一种车载毫米波雷达多目标检测方法

1.本发明涉及属于雷达信号处理和目标检测技术，特别涉及毫米波雷达多目标检测技术。


背景技术：

2.多目标检测在交通管制、安防监控以及智能驾驶等领域具有极高的应用价值。多目标检测在实际应用中必须具备灵活目标检测以及快速准确提取目标信息的能力。因此多目标检测算法不能过于复杂，尽量降低计算时间复杂度，并且能在目标数目未知的前提下，自适应检测出实际存在的目标以及运动参数。
3.毫米波雷达凭借体积小、重量轻、检测精度高、在恶劣天气下性能稳定以及易维护等优势，可提供稳定有效的目标检测，辅助车辆规避障碍物目标。但基于毫米波雷达的传统多目标检测方法存在目标漏检、无法进一步提取匹配目标方位角信息等问题，难以在复杂的感知环境中对目标进行灵活精确感知。
4.由于雷达系统本身限制以及环境的复杂性，导致每个目标对应的峰值并不是单一峰值，而是峰值的集合，并且在目标方位角过于靠近时会造成目标重叠，产生目标漏检。dbscan聚类算法提供了基于密度的聚类算法，通过样本分布的紧密程度决定样本的类型，从而将两个目标的峰值集合自适应进行区分，减少目标重叠带来的目标漏检问题。
5.现有方案1(公开号为cn109975807)提出了一种基于毫米波车载雷达的降维子空间测角方法。现有方案1采用波束域music算法以及新的music估计子对目标进行方位角测量。
6.现有方案1的主要技术方案简要描述如下：
7.(1)建立毫米波车载雷达系统的空间谱估计数学模型，得到发射信号和接收信号的表达式。
8.(2)在(1)的基础上建立拓展在多收发情况下对接收信号混频后的中频信号的三维数据结构。
9.(3)对三维接收信号数据分别在快时间维和慢时间维进行fft，得到目标速度距离信息，以及对应的距离多普勒单元上的天线阵列的接收信号数据向量y。
10.(4)利用车载雷达所需探测车辆所在的方位角度范围信息，计算优化的波束，将接收信号数据向量y从阵元域转化到波束域。
11.(5)利用波束域接收信号矩阵计算样本协方差矩阵。
12.(6)对样本协方差矩阵进行特征值分解，获得噪声子空间，并基于此建立music空间谱函数进行谱峰搜索，得到方位角估计值。
13.现有方案1主要作用在于提出一种新的music估计子，使信号子空间表达更加精细化，在满足低计算复杂度和内存占用量条件下，保持了优越的测角性能。但仅完成了多目标的角度估计优化，无法对多目标进行目标角度与速度距离参数的匹配。
14.现有方案2在单快拍数情况下，利用先验信息来优化波束形成矩阵，修改了接收信
号估计样本协方差矩阵的数学表达式，提高样本协方差矩阵的估计精度，
15.现有方案2(公开号为cn111856420a)提出了一种多普勒雷达多目标检测方法。现有方案2结合二维fft，幅值累加以及中心峰值遍历对多目标进行检测。
16.现有方案2的主要技术方案简要描述如下：
17.(1)采集运动目标回波信号数据a。
18.(2)对数据a进行加窗和距离维fft变换，得到频域数据矩阵b；
19.(3)对数据b进行速度维fft并取模，得到多普勒谱c；
20.(4)针对多普勒谱c数据在同一距离向进行累加，得到数列d；
21.(5)设定阈值，按照预定的峰值中心范围进行迭代遍历d，找到多个目标。
22.现有方案2基于同一距离向累加，进行迭代遍历查找多个目标，减少了目标检测的计算量。
23.现有方案2主要作用在解决多普勒雷达多目标检测的计算复杂度大和虚警概率较大的问题。其检测多目标的阈值设置不具备灵活性，无法提供灵活的多目标检测，造成在一定条件下的目标漏检问题。并且无法进一步对多目标进行方位角测量。


