作為一種顯著生物特征，人體動作在表征目標身份、判斷目標狀態和預測目標意圖等方面負責傳遞重要信息，在生活娛樂、安全監控、醫療健康和人機交互等領域應用廣泛。由于穿墻雷達發射的低頻電磁波信號對混凝土、樹叢、隔板、煙霧等常見非金屬障礙物具有很強穿透能力，觀測者能夠通過回波信號幅度、頻率和相位等參數的變化提取隱藏在障礙物后的目標信息，進而實現對目標動作的識別。

目前市面上一些典型穿墻雷達系統的相關參數如表1示。中南大學丁一鵬副教授團隊在《電子與信息學報》“超寬帶雷達及其應用技術”專題發表最新綜述文章《穿墻雷達人體動作識別技術的研究現狀與展望》，從方法論的角度探討基于穿墻雷達的人體動作識別方法，結合人體動作識別過程中的關鍵技術：雷達成像、特征參數提取和動作狀態判決對近年來國內外研究人員作出的努力進行回顧，并由此對該技術的發展趨勢進行展望。

表1?部分穿墻雷達產品的性能參數

表 2 不同體制穿墻雷達的探測特點比較

（1）雷達成像技術

通過將回波信號投影至距離（高度）-方位向的2維平面或距離-方位-高度向的3維平面，雷達成像技術可以在圖像域內完成對目標的特征信息提取。目前常用的穿墻雷達成像技術主要包括逆散射、時間反轉和后向投影等方法。

逆散射方法主要通過反演探測區域內電磁參數的分布特性來判斷散射體目標的位置、形狀和尺寸分布等信息，在理想條件下可以達到很高準確率。意大利環境電磁感知研究所Soldovieri等人提出一種基于Born假設和奇異值分解技術的快速求解方法，并將其應用于對人體目標的2維圖像重構中（見圖1）。

圖1 Soldovieri等人的人體目標探測場景和成像結果示意

美國杜克大學Zhang等人在Born假設基礎上引入障礙物介質的高階格林函數對非線性的反演問題進行化簡，結合傅里葉逆變換的近似求解結果完成對目標的3維成像（見圖2）。但該方法由于普遍存在非線性和病態性特點，導致求解過程往往需要進行反復迭代從而耗費大量的計算資源。

圖2 Zhang等人的人體目標探測場景和3維成像結果示意

時間反轉鏡方法利用電磁波在時不變介質中傳輸的互易性原理，通過將時間反轉變換后的回波反向傳輸至探測區域內完成信號在目標散射源位置的重聚焦，具有超越逆散射和后向投影方法的超分辨率成像效果。

法國土倫大學Dubroca等人提出一種結合奇異值分解和時間反轉鏡理論的成像方法，并基于分布式結構的穿墻雷達系統實現對障礙物后人體目標的2維成像與識別（見圖3）。

圖3 Dubroca等人的人體目標探測場景和成像結果示意

美國杜克大學Gollub等人提出一種適用于非均勻2維天線陣列的擴展時間反轉鏡方法，并基于24發72收K波段的調頻連續波雷達系統得到墻后人體目標的清晰3維圖像（見圖4）。但該方法對目標成像的累積時間較長，通常只適用于對靜止目標的相關探測。

圖4 Gollub等人的人體目標探測場景和成像結果示意

后向投影方法主要通過對不同位置接收天線處回波信號的相干疊加，將每個回波信號不同時刻的能量轉化為探測空間內相應位置的能量分布，并由此完成對目標回波能量的重聚焦，具有成像精準和分辨率可調的特點。

美國維拉諾瓦大學Ahmad等人最早基于步進變頻的雷達系統提出了一種基于延時求和波束形成技術的成像方法，開創了3維后向投影方法的先例（見圖5）。

圖5 Ahmad等人的目標探測場景和3維成像結果示意

中國電子科技大學崔國龍等人在已知墻體參數的情況下通過改進的后向投影算法對墻后目標進行成像（見圖6），在低頻分辨率受限的條件下成功識別出了人體目標的軀干、肢體等重要部位。但是后向投影算法存在計算量大、成像速度慢等缺陷。

圖6 Kong等人的人體目標探測場景和3維成像結果示意

（2）特征參數提取

除了對目標成像，研究者還可以選擇通過變換方法將穿墻雷達的回波信號投影至參數域，在參數域內完成對目標的特征信息挖掘，其中時頻分析技術是穿墻雷達在參數域內分析人體目標動作特征最常用的工具之一。以短時傅里葉變換為代表的線性時頻分析技術具有計算簡單、易于集成且沒有交叉項干擾等優點。

美國Chen等人詳細分析了人體動作中的錐旋分量對電磁波信號的調制影響，并重點分析了四肢部位在不同動作條件下產生微多普勒頻率軌跡的差異性（見圖7）。

圖7 Chen等人的目標特征參數提取結果示意

美國加利福尼亞州立大學Kim等人從回波信號的譜圖中估計目標的多普勒頻率和微多普勒頻率帶寬、峰值、周期等6種特征參數，實現對目標走路、跑步、爬行等7種不同動作的識別（見圖8）。

