摘要
人体目标的探测与感知在人机交互、智能监控、城市反恐等多种应用任务中发挥了重要作用，具有重要的研究价值。由于雷达传感器全天时、全天候、穿透探测能力和优秀的隐私保护性，基于雷达的人体目标探测与感知在近年来成为学术界和工业界研究的热点之一。本文基于人体运动雷达回波的微多普勒特性，展开了对雷达人体动作检测与目标身份认证问题的研究，分别提出了基于单类检测算法的动作检测模型与身份认证模型，本文的主要研究内容如下： （1）开展了雷达仿真与实测实验，构建了六种不同的雷达微多普勒谱图数据集，用于对所提雷达人体动作检测与目标身份认证模型进行实验验证。基于人体骨骼运动数据集，建立了人体目标椭球体模型，获得了雷达人体目标后向散射回波仿真数据。基于超宽带雷达模块搭建了单基地雷达系统，开展了对人体运动实测实验，采集了被试的运动回波并进行了信号处理，得到了多目标的后向散射回波实测数据。 （2）考虑到不同目标人体动作雷达回波多样性丰富的特点，提出了一种基于双重生成策略的雷达人体动作检测方法，克服了同一动作雷达微多普勒特性差异大而导致的误检问题。一方面，提出了一种双重生成策略，该策略能够通过保证生成数据的多样性，克服生成对抗网络模型训练过程中的模式崩塌问题；另一方面，通过对抗训练的方式，实现了同类动作特征分布的紧致化，使得目标动作数据分布能够被精准拟合。实验结果表明，所提方法能够通过生成多样性较大的辅助数据，提升人体动作检测模型的性能，可以解决多种动作的检测问题。 （3）同一目标运动相似度大易导致身份认证模型训练中产生过拟合现象，使得目标身份认证效果不佳。针对这一问题，本文提出了一种基于自适应邻域构建的雷达目标身份认证方法。提出了利用邻域风险最小化对身份认证模型进行优化的方法，构建了目标人员数据的邻域分布，降低了模型过拟合的风险；构建了双重构模块，实现了基于对抗训练的邻域分布自适应调整，获得了训练数据集的最优邻域分布，提升了身份认证模型的性能。实验结果表明，所提方法构建的自适应邻域能够促进目标认证模型性能的提升，并在对不同时长、不同信噪比的目标运动雷达回波进行认证时，具有良好的鲁棒性。
NETL