技术实现要素：

24.本发明所要解决的技术问题是，提出一种在毫米波雷达接收阵元数不足条件下，实现自适应多目标识别以及多目标方位角测量及匹配的方法。
25.本发明为解决上述技术问题所采用的技术方案是，一种车载毫米波雷达多目标检测方法，包括以下步骤：
26.步骤1、获取多阵元毫米波雷达a/d采样数据；
27.步骤2、将多阵元毫米波雷达a/d采样数据重排为三维矩阵数据，分别为距离维、速度维以及阵元维；
28.步骤3、将三维矩阵数据在距离维和速度维作二维快速傅里叶变换fft得到二维矩阵数据，并保存距离维fft结果；
29.步骤4、均值化处理二维fft结果，并用go-cfar获取包含目标的二维矩阵数据；
30.步骤5、对包含目标的二维矩阵数据进行基于密度的空间聚类的噪声响应dbscan的密度聚类，聚类后每个类别集合中峰值最大点视为该集合对应的检测目标，获取多个目标的速度、距离参数和方位角；
31.步骤6、基于保存的距离维fft结果，提取每个目标对应的多阵元差拍信号；
32.步骤7、对每一个目标对应的多阵元差拍信号进行多重信号分类music算法处理，估算目标对应方位角，并与目标的速度、距离参数和方位角匹配输出，从而完成多目标检测。
33.本发明的有益效果是：
34.1)根据实测数据特点，对二维fft结果进行均值化处理，有效去除杂波。
35.2)采用dbscan聚类算法，无需预先设置目标数，自适应得到当前数据探测目标数，并且将每一个目标类簇中数据值最大的点作为该类的目标点，提升了目标定位精度。
36.3)利用与聚类所得到的目标点一一对应的music估算子进行方位角测量，使得music输出的角度能与目标点进行匹配。有利于为后续融合处理算法提供精确完善的目标
参数。
37.本发明在毫米波雷达接收阵元数不足条件下，也能实现自适应多目标识别以及多目标方位角测量及匹配，解决了现有多目标检测的目标角度重叠问题，具有良好的泛化能力，便于工程实现。
附图说明
38.图1为本发明方法流程图；
39.图2为均值化与go-cfar检测器结构示意图；
40.图3为go-cfar检测图；
41.图4为so-cfar检测图；
42.图5为ca-cfar检测图；
43.图6为go-cfar聚类目标对应music函数谱图。
具体实施方式
44.缩写语与关键语定义
45.fft(fast fourier transform，快速傅里叶变换)
46.go-cfar(greatest of constant false alarm rate，最大选择恒虚警检测)
47.pri(pulse repetition period，脉冲重复周期)
48.dbscan(density-based spatial clustering of applications with noise,基于密度的空间聚类的噪声响应)
49.music(multiple signal classification，多重信号分类)
50.实例采用线性调频连续波lfwcw信号作为雷达发射信号，脉冲重复周期pri数为m。实施例的目标为实测行人，将行人作为一个整体点目标进行目标检测。
51.图1为本发明的方法流程框图，包括雷达回波差拍数据采集重构、雷达信号算法处理模块，目标检测参数匹配输出，其中雷达信号算法处理模块主要包括二维fft、go-cfar检测、dbscan聚类、music估算。
52.根据图1，归纳为7个主要部分：
53.1、获取毫米波雷达a/d采样数据，指对雷达差拍回波信号s(t)进行采样处理。在m个脉冲重复周期内，把锯齿波调频连续波雷达的发射信号作为本振信号，与接收天线接收到的原始回波信号进行混频，经过混频后得到差拍信号。
