基于改进ViBe的穿墙雷达动目标检测算法

郑志鹏,刘庆华,晋良念

(桂林电子科技大学信息与通信学院,广西桂林 541004)

摘 要: 针对穿墙雷达接收到的回波信号较弱,成像中的耦合信号有所增强,传统动目标检测算法不能完全消除检测后图像中虚警现象的问题,提出一种改进的动态阈值ViBe检测算法,使其能适应穿墙雷达图像动目标像素值变化问题;采用三帧差,消除由墙体和天线耦合等强杂波导致的“鬼影”现象,并利用目标的扩展特性,采取保留连通域的方法,消除了图像中的孤立噪点。实验结果表明,该方法可以有效消除室内强杂波引起的虚警现象,准确、实时地提供目标的位置信息,并具有一定的鲁棒性。

关键词: 穿墙雷达; 动目标检测; 视觉背景提取; 帧间差分

0 引 言

穿墙雷达(Through-Wall Radar,TWR)是通过发射超宽带(UWR)电磁波,穿透墙壁、树丛、隔板等障碍物,并分析接收到的目标回波信号,对隐藏在障碍物后的目标进行探测的新型雷达[1-2]

穿墙雷达动目标检测方法分为两种:一种是利用一维回波信号定位确定目标状态方法[3-4];另一种是通过回波信息成像后的目标检测方法[5]。后者较前者具有目标定位精度高,能以图像直观地展示目标信息。该方法包括对回波数据预处理、回波成像、目标检测、目标位置提取等方面[6]。本文基于图像域的检测原理,针对实时性较差,不能完全消除虚警现象等问题,提出了基于ViBe的穿墙雷达信号动目标检测改进方法,该方法不需要预处理步骤,简化了动目标检测方法步骤。

目前,在穿墙雷达基于图像域的目标检测方法中,Buonanno 等提取图像中像素最大值的20%作为全局阈值[7],Chalabi 等通过平均值和标准差设计阈值[8]。上述方法仅对单个移动目标的情况有效。且由于接收天线采集的穿墙雷达回波信号强度不均匀,将导致严重的漏检问题。为此,文献[9]采用恒虚警(Constant False Alarm Rate, CFAR)检测方法,通过局部信息自适应地计算阈值,较好地解决了漏检问题。但实验发现CFAR中有两个不足:一是封闭环境内存在强杂波,CFAR无法消除虚警像素点,干扰用户对目标信息的判断;二是CFAR需要对回波数据进行预处理,实时性较差。针对上述问题,本文提出基于ViBe动目标检测改进方法,该方法能够适应室内环境中强杂波干扰,实时地检测目标动态变化,准确地提供目标的位置信息。

ViBe(Visual Background Extractor)[10]算法常用于计算机视频处理中,它采用随机聚类技术从视频序列每一个像素的8邻域内随机采集样本用于初始化背景模型。背景模型不需要经过多帧的训练,从第2帧开始就可以检测出运动目标。但在穿墙雷达回波成像的多帧序列中,随着目标移动到不同位置,成像后的动目标像素值是不相等的,这与普通视频图像目标像素值相等有差异。因此,ViBe算法并不能直接用于穿墙雷达生成图像中动目标的识别。同时,由于初始的穿墙雷达图像背景样本中存在目标像素,导致结果中会出现“鬼影”像素点和孤立噪点等现象。

为了解决上述问题,本文改进传统ViBe算法,在算法中加入动态阈值,使其能适应穿墙雷达图像像素值变化问题。在此基础上,为避免“鬼影”像素点和孤立噪点等现象,利用三帧差[11]消除了“鬼影”现象,再利用连通域消除图像中的孤立噪点,弥补了ViBe算法的不足。通过仿真和实测实验,验证了本文方法可以准确提供目标的位置信息,消除虚警,具有实时性和稳定性,适合对穿墙雷达动目标进行检测。

1 信号模型与成像

超宽带穿墙雷达探测近似模型[12]如图1所示。

图1 超宽带穿墙雷达探测示意图

发射信号和回波信号间的关系用线性模型近似描述为

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

(1)

