一种基于特征的雷达运动目标检测和干扰抑制方法及系统
技术领域
本发明涉及自动驾驶安全辅助技术领域,具体涉及一种基于特征的雷达运动目标检测和干扰抑制方法以及应用该方法的系统。
背景技术
随着人类社会的发展和技术进步,自动驾驶是未来汽车技术发展的必然方向。但由于汽车的普及和城市住宅环境的拓展,人们驾驶私家车上下班和购物及办事已经是成为普通工薪阶层的自然选择,但随着城市交通堵塞的日益严重,人们每天行驶在路上的时间也越来越多,安全驾驶私家车也逐渐变成了一种的耗费精神和体力的活动。自动驾驶可以把人们从每天长时间的疲劳驾驶环境中解脱出来,也是未来人们生活中的刚性需求。
但自动驾驶技术中的核心关键技术是感知技术,如果没有及时获取充分的感知信息,即使在有完美的认知和控制技术的条件下,自动驾驶也会完全丧失功能。在自动驾驶感知技术中包括图像感知、毫米波雷达感知和激光雷达感知。其中毫米波雷达主要用于运动目标的检测和测量。
由于在自动驾驶实时环境中,主要不确知的动态障碍物是其它运动的车辆,所以毫米波雷达对动态不确知运动目标的有效检测是自动驾驶中核心的核心。
在现有技术中,毫米波雷达检测运动目标的核心问题是如何去除背景杂波干扰,杂波干扰主要来自于雷达信号发射以后的地面、草地、树木、建筑物和山丘等散射体的回波,由杂波来自于静止的散射体,所以它们的雷达回波多普勒频率是零,而真正的运动目标多普勒频率不是零,常用的去除杂波方法就是两个周期或多个周期的雷达信号对消处理,这样杂波信号会被滤除,但动目标信号由于多普勒频率不是零,所以回波对消以后仍然存在,通过输出信号和检测门限比较就可以实现运动目标的检测,这也就是雷达理论里有名的动目标显示(MTI)和动目标检测(MTD)方法。
另一个常用的雷达动目标检测方法是自适应信号检测也称为自适应时空信号处理(STAP)方法。STAP方法首先需要采样干扰信号并估计干扰杂波信号的协方差矩阵,然后据此设计一个逆滤波器滤除背景杂波信号,剩下只有动目标信号,将之于一个门限比较即可检测到运动目标。但这种方法需要能准确地估计出杂波干扰的协方差矩阵或者说是杂波干扰的二阶统计相关信息。
因此,现有技术存在的问题包括:
1、传统的动目标显示(MTI)或动目标检测(MTD)方法需要背景散射产生的杂波多普勒频率是零,但对于自动驾驶中的毫米波雷达本身是运动的,所以静止的背景也是有相对运动的,所以干扰回波也有非零多普勒信号,所以传统的MTI或MTD方法无法应用对于自动驾驶毫米波雷达动目标检测。
2、自适应时空处理(STAP)方法需要精确估计干扰信号的协方差矩阵,而且检测每个距离门内是否有运动目标都需要完成此估计,不但运算量巨大,而且需要有大量的参考杂波和干扰信号样本估计他们的协方差矩阵。但在自动驾驶环境下,杂波环境不但变化很快,而且基本是各项统计异性的,所以针对每个检测距离内干扰信号发现大量的独立同概率分布的杂波干扰样本几乎不可能的。所以应用STAP方法进行自动驾驶中的动目标检测也不可行。
3、现有的自动驾驶毫米波雷达没有有效的杂波干扰抑制方法,也可能是导致现在自动驾驶车辆频频出交通事故的一个原因。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于特征的雷达运动目标检测和干扰抑制方法及其系统,该方法和系统摒弃传统技术中的通过滤波抑制干扰和杂波实现对目标检测的方式,提出了一种全新的基于运动目标和干扰信号特征识别的方法,通过自动识别出目标和干扰信号来实现对目标的检测,从而避免了在传统信号检测中必须去除干扰信号的复杂过程,可以达到更有效的运动目标检测。
为解决上述问题,本发明所采用的技术方案如下:
