一种基于广义似然比的MIMO雷达真假人体检测方法

一种基于广义似然比的mimo雷达真假人体检测方法
技术领域
1.本发明属于人体目标检测领域，特别涉及基于待测人体目标有无呼吸运动的真假人体检测。


背景技术：

2.真假人体检测是人体目标检测领域的重要分支，其在军事斗争、灾害救援、安防监控和智能家居等众多领域有着广泛应用。基于雷达的人体目标检测因其具有穿透性强、不易受温度和噪音干扰等优势，而被广泛研究。同时，由于多输入多输出(mimo)雷达能够有效提高目标检测性能，将mimo雷达应用于人体目标检测已成为一项新兴的技术手段。
3.假设检验作为解决信号检测问题的一种常用方法，已经被用于人体目标检测中，但现有研究主要集中于直接利用观测数据对人体目标存在与否进行二元假设判决，这种实验性的方法忽略了历史数据的重要性，在数据不充分的情况下容易产生明显的错误判决。考虑信号与噪声的统计特性，采用基于贝叶斯的假设检验可以提高判决的准确性。在本发明中，真假人体检测被转换为二元复合假设检验问题，并采用似然比检验的方法进行求解。
4.广义似然比检验(glrt)是解决不存在一致最大势的复合假设检验问题的一种经典方法，具有较好的检测性能。在文献1(davis s,tandradinata h,hagness s,et al.ultrawideband microwave breast cancer detection:a detection-theoretic approach using the generalized likelihood ratio test[j].ieee transactions on biomedical engineering,2005,52(7):1237-1250)中，作者将glrt用于统计微波成像，可实现对乳腺癌的检测，实验结果验证了高斯杂波下的glrt的可行性和高效性。在文献2(ceccato m,formaggio f,laurenti n,et al.generalized likelihood ratio test for gnss spoofing detection in devices with imu[j].ieee transactions on information forensics and security,2021,16:3496-3509)中，作者将glrt用于欺骗干扰技术，在虚警概率、检测概率和计算复杂度等方面比其他传统方法都更具优势。因此，本发明将glrt应用于真假人体检测具有重要的理论价值和实践指导意义。


技术实现要素：

[0005]
本发明针对现有技术的不足，提出了一种mimo雷达真假人体检测方法，以解决真假人体检测缺乏理论指导的问题。通过本发明，可以获得mimo雷达真假人体检测器，基于奈曼-皮尔逊(np)准则将检测概率作为检测性能的评价指标，进而可以获得雷达系统参数的优化设计方案。
[0006]
本发明技术方案为：一种基于广义似然比的mimo雷达真假人体检测方法，其特征在于：
[0007]
步骤1：构建人体呼吸运动模型；
[0008]
将人体呼吸引起的胸腔起伏运动近似为一个正弦振动模型；
[0009]
x(t)＝a
r sin(2πfrt)
ꢀꢀ
(1)
[0010]
其中，ar为呼吸引起的胸腔起伏幅度，fr表示呼吸频率，且假设ar和fr均是确定未知的；
[0011]
步骤2：构建目标回波信号向量；
[0012]
对于一个具有m个单天线发射机和n个单天线接收机的mimo雷达系统，第n个接收机的回波信号向量为；
[0013][0014]
其中，n＝1,
…
,n，表示转置，rn[k]为kts时刻接收到的人体目标回波信号，ts是采样间隔，k是采样序号，k＝1,...,k，k是总样本数目；则所有接收机的接收向量为；
[0015][0016]
