CN105334514A - 一种有轨电车雷达视频复合预警防撞系统及其方法 - Google Patents

Abstract

本发明公开了一种有轨电车雷达视频复合预警防撞系统及其方法，该预警防撞系统通过设置雷达目标检测部件、雷达视频数据融合卡尔曼跟踪器、视频图像检测部件及危险级别判别器，使得该预警防撞系统具有测量障碍物距离、速度，并能识别方位、进行危险判断、行人危险告警及其他障碍物危险判断等功能，为有轨电车的运行提供辅助安全保障。本发明采用FMSK单发双收雷达体制获取障碍物目标的距离、速度及方位信息，提高有轨电车多目标分辨力和目标识别能力，利用不同目标类型的回波频谱特征的差异，对有轨电车行驶过程中的环境目标进行有效区分及识别，利用雷达测量的高精度和全天候特性与视频图像的目标识别优势结合，提高防撞预警性能。

Description

一种有轨电车雷达视频复合预警防撞系统及其方法

技术领域

本发明涉及有轨电车运行安全保障技术，具体涉及一种有轨电车雷达视频复合预警防撞系统及其方法。

背景技术

目前，有轨电车交通运行安全保障主要依靠电车信号系统指令和驾驶司机的安全意识，通过SIL4级的轨旁联锁和SIL2级的车载设备共同完成。然而由于有轨电车运行线路环境复杂，线路中会出现与社会车辆路段交叉甚至人行道交叉的情况，依靠司机判断采取磁轨制动并不能有效避免有轨电车交通事故发生。为此，出现了一些专门用于有轨电车运行安全的保障方法，如：无线道岔控制(公布号CN103991465A的发明专利)，该发明通过无线道岔控制系统设置了有效的安全间隔，避免了后车误抢前车控制指令，确保导向安全，但无法保证有轨电车正常运营过程中的防撞预警。单目视觉(公布号CN103010261A的发明专利)，该发明将摄像装置安装于车辆前端，摄像装置的信号输出端与控制器的信号输入端电连接，控制器的信号输出端与报警装置的信号输入端连接，通过机器视觉分析预警轨道交通。但该发明对于夜间光线不足的情况，则无法有效对车辆与行人进行判断。轨道电连接预警(公布号CN103010264A的发明专利)，该发明的信号收发装置置于列车上，并与轨道电连接，每辆列车在铁轨上发送电信号，其他列车接收该电信号并计算距离，以此作出预警，当发生危险时可自动进行紧急制动。但该发明必须为每辆车都安装信号收发装置，对于社会车辆和行人则无法进行预警。

另外，德国、日本及印度等国家，针对轨道交通安全方面都有深入的研究，特别是地铁交通方式取得了多个研究成果。德国和日本采用毫米波雷达就列车前方险情向列车司机发生警报；印度采用GPS卫生系统获取信号用于位置定位，判断列车距离以防止危险的“碰撞”，从而形成安全屏障。从国内外车辆防撞系统的研究情况来看，目前有轨电车在道岔区域行车安全，可以由已有成熟的信号系统完成。但是针对城市开放环境，目前并没有适用于有轨电车交通的防撞系统。对于行驶于城市环境中的有轨电车，有轨电车以目视行车原则的防撞靠司机保障。

发明内容

本发明的目的在于提供一种有轨电车雷达视频复合预警防撞系统及其方法，针对同轨电车、社会车辆、行人及其他障碍物，提供一种能够提高有轨电车运行安全性的辅助司机驾驶的预警防撞系统及预警防撞方法。该预警防撞系统通过设置雷达目标检测部件、雷达视频数据融合卡尔曼跟踪器、视频图像检测部件及危险级别判别器，使得该预警防撞系统具有测量障碍物距离、速度，并能识别方位、进行危险判断、行人危险告警及其他障碍物危险判断等功能，为有轨电车的运行提供辅助安全保障。

为了达到上述目的，本发明通过以下技术方案实现：

一种有轨电车雷达视频复合预警防撞系统，其特点是，该系统包含：

雷达目标检测部件，获取并分析有轨电车的目标雷达信息；

雷达视频数据融合卡尔曼跟踪器，所述雷达视频数据融合卡尔曼跟踪器的第一输入端与所述雷达目标检测部件的输出端连接；

视频图像检测部件，获取并分析有轨电车的目标视频图像信息；所述视频图像检测部件的输出端与所述雷达视频数据融合卡尔曼跟踪器的第二输入端连接；

危险级别判别器，所述危险级别判别器的输入端与所述雷达视频数据融合卡尔曼跟踪器的输出端连接。

优选地，所述视频图像检测部件包含：

视频图像探测器，获取有轨电车的目标视频图像信息；

目标特征提取及区分仪器，所述目标特征提取及区分仪器的输入端与所述视频图像探测器的输出端连接，该目标特征提取及区分仪器的输出端与所述雷达视频数据融合卡尔曼跟踪器的第二输入端连接。

优选地，所述雷达目标检测部件包含：

雷达目标探测器，获取有轨电车的目标雷达信息；

目标回波频谱特征分析仪，所述目标回波频谱特征分析仪的输入端与所述雷达目标探测器的输出端连接，该目标回波频谱特征分析仪的输出端与所述述雷达视频数据融合卡尔曼跟踪器的第一输入端连接。

