CN113341405B - 一种消除近距离处车轮微多普勒影响的雷达跟踪方法 - Google Patents

Abstract

本发明公开了一种消除近距离处车轮微多普勒影响的雷达跟踪方法。该方法先对运动车辆的雷达回波信号进行傅里叶变换和恒虚警率CFAR检测，得到车身和车轮的速度和距离；接着进行微多普勒处理，即对目标点聚类得到车辆的距离，对连续多帧的回波信号进行时频分析得到时频谱E(f,t)；再将E(f,t)沿频率轴积累后的频谱E(f)输入平方律检波器得E²(f)，对E²(f)用自适应阈值法进行峰值检测，滤除车轮的目标点，确定车身运动引起的多普勒频率，得到车辆的速度；最后对目标车辆进行跟踪。本发明的方法能够消除在近距离处的雷达跟踪时由车轮微多普勒效应产生的虚假检测，避免了资源浪费，提高了跟踪效率。

Description

一种消除近距离处车轮微多普勒影响的雷达跟踪方法

技术领域

本发明涉及雷达信号处理领域，尤其涉及一种消除近距离处车轮微多普勒影响的雷达跟踪方法。

背景技术

随着国民经济的发展，道路的车流量不断增长，交通监测和交通安全越来越受到人们的重视。目前交通安全监视传感器包括视觉传感器、激光雷达等，但视觉传感器受光线和天气影响且无法测量目标距离信息，激光雷达造价昂贵。因此，兼具成本适中、可以做到全天候、全天时工作、抗干扰力强等优点的毫米波雷达更受到人们的青睐。

在利用毫米波雷达进行交通监测过程中，存在微多普勒效应。当雷达照射一个运动目标时，回波信号会发生多普勒频移，多普勒频移与目标的速度直接相关。如果目标或目标包含的任何结构部件发生旋转运动，在目标的多普勒频率周围产生边带频率，引起微多普勒效应(K.J.Parker,R.M.Lerner,and S.R.Huang,“Method and apparatus forusingDoppler modulation parameters for estimation of vibration amplitude,”U.S.Patent 5 086 775,Feb.11,1992)。在利用毫米波雷达进行车辆监测的过程中，当目标车辆相距雷达较远时，车轮的后向散射微弱，车轮上的反射点可以忽略不计，但是当目标车辆出现在雷达近距离处时，车轮反射点的回波能量增强，足以被雷达探测到。由于车轮存在微多普勒效应，导致近距离处车轮反射点的速度与车辆的速度不同，使得雷达检测到位于该车所在距离下存在多个目标点，产生虚假检测。这种虚假监测在雷达跟踪处理时容易混淆目标，增加成本，耗费更多资源。

针对近距离处车轮微多普勒效应引起虚假检测的现象，Jin等人(G.H.Jin,D.Zheng,Y.S.Zhang and F.He“Template-free Micro-Doppler SignatureClassification for Wheeled and Tracked Vehicles,”Defence Science Journal,69(5),517-527，2019)通过时频分析、Hough变换以及沿多普勒轴的方向进行频谱积累，分析频谱特征，进行车辆识别。Li等人(Y.B.Li,L.Du and H.W.Liu,“HierarchicalClassification of Moving Vehicles Based on Empirical Mode Decomposition ofMicro-Doppler Signatures,”IEEE Trans.on Geosci.Remote Sens.,51(5),3001-3013，2013)提出利用经验模态分解法(EMD)分别提取微多普勒谱中车轮与车身对应的频率分量，从而进行不同种类车辆的识别，但EMD方法运算复杂且不适用于存在多个目标车辆的情况。Chen等人(V.C.Chen,F.Li,S.S.Ho,and H.Wechsler,“Micro-Doppler effect inradar:Phenomenon,model,and simulation study,”IEEE Trans.Aerosp.Electron.Syst.,42(1),2-21，2006)利用数学模型详细推导了微多普勒效应，发现微多普勒谱存在对称性；Yu等人(W.Y.Yu,J.Y.Guo,S.S.Sun and K.Li,“Velocity Estimation of Wheeled Vehicleswith Micro-Doppler Phenomenon for Automotive Radar,”in InternationalConference on Sensor Networks and Signal Processing(2018),205-212)提出利用微多普勒谱的对称性提取微多普勒谱对称中心的频率，可以确定车身运动对应的多普勒频率，从而推出车辆行驶速度。该方法虽然简单，但是在实际应用中，由于很多情况下1)存在微多普勒谱不对称，2)车身后向散射较弱或车轮与雷达呈一定夹角，使得车轮后向散射较弱等情况下容易导致测量不精确，普适性差。

发明内容

针对近距离处车轮微多普勒效应会产生混淆目标导致虚假检测这一现象，本发明提出一种消除近距离处车轮微多普勒影响的雷达跟踪方法。

本发明采用的技术方案如下：

一种消除近距离处车轮微多普勒影响的雷达跟踪方法，包括以下步骤：

S1:利用雷达发射毫米波信号对运动车辆进行检测，先对回波信号进行傅里叶变换与恒虚警率CFAR检测，得到运动车辆上的目标点与雷达间的距离以及速度信息，其中目标点包括车身的目标点和车轮的目标点；

S2：对步骤S1检测的回波信号进行微多普勒处理，滤除车轮的目标点的信号，得到车辆车身的距离以及速度信息；

S3：根据步骤S2的距离以及速度信息对运动车辆进行跟踪。

进一步地，所述步骤S2中，微多普勒处理的具体步骤如下：

S2.1：对所有目标点进行聚类，得到车辆车身与雷达间的距离；

S2.2：对连续a帧的回波信号进行时频分析得到时频谱E(f,t)；连续a帧的选取条件为：其中，PRT为脉冲重复时间，R_res为距离分辨率，v_max为最大不模糊速度；

S2.3：把时频谱E(f,t)沿多普勒轴积累得到频谱E(f)，使得车身的回波信号强度凸显；

S2.4：将频谱E(f)输入平方律检波器得到频谱E²(f)，以抑制车轮微多普勒效应在频谱上产生的旁瓣；

S2.5：经过上述步骤之后，频谱上车身的能量远大于车轮的能量，因此频谱上的峰值点对应车身的目标点；对频谱E²(f)采用自适应阈值法进行峰值检测，以滤除频谱上车轮的目标点，提取车身的目标点，峰值点对应的频率即为车身引起的多普勒频率，进而得到车辆的行驶速度。

进一步地，所述步骤S2.1的具体步骤如下：

S2.1.1：对所有目标点与雷达间的距离进行升序排序；

S2.1.2：对排序后的距离做一阶差分处理，得到目标点之间的距离间隔；设R_th为前轮目标点及后轮目标点与雷达间的距离差，R_th≤一辆车的长度将目标点之间的距离间隔小于距离差R_th的目标点聚为一类，该类目标点属于同一车辆；

S2.1.3：将聚类后的目标点与雷达间的距离中心视为车身与雷达间的距离；求聚类后目标点与雷达间的距离的均值，得到车身的距离信息。

进一步地，所述步骤S2.5中，峰值检测的具体步骤为：

S2.5.1：信号的下限阈值为TH₂，上限阈值为TH₁，设定TH₁和TH₂初始值分别为TH₁₀和TH₂₀，MIN≤TH₁₀≤TH₂₀≤MAX，其中MAX为积累信号的最大值，MIN为积累信号的最小值；

S2.5.2：信号大于阈值TH₁的值对应的频率点为f₁，信号大于阈值TH₂的值对应的频率点为f₂；

S2.5.3：若f₁≠f₂，则更新阈值TH₁和TH₂；若f₁＝f₂，则结束更新过程；更新准则为：

TH_1m+1＝TH_1m-w₁Δ

TH_2m+1＝TH_2m-w₂Δ

其中，Δ＝|TH_1m-TH_2m|，上限和下限阈值第m次更新的结果分别为TH_1m和TH_2m，w₁与w₂分别是上限和下限阈值更新的权重因子，0＜w₁＜＜w₂＜1。

本发明能够消除近距离处由目标车辆的车轮微多普勒效应产生的虚假检测，避免了虚假检测在雷达跟踪时产生的资源浪费，提高了跟踪效率；同时，对于处于同距离下不同速度的多个目标，本发明方法也同样适用，普适性更强，结果更精确。

附图说明

图1为本发明的消除近距离处车轮微多普勒影响的雷达跟踪方法的流程图；

图2是实施例1中对雷达回波信号进行二维傅里叶变换后距离-速度图；

图3是实施例1中雷达CFAR检测后距离-速度图，白色的点为检测到的目标；

图4是实施例1中连续5帧信号的时频分析图E(v,t)及其沿多普勒轴的归一化积累信号E(v)，频率轴f转为速度轴v；

图5是实施例1中归一化的积累信号E(v)及其输入平方律检波器的输出结果E²(v)对比；

图6是实施例1中自适应阈值法进行峰值检测结果；

图7是实施例1中使用本发明方法处理前后的跟踪轨迹对比图；

图8是实施例2中自适应阈值峰值检测结果。

具体实施方式

下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明的方法使用毫米波雷达采集运动车辆的回波信号，回波信号进行傅里叶变换后进行恒虚警率CFAR检测，得到运动车辆车身的状态信息(r,v)以及车轮的状态信息{(r₁,v₁),(r₂,v₂),…,(r_N,v_N)}，其中，r代表目标点与雷达间的径向距离，v代表目标点与雷达间的径向速度，N为车轮上目标点的数量；这里，由于微多普勒效应，车轮上目标点的速度与车身目标点的速度不同，因此无法区分车身与车轮的目标点。接着进行微多普勒处理，即对目标点聚类得到车辆的距离r，对连续多帧的回波信号进行时频分析得到时频谱E(f,t)，时频谱E(f,t)沿多普勒轴积累后的信号E(f)输入平方律检波器，对输出信号E²(f)用自适应阈值法进行峰值检测，相对于车轮的后向散射，车身后向散射较强，通过峰值检测确定车身运动引起的多普勒频移f_d，由于多普勒频率与速度有关，从而可以推出车辆行驶速度v。经过上述微多普勒处理后滤除了车轮的目标点，得到车辆车身的状态信息(r,v)，可以进行目标车辆的跟踪，进而绘制跟踪轨迹。

实施例1

以实际路面监测到的运动车辆为例。如图1所示，本发明的消除近距离处车轮微多普勒影响的雷达跟踪方法，其包括以下步骤：

S1:利用毫米波雷达通过发射毫米波信号对运动车辆进行检测，得到共500帧的回波信号。对回波信号傅里叶变换，第107帧的傅里叶变换结果如图2所示，图2白色圈内显示雷达同时检测到目标车辆和车轮的反射信号，速度15m/s附近的车身回波信号较强但不显著。接着进行CFAR检测，第107帧的CFAR检测结果如图3。图中白点表示该距离和速度下存在目标，白色圆圈内的多个目标点表示雷达同时检测到的目标车辆车身和车轮的反射信号，图中目标点的状态信息为{(12.70m,4.93m/s)，(13.96m,10.18m/s)，(10.16m,13.88m/s)，(12.70m,15.11m/s)，(13.96m,18.19m/s)，(13.96m,22.51m/s)，(13.96m,24.05m/s)}。

由于微多普勒效应，车轮上的目标点速度与车辆车身速度不同，且与雷达间的距离以车身为中心向两边扩散。

S2：进行微多普勒处理，滤除了车轮的目标点，得到车辆车身的状态信息(r,v)，具体如下：

S2.1：目标点聚类得到车辆的距离r，该过程子步骤为：

由于车轮上目标点的距离{r₁,r₂,…,r_N}与车身的距离r接近，在属于同一辆车的所有目标点中，距离雷达最远的是前轮的目标点，距离雷达最近的是后轮的目标点，设定R_th为前后轮目标点与雷达的距离差。

S2.1.1：提取步骤S1得到的所有目标点的距离，对距离进行升序排序得{10.16,12.70,12.70,13.96,13.96,13.96,13.96}；

S2.1.2：对排序后的距离做一阶差分处理，得到目标点距离的间隔{2.54,0，1.26,0,0,0}。间隔距离小于R_th的目标点聚为一类，视该目标点类属于同一车辆，本实施例中R_th的选取条件为R_th≤4，所以第107帧CFAR检测到的目标点均属于同一辆车；

S2.1.3：视目标点类的距离中心为车身所在距离，对聚类后的每一类目标点的距离均值处理，得到车身的距离信息r为13.05米。

S2.2：对连续多帧(a帧)的回波信号进行时频分析得到时频谱E(f,t)。本实施例中PRT为0.0064秒，R_res为1.3米，v_max为39米/秒，由a的选取条件可知，a的取值范围为a≤5。为分析a取值不同时，检测过程的耗时和正确率，选取200帧运行，结果如下表所示。

表1不同a取值下的检测耗时和正确率

a	1	2	3	4	5
						耗时(s)	119.83	119.70	119.58	119.58	119.45
正确率(检测正确的目标数/总目标数)	0.94	0.97	0.98	0.98	0.993333

由上表可知，a取不同的值耗时几乎不变，但是a＝5时正确率最高，因此本实施例中选取a＝5。

S2.3：时频谱E(f,t)沿多普勒轴积累后的得到E(f)，进一步凸显车身回波信号强度。将频率轴f转为速度轴v，第107帧回波信号的归一化E(v,t)和E(v)如图4。图4显示目标车辆车身回波能量强，车轮回波能量较弱，车轮微多普勒效应在频谱上产生旁瓣。

S2.4：将E(v)输入平方律检波器得到E²(v)，抑制车轮微多普勒效应在频谱上产生的旁瓣，第107帧时归一化的E(v)及平方律检波器的输出结果E²(v)如图5所示。由图5得知积累信号输入平方率检波器后能够抑制车轮的多普勒旁瓣。

S2.5：相对于车轮的后向散射，车身后向散射较强。上述步骤后车身信号相比于车轮信号更加突出。对E²(f)采用自适应阈值法进行峰值检测，滤除车轮对应的频率，确定车身引起的多普勒频率f_d，通过多普勒频率f_d与速度v的关系f_d＝2v/λ(λ为雷达发射信号的波长)，得到距离r下车辆的行驶速度v。自适应阈值法进行峰值检测的具体步骤为：

S2.5.1：下限阈值为TH₂，上限阈值为TH₁。本实施例中设置初始值为TH₁₀＝MAX，TH₂₀＝40％MAX；

S2.5.2：信号大于TH₁的值对应的频率点为f₁，信号大于TH₂的值对应的频率点为f₂；

S2.5.3：若f₁≠f₂，则更新TH₁和TH₂。若f₁＝f₂，则结束更新过程。更新准则为

TH_1m+1＝TH_1m-w₁Δ

TH_2m+1＝TH_2m-w₂Δ

其中，Δ＝|TH_1m-TH_2m|，m为更新次数，w₁与w₂是上下限阈值更新的权重因子，决定TH₁与TH₂变化速度，本实施例中设定w₁＝0.02,w₂＝0.5。图6是本实施例自适应阈值法进行峰值检测结果，图中的TH₁和TH₂是自适应阈值检测停止检测时的上下阈值的最终结果。由峰值检测可知车辆速度为15.23m/s。

S3：上述步骤得到第107帧车辆的信息(13.05m,15.23m/s)，进行目标车辆的跟踪，进而绘制跟踪轨迹。图7是本实施例中分别使用和不使用本发明方法处理的跟踪轨迹，可以看出，使用本发明方法进行处理后能够减少跟踪目标。

实施例2

假设同一距离下存在两个不同速度的目标车辆，使用本发明的方法根据图1的流程进行处理，其中S2.5的处理结果如图8所示。同一距离下存在两个不同速度的车辆时，自适应阈值法能够检测出两个目标车辆所对应的速度分别为15.42m/s与20.97m/s。

因此，使用本发明方法可以消除由于车轮微多普勒效应带来的虚假目标，提高跟踪精度，减少资源浪费。且针对同一距离下存在多个不同速度的目标车辆的情况，本发明的方法同样适用。

本领域普通技术人员可以理解，以上所述仅为发明的优选实施例而已，并不用于限制发明，尽管参照前述实施例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (5)

1.一种消除近距离处车轮微多普勒影响的雷达跟踪方法，其特征在于，包括以下步骤：

S1:利用雷达发射毫米波信号对运动车辆进行检测，先对回波信号进行傅里叶变换与恒虚警率CFAR检测，得到运动车辆上的目标点与雷达间的距离以及速度信息，其中目标点包括车身的目标点和车轮的目标点；

S2：对步骤S1检测的回波信号进行微多普勒处理，滤除车轮的目标点的信号，得到车辆车身的距离以及速度信息；微多普勒处理的具体步骤如下：

S2.1：对所有目标点进行聚类，得到车辆车身与雷达间的距离；

S2.2：对连续a帧的回波信号进行时频分析得到时频谱E(f,t)；

S2.3：把时频谱E(f,t)沿多普勒轴积累得到频谱E(f)，使得车身的回波信号强度凸显；

S2.4：将频谱E(f)输入平方律检波器得到频谱E²(f)，以抑制车轮微多普勒效应在频谱上产生的旁瓣；

S2.5：经过上述步骤之后，频谱上车身的能量远大于车轮的能量，因此频谱上的峰值点对应车身的目标点；对频谱E²(f)采用自适应阈值法进行峰值检测，以滤除频谱上车轮的目标点，提取车身的目标点，峰值点对应的频率即为车身引起的多普勒频率，进而得到车辆的行驶速度；

S3：根据步骤S2的距离以及速度信息对运动车辆进行跟踪。

2.根据权利要求1所述的一种消除近距离处车轮微多普勒影响的雷达跟踪方法，其特征在于，所述步骤S2.1的具体步骤如下：

S2.1.1：对所有目标点与雷达间的距离进行升序排序；

S2.1.2：对排序后的距离做一阶差分处理，得到目标点之间的距离间隔；设R_th为前轮目标点及后轮目标点与雷达间的距离差，将目标点之间的距离间隔小于距离差R_th的目标点聚为一类，该类目标点属于同一车辆；

S2.1.3：将聚类后的目标点与雷达间的距离中心视为车身与雷达间的距离；求聚类后目标点与雷达间的距离的均值，得到车身的距离信息。

3.根据权利要求2所述的一种消除近距离处车轮微多普勒影响的雷达跟踪方法，其特征在于，所述距离差R_th的选取条件为：R_th≤一辆车的长度。

4.根据权利要求1所述的一种消除近距离处车轮微多普勒影响的雷达跟踪方法，其特征在于，所述步骤S2.2中，连续a帧的选取条件为：

其中，PRT为脉冲重复时间，R_res为距离分辨率，v_max为最大不模糊速度。

5.根据权利要求1所述的一种消除近距离处车轮微多普勒影响的雷达跟踪方法，其特征在于，所述步骤S2.5中，峰值检测的具体步骤为：

S2.5.1：信号的下限阈值为TH₂，上限阈值为TH₁，设定TH₁和TH₂初始值分别为TH₁₀和TH₂₀，MIN≤TH₂₀≤TH₁₀≤MAX，其中MAX为积累信号的最大值，MIN为积累信号的最小值；

S2.5.2：信号大于阈值TH₁的值对应的频率点为f₁，信号大于阈值TH₂的值对应的频率点为f₂；

S2.5.3：若f₁≠f₂，则更新阈值TH₁和TH₂；若f₁＝f₂，则结束更新过程；更新准则为：

TH_1m+1＝TH_1m-w₁Δ

TH_2m+1＝TH_2m-w₂Δ

其中，Δ＝|TH_1m-TH_2m|，上限和下限阈值第m次更新的结果分别为TH_1m和TH_2m，w₁与w₂分别是上限和下限阈值更新的权重因子，0＜w₁＜＜w₂＜1。