步骤3：构建回波信号矩阵s1和s0；
[0017]
真实人体和虚假人体对应的回波信号矩阵分别用s1和s0表示；
[0018]
si＝diag{s
i1
,s
i2
,..,s
in
}，i＝0或1
ꢀꢀ
(4)
[0019]
并且；
[0020][0021][0022]
其中，为第m个发射机发射的低通等效信号，em是发射信号能量，sm是基本波形且满足归一化条件d
nm
为第m个发射机的信号经人体目标反射后到达第n个接收机对应的标称距离，c表示光速，fc表示载波频率；
[0023]
考虑真假人体目标的反射系数近似相等、较难区分的情况，为简化分析，假设目标反射系数ζ是确定未知的；
[0024]
步骤4：构建杂波加噪声向量；
[0025]
杂波加噪声向量为；
[0026][0027]
其中，wn[k]是时间和空间白，且假设其服从零均值、方差为σ2的复高斯分布；
[0028]
步骤5：构建真假人体的二元复合假设检验问题；
[0029]
基于人体目标有无呼吸运动，将真假人体检测转换为二元复合假设检验问题；
[0030][0031]
其中，1
nm
表示nm
×
1维的全1矩阵，h1假设对应有呼吸的真实人体，h0假设对应无呼吸的虚假人体；进而可以计算得到h1假设和h0假设下的对数似然函数为，分别为：
[0032][0033][0034]
其中，p(r|h1；ζ,ar,fr)表示h1假设的似然函数，p(r|h0；ζ)表示h0假设的似然函数；
[0035]
步骤6：推导glrt检测器；
[0036]
真假人体检测问题的glrt检测统计量的基本表达式为：
[0037][0038]
首先，h0假设下ζ的ml估计为：
[0039][0040]
其次，h1假设下ζ的ml估计为：
[0041][0042]
最后，将代入lnp(r|h1；ζ,ar,fr)，得到h1假设下ar和fr的ml估计为：
[0043][0044]
化简后的glrt检测统计量t
glrt
(r)为：
[0045][0046]
因此，关于mimo雷达真假人体检测的glrt检测器表示为：
[0047][0048]
其中，γ
glrt
是np准则下的判决门限；
[0049]
步骤7：计算检测概率；
[0050]
采用np准则，根据虚警概率的定义
[0051][0052]
求解判决门限γ
glrt
，然后可计算检测概率
[0053][0054]
本发明通过采用贝叶斯检验中的glrt方法，实现对真假人体的判别，相较于基于实时观测数据的传统方法，glrt方法的检测性能更好，对数据时长的要求更小。同时，本发
明以推导得出的检测概率作为检测性能的评估指标，分析了系统参数对检测性能的影响，为雷达系统参数优化设计提供了指导。
附图说明
[0055]
图1m＝2,n＝2,假人体目标对应的信号传输；
[0056]
图2m＝2,n＝2,真人体目标对应的信号传输；
[0057]
图3m＝2,n＝2，glrt检测器的接收机工作性能(roc)曲线；
[0058]
图4m＝2，mimo雷达接收天线数量对检测性能的影响；
[0059]
图5m＝2,n＝2，载波频率对检测性能的影响。
具体实施方式
[0060]
下面结合附图说明本发明的具体实施方式：
[0061]
步骤1至步骤4：
[0062]
考虑一个具有m个单天线发射机和n个单天线接收机的mimo雷达系统，第m(m＝1,...,m)个发射机发射信号的低通等效表示为其中em是发射信号能量，ts是采样间隔，k(k＝1,...,k)是采样序号，k是总样本数目，并对波形进行归一化
[0063]
假设被测距离单元内有一个待辨真假的静止人体目标。对于一个有呼吸等生命迹象的人体，其呼吸运动导致胸腔发生周期性起伏，其数学表达式为
[0064]
x(t)＝a
r sin(2πfrt)
ꢀꢀꢀ
(19)
[0065]
其中ar为呼吸引起的胸腔起伏幅度，fr表示呼吸频率，且假设ar和fr均是确定未知的。
