(桂林電子科技大學(xué)信息與通信學(xué)院，廣西桂林 541004)

0 引 言

穿墻雷達(dá)(Through-Wall Radar，TWR)是通過發(fā)射超寬帶(UWR)電磁波，穿透墻壁、樹叢、隔板等障礙物，并分析接收到的目標(biāo)回波信號(hào)，對(duì)隱藏在障礙物后的目標(biāo)進(jìn)行探測(cè)的新型雷達(dá)[1-2]。

穿墻雷達(dá)動(dòng)目標(biāo)檢測(cè)方法分為兩種：一種是利用一維回波信號(hào)定位確定目標(biāo)狀態(tài)方法[3-4]；另一種是通過回波信息成像后的目標(biāo)檢測(cè)方法[5]。后者較前者具有目標(biāo)定位精度高，能以圖像直觀地展示目標(biāo)信息。該方法包括對(duì)回波數(shù)據(jù)預(yù)處理、回波成像、目標(biāo)檢測(cè)、目標(biāo)位置提取等方面[6]。本文基于圖像域的檢測(cè)原理，針對(duì)實(shí)時(shí)性較差，不能完全消除虛警現(xiàn)象等問題，提出了基于ViBe的穿墻雷達(dá)信號(hào)動(dòng)目標(biāo)檢測(cè)改進(jìn)方法，該方法不需要預(yù)處理步驟，簡(jiǎn)化了動(dòng)目標(biāo)檢測(cè)方法步驟。

目前，在穿墻雷達(dá)基于圖像域的目標(biāo)檢測(cè)方法中，Buonanno 等提取圖像中像素最大值的20%作為全局閾值[7]，Chalabi 等通過平均值和標(biāo)準(zhǔn)差設(shè)計(jì)閾值[8]。上述方法僅對(duì)單個(gè)移動(dòng)目標(biāo)的情況有效。且由于接收天線采集的穿墻雷達(dá)回波信號(hào)強(qiáng)度不均勻，將導(dǎo)致嚴(yán)重的漏檢問題。為此，文獻(xiàn)[9]采用恒虛警(Constant False Alarm Rate, CFAR)檢測(cè)方法，通過局部信息自適應(yīng)地計(jì)算閾值，較好地解決了漏檢問題。但實(shí)驗(yàn)發(fā)現(xiàn)CFAR中有兩個(gè)不足：一是封閉環(huán)境內(nèi)存在強(qiáng)雜波，CFAR無法消除虛警像素點(diǎn)，干擾用戶對(duì)目標(biāo)信息的判斷；二是CFAR需要對(duì)回波數(shù)據(jù)進(jìn)行預(yù)處理，實(shí)時(shí)性較差。針對(duì)上述問題，本文提出基于ViBe動(dòng)目標(biāo)檢測(cè)改進(jìn)方法，該方法能夠適應(yīng)室內(nèi)環(huán)境中強(qiáng)雜波干擾，實(shí)時(shí)地檢測(cè)目標(biāo)動(dòng)態(tài)變化，準(zhǔn)確地提供目標(biāo)的位置信息。

ViBe(Visual Background Extractor)[10]算法常用于計(jì)算機(jī)視頻處理中，它采用隨機(jī)聚類技術(shù)從視頻序列每一個(gè)像素的8鄰域內(nèi)隨機(jī)采集樣本用于初始化背景模型。背景模型不需要經(jīng)過多幀的訓(xùn)練，從第2幀開始就可以檢測(cè)出運(yùn)動(dòng)目標(biāo)。但在穿墻雷達(dá)回波成像的多幀序列中，隨著目標(biāo)移動(dòng)到不同位置，成像后的動(dòng)目標(biāo)像素值是不相等的，這與普通視頻圖像目標(biāo)像素值相等有差異。因此，ViBe算法并不能直接用于穿墻雷達(dá)生成圖像中動(dòng)目標(biāo)的識(shí)別。同時(shí)，由于初始的穿墻雷達(dá)圖像背景樣本中存在目標(biāo)像素，導(dǎo)致結(jié)果中會(huì)出現(xiàn)“鬼影”像素點(diǎn)和孤立噪點(diǎn)等現(xiàn)象。

