CN102360528A - 基于多普勒交通雷达进行车型识别的方法 - Google Patents

Abstract

本发明涉及一种基于多普勒交通雷达进行车型识别的方法，实时有效地反映公路交通状况。该方法以正向安装的多普勒交通雷达的时域数字回波信号作为信号输入，用周期图法得到随时间变化的雷达回波功率谱时间序列。把车辆建模成包含多个散射中心的目标体，散射中心与雷达的距离与频谱能量有关，因此同一目标的功率谱序列反映了该目标的轮廓。然后将有效的频谱特征结合主成分分析(PCA)和线性判别分析(LDA)进行降维，再利用支持向量机(SVM)等分类器实现分型。本发明能准确实时的识别车型，划分大中小三类车型的正确率达90%，能满足多数用户的需求，有广泛的应用前景。

Description

基于多普勒交通雷达进行车型识别的方法

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多普勒交通雷达进行车型识别的方法。

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。

用毫米波雷达进行车型识别的常见方式有：多普勒雷达，高距离分辨率雷达，FSR雷达或将多普勒雷达和高分辨率雷达相结合。高距离分辨率雷达，对带宽要求较高，往往限制了它的使用。FSR即前向散射雷达，收发分置，能改善系统的灵敏度，但是距离分辨率差，工作角度小，因此要求目标与雷达距离很近。

发明内容

       本发明的目的在于提供一种多普勒雷达进行车型识别的方法，以准确检测为前提，提供道路的正确车型信息，实时有效地反映公路交通状况；包括雷达天线、收发设备以及数字信号处理终端，数字信号处理终端处理动目标多普勒频谱包括如下步骤：

    步骤1、利用多普勒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；

从简单的物理知识可推导得到多普勒频移与目标车辆速度的关系为:

                                                                      

                         （1）

式中

为多普勒频移（

），为雷达前端发射的24

微波信号,

为目标速度(

),

为电磁振荡在空气中的传播速度(

)；

为雷达的天线面与路面成一角度。

另外采用

点矩形窗截取雷达数字回波信号

，求得截取后信号

的快速傅立叶变换为：

                          （2）

   式中，

为雷达数字回波信号的离散傅里叶变换，

是对矩形窗的离散傅里叶变换。

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：

                           （3）

步骤2、准确地检测每个车辆，得到每个车辆的速度，长度，最大功率谱值和有效的频谱特征序列；

回波功率谱中可辅助车型识别的特性有：A.谱峰的频点对应车辆速度，由车速乘以车经过检测区域的时间，再加一些修正就得到车辆的长度

;B.最大回波能量，即为功率谱峰值，其大小反映车的最大高度

;C.目标对应功率谱的形状及变化隐含着目标的轮廓特征，因功率谱幅值反映散射中心与目标的距离。当用目标的频谱特征推测车的轮廓时，因有能量泄漏的存在，取谱峰及周围d点能量分析（512点FFT，d取11）。雷达工作时每10ms检测一次，故一个目标经过检测区域进行的m次检测对应m组功率谱数据，每个目标的m值是不同，则一个目标

可表示为 一个目标的功率谱数值 ：

                        （4） 

式中

为第i次检测中第j个功率谱数值。

步骤3、特征提取（数据统一和特征降维）；

由于分类器要求输入样本具有相同的维数，而

的维数是不定的，因此需要对

处理实现样本数据的统一。在尽量保持数据统计特征的基础上，采用统一数据的方式。

对每个目标的数据

各自进行主成分分析，具体见Richard O.Duda等的《模式分类》，步骤如下

（1）根据样本

求出样本均值为

    