[0066]
将第m个发射机的信号经人体目标反射后到达第n(n＝1,...,n)个接收机对应的标称距离记为d
nm
，则对于存在呼吸的真人体目标，发射信号从发射机m到接收机n经历的总时延为
[0067][0068]
其中c表示光速，d
1nm
(t)＝d
nm
+2a
r sin(2πfrt)表示第nm条路径上发射信号经真人体目标反射所经历的总传播距离。那么接收机n在kts时刻接收到的真人体目标的回波信号可以写为
[0069][0070]
其中d
1nm
[k]和τ
1nm
[k]分别是d
1nm
(t)和τ
1nm
(t)在kts时刻的采样值，fc是载波频率，ζ
1nm
表示真人体目标在第nm条路径上的反射系数，并假设ζ
1nm
是确定未知的，wn[k]表示空间
和时间白的杂波加噪声，并假设wn[k]服从零均值、方差为σ2的复高斯分布。
[0071]
对于没有呼吸的假人体目标，假设其在第nm条路径上的反射系数为ζ
0nm
，且ζ
0nm
是确定未知的，则接收机n在kts时刻接收到的回波信号为
[0072][0073]
值得注意的是，真人体目标对应的信号传播距离d
1nm
[k]和时延τ
1nm
[k]均为时变值，而假人体目标对应的信号传播距离d
nm
和时延均不随时间变化。图1和图2分别给出了以m＝2,n＝2为例的mimo雷达场景下假人体目标和真人体目标所对应的各路径信号传输方式。
[0074]
真假人体目标的主要区别在于该目标是否存在呼吸运动，因此根据mimo雷达真人体目标和假人体目标的回波信号模型，可将真假人体检测问题转化为一个二元假设检验问题
[0075][0076]
即把待测人体目标划分为真人体和假人体，分别对应h1假设和h0假设。
[0077]
考虑到雷达收发路径的标称距离远远大于人体胸腔起伏d
nm
＞＞2arsin(2πfrkts)，可近似认为此外，本文考虑真假人体目标的反射系数近似相等、较难区分的情况，为简化分析，假设ζ
1nm
＝ζ
0nm
＝ζ为确定未知的参数。
[0078]
记第n个接收机所接收到的回波信号向量为
[0079][0080]
其中表示转置。进而可将所有接收机的接收向量表示为
[0081][0082]
则基于mimo雷达的真假人体检测问题可写为如下的二元复合假设检验问题
[0083][0084]
其中1
nm
表示nm
×
1维的全1矩阵，对于i＝0或1，
[0085]
si＝diag{s
i1
,s
i2
,..,s
in
}
ꢀꢀ
(27)
[0086]
表示回波信号矩阵，
[0087]
[0088][0089]
杂波加噪声向量为
[0090][0091]
其中
[0092]
根据式(26)，h1假设和h0假设下的似然函数可以分别表示为
[0093][0094][0095]
相应的对数似然函数分别为
[0096][0097][0098]
步骤5至7：
[0099]
glrt的核心思想是先对每个假设下的未知参数分别进行最大似然(maximum likelihood,ml)估计,然后用该估计值替代其对应的未知参数进行似然比检验。因此，真假人体glrt检测统计量的基本表达式为
[0100][0101]
首先，求解h0假设下ζ的ml估计。计算h0假设下的对数似然函数关于ζ的导数并令其等于0
[0102][0103]
那么h0假设下ζ的ml估计为
[0104][0105]
用取代lnp(r|h0；ζ)中的ζ，得到h0假设下的对数似然函数为
[0106][0107]
其中c是与未知参数无关的常数项。
[0108]
接着求解h1假设下ζ的ml估计。对于任意的ar和fr，计算h1假设下的对数似然函数关于ζ的偏导数并令其等于0
[0109][0110]
那么h1假设下ζ的ml估计为
[0111][0112]
