文献标识码: A
DOI:10.16157/j.issn.0258-7998.172160
中文引用格式: 曹林,于琳,王东峰,等. 基于CFAR和摆角自修正多目标交通雷达算法优化[J].电子技术应用,2018,44(1):68-71.
英文引用格式: Cao Lin,Yu Lin,Wang Dongfeng,et al. Optimization of multi-target traffic radar algorithm based on CFAR detection and swing angle self-correction[J]. Application of Electronic Technique,2018,44(1):68-71.
0 引言
国内交通雷达单目标的检测技术日趋成熟,由于检测应用的局限性,交通雷达多目标检测技术逐渐走进研究人员的视野[1-2]。但目前初步研制的多目标交通雷达效果欠佳,无法得到广泛应用。为解决这一问题,本文深入研究分析了交通多目标雷达的目标检测与跟踪算法[3],依托北京川速微波科技有限公司的硬件设备[4]进行多目标雷达算法的研发与优化,并结合实际道路测试,提出一系列改进措施。
本文多目标雷达采用FSK体制,选用双天线相位法[5]来检测目标相对于雷达的方向角信息。引入能够根据信号特征来得到自适应的动态门限的恒虚警(Constant False Alarm Rate,CFAR)检测[6]算法,用于自适应检测。
多目标雷达摆角对雷达性能影响很大,若雷达安装摆角不合适,会严重影响雷达的使用性能。雷达摆角人工测量精度低,操作复杂。因此,提出基于样本统计特性的雷达摆角自修正算法,使得雷达在使用时能够通过已采集到的目标信号,自行计算出雷达的摆角信息,提高了雷达的目标检测率以及场景适应性。
通过系统仿真和实际路测,本文优化算法对多车道、多目标的有效抓拍率在多种路况下(除堵车情况外)均能达到95%,有很好的多目标监测效果,这对于多目标交通雷达的推广应用具有很大的现实意义。
1 基于CFAR检测的目标检测算法优化
1.1 CFAR检测原理
目标检测时,通常用出现虚警和漏警的概率来衡量雷达检测性能的好坏[7],设置一个检测门限来对回波信号进行判别。当信号高于门限时,判断为目标;当信号低于门限,则目标不存在。门限值过低,会造成虚警;门限值过高时,会造成漏警。采用动态的门限来适应雷达回波信号的变化。通过使雷达的虚警率保持不变,从而使雷达具有良好的检测性能[8]。
常用的恒虚警方法有单元平均恒虚警方法、有序统计恒虚警方法[9-10]。本文使用有序统计恒虚警方法(OS-CFAR)。
其中,K为门限乘性因子。
本方法有很好的抗干扰特性,在非均匀杂波背景下,其检测能力也很好,更适用于多目标环境。
1.2 CFAR算法工程应用分析
图1为恒虚警动态门限与固定门限效果对比图,图1(a)是原始频谱的二维图,包含全部的杂波、目标信号;图1(c)是使用恒虚警门限的效果图;同时选取了低阈值固定门限和高阈值门限对信号频谱进行处理,结果分别如图1(b)和图1(d)所示。
可以看出,用低阈值门限检测时,很多杂波信号没有被滤除;用高阈值门限检测时,部分弱目标信号同杂波一起被滤除(如图中标注所示),这便有可能造成漏警;使用恒虚警门限可很好地抑制杂波,同时保持了较强的弱信号检测能力。
本文多目标雷达信号的单帧频谱幅度图如图2所示,可以看到,车辆目标信号只占整个频谱的一小部分,绝大多数是噪声,而且都比较均匀。
另外,从图3中多周期二维频谱的排序图来看,杂波的强弱与目标信号的强弱是正相关的。
基于以上两点,提出一种简化的恒虚警方案:将整个频谱等分为N个区间,对N个区间分别求均值,再进行排序,取k个均值单元作为基本阈值,得到相应的检测门限。这种方法称为分区平均排序法。
2 基于样本统计特性的摆角自修正算法
2.1 特征分析
针对道路交通的实际情况,可作如下近似假设,即雷达所监测车道是平行的,并且绝大部分车将沿着车道方向行驶。此时,经过雷达照射区的每一辆车的运动轨迹相对于雷达来说,都是一条倾斜某个特定角度的直线,如果知道了这条直线的倾斜角度,那么也就得到了雷达的摆角信息。
预处理后,通过设置幅值门限大部分杂波信号均被滤除,如图4所示。图4轨迹云图中,可以明显看到中间3条近乎直线的轨迹,对应雷达监测的3个车道。基于前面假设,云图中车辆轨迹方向代表了车道的方向。实际上,在大多数情况下,车辆的运动轨迹并不是竖直的。车辆的轨迹云图与竖直方向的夹角就是雷达摆角。因此,需要找到一种算法自动识别这种竖直状态的特征,并通过与原始状态的比较得到旋转的角度。
