CN113567974B - 基于cppwm雷达的多生命体智能检测装置及方法 - Google Patents
基于cppwm雷达的多生命体智能检测装置及方法 Download PDFInfo
- Publication number
- CN113567974B CN113567974B CN202110694306.1A CN202110694306A CN113567974B CN 113567974 B CN113567974 B CN 113567974B CN 202110694306 A CN202110694306 A CN 202110694306A CN 113567974 B CN113567974 B CN 113567974B
- Authority
- CN
- China
- Prior art keywords
- cppwm
- signal
- life
- data
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims description 58
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000013507 mapping Methods 0.000 claims description 24
- 230000003068 static effect Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 11
- 230000002093 peripheral effect Effects 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 7
- 241001465754 Metazoa Species 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008685 targeting Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000003139 buffering effect Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000000241 respiratory effect Effects 0.000 description 4
- 230000036391 respiratory frequency Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000036387 respiratory rate Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/08—Systems for measuring distance only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Remote Sensing (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于灾害检测领域，公开了一种基于CPPWM‑MIMO雷达的多生命体智能检测装置及方法,装置包括CPPWM信号发生器、多个功率放大器、阵列天线、多个低噪放大器、多通道高速混合采样器和数据处理***；阵列天线包括多个发射天线和多个接收天线，CPPWM信号发生器同时产生正交的多路CPPWM探测信号和与之对应的多路CPPWM参考信号；每个CPPWM探测信号分别经功率放大器与发射天线连接，每个接收天线的输出端分别经低噪放大器与多通道高速混合采样器连接；每个CPPWM参考信号分别与多通道高速混合采样器连接；多通道高速混合采样器与数据处理模块连接，数据处理***用于计算分析，得到生命体检测结果。本发明具有不受环境温度、噪音、现场可见度和外界电磁干扰影响等优点。
Description
技术领域
本发明属于灾害检测领域，具体涉及一种基于CPPWM-MIMO雷达的多生命体智能检测装置及方法。
背景技术
生命探测雷达主动发射电磁波穿透障碍物，通过接收和分析被困人员反射的回波，识别呼吸等生命信号，从而判断废墟下是否掩埋有幸存者。相比于传统的基于红外线、音频、声波和光学成像的生命探测仪(传感器与微***,Vol.30,p.8-10,2011)，生命探测雷达具有不受环境温度、噪音和现场可见度影响等明显优势。
现有的生命探测雷达主要包括连续波多普勒雷达(IEEE Trans.Microw.TheoryTechn.,Vol.61,p.2046-2060,2013)、线性调频连续波雷达(IEEE Trans.Microw.TheoryTechn.,Vol.62,p.1387-1399,2014)、步进频率连续波雷达(IEEE J.Sel.TopicsAppl.Earth Observ.,Vol.7,p.775-782,2014)、脉冲超宽带雷达(IEEETrans.Geosci.Remote Sens.,Vol.52,p.7195-7204,2014)以及伪随机码超宽带雷达(IEICE Electron.Expr.,Vol.11,p.1-7,2014)。连续波多普勒雷达发射单频连续波作为探测信号，通过解调人体目标引起的回波相移/频移获得呼吸、心跳等生命信号，但其无法精确定位人体目标。其余雷达则是在获取人体目标一维距离的基础上，进一步通过测量距离随观测时间的变化规律来获得呼吸信号。现有生命探测雷达多采用单发单收结构，其存在以下缺陷：1.只能逐点搜寻，耗时长且探测效率低，延误搜救时间；2.只能获得人体目标的呼吸信号和一维距离向信息，无法得到其方位向信息，导致废墟下如果掩埋多个呼吸频率和埋藏深度相近的人体，生命探测雷达无法准确区分和识别。
此外，现有生命检测算法采用多种杂波抑制和噪声分离算法的组合，对各类杂波和噪声进行逐层抑制或消除，以期望得到“干净”的生命信号。例如：经验模态分解(EMD)(科技导报,Vol.32,p.36-42,2014)、集成经验模态分解(EEMD)(Sensors,Vol.16,2016)以及多重高阶累计量(IEEE Trans.Geosci.Remote Sens.,Vol.50,p.1254-1265,2011)被用于抑制噪声干扰。基于线性最小二乘拟合(IEEE Trans.Geosci.Remote Sens.,Vol.48,p.2005-2014,2009)的线性趋势去除法(LTS)(IEEE Trans.Geosci.Remote Sens.,Vol.50,p.3132-3142,2012)被用于去除静态杂波和线性趋势。奇异值分解(SVD)(Digit.Signal Process.,Vol.74,p.72-93,2018)被用于去除静态杂波。然而，生命检测算法包含的杂波抑制/去噪算法越多，算法内部的控制参量也越多，不仅加大了自适应调节的难度，也增加了处理时间，降低了算法的鲁棒性和实时性。