圖8 Kim等人的目標探測場景與特征參數提取結果示意

在之前工作中，本文作者丁一鵬教授在回波信號的譜圖基礎上利用人體運動的連續性特點，提出一種改進的Viterbi算法完成對目標不同部位微多普勒頻率軌跡的完整提取并將目標特征參數的估計精度提高90%以上。然而受到海森堡不確定性原理的限制，線性時頻分析技術普遍存在時間和頻率分辨率之間的折中矛盾，從而導致對目標特征參數的估計精度低。相比于線性變換，非線性的時頻變換方法通常具有更高的分辨率，能夠改善某些目標特征參數的估計精度。

美國維拉諾瓦大學Amin等人利用維格納-威利分布提取人體行為數據的局部瞬時頻率特征，對比分析了使用和不使用拐杖目標的時頻特征差異。歐洲黑山大學Orovic等人提出一種具有多分辨率特點的多時窗S變換方法，通過提取回波分量時頻曲線的包絡信息，實現對目標的步態動作識別（見圖9）。

圖9 Orovic等人的目標特征參數提取結果示意

但由于存在不可避免的交叉項干擾，非線性的時頻變換方法通常只能在局部區域內完成對目標的特征參數提取。除了直接從回波信號中提取特征參數，一些常用的分量分離算法也開始被廣泛應用于對目標特征參數的估計過程中。

美國維拉諾瓦大學Jokanovic等人通過主元分析算法依次提取穿墻雷達回波信號中具有最強能量的3個主導分量，并基于提取分量奇異值的分布規律完成對目標摔倒、坐下、彎腰和走路4種不同動作的識別。

荷蘭代爾夫特理工大學Groot等人提出了一種改進的粒子濾波算法對人體不同部位的微多普勒頻率軌跡進行估計，進而完成對人體動作的重構。

澳大利亞伍倫貢大學Le等人通過小波變換對回波信號進行分解，通過提取分量的能量分布差異完成對目標靜立、行走、起立等動作的識別。但由于這些傳統的分量分離算法通常不基于目標特性，其分離結果往往是部分或者多個人體部位回波分量的混疊，提取的特征參數在描述目標具體部位的精細動作時可能會出現偏差。

此外，還有許多算法嘗試在非時間-頻率的平面內提取目標動作的特征信息。例如，美國密蘇里大學Liu等人借鑒語音信號處理方法，在回波信號譜圖的基礎上進一步求取目標的梅爾頻率倒譜系數構建特征向量，完成對人體目標摔倒動作的識別。美國賓州州立大學Fairchild等人通過擴展經驗模式分解方法求取回波信號譜圖的本征模式函數，并基于本征模式函數的能量占比構建特征向量，完成對人體靜立、甩臂、拾取和站立等動作的識別。中國桂林電子科技大學蔣留兵等人提出一種基于小波包分解理論的回波信號特征提取算法，并結合奇異值分解技術對提取的特征信息進行數據降維，實現對步行、跑步、摔倒、跳躍等9種動作的識別。

（3）動作狀態的判決技術

目前大部分穿墻雷達對人體動作的判決方法主要基于傳統的機器學習理論，即首先根據觀測者經驗挑選合適的特征參數并構建相應特征空間，然后根據分類器預先設定的判決準則在特征空間內劃分決策邊界，最后將提取的目標特征參數映射到特征空間內形成對目標信息的有效表示，并根據特征參數的分布規律完成對目標動作的判決。常用的分類器主要包括支持向量機、貝葉斯或隱馬爾可夫分類器和決策樹等。

支持向量機基于分類誤差最小和類間距離最遠準則在特征空間內構建決策邊界，從而完成對目標屬性的識別。美國陶森大學Yang等人通過支持向量機對人體目標的走路和跑步動作進行識別，最高準確率達到96.05%。澳大利亞伍倫貢大學Li等人通過支持向量機對人體目標雙臂運動、單臂運動和無臂運動3種狀態進行識別，分類準確率達到92.8%。支持向量機具有計算效率高且對訓練樣本的數據量需求較低等特點，但識別性能嚴重依賴于對核函數的選擇，在實際應用中經常需要不斷調試尋找最優的核函數與懲罰系數。

貝葉斯分類器基于總體風險最小化準則在特征空間內構建決策邊界，并在樣本特征參數當前取值的條件下依據貝葉斯公式求出樣本屬于各個類別的條件概率，進而完成對人體目標的動作識別。

意大利帕多瓦大學Ricci等人通過通過貝葉斯分類器對人體目標的走路和跑步動作進行識別，最高準確率達到97.64%。土耳其Padar等人基于隱馬爾科夫分類器對人體行為的瞬時和長期變化進行建模，完成對目標的匍匐、爬行、走路和跑步4種動作進行識別，最高準確率達到100%。貝葉斯分類器具有計算效率高且對大樣本數據具有良好適應性等特點，但無法對多種類別組合型的數據作出判斷，且要求目標的特征參數服從正態和相互獨立假設，因此在實際應用中受到限制。

