一種基于自適應(yīng)相關(guān)熵的生命探測(cè)方法

吳若凡， 崔國(guó)龍， 郭世盛， 李虎泉， 孔令講

(電子科技大學(xué)信息與通信工程學(xué)院， 四川成都 611731)

0 引言

在科學(xué)技術(shù)高度發(fā)展的今天，雷達(dá)生命跡象探測(cè)有著重大的意義。軍事方面，在反恐活動(dòng)中，它可以遠(yuǎn)距離跨越墻體等障礙物對(duì)室內(nèi)的人體情況進(jìn)行探測(cè)，從而有利于警方判斷形勢(shì)，制定解救人質(zhì)的方案；救災(zāi)方面，當(dāng)?shù)卣?、泥石流等自然?zāi)害發(fā)生時(shí)，受難群眾往往被掩埋在倒塌的建筑物或砂石留下的廢墟中，通過(guò)雷達(dá)生命跡象探測(cè)技術(shù)，救援人員在不進(jìn)行挖掘的情況下就可以得到被埋人員的大致位置，從而增大搜救成功率；而在醫(yī)療方面，醫(yī)生往往需要對(duì)病人呼吸和心率進(jìn)行監(jiān)控來(lái)判斷病人的病情是否有變化，通過(guò)雷達(dá)的無(wú)接觸式探測(cè)，一方面可以減輕患者的痛苦，另一方面便捷了醫(yī)院的操作。

在雷達(dá)生命跡象探測(cè)領(lǐng)域，國(guó)內(nèi)外許多研究機(jī)構(gòu)已經(jīng)開展了相關(guān)研究工作并取得了一定的成果。文獻(xiàn)[1]提出了基于短時(shí)傅里葉變換的算法，實(shí)現(xiàn)了對(duì)呼吸頻率的有效提??；文獻(xiàn)[2]采用變分模態(tài)分解(Variational Mode Decomposition, VMD)的算法，成功得到了場(chǎng)景內(nèi)人體呼吸頻率和心跳頻率；文獻(xiàn)[3]采用希爾伯特振動(dòng)分解(Hilbert Vibrational Decomposition, HVD)的方法，在穿墻的條件下實(shí)現(xiàn)了對(duì)多目標(biāo)呼吸頻率的提取。但是上述算法都無(wú)法獲得場(chǎng)景中目標(biāo)的距離信息。文獻(xiàn)[4]基于步進(jìn)頻連續(xù)波雷達(dá)，提出了一種利用距離門和動(dòng)目標(biāo)檢測(cè)(Moving Target Detection, MTD)濾波的生命跡象探測(cè)方法，實(shí)現(xiàn)了目標(biāo)測(cè)距和頻率信息的獲取。文獻(xiàn)[5]基于調(diào)頻連續(xù)波雷達(dá)，提出了一種雙參數(shù)最小均方(Least Mean Square, LMS)濾波器的生命信號(hào)提取算法，有效地分離出了多目標(biāo)的呼吸和心跳信號(hào)。文獻(xiàn)[6]提出了一種基于互相關(guān)熵的生命跡象探測(cè)方法，實(shí)現(xiàn)了在非高斯噪聲背景下的生命跡象探測(cè)與參數(shù)估計(jì)。然而，當(dāng)場(chǎng)景中的人體目標(biāo)被其他目標(biāo)遮擋時(shí)，采用上述方法難以實(shí)現(xiàn)對(duì)所有目標(biāo)的探測(cè)。

為了解決遮擋目標(biāo)的探測(cè)問(wèn)題，文獻(xiàn)[7-8]采用了基于多站雷達(dá)的互相關(guān)算法，該類算法雖然可以實(shí)現(xiàn)對(duì)遮擋場(chǎng)景中所有目標(biāo)的探測(cè)，但是卻需要用到多臺(tái)雷達(dá)，并且對(duì)雷達(dá)的放置位置有著較為嚴(yán)格的要求，故實(shí)際使用時(shí)具有一定的局限性。為了克服這一局限性，本文在一發(fā)一收步進(jìn)頻連續(xù)波雷達(dá)體制下，提出了一種基于自適應(yīng)相關(guān)熵的生命跡象探測(cè)方法，利用預(yù)檢測(cè)得到目標(biāo)可能出現(xiàn)的距離單元及對(duì)應(yīng)的幅度，從而自適應(yīng)地調(diào)節(jié)不同距離單元上相關(guān)熵的參數(shù)，通過(guò)對(duì)每個(gè)距離單元上不同周期的數(shù)據(jù)進(jìn)行相關(guān)熵處理，實(shí)現(xiàn)了對(duì)弱目標(biāo)的增強(qiáng)，最終在RD平面得到了包括遮擋目標(biāo)在內(nèi)所有人體目標(biāo)的呼吸頻率和距離信息。

