毫米波雷達(dá)道路交通目標(biāo)檢測(cè)

1. 簡(jiǎn)介

一般來(lái)說(shuō)，已經(jīng)提出了一些提高交通場(chǎng)景中雷達(dá)性能的方法，主要可分為兩類：（1）圍繞信號(hào)處理方向，盡可能減少或消除干擾信號(hào)，以保證目標(biāo)信號(hào)的純度。（2）設(shè)計(jì)更好的探測(cè)器。

在干擾信號(hào)抑制領(lǐng)域，將干擾污染的樣本從信號(hào)中剔除是最直接的干擾抑制方法。盡管如此，它也會(huì)抑制目標(biāo)的部分有效信號(hào)，導(dǎo)致有用信號(hào)的切口樣本重建精度降低。為了緩解這種影響，該文提出一種基于迭代矩陣-鉛筆（MP）方法的干擾抑制外推法。但重建信號(hào)的精度會(huì)隨著污染樣品比例的增加而降低。為了提高信號(hào)重構(gòu)精度，該文提出一種基于漢克爾矩陣稀疏低秩分解的方法但是，迭代和最佳質(zhì)量選擇增加了算法的復(fù)雜性。為了處理雷達(dá)間干擾，提出了一些新方法，例如設(shè)計(jì)一種新的正交噪聲波形或在可調(diào)Q因子小波變換（TQWT）域中提出干擾抑制技術(shù)。此外，一些研究人員已經(jīng)開始從距離和多普勒細(xì)胞遷移校準(zhǔn)開始，以減少信號(hào)失真。

設(shè)計(jì)更好的探測(cè)器是提高雷達(dá)應(yīng)用能力的另一個(gè)方向。與信號(hào)干擾抑制相比，雖然雷達(dá)探測(cè)性能的提升較弱，但探測(cè)器的設(shè)計(jì)更為直接。特別是，在大多數(shù)情況下，它不會(huì)增加額外的鏈接和計(jì)算復(fù)雜性，這更適合具有低性能處理器的低成本雷達(dá)系統(tǒng)。所以是從探測(cè)器設(shè)計(jì)的角度來(lái)看。在雷達(dá)的實(shí)際應(yīng)用中，目標(biāo)總是出現(xiàn)在復(fù)雜多變的噪聲背景之前，受時(shí)間和位置變化的影響，因此固定閾值檢測(cè)方法無(wú)法有效地將目標(biāo)與背景噪聲區(qū)分開來(lái)。雷達(dá)常數(shù)誤報(bào)率（CFAR）檢測(cè)，通過(guò)評(píng)估當(dāng)前雜波環(huán)境自適應(yīng)設(shè)置檢測(cè)閾值，是分離目標(biāo)和背景的關(guān)鍵技術(shù)。因此，適當(dāng)?shù)腃FAR檢測(cè)算法可以提高雷達(dá)探測(cè)性能，為雷達(dá)數(shù)據(jù)處理提供準(zhǔn)確的目標(biāo)信息。它也成為雷達(dá)探測(cè)的一個(gè)關(guān)鍵研究方面。

最早提出的CFAR檢測(cè)算法是細(xì)胞平均CFAR（CA-CFAR）。這是基于平均局部噪聲功率水平來(lái)檢測(cè)目標(biāo)。設(shè)計(jì)一個(gè)參考窗口，以窗口的中心單元為候選目標(biāo)，用窗口中其他單元的幅值累積值作為背景噪聲功率的估計(jì)值。目標(biāo)是否存在是通過(guò)判斷候選目標(biāo)的功率值和估計(jì)的噪聲功率值來(lái)確定的。CA-CFAR在非均勻噪聲和多目標(biāo)環(huán)境下的檢測(cè)性能較差，因?yàn)閰⒖即翱趦?nèi)的干擾信號(hào)或其他目標(biāo)會(huì)導(dǎo)致背景噪聲估計(jì)誤差。針對(duì)多目標(biāo)或非均勻噪聲下CA-CFAR檢測(cè)性能下降的問(wèn)題，最大選擇檢測(cè)（GO-CFAR）和最小選擇檢測(cè) （SO-CFAR）被提議。GO-CFAR在雜亂邊緣環(huán)境下可以保持良好的虛警控制性能，但在多目標(biāo)環(huán)境下會(huì)出現(xiàn)“目標(biāo)屏蔽”。