优选地，所述雷达目标探测器包含：

雷达发射信号单元，向有轨电车的目标发送雷达信号；

雷达数字信号预处理器，所述雷达数字信号预处理器分别与所述雷达发射信号单元、所述目标回波频谱特征分析仪连接；

第一接收信号单元，获取有轨电车的目标返回的第一雷达信号；所述第一接收信号单元与所述雷达数字信号预处理器连接；

第二接收信号单元，获取有轨电车的目标返回的第二雷达信号；所述第二接收信号单元与所述雷达数字信号预处理器连接。

一种有轨电车雷达视频复合预警防撞方法，其特点是，所述预警防撞方法包含：

S1，雷达目标检测部件对有轨电车的多个目标进行距离、速度及方位的检测及分析，并将分析后的信号发送至雷达视频数据融合卡尔曼跟踪器；

S2，视频图像检测部件对有轨电车的多个目标进行图像捕捉、分析，并将分析得到的目标特征信号发送至所述雷达视频数据融合卡尔曼跟踪器；

S3，所述雷达视频数据融合卡尔曼跟踪器根据所述雷达目标检测部件发送的信号、所述视频图像检测部件发送的信号进行融合处理，计算每个目标的预测数据，并将预测数据发送至危险级别判别器；

S4，所述危险级别判别器根据每个目标的预测数据进行危险预判，并根据预判等级，对有轨电车司机进行相应警戒级别的报警。

优选地，所述步骤S1包含：

S1.1，所述雷达目标检测部件的雷达目标探测器对有轨电车的多个目标进行距离、速度及方位的检测，并将获取的检测信号发送至该雷达目标检测部件的目标回波频谱特征分析仪；

S1.2，所述目标回波频谱特征分析仪根据目标方位的不同，采用不同方式对所述雷达目标探测器获取的信号进行处理，并将处理后的信号发送至雷达视频数据融合卡尔曼跟踪器。

优选地，所述步骤S1.1包含：

S1.1.1，所述雷达目标探测器的雷达发射信号单元交替重复发射a段线性调频信号、b段线性调频信号，其中a段线性调频信号、b段线性调频信号仅起始频率不同，其余特性均相同；

其中，a段线性调频信号的数学公式表达为：

$s_{at}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}rect\left(\frac{t-{\mathrm{iT}}_r}{\frac{1}{2}{T}_r}\right)\exp \[-j2\mathrm{\π}(f_{a\_0}+i\mathrm{\Δ}f)t\],t\∈\[-\frac{T_r}{4},\frac{T_r}{4}\];$

b段线性调频信号的数学公式表达为：

$s_{bt}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}rect\left(\frac{t-{\mathrm{iT}}_r-\frac{1}{2}{T}_r}{\frac{1}{2}{T}_r}\right)\exp \[-j2\mathrm{\π}(f_{b\_0}+i\mathrm{\Δ}f)t\],t\∈\[-\frac{T_r}{4},\frac{T_r}{4}\];$

其中，f_{a_0}为a段线性调频信号的初始频率，

f_{b_0}为b段线性调频信号的初始频率，

T_r为一个a、b重复周期，

Δf为频率步进间隔，其中

B为有效带宽，

N为频率步进的数目；

S1.1.2，设在电磁波所在的空域内，某一目标在t＝0时刻距离所述雷达发射信号单元为R，径向速度为v，则所述雷达目标探测器的第一接收信号单元、第二接收信号单元对应接收到的第一目标回波、第二目标回波分别表示为：

$s_{ar}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}rect\left(\frac{t-{\mathrm{iT}}_r-\mathrm{\τ}\left(t\right)}{\frac{1}{2}{T}_r}\right)\exp \[-j2\mathrm{\π}(f_{a\_0}+i\mathrm{\Δ}f)(t-\mathrm{\τ}(t))\];$

$s_{br}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}rect\left(\frac{t-{\mathrm{iT}}_r-\frac{1}{2}{T}_r-\mathrm{\τ}\left(t\right)}{\frac{1}{2}{T}_r}\right)\exp \[-j2\mathrm{\π}(f_{b\_0}+i\mathrm{\Δ}f)(t-\mathrm{\τ}(t))\];$

其中，为信号延时，c为光速；

S1.1.3，所述第一目标回波在所述第一接收信号单元中与本振发射信号进行基带混频，混频后计算第一差频信号s_an(t)；所述第二目标回波在所述第二接收信号单元中与本振发射信号进行基带混频，混频后计算第二差频信号s_bn(t)；

S1.1.4，雷达数字信号预处理器在和分别对第一差频信号s_an(t)、第二差频信号s_bn(t)进行采样得到：

$s_{an}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}\exp \{-j2\mathrm{\π}\[(\mathrm{\Δ}f\frac{2R}{c}-f_{d\_a\_i}{T}_r)i+f_{d\_a\_i}\frac{1}{4}{T}_r+f_{a\_0}\frac{2R}{c}\]\};$

$s_{bn}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}\exp \{-j2\mathrm{\π}\[(\mathrm{\Δ}f\frac{2R}{c}-f_{d\_b\_i}{T}_r)i+f_{d\_b\_i}\frac{3}{4}{T}_r+f_{b\_0}\frac{2R}{c}\]\};$

其中， $f_{d\_a\_i}=(f_{a\_0}+i\mathrm{\Δ}f)\frac{2v}{c},f_{d\_b\_i}=(f_{b\_0}+i\mathrm{\Δ}f)\frac{2v}{c};$

