面向雷达微多普勒谱对抗式去噪的研究

生成对抗网络(GANs)被认为是图像生成领域的当前最优方法。它们学习训练数据的联合分布，并试图在高维空间中按照与输入相同的分布生成新的数据样本。GANs近期的改进将其应用拓展到许多其他计算机视觉任务，这些任务基于改善和改变输入图像的特征以遵循给定的训练要求。在本文中，我们提出一种基于GANs的行走人体微多普勒($\boldsymbol{\mu}$-D)谱去噪与重建新技术。使用一台\unit[25]{GHz}连续波(CW)雷达，在跑步机上以中等速度行走的22名受试者上采集了两组实验。在一组中，通过将雷达置于距受试者近距离处，为每位受试者采集干净的$\boldsymbol{\mu}$-D谱。在另一组中，通过改变距离并在雷达与目标之间放置反射物体，在实验装置中引入变化以在谱上引入不同的噪声与杂波效应。合成的有噪与无噪配对谱用于训练，而验证在真实噪声测量数据上进行。最后，与文献中其他经典雷达去噪方法的定性与定量比较表明，所提出的GANs框架更优且对不同噪声水平更具鲁棒性。