基于雷达主成分分析的肢体运动分离方法技术

本发明专利技术属于雷达信号处理领域，公开了一种基于雷达主成分分析的肢体运动分离方法，包括：获取单脉冲雷达L×1维的回波信号，将所述回波信号采用长度为K的移动窗进行N次观测，得到N×K维的观测信号矩阵，N为观测次数，K为移动窗长度即采样点数，N远小于K；将所述N×K维的观测信号矩阵作为采样空间协方差矩阵，计算所述采用空间协方差矩阵的特征值，根据所述观测次数N、移动窗长度K以及所述特征值计算所述回波信号的特征维度；利用主成分分析PCA对所述采样空间协方差矩阵进行降维，将所述采样空间协方差矩阵分解为与所述特征维度相同个数的主成分；对多个主成分进行聚类分组，从而对多个主成分进行分离。

【技术实现步骤摘要】

本专利技术涉及雷达信号处理
，尤其涉及一种基于雷达主成分分析(Principle Component Analysis，PCA)的肢体运动分离方法。
技术介绍
人体的雷达回波信号不仅受到人体主体运动的频率调制作用，同时受到晃动的手臂和腿等微运动的影响。人体主体的运动产生多普勒效应，人体各部件的微运动产生微多普勒效应。由于人体独特的运动机理，运动人体的回波信号中包含大量由人体各部件微运动产生的微多普勒信号，并且它们具有明显的时频特征，能够明显的区分开来。不同的微多普勒信号包含不同的运动信息。对于合成孔径雷达(SAR)和逆合成孔径雷达(ISAR)，微多普勒的存在会降低图像的成像质量。然而，可以从微多普勒信号中提取目标的运动参数等一些隐藏的信息，并可能因此改善雷达识别系统。随着对目标特征的精细化描述，微多普勒特征分析在目标识别方面发挥了重要作用。因此，对微多普勒信号的分离技术研究至关重要。P.van，Dorp，and F.C.A.Groen等在“Feature-based human motion parameter estimation with radar”(IET Radar，Sonar，Navigat.，2008，2-2：135-145)中基于特征的方法提出了雷达频谱估计人体移动参数。但是，这个方法是基于Boulic行走模型，并不适用于其它运动模型。没有提到分离技术，只对一些参数进行了估计，且不能确定参数的归属。Y.P.Ding，and J.T.Tang等在“Micro-Doppler trajectory estimation of pedestrians using a continuous-wave radar”(IEEE Trans.Geosci.Remote Sens，2014，52-9：5807-5819)中结合改进的改进函数和CLEAN算法来预测人体微多普勒轨迹。但是计算量巨大，而且确定多项式相位要求没有定量的准则，通常是通过经验来确定的。
技术实现思路
针对上述现有技术的不足，本专利技术的目的在于提供一种基于雷达主成分分析的肢体运动分离方法，适应性地对人体部件运动进行分离，保证了人体部件运动分离的质量。实现本专利技术的技术思路为：首先，使用移动窗将一维的单脉冲雷达回波信号转换为一个二维的多通道信号。其次，根据赤池信息量准则(Akaike Information Criterion，AIC准则)确定PCA输出的最小数量，即主成份(Principle Components，PCs)的数量。然后，基于AIC准则，利用PCA法提取可以表示人体回波主体能量的最优正交基PCs。最后，利用交叉熵矩阵检测PCs的相似度，通过转换为一个非线性约束的优化问题对PCs进行聚类分组，每组代表一个人体部件的回波信号。这样，人体回波就被分离成不同人体部件的回波信号。为达到上述目的，本专利技术的实施例采用如下技术方案：一种基于雷达主成分分析的肢体运动分离方法，所述方法包括如下步骤：步骤1，获取单脉冲雷达L×1维的回波信号，将所述回波信号采用长度为K的移动窗进行N次观测，得到N×K维的观测信号矩阵，N为观测次数，K为移动窗长度即采样点数，N远小于K；步骤2，将所述N×K维的观测信号矩阵作为采样空间协方差矩阵，计算所述采用空间协方差矩阵的特征值，根据所述观测次数N、移动窗长度K以及所述特征值计算所述回波信号的特征维度；步骤3，利用主成分分析PCA对所述采样空间协方差矩阵进行降维，将所述采样空间协方差矩阵分解为与所述特征维度相同个数的主成分；步骤4，对多个主成分进行聚类分组，从而对多个主成分进行分离。本专利技术的有益效果：结合了信息论、数据方法和最优化工具的方法，适应性地对人体部件运动进行分离，很好地保证了人体部件运动分离的质量。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种基于雷达主成分分析的肢体运动分离方法流程示意图；图2为人体运动模型示意图；图3为人体运动模型的仿真结果示意图；图4为19个PCs的时频分布，(a)-(s)分别为1-19个PC的时频谱示意图；图5为PCs的交叉熵矩阵示意图；图6为新分的三个组的时频谱示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。一种基于雷达主成分分析的肢体运动分离方法，参照图1，所述方法包括如下步骤：步骤1，获取单脉冲雷达L×1维的回波信号，将所述回波信号采用长度为K的移动窗进行N次观测，得到N×K维的观测信号矩阵，N为观测次数，K为移动窗长度即采样点数，N远小于K。所述N×K维的观测信号矩阵为X＝[x1，x2，…，xN]T，xi＝[xi1，xi2，…，xiK]是第i个观测信号，i＝1，2，…，N。步骤2，将所述N×K维的观测信号矩阵作为采样空间协方差矩阵，计算所述采用空间协方差矩阵的特征值，根据所述观测次数N、移动窗长度K以及所述特征值计算所述回波信号的特征维度。步骤2中根据所述观测次数N、移动窗长度K以及所述特征值计算所述回波信号的特征维度具体为：特征维度dAIC的表达式为：dAIC＝arg min[Ld+d(2N-d)]其中，采样空间协方差矩阵的特征值按降序排列，λi是采样空间协方差矩阵的第i个特征值，d由1到N进行遍历，当上式取最小值时d的值即为所求的特征维度dAIC。步骤3，利用主成分分析PCA对所述采样空间协方差矩阵进行降维，将所述采样空间协方差矩阵分解为与所述特征维度相同个数的主成分。步骤3具体包括如下子步骤：(3a)所述N×K维的观测信号矩阵为X＝[x1，x2，…，xN]T，xi＝[xi1，xi2，…，xiK]是第i个观测信号，i＝1，2，…，N，估计xi的均值记为μi，则观测信号矩阵X的均值矢量可以写为：μ＝E[X]＝[μ1，μ2，...，μn]T观测信号矩阵X减去均值矢量μ使观测信号矩阵X中心化，得到中心化的矩阵 X ‾ = [ x 1 - μ 1 , x 2 - μ 2 , ... x n - μ n 本文档来自技高网...

