2025《不同种类目标的维多普勒数据提取与分类分析案例概述》2100字.docxVIP

不同种类目标的维多普勒数据提取与分类分析案例概述

目录

TOC\o1-3\h\u24529不同种类目标的维多普勒数据提取与分类分析案例概述 1

91561.1雷达信号处理系统及平台介绍 1

241991.1.1毫米波雷达信号处理流程 1

294041.1.2开发平台和相关的参数设置 3

78581.1.3外场的测试环境 4

319011.2基于实测数据的目标提取 5

109481.3基于实测数据的目标分类 7

我们主要通过FMCW毫米波雷达在不同场景中对于现实环境中数据的采集，从而得到目标的相关多普勒特性，与此同时，对不同种类目标的维多普勒数据进行分类。

1.1雷达信号处理系统及平台介绍

1.1.1毫米波雷达信号处理流程

我们利用FMCW雷达在户外场景采集行人，树木，车辆等不同种类目标的相关数据,并且将采集的原始数据经过一定的预处理之后上传到软件MATLAB中进行微多普勒特征的提取和目标相关的识别，其流程图如下图所示。

图1.1毫米波雷达信号处理流程

第一步是射频处理，，我们利用混频器，将雷达所接收到的相关信号变到零中频，，假设我们发射一个周期的FMCW的相关信号，其如下图所示：

图1.2射频处理的示意图

发射信号如下图所示：

图1.3发射信号周期图

其中，T表示一个信号周期，B为信号的相关带宽，Tx为发射的天线信号，Rx为接收的天线信号Sτ为混频后得到的单频信号的频率，借此反映目标的位置，提供相关的多普勒信息。

其次，将射频得到的IF信号通过AD采样得到原始数据矩阵Φ∈RM×N

第一步：提取原始矩阵的前nw

第二步：第二行开始提取nw

第三步:以此类推，一共得到N?nw

通过上述方法缩短相邻的FFT的时间间隔，也能够平滑得到的微多普勒特征。

据此，我们得到了单目标距离维的相关仿真图如下所示：

图1.4一维FFT的距离维矩阵

同时，对于N?nw

图1.5行人微多普勒矩阵

1.1.2开发平台和相关的参数设置

毫米波雷达结合信号处理的相关流程，PS和PL的组合方式如下图所示：

图1.6PS和PL处理分配图

PL采用8路的信号对于外部的输入信号进行采集和预处理的相关工作，借此缩短了信号处理的时间，将包含大量逻辑运算的后续算法处理的相关工作，直接交给PS部分。

本次论文采用的毫米波雷达外观如图所示[1]：

图1.7毫米波雷达照片

1.1.3外场的测试环境

为了避免一些不正确的数据采集和相关的环境因素的干扰等其他情况，我们选取较为空旷的环境进行相关的测试：

雷达通过将目标的原始数据上传到上位机，再按照上文的流程图所在的步骤进行微多普勒的相关的特征提取。

1.2基于实测数据的目标提取

1.2.1数据去噪处理

为了减少数据的误差率，并且能够更好地从上述的相关结果中提取特征参数，我们需要对于微多普勒的矩阵进行降噪处理，首先设置一个噪声的门限，其次，得到噪声强度的统计图：

图1.10微多普勒矩阵统计直方图

由上图可以知道，我们将图中的噪声门限定义为50dBm，对于上述的多普勒进行噪声抑制：

图1.11降噪后的微多普勒矩阵

1.2.2提取微多普勒的特征

当所存储提取的数据较为复杂和庞大的时候，这会对于内部结构的分类器的数据分类造成比较大的负担，故，我们选取了一下的几个特征来降低运算量，便于后续的操作，分别是：躯干多普勒频率、多普勒信号能量的偏移差、整体多普勒偏移、整体微多普勒信号带宽和肢体的运动周期。

行人均匀走路的多普勒矩阵图如下图所示：

1.12人匀速走的微多普勒矩阵图

经过平滑处理得到微多普勒的时频曲线：

1.13行人均匀走多普勒时频曲线

躯干多普勒频率求解方式如下：

fT=argmax(φ

整体微多普勒带宽求解方式如下：

BW=maxf

整体微多普勒带宽求解方式如下：

offset=||maxf

多普勒信号能量差的公式如下：

STD=(

肢体的运动周期的计算方法是通过对于微多普勒频率fM

1.3基于实测数据的目标分类

1.3.1典型目标的微多普勒特征

a匀速行走的行人b奔跑的行人

c车辆d晃动的树木

1.15不同目标的微多普勒图

由上图可以显而易见地看出，不同种的目标他们的微多普勒特征是有明显的区别的，比如，行人的运动是具有周期性的，奔跑和匀速行人，其频率差别明显，车辆目标的多普勒频谱是一条直线，树木的频谱没有规律且能量较为分散。

提取微多普勒特征如下表：

表1.1不同目标的微多普勒特征

特征1

特征2

特征3

特征4

特征5

匀速走行人

50

24

12

0.0835

6

奔跑行人

21

18

4

0.4549

11

车辆

11