FMCW雷达人体姿态识别数据预处理

最近看了一篇FMCW雷达人体姿态识别数据预处理的博客(https://blog.csdn.net/weixin_42686221/article/details/125249386?spm=1001.2014.3001.5506)
下面说说最近想明白的一些东西；

最近一直在做FMCW雷达人体姿态识别分类相关的工作，简而言之，就是将深度学习领域相关的模型用在FMCW雷达姿态识别上，整个工作的流程也比较简单，今天主要总结一下其中的原始雷达数据预处理部分：

原始雷达数据处理
我们知道雷达工作的原理是发射一个电磁波，电磁波打到探测物上反射回来，接受天线接收到反射回来的回波信号，将该信号与发射信号进行混频处理，再经过滤波、放大等信号处理流程，将一个射频信号转化为一个基带信号，这个基带信号我们通常称为中频信号（IF信号），中频信号中携带着我们所需要的探测物的距离、速度、角度等信息，而这一步的雷达信号处理就是将这些信息分离出来。

但是我们的目的是利用深度学习做人体姿态的识别，这里通常的做法是将原始的雷达信号（通常看成一个radar cube三维立方体），可以看成快时间维（采样点数）*慢时间维（chirp数）*通道维这样的一个数据，经过处理得到一张微多普勒特征图（Micro-Doppler），再将该图像输入到深度学习模型中进行训练、分类，下图是几个不同姿势所得到的微多普勒特征图。

以上是我们要做什么的介绍，下面说说怎么做；

微多普勒特征图的生成方法并不唯一，现在大致分为以下这几种，也是最为常用的：

（1）流程比较简单，主要包括脉冲/距离压缩、MTI、STFT。
以英国格拉斯哥大学公开的一个人体行为的数据集为例，感兴趣的同学可以去下下来实验一番；

脉冲压缩：为了得到目标距离信息，需要进行脉冲压缩，脉冲压缩主要有两种方法：匹配滤波 和 Dechirp+FFT。前者针对LFM信号，后者针对混频后的中频信号。本文调频连续波雷达采用混频得到中频信号属于第二种形式。所以只需要对回波快时间维进行FFT即可得到回波的一维距离像，考虑到有环境背景噪声的影响，采取了加窗操作。
MTI：MTI本质就是个频域滤波器：可以抑制固定目标和慢速杂波。进行双脉冲对消，直接慢时间维差分就可以了。对于该数据集的处理，原作者使用了一个巴特沃斯的高通滤波器。
STFT：通过短时傅里叶变换提取目标的多普勒信息。
相关处理代码大家可以看最上方的链接，那里博主做了很详细的介绍。

（2）相较于（1）较为复杂，首先对Raw Data快时间维做FFT，得到一个Range bin，然后对慢时间维做FFT得到若干个距离-多普勒图（Range-Velocity map）（或者说，第一个 FFT 被称为 Range-FFT，它是沿着原始数据矩阵的每个 chirp 进行处理的，用来计算目标的距离。第二个 FFT 被称为 Doppler-FFT，沿着每个距离单元进行处理，用来计算目标的速度），距离-多普勒图中的每个元素都称为“距离单元”，在频域中，它以分贝表示。然后，对于每个距离-多普勒图将距离单元沿距离轴相加在一起以形成向量 e（即 L 个多普勒单元）。最后将𝑛个时间连续的帧组合在一起，就形成了一个时间长度为n帧的微多普勒特征图（时间-多普勒频谱图）E，此外，处理过程中可能还会采取加窗函数的方式防止频谱泄露等。

下面几张图是不同论文里的微多普勒特征图的生成过程，供大家理解消化。

除此之外，还有一些其它的方法可以得到微多普勒特征图，比如比如WVD变换、小波变换等，这些方法我怎么理解，这里便不再赘述。