SO-CFAR具有良好的多目標(biāo)分辨能力，但其虛警控制能力較弱。有序統(tǒng)計(jì) CFAR （OS-CFAR）是數(shù)字圖像處理中另一種典型的CFAR檢測(cè)方法，源自中值濾波器概念。它根據(jù)功率值排列參考窗口中的采樣單元，并選擇其中一個(gè)樣本功率值作為決策閾值。與CA-CFAR的檢測(cè)性能相比，OS-CFAR對(duì)多目標(biāo)檢測(cè)具有較強(qiáng)的魯棒性，但產(chǎn)生的CFAR損失較高。提出了一些結(jié)合OS和CA的新方法。采用修整均值檢測(cè)器 （TM-CFAR）以算法為例。參考窗口中的采樣點(diǎn)按振幅值排序，如 OS-CFAR。然后去除具有最大和最小振幅的部分采樣點(diǎn)。最后，將剩余的采樣點(diǎn)平均為背景噪聲的估計(jì)值。

現(xiàn)在，針對(duì)不同的應(yīng)用需求，已經(jīng)提出了基于傳統(tǒng)方法的CFAR檢測(cè)算法。一些學(xué)者致力于研究探測(cè)器的多目標(biāo)探測(cè)能力。例如，提出OSCA-CFAR算法，將CA-CFAR算法和OS-CFAR算法相結(jié)合，提高毫米波雷達(dá)的多目標(biāo)探測(cè)能力，給出理想噪聲環(huán)境下的算法性能仿真。一些研究人員專注于提高探測(cè)器在復(fù)雜集群環(huán)境中的檢測(cè)性能。根據(jù)中心極限定理和信號(hào)對(duì)數(shù)壓縮原理，提出了一種Comp-CFAR方法，用于具有長(zhǎng)拖尾效應(yīng)特性的雜波中目標(biāo)檢測(cè)?；趜log（z）的CFAR檢測(cè)器降低威布爾雜波誤報(bào)率。其他一些學(xué)者提出了一種結(jié)合機(jī)器學(xué)習(xí)的新方法。在包含 CFAR 滑動(dòng)窗口輸入和輸出的數(shù)據(jù)集上訓(xùn)練前饋人工神經(jīng)網(wǎng)絡(luò) （ANN），以提高 CFAR 檢測(cè)的效率。但是，這種方式增加了算法的復(fù)雜性。

表 1 簡(jiǎn)要總結(jié)了上述 CFAR 檢測(cè)算法。目前所有CFAR算法都通過(guò)設(shè)計(jì)參考窗口并處理窗口中的數(shù)據(jù)來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)。參考窗的設(shè)計(jì)可以有效降低雜波干擾水平，但有兩個(gè)缺點(diǎn)。一是滑動(dòng)窗口會(huì)降低檢測(cè)物體的效率。特別是在線性調(diào)頻連續(xù)波（LFMCW）雷達(dá)系統(tǒng)中，CFAR探測(cè)器的輸入是二維距離多普勒矩陣（RDM）。雖然CFAR算法的原理沒(méi)有改變，但參考窗口的滑動(dòng)已經(jīng)從一維滑動(dòng)搜索轉(zhuǎn)變?yōu)槎S滑動(dòng)搜索，大大降低了雷達(dá)目標(biāo)探測(cè)的實(shí)時(shí)性。另一個(gè)缺點(diǎn)是窗口限制了背景噪聲估計(jì)的采樣點(diǎn)。理論上，使用的采樣點(diǎn)越多，估計(jì)的噪聲功率值越準(zhǔn)確，CFAR檢測(cè)精度越高。參考窗口的設(shè)計(jì)和滑動(dòng)限制了雷達(dá)目標(biāo)檢測(cè)的效率。