1 回波模型

假設(shè)發(fā)射波形s(t)為步進(jìn)頻信號(hào)，可以表示為[4]

(1)

式中，N為步進(jìn)頻率數(shù)，f0為起始頻率，Δf為步進(jìn)頻率間隔，T為步進(jìn)持續(xù)時(shí)長(zhǎng)。

假設(shè)探測(cè)的目標(biāo)個(gè)數(shù)為P，第p個(gè)目標(biāo)的初始距離r0p,所有目標(biāo)除了呼吸和心跳微動(dòng)以外沒(méi)有其他運(yùn)動(dòng)，則第p個(gè)目標(biāo)到雷達(dá)的實(shí)時(shí)距離，可以寫成

rp(t)=r0p+Δrp(t)

(2)

式中，Δrp(t)為第p個(gè)目標(biāo)心跳和呼吸所引起的微動(dòng)位移，一般將其建模成正弦信號(hào)的形式，具體表示如下：

Δrp(t)=AH,psin(2πfH,pt+φH,p)+

AB,psin(2πfB,pt+φB,p)

(3)

式中：AH,p，fH,p，φH,p表示第p個(gè)目標(biāo)心跳的幅度、頻率和初相位；AB,p，fB,p，φB,p表示第p個(gè)目標(biāo)呼吸的幅度、頻率和初相位。由于心跳的回波信號(hào)在實(shí)際應(yīng)用中十分微弱，因此本文中只考慮了呼吸對(duì)雷達(dá)回波的影響。對(duì)應(yīng)的雷達(dá)回波時(shí)延表達(dá)式為

(4)

(5)

Sc(m,t)=

(6)

式中，m=1,2,…,M，M為處理的總周期數(shù)，Γp為第p個(gè)目標(biāo)的反射系數(shù)。對(duì)接收到的回波信號(hào)進(jìn)行I/Q解調(diào)，得到正交兩路差拍信號(hào)。再將兩路差拍信號(hào)變成數(shù)字信號(hào)并進(jìn)行周期為T的重采樣，就可以得到包含人體微動(dòng)信息的基帶復(fù)數(shù)信號(hào)：

(7)

式中，n=0,1,2,…,N-1。

觀察式(7)可知，基帶信號(hào)c(m,n)等效于是對(duì)頻域信號(hào)進(jìn)行周期為Δf的采樣得到的，所以又可以表示為

(8)

式中，f=0,Δf,2Δf,…,(N-1)Δf，用于頻域表達(dá)式。通過(guò)對(duì)式(8)進(jìn)行補(bǔ)零，可得到

(9)

式中，f′=f0,f0+Δf,…,f0+(N-1)Δf，B為發(fā)射信號(hào)帶寬,B=(N-1)Δf，fc=f0+B/2為中心頻率。

對(duì)式(9)進(jìn)行逆傅里葉變換(IFFT)，可以得到

exp(-j2πfc(t-τp,m))

(10)

當(dāng)回波時(shí)延t=τp,m，第p個(gè)sinc脈沖幅度達(dá)到最大值，又因?yàn)棣雍湍繕?biāo)距離有著一一對(duì)應(yīng)的關(guān)系，因此式(10)的結(jié)果就包含了所有目標(biāo)的距離信息。對(duì)式(10)的結(jié)果沿快時(shí)間域進(jìn)行采樣，即可得到回波的多幀距離像，其表達(dá)式為

exp(-j2πfc(tk-τp,m))

(11)

式中,k=1,2,…,K為距離單元序數(shù)，K為距離單元的總數(shù)。由式(11)可知，|Γp|直接關(guān)系到第p個(gè)目標(biāo)在距離像上的幅度。Γp的主要影響因素為目標(biāo)的雷達(dá)散射截面積(Radar-Cross Section, RCS)和目標(biāo)到雷達(dá)的距離[9]。對(duì)于生命探測(cè)，在探測(cè)場(chǎng)地不大的時(shí)候，上述兩個(gè)因素對(duì)Γp的影響有限，不同目標(biāo)的回波強(qiáng)度相差并不大。但是，一旦場(chǎng)景中存在兩個(gè)或以上的目標(biāo)出現(xiàn)在雷達(dá)同一個(gè)方位向上，前方目標(biāo)就會(huì)對(duì)后方目標(biāo)構(gòu)成遮擋。不妨假設(shè)有兩個(gè)目標(biāo)出現(xiàn)在雷達(dá)同一個(gè)方位向上，第s個(gè)目標(biāo)被前方目標(biāo)遮擋了，那么此時(shí)式(11)可以寫成

d(m,k)=ΓsBsinc[B(tk-τs,m)]·

exp(-j2πfc(tk-τs,m))+

exp(-j2πfc(tk-τp,m))