為了解決上述問題，本文改進(jìn)傳統(tǒng)ViBe算法，在算法中加入動(dòng)態(tài)閾值，使其能適應(yīng)穿墻雷達(dá)圖像像素值變化問題。在此基礎(chǔ)上，為避免“鬼影”像素點(diǎn)和孤立噪點(diǎn)等現(xiàn)象，利用三幀差[11]消除了“鬼影”現(xiàn)象，再利用連通域消除圖像中的孤立噪點(diǎn)，彌補(bǔ)了ViBe算法的不足。通過仿真和實(shí)測(cè)實(shí)驗(yàn)，驗(yàn)證了本文方法可以準(zhǔn)確提供目標(biāo)的位置信息，消除虛警，具有實(shí)時(shí)性和穩(wěn)定性，適合對(duì)穿墻雷達(dá)動(dòng)目標(biāo)進(jìn)行檢測(cè)。

1 信號(hào)模型與成像

超寬帶穿墻雷達(dá)探測(cè)近似模型[12]如圖1所示。

圖1 超寬帶穿墻雷達(dá)探測(cè)示意圖

發(fā)射信號(hào)和回波信號(hào)間的關(guān)系用線性模型近似描述為

d(t)=starget(t)+swall(t)+scoupling(t)+snoise(t)

(1)

式中，d(t)代表穿墻雷達(dá)獲取的回波信號(hào)，starget(t)代表墻體后真實(shí)目標(biāo)的反射回波，swall(t)代表墻體直接反射信號(hào)產(chǎn)生的回波，scoupling(t)代表收發(fā)天線之間的直接耦合波，snoise(t)代表測(cè)量和系統(tǒng)引發(fā)的隨機(jī)噪聲，包括空間噪聲和射頻干擾信號(hào)。目標(biāo)成像算法從回波信號(hào)d(t)檢測(cè)出starget(t)。采用BP(Back Projection)[13]法成像。由于墻體等障礙物和天線耦合的存在，動(dòng)目標(biāo)電磁回波能量非常微弱，圖像中出現(xiàn)大量的虛假像素點(diǎn)，影響檢測(cè)算法準(zhǔn)確地提取目標(biāo)信息。本文的動(dòng)目標(biāo)檢測(cè)改進(jìn)方法可以解決上述問題。

2 ViBe算法原理

ViBe算法為每個(gè)背景像素點(diǎn)存儲(chǔ)一個(gè)樣本集合，將當(dāng)前每一個(gè)新的像素值和樣本集合比較，判斷新的像素點(diǎn)是否為背景點(diǎn)。算法分為3個(gè)步驟：背景初始化、像素分類和背景更新策略。

2.1 背景模型初始化

算法采用第1幀圖像構(gòu)造初始背景模型。第1幀中的每一個(gè)像素v(x)的背景模型為N個(gè)樣本組成的一個(gè)集合M(x)，其中x為當(dāng)前像素值。N個(gè)樣本由v(x)自身鄰域(通常為8鄰域)隨機(jī)抽樣獲得，重復(fù)抽取得到M(x)，如式(2)：

M(x)=(v(x1),v(x2),…,v(xj),…,v(xN))

(2)

式中，j∈(1,2,…,N)。

2.2 像素分類

ViBe算法從第2幀圖像開始進(jìn)行像素分類。假設(shè)當(dāng)前待測(cè)像素點(diǎn)的像素值為P(x)，歐式空間為SR(P(x))，P(x)為SR(P(x))的圓心，R為SR(P(x))的半徑。將M(x)與SR(P(x))取交集，輸出結(jié)果為C(x)，如式(3)：

(3)