式中,d(t)代表穿墙雷达获取的回波信号,starget(t)代表墙体后真实目标的反射回波,swall(t)代表墙体直接反射信号产生的回波,scoupling(t)代表收发天线之间的直接耦合波,snoise(t)代表测量和系统引发的随机噪声,包括空间噪声和射频干扰信号。目标成像算法从回波信号d(t)检测出starget(t)。采用BP(Back Projection)[13]法成像。由于墙体等障碍物和天线耦合的存在,动目标电磁回波能量非常微弱,图像中出现大量的虚假像素点,影响检测算法准确地提取目标信息。本文的动目标检测改进方法可以解决上述问题。

2 ViBe算法原理

ViBe算法为每个背景像素点存储一个样本集合,将当前每一个新的像素值和样本集合比较,判断新的像素点是否为背景点。算法分为3个步骤:背景初始化、像素分类和背景更新策略。

2.1 背景模型初始化

算法采用第1帧图像构造初始背景模型。第1帧中的每一个像素v(x)的背景模型为N个样本组成的一个集合M(x),其中x为当前像素值。N个样本由v(x)自身邻域(通常为8邻域)随机抽样获得,重复抽取得到M(x),如式(2):

M(x)=(v(x1),v(x2),…,v(xj),…,v(xN))

(2)

式中,j∈(1,2,…,N)。

2.2 像素分类

ViBe算法从第2帧图像开始进行像素分类。假设当前待测像素点的像素值为P(x),欧式空间为SR(P(x)),P(x)为SR(P(x))的圆心,RSR(P(x))的半径。将M(x)与SR(P(x))取交集,输出结果为C(x),如式(3):

(3)

式中,TminM(x)与SR(P(x))交集个数的阈值。当M(x)与SR(P(x))交集个数大于TminP(x)为背景像素,C(x)=0;当M(x)与SR(P(x))交集数小于TminP(x)为目标像素,C(x)=1。

2.3 背景更新策略

采用无记忆策略来更新背景。当某个像素点被判定为背景像素点,则使用该背景像素点代替从M(x)随机选取的一个样本值,形成新的背景样本。这种无记忆更新策略避免了像素长期保留在背景模型中,使算法对环境有较强的适应性能。

3 自适应动态阈值ViBe算法

在不同时刻,随着目标移动,雷达接收的目标回波能量大小是变化的,这导致成像后不同时刻的动目标像素的像素值大小也是不相等的。如果直接采用传统的ViBe的固定阈值进行像素分类,处理后的图像中会出现大量虚警像素。同时,由于墙体、天线耦合等强杂波的干扰,图像中会出现“鬼影”和孤立噪声。为解决上述问题,本文提出采用自适应动态阈值,结合三帧差和连通域判定的方法。

3.1 动态阈值

R(x)由图像的最大值和M(x)的均方差σ(x)决定,如下式所示:

R(x)=0.5×max(M(x))×σ(x)

(4)

(5)

R(x)用于动目标像素的判别,代替传统ViBe像素分类。其步骤为:首先计算待测像素与样本值的差(v1,v2,…,vN)。假设#min定义为交点个数阈值。当R(x)与(v1,v2,…,vN)的交点个数小于#min时,该像素可视为移动目标(使用D1i(x,y)=1来表示)。否则,将其视为背景像素点(使用D1i(x,y)=0表示)。同时更新背景模型,如下式所示:

(v1,v2,…,vN)=(P(x)-v(x1),P(x)-

v(x2),…,P(x)-v(xN))

(6)

D1i(x,y)=

(7)

改进后的ViBe算法对阈值进行动态更新,能够很好适应动目标的变化,保留移动目标信息。

3.2 三帧差改进算法

ViBe背景模型初始化时,如果第一帧中存在移动物体,则检测结果中存在“鬼影”区域。本文使用三帧差算法提取动目标信息,弥补ViBe算法背景初始时不能存在目标的不足,进一步去除“鬼影”导致的虚警像素点。三帧差具体步骤如下:

首先,提取BP成像后相邻的三帧图像Ii-1IiIi+1(i为当前帧),计算帧间方差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,设置阈值Td(i,i-1)(x,y),d(i,i+1)(x,y)二值化,得到二值图像b(i,i-1)(x,y)和b(i,i+1)(x,y):

(10)

(11)

b(i,i-1)(x,y),b(i,i+1)(x,y)进行逻辑与操作。得到二值图像D2i(x,y),公式如下:

D2i(x,y)=

(12)

二值图像D2i(x,y)即为三帧差图像。图像中可以较清楚地观测到动目标信息,但由于目标在帧间的移动,图像中会出现“真空”现象。为了消除“真空”现象,通过形态学方法处理D2i(x,y),即使用3×3矩阵对图像进行腐蚀操作,然后用3×3膨胀填充“真空”小孔。

为了结合动态阈值ViBe和三帧差的优势,将动态阈值处理得到的二值图像D1i(x,y)和三帧差处理得到的二值图像D2i(x,y)进行逻辑“与”操作处理,得到图像Di(x,y)。公式如下:

(13)

图像Di(x,y)中,消除了“鬼影”像素点,动目标信息都可以较好地保留下来。

3.3 连通域判定

经过上述操作后,发现图像Di(x,y)中还存在一些孤立的噪点。本文采用连通域的思想去除孤立噪点。判断每个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连通,如果连通,则判断为目标;如果不连通,则判断为孤立噪点。连通域判定法处理后,Di(x,y)图像上只存在动目标像素。

3.4 改进算法流程

本文提出的动目标检测改进方法首先将原始回波数据进行BP成像,形成帧序列,然后将待测帧分别进行改进ViBe建模和像素分割,并采用三帧差提取动目标像素,处理结果通过连通域判定操作,得到动目标二值化图像,在图像中可以直观地观测动目标信息。算法总体流程图如图2所示。

图2 本文运动目标检测算法的流程图

4 仿真与实验结果分析

4.1 模拟仿真结果分析

采用基于GPRMAX仿真数据验证本文动目标检测算法的性能。图3为仿真采用的室内场景。房间的尺寸为LX=LZ=470 cm,两个长1 m、厚0.1 m的内墙在距离前墙2.2 m处,墙厚度TH=0.1 m,房间墙壁是混凝土结构,相对介电常数ε=4.5,电导率σ=0.005 S/m。天线阵列长度L=4 m,距离前墙为h=1 m,有N=16个天线单元,单元之间的间隔d=0.3 m,每个天线辐射中心频率为1 GHz的高斯脉冲波,在快速时间窗tre=60 ns内收集穿墙雷达回波。从第1帧到第10帧,目标1的坐标分别为(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);目标2的坐标分别为(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),轨迹如图3所示。

图3 GPRMAX仿真的室内多目标场景

图4为第5帧BP处理后的图像,黑圆为目标实际位置,由图可知,除了真实目标,还有大量由墙体反射、天线耦合造成的背景噪声。

图4 第5帧BP成像效果图

图5对第5帧分别采用了CA-CFAR检测(如图5(a)所示)、OS-CFAR检测(如图5(b)所示)以及本文检测算法(如图5(c)所示)处理,并对3种检测算法进行了比较。图中圆圈处为实际目标位置,黑色斑点为算法检测出的目标位置。由图可知,CA-CFAR检测的图像中目标周围存在大量虚警,不利于提取目标信息;OS-CFAR检测后,目标周围的虚警像素虽然清除,但是对强杂波引起的虚警的处理效果并不理想;本文检测算法消除目标周围的虚警,并且较好地保留了目标信息。

(c) 第5帧本文检测算法
图5 基于第5帧图像使用不同检测算法所得二值图

图6为采用本文算法处理第2帧到第9帧的输出结果,图中只有动目标像素。综上所述,本文算法不仅消除了室内环境造成的虚警现象,而且对移动目标检测具有较高的稳定性。为了更加客观地评价算法的检测性能,将计算每个检测结果的虚警率(False Alarm Rate,FAR)和均方根误差(Root-Mean-Square Error,RMSE)。FAR为杂波区域像素个数的比值与整个区域像素个数的比值,FAR值越小,说明背景噪声造成的虚警像素越少。RMSE为测量目标位置与真实目标位置的均方根误差,RMSE值越小,说明检测出目标的位置越准确。从表1可知,CA-CFAR,OS-CFAR检测算法的FAR值较大,虚警较严重,对目标信息提取影响较大;而本文的FAR值和RMSE值均小于上述两种算法,消除了虚警现象,较精确地保留了目标的位置信息。

