深度学习融合超宽带雷达图谱的跌倒检测研究

相对于窄带多普勒雷达,超宽带雷达能够同时获取目标的距离和多普勒信息,更利于行为识别。为了提高跌倒行为的识别性能,该文采用调频连续波超宽带雷达在两个真实的室内复杂场景下采集36名受试者的日常行为和跌倒的回波数据,建立了动作种类丰富的多场景跌倒检测数据集;通过预处理,获取受试者的距离时间谱、距离多普勒谱和时间多普勒谱;基于MobileNet-V3轻量级网络,设计了数据级、特征级和决策级3种雷达图谱深度学习融合网络。统计分析结果表明,该文提出的决策级融合方法相对于仅用单种图谱、数据级和特征级融合的方法,能够提高跌倒检测的性能(显著性检验方法得到的所有P值<0.003)。决策级融合方法的5折交叉验证的准确率为0.9956,在新场景下测试的准确率为0.9778,具有良好的泛化能力。     

极化和湿度对叶簇杂波统计特性影响的分析

为更好地探测丛林中隐蔽的人体目标,本文对极化和湿度条件对地基超宽带(ultrawide band,UWB)雷达叶簇杂波统计特性的影响进行研究。针对两种常见叶簇杂波环境,利用UHF波段步进频率连续波(stepped frequency continuous wave, SFCW) UWB雷达测量水平、垂直极化以及干湿条件下的多组回波数据,对回波进行校准和预处理,得到实际杂波幅度的直方图;采用5种分布拟合叶簇环境杂波统计分布特性,并利用拟合分布和实际分布之间的均方根误差(root mean square error, RMSE)来定量评估模型的拟合精度。分析结果表明：极化不会改变灌木杂波最优拟合Weibull分布,仅改变其形参取值范围,当极化由水平变为垂直时,形参取值范围由1.647 7～1.865 5变成1.839 6～1.910 7,但乔木杂波极化由水平变为垂直时,最优拟合分布由Log-logistic分布变为Weibull分布;湿度条件并不改变叶簇杂波最优拟合分布类型,但湿度越大最优拟合分布的形参取值越大,直方图更宽、拖尾更长。本文针对不同极化和湿度条件下得到的地基UWB雷达的两种典...