将代入lnp(r|h1；ζ,ar,fr)，可得h1假设下的对数似然函数为
[0113][0114]
进而得到h1假设下ar和fr的ml估计为
[0115][0116]
该式没有闭式解，需要通过数值方法求解。
[0117]
将式(38)、式(41)和式(42)代入式(35)，由于σ2是不影响似然比检验的常数，简化后的glrt检测统计量最终可以写为
[0118][0119]
因此，关于mimo雷达真假人体检测的glrt检测器可以表示为
[0120][0121]
其中γ
glrt
是np准则下的判决门限。
[0122]
选用检测概率来评估mimo雷达真假人体glrt检测器的性能。基于np准则，根据虚警概率的定义
[0123][0124]
可以求解判决门限γ
glrt
，进而可计算得到检测概率
[0125][0126]
由于检测统计量t
glrt
(r)在h1和h0假设下的概率密度函数均没有闭合表达式，γ
glrt
和只能通过蒙特卡洛实验求解。
[0127]
接下来进行仿真验证，结合附图说明方法的有效性和可行性。仿真中第m个发射机选用的低通等效信号为
[0128][0129]
其中t＝5s是信号时长，f
δ
＝100hz是相邻频率的两个发射信号的频率间隔。设置采样频率为fs＝800hz，载波频率为fc＝30ghz，各发射机发射信号的能量相同e1＝
…
＝em＝e/m,e＝102。在二维笛卡尔坐标系中，假设所有单天线发射机、接收机与参考点(0,0)m的距离均为10m，且发射机均匀分布在角度为[π/5,5π/18]的圆弧上，接收均匀分布在角度为[π/
6,π/3]的圆弧上，故第m个发射机和第n个接收机的位置角度分别为
[0130][0131][0132]
假设待辨真假的人体目标所处位置为(0,0)m，反射系数ζ＝0.1，真人体目标呼吸引起的胸腔起伏幅度ar＝1.5cm，呼吸频率为fr＝0.3hz。定义信杂噪比(signal-to-clutter plus noise ratio,scnr)为
[0133][0134]
如图3所示为m＝2,n＝2场景下glrt检测器的接收机工作性能roc曲线图，分别用星号、上三角形和空心圆表示ζ确定未知而ar和fr确定已知、ζ和ar确定未知而fr确定已知以及ζ、ar和fr均确定未知这三种参数设置情况对应的检测概率，用虚线和实线表示scnr＝-27db和scnr＝-25db。从图中可以看出给定scnr和参数设置情况，glrt检测器的检测概率随虚警概率的增加而增加。同时,给定scnr和虚警概率，ζ确定未知而ar和fr确定已知情况下的检测概率最大，ζ和ar确定未知而fr已知情况下的检测概率次之，ζ、ar和fr均确定未知情况下的检测概率最低，这现象表明未知参数的数量越大，glrt检测器的检测性能越差，这是因为多个未知参数联合估计，估计误差增大，会进一步影响检测性能。
[0135]
如图4所示为ζ确定未知而ar和fr确定已知时，发射天线数量m＝2，接收天线数量n＝5、n＝9和n＝13时glrt检测器的检测概率随scnr的变化曲线对比图。星号、上三角形和空心圆分别表示n＝5、n＝9和n＝13对应的检测概率，虚线和实线分别表示虚警概率p
fa
＝0.01和p
fa
＝0.05。从图中可以看出，给定虚警概率和scnr时，n＝5对应的检测概率最小，n＝9对应的检测概率次之，n＝13对应的检测概率最大，这表明给定发射天线数量，glrt检测器的检测性能随着接收天线数量的增加而持续提升。
[0136]