(a) 第2帧 (b) 第3帧

(c) 第4帧 (d) 第5帧

(e) 第6帧 (f) 第7帧

(g) 第8帧 (h) 第9帧
图6 数据帧检测输出结果

表1 仿真性能对比

算法FARRMSECA-CFAR0.02070.2419OS-CFAR0.01660.1333本文检测算法00.0866

4.2 实测结果分析

为了进一步验证本文算法在实际场景中的性能,使用了穿墙雷达系统对房间内两个移动人体收集回波数据,实验场景如图7所示。雷达系统由矢量网络分析仪器和天线阵列搭建(如图7(b)所示)。天线单元共6个,间隔为27 cm。矢量网络分析仪工作频率为1~2 GHz,起始频率为1 GHz,频率步进为5 MHz,雷达系统放置在离墙10 cm处。两个人体目标在房间内直线移动(如图7(c)所示)。

(a) 实测场景示意图

图7 实测场景

(a) 第2帧CA-CFAR检测 (b) 第2帧OS-CFAR检测

(c) 第2帧本文检测算法
图8 基于第2帧图像使用不同检测算法所得二值图

图8为分别采用CA-CFAR检测(如图8(a)所示)、OS-CFAR检测(如图8(b)所示)以及本文检测算法(如图8(c)所示)三种算法处理雷达图像的第2帧。由图可知,CA-CFAR检测的图像中存在大量虚警,不利于提取目标信息,同时,由于目标旁瓣较大引起了拖尾现象;OS-CFAR检测后,目标周围的虚警像素点虽然被清除,但是对目标旁瓣较大的处理效果并不理想;本文检测算法消除目标周围的虚警,并且较好地保留了目标信息。

图9为采用本文算法处理实测数据中第2帧到第7帧的输出结果,图中成功检测出移动目标。上述实验验证了仿真实验中得出的结论。本文算法不仅消除了室内环境造成的虚警现象,而且对移动目标检测具有较高的稳定性。表2客观表明CA-CFAR,OS-CFAR检测算法的FAR值较大,虚警较多,对目标信息提取影响较大;而本文的FAR值和RMSE值均小于上述两种算法,消除了虚警现象,较精确地保留了目标的位置信息。

(a) 第2帧 (b) 第3帧

(c) 第4帧 (d) 第5帧

(e) 第6帧 (f) 第7帧
图9 实测数据帧检测输出结果

表2 实验性能对比

算法FARRMSECA-CFAR0.01040.2183OS-CFAR0.00920.2209本文检测算法00.1369

5 结束语

本文提出的穿墙雷达信号动目标检测的动态阈值ViBe算法,通过结合改进的动态阈值ViBe检测算法、三帧差和保留连通域的方法,使其能实时地适应穿墙雷达图像动目标像素值变化问题,消除目标周围的虚警。仿真数据验证和实测试验结果表明该方法的有效性,能充分利用动目标的运动属性,有效克服墙体杂波、耦合信号和噪声,提取动目标信息。

参考文献

[1] CORBETT B, ANDRE D, FINNIS M. Through-Wall Detection and Imaging of a Vibrating Target Using Synthetic Aperture Radar[J]. Electronics Letters, 2018, 53(15):991-995.

[2] LIANG Fulai, LIU Miao, LI Haonan, et al. Through-the-Wall Imagery of Human Vital Signs Using UWB MIMO Bioradar[C]∥ IEEE 2nd Information Technology, Networking, Electronic and Automation Control Conference, Chengdu: IEEE, 2017:924-927.

[3] LIU Jiangang, CUI Guolong, JIA Yong, et al. Sidewall Detection Using Multipath in Through-Wall Radar Moving Target Tracking[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(6):1372-1376.

[4] WU Shiyou, FANG Guangyou. Detection and Tracking of Moving Target Behind Wall Using UWB Through-Wall Radar[C]∥ International Conference on Intelligent System Design and Engineering Application, Changsha: IEEE, 2010:605-608.

[5] LIU Jianqiang, CUI Guolong, KONG Lingjiang, et al. Multiple Moving Targets Tracking for Through-Wall Imaging Radar[C]∥ IEEE Radar Conference, Arlington, VA: IEEE, 2015:501-505.

