从FMCW雷达回波到行为图谱：多普勒谱提取实战与数据集构建

1. FMCW雷达基础与行为识别原理

FMCW（调频连续波）雷达通过发射频率线性变化的电磁波，利用回波信号与发射信号的频率差来探测目标距离和速度。这种雷达在智能家居、安防监控等领域广泛应用，特别是在人体行为识别方面展现出独特优势。与传统摄像头相比，FMCW雷达不采集视觉图像，能更好保护隐私，同时不受光照条件影响。

多普勒效应是行为识别的核心物理原理。当人体部位发生运动时，回波信号会产生频率偏移。比如挥手动作会产生约±5Hz的频率变化，而走路时腿部摆动可能引起±20Hz的偏移。通过分析这些频率变化特征，就能建立不同行为的多普勒"指纹"。

格拉斯哥大学数据集采用了5.8GHz中心频率的FMCW雷达，带宽400MHz，理论距离分辨率可达0.375米。每个扫描周期（chirp）持续1毫秒，这样的参数配置既能捕捉细微动作，又不会遗漏快速运动。数据集包含行走、坐下、起立、转身、喝水、跌倒等常见日常行为，每种行为由不同性别、身高、年龄的受试者多次重复完成。

2. 原始信号处理全流程解析

2.1 距离压缩与MTI滤波

原始.dat数据文件包含的是ADC采集的IQ信号。处理时首先进行距离压缩：

matlab复制Data_time = reshape(Data, [NTS nc]);  % 将数据重组为NTS×nc矩阵
win = ones(NTS,size(Data_time,2));    % 创建矩形窗
tmp = fftshift(fft(Data_time.*win),1); % 距离维FFT
Data_range = tmp(NTS/2+1:NTS,:);      % 取正频率部分

MTI（动目标显示）滤波用于抑制静态杂波。实际项目中我发现，四阶巴特沃斯高通滤波器效果最佳：

matlab复制[b,a] = butter(4, 0.0075, 'high');  % 设计滤波器
for k=1:size(Data_range,1)
    Data_range_MTI(k,:) = filter(b,a,Data_range(k,:)); 
end

注意：滤波截止频率需要根据具体场景调整。在办公室环境中，0.01π rad/sample的截止频率能有效保留人体微动信号。

2.2 STFT时频分析实战技巧

短时傅里叶变换(STFT)是多普勒谱提取的关键步骤。经过多次实验，我总结出以下参数组合效果最佳：

• 时间窗长度：200个采样点
• 重叠率：95%
• 补零因子：4
• 分析距离单元：10-30号距离门

matlab复制MD.PRF = 1/Tsweep;  % 脉冲重复频率
MD.TimeWindowLength = 200;
MD.OverlapFactor = 0.95;
MD.FFTPoints = MD.Pad_Factor*MD.TimeWindowLength;

for RBin=bin_indl:bin_indu
    Data_MTI_temp = fftshift(spectrogram(Data_range_MTI(RBin,:),...));
    Data_spec_MTI2 = Data_spec_MTI2 + abs(Data_MTI_temp);
end

踩坑提醒：直接使用spectrogram函数会产生边缘效应，建议先对数据加汉宁窗。此外，速度轴标定时要记得考虑载波频率（5.8GHz）的影响。

3. 多普勒谱图像优化策略

3.1 伪彩色映射与对比度增强

原始灰度谱图视觉效果较差，通过以下处理可显著提升图像质量：

1. 使用jet色图增强视觉区分度
2. 动态范围压缩（40dB）
3. 去除坐标轴和白边

matlab复制imagesc(MD.TimeAxis, MD.DopplerAxis, 20*log10(abs(Data_spec_MTI2)));
colormap('jet');
clim = get(gca,'CLim');
set(gca, 'CLim', clim(2)+[-40,0]);  % 动态范围40dB
set(gca,'xtick',[],'ytick',[]);     % 隐藏坐标轴
set(gca,'LooseInset', get(gca,'TightInset')); % 去除白边

3.2 批处理与数据集构建

实际项目中需要处理成百上千个数据文件。我开发了一套自动化流程：

1. 遍历指定目录下的所有.dat文件
2. 为每个文件生成标准化命名的jpg图像
3. 自动创建分类子目录

matlab复制Files = dir(fullfile('.\data\*.dat'));
for i=1:length(Files)
    % 数据处理流程...
    savepath = ['./img/',behavior_type,'/',filename(1:end-4),'.jpg'];
    saveas(gca,savepath,'jpg');
end

经验分享：建议在批处理前先检查所有数据文件的完整性。曾经有个项目因为一个损坏的.dat文件导致整个流程中断，浪费了半天时间排查。

4. 进阶技巧与工程实践

4.1 多特征融合策略

单纯依赖多普勒谱可能丢失空间信息。我通常采用以下特征组合：

1. 多普勒谱图（时频特征）
2. 距离-时间矩阵（空间分布）
3. 微多普勒质心轨迹（运动特征）

matlab复制% 计算微多普勒质心
[rows,cols] = size(spectrogram);
for t=1:cols
    column = spectrogram(:,t);
    centroid(t) = sum(column.*(1:rows)')/sum(column);
end

4.2 实际部署中的挑战

在智能家居场景实测时，发现了几个关键问题：

• 多人场景下的信号混叠（建议增加MIMO天线）
• 宠物干扰（需要设计自适应滤波算法）
• 环境噪声（可通过背景减除改善）

一个实用的解决方案是结合雷达和PIR传感器，当PIR检测到人体存在时再启动雷达分析，这样能显著降低功耗。

4.3 替代时频分析方法对比

除了STFT，我还测试过其他时频分析方法：

• WVD（维格纳分布）：分辨率高但存在交叉项干扰
• 小波变换：适合非平稳信号但计算量大
• HHT（希尔伯特黄变换）：对非线性信号效果好但实现复杂

对于常规行为识别，STFT依然是性价比最高的选择。只有在需要分析精细手指动作时，才考虑使用WVD等高级方法。