理，将大于零的元素值置为1，再将二值化后的矩阵与对应距离和矩阵P(N‑1,Kc)相乘，得到距离和矩阵NP(N‑1,Kc)；分类处理步骤：对距离和矩阵NP(N‑1,Kc)进行距离和分类处理，依次滑窗，在每个包含M'行数据的窗口内，将相邻行上的元素的元素值之差小于门限值R_classify的关联为同一目标的点迹，将关联为同一目标的元素置于同一列上；当M'行数据的窗口内属于同一目标的元素个数少于N'时，将该目标下的元素值置为0，得到距离和平面EP(N‑1,Kc)。