式中，Tmin為M(x)與SR(P(x))交集個(gè)數(shù)的閾值。當(dāng)M(x)與SR(P(x))交集個(gè)數(shù)大于Tmin，P(x)為背景像素，C(x)=0；當(dāng)M(x)與SR(P(x))交集數(shù)小于Tmin，P(x)為目標(biāo)像素，C(x)=1。

2.3 背景更新策略

采用無記憶策略來更新背景。當(dāng)某個(gè)像素點(diǎn)被判定為背景像素點(diǎn)，則使用該背景像素點(diǎn)代替從M(x)隨機(jī)選取的一個(gè)樣本值，形成新的背景樣本。這種無記憶更新策略避免了像素長(zhǎng)期保留在背景模型中，使算法對(duì)環(huán)境有較強(qiáng)的適應(yīng)性能。

3 自適應(yīng)動(dòng)態(tài)閾值ViBe算法

在不同時(shí)刻，隨著目標(biāo)移動(dòng)，雷達(dá)接收的目標(biāo)回波能量大小是變化的，這導(dǎo)致成像后不同時(shí)刻的動(dòng)目標(biāo)像素的像素值大小也是不相等的。如果直接采用傳統(tǒng)的ViBe的固定閾值進(jìn)行像素分類，處理后的圖像中會(huì)出現(xiàn)大量虛警像素。同時(shí)，由于墻體、天線耦合等強(qiáng)雜波的干擾，圖像中會(huì)出現(xiàn)“鬼影”和孤立噪聲。為解決上述問題，本文提出采用自適應(yīng)動(dòng)態(tài)閾值，結(jié)合三幀差和連通域判定的方法。

3.1 動(dòng)態(tài)閾值

R(x)由圖像的最大值和M(x)的均方差σ(x)決定，如下式所示：

R(x)=0.5×max(M(x))×σ(x)

(4)

(5)

將R(x)用于動(dòng)目標(biāo)像素的判別，代替?zhèn)鹘y(tǒng)ViBe像素分類。其步驟為：首先計(jì)算待測(cè)像素與樣本值的差(v′1,v′2,…,v′N)。假設(shè)#min定義為交點(diǎn)個(gè)數(shù)閾值。當(dāng)R(x)與(v′1,v′2,…,v′N)的交點(diǎn)個(gè)數(shù)小于#min時(shí)，該像素可視為移動(dòng)目標(biāo)(使用D1i(x,y)=1來表示)。否則，將其視為背景像素點(diǎn)(使用D1i(x,y)=0表示)。同時(shí)更新背景模型，如下式所示：

(v′1,v′2,…,v′N)=(P(x)-v(x1),P(x)-

v(x2),…,P(x)-v(xN))

(6)

D1i(x,y)=

(7)

改進(jìn)后的ViBe算法對(duì)閾值進(jìn)行動(dòng)態(tài)更新，能夠很好適應(yīng)動(dòng)目標(biāo)的變化，保留移動(dòng)目標(biāo)信息。

3.2 三幀差改進(jìn)算法

ViBe背景模型初始化時(shí)，如果第一幀中存在移動(dòng)物體，則檢測(cè)結(jié)果中存在“鬼影”區(qū)域。本文使用三幀差算法提取動(dòng)目標(biāo)信息，彌補(bǔ)ViBe算法背景初始時(shí)不能存在目標(biāo)的不足，進(jìn)一步去除“鬼影”導(dǎo)致的虛警像素點(diǎn)。三幀差具體步驟如下：

首先，提取BP成像后相鄰的三幀圖像Ii-1，Ii，Ii+1(i為當(dāng)前幀)，計(jì)算幀間方差d(i,i-1)(x,y)，d(i,i+1)(x,y)：

d(i,i-1)(x,y)=|Ii(x,y)-Ii-1(x,y)|

(8)

d(i,i+1)(x,y)=|Ii+1(x,y)-Ii(x,y)|

(9)