(12)

對(duì)于被遮擋的第s個(gè)目標(biāo)，雷達(dá)信號(hào)在到達(dá)和返回時(shí)都會(huì)因穿透遮擋它的前方目標(biāo)而產(chǎn)生衰減，故Γs和Γp≠s往往會(huì)有較大的差距。由式(12)可以看出，直接由峰值對(duì)目標(biāo)進(jìn)行檢測(cè)會(huì)造成遮擋目標(biāo)的探測(cè)困難。

2 基于自適應(yīng)相關(guān)熵的生命探測(cè)算法

針對(duì)傳統(tǒng)算法難以解決的遮擋目標(biāo)探測(cè)問(wèn)題，本文提出了一種基于自適應(yīng)相關(guān)熵的檢測(cè)算法對(duì)這些微弱目標(biāo)進(jìn)行自適應(yīng)的增強(qiáng)，使它們更加容易被檢測(cè)出。

2.1 相關(guān)熵的定義與分析

隨機(jī)過(guò)程相關(guān)熵的定義式為[6]

(13)

式中，E[·]表示隨機(jī)過(guò)程變量xt的數(shù)學(xué)期望，而

(14)

將式(14)代入式(13)，經(jīng)由指數(shù)函數(shù)的泰勒級(jí)數(shù)展開，可以得到

(15)

對(duì)于離散時(shí)間平穩(wěn)隨機(jī)過(guò)程，自相關(guān)熵可表示為

V[m]=E[k(x(n)-x*(n-m))]

(16)

式中，x(n)為離散時(shí)間隨機(jī)過(guò)程。自相關(guān)熵V[m]可以通過(guò)式(17)計(jì)算得到：

(17)

V[m]的傅里葉變換表達(dá)式為

(18)

P(ω)即為相關(guān)熵譜，它體現(xiàn)了隨機(jī)過(guò)程的頻域特征。在雷達(dá)生命探測(cè)中，P(ω)就包含了目標(biāo)的呼吸頻率信息[10]。

為了進(jìn)一步明確σ參數(shù)會(huì)對(duì)相關(guān)熵處理的輸出結(jié)果以及最終生命探測(cè)的效果所帶來(lái)的影響，以下將會(huì)進(jìn)行簡(jiǎn)要分析。

圖1 函數(shù)k(u)隨u的變化曲線示意圖

考慮到二范數(shù)平方非負(fù)的特性，自變量u取值范圍為u>0。觀察圖1的變化曲線，可以直觀地得出：當(dāng)自變量u位于虛線右側(cè)時(shí)，相關(guān)熵的輸出隨自變量的變化十分微弱，幾乎無(wú)法體現(xiàn)出原始數(shù)據(jù)的變化特征；只有當(dāng)自變量u位于虛線左側(cè)時(shí)，相關(guān)熵的輸出才可以較好地反映原始數(shù)據(jù)的變化規(guī)律。為了方便起見(jiàn)，我們將虛線左側(cè)的自變量區(qū)間稱為“最適區(qū)間”，對(duì)應(yīng)的相關(guān)熵輸出稱為“最適輸出”。

而對(duì)于生命探測(cè)，目標(biāo)區(qū)別于噪聲和雜波的最重要的特征就是目標(biāo)所在距離單元的值會(huì)隨著時(shí)間(不同幀之間)呈現(xiàn)出周期性的變化規(guī)律。因此，對(duì)于目標(biāo)所在距離單元，我們希望相關(guān)熵的自變量u應(yīng)位于最適區(qū)間內(nèi)。與之對(duì)應(yīng)的，噪聲和雜波處，我們則希望其自變量u位于最適區(qū)間外。