決策樹按屬性間的從屬關系層層遞進進行判決，而樹形結構的葉節點即為樣本所有可能的判決類別。例如，北京航空航天大學Lei等人基于人體動作的微多普勒頻率特征，構建多個支持向量機作為屬性集，并通過決策樹完成對目標旋轉、錐動和繞動3種動作的識別，最高準確率達到99.9%。

然而，傳統機器學習方法的主要問題是嚴重依賴于對目標特征信息的選取，而目前無論是基于經驗還是統計分析的特征信息選取方法在適用性和靈活性上都存在很大局限。因此，具有自適應特征提取和強大特征表征能力的深度學習技術在近年來開始受到人們的廣泛關注，并開始為穿墻雷達人體目標的動作識別技術提供一種集感知、處理、決策于一體的全新架構。

美國加利福尼亞州立大學Kim等人用雷達回波信號的譜圖結果訓練深度卷積神經網絡，完成對人體目標10種不同手勢的動作識別，最高準確率達到93.1%。中國深圳大學Zhu等人將雷達回波信號的譜圖結果進行維度變換，在LSTM混合網絡中對人體跑步、走路、爬行等7個動作進行識別，準確率達到98.28%。美國Google公司的Wang等人提出手勢識別系統Soli，在使用傳統卷積神經網絡對時頻圖像進行識別的基礎上，再加入一組循環神經網絡系統對回波信號的時序信息進行建模，達到87%以上的綜合識別率。

目前研究尚存在的不足

目前，對穿墻雷達的人體動作識別技術研究尚不完善，主要挑戰表現在：

? (a) 障礙物對目標特征信息的復合影響機制研究尚不充分。

? (b) 在保證良好穿透能力的前提下，提高人體動作識別的精細程度十分困難。

? (c) 在先驗知識未知的條件下，對目標動作起止時段的判定十分困難。

? (d) 對不同文獻中提出人體目標動作識別方法的性能比較十分困難。

此外，由于穿墻雷達應用場景的特殊性，如何在已有成果的基礎上在系統集成方面進一步完善，使其更加適應于穿墻探測實時性、魯棒性、低功率、小型化和便捷式的工程應用需求依然是未來穿墻雷達探測技術發展的重要挑戰。

未來展望

結合目前的發展情況與穿墻雷達人體目標動作識別的探測需求來看，未來一些可能的發展趨勢為：

? (a) 結合無線組網和數據融合技術，未來的穿墻雷達有望通過不同節點、不同體制和不同參數傳感單元間的協調工作，組建成一個特征描述更加完善，識別性能更加穩定的探測系統。

? (b) 穿墻雷達對人體目標的動作識別技術將出現在更加廣泛的應用領域中，如自動駕駛、微型機器人、虛擬現實等。此外，在一些涉及對用戶隱私信息保護的私密場景，有望代替圖像探測設備得到更廣泛的推廣。

? (c) 嵌入式系統將不再成為制約穿墻雷達實時運算處理的主要因素。借助5G通信等技術的飛速發展，云計算功能將穿墻雷達對多個目標復雜動作的實時同步監控變為可能。

2022級博士研究生招生進行中（物理、電子等專業），歡迎優秀推免和考研同學隨時咨詢報名！

2012年7月博士畢業于中國科學院電子學研究所；2012年9月入職中南大學物理與電子學院；2015年3月至2016年3月受國家留學基金委資助，前往美國布蘭迪斯大學計算機科學學院進行了一年的訪問研究，取得了豐富的研究成果。主講信號與系統（雙語）本科生課程，隨機信號與隨機過程研究生課程。近五年，申請人主持國防科技創新特區重點項目（國家級重點項目）、國家自然科學基金青年基金、中國博士后科學基金、湖南省自然科學基金青年基金、湖南省科技計劃共5項縱向課題，參與國家重點研發計劃、國家高技術研究發展計劃（863計劃）共2項重點課題；發表SCI論文30余篇，其中以第一或通信作者在IEEE Transactions on Microwave Theory and Techniques, IEEE Transactions on Instrumentation and Measurement, IEEE Transactions on Aerospace and Electronic Systems, IEEE sensors Journal, IEEE Antennas and Wireless Propagation Letters, IEEE Geoscience and Remote Sensing Letters等IEEE系列期刊發表論文20余篇；此外，申請人具有發明專利6項，受邀承擔10余個國內外著名期刊的審稿人。目前主要從事微波感知、雷達信號處理、機器學習和射頻電路設計等方面的研究。

歡迎對相關研究方向感興趣的博士生和研究生報考本人課題組！

↓↓↓?戳“閱讀原文”，加入“知識星球”，發現更多精彩內容.

?分享?? 點贊?? 在看??@以“三連”行動支持優質內容！