54.假设在mt≤t≤(m 1)t发射重复周期(pulse repetition interval，pri)内的发射信号记为：
[0055][0056]
其中a0是信号幅值，f0是信号载频，是信号初相，u＝b/t是调频斜率，m为第m个周期，t为周期长度，b为带宽。若在初始时刻(t＝0)有一点目标距离雷达r0，并以径向速度v靠近雷达。设光速为c，初始时刻时延为τ0＝2r0/c，则t时刻对应的回波时延为：
[0057][0058]
t时刻的fmcw回波信号s
r,m
(t)为：
[0059][0060]
(3)式中η是目标反射系数，τ为t时刻时延；式(1)和式(3)进行混频，得到t时刻的差拍信号s
b,m
(t)如下：
[0061]sb,m
(t)＝0.5ηa
02 exp{j[2π(f0τ(t)-0.5uτ2(t) uτ(t)
·
(t-mt))]}
ꢀꢀ
(4)
[0062]
exp为以自然常数e为底的指数函数。
[0063]
差拍信号s
b,m
(t)经过采样后得到a/d采样数据。
[0064]
2、将多阵元a/d采样数据重排为三维矩阵数据。
[0065]
在工程实现中常用的线性调频连续波(lfmcw)信号处理方法是对差拍信号按重复周期采样，设每个周期采样n点，并且连续采集m个重复周期，将每个重复周期内的n点采样数据进行一次n点fft(距离维fft)，即在距离维上将位于不同距离单元的雷达检测目标分离；再对距离维fft结果中的属于同一距离单元的m点采样数据进行一次m点fft(速度维fft)，即可区分同一距离单元内不同多普勒(或速度)单元。
[0066]
设x(t)为连续时间信号，对其进行采样可得到xm(n)，表示第m个周期的第n个采样点。对x(t)连续采样m个重复周期，每个重复周期采样n个点，则有m＝0,1,
…
,m-1,n＝0,1,
…
,n-1。从连续信号x(t)得到各重复周期m回波信号的离散傅里叶变换xm(i)。
[0067]
每一列距离维fft处理后的结果，为差拍信号在不同距离单元响应的频率振幅，也可看作多普勒滤波器滤波后结果。在不同采样周期，同一距离单元对应的频率响应系数，相位只存在时间上的延迟，且延迟系数相同。距离维fft可视为分离位于不同距离单元的雷达采样信号。即同一距离单元对应的频率响应系数，为单一信号源采样结果。
[0068]
对xm(i)在同一距离单元但不属于同一重复周期的m点序列再进行离散傅里叶变换可得完成二维fft运算之后的结果x(l,i)，i表示距离单元号，l表示多普勒单元号，i＝0,1,
…
,n-1，l＝0,1,
…
,n-1。
[0069]
3、a/d采样数据在距离维和速度维作二维fft处理，并保存距离维fft结果；二维fft分别为每个回波接收阵元接收的差拍信号数据对应的距离维fft和速度维fft，得到二维矩阵数据。
[0070]
4、对二维矩阵数据进行均值化处理，并用go-cfar获取动目标运动参数；go-cfar检测是对二维fft处理后的二维矩阵数据进行目标检测，检测是否有目标并标记。本发明对实测数据进行分析时，采用选大单元平均(go-cfar)检测器，结构如图2所示。
[0071]
d为被检测单元的数据输出至比较器的一个输入端，其两侧为保护单元；x1,x2,
…
,xn和y1,y2,
…
,yn分别为两侧的参考单元对应的作为样本数据的距离维fft数据和速度维fft数据；x1,x2,
…
,xn和y1,y2,
…