2.2 特征提取与算法实现
为了便于统计,将轨迹云图点集{(xi,yi),i∈R}投影到x轴方向上得到点集{xi,i∈R}。将轨迹云图进行不同角度的旋转,对每次旋转后落入x轴单位区间中的点的个数进行统计,得到点数分布{a1,a2,…,an},n∈N。如图5所示。
图5为竖直状态投影点分布情况,点数大部分集中在中间两个单位区间中。由此可以看出,投影点最密集的时刻,车辆轨迹旋即为竖直状态。
3 实验仿真及系统路测结果
3.1 CFAR检测与摆角自修正算法仿真结果
将2.2小节中提出的摆角自修正算法进行仿真,可得到摆角校正的效果如图6所示。可以看到,有一定倾斜角度的车辆运动轨迹经过校正后,已变为竖直状态。
图7是直方统计点数的平方和随角度的变化曲线,其最大值处也就是投影点最密集时,即为车辆轨迹的竖直状态,此时所对应的旋转角度5.25°也就是雷达的摆角值。
3.2 系统路测结果
测试场景为某地高速公路,将本雷达系统放置到高速公路的天桥上,测量单方向的三车道。
图8所示为3个车道同时都有车时对应的时域信号和频谱图情况。图8(a)是原始信号图,图8(b)是频谱图,图8(c)是当前时刻对应车辆捕捉情况图。
图9所示为上面实测数据经过算法仿真后的目标信息图。通过此图可以清楚地得到车辆的距离、速度以及分车道信息。因此可以验证,本文多目标雷达算法能够实现同时监测多个车道的多个车辆目标的目标。
将现场采集视频与照片进行对比统计,得到雷达有效抓拍率情况,统计结果见表1。
从表中可以看出,有效抓拍率均能达到95%,对比优化之前仅80%的有效抓拍率有很大的改进。本文算法基本上能够满足道路交通90%抓拍率的实际需要。
4 结语
本文通过对有序统计恒虚警方法进行改进,并结合实际交通应用时出现的安装摆角问题,提出基于样本统计特性的摆角自修正算法,在很大程度上改善了交通多目标雷达车辆检测率不高、有效抓拍率低的问题。通过系统仿真和实际道路测试,本雷达系统对多车道、多目标的有效抓拍率在多种路况下均能达到95%,得到了很好的多目标监测效果。这对于多目标交通雷达的推广应用具有很大的现实意义,能够更充分协助交管部门对城市交通的管理与控制,为我国智能交通的建设提供技术保证。
参考文献
[1] 屈毅.浅析我国智能交通系统发展现状及前景展望[J].科技视界,2015,27(14):100-100.
[2] 侯远志,焦黎帆.国内外智慧城市建设研究综述[J].产业与科技论坛,2014,13(24):94-97.
[3] HYUN E,LEE J H.Multi-target tracking scheme using a track management table for automotive radar systems[C].International Radar Symposium,2016:1-5.
[4] 王东峰,庞宏杰,任磊.一种测速雷达多目标跟踪的方法和装置[P].中国,201410131062.6,2014.
[5] 修超,曹林,王东峰.基于微波雷达回波信号的智能车道划分方法[J].计算机应用,2017,37(10):3017-3023.
[6] 何友,关键,孟祥伟.雷达目标检测与恒虚警处理[M].北京:清华大学出版社,2011.
[7] 郝迎春,陈客松.雷达CFAR检测的仿真研究[J].全球定位系统,2012,37(1):78-80.
[8] WU Y,WANG C,LI X,et al.Study on automotive anticollision radar system and its signal processing algorithm[C].International Forum on Information Technology and Applications.IEEE,2009:586-590.
[9] 李朝阳.提高雷达信号检测性能方法的研究[D].大连:大连海事大学,2015.
[10] ABBADI A,ABBANE A,BENCHEIKH M L,et al.A new adaptive CFAR processor in multiple target situations[C].2017 Seminar on Detection Systems Architectures and Technologies(DAT),Algiers,Algeria,2017:1-5.