Represent Micro-Doppler Signature in Orders
作者: Weicheng Gao
分类: eess.SP, cs.CV
发布日期: 2026-02-13
备注: 17 pages, 8 figures, 5 tables
🔗 代码/项目: GITHUB
💡 一句话要点
提出基于切比雪夫时间图的微多普勒特征表征方法，用于穿墙雷达人体活动识别。
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 微多普勒特征 穿墙雷达 人体活动识别 切比雪夫多项式 时频分析
📋 核心要点
- 现有方法难以区分相似室内活动的微多普勒特征，且时频图数据量大，导致模型训练和推理效率低下。
- 提出切比雪夫时间图方法，利用正交切比雪夫多项式分解时频特征，将时频频谱映射到低维系数空间。
- 实验结果表明，该方法能有效表征武装和非武装人体活动，并在识别精度和数据维度间取得平衡。
📝 摘要（中文）
本文提出了一种基于多输入多输出穿墙雷达（TWR）的非视距人体活动感知方法，用于复杂环境。针对室内相似人体活动（如持枪行走和正常行走）的微多普勒特征区分度低，以及有效识别所需时频图规模大导致模型训练和推理效率低下的问题，提出了一种切比雪夫时间图方法，该方法利用多项式阶数来表征微多普勒特征。首先建立了人体运动的参数化运动学模型和TWR回波模型。然后，提出了一种基于正交切比雪夫多项式分解的时频特征表示方法。提取躯干和四肢的运动包络，并将时频频谱切片映射到鲁棒的切比雪夫时间系数空间，保留时频频谱的多阶形态细节信息。数值模拟和实验验证了该方法的有效性，表明该方法能够表征武装和非武装的室内人体活动，同时有效地压缩时频频谱的规模，从而在识别精度和输入数据维度之间取得平衡。本文的开源代码可在以下网址找到：https://github.com/JoeyBGOfficial/Represent-Micro-Doppler-Signature-in-Orders。
🔬 方法详解
问题定义：论文旨在解决穿墙雷达（TWR）人体活动识别中，相似活动微多普勒特征区分度低，以及时频图数据量大导致模型训练和推理效率低下的问题。现有方法难以有效提取和表征微多普勒特征，且计算复杂度高。
核心思路：论文的核心思路是利用正交切比雪夫多项式分解时频特征，将高维时频频谱映射到低维的切比雪夫时间系数空间。这种方法能够有效地压缩数据维度，同时保留时频频谱的多阶形态细节信息，从而提高识别精度和效率。
技术框架：该方法的技术框架主要包括以下几个阶段：1) 建立人体运动的参数化运动学模型和TWR回波模型；2) 提取躯干和四肢的运动包络；3) 基于正交切比雪夫多项式分解，将时频频谱切片映射到切比雪夫时间系数空间；4) 利用机器学习模型对切比雪夫时间系数进行分类，实现人体活动识别。
关键创新：该方法最重要的技术创新点在于提出了切比雪夫时间图，它是一种基于正交多项式分解的微多普勒特征表征方法。与传统的时频分析方法相比，切比雪夫时间图能够有效地压缩数据维度，同时保留时频频谱的多阶形态细节信息，从而提高识别精度和效率。
关键设计：论文的关键设计包括：1) 选择正交切比雪夫多项式作为分解基函数，以保证分解的有效性和稳定性；2) 提取躯干和四肢的运动包络，以减少噪声和干扰；3) 通过调整切比雪夫多项式的阶数，控制特征的维度和精度；4) 使用支持向量机（SVM）或深度学习模型对切比雪夫时间系数进行分类。
🖼️ 关键图片
📊 实验亮点
论文通过数值模拟和实验验证了所提出方法的有效性。实验结果表明，该方法能够有效地表征武装和非武装的室内人体活动，并在识别精度和输入数据维度之间取得平衡。具体性能数据未知，但论文强调了在压缩数据维度的同时，保持了识别精度的优势。
🎯 应用场景
该研究成果可应用于安防监控、智能家居、医疗健康等领域。例如，在安防监控中，可以利用穿墙雷达和该方法实现对室内人员活动的非接触式监测，提高安全性和隐私性。在智能家居中，可以用于识别用户的日常活动，提供个性化的服务。在医疗健康领域，可以用于监测患者的运动状态，辅助诊断和康复。
📄 摘要（原文）
Non-line-of-sight sensing of human activities in complex environments is enabled by multiple-input multiple-output through-the-wall radar (TWR). However, the distinctiveness of micro-Doppler signature between similar indoor human activities such as gun carrying and normal walking is minimal, while the large scale of input images required for effective identification utilizing time-frequency spectrograms creates challenges for model training and inference efficiency. To address this issue, the Chebyshev-time map is proposed in this paper, which is a method characterizing micro-Doppler signature using polynomial orders. The parametric kinematic models for human motion and the TWR echo model are first established. Then, a time-frequency feature representation method based on orthogonal Chebyshev polynomial decomposition is proposed. The kinematic envelopes of the torso and limbs are extracted, and the time-frequency spectrum slices are mapped into a robust Chebyshev-time coefficient space, preserving the multi-order morphological detail information of time-frequency spectrum. Numerical simulations and experiments are conducted to verify the effectiveness of the proposed method, which demonstrates the capability to characterize armed and unarmed indoor human activities while effectively compressing the scale of the time-frequency spectrum to achieve a balance between recognition accuracy and input data dimensions. The open-source code of this paper can be found in: https://github.com/JoeyBGOfficial/Represent-Micro-Doppler-Signature-in-Orders.