发明内容
本发明为解决现有生命探测雷达在灾后低信噪杂比环境中搜寻多生命体时存在的虚警率和漏警率高的问题，提出了一种基于CPPWM-MIMO雷达的多生命体智能检测装置及方法。
为了解决上述技术问题，本发明采用的技术方案为：一种基于CPPWM-MIMO雷达的多生命体智能检测装置，包括CPPWM信号发生器、多个功率放大器、Vivaldi线性稀疏阵列天线、多个低噪放大器、多通道高速混合采样器和数据处理***；
所述CPPWM信号发生器通过设置不同的Logistic映射单元和Tent映射单元的初值，同时产生正交的多路CPPWM探测信号和与之一一对应的多路CPPWM参考信号；每个CPPWM探测信号分别连接一个功率放大器的信号输入端，每个CPPWM参考信号分别与多通道高速混合采样器的一个信号输入端相连接；
所述Vivaldi线性稀疏阵列天线包括位于中间多个发射天线和位于两侧的多个接收天线，每个发射天线分别连接一个功率放大器的信号输出端，每个接收天线的输出端分别与一个低噪放大器的信号输入端相连接；每个低噪放大器的信号输出端与所述多通道高速混合采样器的信号输入端连接；
所述多通道高速混合采样器的信号输出端与所述数据处理***连接，所述数据处理***用于计算分析，得到生命体检测结果。
所述功率放大器和低噪放大器的数量为个，所述Vivaldi线性稀疏阵列天线包括位于中间的六个发射天线和位于两侧的各三个接收天线；
所述数据处理***包括多核中央处理器、数据处理模块和结果显示模块；
所述数据处理模块用于计算参考和回波数据；
所述结果显示模块用于显示多生命体检测结果；
所述多核中央处理器用于控制数据处理模块和结果显示模块的正常运行。
所述发射天线和接收天线均为改进型Vivaldi天线，所述改进型Vivaldi天线是指在Vivaldi天线的馈线末端对应的辐射臂上设置互补开口谐振环，在辐射贴片两侧加载多条长度不同的Y形缝隙。
所述CPPWM信号发生器包括：
Logistic映射器、第一计数器、第二计数器、Tent映射器、第一比较器、第二比较器、脉冲发生器和信号储存输出模块；
所述Logistic映射器的输出为Xn+1＝4(1-Xn)Xn，其中，X表示Logistic映射函数的初值，Xn表示Logistic映射函数经第n次循环计算后的输出值；第一计数器和Logistic映射器的输出端与第一比较器连接，Tent映射器的输出为Yn+1＝1.99(0.5-|Yn-0.5|)，其中，Y表示Tent映射函数的初值，Yn表示Tent映射函数经第n次循环计算后的输出值；第二计数器和Tent映射器的输出端与第二比较器连接，第一比较器和第二比较器的输出端与脉冲发生器的输入端连接，分别用于触发脉冲发生器持续输出高电平信号和低电平信号，脉冲发生器输出的高电平信号用于使能控制Tent映射器和第二计数器开始工作，还用于控制Logistic映射器和第一计数器停止工作，并复位第一计数器；脉冲发生器输出的低电平信号，用于使能控制Tent映射器和第二计数器停止工作，并复位第二计数器，还用于使能控制Logistic映射和第一计数器开始工作并更新进入下一状态；脉冲发生器输出的电平信号经信号储存输出模块存储和输出。
所述信号储存输出模块包括：串行化器、寄存器、逻辑比较器、写地址计数器、静态随机存取存储器、静态随机存取存储控制器、读地址计数器、串行收发复位控制器、串行收发器、差分输出模块；
所述串行化器用于将脉冲发生器输出的低速串行信号转化为并行数据后，传输至寄存器中缓存，逻辑比较器用于对寄存器中的数据按照写入顺序进行提取和逻辑选择后发送至静态随机存取存储控制器，还用于产生一个脉冲时钟信号发送静态随机存取存储控制器和写地址计数器；写地址计数器产生的写地址数据与逻辑比较器发送的脉冲时钟信号和数据配合，使静态随机存取存储控制器将数据写入到静态随机存取存储器中；
串行收发复位控制器用于解除串行收发器复位状态，串行收发器()用于产生反馈时钟，并发送至读地址计数器以及静态随机存取存储控制器，读地址计数器产生的读地址数据与串行收发器发送的反馈时钟配合，使静态随机存取存储控制器将静态随机存取存储器中的数据读出，并写入到串行收发器中，最终串行收发器将数据解串化，并通过差分输出模块输出CPPWM信号。
所述多通道高速混合采样器包括现场可编程门阵列和多个数据通道，每个数据通道包括串行外设接口、可编程延时芯片和模数转换器；所述现场可编程门阵列用于通过串行外设接口控制可编程延时芯片，对模数转换器的工作时钟进行延时。
本发明还提供了一种基于CPPWM-MIMO雷达的多生命体智能检测方法，基于所述的一种装置实现，包括以下步骤：
S1、混沌相关滤波和测距：对各个CPPWM回波信号和各个CPPWM参考信号分别进行两两互相关计算得到各个互相关曲线，进行匹配滤波和测距计算；
S2、对互相关曲线进行处理得到生命体信息，同时根据混沌相关滤波和测距计算结果计算判断生命体是否为人类；
得到生命体信息的具体步骤为：
S21、基于多尺度加权的快速BP算法对互相关曲线进行成像；
S22、基于因子组稀疏正则化的快速鲁棒主成分分析抑制图像中的伪影；
S23、对于图像中的多个生命体进行二维空间定位和数量检测；
计算判断生命体是否为人类的具体步骤包括：
S31、对混沌相关滤波和测距结果在慢时域进行累积得到原始慢时域-距离矩阵R，再对R进行预处理；
S32、基于CenterNet生命检测网络智能提取多生命体特征矩阵；
S33、对多生命体特征矩阵进行快速傅里叶变换，再对傅里叶变换后的生命体特征矩阵进行小波熵分析，基于小波熵判断生命体是人还是动物。
所述步骤S21的具体方法为：先对整个探测区域进行大尺寸网格划分，经过BP算法处理得到低分辨率图像，再利用滑动窗口能量检测方法寻找能量极大值，从低分辨率图像中提取潜在生命区域，再对此区域进行小尺寸网格划分，经过BP算法处理得到高分辨率图像，其余区域仍为低分辨率图像；迭代2～3次，直至潜在生命区域图像达到分辨率要求，最终得到高分辨率图像和低分辨率图像的加权叠加的图像矩阵W，加权因子通过计算每个焦点在时延曲线上的散射数据的均值和标准差比值来确定；
所述步骤S22的具体方法为：利用增广拉格朗日乘子法去约束条件，再使用交替方向乘子法求解方程，得到低秩的伪影L和稀疏的生命体S,实现伪影抑制，所述方程为：
min||A||2,1+α||BT||2,1+λ||S||1 s.t.W＝AB+S；
式中,||·||F表示f范数，α表示权重参数，λ表示正则化参数，A和B代表分解出的杂波矩阵，S代表目标矩阵，aj表示矩阵A中第j个列向量；
所述步骤S23中，伪影抑制后的成像图像上，像素点的数目表示生命体的数量，像素点在成像结果图中的坐标表示生命体的二维空间位置。
所述步骤S31中，对时域-距离矩阵R进行预处理的具体方法为：
首先利用线性趋势去除法消除静态杂波和线性趋势干扰，处理过程如下式所示：