         （5）                   均值矩阵为：

                                 （6）                                     

（2）散布矩阵为

    其中

            （7）                                                            

(3)求散布矩阵的前

个最大特征值对应的特征向量为

,以此构成特征空间为

                                        （8）

这里取前1个最大特征对应的向量，则实际贡献率为90%左右。                                                                                               

(4)将一个样本

在其特征空间

中投影,得到d个投影值为

                                （9）             

以此

个系数构成该样本的特征

，然后利用该特征进行识别，此时该N个样本为

。       （10）  

特征降维：

由于

和

都是一维，而经样本统一后得到新样本的维数都大于一（分别为d维和M维），因此需要对其进一步降维，直到样本的三个特征对分类器的作用均衡。

对个样本

,对其提取LDA特征从而降到一维，再结合和

这两个特征，则每个样本的特征为。               

LDA是为了寻找数据的有效分类方向，使得不同类的点在该方向上的投影互相分离，而同类的点尽量靠近，即类内离散度最小，类间离散度最大。

具体的数学模型(两类划分)如下：

类型

内样本均值为

                               （11）       

类型

的类内散布为

                       （12）   

总类内散布矩阵为                                   （13）           

总类间散布矩阵为                           （14）     

为得到最佳分类方法

，可采用基于Fisher的准则函数

，使得

最大必满足

，由于

总是位于

的方向上，因此当

是非奇异矩阵时，可取

。这样待测样本在该分类方向上的投影系数为进行识别的特征。

步骤4、把全部目标的特征分K组，其中一个子集作为训练集，另外K-1组作为测试集，由训练数据设计分类器实现测试数据的分类；

SVM分类器，可利用训练好的模型，较快的实现测试数据的分类。SVM模型（C-SVM）选用径向基核函数，模型参数采用遗传算法优化，多类判别采用1-V-R方式。

步骤5、采用交叉验证方式，更改训练集和测试集的数据内容，返回步骤三；

交叉验证的方法：K-CV，即将原始数据分成

组（选为5）,将每个子集数据分别做一次验证集,其余的

组子集数据作为训练集,这样会得到

个模型,用这

个模型最终的验证集的分类准确率的平均数作为此K-CV下分类器的性能指标。K-CV可以有效的避免过学习以及欠学习状态的发生，最后得到的结果也比较具有说服力。

本发明的优点是，本发明以24.3

为中心频率，调频带宽200，正向安装，采用4^。*6^。的平面阵列天线，发射波瓣角非常窄，有效解决了相邻车道相互干扰和同一车道前后遮挡问题，在交通拥挤时最大水平检测距离可达28m而不会出现漏车现象。交通信息检测算法中，功率谱去噪效果好，目标检测灵敏度高，速度分辨率可达0.38km/s.在车辆准确检测的基础上，识别算法提取多普勒频谱特征，可有效的反映车的轮廓，较好地实现动目标和杂波的分离，并可根据用户的需求进行车辆的分型。

附图说明

       图1为本发明的多普勒雷达天线现场安装示意图；

图2为本发明系统方块图；

图3为后端数字信号处理系统的方块图；

       图4为本发明的多普勒特征功率谱仿真图；

       图5为本发明的车型识别流程；

图6为对多普勒雷达数据进行特征提取的流程图；

       图7为本发明的一个实施例中特征维数统一后各个车型平均特征分布的仿真结果；

 图8为本发明的一个实施例中的全部训练样本在特征空间的三维分布图；

图9为用SVM分类器实现三类车型划分的功能框图。

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。

图1为多普勒雷达现场安装正面和侧面示意图，雷达101架在高处以45°射向车道，当目标车辆102与雷达有相对运动时，雷达接收的信号与发送的信号在频率上有偏差，为多普勒频移，计算公式如式（1）。

图2为微波交通雷达系统框图，主要由天线、收发前端、中频信号处理、数字信号处理、信息传输等5大部分组成。

图3为后端数字信号处理部分的系统方块图，数字信号处理单元主要由用于数据采集的AD芯片，用于数字信号处理的DSP(5416)芯片，用于数据存储的Flash芯片，用于将DSP产生的数字单频连续波信号转化成射频前端所需要的调制波的DA芯片，用于与仿真器相连的JTAG口以及用于串并数据转换与传输的UART组成。本发明采样电路中ADC芯片采用THS1206，要求输入的模拟信号变化范围在1.5