如图5所示为ζ确定未知而ar和fr确定已知，m＝2，n＝2时，不同scnr和载波频率fc取值对应的glrt检测器的roc曲线。分别用星号、上三角形和空心圆表示fc＝3ghz，fc＝5ghz和fc＝10ghz，用虚线和实线表示scnr＝-27db和scnr＝-25db。由图可见，给定scnr和虚警概率，fc＝10ghz对应的检测概率最高，fc＝5ghz对应的检测概率次之，fc＝3ghz对应的检测概率最低，这表明随着载波频率的提高，glrt检测器的检测性能也随之提升，这是因为真、假人体目标的主要区别在于该人体目标是否存在呼吸运动，反映在雷达回波信号中的区别就是回波信号是否具有时变的时延和相位，虽然呼吸引起的胸腔周期性起伏运动很微弱，导致时延变化很小，但载波频率的增加会显著放大呼吸所引起的相位变化，进而可使两个假设之间的差异程度更大，更有助于glrt检测器准确判决两个假设，即可以提升真假人体glrt检测器的检测性能。

技术特征：
1.一种基于广义似然比的mimo雷达真假人体检测方法，其特征在于：步骤1：构建人体呼吸运动模型；将人体呼吸引起的胸腔起伏运动近似为一个正弦振动模型；x(t)＝a
r
sin(2πf
r
t)
ꢀꢀꢀ
(1)其中，a
r
为呼吸引起的胸腔起伏幅度，f
r
表示呼吸频率，且假设a
r
和f
r
均是确定未知的；步骤2：构建目标回波信号向量；对于一个具有m个单天线发射机和n个单天线接收机的mimo雷达系统，第n个接收机的回波信号向量为；其中，n＝1,
…
,n，表示转置，r
n
[k]为kt
s
时刻接收到的人体目标回波信号，t
s
是采样间隔，k是采样序号，k＝1,...,k，k是总样本数目；则所有接收机的接收向量为；步骤3：构建回波信号矩阵s1和s0；真实人体和虚假人体对应的回波信号矩阵分别用s1和s0表示；s
i
＝diag{s
i1
,s
i2
,..,s
in
}，i＝0或1
ꢀꢀꢀ
(4)并且；并且；其中，为第m个发射机发射的低通等效信号，e
m
是发射信号能量，s
m
是基本波形且满足归一化条件d
nm
为第m个发射机的信号经人体目标反射后到达第n个接收机对应的标称距离，c表示光速，f
c
表示载波频率；考虑真假人体目标的反射系数近似相等、较难区分的情况，为简化分析，假设目标反射系数ζ是确定未知的；步骤4：构建杂波加噪声向量；杂波加噪声向量为；其中，w
n
[k]是时间和空间白，且假设其服从零均值、方差为σ2的复高斯分布；步骤5：构建真假人体的二元复合假设检验问题；基于人体目标有无呼吸运动，将真假人体检测转换为二元复合假设检验问题；
其中，1
nm
表示nm
×
1维的全1矩阵，h1假设对应有呼吸的真实人体，h0假设对应无呼吸的虚假人体；进而可以计算得到h1假设和h0假设下的对数似然函数为，分别为：分别为：其中，p(r|h1；ζ,a
r
,f
r
)表示h1假设的似然函数，p(r|h0；ζ)表示h0假设的似然函数；步骤6：推导glrt检测器；真假人体检测问题的glrt检测统计量的基本表达式为：首先，h0假设下ζ的ml估计为：其次，h1假设下ζ的ml估计为：最后，将代入lnp(r|h1；ζ,a
r
,f
r
)，得到h1假设下a
r
和f
r
的ml估计为：化简后的glrt检测统计量t
glrt
(r)为：因此，关于mimo雷达真假人体检测的glrt检测器表示为：其中，γ
glrt
是np准则下的判决门限；步骤7：计算检测概率；采用np准则，根据虚警概率的定义求解判决门限γ
glrt
，然后可计算检测概率然后可计算检测概率

技术总结
该发明公开了一种基于广义似然比的MIMO雷达真假人体检测方法，属于人体目标检测领域，特别涉及基于待测人体目标有无呼吸运动的真假人体检测。本发明通过采用贝叶斯检验中的GLRT方法，实现对真假人体的判别，相较于基于实时观测数据的传统方法，GLRT方法的检测性能更好，对数据时长的要求更小。同时，本发明以推导得出的检测概率作为检测性能的评估指标，分析了系统参数对检测性能的影响，为雷达系统参数优化设计提供了指导。数优化设计提供了指导。数优化设计提供了指导。


技术研发人员：于冰茜 何茜
受保护的技术使用者：电子科技大学
技术研发日：2023.07.06
技术公布日：2023/8/24