式中，x＝[m/M 1M]，m＝[0,1,···,M-1]T，1M是含单位值的M×1矢量，表示经过线性趋势去除法之后得到的信号矩阵；
再利用自动增益控制进行弱生命信号增强，信号增强过程为：对于信号矩阵通过计算/>在给定大小ω的时间窗内的信号功率来调整增益，其中，k和m分别表示矩阵的行数和列数，k＝0,1,……,Nk，m＝0,1,……,Mm，Nk与Mm表示快时域和慢时域采样点，并与预先确定的最大增益gMAX进行比较，计算公式为：
式中，i＝0,1,……,N-ω，g[i,m]为基于信号功率的增益，gnorm[i,m]是对所有增益按最小增益进行归一化后的表示，gmask[i,m]为增益掩膜，利用增益掩膜对进行加权调整；gmin(m)表示对应于每个m值，所有i的最小增益，gnorm[i,m]＝g[i,m]/gmin(m)即对所有增益进行归一化表示，最后进行灰度处理并输出灰度图；
所述步骤S32的具体方法为：
筛除不存在生命体的灰度图形成数据集，进行生命体标签标注，得到生命特征数据集用于网络训练和测试；
将训练集数据的灰度矩阵输入改进型DLA-34特征提取网络中，分别进行目标的中心点、中心点偏移量和尺寸的训练，得到表示生命体特征矩阵的目标边界框；
其中，目标中心点训练的方法为：对于每个生命体特征框的中心点P，其中p∈R2，先计算一个低分辨率的中心点等价值R为输出步进幅度，再使用高斯核将每个生命体特征框的中心点映射到热力图/>中，W和H分别表示图像的宽度和高度，表示该点为中心点，/>表示该点为背景，然后使用Focal Loss损失函数进行像素级的逻辑回归，Focal Loss损失函数的表达式为：
式中，α和β分别表示损失函数的超参数，N为图像中的中心点数；Yxyz表示高斯核，其表达式为：
式中，σp表示目标大小自适应标准偏差，和/>分别表示中心点P的横纵坐标，x和y分别表示随机计算点的横纵坐标；
目标中心点偏移量训练的方法为：每个中心点的局部偏移量为使用L1损失函数进行所有对象中心点偏移量训练；L1损失函数的表达式为：
式中，为局部偏移量，p表示中心点位置坐标；
目标尺寸训练的方法为：令为目标k的边界框，则中心位置为xi和yi分别为整数坐标，且回归每个对象k的大小为使用Smooth L1损失函数进行目标尺寸训练；目标使用单一的尺寸预测结果/>在进行目标检测时，令/>为检测到n个中心点集合，通过提取热力图上100个峰值点来获取边界框，若峰值点大于它的8个邻域点则保留；
得到表示生命体特征矩阵的目标边界框为：
式中，为预测的中心点位置，/>为预测的中心点偏移量，为预测的目标宽度和高度，宽度可以直接取慢时域观测长度；
最后，对单次测量得到的多张慢时域-距离图进行多生命体特征矩阵提取，进行综合分析和判断后产生最终的生命体特征矩阵；
所述步骤S33的具体方法为：
先对生命体特征矩阵进行快速傅里叶变换；再对快速傅里叶变换后的生命体特征矩阵进行小波熵计算，计算公式为：
式中，表示j尺度下信号i的相对能量，/>表示小波熵的时间行为，HWT表示平均小波熵，NT表示在时间窗i中包含的分辨率T处的小波系数；
然后计算相应的小波熵标准差SWT，计算公式为：
最后根据小波熵和小波熵标准差判断是否为人体。
本发明与现有技术相比具有以下有益效果：
一、本发明发射宽带正交CPPWM信号作为MIMO雷达探测信号，基于距离向和方位向的高分辨率成像实现多生命体的无模糊定位和数量检测，基于CPPWM信号良好的自相关性实现抗电磁干扰测量；
二、本发明将CenterNet生命检测网络用于生命特征矩阵的智能提取，增强了生命检测方法的鲁棒性；
三、本发明可在灾后低信噪杂比的搜救环境中，高效、准确、智能探测多生命体的数量、位置、类型和呼吸频率，解决现有生命探测雷达在灾后搜救中存在的虚警率和漏警率高的问题。
综上所述，本发明可实现灾后低信噪杂比的搜救环境中对多生命体的数量、位置、类型和呼吸频率的高效、准确、智能探测，还具有不受环境温度、噪音、现场可见度和外界电磁干扰影响等优点。
附图说明
图1是本发明实施例提供的一种基于CPPWM-MIMO雷达的多生命体智能检测装置的结构示意图；
图2是本发明实施例中CPPWM信号发生器的结构示意图；
图3是本发明实施例中改进型Vivaldi天线的结构示意图；
图4是本发明实施例中多通道高速混合采样器的结构示意图；
图5是本发明实施例提供的一种基于CPPWM-MIMO雷达的多生命体智能检测方法的算法流程图。
图中：1：CPPWM信号发生器；2功率放大器；3：Vivaldi线性稀疏阵列天线；4：低噪放大器；5：多通道高速混合采样器；6：多核中央处理器；7：数据处理模块；8：结果显示模块；9：Logistic映射单元；10：第1计数器；11：第2计数器；12：Tent映射单元；13：第1比较器；14：第2比较器；15：脉冲发生器；16：串行化器；17：寄存器；18：逻辑比较器；19：写地址计数器；20：静态随机存取存储器；21：静态随机存取存储控制器；22：读地址计数器；23：串行收发复位控制器；24：串行收发器；25：差分输出模块；26：串行收发动态重配置控制器；27：现场可编程门阵列；28：串行外设接口；29：可编程延时芯片；30：模数转换器；31：发射天线；32：接收天线；33：辐射臂；34：互补开口谐振环；35：辐射贴片；36：Y形缝隙；37：模数转换器的工作时钟。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，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，都属于本发明保护的范围。
实施例一
如图1所示，本发明实施例一提供一种基于CPPWM-MIMO雷达的多生命体智能检测装置，其特征在于，包括CPPWM信号发生器1、多个功率放大器2、Vivaldi线性稀疏阵列天线3、多个低噪放大器4、多通道高速混合采样器5和数据处理***；所述CPPWM信号发生器1通过设置不同的Logistic映射单元和Tent映射单元的初值，同时产生正交的多路CPPWM探测信号和与之一一对应的多路CPPWM参考信号。正交的多路CPPWM信号互不干扰，互不影响。每个CPPWM探测信号分别连接一个功率放大器2的信号输入端，每个CPPWM参考信号分别与多通道高速混合采样器5的一个信号输入端相连接；所述阵列天线3包括位于中间多个发射天线31和位于两侧的多个接收天线32，每个发射天线31分别连接一个功率放大器2的信号输出端，每个接收天线32的输出端分别与一个低噪放大器4的信号输入端相连接；每个低噪放大器4的信号输出端与所述多通道高速混合采样器5的信号输入端连接；所述多通道高速混合采样器5的信号输出端与所述数据处理***连接，通过数据处理***计算分析得到生命体检测结果。
具体地，如图1所示，本实施例中，所述功率放大器2和低噪放大器4的数量为六个，所述Vivaldi线性稀疏阵列天线3包括位于中间的六个发射天线31和位于两侧的各三个接收天线32。