一种基于特征的雷达运动目标检测和干扰抑制方法,包括以下步骤:使用毫米波雷达连续发射多个线性调频波信号,并通过其接收端采集相应的目标回波信号;对采集到的目标回波信号与发射参考信号进行混频、时频变换,得到每一个距离门上的目标多普勒信息以及目标角度信息;对每个距离点上的目标多普勒信息及角度信息进行组合生成多普勒-角度图像;对去燥后的多普勒-角度图像进行特征提取;根据特征提取参数确定采集的信号是否为运动目标信号或干扰、杂波信号,从而实现对目标的检测。
进一步的方案是,所述对采集到的目标回波信号与发射参考信号进行混频、时频变换,得到每一个距离门上的目标多普勒信息以及目标角度信息,包括:将每个采集到的目标回波信号与发射参考信号进行混频,其输出通过低频滤波、A/D采样后做FFT变换,并输出R点信号值,其中,每一点信号值代表一个不同距离点的目标回波信号;对同一接收天线同一距离的N个数据点进行FFT变换,产生每一个距离门上的所有目标多普勒信息。
更进一步的方案是,所述对采集到的目标回波信号与发射参考信号进行混频、时频变换,得到每一个距离门上的目标多普勒信息以及目标角度信息,包括:对同一距离不同接收天线的M个数据点进行FFT变换,产生每一个距离门上的所有目标角度信息。
更进一步的方案是,所述对每个距离点上的目标多普勒信息及角度信息进行组合生成多普勒-角度图像,包括:对每个距离点上的多普勒和角度数据进行组合生成一个多普勒-角度图像,其中,该距离点上的目标检测是通过在多普勒-角度图像上特征提取和分类完成。
更进一步的方案是,在生成多普勒-角度图像后,选择一个去噪声门限值r0>0,对于任何一个图像像素x[m,n]实现去噪声处理,其中,该门限阈值根据实时采样的白噪声样本确定。
更进一步的方案是,所述对去燥后的多普勒-角度图像进行特征提取,包括:通过区域生长算法对去噪声后的多普勒-角度图像进行分割成多个独立不连接的信息模块{B1,B2,…,BL},其中,每个信息模块由连续的非零图像像素组成。
更进一步的方案是,对每个信息模块进行特征提取,该特征值包括信息模块尺寸、像素到杂波中心的距离、信息模块熵等,这些特征值组成的特征向量F表示为公式(1):
F=[f1,f2,…,fP]T (1)
其中,P是使用的特征数目。
更进一步的方案是,对各个信息模块进行分类,信息模块分类是按照以下矢量之间的马氏距离实现的,表示为公式(2):
其中:μi,Λi i=0,1分别是干扰和目标训练数据的均值矢量和协方差矩阵。
更进一步的方案是,目标和干扰分类器的分类标准表示为公式(3):
其中,H1代表分类结果是目标;H0代表检测干扰和杂波。
若多普勒-角度图像中的任何一个信息模块被分类成目标,该图像对应的距离点可确定为检测出运动目标;若多普勒-角度图像中没有任何一个信息模块被分类成目标,该距离点没有运动目标并且只有杂波和干扰信号。
由此可见,本发明提出的基于特征的自动驾驶导航毫米波雷达运动目标检测和干扰抑制方法不需要杂波干扰信号多普勒频率是零,也不需要复杂的杂波协方差矩阵估计,仅需要对雷达回波信号进行变换,提取特征参数识别信号是否有运动目标信号或仅仅是干扰信号,从而达到运动目标检测的目的,运算量小,检测性能和结果非常稳健和可靠,能够提高自动驾驶控制模型的抗干扰能力,从而提高自动驾驶的安全性。
进一步的,本发明除适用于自动驾驶毫米波雷达以外,也适用于机载雷达地面动目标检测、无人机地面动目标检测、舰载雷达海面或水面目标检测、以及基于毫米波雷达传感器的物联网动态环境监测等应用环境。