[6] GENNARELLI G , VIVONE G, BRACA P, et al. Multiple Extended Target Tracking for Through-Wall Radars[J]. IEEE Trans on Geoscience and Remote Sensing, 2015, 53(12):6482-6494.

[7] BUONANNO A, D’URSO M, PRISCO G, et al. A New Measurement Method for Through-the-Wall Detection and Tracking of Moving Targets[J]. Measurement, 2013, 46(6):1834-1848.

[8] CHALABI I, MEZACHE A, SOLTANI F, et al. CFAR Detectors for MIMO Radars in a Pareto Background[C]∥ Seminar on Detection Systems Architectures and Technologies, Algiers, Algeria: IEEE, 2017:1-6.

[9] MARTONE A, RANNEY K, INNOCENTI R. Automatic Through the Wall Detection of Moving Targets Using Low-Frequency Ultra-Wideband Radar[C]∥ IEEE Radar Conference, Washington, DC: IEEE, 2010:39-43.

[10] XU Yiming, ZHANG Juan, GU Juping, et al. An Optimized Vibe Target Detection Algorithm Based on Gray Distribution and Minkowski Distance[C]∥ 32nd Youth Academic Annual Conference of Chinese Association of Automation, Hefei: IEEE, 2017:66-71.

[11] HUANG Wenchao, KANG Yake, ZHENG Song. An Improved Frame Difference Method for Moving Target Detection[C]∥ Chinese Automation Congress, Jinan: IEEE, 2017:1537-1541.

[12] FU Qingxia, ZHANG Jing. Moving Target Detection Based on Motion Filter and Tracking Point Cohesion for Through Wall Radar[C]∥ CIE International Conference on Radar, Guangzhou: IEEE, 2016:1-4.

[13] RAN Lei, LIU Zheng, ZHANG Lei, et al. Multiple Local Autofocus Back-Projection Algorithm for Space-Variant Phase-Error Correction in Synthetic Aperture Radar[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(9):1241-1245.

Dynamic Threshold ViBe Algorithm for Moving Target Detection of Through-Wall Radar

ZHENG Zhipeng, LIU Qinghua, JIN Liangnian

(School of Information and Communication, Guilin University of Electronic Technology, Guilin 541004, China)

Abstract: For the problems such as weak echo signals received by the through-wall radar, enhanced coupled signals in the image, and the false alarm phenomenon in the detected image that the traditional moving target detection algorithm cannot completely eliminate, we propose an improved dynamic threshold ViBe detection algorithm. It can be adapted to the problem of the pixel value change of the moving target in through-wall radar image. The three-frame difference is used to eliminate the “ghosting” phenomenon caused by strong clutter such as wall and antenna coupling. The isolated noises in the image are eliminated by taking advantage of the extended characteristics of the target and by means of reserving the connecting domains. The experimental results show that the proposed method can effectively eliminate the false alarm caused by strong clutter in the room, provide accurate and real-time location information of the target, and have certain robustness.

Key words: through-wall radar; moving target detection; visual background extractor; inter-frame difference entropy

中图分类号:TN957.52

文献标志码:A

文章编号:1672-2337(2019)04-0433-07

DOI:10.3969/j.issn.1672-2337.2019.04.013

收稿日期: 2018-08-12; 修回日期: 2018-08-31

基金项目: 国家自然科学基金(No.61461012); 广西自然科学基金(No.2016GXNSFAA380036); 广西无线宽带通信与信号处理重点实验室主任基金项目(No.GXKL06160110); 广西科技开发项目(No.1599005-2-1)

作者简介

郑志鹏 男,1993年生,广东韶关人,桂林电子科技大学信息与通信学院硕士研究生,主要研究方向为穿墙雷达信号处理。E-mail:447232708@qq.com

刘庆华 女,1974年生,四川南江人,获西安电子科技大学信号与信息处理博士学位,桂林电子科技大学信息与通信学院副教授、硕士生导师,在国内外核心期刊上发表论文50余篇,其中SCI和EI收录20篇,主要研究方向为自适应信号处理、阵列信号处理。

晋良念 男,1974年生,四川简阳人,博士,副教授,主要研究方向为信号与信息处理、隐藏目标探测理论与方法、穿墙雷达和探地雷达系统设计与实现,在国内外学术期刊上发表论文30余篇,EI收录20余篇,担任国内核心期刊的审稿人。