在實(shí)際算法應(yīng)用中，相關(guān)熵處理會(huì)依次遍歷所有的距離單元，對(duì)應(yīng)的上述自變量u的分子||xt-xt+τ*||2中，xt即為該距離單元內(nèi)第t個(gè)周期的數(shù)據(jù)。一般情況下，在周期間隔τ相同時(shí)，不同距離單元上的回波強(qiáng)度將會(huì)直接影響到該分子的值，回波強(qiáng)度越大則分子的值也越大。

因此，為了讓不同強(qiáng)度的目標(biāo)的自變量均位于最適區(qū)間內(nèi)，分母σ的值也需要隨著回波強(qiáng)度的變化而變化。

2.2 自適應(yīng)相關(guān)熵算法

為了讓不同強(qiáng)度的目標(biāo)的自變量均位于最適區(qū)間內(nèi)，本文提出了基于自適應(yīng)相關(guān)熵的算法。整個(gè)算法的流程圖如圖2所示。

圖2 算法的流程圖

由于IFFT得到的距離像-周期平面中含有大量靜態(tài)物體的雜波以及部分直流耦合，故首先需要進(jìn)行動(dòng)目標(biāo)顯示(Moving Target Indicator, MTI)處理，沿慢時(shí)間域進(jìn)行均值對(duì)消：

(19)

經(jīng)過(guò)MTI處理后的距離像-周期矩陣通過(guò)自適應(yīng)相關(guān)熵處理，得到增強(qiáng)了弱目標(biāo)的RD平面。隨后在該平面進(jìn)行人數(shù)判決與目標(biāo)測(cè)距，最終輸出目標(biāo)的人數(shù)、呼吸頻率和對(duì)應(yīng)的到雷達(dá)的距離。以下依次詳細(xì)介紹整個(gè)算法的流程。

2.2.1 自適應(yīng)相關(guān)熵處理

為了合理選取不同距離單元上σ參數(shù)的值，算法采用了目標(biāo)預(yù)檢測(cè)，首先對(duì)多周期的數(shù)據(jù)進(jìn)行非相干積累

(20)

式中，D為積累后的幅度，K為距離單元數(shù)。然后對(duì)D(k)使用低門限檢測(cè)的方法進(jìn)行目標(biāo)預(yù)檢測(cè)，得到目標(biāo)可能出現(xiàn)的距離單元序數(shù)和對(duì)應(yīng)的積累幅值

(21)

式中，Lacc為目標(biāo)可能出現(xiàn)的距離單元序數(shù)，A為對(duì)應(yīng)的積累幅值，ε為一個(gè)較低的門限。接著根據(jù)這些距離單元的積累幅值按照一定比例自適應(yīng)地調(diào)節(jié)對(duì)應(yīng)距離單元σ參數(shù)的值：

σtarget=βA

(22)

式中，σtarget為使目標(biāo)處取得最適輸出的參數(shù)，β為比例系數(shù)。以此為基礎(chǔ)對(duì)每個(gè)距離單元的數(shù)據(jù)進(jìn)行相關(guān)熵處理，對(duì)應(yīng)的公式為

(23)

式中，V(δ,k)表示對(duì)第k個(gè)距離單元周期間隔為δ的兩個(gè)數(shù)據(jù)進(jìn)行相關(guān)熵處理的結(jié)果，δ=1,2,…,M-1。σ(k)為第k個(gè)距離單元上的σ參數(shù)，其表達(dá)式為

除此之外，高速公路工程中的中心試驗(yàn)室也可以結(jié)合管理部門制定的各項(xiàng)管理制度，對(duì)工程各項(xiàng)數(shù)據(jù)進(jìn)行綜合分析，針對(duì)施工材料使用過(guò)程中遇到的問(wèn)題，提出妥善的建議，保證工程中的施工材料得到充分利用。對(duì)于高速公路工程中的施工單位來(lái)講，要根據(jù)中心試驗(yàn)室提出的意見(jiàn)，對(duì)原有的施工工藝進(jìn)行有效改進(jìn)，在保證高速公路工程整體施工質(zhì)量的基礎(chǔ)上，真正達(dá)到提高工程施工質(zhì)量控制水平的目的。

(24)

式中，S為一個(gè)遠(yuǎn)小于σtarget的數(shù)值，ε為過(guò)渡單元數(shù)，代表著目標(biāo)所影響的其兩側(cè)距離單元的總數(shù)。

V(δ,k)中，所有預(yù)檢測(cè)中得到的目標(biāo)都已經(jīng)得到了自適應(yīng)增強(qiáng)。隨后對(duì)V(δ,k)進(jìn)行低通濾波，去除那些預(yù)檢測(cè)中的由噪聲和雜波所帶來(lái)的虛警。

