CN113671459B - Fmcw雷达动目标恒虚警检测方法 - Google Patents

Abstract

本发明属于雷达检测技术领域，公开了一种FMCW雷达动目标恒虚警检测方法，根据蒙特卡洛原理，对FMCW雷达数据处理过程中的二维距离‑多普勒矩阵进行随机采样以模拟蒙特卡洛独立随机实验得到未知特征量估计的过程，通过对随机采样的样本点处理得到当前时刻目标背景噪声的估计，利用噪声估计值得到目标判决门限最终实现当前动目标检测。本发明采用基于随机采样的恒虚警算法实现FMCW雷达背景噪声的估计和目标恒虚警检测；本发明消除了常规恒虚警算法的窗口设计和窗口滑动，通过对整个RDM检测域的采样实现当前RDM域的整体噪声估计；同时避免了二维窗口的滑动操作，提高了检测效率，大大降低了算法的时间复杂度。

Description

FMCW雷达动目标恒虚警检测方法

技术领域

本发明属于雷达检测技术领域，尤其涉及一种FMCW雷达动目标恒虚警检测方法。

背景技术

目前：在实际雷达应用中，探测目标总是出现在噪声背景前，尽管固定阈值的检测方法最简单，但该方法无法适应的复杂多变的背景噪声环境(例如因时间或空间变化引起噪声幅度变化)。雷达恒虚警处理的根本目的是根据不同杂波环境自适应设置检测门限，实现雷达目标的有效检测降低虚警率。因此，研究很虚假算法对提高雷达目标检测精度具有重要意义。

目前检测过程中常用的恒虚警算法主要有以下几类：

平均功率恒虚警算法(Mean Level CFAR，ML-CFAR)是通过滑动窗口的方式，将窗口内的局部干扰功率取平均值实现窗口内噪声估计的方法。单元平均恒虚警算法(CA-CFAR)检测作为最经典的ML-CFAR方法，其原理是将参考窗口内的所有单元功率进行平均操作，将得到的平均值作为背景噪声的估计值并与窗口内的检测单元进行比较，从而判断目标是否存在。通过窗口滑动实现所有检测区域的目标搜索。虽然CA-CFAR在均匀高斯背景下具有良好的检测性能，但在多目标环境下，由于目标可能出现在参考窗口中，使得噪声功率估计出错，导致CA-CFAR检测性能下降。针对CA-CFAR在多目标情况下检测性能不足的问题，提出了最小选择检测(SO-CFAR)。尽管SO-CFAR具有良好的多目标分辨能力，但虚警控制能力较弱，降低了恒虚警算法整体检测性能。

有序统计恒虚警(OS-CFAR)是另一种典型的恒虚警检测方法。OS-CFAR算法源于数字图像处理中中值滤波的概念。它在窗口中有序地排列样本，并根据一定的原则选择样本值作为决策阈值。与CA-CFAR的检测性能相比，OS-CFAR对多目标检测具有很强的鲁棒性，但其产生的CFAR损失较大。为了提高OS-CFAR的检测性能，一些研究者还提出了OS和CA相结合的方法，但这增加了算法的复杂度。

在LFMCW雷达系统中，尽管恒虚警的检测算法原理没有改变，但检测区域变成二维距离-多普勒矩阵(Rang-Dopplermatrix,RDM)，参考窗口需要进行二维滑动以遍历整个检测区域。二维窗口设计和窗口滑动增加了算法的复杂度和计算量，不利于算法的实现和工程应用。

如前所述，当前CFAR算法的一些特点：

(1)均是以等概率提取参考窗口中的每个随机变量，并通过处理评估局部噪声功率；

(2)均是通过参考窗口的滑动遍历所有需要检测的区域；

(3)在LFMCW雷达系统二维窗口设计和窗口滑动增加了算法的复杂度和计算量

(4)无法在不增加算法复杂度的情况下同时具有良好的检测效果和多目标检测能力。

而上述算法缺陷导致雷达动目标检测方法检测性能不佳，检测灵敏度低，无法在不增加检测过程复杂度的情况下保证优良的检测概率的同时满足多目标检测，不利于工程实现。

解决以上问题及缺陷的难度为：

1、建立合适的算法模型使对当前目标所在的背景噪声估计时不需要额外设计参考窗口以及进行窗口滑动；

2、对RDM矩阵中变量进行抽取时，避免因抽到目标点而导致背景噪声估计错误。

3、更低的时间复杂度，提高雷达对目标检测的实时性。

4、在多目标、目标集中且不同目标反射功率强度不同的环境下，能够有效的检测出所有目标，防止因为反射功率强的目标掩盖反射功率低的目标，出现“遮蔽效应”。

解决以上问题及缺陷的意义为：

1、通常FMCW雷达的恒虚警检测过程需要对RDM进行窗口的设计以及二维滑窗搜索。本发明目的采用新的恒虚警算法消除窗口设计和滑窗操作降低算法的复杂度，使得目标检测过程更快，提高雷达数据处理效率。