然后，設(shè)置閾值T將d(i,i-1)(x,y)，d(i,i+1)(x,y)二值化，得到二值圖像b(i,i-1)(x,y)和b(i,i+1)(x,y)：

(10)

(11)

將b(i,i-1)(x,y)，b(i,i+1)(x,y)進(jìn)行邏輯與操作。得到二值圖像D2i(x,y)，公式如下：

D2i(x,y)=

(12)

二值圖像D2i(x,y)即為三幀差圖像。圖像中可以較清楚地觀測(cè)到動(dòng)目標(biāo)信息，但由于目標(biāo)在幀間的移動(dòng)，圖像中會(huì)出現(xiàn)“真空”現(xiàn)象。為了消除“真空”現(xiàn)象，通過形態(tài)學(xué)方法處理D2i(x,y)，即使用3×3矩陣對(duì)圖像進(jìn)行腐蝕操作，然后用3×3膨脹填充“真空”小孔。

為了結(jié)合動(dòng)態(tài)閾值ViBe和三幀差的優(yōu)勢(shì)，將動(dòng)態(tài)閾值處理得到的二值圖像D1i(x,y)和三幀差處理得到的二值圖像D2i(x,y)進(jìn)行邏輯“與”操作處理，得到圖像Di(x,y)。公式如下：

(13)

圖像Di(x,y)中，消除了“鬼影”像素點(diǎn)，動(dòng)目標(biāo)信息都可以較好地保留下來。

3.3 連通域判定

經(jīng)過上述操作后，發(fā)現(xiàn)圖像Di(x,y)中還存在一些孤立的噪點(diǎn)。本文采用連通域的思想去除孤立噪點(diǎn)。判斷每個(gè)像素和其他像素在上、下、左、右、左上角、左下角、右上角或右下角是否連通，如果連通，則判斷為目標(biāo)；如果不連通，則判斷為孤立噪點(diǎn)。連通域判定法處理后，Di(x,y)圖像上只存在動(dòng)目標(biāo)像素。

3.4 改進(jìn)算法流程

本文提出的動(dòng)目標(biāo)檢測(cè)改進(jìn)方法首先將原始回波數(shù)據(jù)進(jìn)行BP成像，形成幀序列，然后將待測(cè)幀分別進(jìn)行改進(jìn)ViBe建模和像素分割，并采用三幀差提取動(dòng)目標(biāo)像素，處理結(jié)果通過連通域判定操作，得到動(dòng)目標(biāo)二值化圖像，在圖像中可以直觀地觀測(cè)動(dòng)目標(biāo)信息。算法總體流程圖如圖2所示。

圖2 本文運(yùn)動(dòng)目標(biāo)檢測(cè)算法的流程圖

4 仿真與實(shí)驗(yàn)結(jié)果分析

4.1 模擬仿真結(jié)果分析

采用基于GPRMAX仿真數(shù)據(jù)驗(yàn)證本文動(dòng)目標(biāo)檢測(cè)算法的性能。圖3為仿真采用的室內(nèi)場(chǎng)景。房間的尺寸為L(zhǎng)X=LZ=470 cm，兩個(gè)長(zhǎng)1 m、厚0.1 m的內(nèi)墻在距離前墻2.2 m處，墻厚度TH=0.1 m，房間墻壁是混凝土結(jié)構(gòu)，相對(duì)介電常數(shù)ε=4.5，電導(dǎo)率σ=0.005 S/m。天線陣列長(zhǎng)度L=4 m，距離前墻為h=1 m，有N=16個(gè)天線單元，單元之間的間隔d=0.3 m，每個(gè)天線輻射中心頻率為1 GHz的高斯脈沖波，在快速時(shí)間窗tre=60 ns內(nèi)收集穿墻雷達(dá)回波。從第1幀到第10幀，目標(biāo)1的坐標(biāo)分別為(3.8,3.8)，(4.1,4.1)，(4.4,4.4)，(4.7,4.7)，(5.0,5.0)，(5.3,5.3)，(5.6,5.6)，(5.9,5.9)，(6.2,6.2)，(6.5,6.5)；目標(biāo)2的坐標(biāo)分別為(6.0,3.3)，(5.7,3.6)，(5.4,3.9)，(5.1,4.2)，(4.8,4.5)，(4.5,4.8)，(4.2,5.1)，(3.9,5.4)，(3.6,5.7)，(3.3,6.0)，軌跡如圖3所示。