S1.1.5，所述雷达数字信号预处理器根据上述两个采样公式计算得到该目标的实际距离、速度及方位；并将距离信号、速度信号及方位信号发送至所述目标回波频谱特征分析仪。

优选地，所述步骤S2包含：

S2.1，所述视频图像检测部件的视频图像探测器对有轨电车的多个目标进行图像捕捉，并将捕捉到的图像信号发送至该视频图像检测部件的目标特征提取及区分仪器；

S2.2，所述目标特征提取及区分仪器采用特征梯度直方图算法提取目标特征，并将提取到的目标特征信号发送至所述雷达视频数据融合卡尔曼跟踪器。

优选地，所述步骤S2.2包含：

S2.2.1，所述目标特征提取及区分仪器将获取到的图像信息进行颜色空间标准化处理，并进行梯度计算；

S2.2.2，该目标特征提取及区分仪器根据梯度计算结果进行空间、方向上的梯度统计及区间标准化处理，从而生成特征向量；

S2.2.3，提取特征向量中的特征梯度直方图算法特征，并基于SVM的行人检测算法进行目标分类；并将分类信号发送至所述雷达视频数据融合卡尔曼跟踪器。

优选地，所述步骤S3包含：

S3.1，所述雷达视频数据融合卡尔曼跟踪器为多传感器目标跟踪器，则该雷达视频数据融合卡尔曼跟踪器的状态值x(t)、第i个传感器的观测值y_i(t)分别表示如下：

x(t+1)＝Φx(t)+Γω(t)；

y_i(t)＝Hx(t)+v_i(t),i＝1,2,…l.，

其中，ω(t)为带零均值的高斯白噪声，观测噪声v_i(t)为有色噪声；

系数阵Φ,Γ,H分别为：

$\mathrm{\Φ}=\left[\begin{array}{ccc}1& T_0& 0.5T_0^2\\ 0& 1& T_0\\ 0& 0& 1\end{array}\right],\mathrm{\Γ}=\left[\begin{array}{c}0\\ 0\\ 1\end{array}\right],H=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right];$

S3.2，所述雷达视频数据融合卡尔曼跟踪器的状态值x(t)＝[x₁(t)x₂(t)x₃(t)]^T，其中x₁(t),x₂(t),x₃(t)表示在时刻tT₀处目标的距离、角度及速度；T₀为采样周期；第i个传感器的观测值y_i(t)＝[y_i1(t)y_i2(t)y_i3(t)]^T，y_i1(t)、y_i2(t)和y_i3(t)分别是第i个传感器的距离、角度和速度的观测值；

基于观测值,求)得状态值x(t)的稳态最优融合Kalman跟踪滤波器为：

$\widehat{x_0^{\′}}\left(t\right|t)=\underset{i=1}{\overset{l}{\Σ}}{A}_i{\hat{x}}_i\left(t\right|t);$

其中，最优加权阵A_i由下式决定：

$\[A1,A2,...Al\]\stackrel{\mathrm{\Δ}}{=}{\left(e^T{P}^{-1}e\right)}^{-1}{e}^T{P}^{-1}$

其中e∈R^3l×3和P∈R^3l×3l定义为

而P_ij计算得到最优融合误差方差阵为

P₀'＝(e^TP^-1e)^-1。

本发明与现有技术相比具有以下优点：

本发明的目的在于提供一种有轨电车雷达视频复合预警防撞系统及其方法，针对同轨电车、社会车辆、行人及其他障碍物，提供一种能够提高有轨电车运行安全性的辅助司机驾驶的预警防撞系统及预警防撞方法。该预警防撞系统通过设置雷达目标检测部件、雷达视频数据融合卡尔曼跟踪器、视频图像检测部件及危险级别判别器，使得该预警防撞系统具有测量障碍物距离、速度，并能识别方位、进行危险判断、行人危险告警及其他障碍物危险判断等功能，为有轨电车的运行提供辅助安全保障。本发明采用FMSK(FrequencyModulationShiftKeying调频频移键控)单发双收雷达体制获取障碍物目标的距离、速度及方位信息，提高有轨电车多目标分辨力和目标识别能力，充分利用不同目标类型的回波频谱特征的差异，对有轨电车行驶过程中的环境目标进行有效区分及识别，采用雷达视频复合探测方式，利用雷达测量的高精度和全天候特性与视频图像的目标识别优势结合，提高防撞预警性能。

附图说明

图1为本发明一种有轨电车雷达视频复合预警防撞系统的整体结构示意图。

图2为本发明一种有轨电车雷达视频复合预警防撞方法的整体流程图。

图3为本发明一种有轨电车雷达视频复合预警防撞系统的雷达目标探测器结构示意图。

图4为本发明一种有轨电车雷达视频复合预警防撞方法的实施例示意图。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

如图1所示，一种有轨电车雷达视频复合预警防撞系统，该系统包含：雷达目标检测部件1、视频图像检测部件2、雷达视频数据融合卡尔曼跟踪器3及危险级别判别器4。

其中，雷达目标检测部件1获取并分析有轨电车的目标雷达信息。雷达视频数据融合卡尔曼跟踪器3的第一输入端与雷达目标检测部件1的输出端连接。视频图像检测部件2获取并分析有轨电车的目标视频图像信息；视频图像检测部件2的输出端与雷达视频数据融合卡尔曼跟踪器3的第二输入端连接。危险级别判别器4的输入端与雷达视频数据融合卡尔曼跟踪器3的输出端连接。

本实施例中，雷达目标检测部件1主要用于探测的目标是机动车，其探测角度范围不小于120°，探测距离范围不小于70m。视频图像检测部件2主要探测的目标是机动车、障碍物、行人等，对于在距离200m处的直立成年行人和典型轿车可以识别，并且更新数据频率不小于50Hz。

如图1所示，视频图像检测部件2包含：视频图像探测器21、目标特征提取及区分仪器22。其中，视频图像探测器21获取有轨电车的目标视频图像信息；目标特征提取及区分仪器22的输入端与视频图像探测器21的输出端连接，该目标特征提取及区分仪器22的输出端与雷达视频数据融合卡尔曼跟踪器3的第二输入端连接。

如图1所示，雷达目标检测部件1包含：雷达目标探测器11、目标回波频谱特征分析仪12。其中，雷达目标探测器11获取有轨电车的目标雷达信息；目标回波频谱特征分析仪12的输入端与雷达目标探测器11的输出端连接，该目标回波频谱特征分析仪12的输出端与述雷达视频数据融合卡尔曼跟踪器3的第一输入端连接。

如图3所示，雷达目标探测器11包含：雷达发射信号单元111、雷达数字信号预处理器114、第一接收信号单元112、第二接收信号单元113。

其中，雷达发射信号单元111向有轨电车的目标发送雷达信号；雷达数字信号预处理器114分别与雷达发射信号单元111、目标回波频谱特征分析仪12连接。

第一接收信号单元112获取有轨电车的目标返回的第一雷达信号；第一接收信号单元112与雷达数字信号预处理器114连接。第二接收信号单元113获取有轨电车的目标返回的第二雷达信号；第二接收信号单元113与雷达数字信号预处理器114连接。

雷达发射信号单元111包含：发射天线1111、功率放大器1112、雷达发射信号产生器1113及控制处理器1114。其中雷达数字信号预处理器114与控制处理器1114、雷达发射信号产生器1113、功率放大器1112及发射天线1111依次连接。通过控制处理器1114控制雷达发射信号产生器1113依次产生a段线性调频信号及b段线性调频信号。

第一接收信号单元112包含：第一接收天线1121、低噪放大器1122、一对混频器1123、一对过滤器1124及一对模数转换器1125。其中，第一接收天线1121、低噪放大器1122依次连接，低噪放大器1122分别于一对混频器1123连接，一个混频器1123依次与一个过滤器1124、一个模数转换器1125连接，另一个混频器1123依次与另一个过滤器1124、另一个模数转换器1125连接；一对模数转换器1125与雷达数字信号预处理器114连接。每个混频器1123将第一接收天线1121获取的信号与雷达发射信号产生器1113产生的信号进行混频后发送至与其连接的相应的过滤器1124中。第一接收信号单元112用于接收并处理雷达发射信号单元111发出的a段线性调频信号，并将处理结果发送至雷达数字信号预处理器114。

第二接收信号单元113包含：第二接收天线1131、低噪放大器1132、一对混频器1133、一对过滤器1134及一对模数转换器1135。其中，第二接收天线1131、低噪放大器1132依次连接，低噪放大器1132分别于一对混频器1133连接，一个混频器1133依次与一个过滤器1134、一个模数转换器1135连接，另一个混频器1133依次与另一个过滤器1134、另一个模数转换器1135连接；一对模数转换器1135与雷达数字信号预处理器114连接。每个混频器1133将第二接收天线1131获取的信号与雷达发射信号产生器1113产生的信号进行混频后发送至与其连接的相应的过滤器1134中。第二接收信号单元113用于接收并处理雷达发射信号单元111发出的b段线性调频信号，并将处理结果发送至雷达数字信号预处理器114。

如图2所示，一种有轨电车雷达视频复合预警防撞方法，预警防撞方法包含：

S1，雷达目标检测部件1对有轨电车的多个目标进行距离、速度及方位的检测及分析，并将分析后的信号发送至雷达视频数据融合卡尔曼跟踪器3。该步骤S1包含：

S1.1，雷达目标检测部件1的雷达目标探测器11对有轨电车的多个目标进行距离、速度及方位的检测，并将获取的检测信号发送至该雷达目标检测部件1的目标回波频谱特征分析仪12。

本发明中，采用FMSK雷达体制，通过单路天线发射、双路天线接收的方式，实现对多目标的距离、速度及方位进行检测。

该步骤S1.1包含：

S1.1.1，雷达目标探测器11的雷达发射信号单元111交替重复发射a段线性调频信号、b段线性调频信号，其中a段线性调频信号、b段线性调频信号仅起始频率不同，其余特性均相同；

本发明中，a段线性调频信号、b段线性调频信号的步进大小相同、调制宽度为B，对上述两个信号进行归一化处理，设信号幅度为1，初始相位为0。

其中，a段线性调频信号的数学公式表达为：

$s_{at}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}rect\left(\frac{t-{\mathrm{iT}}_r}{\frac{1}{2}{T}_r}\right)\exp \[-j2\mathrm{\π}(f_{a\_0}+i\mathrm{\Δ}f)t\],t\∈\[-\frac{T_r}{4},\frac{T_r}{4}\];$

b段线性调频信号的数学公式表达为：

$s_{bt}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}rect\left(\frac{t-{\mathrm{iT}}_r-\frac{1}{2}{T}_r}{\frac{1}{2}{T}_r}\right)\exp \[-j2\mathrm{\π}(f_{b\_0}+i\mathrm{\Δ}f)t\],t\∈\[-\frac{T_r}{4},\frac{T_r}{4}\];$

其中，f_{a_0}为a段线性调频信号的初始频率，

f_{b_0}为b段线性调频信号的初始频率，

T_r为一个a、b重复周期，

Δf为频率步进间隔，其中

B为有效带宽，

N为频率步进的数目。

S1.1.2，设在电磁波所在的空域内，某一目标在t＝0时刻距离雷达发射信号单元111为R，径向速度为v，则雷达目标探测器11的第一接收信号单元112、第二接收信号单元113对应接收到的第一目标回波、第二目标回波分别表示为：

$s_{ar}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}rect\left(\frac{t-{\mathrm{iT}}_r-\mathrm{\τ}\left(t\right)}{\frac{1}{2}{T}_r}\right)\exp \[-j2\mathrm{\π}(f_{a\_0}+i\mathrm{\Δ}f)(t-\mathrm{\τ}(t\left)\right)\];$

$s_{br}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}rect\left(\frac{t-{\mathrm{iT}}_r-\frac{1}{2}{T}_r-\mathrm{\τ}\left(t\right)}{\frac{1}{2}{T}_r}\right)\exp \[-j2\mathrm{\π}(f_{b\_0}+i\mathrm{\Δ}f)(t-\mathrm{\τ}(t\left)\right)\];$

其中，为信号延时，c为光速。

S1.1.3，第一目标回波在第一接收信号单元112中与本振发射信号进行基带混频，混频后计算第一差频信号s_an(t)；第二目标回波在第二接收信号单元113中与本振发射信号进行基带混频，混频后计算第二差频信号s_bn(t)；

则经混频后计算的第一差频信号s_an(t)为：

$s_{an}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}rect\left(\frac{t-{\mathrm{iT}}_r}{T_r^{\′}}\right)\exp \[-j2\mathrm{\π}(f_{a\_0}+i\mathrm{\Δ}f)\mathrm{\τ}\left(t\right)\];$

经混频后计算的第二差频信号s_bn(t)为：

$s_{bn}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}rect\left(\frac{t-{\mathrm{iT}}_r}{T_r^{\′}}\right)\exp \[-j2\mathrm{\π}(f_{b\_0}+i\mathrm{\Δ}f)\mathrm{\τ}\left(t\right)\].$

S1.1.4，雷达数字信号预处理器114在和分别对第一差频信号s_an(t)、第二差频信号s_bn(t)进行采样得到：

$s_{an}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}\exp \{-j2\mathrm{\π}\[(\mathrm{\Δ}f\frac{2R}{c}-f_{d\_a\_i}{T}_r)i+f_{d\_a\_i}\frac{1}{4}{T}_r+f_{a\_0}\frac{2R}{c}\]\};$

$s_{bn}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}\exp \{-j2\mathrm{\π}\[(\mathrm{\Δ}f\frac{2R}{c}-f_{d\_b\_i}{T}_r)i+f_{d\_b\_i}\frac{3}{4}{T}_r+f_{b\_0}\frac{2R}{c}\]\};$

其中， $f_{d\_a\_i}=(f_{a\_0}+i\mathrm{\Δ}f)\frac{2v}{c},f_{d\_b\_i}=(f_{b\_0}+i\mathrm{\Δ}f)\frac{2v}{c};$

S1.1.5，雷达数字信号预处理器114根据上述两个采样公式计算得到该目标的实际距离、速度及方位；并将距离信号、速度信号及方位信号发送至目标回波频谱特征分析仪12。

根据上述公式可知，采用FMSK雷达体制获取的目标距离信息与回波的相位相关，因此可以通过上述公式得到目标的距离和速度。相比于现有技术，能够比较简洁可靠的得到雷达所观测的多目标的相对距离信息和相对速度信息。

S1.2，目标回波频谱特征分析仪12根据目标方位的不同，采用不同方式对雷达目标探测器11获取的信号进行处理，并将处理后的信号发送至雷达视频数据融合卡尔曼跟踪器3。

本实施例中，对于弯道或狭窄道路两旁设施，可以在信号处理中从目标雷达回波谱线中进行区分。由于本实施例的系统分辨率0.5m左右，对于典型汽车目标在频谱分析中以点目标形式反应，对于其他设施干扰类目标以扩展目标形式反应，因此，从频谱分析中采用相应算法加以区分。

S2，视频图像检测部件2对有轨电车的多个目标进行图像捕捉、分析，并将分析得到的目标特征信号发送至雷达视频数据融合卡尔曼跟踪器3。该步骤S2包含：

S2.1，视频图像检测部件2的视频图像探测器21对有轨电车的多个目标进行图像捕捉，并将捕捉到的图像信号发送至该视频图像检测部件2的目标特征提取及区分仪器22。

S2.2，目标特征提取及区分仪器22采用特征梯度直方图(HistogramofGradient,简称HOG)算法提取目标特征，并将提取到的目标特征信号发送至雷达视频数据融合卡尔曼跟踪器3。

本发明中，采用HOG方法，能够在图像中局部的亮度梯度和边缘方向很好地描述目标局部的外观和形状，在图像秘籍提取图像梯度方向的局部直方图作为特征来用于分类。在特征提取过程中，把一个图像区域划分成密集的方格单元，在每个单元上提取各像素点的梯度方向或边缘方向直方图，从而形成一个描述该图像区域的特征向量。

该步骤S2.2包含：

S2.2.1，目标特征提取及区分仪器22将获取到的图像信息进行颜色空间标准化处理，并进行梯度计算。

S2.2.2，该目标特征提取及区分仪器22根据梯度计算结果进行空间、方向上的梯度统计及区间标准化处理，从而生成特征向量。

S2.2.3，提取特征向量中的特征梯度直方图算法特征，并基于SVM(SupportVectorMachine，支持向量机)的行人检测算法进行目标分类；并将分类信号发送至雷达视频数据融合卡尔曼跟踪器3。

S3，雷达视频数据融合卡尔曼跟踪器3根据雷达目标检测部件1发送的信号、视频图像检测部件2发送的信号进行融合处理，计算每个目标的预测数据，并将预测数据发送至危险级别判别器4。

本发明中，当雷达探测到目标后，提取目标前后位置、速度等信息形成轨迹。经跟踪滤波处理后，新的点迹与已存在的轨迹进行数据关联，关联上的点迹用来更新轨迹信息，并形成对目标下一位置的预测波门，没有关联上的点迹进行新轨迹的起始点。本发明采用雷达与视频复合探测体制，将雷达目标检测部件1与视频图像检测部件2的数据融合后进行目标的行为轨迹及危险预测。

本发明中，雷达视频数据融合卡尔曼跟踪器3为多传感器目标跟踪器，多传感器的信息融合理论的状态融合估计方法主要有状态融合和测量融合。对于状态融合问题，测量噪声通常假设为白噪声，这使得问题处理起来比较方便，但这种假设只有当测量噪声本身的相关性较弱时才合理；否则会带来较大误差，同样导致跟踪滤波发散。在实际应用中，测量噪声通常是有色的；因此，本发明采用测量数据融合。雷达目标检测部件1提供的信息包括目标运动的位置(距离和角度)和速度信息，视频图像检测部件2提供的信息包括目标的位置和速度信息。采用ARMA新息模型的分散式多传感器信息融合稳态最优Kalman跟踪滤波技术，有效的利用了两个子系统的数据，较普通Kalman滤波性能上有了很大提升。

该步骤S3包含：

S3.1，雷达视频数据融合卡尔曼跟踪器3为多传感器目标跟踪器，则该雷达视频数据融合卡尔曼跟踪器3的状态值x(t)、第i个传感器的观测值y_i(t)分别表示如下：

x(t+1)＝Φx(t)+Γω(t)；

y_i(t)＝Hx(t)+v_i(t),i＝1,2,…l.，

其中，ω(t)为带零均值的高斯白噪声，观测噪声v_i(t)为有色噪声；

系数阵Φ,Γ,H分别为：

$\mathrm{\Φ}=\left[\begin{array}{ccc}1& T_0& 0.5T_0^2\\ 0& 1& T_0\\ 0& 0& 1\end{array}\right],\mathrm{\Γ}=\left[\begin{array}{c}0\\ 0\\ 1\end{array}\right],H=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right];$

S3.2，雷达视频数据融合卡尔曼跟踪器的状态值x(t)＝[x₁(t)x₂(t)x₃(t)]^T，其中x₁(t),x₂(t),x₃(t)表示在时刻tT₀处目标的距离、角度及速度；T₀为采样周期；第i个传感器的观测值y_i(t)＝[y_i1(t)y_i2(t)y_i3(t)]^T，y_i1(t)、y_i2(t)和y_i3(t)分别是第i个传感器的距离、角度和速度的观测值。

基于观测值,求)得状态值x(t)的稳态最优融合Kalman跟踪滤波器为：

$\widehat{x_0^{\′}}\left(t\right|t)=\underset{i=1}{\overset{l}{\Σ}}{A}_i{\hat{x}}_i\left(t\right|t);$

其中，最优加权阵A_i由下式决定：

$\[A1,A2,...Al\]\stackrel{\mathrm{\Δ}}{=}{\left(e^T{P}^{-1}e\right)}^{-1}{e}^T{P}^{-1}$

其中e∈R^3l×3和P∈R^3l×3l定义为

而P_ij计算得到最优融合误差方差阵为

P₀'＝(e^TP^-1e)^-1。

本实施例中，雷达目标检测部件1、视频图像检测部件2分别通过RS485将实时数据发送至雷达视频数据融合卡尔曼跟踪器3，在雷达视频数据融合卡尔曼跟踪器3中进行数据融合处理，最终得到如图4所示的效果曲线图。

S4，危险级别判别器4根据每个目标的预测数据进行危险预判，并根据预判等级，对有轨电车司机进行相应警戒级别的报警。

本实施例中，有轨电车的雷达视频复合预警防撞系统分为三级预警。分别为绿色安全级：视频探测120～200m范围，此时无危险提示；黄色警戒级：视频探测70～120m范围，此时如果视频图像处理前方有障碍物且处于相对速度大于预定门限时，则显示界面显示黄色，蜂鸣器发出低频的预警声音，已提示司机引起注意；红色危险级：雷达探测0～70m，雷达将探测到目标的距离、速度及角度信息发送给视频监控子系统，并在显示界面上，将目标信息反应在实际视频图像上。雷达通过预定算法判断在该距离范围内，是否有危险存在，若存在则显示红色危险信号，蜂鸣器发出高频的预警声音，提示司机采取刹车措施。同时，视频图像处理，判断出前方70m内有行人存在，根据其运动趋势判断处理危险存在，同样处于危险级，系统给出声、光报警信息。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种有轨电车雷达视频复合预警防撞系统，其特征在于，该系统包含：

雷达目标检测部件，获取并分析有轨电车的目标雷达信息；

雷达视频数据融合卡尔曼跟踪器，所述雷达视频数据融合卡尔曼跟踪器的第一输入端与所述雷达目标检测部件的输出端连接；

视频图像检测部件，获取并分析有轨电车的目标视频图像信息；所述视频图像检测部件的输出端与所述雷达视频数据融合卡尔曼跟踪器的第二输入端连接；

危险级别判别器，所述危险级别判别器的输入端与所述雷达视频数据融合卡尔曼跟踪器的输出端连接。

2.如权利要求1所述的有轨电车雷达视频复合预警防撞系统，其特征在于，所述视频图像检测部件包含：

视频图像探测器，获取有轨电车的目标视频图像信息；

目标特征提取及区分仪器，所述目标特征提取及区分仪器的输入端与所述视频图像探测器的输出端连接，该目标特征提取及区分仪器的输出端与所述雷达视频数据融合卡尔曼跟踪器的第二输入端连接。

3.如权利要求1所述的有轨电车雷达视频复合预警防撞系统，其特征在于，所述雷达目标检测部件包含：

雷达目标探测器，获取有轨电车的目标雷达信息；

目标回波频谱特征分析仪，所述目标回波频谱特征分析仪的输入端与所述雷达目标探测器的输出端连接，该目标回波频谱特征分析仪的输出端与所述述雷达视频数据融合卡尔曼跟踪器的第一输入端连接。

4.如权利要求3所述的有轨电车雷达视频复合预警防撞系统，其特征在于，所述雷达目标探测器包含：

雷达发射信号单元，向有轨电车的目标发送雷达信号；

雷达数字信号预处理器，所述雷达数字信号预处理器分别与所述雷达发射信号单元、所述目标回波频谱特征分析仪连接；

第一接收信号单元，获取有轨电车的目标返回的第一雷达信号；所述第一接收信号单元与所述雷达数字信号预处理器连接；

第二接收信号单元，获取有轨电车的目标返回的第二雷达信号；所述第二接收信号单元与所述雷达数字信号预处理器连接。

5.一种有轨电车雷达视频复合预警防撞方法，其特征在于，所述预警防撞方法包含：

S1，雷达目标检测部件对有轨电车的多个目标进行距离、速度及方位的检测及分析，并将分析后的信号发送至雷达视频数据融合卡尔曼跟踪器；

S2，视频图像检测部件对有轨电车的多个目标进行图像捕捉、分析，并将分析得到的目标特征信号发送至所述雷达视频数据融合卡尔曼跟踪器；

S3，所述雷达视频数据融合卡尔曼跟踪器根据所述雷达目标检测部件发送的信号、所述视频图像检测部件发送的信号进行融合处理，计算每个目标的预测数据，并将预测数据发送至危险级别判别器；

S4，所述危险级别判别器根据每个目标的预测数据进行危险预判，并根据预判等级，对有轨电车司机进行相应警戒级别的报警。

6.如权利要求5所述的有轨电车雷达视频复合预警防撞方法，其特征在于，所述步骤S1包含：

S1.1，所述雷达目标检测部件的雷达目标探测器对有轨电车的多个目标进行距离、速度及方位的检测，并将获取的检测信号发送至该雷达目标检测部件的目标回波频谱特征分析仪；

S1.2，所述目标回波频谱特征分析仪根据目标方位的不同，采用不同方式对所述雷达目标探测器获取的信号进行处理，并将处理后的信号发送至雷达视频数据融合卡尔曼跟踪器。

7.如权利要求6所述的有轨电车雷达视频复合预警防撞方法，其特征在于，所述步骤S1.1包含：

S1.1.1，所述雷达目标探测器的雷达发射信号单元交替重复发射a段线性调频信号、b段线性调频信号，其中a段线性调频信号、b段线性调频信号仅起始频率不同，其余特性均相同；

其中，a段线性调频信号的数学公式表达为：

$s_{at}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}rect\left(\frac{t-{\mathrm{iT}}_r}{\frac{1}{2}{T}_r}\right)\exp \[-j2\mathrm{\π}(f_{a\_0}+i\mathrm{\Δ}f)t\],t\∈\[-\frac{T_r}{4},\frac{T_r}{4}\];$

b段线性调频信号的数学公式表达为：

$s_{bt}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}rect\left(\frac{t-{\mathrm{iT}}_r-\frac{1}{2}{T}_r}{\frac{1}{2}{T}_r}\right)\exp \[-j2\mathrm{\π}(f_{b\_0}+i\mathrm{\Δ}f)t\],t\∈\[-\frac{T_r}{4},\frac{T_r}{4}\];$

其中，f_{a_0}为a段线性调频信号的初始频率，

f_{b_0}为b段线性调频信号的初始频率，

T_r为一个a、b重复周期，

Δf为频率步进间隔，其中

B为有效带宽，

N为频率步进的数目；

S1.1.2，设在电磁波所在的空域内，某一目标在t＝0时刻距离所述雷达发射信号单元为R，径向速度为v，则所述雷达目标探测器的第一接收信号单元、第二接收信号单元对应接收到的第一目标回波、第二目标回波分别表示为：

$s_{ar}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}rect\left(\frac{t-{\mathrm{iT}}_r-\mathrm{\τ}\left(t\right)}{\frac{1}{2}{T}_r}\right)\exp \[-j2\mathrm{\π}(f_{a\_0}+i\mathrm{\Δ}f)(t-\mathrm{\τ}(t\left)\right)\];$

$s_{br}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}rect\left(\frac{t-{\mathrm{iT}}_r-\frac{1}{2}{T}_r-\mathrm{\τ}\left(t\right)}{\frac{1}{2}{T}_r}\right)\exp \[-j2\mathrm{\π}(f_{b\_0}+i\mathrm{\Δ}f)(t-\mathrm{\τ}(t\left)\right)\];$

其中，为信号延时，c为光速；

S1.1.3，所述第一目标回波在所述第一接收信号单元中与本振发射信号进行基带混频，混频后计算第一差频信号s_an(t)；所述第二目标回波在所述第二接收信号单元中与本振发射信号进行基带混频，混频后计算第二差频信号s_bn(t)；

S1.1.4，雷达数字信号预处理器在和分别对第一差频信号s_an(t)、第二差频信号s_bn(t)进行采样得到：

$s_{an}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}\exp \{-j2\mathrm{\π}\[\mathrm{\Δ}f\frac{2R}{c}-f_{d\_a\_i}{T}_r\]i+f_{d\_a\_i}\frac{1}{4}{T}_r+f_{a\_0}\frac{2R}{c}\]\};$

$s_{bn}\left(t\right)=\underset{i=0}{\overset{N-1}{\Σ}}\exp \{-j2\mathrm{\π}\[(\mathrm{\Δ}f\frac{2R}{c}-f_{d\_b\_i}{T}_r)i+f_{d\_b\_i}\frac{3}{4}{T}_r+f_{b\_0}\frac{2R}{c}\]\};$

其中， $f_{d\_a\_i}=(f_{a\_0}+i\mathrm{\Δ}f)\frac{2v}{c},f_{d\_b\_i}=(f_{b\_0}+i\mathrm{\Δ}f)\frac{2v}{c};$

S1.1.5，所述雷达数字信号预处理器根据上述两个采样公式计算得到该目标的实际距离、速度及方位；并将距离信号、速度信号及方位信号发送至所述目标回波频谱特征分析仪。

8.如权利要求5所述的有轨电车雷达视频复合预警防撞方法，其特征在于，所述步骤S2包含：

S2.1，所述视频图像检测部件的视频图像探测器对有轨电车的多个目标进行图像捕捉，并将捕捉到的图像信号发送至该视频图像检测部件的目标特征提取及区分仪器；

S2.2，所述目标特征提取及区分仪器采用特征梯度直方图算法提取目标特征，并将提取到的目标特征信号发送至所述雷达视频数据融合卡尔曼跟踪器。

9.如权利要求8所述的有轨电车雷达视频复合预警防撞方法，其特征在于，所述步骤S2.2包含：

S2.2.1，所述目标特征提取及区分仪器将获取到的图像信息进行颜色空间标准化处理，并进行梯度计算；

S2.2.2，该目标特征提取及区分仪器根据梯度计算结果进行空间、方向上的梯度统计及区间标准化处理，从而生成特征向量；

S2.2.3，提取特征向量中的特征梯度直方图算法特征，并基于SVM的行人检测算法进行目标分类；并将分类信号发送至所述雷达视频数据融合卡尔曼跟踪器。

10.如权利要求5所述的有轨电车雷达视频复合预警防撞方法，其特征在于，所述步骤S3包含：

S3.1，所述雷达视频数据融合卡尔曼跟踪器为多传感器目标跟踪器，则该雷达视频数据融合卡尔曼跟踪器的状态值x(t)、第i个传感器的观测值y_i(t)分别表示如下：

x(t+1)＝Φx(t)+Γω(t)；

y_i(t)＝Hx(t)+v_i(t),i＝1,2,…l.，

其中，ω(t)为带零均值的高斯白噪声，观测噪声v_i(t)为有色噪声；

系数阵Φ,Γ,H分别为：

$\mathrm{\Φ}=\left[\begin{array}{ccc}1& T_0& 0.5T_0^2\\ 0& 1& T_0\\ 0& 0& 1\end{array}\right],\mathrm{\Γ}=\left[\begin{array}{c}0\\ 0\\ 1\end{array}\right],H=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right];$

S3.2，所述雷达视频数据融合卡尔曼跟踪器的状态值x(t)＝[x₁(t)x₂(t)x₃(t)]^T，其中x₁(t),x₂(t),x₃(t)表示在时刻tT₀处目标的距离、角度及速度；T₀为采样周期；第i个传感器的观测值y_i(t)＝[y_i1(t)y_i2(t)y_i3(t)]^T，y_i1(t)、y_i2(t)和y_i3(t)分别是第i个传感器的距离、角度和速度的观测值；

基于观测值求得状态值x(t)的稳态最优融合Kalman跟踪滤波器为：

$\widehat{x_0^{\′}}\left(t|t\right)=\underset{i=1}{\overset{l}{\Σ}}{A}_i\widehat{x_i}\left(t|t\right);$

其中，最优加权阵A_i由下式决定：

$\[A1,A2,...Al\]\stackrel{\mathrm{\Δ}}{=}{\left(e^T{P}^{-1}e\right)}^{-1}{e}^T{P}^{-1}$

其中e∈R^3l×3和P∈R^3l×3l定义为

而P_ij计算得到最优融合误差方差阵为

P′₀＝(e^TP^-1e)^-1。