2、由于噪声样本的数量有限以及目标点出现在参考窗口内使得基于窗口的噪声估计误差较大。采用对整个RDM矩阵的随机抽样和样本处理，增加了背景估计的样本数量以及避免目标点对噪声估计的影响，提高了背景噪声估计的准确性。

3、在不提高算法复杂的情况下，有效的对多动态目标的检测，消除目标“遮蔽效应”的同时，算法的低复杂度易于在FMCW雷达平台上实现，能够更好的在工程上得到应用。

发明内容

针对现有技术存在的问题，本发明提供了一种FMCW雷达动目标恒虚警检测方法。

本发明是这样实现的，一种FMCW雷达动目标恒虚警检测方法，所述FMCW雷达动目标检测方法包括：

采用基于随机采样的恒虚警算法进行FMCW雷达动目标检测。

进一步，所述基于随机采样的恒虚警算法即利用根据蒙特卡洛原理，对FMCW雷达数据处理过程中的二维距离-多普勒矩阵(RDM)进行随机采样以模拟蒙特卡洛独立随机实验得到未知特征量估计的过程，通过对随机采样的样本点处理得到当前时刻目标背景噪声的估计，利用噪声估计值得到目标判决门限最终实现当前动目标检测。

进一步，所述FMCW雷达动目标检测方法包括一下步骤：

步骤一，构建基于随机采样的恒虚警算法模型即MC-CFAR模型，并确定所述基于随机采样的恒虚警算法的参数；

步骤二，利用基于确定参数的MC-CFAR对整个雷达检测RDM区域进行随机采样，并确定雷达检测的背景噪声估计值以及决策门限，进行雷达多目标检测。

进一步，所述恒虚警算法的参数包括：采样点和门限因子。

进一步，步骤一中，所述确定所述基于随机采样的恒虚警算法的参数包括：采用蒙特卡洛方法确定采样点以及门限因子的值。

进一步，所述采用蒙特卡洛方法确定采样点以及门限因子的值包括：

1)提取无目标下的雷达RDM矩阵；设置一组采样点M和门限因子α；

2)根据MC-CFAR算法模型，执行10000次独立重复恒虚警检测；统计本组M、α参数下，恒虚警实验产生虚警的概率；

3)重新设置新的一组M、α参数下，返回步骤2)，直至恒虚警实验产生虚警的概率小至预设阈值。

进一步，步骤二中，所述利用构建的基于随机采样的恒虚警算法模型确定雷达检测的背景噪声估计值和门限因子，并确定决策门限包括：

(1)随机采样初步得到样本点：对RDM矩阵中的检测点进行随机抽取，得到M个样本点其中m，n表示RDM矩阵中的行列号；

(2)根据样本点的幅值大小对样本点进行排序，即：

(3)去除目标点，保留背景噪声点；并对剩下的样本点进行求平均，得到背景整个RDM区内的背景噪声估计值μ：

(4)将得到的背景噪声估计值与门限因子相乘得到最终决策门限T：T＝μ·α。

进一步，步骤(3)中，所述去除目标点，保留背景噪声点包括：去除序列中k个最大值和序列中k个最小值，选择中间M-2k个样本点。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明不仅提升了雷达对运动目标检测的性能，在满足多目标经检测的同时避免了二维窗口的滑动操作，提高了检测效率，大大降低了算法的时间复杂度。此外，本发明已经在实际的FMCW雷达平台上进行了运行，并且相比传统雷达恒虚警算算法，取得了更好的目标检测效果。

本发明提出了一种基于随机采样的检测方法(MC-CFAR)来实现FMCW雷达动目标检测。与常规的恒虚警算法不同的，MC-CFAR算法而是对整个RDM区域进行随机采样，通过采样样本估计整体背景噪声值从而代替传统恒虚警算法中依靠窗口滑动和通过不断的局部背景噪声估计实现整个RDM区域检测的新恒虚警算法。