一种基于特征的雷达运动目标检测和干扰抑制系统,该系统应用于上述的基于特征的雷达运动目标检测和干扰抑制方法实现运动目标检测和干扰抑制,该系统包括;信号收发单元,使用毫米波雷达连续发射多个线性调频波信号,并通过其接收端采集相应的目标回波信号;信号处理单元,用于对采集到的目标回波信号与发射参考信号进行混频、时频变换,得到每一个距离门上的目标多普勒信息以及目标角度信息;信号变换单元,用于对每个距离点上的目标多普勒信息及角度信息进行组合生成多普勒-角度图像;特征提取单元,用于对去燥后的多普勒-角度图像进行特征提取;目标检测单元,用于根据特征提取参数确定采集的信号是否为运动目标信号或干扰、杂波信号,从而实现对目标的检测。
由此可见,本发明通过由信号收发单元、信号收发单元、信号变换单元、特征提取单元和目标检测单元所组成的目标检测系统来实现运动目标检测和干扰抑制,通过自动识别出目标和干扰信号来实现对目标的检测,从而避免了在传统信号检测中必须去除干扰信号的复杂过程,可以达到更有效的运动目标检测。
下面结合附图和具体实施方式对本发明作进一步详细说明。
附图说明
图1是本发明一种基于特征的雷达运动目标检测和干扰抑制方法实施例的流程框图。
图2是本发明一种基于特征的雷达运动目标检测和干扰抑制方法实施例的原理图。
图3是本发明一种基于特征的雷达运动目标检测和干扰抑制方法实施例中雷达发射信号的的波形示意图。
图4是本发明一种基于特征的雷达运动目标检测和干扰抑制方法实施例中单个接收天线阵元射频输出和基本信号处理原理图。
图5是本发明一种基于特征的雷达运动目标检测和干扰抑制方法实施例中信号变换的数据结构图。
图6是本发明一种基于特征的雷达运动目标检测和干扰抑制方法实施例中信息模块的特征提取原理图。
图7是本发明一种基于特征的雷达运动目标检测和干扰抑制方法实施例中雷达探测区域多普勒-角度图像的示意图。
图8是本发明一种基于特征的雷达运动目标检测和干扰抑制方法实施例中去噪声后的多普勒-角度图像的示意图。
图9是本发明一种基于特征的雷达运动目标检测和干扰抑制方法实施例中低速平台雷达图像分割结果的示意图。
图10是本发明一种基于特征的雷达运动目标检测和干扰抑制方法实施例中高速平台雷达图像分割结果的示意图。
图11是本发明一种基于特征的雷达运动目标检测和干扰抑制方法实施例的具体流程框图。
图12是本发明一种基于特征的雷达运动目标检测和干扰抑制系统实施例的原理图。
具体实施方式
一种基于特征的雷达运动目标检测和干扰抑制方法实施例:
如图1和图2所示,一种基于特征的雷达运动目标检测和干扰抑制方法,在对运动目标进行目标检测时,执行以下步骤:
首先,执行步骤S1,使用毫米波雷达连续发射多个线性调频波信号,并通过其接收端采集相应的目标回波信号。
然后,执行步骤S2,对采集到的目标回波信号与发射参考信号进行混频、时频变换,得到每一个距离门上的目标多普勒信息以及目标角度信息。其中,将线性调频信号的回波信号与其基准信号混频、低频过滤以后再经过傅里叶变换就是目标的距离信息。
接着,执行步骤S3,对每个距离点上的目标多普勒信息及角度信息进行组合生成多普勒-角度图像。
然后,执行步骤S4,对去燥后的多普勒-角度图像进行特征提取。
然后,执行步骤S5,根据特征提取参数确定采集的信号是否为运动目标信号或干扰、杂波信号,从而实现对目标的检测。
在上述步骤S1中,毫米波雷达发射(一个发射天线)N个线性调频连续波信号,如公式(11)
s1,s2,…,sN (11)
其中,雷达有M个相参接收天线阵元,每个接收阵元都会收到N个发射信号的回波,接收到信号如公式(22):
s11,s12,…,s1N
s21,s22,…,s2N
... (22)
sM1,sM2,…,sMN
在上述步骤S2中,所述对采集到的目标回波信号与发射参考信号进行混频、时频变换,得到每一个距离门上的目标多普勒信息以及目标角度信息,包括:
首先,将每个采集到的目标回波信号与发射参考信号进行混频,其输出通过低频滤波、A/D采样后做FFT变换,并输出R点信号值,其中,每一点信号值代表一个不同距离点的目标回波信号。
然后,对同一接收天线同一距离的N个数据点进行FFT变换,产生每一个距离门上的所有目标多普勒信息。其中,总共需要做RM个FFT变换,一个接收天线阵元输出信号处理如图4所示。
在上述步骤S2中,如图4和图5所示,对同一距离不同接收天线的M个数据点进行FFT变换,产生每一个距离门上的所有目标角度信息。总共需要做NR个FFT。具体数据变化方式如图中所示,同一颜色的数据作为FFT的输入和输出。为了产生高分辨力图像,图中的FFT也可以是超高分辨力频率估计算法实现,常用的有最大熵法和最小方差法,本实施例采用的是最小方差法。
在上述步骤S3中,所述对每个距离点上的目标多普勒信息及角度信息进行组合生成多普勒-角度图像,包括:对每个距离点上的多普勒和角度数据进行组合生成一个多普勒-角度图像,如图5所示,如图5中的最下面矩阵(图像),每一个距离单元都有一个图像(本图中只显示了两个),后续步骤的特征提取在这个图像上进行提取的。在图5中,最上一排图像同一颜色的像素经过同样颜色的FFT处理输出到最下一排一个图像中的同样颜色的一列像素中。其中,该距离点上的目标检测是通过在多普勒-角度图像上特征提取和分类完成。
然后,在生成多普勒-角度图像后,选择一个去噪声门限值r0>0,对于任何一个图像像素x[m,n]按照以下定义公式实现去噪声处理,其中,该门限阈值根据实时采样的白噪声样本确定,如公式(33)。
如图6所示,对去燥后的多普勒-角度图像进行特征提取,包括:通过区域生长算法对去噪声后的多普勒-角度图像进行分割成多个独立不连接的信息模块{B1,B2,…,BL},其中,每个信息模块由连续的非零图像像素组成。
对每个信息模块进行特征提取,该特征值包括信息模块尺寸、像素到杂波中心的距离、信息模块熵等,这些特征值组成的特征向量F表示为公式(1):
F=[f1,f2,…,fP]T (1)
其中,P是使用的特征数目。
其中,信息模块尺寸定义为该信息模块中任意两个图像像素的最大距离;杂波中心的临近度定义为一个非零像素到雷达地杂波中心的最近距离。
在本实施例中,对各个信息模块进行分类,信息模块分类是按照以下矢量之间的马氏距离实现的,表示为公式(2):
其中:μi,Λi i=0,1分别是干扰和目标训练数据的均值矢量和协方差矩阵。
目标和干扰分类器的分类标准表示为公式(3):
其中,H1代表分类结果是目标;H0代表检测干扰和杂波。
在本实施例中,若多普勒-角度图像中的任何一个信息模块被分类成目标,该图像对应的距离点可确定为检测出运动目标;若多普勒-角度图像中没有任何一个信息模块被分类成目标,该距离点没有运动目标并且只有杂波和干扰信号。
最后,对所有距离点重复以上步骤,完成所有距离点目标检测,回到步骤S1开始对其它区域进行搜索和检测。
在实际应用中,如图11所示,使用毫米波雷达检测开始,其中,N为发射波形数目,M为接收天线阵元数。然后,接收回波和参考信号混频和低频滤波,每个周期输出数据FFT生成距离信息(R个距离点),多周期同距离点数据FFT产生多普勒/速度信息(q=1),所有天线阵元距离q上的数据FFT或超分辨频率估计,组合数据形成距离q上的多普勒和角度二维图像,通过阈值比较消除图像的热噪声,应用图像分割算法生成Q个独立不相连接的信息模块Bk(k=1,2,…,Q)。
然后,计算Bk特征矢量值(如信息模块尺寸和杂波临近度),计算特征矢量到目标矢量的距离(D1)和杂波矢量的距离(D0)。如果D1>D0,则Bk是杂波,若k←k+1,k>Q,判断任何Bk是否为目标,如是,在距离q处检测出目标,若q←q+1,q>R,则结束检测。