圖3 GPRMAX仿真的室內(nèi)多目標(biāo)場(chǎng)景

圖4為第5幀BP處理后的圖像，黑圓為目標(biāo)實(shí)際位置，由圖可知，除了真實(shí)目標(biāo)，還有大量由墻體反射、天線耦合造成的背景噪聲。

圖4 第5幀BP成像效果圖

圖5對(duì)第5幀分別采用了CA-CFAR檢測(cè)(如圖5(a)所示)、OS-CFAR檢測(cè)(如圖5(b)所示)以及本文檢測(cè)算法(如圖5(c)所示)處理，并對(duì)3種檢測(cè)算法進(jìn)行了比較。圖中圓圈處為實(shí)際目標(biāo)位置，黑色斑點(diǎn)為算法檢測(cè)出的目標(biāo)位置。由圖可知，CA-CFAR檢測(cè)的圖像中目標(biāo)周圍存在大量虛警，不利于提取目標(biāo)信息；OS-CFAR檢測(cè)后，目標(biāo)周圍的虛警像素雖然清除，但是對(duì)強(qiáng)雜波引起的虛警的處理效果并不理想；本文檢測(cè)算法消除目標(biāo)周圍的虛警，并且較好地保留了目標(biāo)信息。

(c) 第5幀本文檢測(cè)算法圖5 基于第5幀圖像使用不同檢測(cè)算法所得二值圖

圖6為采用本文算法處理第2幀到第9幀的輸出結(jié)果，圖中只有動(dòng)目標(biāo)像素。綜上所述，本文算法不僅消除了室內(nèi)環(huán)境造成的虛警現(xiàn)象，而且對(duì)移動(dòng)目標(biāo)檢測(cè)具有較高的穩(wěn)定性。為了更加客觀地評(píng)價(jià)算法的檢測(cè)性能，將計(jì)算每個(gè)檢測(cè)結(jié)果的虛警率(False Alarm Rate，F(xiàn)AR)和均方根誤差(Root-Mean-Square Error，RMSE)。FAR為雜波區(qū)域像素個(gè)數(shù)的比值與整個(gè)區(qū)域像素個(gè)數(shù)的比值，F(xiàn)AR值越小，說明背景噪聲造成的虛警像素越少。RMSE為測(cè)量目標(biāo)位置與真實(shí)目標(biāo)位置的均方根誤差，RMSE值越小，說明檢測(cè)出目標(biāo)的位置越準(zhǔn)確。從表1可知，CA-CFAR，OS-CFAR檢測(cè)算法的FAR值較大，虛警較嚴(yán)重，對(duì)目標(biāo)信息提取影響較大；而本文的FAR值和RMSE值均小于上述兩種算法，消除了虛警現(xiàn)象，較精確地保留了目標(biāo)的位置信息。