具体地，本实施例中，所述数据处理***包括多核中央处理器6、数据处理模块7和结果显示模块8；所述数据处理模块7用于计算参考和回波数据，然后将结果返回到多核中央处理器6并在结果显示模块8中显示多生命体检测结果。所述结果显示模块8用于显示多生命体检测结果；所述多核中央处理器6用于控制数据处理模块7和结果显示模块8的正常运行。
具体地，本实施例中，所述发射天线31和接收天线32均为改进型Vivaldi天线，如图3所示，所述改进型Vivaldi天线是指在Vivaldi天线的馈线末端对应的辐射臂33上设置互补开口谐振环34，在辐射贴片35两侧加载多条长度不同的Y形缝隙36。
进一步地，如图2所示，本实施例中，所述CPPWM信号发生器1包括：Logistic映射器9、第一计数器10、第二计数器11、Tent映射器12、第一比较器13、第二比较器14、脉冲发生器15和信号储存输出模块。
其中，所述Logistic映射器9的输出为Xn+1＝4(1-Xn)Xn，其中，X0表示Logistic映射函数的初值，Xn表示Logistic映射函数经第n次循环计算后的输出值。第一计数器5和Logistic映射器9的输出端与第一比较器13连接，Tent映射器12的输出为Yn+1＝1.99(0.5-|Yn-0.5|)，其中，Y0表示Tent映射函数的初值，Yn表示Tent映射函数经第n次循环计算后的输出值；第二计数器11和Tent映射器12的输出端与第二比较器14连接，第一比较器13和第二比较器14的输出端与脉冲发生器15的输入端连接，分别用于触发脉冲发生器15持续输出高电平信号和低电平信号，脉冲发生器15输出的高电平信号用于使能控制Tent映射器12和第二计数器11开始工作，还用于控制Logistic映射器9和第一计数器10停止工作，并复位第一计数器10；脉冲发生器15输出的低电平信号，用于使能控制Tent映射器12和第二计数器11停止工作，并复位第二计数器11，还用于使能控制Logistic映射9和第一计数器10开始工作并更新进入下一状态；脉冲发生器15输出的电平信号经信号储存输出模块存储和输出。
进一步地，如图2所示，所述信号储存输出模块包括：串行化器16、寄存器17、逻辑比较器18、写地址计数器19、静态随机存取存储器20、静态随机存取存储控制器21、读地址计数器22、串行收发复位控制器23、串行收发器24、差分输出模块25。
所述串行化器16用于将脉冲发生器15输出的低速串行信号转化为并行数据后，传输至寄存器17中缓存，逻辑比较器18用于对寄存器17中的数据按照写入顺序进行提取和逻辑选择后发送至静态随机存取存储控制器21，还用于产生一个脉冲时钟信号发送静态随机存取存储控制器21和写地址计数器19；写地址计数器19产生的写地址数据与逻辑比较器18发送的脉冲时钟信号和数据配合，使静态随机存取存储控制器21将数据写入到静态随机存取存储器20中。
串行收发复位控制器23用于解除串行收发器24复位状态，串行收发器24用于产生反馈时钟，并发送至读地址计数器22以及静态随机存取存储控制器21，读地址计数器22产生的读地址数据与串行收发器24发送的反馈时钟配合，使静态随机存取存储控制器21将静态随机存取存储器20中的数据读出，并写入到串行收发器24中，最终串行收发器24将数据解串化，并通过差分输出模块25输出CPPWM信号。
进一步地，如图4所示，所述多通道高速混合采样器5包括现场可编程门阵列27和多个数据通道，每个数据通道包括串行外设接口28、可编程延时芯片29和模数转换器30；所述现场可编程门阵列27用于通过串行外设接口28控制可编程延时芯片29，对模数转换器30的工作时钟37进行延时。
实施例二
如图5所示，本发明实施例二提供了一种基于CPPWM-MIMO雷达的多生命体智能检测方法，基于图1所示的一种装置实现，包括以下步骤：
S1、混沌相关滤波和测距：对各个CPPWM回波信号和各个CPPWM参考信号分别进行两两互相关计算得到各个互相关曲线，进行匹配滤波和测距计算。
以所述Vivaldi线性稀疏阵列天线3包括位于中间的六个发射天线31和位于两侧的各三个接收天线32为例，对6路CPPWM回波信号和6路CPPWM参考信号进行两两互相关计算得到36(6×6)道互相关曲线，实现匹配滤波和距离估计。
S2、对互相关曲线进行处理得到生命体信息，同时根据混沌相关滤波和测距计算结果计算判断生命体是否为人类。
其中，得到生命体信息的具体步骤为：
S21、基于多尺度加权的快速BP算法对互相关曲线进行成像。
所述步骤S21的具体方法为：先对整个探测区域进行大尺寸网格划分，经过BP算法处理得到低分辨率图像，再利用滑动窗口能量检测方法寻找能量极大值，从低分辨率图像中提取潜在生命区域，再对此区域进行小尺寸网格划分，经过BP算法处理得到高分辨率图像，其余区域仍为低分辨率图像；迭代2～3次，直至潜在生命区域图像达到分辨率要求，最终得到高分辨率图像和低分辨率图像的加权叠加的图像矩阵W，加权因子通过计算每个焦点在时延曲线上的散射数据的均值和标准差比值来确定。这里的迭代是指划分网格尺寸的迭代。网格尺寸越小分辨率越高，当离散的网格尺寸满足成像分辨率要求时，迭代停止。
S22、基于因子组稀疏正则化的快速鲁棒主成分分析(RPCA)抑制图像中的伪影。
W建模为：W＝L+S，式中，L表示低秩的伪影，S表示稀疏的生命体；L分解为A＝[a1,a2,···,ad]∈Rm×k，B＝[b1,b2,···,bd]∈Rk×n，且rank(L)≤k≤min(m,n)，aj和bj为列向量；设为L的p次幂的sp范数，如下式所示：
式中，σi是L的第i个最大奇异值；当p＝1时，当p＝0时，当0＜p＜1时，p取值越小越近似秩，可取1/2；根据因子组稀疏正则化，式(1)可以表示为如下形式：
式中，||·||F表示f范数；求解下式可以得到L和S：
min||A||2,1+α||BT||2,1+λ||S||1 s.t.W＝AB+S； (3)
利用增广拉格朗日乘子法去约束条件，再使用交替方向乘子法求解上述问题，实现伪影抑制。
S23、对于图像中的多个生命体进行二维空间定位和数量检测。
经过步骤S21至S23处理得到的成像结果图上存在若干像素点，像素点的数目表示生命体的数量，像素点在成像结果图中的坐标表示生命体的二维空间位置。
其中，计算判断生命体是否为人类的具体步骤包括：
S31、对混沌相关滤波和测距结果在慢时域进行累积得到原始慢时域-距离矩阵R，再对R进行预处理。
所述步骤S31中，对慢时域-距离矩阵R进行预处理的具体方法为：
首先利用线性趋势去除法消除静态杂波和线性趋势干扰，处理过程如下式所示：
式中，x＝[m/M 1M]，m＝[0,1,···,M-1]T，1M是含单位值的M×1矢量，表示经过线性趋势去除法之后得到的信号矩阵；