表 1. 簡(jiǎn)要總結(jié)了 CFAR 算法的特征。

幸運(yùn)的是，與海面等復(fù)雜的背景環(huán)境相比，交通道路上的背景噪音相對(duì)簡(jiǎn)單。特別是當(dāng)雷達(dá)監(jiān)測(cè)運(yùn)動(dòng)目標(biāo)時(shí)，使用去零多普勒方法可以消除背景噪聲數(shù)據(jù)對(duì)檢測(cè)的影響。結(jié)合非理想目標(biāo)運(yùn)動(dòng)（車輛轉(zhuǎn)彎、制動(dòng)和變道）、目標(biāo)反射區(qū)域的不規(guī)則性以及幀數(shù)據(jù)的獨(dú)立性，認(rèn)為交通道路上的運(yùn)動(dòng)目標(biāo)回波服從理想的Swerling II模型?；谏鲜龇治觯瑢?duì)于背景噪聲相對(duì)干凈的道路交通監(jiān)控應(yīng)用，可能不需要為復(fù)雜噪聲和干擾降低而設(shè)計(jì)的參考窗口。相反，滑動(dòng)窗口增加了算法的時(shí)間復(fù)雜度并降低了雷達(dá)監(jiān)控的效率。為滿足交通監(jiān)測(cè)雷達(dá)系統(tǒng)低處理時(shí)延的要求，提出一種基于蒙特卡羅的CFAR算法，以提高交通環(huán)境下雷達(dá)探測(cè)效率和對(duì)運(yùn)動(dòng)目標(biāo)的靈敏度。與傳統(tǒng)算法相比，該算法具有更高的檢測(cè)靈敏度，更重要的是不需要參考窗口的設(shè)計(jì)和滑動(dòng)，大大降低了算法的時(shí)間復(fù)雜度，提高了檢測(cè)速度和效率。

貢獻(xiàn)總結(jié)如下：首先，在所提出的CFAR檢測(cè)算法中，對(duì)整個(gè)RDM矩陣區(qū)域進(jìn)行隨機(jī)采樣，得到當(dāng)前時(shí)刻背景噪聲功率估計(jì)的采樣點(diǎn);該原理是將蒙特卡羅模擬原理（通過(guò)獨(dú)立重復(fù)實(shí)驗(yàn)獲得未知量的性質(zhì)）轉(zhuǎn)換為RDM矩陣域的隨機(jī)抽樣。這種方式突破了參考窗口的限制，可以增加大量的采樣點(diǎn)進(jìn)行背景噪聲估計(jì)。其次，干擾點(diǎn)濾波方法提高了背景噪聲估計(jì)的精度。根據(jù)采樣點(diǎn)的振幅值對(duì)采樣點(diǎn)進(jìn)行排序和過(guò)濾，以去除可能的目標(biāo)點(diǎn)或干擾點(diǎn)。然后，通過(guò)均值法得到背景噪聲估計(jì)的功率值。最后，通過(guò)背景噪聲估計(jì)提取RDM矩陣中的目標(biāo)點(diǎn)。此外，給出了算法的參數(shù)設(shè)置方法，例如，根據(jù)當(dāng)前的物理平臺(tái)和應(yīng)用環(huán)境，通過(guò)反復(fù)統(tǒng)計(jì)得到算法參數(shù)值。配置參數(shù)過(guò)程只需在雷達(dá)系統(tǒng)環(huán)境不變時(shí)執(zhí)行一次。仿真和實(shí)際實(shí)驗(yàn)表明，與傳統(tǒng)方法相比，該方法具有更高的檢測(cè)靈敏度、更高的檢測(cè)精度和更低的檢測(cè)延遲，提高了交通監(jiān)控中的雷達(dá)探測(cè)效率。

2. 交通場(chǎng)景

通常，交通傳感器安裝在道路兩側(cè)或延伸到道路中心的固定支架上（如圖1所示），并且要求它們具有以下基本功能：

圖1. 交通道路場(chǎng)景。

• 檢測(cè)靈敏度高。視野中的所有目標(biāo)都可以完全檢測(cè)到，包括目標(biāo)的部分遮擋;
• 低信息延遲能力。它可以實(shí)時(shí)反映路況，即要求數(shù)據(jù)采集與路況輸出之間的延遲盡可能短（理想情況下，延遲不應(yīng)超過(guò)100毫秒）;
• 耐候性。傳感器應(yīng)盡量減少夜間、霧和其他天氣造成的影響。