,yn分别进行均值化处理后输出至选大单元，选大单元从输入的2组数据中选择均值化更大一组数据xi来进行噪声功率β2的计算，再与输入的检测器门限尺度因子α相乘后得到检测门限估计值后输出至比较器的另一个输入端，比较器比较被检测单元的数据d与检测门限估计值的大小，如果则表示存在目标的情况h1，否则为没有目标的情况h0，最终输出存在目标的二维矩阵数据。
[0072]
go-cfar检测的判决准则为：
[0073][0074]
其中，h0表示没有目标，h1表示存在目标，α为检测器门限尺度因子，为干扰功率估计。假设干扰噪声是独立同分布的，且噪声功率为β2，当使用平方率检波器时，参考单元中的数据xi服从指数分布，xi的概率密度函数为
[0075][0076]
由于每个参考单元的干扰都是独立同分布的，则相邻n个样本数据组成的观测矢量x的联合概率密度函数为
[0077][0078]
取对数可以得到与其等效的对数似然函数
[0079][0080]
假设式中β2的导数等于0，则
[0081][0082]
通过式(8)可得噪声功率的最大似然估计为
[0083][0084]
则估计到的噪声功率α乘以尺度因子α，可得检查门限的估计值
[0085][0086]
式(9)带入(10)可得最终的检查门限表达式
[0087][0088]
令zi＝αxi/n，则由式(6)和式(11)可得，zi的概率密度函数
[0089][0090]
则可以进一步推出检查门限估计值的概率密度函数为
[0091][0092]
由于虚警概率则其数学期望为
[0093][0094]
由式(14)可以解得虚警概率数学期望的最终结果
[0095][0096]
则由式(15)可以得到检测器门限的尺度因子
[0097][0098]
由式(15)可以看出，平均虚警概率与实际噪声功率无关，单元平均检测方法具有恒虚警特性。使用go-cfar检测器进行实验时，通过参考单元的采样数据，由式(9)可以测得噪声功率的估计值；对于给定虚警概率的检测器，由式(16)可以得到门限尺度因子；在此基础上，可以计算得出检测器的门限值。文中基于实测数据的实验中，选取检测单元左右各两个单元作为保护单元，参考单元数量n＝8，给定虚警概率为0.04后，计算得尺度因子α＝4。
[0099]
5、对检测出的有目标的二维矩阵数据x1,x2,
…
,xm，m表示出现了目标的数据；进行dbscan密度聚类，聚类后每个类别集合中峰值最大点视为该集合对应的检测目标，获取多个目标的速度距离信息，同时得到运动目标所在距离门。
[0100]
dbscan聚类是基于go-cfar检测后的有目标的二维矩阵数据，利用dbscan聚类，将每个目标对应的多对速度距离单位坐标(i,l)作为单独的类别，并进行样本划分，得到多个聚类类别，每个类别对应一个目标。
[0101]
具体处理做法为：
[0102]
输入：样本集d＝(x1,x2,
…
,xm)，样本集d中的每个元素为二维的距离维fft数据和速度维fft数据；邻域参数(∈,minpts)，∈为领域距离阈值，minpts为样本个数阈值；
[0103]
输出：簇划分c。
[0104]
1)初始化核心对象集合初始化聚类簇数k＝0，初始化未访问样本集合γ＝d,族划分
[0105]
2)对于j＝1,2,...,m，按下面的步骤找出所有的核心对象：
[0106]
a)通过距离度量方式，找到样本xj的∈-邻域子样本集n
∈
(xj)
[0107]
b)如果子样本集样本个数满足||n
∈
(xj)|≥minpts，将样本xj加入核心对象样本集合：
[0108]
ω＝ω∪{xj}
ꢀꢀ
(17)
[0109]
3)如果核心对象集合则算法结束，否则转入步骤4).