再利用自动增益控制进行弱生命信号增强，信号增强过程为：对于信号矩阵通过计算/>在给定大小ω的时间窗内的信号功率来调整增益，其中，k和m分别表示矩阵的行数和列数，k＝0,1,……,Nk，m＝0,1,……,Mm，Nk与Mm表示快时域和慢时域采样点，并与预先确定的最大增益gMAX进行比较，计算公式为：
式中，i表示某一行，i＝0,1,……,N-ω，g[i,m]为基于信号功率的增益，gnorm[i,m]是对所有增益按最小增益进行归一化后的表示，gmask[i,m]为增益掩膜，利用增益掩膜对进行加权调整；gmin(m)表示对应于每个m列，所有行数i的最小增益，gnorm[i,m]＝g[i,m]/gmin(m)即对所有增益进行归一化表示。最后进行灰度处理并输出灰度图。
S32、基于CenterNet生命检测网络智能提取多生命体特征矩阵。
所述步骤S32的具体方法为：
筛除不存在生命体的灰度图形成数据集，进行生命体标签标注，得到生命特征数据集用于网络训练和测试；
将训练集数据的灰度矩阵输入改进型DLA-34特征提取网络中，分别进行目标的中心点、中心点偏移量和尺寸的训练，得到表示生命体特征矩阵的目标边界框；
其中，目标中心点训练的方法为：对于每个生命体特征框的中心点P，其在每一个分辨率下的中心点值p∈R2，先计算一个低分辨率的中心点等价值R为输出步进幅度，再使用高斯核将每个生命体特征框的中心点映射到热力图/>中，其中，中，W和H分别表示图像的宽度和高度，/>表示该点为中心点，/>表示该点为背景，然后使用Focal Loss损失函数进行像素级的逻辑回归，Focal Loss损失函数的表达式为：
式中，α和β分别表示损失函数的超参数，N为图像中的中心点数，选择N进行归一化。高斯核的表达式为：
式中，σp表示目标大小自适应标准偏差，和/>分别表示中心点P的横纵坐标，x和y分别表示随机计算点的横纵坐标。
目标中心点偏移量训练的方法为：每个中心点的局部偏移量为使用L1损失函数进行所有对象中心点偏移量训练；L1损失函数的表达式为：
式中，为局部偏移量，p表示中心点位置坐标。目标尺寸训练的方法为：令为目标k的边界框，则中心位置为/>xi和yi分别为整数坐标。且回归每个对象k的大小为/>使用Smooth L1损失函数进行目标尺寸训练；目标使用单一的尺寸预测结果/>在进行目标检测时，令/>为检测到n个中心点集合，通过提取热力图上100个峰值点来获取边界框，若峰值点大于它的8个邻域点则保留；/>
得到表示生命体特征矩阵的目标边界框为：
式中，为预测的中心点位置，/>为预测的中心点偏移量，为预测的目标宽度和高度，宽度可以直接取慢时域观测长度。对单次测量得到的36(6×6)张慢时域-距离图进行多生命体特征矩阵提取，进行综合分析和判断后产生最终的生命体特征矩阵。若某一生命体特征矩阵存在于过半数的慢时域-距离图中，则判断该生命体特征存在；反之，则不存在。
最后，对单次测量得到的多张慢时域-距离图进行多生命体特征矩阵提取，进行综合分析和判断后产生最终的生命体特征矩阵。
S33、对多生命体特征矩阵进行快速傅里叶变换(FFT)，峰值位置表示呼吸频率，再对快速傅里叶变换后的生命体特征矩阵进行小波熵分析，基于小波熵判断生命体是人还是动物。
对多生命特征矩阵进行快速傅里叶变换FFT之后，即可得到横坐标表示呼吸频率，纵坐标表示呼吸幅度大小的二维曲线图，二维曲线图中的尖峰的峰值位置对应的横坐标即表示呼吸频率大小。获取呼吸频率即可判断目标为生命体，后面通过计算生命体特征矩阵的小波熵进一步区分生命体是人还是动物，因为人和动物的小波熵有区别，人的小波熵的范围大于动物的小波熵范围。
所述步骤S33的具体方法为：
先对生命体特征矩阵进行快速傅里叶变换；再对快速傅里叶变换后的生命体特征矩阵进行小波熵分析，计算时间窗i内j尺度下小波变换后呼吸信号的能量求得各尺度下信号能量总和为/>则每个尺度信号的相对能量为/>生命信号在时间窗内的小波熵为：
式中，表示j尺度下信号i的相对能量，/>表示小波熵的时间行为，HWT表示平均小波熵，NT表示在时间窗i中包含的分辨率T处的小波系数。其相应的小波熵标准差为：
通常小波熵和小波熵标准差均大于1表示为人体，在0.5附近表示为动物，据此区分人与动物。最终由结果显示模块显示多生命体检测结果。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于CPPWM雷达的多生命体智能检测装置，其特征在于，包括CPPWM信号发生器(1)、多个功率放大器(2)、Vivaldi线性稀疏阵列天线(3)、多个低噪放大器(4)、多通道高速混合采样器(5)和数据处理***；
所述CPPWM信号发生器(1)通过设置不同的Logistic映射单元和Tent映射单元的初值，同时产生正交的多路CPPWM探测信号和与之一一对应的多路CPPWM参考信号；每个CPPWM探测信号分别连接一个功率放大器(2)的信号输入端，每个CPPWM参考信号分别与多通道高速混合采样器(5)的一个信号输入端相连接；
所述Vivaldi线性稀疏阵列天线(3)包括位于中间多个发射天线(31)和位于两侧的多个接收天线(32)，每个发射天线(31)分别连接一个功率放大器(2)的信号输出端，每个接收天线(32)的输出端分别与一个低噪放大器(4)的信号输入端相连接；每个低噪放大器(4)的信号输出端与所述多通道高速混合采样器(5)的信号输入端连接；
所述多通道高速混合采样器(5)的信号输出端与所述数据处理***连接，所述数据处理***用于计算分析，得到生命体检测结果；
所述CPPWM信号发生器(1)包括：
Logistic映射器(9)、第一计数器(10)、第二计数器(11)、Tent映射器(12)、第一比较器(13)、第二比较器(14)、脉冲发生器(15)和信号储存输出模块；
所述Logistic映射器(9)的输出为Xn+1＝4(1-Xn)Xn，其中，X0表示Logistic映射函数的初值，Xn表示Logistic映射函数经第n次循环计算后的输出值；第一计数器(10)和Logistic映射器(9)的输出端与第一比较器(13)连接，Tent映射器(12)的输出为Yn+1＝1.99(0.5-|Yn-0.5|)，其中，Y0表示Tent映射函数的初值，Yn表示Tent映射函数经第n次循环计算后的输出值；第二计数器(11)和Tent映射器(12)的输出端与第二比较器(14)连接，第一比较器(13)和第二比较器(14)的输出端与脉冲发生器(15)的输入端连接，分别用于触发脉冲发生器(15)持续输出高电平信号和低电平信号，脉冲发生器(15)输出的高电平信号用于使能控制Tent映射器(12)和第二计数器(11)开始工作，还用于控制Logistic映射器(9)和第一计数器(10)停止工作，并复位第一计数器(10)；脉冲发生器(15)输出的低电平信号，用于使能控制Tent映射器(12)和第二计数器(11)停止工作，并复位第二计数器(11)，还用于使能控制Logistic映射器(9)和第一计数器(10)开始工作并更新进入下一状态；脉冲发生器(15)输出的电平信号经信号储存输出模块存储和输出。
