CN101325007B - 基于毫米波交通雷达的公路背景识别与公路背景抑制方法 - Google Patents

Abstract

本发明涉及一种基于毫米波交通雷达的公路背景识别与公路背景抑制方法，利用同时含有车辆信息和背景信息的交通雷达回波信号实现了公路背景功率谱自动识别和实时更新，并完成了公路背景抑制。该方法以侧向毫米波交通雷达的时域数字回波信号作为信号输入，应用周期图法得到随时间变化的雷达回波功率谱时间序列；在每个频点处将功率谱时间序列按照功率谱幅度升序排列；选择部分幅度有序功率谱序列作为公路背景功率谱估计的有效数据；对有效幅度有序功率谱序列进行相干平均；利用自学习方法实现公路背景功率谱的实时更新；进行公路背景抑制。本发明能准确实时地识别公路背景功率谱，并能够很好的抑制公路背景，大幅度提高了雷达回波信号的信噪比。

Description

基于毫米波交通雷达的公路背景识别与公路背景抑制方法 

技术领域

本发明设计智能交通中的交通信息采集领域，具体涉及了一种基于毫米波交通雷达的公路背景识别与公路背景抑制方法，适用于各种交通雷达的背景识别和背景抑制。 

背景技术

交通信息采集系统是智能交通系统不可缺少的基本组成部分。交通信息采集系统依赖于交通信息传感器，传感器实时地准确地获取交通数据的能力对交通控制、公共安全和交通规划都是至关重要的。随着经济和社会的发展，现代城市却反而变得更加拥挤，交通问题引起了广泛的关注。生活节奏的加快使人们更加期望拥有更为良好的交通状况。 

许多种交通信息采集设备已经得到了广泛的运用，如掩埋式线圈检测器已经有了五十多年的应用历史，并应用至今。但是，此类掩埋式交通信息检测器通常都有较高的失效率，并有较高的安装和维护成本。更为糟糕的是，此类掩埋式交通信息检测器的安装与维护会导致路面破坏和车道关闭。近几十年来，许多种非掩埋式的交通信息检测设备得到了广泛的应用，这其中包括声学和光学交通信息传感器。但是，这些交通信息传感器有着明显的缺点。首先，这些传感器只能检测单条行车道，而对检测整条公路的交通状况无能为力；第二，这类传感器通常对外部环境变化非常敏感，比如天气变化，昼夜变化等等。 

毫米波交通雷达的出现在一定程度上解决了这些问题，通过分析不同车道对 应的不同频率段的功率变化，毫米波交通雷达可以实现多车道交通信息检测的功能。毫米波交通雷达有许多其他交通信息检测器难以比拟的优点，如全天候工作，无检测盲区，低安装维护成本，不对公路路面造成损害等等。毫米波交通雷达的这些优良特性使得它成为了掩埋式线圈和声光交通信息检测器的良好的替代品。 

但在实际应用中，公路背景会导致功率混叠，严重影响了毫米波交通信息检测雷达的检测性能。这种功率混叠在公路上存在大型静态背景时尤为严重，如公路上存在金属防护栏或绿化带等等。在这种情况下，背景功率谱的准确识别和背景抑制就成为了提高毫米波交通雷达检测精度和性能的首要问题。在应用毫米波交通信息检测器时，准确的识别公路背景并进行有效的背景抑制是非常必要的。 

申请号为02136541.5，公开号为CN 1400475，名称为“智能交通中车流量监控的雷达射频装置及测定方法”的发明专利申请公开说明书，公开了一种毫米波车流量检测雷达的硬件系统以及交通信息检测方法。该方法中并没有涉及背景识别与背景抑制。 

发明内容

本发明的目的在于提供一种毫米波交通雷达的公路背景识别与公路背景抑制方法，其利用同时含有车辆信息和背景信息的数据实时的估计公路背景，并实现公路背景抑制，提高毫米波交通信息检测雷达的准确性。 