在本实施例中,对于目标和杂波训练数据,估计目标和杂波的特征均值和协方差矩阵后,进行计算特征矢量到目标矢量的距离(D1)和杂波矢量的距离(D0)。
进一步的,生成毫米波雷达的多普勒-角度图像可以提供普通的二维FFT实现,也可以通过超分辨的频率估计方法实现,后者分辨力更高,图像更清晰。所以本实施例采用了超高分辨力频率评估方法(最小方差法),其成像结果如图7所示(左为低速平台雷达,右为高速平台雷达)。
进一步的,因为雷达接收机产生的热噪声是完全随机分布的,而且白噪声幅度要比经过相参处理过的目标和杂波幅度小很多,所以可以直接通过和一个阈值比较后去除掉,因此,雷达多普勒-角度图像去除噪声以后的图像试验结果如图8所示。
进一步的,本实施例应用区域生长算法对图8的两个多普勒-角度图像进行了分割,其分割结果如图9和图10所示,图9为低速平台雷达图像分割结果,其包括两个信息模块B1、B2;图10为高速平台雷达图像分割结果,其包括四个信息模块B1、B2、B3、B4。其中,本实施例通过区域生长算法自动找出图像像素连接在一起的信息模块。
进一步的,关于基于目标及杂波图像特征的动目标分类和检测试验结果,本实施例基于信息模块的尺寸作为特征,特征值提取及分类结果分别列在表1和表2,分类门限选择为10,目标和杂波的分类/检测结果全部正确。
表1:低速平台雷达图像信息模块检测结果
信息模块 |
B1 |
B2 |
特征值 |
206.6 |
2.8 |
运动目标? |
否 |
是 |
表2:高速平台雷达图像信息模块检测结果
信息模块 |
B1 |
B2 |
B3 |
B4 |
特征值 |
69.8 |
179.8 |
3.2 |
68.9 |
运动目标? |
否 |
否 |
是 |
否 |
由此可见,本发明提出的基于特征的自动驾驶导航毫米波雷达运动目标检测和干扰抑制方法不需要杂波干扰信号多普勒频率是零,也不需要复杂的杂波协方差矩阵估计,仅需要对雷达回波信号进行变换,提取特征参数识别信号是否有运动目标信号或仅仅是干扰信号,从而达到运动目标检测的目的,运算量小,检测性能和结果非常稳健和可靠,能够提高自动驾驶控制模型的抗干扰能力,从而提高自动驾驶的安全性。
进一步的,本发明除适用于自动驾驶毫米波雷达以外,也适用于机载雷达地面动目标检测、无人机地面动目标检测、舰载雷达海面或水面目标检测、以及基于毫米波雷达传感器的物联网动态环境监测等应用环境。
一种基于特征的雷达运动目标检测和干扰抑制系统实施例:
一种基于特征的雷达运动目标检测和干扰抑制系统,该系统应用于上述的一种基于特征的雷达运动目标检测和干扰抑制方法实现运动目标检测和干扰抑制,如图12所示,该系统包括;信号收发单元,使用毫米波雷达连续发射多个线性调频波信号,并通过其接收端采集相应的目标回波信号;信号处理单元,用于对采集到的目标回波信号与发射参考信号进行混频、时频变换,得到每一个距离门上的目标多普勒信息以及目标角度信息;信号变换单元,用于对每个距离点上的目标多普勒信息及角度信息进行组合生成多普勒-角度图像;特征提取单元,用于对去燥后的多普勒-角度图像进行特征提取;目标检测单元,用于根据特征提取参数确定采集的信号是否为运动目标信号或干扰、杂波信号,从而实现对目标的检测。
由此可见,本发明通过由信号收发单元、信号收发单元、信号变换单元、特征提取单元和目标检测单元所组成的目标检测系统来实现运动目标检测和干扰抑制,通过自动识别出目标和干扰信号来实现对目标的检测,从而避免了在传统信号检测中必须去除干扰信号的复杂过程,可以达到更有效的运动目标检测。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。