2.根据权利要求1所述的一种基于CPPWM雷达的多生命体智能检测装置，其特征在于，所述功率放大器(2)和低噪放大器(4)的数量为6个，所述Vivaldi线性稀疏阵列天线(3)包括位于中间的六个发射天线(31)和位于两侧的各三个接收天线(32)；
所述数据处理***包括多核中央处理器(6)、数据处理模块(7)和结果显示模块(8)；
所述数据处理模块(7)用于计算参考和回波数据；
所述结果显示模块(8)用于显示多生命体检测结果；
所述多核中央处理器(6)用于控制数据处理模块(7)和结果显示模块(8)的正常运行。
3.根据权利要求1所述的一种基于CPPWM雷达的多生命体智能检测装置，其特征在于，所述发射天线(31)和接收天线(32)均为改进型Vivaldi天线，所述改进型Vivaldi天线是指在Vivaldi天线的馈线末端对应的辐射臂(33)上设置互补开口谐振环(34)，在辐射贴片(35)两侧加载多条长度不同的Y形缝隙(36)。
4.根据权利要求3所述的一种基于CPPWM雷达的多生命体智能检测装置，其特征在于，所述信号储存输出模块包括：串行化器(16)、寄存器(17)、逻辑比较器(18)、写地址计数器(19)、静态随机存取存储器(20)、静态随机存取存储控制器(21)、读地址计数器(22)、串行收发复位控制器(23)、串行收发器(24)、差分输出模块(25)；
所述串行化器(16)用于将脉冲发生器(15)输出的低速串行信号转化为并行数据后，传输至寄存器(17)中缓存，逻辑比较器(18)用于对寄存器(17)中的数据按照写入顺序进行提取和逻辑选择后发送至静态随机存取存储控制器(21)，还用于产生一个脉冲时钟信号发送静态随机存取存储控制器(21)和写地址计数器(19)；写地址计数器(19)产生的写地址数据与逻辑比较器(18)发送的脉冲时钟信号和数据配合，使静态随机存取存储控制器(21)将数据写入到静态随机存取存储器(20)中；
串行收发复位控制器(23)用于解除串行收发器(24)复位状态，串行收发器(24)用于产生反馈时钟，并发送至读地址计数器(22)以及静态随机存取存储控制器(21)，读地址计数器(22)产生的读地址数据与串行收发器(24)发送的反馈时钟配合，使静态随机存取存储控制器(21)将静态随机存取存储器(20)中的数据读出，并写入到串行收发器(24)中，最终串行收发器(24)将数据解串化，并通过差分输出模块(25)输出CPPWM信号。
5.根据权利要求1所述的一种基于CPPWM雷达的多生命体智能检测装置，所述多通道高速混合采样器(5)包括现场可编程门阵列(27)和多个数据通道，每个数据通道包括串行外设接口(28)、可编程延时芯片(29)和模数转换器(30)；所述现场可编程门阵列(27)用于通过串行外设接口(28)控制可编程延时芯片(29)，对模数转换器(30)的工作时钟(37)进行延时。
6.一种基于CPPWM雷达的多生命体智能检测方法，其特征在于，基于权利要求1所述的一种装置实现，包括以下步骤：
S1、混沌相关滤波和测距：对各个CPPWM回波信号和各个CPPWM参考信号分别进行两两互相关计算得到各个互相关曲线，进行匹配滤波和测距计算；
S2、对互相关曲线进行处理得到生命体信息，同时根据混沌相关滤波和测距计算结果计算判断生命体是否为人类；
得到生命体信息的具体步骤为：
S21、基于多尺度加权的快速BP算法对互相关曲线进行成像；
S22、基于因子组稀疏正则化的快速鲁棒主成分分析抑制图像中的伪影；
S23、对于图像中的多个生命体进行二维空间定位和数量检测；
计算判断生命体是否为人类的具体步骤包括：
S31、对混沌相关滤波和测距结果在慢时域进行累积得到原始慢时域-距离矩阵R，再对R进行预处理；
S32、基于CenterNet生命检测网络智能提取多生命体特征矩阵；
S33、对多生命体特征矩阵进行快速傅里叶变换，再对傅里叶变换后的生命体特征矩阵进行小波熵分析，基于小波熵判断生命体是人还是动物。
7.根据权利要求6所述的一种基于CPPWM雷达的多生命体智能检测方法，其特征在于，
所述步骤S21的具体方法为：先对整个探测区域进行大尺寸网格划分，经过BP算法处理得到低分辨率图像，再利用滑动窗口能量检测方法寻找能量极大值，从低分辨率图像中提取潜在生命区域，再对此区域进行小尺寸网格划分，经过BP算法处理得到高分辨率图像，其余区域仍为低分辨率图像；迭代2～3次，直至潜在生命区域图像达到分辨率要求，最终得到高分辨率图像和低分辨率图像的加权叠加的图像矩阵W，加权因子通过计算每个焦点在时延曲线上的散射数据的均值和标准差比值来确定；
所述步骤S22的具体方法为：利用增广拉格朗日乘子法去约束条件，再使用交替方向乘子法求解方程，得到低秩的伪影L和稀疏的生命体S,实现伪影抑制，所述方程为：
min||A||2,1+α||BT||2,1+λ||S||1s.t.W＝AB+S；
式中,表示f范数，α表示权重参数，λ表示正则化参数，A和B代表分解出的杂波矩阵，S代表目标矩阵，aj表示矩阵A中第j个列向量；
所述步骤S23中，伪影抑制后的成像图像上，像素点的数目表示生命体的数量，像素点在成像结果图中的坐标表示生命体的二维空间位置。
8.根据权利要求6所述的一种基于CPPWM雷达的多生命体智能检测方法，其特征在于，
所述步骤S31中，对时域-距离矩阵R进行预处理的具体方法为：
首先利用线性趋势去除法消除静态杂波和线性趋势干扰，处理过程如下式所示：
式中，x＝[m/M 1M]，m＝[0,1,···,M-1]T，1M是含单位值的M×1矢量，表示经过线性趋势去除法之后得到的信号矩阵；
再利用自动增益控制进行弱生命信号增强，信号增强过程为：对于信号矩阵通过计算/>在给定大小ω的时间窗内的信号功率来调整增益，其中，k和m分别表示矩阵/>的行数和列数，k＝0,1,……,Nk，m＝0,1,……,Mm，Nk与Mm表示快时域和慢时域采样点，并与预先确定的最大增益gMAX进行比较，计算公式为：
式中，i＝0,1,……,N-ω，g[i,m]为基于信号功率的增益，gnorm[i,m]是对所有增益按最小增益进行归一化后的表示，gmask[i,m]为增益掩膜，利用增益掩膜对进行加权调整；gmin(m)表示对应于每个m值，所有i的最小增益，gnorm[i,m]＝g[i,m]/gmin(m)即对所有增益进行归一化表示，最后进行灰度处理并输出灰度图；
所述步骤S32的具体方法为：
筛除不存在生命体的灰度图形成数据集，进行生命体标签标注，得到生命特征数据集用于网络训练和测试；
将训练集数据的灰度矩阵输入改进型DLA-34特征提取网络中，分别进行目标的中心点、中心点偏移量和尺寸的训练，得到表示生命体特征矩阵的目标边界框；
其中，目标中心点训练的方法为：对于每个生命体特征框的中心点P，其中p∈R2，先计算一个低分辨率的中心点等价值R为输出步进幅度，再使用高斯核将每个生命体特征框的中心点映射到热力图/>中，W和H分别表示图像的宽度和高度，/>表示该点为中心点，/>表示该点为背景，然后使用FocalLoss损失函数进行像素级的逻辑回归，FocalLoss损失函数的表达式为：