最后，對(duì)V(δ,k)沿慢時(shí)間域進(jìn)行快速傅里葉變換(Fast Fourier Transform, FFT)得到RD平面，從相關(guān)熵譜中提取出目標(biāo)的呼吸頻率。

2.2.2 人數(shù)判決與目標(biāo)測(cè)距

為了在RD平面進(jìn)行目標(biāo)檢測(cè)，首先對(duì)該平面中的點(diǎn)進(jìn)行二值化處理，然后進(jìn)行基于密度的帶有噪聲的空間聚類(Density Based Spatial Clustering of Applications with Noise, DBSCAN)[11]。該聚類方法可以自適應(yīng)地提取出各個(gè)目標(biāo)處的形心坐標(biāo)而不必事先設(shè)定目標(biāo)的個(gè)數(shù)。聚類得到的類別數(shù)即為目標(biāo)人數(shù)，得到的頻率fDBSCAN即為目標(biāo)的呼吸頻率。

為了減少由聚類引入的目標(biāo)距離與真實(shí)值的誤差。本文將聚類得出的目標(biāo)距離和目標(biāo)預(yù)檢測(cè)的結(jié)果進(jìn)行對(duì)比與匹配，以得出與真實(shí)值偏差最小的目標(biāo)距離。令聚類得出的目標(biāo)所在的距離單元序數(shù)為L(zhǎng)DBSCAN，最終輸出的目標(biāo)距離單元數(shù)為L(zhǎng)，則匹配的過(guò)程可以由下式表示：

L=Lacc(argmin(|Lacc-LDBSCAN|))

(25)

3 仿真結(jié)果

表1 雷達(dá)和場(chǎng)景參數(shù)

表2 人體目標(biāo)參數(shù)

(a) 距離像平面

(b) 非相干積累處理結(jié)果

(c) 經(jīng)相關(guān)熵處理后的RD平面

(d) 直接FFT得到的RD平面圖3 各階段仿真結(jié)果

圖3(a)是MTI后得到的距離像-周期平面的結(jié)果，可以看出6 m處的目標(biāo)由于被遮擋，其幅度比4 m處的目標(biāo)弱很多。按照文中提出的方法，非相干積累的處理結(jié)果在圖3(b)中顯示，通過(guò)一個(gè)較低的門限進(jìn)行檢測(cè)后，得到的目標(biāo)可能出現(xiàn)的位置為4.010 0，6.005 9，7.122 8，0.897 2和2.124 0 m，對(duì)應(yīng)的積累幅值分別為4.044 7，0.658 8，0.542 7，0.534 3和0.524 6。以此為基礎(chǔ)進(jìn)行自適應(yīng)相關(guān)熵處理，得到RD平面的結(jié)果如圖3(c)所示，可以看出4 m和6 m的目標(biāo)在RD平面上都很強(qiáng)，并且具有明顯的呼吸頻率特征。最終經(jīng)由人數(shù)判決和目標(biāo)測(cè)距，得到目標(biāo)人數(shù)為2個(gè)，距離為4.010 0和6.005 9 m，呼吸頻率為0.414 8 Hz和0.506 5 Hz。與仿真中設(shè)定的距離和頻率幾乎完全一致。為了方便進(jìn)行對(duì)比，圖3(d)給出了采用傳統(tǒng)的傅里葉變換算法，即在距離像-周期平面直接沿慢時(shí)間域進(jìn)行加窗FFT處理，得到的RD平面結(jié)果?？梢园l(fā)現(xiàn)在該RD平面中，后方6 m的目標(biāo)十分微弱，難以進(jìn)行檢測(cè)。

通過(guò)對(duì)比圖3(c)、(d)可以證明，該算法擁有弱目標(biāo)增強(qiáng)的效果，可以有效得出遮擋目標(biāo)的距離和呼吸頻率信息，由此證明了該算法的有效性。

4 實(shí)測(cè)數(shù)據(jù)處理結(jié)果

為了進(jìn)一步驗(yàn)證算法在實(shí)際應(yīng)用中對(duì)遮擋目標(biāo)探測(cè)的有效性，我們進(jìn)行了相關(guān)實(shí)驗(yàn)，并對(duì)采集到的數(shù)據(jù)進(jìn)行了處理。實(shí)驗(yàn)采用一發(fā)一收步進(jìn)頻連續(xù)波雷達(dá)，雷達(dá)系統(tǒng)的參數(shù)見(jiàn)表2。其中，由于實(shí)驗(yàn)條件限制，實(shí)際處理的周期數(shù)為350而不是仿真中的500。墻體厚度大約為30 cm。