本发明具体是这样实现的： 

基于毫米波交通雷达的公路背景识别与公路背景抑制方法，包括以下步骤： 

步骤1、利用毫米波交通雷达的时域数字回波信号求得雷达回波功率谱时间序列； 

步骤2、在每个频点处将雷达回波功率值时间序列按照功率谱幅度升序排列； 

步骤3、滤除干扰序列，保留幅度低于有效阀值的有序功率谱序列作为公路背景功率谱的有效数据； 

步骤4、对有效幅度有序功率谱序列进行相干平均，得到当前公路背景功率谱； 

步骤5、公路背景功率谱通过自学习方法进行实时更新； 

步骤6、利用谱相减法对公路背景进行抑制。 

所述步骤1进一步包括： 

采用N＝2ⁿ点矩形窗w(n)截取雷达数字回波信号S_IF，求得快速傅立叶变换为： 

S_samp(k)＝S_IF(k)*W(k)。 

由于雷达回波信号功率谱的正频部分与负频部分严格对称，可舍去负频部分，得到的雷达回波功率幅度为： 

$P_R\left(k\right)=\frac{1}{N}{\left|S_{\mathrm{samp}}\left(k\right)\right|}^2.$

交通雷达回波信号功率通常包含车辆回波信号功率P_v，背景回波信号功率P_b和白噪声功率P_n。频率点k处的雷达回波信号功率可以表示为： 

P_R(k)＝P_v(k)+P_b(k)+P_n(k)。 

白噪声功率符合N(0，σ²)的高斯分布，则白噪声功率P_n(k)＝σ²为很小的恒定值，可以忽略。这样，雷达回波信号功率仅由运动着的车辆产生的动态功率和相对静止的公路背景产生的静态功率组成。 

所述步骤3进一步包括： 

回波信号幅度有序功率序列的数据空间归一化；归一化有效数据的选择。 

所述步骤4具体如下： 

在有效幅度有序功率序列的归一化数据空间内进行相干平均，如下式表示： 

$\frac{1}{M}\underset{i=0}{\overset{M}{\mathrm{\Σ}}}{P}_{\mathrm{Ros}}(k,i)\≈\frac{1}{M}\underset{i=0}{\overset{M}{\mathrm{\Σ}}}{P}_{\mathrm{vos}}(k,i)+P_{b0}\left(k\right),$

式中P_Ros为幅度有序功率，P_vos为幅度有序功率的车辆回波部分，P_b0为当前公路背景功率谱，M为归一化有效数据容量。在归一化有效数据空间内，车辆产生的动态功率 

当前公路背景功率谱如下式表示： 

$P_{b0}\left(k\right)\≈\frac{1}{M}\underset{i=0}{\overset{M}{\mathrm{\Σ}}}{P}_{\mathrm{Ros}}(k,i).$

所述步骤5具体如下： 

在每个频点处，实时更新公路背景功率谱的自学习过程如下式表示： 

$P_b^t\left(k\right)=(1-r)P_b^{t-1}\left(k\right)+{\mathrm{rP}}_{b0}^t\left(k\right).$