式中，α和β分别表示损失函数的超参数，N为图像中的中心点数；Yxyz表示高斯核，其表达式为：
式中，σp表示目标大小自适应标准偏差，和/>分别表示中心点P的横纵坐标，x和y分别表示随机计算点的横纵坐标；
目标中心点偏移量训练的方法为：每个中心点的局部偏移量为使用L1损失函数进行所有对象中心点偏移量训练；L1损失函数的表达式为：
式中，为局部偏移量，p表示中心点位置坐标；
目标尺寸训练的方法为：令为目标k的边界框，则中心位置为xi和yi分别为整数坐标，且回归每个对象k的大小为使用Smooth L1损失函数进行目标尺寸训练；目标使用单一的尺寸预测结果/>在进行目标检测时，令/>为检测到n个中心点集合，通过提取热力图上100个峰值点来获取边界框，若峰值点大于它的8个邻域点则保留；
得到表示生命体特征矩阵的目标边界框为：
式中，为预测的中心点位置，/>为预测的中心点偏移量，为预测的目标宽度和高度，宽度取慢时域观测长度；
最后，对单次测量得到的多张慢时域-距离图进行多生命体特征矩阵提取，进行综合分析和判断后产生最终的生命体特征矩阵；
所述步骤S33的具体方法为：
先对生命体特征矩阵进行快速傅里叶变换；再对快速傅里叶变换后的生命体特征矩阵进行小波熵计算，计算公式为：
式中，表示j尺度下信号i的相对能量，/>表示小波熵的时间行为，HWT表示平均小波熵，NT表示在时间窗i中包含的分辨率T处的小波系数；
然后计算相应的小波熵标准差SWT，计算公式为：
最后根据小波熵和小波熵标准差判断是否为人体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110694306.1A CN113567974B (zh) | 2021-06-22 | 2021-06-22 | 基于cppwm雷达的多生命体智能检测装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110694306.1A CN113567974B (zh) | 2021-06-22 | 2021-06-22 | 基于cppwm雷达的多生命体智能检测装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113567974A CN113567974A (zh) | 2021-10-29 |
| CN113567974B true CN113567974B (zh) | 2023-11-03 |
Family
ID=78162569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110694306.1A Active CN113567974B (zh) | 2021-06-22 | 2021-06-22 | 基于cppwm雷达的多生命体智能检测装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113567974B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117970322B (zh) * | 2024-04-02 | 2024-06-11 | 中国科学院空天信息创新研究院 | 一种基于低秩块稀疏分解的生命信号增强方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5321409A (en) * | 1993-06-28 | 1994-06-14 | Hughes Missile Systems Company | Radar system utilizing chaotic coding |
| CN101089655A (zh) * | 2006-06-14 | 2007-12-19 | 中国科学院电子学研究所 | 一种使用混沌信号的合成孔径雷达*** |
| DE60139793D1 (de) * | 2001-12-21 | 2009-10-15 | St Microelectronics Srl | Vorrichtung zur Abstandsmessung mittels chaotischer Signale |
| CN104765031A (zh) * | 2015-03-02 | 2015-07-08 | 太原理工大学 | 一种超宽带微波混沌生命探测雷达装置 |
| CN107121677A (zh) * | 2017-06-02 | 2017-09-01 | 太原理工大学 | 基于超宽带认知cppm信号的避障雷达方法及装置 |
| CN107293077A (zh) * | 2017-06-02 | 2017-10-24 | 太原理工大学 | 基于正交cppm信号的周界入侵探测装置及方法 |
| WO2019170878A1 (en) * | 2018-03-08 | 2019-09-12 | Iee International Electronics & Engineering S.A. | Method and system for target detection using mimo radar |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9442189B2 (en) * | 2010-10-27 | 2016-09-13 | The Fourth Military Medical University | Multichannel UWB-based radar life detector and positioning method thereof |
-
2021
- 2021-06-22 CN CN202110694306.1A patent/CN113567974B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5321409A (en) * | 1993-06-28 | 1994-06-14 | Hughes Missile Systems Company | Radar system utilizing chaotic coding |
| DE60139793D1 (de) * | 2001-12-21 | 2009-10-15 | St Microelectronics Srl | Vorrichtung zur Abstandsmessung mittels chaotischer Signale |
| CN101089655A (zh) * | 2006-06-14 | 2007-12-19 | 中国科学院电子学研究所 | 一种使用混沌信号的合成孔径雷达*** |