【技术保护点】
一种基于雷达主成分分析的肢体运动分离方法，其特征在于，所述方法包括如下步骤：步骤1，获取单脉冲雷达L×1维的回波信号，将所述回波信号采用长度为K的移动窗进行N次观测，得到N×K维的观测信号矩阵，N为观测次数，K为移动窗长度即采样点数，N远小于K；步骤2，将所述N×K维的观测信号矩阵作为采样空间协方差矩阵，计算所述采用空间协方差矩阵的特征值，根据所述观测次数N、移动窗长度K以及所述特征值计算所述回波信号的特征维度；步骤3，利用主成分分析对所述采样空间协方差矩阵进行降维，将所述采样空间协方差矩阵分解为与所述特征维度相同个数的主成分；步骤4，对多个主成分进行聚类分组，从而对多个主成分进行分离。

【技术特征摘要】
1.一种基于雷达主成分分析的肢体运动分离方法，其特征在于，所述方法包括如下步骤：步骤1，获取单脉冲雷达L×1维的回波信号，将所述回波信号采用长度为K的移动窗进行N次观测，得到N×K维的观测信号矩阵，N为观测次数，K为移动窗长度即采样点数，N远小于K；步骤2，将所述N×K维的观测信号矩阵作为采样空间协方差矩阵，计算所述采用空间协方差矩阵的特征值，根据所述观测次数N、移动窗长度K以及所述特征值计算所述回波信号的特征维度；步骤3，利用主成分分析对所述采样空间协方差矩阵进行降维，将所述采样空间协方差矩阵分解为与所述特征维度相同个数的主成分；步骤4，对多个主成分进行聚类分组，从而对多个主成分进行分离。2.根据权利要求1所述的一种基于雷达主成分分析的肢体运动分离方法，其特征在于，步骤1具体为：所述N×K维的观测信号矩阵为X＝[x1,x2,…,xN]T，xi＝[xi1,xi2,…,xiK]是第i个观测信号，i＝1,2，…，N。3.根据权利要求1所述的一种基于雷达主成分分析的肢体运动分离方法，其特征在于，步骤2中根据所述观测次数N、移动窗长度K以及所述特征值计算所述回波信号的特征维度具体为：特征维度dAIC的表达式为：dAIC＝argmin[Ld+d(2N-d)]其中，采样空间协方差矩阵的特征值按降序排列，λi是采样空间协方差矩阵的第i个特征值，d由1到N进行遍历，当上式取最小值时d的值即为所求的特征维度dAIC。4.根据权利要求1所述的一种基于雷达主成分分析的肢体运动分离方法，其特征在于，步骤3具体包括如下子步骤：(3a)所述N×K维的观测信号矩阵为X＝[x1,x2,…,xN]T，xi＝[xi1,xi2,…,xiK]是第i个观测信号，i＝1,2，…，N，估计xi的均值记为μi，则观测信号矩阵X的均值矢量可以写为：μ＝E[X]＝[μ1,μ2,…,μn]T观测信号矩阵X减去均值矢量μ使观测信号矩阵X中心化，得到中心化的矩阵 X ‾ = [ x 1 - μ 1 , x 2 - μ 2 , ... x n - μ n ] T ]]>(3b)计算中心化的矩阵的协方差矩阵S，对所述协方差矩阵S进行奇异值分解后表示为：S＝UΛV其中，U是N×N阶酉矩阵，Λ是由协方差矩阵S的奇异值构成的N×K阶矩阵，V是K×K阶酉矩阵，Λ中S的奇异值按降序排列；(3c)根据所述回波信号的特征维度dAIC，提取第一个dAIC维特征值，即将U...

【专利技术属性】
技术研发人员：周峰，粟华林，石晓然，陶明亮，张子敬，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61