(a) 第2幀 (b) 第3幀

(c) 第4幀 (d) 第5幀

(e) 第6幀 (f) 第7幀

(g) 第8幀 (h) 第9幀圖6 數(shù)據(jù)幀檢測(cè)輸出結(jié)果

算法FARRMSECA-CFAR0.02070.2419OS-CFAR0.01660.1333本文檢測(cè)算法00.0866

4.2 實(shí)測(cè)結(jié)果分析

為了進(jìn)一步驗(yàn)證本文算法在實(shí)際場(chǎng)景中的性能，使用了穿墻雷達(dá)系統(tǒng)對(duì)房間內(nèi)兩個(gè)移動(dòng)人體收集回波數(shù)據(jù)，實(shí)驗(yàn)場(chǎng)景如圖7所示。雷達(dá)系統(tǒng)由矢量網(wǎng)絡(luò)分析儀器和天線陣列搭建(如圖7(b)所示)。天線單元共6個(gè)，間隔為27 cm。矢量網(wǎng)絡(luò)分析儀工作頻率為1～2 GHz，起始頻率為1 GHz，頻率步進(jìn)為5 MHz，雷達(dá)系統(tǒng)放置在離墻10 cm處。兩個(gè)人體目標(biāo)在房間內(nèi)直線移動(dòng)(如圖7(c)所示)。

(a) 實(shí)測(cè)場(chǎng)景示意圖

圖7 實(shí)測(cè)場(chǎng)景

(a) 第2幀CA-CFAR檢測(cè) (b) 第2幀OS-CFAR檢測(cè)

(c) 第2幀本文檢測(cè)算法圖8 基于第2幀圖像使用不同檢測(cè)算法所得二值圖

圖8為分別采用CA-CFAR檢測(cè)(如圖8(a)所示)、OS-CFAR檢測(cè)(如圖8(b)所示)以及本文檢測(cè)算法(如圖8(c)所示)三種算法處理雷達(dá)圖像的第2幀。由圖可知，CA-CFAR檢測(cè)的圖像中存在大量虛警，不利于提取目標(biāo)信息，同時(shí)，由于目標(biāo)旁瓣較大引起了拖尾現(xiàn)象；OS-CFAR檢測(cè)后，目標(biāo)周圍的虛警像素點(diǎn)雖然被清除，但是對(duì)目標(biāo)旁瓣較大的處理效果并不理想；本文檢測(cè)算法消除目標(biāo)周圍的虛警，并且較好地保留了目標(biāo)信息。

圖9為采用本文算法處理實(shí)測(cè)數(shù)據(jù)中第2幀到第7幀的輸出結(jié)果，圖中成功檢測(cè)出移動(dòng)目標(biāo)。上述實(shí)驗(yàn)驗(yàn)證了仿真實(shí)驗(yàn)中得出的結(jié)論。本文算法不僅消除了室內(nèi)環(huán)境造成的虛警現(xiàn)象，而且對(duì)移動(dòng)目標(biāo)檢測(cè)具有較高的穩(wěn)定性。表2客觀表明CA-CFAR，OS-CFAR檢測(cè)算法的FAR值較大，虛警較多，對(duì)目標(biāo)信息提取影響較大；而本文的FAR值和RMSE值均小于上述兩種算法，消除了虛警現(xiàn)象，較精確地保留了目標(biāo)的位置信息。

(a) 第2幀 (b) 第3幀

(c) 第4幀 (d) 第5幀

(e) 第6幀 (f) 第7幀圖9 實(shí)測(cè)數(shù)據(jù)幀檢測(cè)輸出結(jié)果

算法FARRMSECA-CFAR0.01040.2183OS-CFAR0.00920.2209本文檢測(cè)算法00.1369

5 結(jié)束語

本文提出的穿墻雷達(dá)信號(hào)動(dòng)目標(biāo)檢測(cè)的動(dòng)態(tài)閾值ViBe算法，通過結(jié)合改進(jìn)的動(dòng)態(tài)閾值ViBe檢測(cè)算法、三幀差和保留連通域的方法，使其能實(shí)時(shí)地適應(yīng)穿墻雷達(dá)圖像動(dòng)目標(biāo)像素值變化問題，消除目標(biāo)周圍的虛警。仿真數(shù)據(jù)驗(yàn)證和實(shí)測(cè)試驗(yàn)結(jié)果表明該方法的有效性，能充分利用動(dòng)目標(biāo)的運(yùn)動(dòng)屬性，有效克服墻體雜波、耦合信號(hào)和噪聲，提取動(dòng)目標(biāo)信息。