到3.5

之间，所以中频信号在送至ADC之前，必须先经过模拟前端（AFE），使得中频信号电压变化范围在1.5

到3.5之间。调频三角波产生电路（DA）部分,利用DSP自带的MCBSP产生的时钟信号和帧同步信号驱动DA芯片（TLV5638）产生相应三角调频信号。通信模块设计，通过扩展异步通信芯片(TL16C752B) 结合串口(MAX3322E/ MAX3323E)来实现高速串行通信，把从外部接收到的串行数据转换成并行数据，以及把从CPU接收到的并行数据转换成串行数据。整个系统需要两块存储模块，一个是程序存储模块（SST39VF800A），用来配合DSP芯片本身的上电自举特性，另一个是数据存储模块（SST39VF3201），用来存储系统出厂初始化参数和测试过程中的大量车流量信息。

图4为由实际采集的数据仿真得到的多普勒特征功率谱，计算如式（2）~(3），谱峰201的频点202对应车辆速度，由车速乘以车经过检测区域的时间，再加一些修正就得到车辆的长度;最大回波能量203，即为功率谱峰值，其大小反映车的最大高度;目标对应功率谱的形状及变化隐含着目标的轮廓特征(如式(4))，因功率谱幅值反映散射中心与目标的距离。

图5为车型识别的整个流程示意图，对采集的数据进行检测算法后提取有效的特征，然后使用分类器进行分类，整个测试过程采用交叉验证的方式。

图6为对多普勒雷达数据进行特征提取的流程图。先对雷达实时数据进行功率谱计算，初步特征提取，主成分分析进行特征统一，线性判别分析进行特征降维，之后得到3个特征送入分类器进行分类。

图7为每一类型车辆进行主成分分析统一后的平均特征图，如

，计算见式(5)~(10)，可见不同车型的大体区分度还是明显的，小车401平均特征为最上面的直线，中车402为中间带星号的直线，大车403为虚线对应。

图8为全部训练样本在特征空间的三维分布图，特征由式(11)~(14)得到，小车501为圆圈对应，中车502为加号对应，大车503为小圆点对应，可见大车与中小型车比较容易区分，而中小型车相差不大，难以区分。这是由于车辆外观和行驶的多样性导致车辆反射面差异很大，而微波雷达的分辨率相对较低，使得同一类型的不同车辆的特征变化很大，当车辆长度较短时这个问题尤为明显。所以包含三个类型的分类问题可以简化为两个两类问题：a.大车与中小型车的分类；b.中型车和小型车的分类。

图9为用SVM实现大中小三种类型车辆划分的功能框图，基于单个SVM的两类划分问题，采用1-V-R的方式实现多类划分。

Claims (1)

1.一种基于多普勒交通雷达进行车型识别的方法，包括雷达天线、收发设备以及数字信号处理终端，其特性在于，数字信号处理终端处理动目标多普勒频谱包括如下步骤：

步骤1、对多普勒雷达回波信号进行快速傅立叶变换，求得信号的时域数字回波信号回波功率谱时间序列：                                                ；

其中：

，为采用

点矩形窗

截取雷达数字回波信号

的快速傅立叶变换；

为雷达数字回波信号的离散傅里叶变换，

是对矩形窗的离散傅里叶变换；

步骤2、检测每个车辆的速度、长度、最大功率谱值和有效的频谱特征序列；

当用目标的频谱特征测量车的轮廓时，取谱峰及周围d点能量分析，故一个目标经过检测区域进行的m次检测对应m组功率谱数据，每个目标的m值是不同，则一个目标可表示为

                            

式中

为第i次检测中第j个功率谱数值；

步骤3、提取特征数据和数据降维；

对每个目标的数据

各自进行主成分分析，求得

个系数构成该样本的特征

，然后利用该特征进行识别，此时该N个样本为

；

对

个样本

,对其进行线性判别分析LDA，使特征数据降到一维，再结合目标长度和目标高度

这两个特征，则每个样本的特征为：

；               

步骤4、把全部目标的特征分K组，其中一个子集作为训练集，另外K-1组作为测试集，由训练数据设计分类器实现测试数据的分类；

步骤5、交叉验证，更改训练集和测试集的数据内容，返回步骤3；

步骤6、取K次测试正确率的平均值作为测试结果。

Images