[0110]
4)在核心对象集合ω中，随机选择一个核心对象o，初始化当前簇核心对象队列ω
cur
＝{o},初始化类别序号k＝k 1，ck＝{o},更新未访问样本集合γ＝γ-{o}
[0111]
5)如果当前簇核心对象队列则当前聚类簇ck生成完毕,更新簇划分划分c＝{c1,c2,
…
,ck},更新核心对象集合ω＝ω-ck,转入步骤3。否则更新核心集合对象ω＝ω-ck。
[0112]
6)在当前簇核心对象队列ω
cur
中取出一个核心对象o
′
，通过领域距离阈值∈找出所有的∈-邻域子样本集n∈(o
′
)，令δ＝n
∈
(o
′
)∩γ,更新当前簇样本集合ck＝ck∪δ,更新未访问样本集合γ＝γ-δ,更新，转入步骤5。
[0113]
输出结果为：类别簇c＝{c1,c2,
…
,ck}。
[0114]
根据输出的簇，对每个类别进行坐标元素最大峰值搜索，作为该类别对应的目标点。
[0115]
不同接收阵元对应的距离维fft结果，其为一个二维矩阵，根据聚类后的目标点，提取一维fft处理后的三维结构数据对应距离天线维矩阵向量。需要进一步说明的是，该数据向量保证了经过music算法处理后，所得到的唯一的角度峰值对应于该目标，使得目标的速度距离与角度进行一一匹配，并且突破了传统music算法的目标方位角检测数量限制。
[0116]
6、基于步骤3保存的距离维fft结果，提取每个目标对应的多阵元差拍信号矢量。目标速度距离单位坐标(i,l)，计算距离单位为i距离维傅里叶变换系数，作为在距离单元i处目标的单一信号源采样数据。对该信号源数据，利用多根天线接收到的回波差拍信号之间的相位差进行方位角估算，达到同一距离匹配唯一方位角的目的。
[0117]
7、对每一个目标对应的差拍信号进行music算法处理，估算目标对应方位角，并与目标距离、速度参数匹配输出。
[0118]
music算法，其利用多根天线接收到的回波差拍信号之间的相位差进行方位角测量。可处理为阵源数为l，目标数为1的差拍信号。
[0119]
具体处理做法为：
[0120]
根据步骤6得到的信号源数据(n个接收信号矢量x(i))，计算得到下面协方差矩阵的估计值：
[0121][0122]
对上面得到的协方差矩阵进行特征分解
[0123]rx
＝ar
sah
σ2i
ꢀꢀ
(19)
[0124]
a为阵列方向矩阵，rs为信号相关矩阵，σ2为为噪声功率，i为l*l阶单位矩阵。
[0125]
将r
x
进行特征分解后，按特征值的大小排序，并将最大的特征值和对应的特征向量v1作为信号部分空间，将剩下的l-1个特征值和特征向量看作噪声部分空间，得到噪声矩阵en[0126]ah
vi＝0, i＝2,3,
…
,l
ꢀꢀ
(20)
[0127]en
＝[v2,v3,
…vl
]
ꢀꢀ
(21)
[0128]
使θ变化，按照式
[0129][0130]
a(θ)为l维的阵列矢量，en为噪声矩阵。
[0131]
计算谱函数，通过寻求最大峰值，得到对应目标唯一的方位角的估计值θ。
[0132]
为了进一步说明本发明的益处，结合实验结果图说明。
[0133]
实验1：采集多目标雷达回波数据，相关雷达参数如表1所示，得到的不同cfar检测图，分别对比了go-cfar、ca-cfar和so-cfar。如图3、4、5所示，在同一帧数据下，go-cfar与
so-cfar滤波并聚类后，目标显示正确，但go-cfar抑制杂波效果更加明显，而so-cfar效果较差，ca-cfar存在目标多检情况。统计多帧对比三种对比表明go-cfar针对该实测数据的检测效果最好。
[0134]
表1雷达参数
[0135][0136]
实验2：利用go-cfar输出速度距离二维参数结果，对其进行dbscan聚类处理，自适应得到目标数，聚类结果如图2所示，除去中心线上固定的三个杂波点,检测出4个目标，并标注了聚类后的目标数。
[0137]
实验3：基于实验2聚类检测出的多目标，针对每个目标对应的一维fft阵元维数据，对其进行music算法处理，输出每个目标对应的谱函数，并与聚类检测图进行对照，如图6所示，每个目标点对以一个谱函数，每个谱函数能唯一确认一个谱峰值，该谱峰值对应目标的方位角。