式中P_b为公路背景功率谱，r为学习速率。 

所述步骤6具体如下： 

在每个频点处，用于完成公路背景抑制的谱相减过程可如下式表示： 

式中χ为谱相减系数，γ₁、γ₂为谱相减指数。 

所述的谱相减系数χ满足：χ∈[1，2]； 

所述的谱相减指数满足γ₁、γ₂：γ₁＝1/γ₂＝2。 

本发明能够准确实时地识别公路背景功率谱，并能够很好的抑制公路背景，大幅度提高了雷达回波信号的信噪比。 

附图说明

图1为本发明的一个实施例的背景识别和背景抑制的流程图。 

图2为本发明的一个实施例中的交通雷达安装和公路环境示意图。 

图3为本发明的一个实施例中的公路背景识别结果。 

图4为本发明的一个实施例中出现的公路背景功率与车辆功率发生功率混叠时的公路回波功率谱。 

图5为本发明的一个实施例中的公路背景抑制结果。 

具体实施方式

以下结合附图及实施例对本发明作进一步描述。 

一种基于毫米波交通雷达的公路背景识别与公路背景抑制方法，包括以下步骤： 

步骤1、利用毫米波交通雷达的时域数字回波信号求得雷达回波功率谱时间序列； 

步骤2、在每个频点处将雷达回波功率值时间序列按照功率谱幅度升序排列； 

步骤3、滤除车辆所产生的干扰序列(即滤除幅度大于有效阀值的有序功率谱序列)，保留幅度低于有效阀值的有序功率谱序列作为公路背景功率谱的有效数据； 

步骤4、对有效幅度有序功率谱序列进行相干平均，得到当前公路背景功率谱； 

步骤5、公路背景功率谱通过自学习方法进行实时更新； 

步骤6、利用谱相减法对公路背景进行抑制。 

所述步骤1进一步包括： 

采用N＝2ⁿ点矩形窗w(n)截取雷达数字回波信号S_IF，求得快速傅立叶变换为： 

S_samp(k)＝S_IF(k)*W(k)。 

由于雷达回波信号功率谱的正频部分与负频部分严格对称，可舍去负频部分，得到的雷达回波功率幅度为： 

$P_R\left(k\right)=\frac{1}{N}{\left|S_{\mathrm{samp}}\left(k\right)\right|}^2.$

交通雷达回波信号功率通常包含车辆回波信号功率P_v，背景回波信号功率P_b和白噪声功率P_n。频率点k处的雷达回波信号功率可以表示为： 

P_R(k)＝P_v(k)+P_b(k)+P_n(k)。 

白噪声功率符合N(0，σ²)的高斯分布，则白噪声功率P_n(k)＝σ²为很小的恒定值，可以忽略。这样，雷达回波信号功率仅由运动着的车辆产生的动态功率和相对静止的公路背景产生的静态功率组成。 

所述步骤3进一步包括： 

回波信号幅度有序功率序列的数据空间归一化； 

归一化有效数据的选择。 

所述步骤4具体如下： 

在有效幅度有序功率序列的归一化数据空间内进行相干平均，如下式表示： 

$\frac{1}{M}\underset{i=0}{\overset{M}{\mathrm{\Σ}}}{P}_{\mathrm{Ros}}(k,i)\≈\frac{1}{M}\underset{i=0}{\overset{M}{\mathrm{\Σ}}}{P}_{\mathrm{vos}}(k,i)+P_{b0}\left(k\right),$

式中P_Ros为幅度有序功率，P_vos为幅度有序功率的车辆回波部分，P_b0为当前公路背景功率谱，M为归一化有效数据容量。在归一化有效数据空间内，车辆产生的动态功率 

当前公路背景功率谱如下式表示： 

$P_{b0}\left(k\right)\≈\frac{1}{M}\underset{i=0}{\overset{M}{\mathrm{\Σ}}}{P}_{\mathrm{Ros}}(k,i).$

所述步骤5具体如下： 

在每个频点处，实时更新公路背景功率谱的自学习过程如下式表示： 

$P_b^t\left(k\right)=(1-r)P_b^{t-1}\left(k\right)+{\mathrm{rP}}_{b0}^t\left(k\right).$

式中P_b为公路背景功率谱，r为学习速率。 

所述步骤6具体如下： 

在每个频点处，用于完成公路背景抑制的谱相减过程可如下式表示： 

式中χ为谱相减系数，γ₁、γ₂为谱相减指数。 

所述的谱相减系数χ满足：χ∈[1，2]； 

所述的谱相减指数满足γ₁、γ₂：γ₁＝1/γ₂＝2。 

图1描述了根据本发明的一个具体实施例的背景识别和背景抑制的流程图。首先利用同时包含车辆和背景信息的回波信号，由周期图法求得雷达回波信号功率谱，并对回波信号功率谱时间序列按照功率谱幅度排序。然后应用数据滤波器选择出有效数据，并对有效数据应用相干平均，求得当前公路背景功率谱。然后， 应用自学习过程求得最终的公路背景功率谱。最后进行公路背景抑制。 

图2描述了根据本发明的一个具体实施例中的交通雷达安装和公路环境示意图。在已有系统样机的基础上，我们在上海市长宁路上进行了实地测试。毫米波交通雷达201安装在公路旁的支架202上，并保证雷达的波速方向垂直于公路方向。毫米波交通雷达201可以同时检测正向行车道204和反向行车道206的交通信息。公路为双向八车道，在第一车道与非机动车道之间存在高为1.5m的金属防护栏203。并在正向行车道204和反向行车道206之间存在防护绿化带205，该绿化带由灌木和草坪组成。在一次测试中，仅正向行车道204的第四车道存在车辆207。 