穿墻實(shí)驗(yàn)場(chǎng)景如圖4(a)所示，圖中右上角為雷達(dá)的照片。

(a) 場(chǎng)景照片

(b) 坐標(biāo)系示意圖圖4 雙目標(biāo)遮擋場(chǎng)景

為了便于描述目標(biāo)和雷達(dá)的位置關(guān)系，建立如圖4(b)所示的坐標(biāo)系：雷達(dá)位于坐標(biāo)原點(diǎn)(0,0) m，緊貼著墻體拜訪，朝向Y軸正方向，兩個(gè)目標(biāo)一前一后站立，對(duì)應(yīng)的坐標(biāo)分別為(0,3) m和(0,5) m。在該場(chǎng)景中，前方目標(biāo)對(duì)后方目標(biāo)構(gòu)成了遮擋。

經(jīng)過(guò)MTI處理后得到距離像-周期平面的結(jié)果如圖5(a)所示?？梢钥闯?3 m的目標(biāo)十分明顯，但是5 m的目標(biāo)由于被遮擋而顯得十分微弱。圖5(b)是非相干積累的處理結(jié)果，通過(guò)低門限的檢測(cè)后，得到疑似目標(biāo)的位置為3 m和5 m兩處，對(duì)應(yīng)的積累幅度為147.9和12.31。以此為基礎(chǔ)進(jìn)行自適應(yīng)相關(guān)熵處理，得到的結(jié)果見(jiàn)圖5(c)，與圖5(a)對(duì)比可以發(fā)現(xiàn)，5 m處的遮擋目標(biāo)得到了明顯的增強(qiáng)，和3 m處的目標(biāo)有著相近的幅度。最后在經(jīng)由人數(shù)判決和目標(biāo)測(cè)距后，得到的目標(biāo)人數(shù)為2人，呼吸頻率分別為0.28 Hz和0.31 Hz，為人正常的呼吸頻率； 距離分別為3.021 2 m和4.943 8 m，與目標(biāo)實(shí)際距離的誤差僅為0.70%和1.14%。為了方便進(jìn)行對(duì)比，圖5(d)給出了傳統(tǒng)的傅里葉變換算法得到的RD平面結(jié)果，很明顯后方5 m的目標(biāo)十分微弱，難以進(jìn)行檢測(cè)。在經(jīng)由人數(shù)判決和目標(biāo)測(cè)距后，得到的目標(biāo)人數(shù)僅為1人，距離為3.021 2 m。由此可見(jiàn),傳統(tǒng)算法在該場(chǎng)景中無(wú)法探測(cè)到后方被遮擋的目標(biāo)。

(a) 距離像-周期平面

(b) 非相干積累處理結(jié)果

(c) 經(jīng)相關(guān)熵處理后的RD平面

(d) 直接FFT得到的RD平面圖5 實(shí)測(cè)數(shù)據(jù)處理結(jié)果

5 結(jié)束語(yǔ)

本文提出了一種基于自適應(yīng)相關(guān)熵的生命跡象探測(cè)算法，利用預(yù)檢測(cè)得到目標(biāo)可能出現(xiàn)的距離單元及對(duì)應(yīng)的幅度，從而自適應(yīng)地調(diào)節(jié)相關(guān)熵在不同距離單元的σ參數(shù)，通過(guò)對(duì)每個(gè)距離單元上不同周期的數(shù)據(jù)進(jìn)行相關(guān)熵處理，實(shí)現(xiàn)了對(duì)弱目標(biāo)的增強(qiáng)。之后采用低通濾波的方式，去除由預(yù)檢測(cè)引入的噪聲和雜波干擾，最終在RD平面得到了所有人體目標(biāo)的呼吸頻率和距離信息。實(shí)驗(yàn)證明，在存在遮擋現(xiàn)象的多目標(biāo)場(chǎng)景中，傳統(tǒng)的傅里葉變換算法無(wú)法探測(cè)到后方被遮擋的目標(biāo)；而使用文中提出的算法可以有效實(shí)現(xiàn)對(duì)弱目標(biāo)的增強(qiáng)，從而測(cè)得包括遮擋目標(biāo)在內(nèi)所有人體目標(biāo)的呼吸頻率和距離信息，測(cè)距誤差在2%以內(nèi)。