| CN104765031A (zh) * | 2015-03-02 | 2015-07-08 | 太原理工大学 | 一种超宽带微波混沌生命探测雷达装置 |
| CN107121677A (zh) * | 2017-06-02 | 2017-09-01 | 太原理工大学 | 基于超宽带认知cppm信号的避障雷达方法及装置 |
| CN107293077A (zh) * | 2017-06-02 | 2017-10-24 | 太原理工大学 | 基于正交cppm信号的周界入侵探测装置及方法 |
| WO2019170878A1 (en) * | 2018-03-08 | 2019-09-12 | Iee International Electronics & Engineering S.A. | Method and system for target detection using mimo radar |
Non-Patent Citations (4)
| Title |
|---|
| Pattern synthesis of MIMO radar based on chaotic differential evolution algorithm;Jiang Yi 等;《Optik》;第140卷;第794-801页 * |
| 一种便携式伪随机编码超宽带人体感知雷达设计;夏正欢 等;《雷达学报》;第4卷(第5期);第527-537页 * |
| 一种基于超宽带雷达的多观测点人体呼吸信号检测方法;姚思奇;吴世有;张经纬;叶盛波;方广有;;电子测量技术(10);第194-201页 * |
| 基于调频网络的混沌雷达信号产生;邹云;《中国优秀硕士学位论文全文数据库信息科技辑》(第02期);第I136-924页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113567974A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107132535B (zh) | 基于变分贝叶斯学习算法的isar稀疏频带成像方法 | |
| US9075129B2 (en) | Method and system for forming images by comparing subsets of image data | |
| CN111796272B (zh) | 穿墙雷达人体图像序列的姿态实时识别方法及计算机设备 | |
| Cheng et al. | Compressive sensing radar imaging with convolutional neural networks | |
| CN103399315B (zh) | 实孔径相控阵雷达高分辨探测成像方法 | |
| CN110333489B (zh) | 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法 | |
| CN111062321B (zh) | 一种基于深度卷积网络的sar检测方法及*** | |
| Kılıç et al. | Through‐Wall Radar Classification of Human Posture Using Convolutional Neural Networks | |
| WO2021250943A1 (en) | Graph-based array signal denoising for perturbed synthetic aperture radar | |
| Domínguez et al. | A multisquint framework for change detection in high-resolution multitemporal SAR images | |
| Wang et al. | Multi-classification of UWB signal propagation channels based on one-dimensional wavelet packet analysis and CNN | |
| CN112198506A (zh) | 一种超宽带穿墙雷达学习成像的方法、装置、***和可读存储介质 | |
| CN113567974B (zh) | 基于cppwm雷达的多生命体智能检测装置及方法 | |
| CN110554384A (zh) | 一种基于微波信号的成像方法 | |
| Agarwal et al. | A novel neural network based image reconstruction model with scale and rotation invariance for target identification and classification for Active millimetre wave imaging | |
| CN117148353B (zh) | 基于毫米波sar的近距离多目标检测方法及安检*** | |
| Cheong et al. | Phased-array design for biological clutter rejection: Simulation and experimental validation | |
| CN108562901B (zh) | 基于最大信杂噪比准则的isar高分辨成像方法 | |
| CN108919263B (zh) | 基于最大互信息准则的isar高分辨成像方法 | |
| CN102722878A (zh) | 基于目标提取和ppb算法的sar图像去斑方法 | |
| CN111931570B (zh) | 一种基于全卷积网络的穿墙成像雷达人体目标检测方法 | |
| Shao et al. | Signal classification for ground penetrating Radar using sparse kernel feature selection | |
| Xu et al. | Backward projection imaging of through-wall radar based on airspace nonuniform sampling | |
| CN113421281A (zh) | 一种基于分割理论的行人微动部位分离方法 | |
| Xie et al. | CNN based joint positioning and pose recognition of concealed human for 3D through-wall imaging radar |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |