CN114966589A - 一种基于毫米波雷达的多目标检测方法 - Google Patents

Abstract

本发明属于自动驾驶技术领域，具体提供一种基于毫米波雷达的多目标检测方法，可用于近距离场景下的毫米波雷达多目标检测。本发明在现有MUSIC算法的基础上，在距离‑多普勒频谱上进行方位角估计，既解决雷达测量点迹的距离速度与方位角的匹配问题，也有效提高方位角的分辨率；并且，创新性地提出利用同一目标点迹方位角存在连续性、而杂波点迹的方位角杂乱无序的特点滤除杂波点迹，降低杂波被识别为目标的可能性；同时，采用AP聚类和DBSCAN聚类结合的算法，将滤波杂波后的目标点迹进行聚类，不再受目标点迹个数的影响，降低目标漏检的概率，并提高目标检测精度和鲁棒性。

Description

一种基于毫米波雷达的多目标检测方法

技术领域

本发明属于自动驾驶技术领域，更具体地，本发明涉及一种改进的角度估计和点迹凝聚的多目标检测方法，可用于近距离场景下的毫米波雷达多目标检测。

背景技术

近年来，汽车行业对主动安全和智能化的需求急剧增长，导致越来越多的企业和科研机构参与到无人驾驶技术的推进和发展中。目前还没有车辆能够做到完全自动驾驶，但是已经有部分车型在实验中可以完成高度自主驾驶行为，如起步、加速、制动、避撞、停车等行为。在无人驾驶技术中，通过传感器对周围环境、运动车辆和行人进行感知，并实时做出反应，才能保证车辆可以正常、安全和可靠地在道路上行驶。

目前Google、Uber、百度等无人车驾驶厂商主要采用毫米波雷达、摄像头、激光雷达等结合的传感器系统。由于激光雷达成本过高，在实际投入生产的车辆中仍以半自动驾驶L2为主。半自动驾驶的典型配置为1V1R，即摄像头和毫米波雷达结合的多传感器融合系统。摄像头在CMOS传感器替换CCD传感器后，成本大幅度降低，能对目标的轮廓进行检测和识别。但摄像头在测距测速方面性能差，且易受环境等影响，如在云、雾、雨、雪、冰雹等天气可能会失效。激光雷达也同样易受恶劣环境的影响，因此需要一款传感器能够全天候全天时工作，且不易受环境影响的传感器，即毫米波雷达。毫米波雷达具有波长短、频带宽、穿透能力强等优点，因此在测距测速方面具有极高的分辨率，抗干扰能力强，是无人驾驶技术中必将获得广泛使用的传感器。

无人驾驶技术强调实时性，即需要实时感知周围环境变化并做出反应。因此常用的多传感器融合系统，以分布式融合系统结构为主。集中式融合系统是每个传感器将原始观测数据传送到融合中心，导致数据传输和计算量急剧增长，在可控成本内无法满足实时性需求。分布式融合系统结构是每个传感器都有自己的处理器，通过对观测数据进行局部处理，然后送到融合中心。在分布式架构中，由于毫米波雷达的特性，在实际检测中会对同一目标产生多个点迹，毫米波雷达需要采用聚类算法对观测点迹进行聚类产生观测目标，进而导致毫米波雷达传感器处理过程会出现目标漏检和误检等情形；目标误检是由于存在杂波等干扰，容易导致雷达传感器将杂波点迹误认为目标；目标漏检是由于回波信号微弱，导致目标点迹过少被误认为杂波。然而，目前毫米波雷达相关的检测方法并没有很好地解决雷达目标误检和漏检等情况，不适用于实际场景需求。

发明内容

本发明的目的在于针对现有毫米波雷达相关的检测方法不能很好解决雷达目标误检和漏检的问题，提供一种基于方位角连续性和改进的聚类算法的毫米波雷达目标检测方法；本发明在现有MUSIC算法的基础上，在距离-多普勒频谱上进行方位角估计，既解决雷达测量点迹的距离速度与方位角的匹配问题，也有效提高方位角的分辨率；并且，创新性地提出利用同一目标点迹方位角存在连续性、而杂波点迹的方位角杂乱无序的特点滤除杂波点迹，降低杂波被识别为目标的可能性；同时，采用AP聚类和DBSCAN聚类结合的算法，将滤波杂波后的目标点迹进行聚类，不再受目标点迹个数的影响，降低目标漏检的概率，并提高目标检测精度和鲁棒性。

为实现上述目的，本发明采用的技术方案为：

一种基于毫米波雷达的多目标检测方法，其特征在于，包括以下步骤：

S1：解析雷达回波数据，通过固定杂波对消和距离-多普勒FFT变换，得到距离-多普勒频谱；

S2：对多元接收天线的距离-多普勒频谱取模做非相参积累，并进行二维CFAR检测，得到雷达测量点迹；

S3：针对每一个雷达测量点迹(i,j)，采用多重信号分类算法估计雷达测量点迹的方位角，并根据方位角的连续性滤除干扰点迹，得到目标点迹；

S4：对所有目标点迹的距离、速度与方位角进行归一化，再通过AP聚类算法和DBSCA N聚类算法结合实现点迹凝聚，得到最终聚类目标。

进一步的，步骤S3中，根据方位角的连续性滤除干扰点迹的具体过程为：

定义与接收天线的距离-多普勒频谱图相同维度的方位角矩阵、并初始化为全负1矩阵，再将雷达测量点迹(i,j)的方位角估计值依次填写于方位角矩阵中；

再采用方位角-矩形窗法迭代方位角矩阵：对方位角矩阵中的任一非负1测量点迹，定义该测量点迹的邻域内测量点迹作为参考单元，设定比较阈值eps，比较参考单元与测量点迹方位角差值的绝对值是否小于等于比较阈值eps，若领域内存在满足条件的参考单元，则判定该测量点迹为目标点迹，否则为干扰点迹、进行滤除；

进一步的，步骤S4的具体过程为：

S4.1：针对每一个目标点迹(i,j)，计算其目标点迹的距离与速度，并对所有目标点迹的距离、速度与方位角进行归一化；将目标点迹(i,j)的距离、速度与方位角的归一化结果构成其特征向量；

S4.2：采用AP聚类算法对所有目标点迹的特征向量进行初次聚类，得到AP聚类目标；

S4.3：针对每一个AP聚类目标，进行反归一化处理得到该聚类目标的距离、速度与方位角，并将由距离与方位角计算出该聚类目标在直角坐标系的位置(x,y)；

S4.4：设置最小样本数为1、邻域为0.6m，基于所有聚类目标在直角坐标系的位置进行二次聚类(DBSCAN)，得到最终聚类目标。

进一步的，步骤S1中，固定杂波对消采用非递归二次对消器。

进一步的，步骤S2中，二维CFAR检测具体为：预设参考单元、保护单元和尺度因子，判断待检测单元是否为雷达目标点迹：

其中，D为待检测单元功率，α为尺度因子，β²为干扰功率估计、由参考单元的频率均值计算得出。

进一步的，步骤S3中，多重信号分类算法具体为：

S3.1：根据雷达测量点迹(i,j)，在第k根接收天线的距离-多普勒频谱中取出第i行、第j列的频谱值作为雷达测量点迹的响应频率r_k，

S3.2：按接收天线排列顺序组合雷达测量点迹的响应频率，得到雷达测量点迹的频率矢量：r＝(r₁,r₂,...,r_K)，K表示接收天线的数量，k＝1,2,...,K；

S3.3：对频率矢量r做相关处理，得到协方差矩阵：R＝rr^H；

S3.4：对协方差矩阵R做特征值分解，得到多个特征值λ₁,λ₂,λ₃,...,λ_K及对应的特征向量υ₁,υ₂,υ₃,...,υ_K；

S3.5：设定雷达测量点迹只包含唯一目标，则最大特征值对应的特征向量为目标特征向量，则剩下的N-1个特征向量均为噪声特征向量，故按特征值从大到小的顺序将噪声特征向量排序组合构成噪声子空间：

表示噪声特征向量、k＝1,2,...,K-1；

S3.6：给定接收天线间距相对于雷达波长的比值为d，设目标信号源相对雷达角度为θ，则导向矢量为：A＝[1,e^{-j2πdsin(θ)},...,e^{-j2π(K-1)dsin(θ)}]；

S3.7：构造空间谱函数：

S3.8：遍历角度θ，寻找空间谱函数P(θ)波峰对应的θ作为雷达测量点迹(i,j)的方位角估计值。

本发明的有益效果在于：

本发明提供一种基于毫米波雷达的多目标检测方法，该方法直接在距离-多普勒频谱上采用MUSIC算法估计方位角，并在此基础上采用方位角的连续性滤除杂波点迹，然后采用AP聚类和DBSCAN聚类结合的算法对滤除杂波后的雷达测量点迹进行聚类。上述三个算法分别解决了雷达测量点迹的距离速度与方位角的匹配问题，雷达测量点迹的误检问题和聚类目标的漏检问题，既提高了目标的检测精度，又降低了目标的误检率和漏检率。综上，本发明具有雷达检测精度高和检测准确率高的优点。

附图说明

图1为本发明中基于毫米波雷达的多目标检测方法的流程示意图。

图2为本发明中二维CFAR中矩形窗法示意图。

图3为本发明中方位角-矩形窗法示意图。

图4为本发明实施例中单目标检测的轨迹图。

图5为本发明实施例中双目标检测的轨迹图。

图6为本发明实施例中三目标检测的轨迹图。

具体实施方式

下面根据附图和优选实施例对本发明进行详细说明，使本发明的目的与效果更加清楚完整；其中，涉及缩写语与关键语定义如下：

FFT(Fast Fourier Transform，快速傅里叶变换)、

CFAR(False Alarm Rate，恒虚警检测)、

MUSIC(Multiple Signal Classification，多重信号分类)、

DBSCAN(Density-Based Spatial Clustering of Applications with Noise，基于密度的噪声应用空间聚类)、

AP(Affinity propagation，近邻传播聚类)。

本实施例提供一种基于毫米波雷达的多目标检测方法，如图1所示，具体包括以下步骤：

S1：解析雷达回波数据，通过固定杂波对消和距离-多普勒FFT变换，得到距离-多普勒频谱，具体如下：

S1.1：解析雷达采样数据为可处理回波数据：将二进制采样数据转换为十进制回波数据；

S1.2：对接收天线的回波数据，采用非递归二次对消器消除固定地物杂波，具体公式如下：

y_t＝x_t-2x_t-1+x_t-2

其中，x_t表示第t个周期啁啾信号的采样数据，t＝3,4,...,T，T为雷达在脉冲间隔时间内发射啁啾信号的个数；

S1.3：按雷达采样周期重排雷达回波数据为回波矩阵；

S1.4：对回波矩阵做距离维FFT变换，得到距离FFT矩阵；

S1.5：对距离FFT矩阵做多普勒维FFT变换，得到距离-多普勒频谱；

S2：对多元接收天线的距离-多普勒频谱取模做非相参积累，并进行二维CFAR检测，得到雷达测量点迹，具体如下：

S2.1：对多根接收天线的距离-多普勒频谱取模后累加，得到非相参积累后距离-多普勒频谱；

S2.2：采用矩形窗法对非相参积累后距离-多普勒频谱做二维CFAR检测，得到所有雷达测量点迹；所述的二维CFAR检测如图2所示，具体为：预设参考单元、保护单元和尺度因子，判断待检测单元是否为雷达目标点迹：

其中，D为待检测单元功率，α为尺度因子，β²为干扰功率估计、由参考单元的频率均值计算得出；

S3：针对每一个雷达测量点迹(i,j)，采用多重信号分类算法估计雷达测量点迹的方位角，并根据方位角的连续性滤除干扰点迹；具体如下：

S3.1：根据雷达测量点迹(i,j)，在第k根接收天线的距离-多普勒频谱中取出第i行、第j列的频谱值作为雷达测量点迹的响应频率r_k，

S3.2：按接收天线排列顺序组合雷达测量点迹的响应频率，得到雷达测量点迹的频率矢量：r＝(r₁,r₂,...,r_K)，K表示接收天线的数量，k＝1,2,...,K；