本发明用随机采样的方式实现背景噪声的估计；本发明消除了常规恒虚警算法的窗口设计和窗口滑动，通过对整个RDM检测域的采样实现当前RDM域的整体噪声估计；本发明相比目前恒虚警算法，具体较高的检测灵敏度，更适合对弱信号检测；本发明相比目前恒虚警算法具有最低的算法时间复杂度，更易于工程实现。

附图说明

图1是本发明实施例提供的FMCW雷达动目标检测方法流程图。

图2是本发明实施例提供的MC-CFAR算法模型示意图。

图3是本发明实施例提供的MC-CFAR算法整体流程示意图。

图4是本发明实施例提供的基于随机采样的恒虚警算法的FMCW雷达动目标检测系统结构示意图；

图中：1、模型构建模块；2、参数确定模块；3、检测门限确定模块；4、目标检测模块。

图5是本发明实施例提供的RDM矩阵示意图。

图6是本发明实施例提供的MC-CFAR算法虚警率与采样点和门限因子的关系示意图。

图7是本发明实施例提供的MC-CFAR灵敏度实验示意图。

图8是本发明实施例提供的MC-CFAR多目标检测实验示意图。

图9是本发明实施例提供的MC-CFAR算法时间复杂度实验示意图。

图10是本发明实施例提供的不同距离段下不同算法对行人的最佳检测概率示意图。

图11是本发明实施例提供的不同距离段下不同算法对车辆的最佳检测概率示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。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。

针对现有技术存在的问题，本发明提供了一种FMCW雷达动目标检测方法、系统、计算机设备、终端，下面结合附图对本发明作详细的描述。

本发明实施例提供的FMCW雷达动目标检测方法包括：

采用基于随机采样的恒虚警算法进行FMCW雷达动目标检测。

本发明实施例提供的基于随机采样的恒虚警算法即利用随机抽样方法计算统计值进行未知特征量的估计对背景噪声进行随机采样，通过对样本点的处理进行背景噪声评估的恒虚警算法。

如图1所示，本发明实施例提供的FMCW雷达动目标检测方法包括一下步骤：

S101，构建基于随机采样的恒虚警算法模型即MC-CFAR模型，并确定所述基于随机采样的恒虚警算法的参数；

S102，利用基于确定参数的MC-CFAR对整个雷达检测RDM区域进行随机采样，并确定雷达检测的背景噪声估计值以及决策门限，进行雷达多目标检测。

本发明实施例提供的恒虚警算法的参数包括：采样点和门限因子。

本发明实施例提供的确定所述基于随机采样的恒虚警算法的参数包括：采用蒙特卡洛方法确定采样点以及门限因子的值。

本发明实施例提供的采用蒙特卡洛方法确定采样点以及门限因子的值包括：

1)提取无目标下的雷达RDM矩阵；设置一组采样点M和门限因子α；

2)根据MC-CFAR算法模型，执行10000次独立重复恒虚警检测；统计本组M、α参数下，恒虚警实验产生虚警的概率；

3)重新设置新的一组M、α参数下，返回步骤2)，直至恒虚警实验产生虚警的概率小至预设阈值。

本发明实施例提供的利用构建的基于随机采样的恒虚警算法模型确定雷达检测的背景噪声估计值和门限因子，并确定决策门限包括：

(1)随机采样初步得到样本点：对RDM矩阵中的检测点进行随机抽取，得到M个样本点其中m，n表示RDM矩阵中的行列号；

(2)根据样本点的幅值大小对样本点进行排序，即：

(3)去除目标点，保留背景噪声点；并对剩下的样本点进行求平均，得到背景整个RDM区内的背景噪声估计值μ：

(4)将得到的背景噪声估计值与门限因子相乘得到最终决策门限T：T＝μ·α。

本发明实施例提供的去除目标点，保留背景噪声点包括：去除序列中k个最大值和序列中k个最小值，选择中间M-2k个样本点。

如图4所示，本发明实施例提供的基于随机采样的恒虚警算法的FMCW雷达动目标检测系统包括：

模型构建模块1，用于构建MC-CFAR模型；

参数确定模块2，用于确定所述MC-CFAR模型的参数；

检测门限确定模块3，用于利用基于确定参数的MC-CFAR对整个雷达检测RDM区域进行随机采样，并确定雷达检测的背景噪声估计值以及决策门限；

目标检测模块4，用于基于确定的检测门限进行雷达多目标检测。

下面结合具体实施例对本发明的技术方案做进一步说明。

实施例1：

本发明提供的随机采样的FMCW雷达动目标检测恒虚警算法。

在恒虚警算法中，虚警率P_fa公式为：

P_fa＝P(Y₀≥T),T＝μ·α (1)

其中Y₀表示待检测点。T为决策门限值，由背景噪声估计值μ和门限因子α组成。因此恒虚警算法的核心是准确的得到背景噪声估计值μ和门限因子α，从而确定决策门限T，使得雷达检测目标时保持相虚警率不变。

因此MC-CFAR算法内容如下：

(1)算法模型建立

在概率论和统计学中，假定未知量μ是满足某种分布的随机变量ξ的期望，则确定μ的近似方法是对ξ重复采样，产生独立样本点x₁,x₂......x_n。根据样本点求出平均值当样本足够大时可认为平均值/>近似等于未知量μ。

在LFMCW雷达系统中，RDM检测矩阵中的每个待检测点的幅值服从瑞利分布，当对检测矩阵中的噪声进行随机抽取，即可通过求平均的方式实现对噪声幅值μ的估计。因此算法模型如图2所示，流程如下：

1)随机采样初步得到样本点：对RDM矩阵中的检测点进行随机抽取，得到M个样本点其中m，n表示RDM矩阵中的行列号。实际中雷达探测目标数量有限，因此目标点所占RDM的面积远小于背景噪声所占RDM的面积，因此M个采样点中大部分为背景噪声点。

2)排序，根据样本点的幅值大小对样本点进行排序，即：

3)去除目标点，保留背景噪声点。由于目标点的幅值远大于噪声幅值，因此去除序列中k个最大值和序列中k个最小值，选择中间M-2k个样本点，以消除目标点对噪声估计的影响。

4)得到背景噪声估计值μ。对剩下的样本点进行求平均，得到背景整个RDM区内的背景噪声估计值μ：

5)得到决策门限T。将得到的背景噪声估计值与门限因子相乘得到最终决策门限T：T＝μ·α。

(2)MC-CFAR算法中参数确定

根据MC-CFAR算法模型，需要确定样本点数量M与门限因子α的值。算法采用蒙特卡洛方法实现对采样点M以及门限因子α值的确定。蒙特卡洛方法也称为随机模拟方法，其原理通常是通过大量随机独立的重复实验获得参数的统计特征，最后用统计值代替实际值。过程如下：

1)第一步：提取无目标下的雷达RDM矩阵

2)第二步：设置一组采样点M和门限因子α

3)第三步：根据MC-CFAR算法模型，执行10000次独立重复恒虚警检测

4)第四步：统计该组M,α参数下，恒虚警实验产生虚警的概率。

5)第五步：重新设置新的一组M,α参数下，返回第三部。

通过蒙特卡洛方法，得到MC-CFAR算法下样本点数M，门限因子α与虚警率的关系，如图6所示。当样本点数M过小时，影响虚警率的主要因素为样本点，即在相同的门限因子下，样本点数越少，算法的虚警率越高。随着采样点的增加，虚警率降低。当样本点数达到一定数量级时，样本点数的增加对虚警率的影响变小，门限因子成为主要因素。

实际中，根据不同的虚警率需求选择门限因子α，若RDM检测矩阵大小为H，则采样点通常选择由于雷达的背景噪声与雷达本身有关，因此当雷达平台确定时，该步骤仅需要执行一次。

下面结合仿真实验对本发明的技术效果作详细的说明。

1、仿真验证

(1)灵敏度验证

在相同的数据源，将MC-CFAR与目前常用的CA-CFAR，OS-CFAR，OSCA-CFAR进行仿真，观察在相同的虚警率条件下不同算法对不同强度目标的检测概率，如图7所示。

通过实验结果可以看出，MC-CFAR算法对弱目标的检测概率高于其它几种算法，即MC-CFAR具有较高的检测灵敏度。

(2)多目标检测性能

如图8所示，在长度为200的均匀杂波背景中，在46、48、50和52处加上目标，目标之间的距离为2；以20为目标间距，分别在90和110处添加目标；最后，在145处添加独立目标。通过实验可以看出，对于独立的目标(145)，常规算法与MC-CFAR算法均可检测出。随着目标距离的不断接近(46、48、50和52处)，CA-CFAR算法出现了“遮蔽效应”，对于MC-CFAR算法依然可以准确的检测出每一个目标。因此MC-CFAR算法具有良好的多目标检测能力。

(3)时间复杂度

在计算时间复杂度之前，假设RDM域的大小为N×N，对于常规CFAR算法设滑动窗口的大小为n×n，对于MC-CFAR算法设采样点数为则算法的时间复杂度O如公式所示(3)所示，令n＝16，L＝2，得到每个算法的时间复杂度，如图8所示。可以看出随着检测矩阵大小的增加MC-CFAR算法的时间复杂度始终最低：

2、实际测试

基于真实的雷达平台对真实场景中的车辆和行人进行测试验证MC-CFAR算法性能。

(1)相同距离下算法测试结果

在真实的物理雷达平台进行算法测试。该雷达平台对行人的有效检测距离为80-90m，对车辆的有效检测距离为190-200m。因此选择距离中值，即对行人在40-50m处和车辆90-100m处进行检测，统计目标数与检测数相同的结果次数并计算出此概率(称为最佳检测概率(“good frame rate”))。该平台的RDM矩阵大小为256*256，则统计结果如表1所示。通过表1可以看出，在距离中值的情况下，MC-CFAR算法具有最高的检测概率。

表1不同恒虚警算法得到的最佳检测效果

(2)不同距离下算法的测试结果

相同的雷达平台在相同的测试场景下，对不同距离段的行人或车辆进行测试(参数如表1所示)，测不同算法在不同距离下的检测结果如图10，图11所示。

根据图10，图11的结果可以看出，MC-CFAR的检测概率普遍高于其它算法，并且随着距离的增加，目标的能量越低，尽管所有算法的检测概率均下降，但MC-CFAR的算法下降最慢，且一直高于其它算法。因此MC-CFAR算法具有较高的检测灵敏度。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种FMCW雷达动目标恒虚警检测方法，其特征在于，所述FMCW雷达动目标恒虚警检测方法包括：

采用基于随机采样的恒虚警算法进行FMCW雷达动目标检测；

所述基于随机采样的恒虚警算法即利用根据蒙特卡洛原理，对FMCW雷达数据处理过程中的二维距离-多普勒矩阵RDM进行随机采样以模拟蒙特卡洛独立随机实验得到未知特征量估计的过程，通过对随机采样的样本点处理得到当前时刻目标背景噪声的估计，利用噪声估计值得到目标判决门限最终实现当前动目标检测；

所述FMCW雷达动目标恒虚警检测方法包括以下步骤：

步骤一，构建基于随机采样的恒虚警算法模型即MC-CFAR模型，并确定所述基于随机采样的恒虚警算法的参数；

步骤二，利用基于确定参数的MC-CFAR对整个雷达检测RDM区域进行随机采样，并确定雷达检测的背景噪声估计值以及决策门限，进行雷达多目标检测；

所述恒虚警算法的参数包括：采样点和门限因子；

步骤一中，所述确定所述基于随机采样的恒虚警算法的参数包括：采用蒙特卡洛方法确定采样点以及门限因子的值；

所述采用蒙特卡洛方法确定采样点以及门限因子的值包括：

1)提取无目标下的雷达RDM矩阵；设置一组采样点M和门限因子α；

2)根据MC-CFAR算法模型，执行10000次独立重复恒虚警检测；统计本组M、α参数下，恒虚警实验产生虚警的概率；

3)重新设置新的一组M、α参数下，返回步骤2)，直至恒虚警实验产生虚警的概率小至预设阈值；

步骤二中，所述利用构建的基于随机采样的恒虚警算法模型确定雷达检测的背景噪声估计值和门限因子，并确定决策门限包括：

(1)随机采样初步得到样本点：对RDM矩阵中的检测点进行随机抽取，得到M个样本点其中m，n表示RDM矩阵中的行列号；

(2)根据样本点的幅值大小对样本点进行排序，即：

(3)去除目标点，保留背景噪声点；并对剩下的样本点进行求平均，得到背景整个RDM区内的背景噪声估计值μ：

(4)将得到的背景噪声估计值与门限因子相乘得到最终决策门限T：T＝μ·α；

步骤(3)中，所述去除目标点，保留背景噪声点包括：去除序列中k个最大值和序列中k个最小值，选择中间M-2k个样本点。