图3描述了根据本发明的一个具体实施例中的公路背景识别结果。功率谱峰303是由第一车道与非机动车道之间的金属防护栏203造成的。由灌木和草坪组成的防护绿化带205导致了功率谱包络305。 

图4描述了根据本发明的一个具体实施例中出现的公路背景功率与车辆功率发生功率混叠时的公路回波功率谱。第一车道与非机动车道之间的金属防护栏203造成的功率谱峰303可比拟与正向行车道204第四车道的车辆207造成的功率谱峰405，严重影响了交通雷达的检测性能。由防护绿化带205产生的功率谱包络305与车辆207造成的功率谱峰405处于同一频段内，造成了频率混叠，这同样对交通雷达的检测精度造成了不良影响。 

图5描述了根据本发明的一个具体实施例中的公路背景抑制结果。测试中，谱相减系数χ＝1.1，谱相减指数γ₁＝1/γ₂＝2。 

Claims (6)

1.基于毫米波交通雷达的公路背景识别与公路背景抑制方法，其特性在于，包括如下步骤：

步骤1、利用毫米波交通雷达的时域数字回波信号求得雷达回波功率谱时间序列；

步骤2、在每个频点处将雷达回波功率值时间序列按照功率谱幅度升序排列；

步骤3、滤除干扰序列，保留幅度低于有效阀值的有序功率谱序列作为公路背景功率谱的有效数据；

步骤4、对有效幅度有序功率谱序列进行相干平均，得到当前公路背景功率谱；

步骤5、公路背景功率谱通过自学习方法进行实时更新；

步骤6、利用谱相减法对公路背景进行抑制。

2.如权利要求1所述的基于毫米波交通雷达的公路背景识别与公路背景抑制方法，其特性在于，所述步骤1具体如下：

采用N＝2ⁿ点矩形窗w(n)截取雷达数字回波信号S_IF，求得快速傅立叶变换为：

S_samp(k)＝S_IF(k)*W(k)；

舍去雷达回波信号功率谱中与正频部分对称的负频部分，得到的雷达回波功率幅度为：

$P_R\left(k\right)=\frac{1}{N}{\left|S_{\mathrm{samp}}\left(k\right)\right|}^2.$

3.如权利要求2所述的基于毫米波交通雷达的公路背景识别与公路背景抑制方法，其特征在于：

交通雷达回波信号功率包含车辆回波信号功率P_v，背景回波信号功率P_b和白噪声功率P_n；频率点k处的雷达回波信号功率为：

P_R(k)＝P_v(k)+P_b(k)+P_n(k)；

忽略其中符合高斯分布的微小恒定值P_n(k)。

4.如权利要求1所述的基于毫米波交通雷达的公路背景识别与公路背景抑制方法，其特征在于，所述步骤3进一步包括：

回波信号幅度有序功率序列的数据空间归一化；

归一化有效数据的选择。

5.如权利要求1所述的基于毫米波交通雷达的公路背景识别与公路背景抑制方法，其特征在于，所述步骤4具体如下：

在有效幅度有序功率序列的归一化数据空间内进行相干平均，如下式表示：

$\frac{1}{M}\underset{i=0}{\overset{M}{\mathrm{\Σ}}}{P}_{\mathrm{Ros}}(k,i)\≈\frac{1}{M}\underset{i=0}{\overset{M}{\mathrm{\Σ}}}{P}_{\mathrm{vos}}(k,i)+P_{b0}\left(k\right),$

式中P_Ros为幅度有序功率，P_vos为幅度有序功率的车辆回波部分，P_b0为当前公路背景功率谱，M为归一化有效数据容量；

在归一化有效数据空间内，车辆产生的动态功率

当前公路背景功率谱如下式表示：

$P_{b0}\left(k\right)\≈\frac{1}{M}\underset{i=0}{\overset{M}{\mathrm{\Σ}}}{P}_{\mathrm{Ros}}(k,i).$

6.如权利要求1所述的基于毫米波交通雷达的公路背景识别与公路背景抑制方法，其特征在于，所述步骤5具体如下：

在每个频点处，实时更新公路背景功率谱的自学习过程如下式表示：

$P_b^t\left(k\right)=(1-r)P_b^{t-1}\left(k\right)+r{P}_{b0}^t\left(k\right).$

式中P_b为公路背景功率谱，r为学习速率，P_b0为当前公路背景功率谱。

Images