毫米波雷達(dá)被認(rèn)為具有用于城市交通監(jiān)測(cè)的潛力，因?yàn)椴皇墉h(huán)境影響，具有高范圍分辨率和低應(yīng)用成本。CFAR探測(cè)器作為雷達(dá)目標(biāo)提取的重要組成部分，已經(jīng)得到了廣泛的研究。通過(guò)研究傳統(tǒng)的CFAR算法，分析交通環(huán)境的特點(diǎn)，給出了一種新的CFAR檢測(cè)算法，以提高雷達(dá)對(duì)目標(biāo)檢測(cè)的靈敏度、多目標(biāo)檢測(cè)能力，降低時(shí)延，希望為增強(qiáng)雷達(dá)在城市交通監(jiān)測(cè)中的適應(yīng)性提供獨(dú)特的參考。

3. 交通場(chǎng)景雷達(dá)背景噪聲分析

基于雷達(dá)芯片（CAL77S244）的射頻前端具有三個(gè)發(fā)射天線和四個(gè)接收天線，用于發(fā)射毫米波和接收目標(biāo)回波信號(hào)。此外，四通道高速ADC用于數(shù)據(jù)采集。最后，在基于FPGA和ARM架構(gòu)的后端基帶處理系統(tǒng)上實(shí)現(xiàn)數(shù)字處理算法和目標(biāo)信息的提取。數(shù)據(jù)采集場(chǎng)景和雷達(dá)系統(tǒng)如圖2所示。

圖2. （ a ） 雷達(dá)系統(tǒng)。（ b ） 數(shù)據(jù)收集方案。

圖3顯示了背景噪聲數(shù)據(jù)收集和顯示。圖3a是持續(xù)誤報(bào)檢測(cè)數(shù)據(jù)采集的流程圖。在該雷達(dá)系統(tǒng)中，四個(gè)接收通道接收背景環(huán)境中雷達(dá)的電磁回波，并通過(guò)非相干累積獲得RDM矩陣。圖3b顯示了在沒(méi)有移動(dòng)目標(biāo)的條件下RDM的功率幅度分布。功率幅值在零多普勒區(qū)域（靜止物體區(qū)域）中突然且不均勻，這是由不同距離的物體數(shù)量和物體反射區(qū)域的大小等因素共同造成的。初步觀察表明，噪聲功率均勻分布在非零多普勒域（運(yùn)動(dòng)目標(biāo)區(qū)域），無(wú)明顯突變。此外，靜止物體的功率不會(huì)顯著擴(kuò)展到移動(dòng)目標(biāo)所在的區(qū)域。

圖3. （ a ） RDM數(shù)據(jù)采集過(guò)程。（ b ） 數(shù)據(jù)收集方案。

采用距離維數(shù)和速度維數(shù)數(shù)據(jù)方差作為測(cè)量數(shù)據(jù)離散度的有效方法，評(píng)估RDM矩陣中移動(dòng)目標(biāo)區(qū)域噪聲功率幅值的分布。它計(jì)算了 RDM 中數(shù)據(jù)集的每一行（速度維度）或列（距離維度）的方差，如圖 4 所示（多個(gè)統(tǒng)計(jì)量的平均值）。值得注意的是，在計(jì)算方差之前，以行人的平均速度為參考（0.5 m/s），消除了RDM矩陣中靜態(tài)物體所在的像元，例如速度低于0.5 m/s的像元。速度維數(shù)方差和距離維數(shù)方差均小于0.018，可以認(rèn)為背景噪聲功率幅值在非零多普勒域中相對(duì)均勻。

圖4. RDM 矩陣中的背景噪聲幅度色散 （ a ） 范圍方向上的噪聲幅度方差。（ b ） 多普勒方向的噪聲幅度變化。

功率密度分布是背景噪聲的另一個(gè)特征。以前，假設(shè)雷達(dá)噪聲分布滿足瑞利分布：

RDM中的非零多普勒細(xì)胞通過(guò)MATLAB分布擬合工具箱進(jìn)行采樣處理，然后數(shù)據(jù)分布（紫色）和瑞利分布（紅色）的擬合曲線如圖5a所示。圖5b顯示了數(shù)據(jù)概率分布與瑞利分布之間的匹配度，即數(shù)據(jù)越接近曲線，它與瑞利分布的一致性越大。

圖5. RDM矩陣噪聲密度函數(shù)仿真擬合實(shí)驗(yàn)實(shí)例 （ a ）噪聲分布曲線。（ b ） 瑞利分布的匹配度。