S3.3：对频率矢量r做相关处理，得到协方差矩阵：R＝rr^H；

S3.4：对协方差矩阵R做特征值分解，得到多个特征值λ₁,λ₂,λ₃,...,λ_K及对应的特征向量υ₁,υ₂,υ₃,...,υ_K；

S3.5：设定雷达测量点迹只包含唯一目标，则最大特征值对应的特征向量为目标特征向量，则剩下的N-1个特征向量均为噪声特征向量，故按特征值从大到小的顺序将噪声特征向量排序组合构成噪声子空间：

表示噪声特征向量、k＝1,2,...,K-1；

S3.6：给定接收天线间距相对于雷达波长的比值为d，设目标信号源相对雷达角度为θ，则导向矢量为：A＝[1,e^{-j2πdsin(θ)},...,e^{-j2π(K-1)dsin(θ)}]；

S3.7：构造空间谱函数：

S3.8：遍历角度θ，寻找空间谱函数P(θ)波峰对应的θ作为雷达测量点迹(i,j)的方位角估计值；

S3.9：定义与接收天线的距离-多普勒频谱图相同维度的方位角矩阵、并初始化为全负1矩阵，再将雷达测量点迹(i,j)的方位角估计值依次填写于方位角矩阵中；

S3.10：通过方位角-矩形窗法迭代方位角矩阵，滤除干扰点迹；方位角-矩形窗法如图3所示，具体为：对方位角矩阵中的任一非负1测量点迹，定义该测量点迹的邻域内测量点迹作为参考单元，设定比较阈值eps(本实施例中，比较阈值eps为3°)，比较参考单元与测量点迹方位角差值的绝对值是否小于等于eps，若领域内存在满足条件的参考单元，则判定该测量点迹为目标点迹，否则为干扰点迹、进行滤除；

S4：对所有目标点迹的距离、速度与方位角进行归一化，再通过AP聚类算法和DBSCA N聚类算法结合实现点迹凝聚，具体如下：

S4.1：针对每一个目标点迹(i,j)，计算其目标点迹的距离与速度，并对所有目标点迹的距离、速度与方位角进行归一化；将目标点迹(i,j)的距离、速度与方位角的归一化结果构成其特征向量；

S4.2：采用AP聚类算法对所有目标点迹的特征向量进行初次聚类，得到AP聚类目标；

S4.3：针对每一个AP聚类目标，进行反归一化处理得到该聚类目标的距离、速度与方位角，并将由距离与方位角计算出该聚类目标在直角坐标系的位置(x,y)；

S4.4：设置最小样本数为1、邻域为0.6m，基于所有聚类目标在直角坐标系的位置进行二次聚类(DBSCAN)，得到最终聚类目标。

下面结合测试进一步说明本发明的有益效果：

1.测试条件：

本实施例中，所采用的毫米波雷达为NXP MR3003毫米波雷达，采用毫米波雷达上位机进行数据采样；所采用的发射天线增益为15dBm、接收天线增益为14dBm；毫米波雷达采用的载波频率为76500MHz，最远探测距离为20m，最大探测速度为25km/h。

2.测试内容：

本实施例中，采用自制数据集，通过上位机平台采样雷达数据，数据集评估指标为目标检测率、漏检率、误检率三种评估指标；同时，本发明以文献《车载毫米波雷达目标检测技术研究》作为对比例，进行检测结果进行对比。该对比例中单目标的检测概率为91％，双目标的检测概率为69％，三目标的检测概率为51％，样本数均为100；因此，本实施例采用单目标、双目标和三目标进行测试，样本数均保持相同为100；目标检测概率统计表如下表所示：

表1：本实施例雷达检测率、漏检率和误检率统计表

表2：本发明与对比例的检测率指标对比表

对比例中采用角度维FFT变换得到目标方位角信息，与之相比，本发明采用改进的MU SIC算法计算方位角，使得方位角估计具有高分辨率；同时，如图3所示，采样方位角的连续性来滤除杂波效果明显，能极大降低目标误检概率；并且，通过AP聚类算法和DBSCAN二次聚类算法的结合，能有效降低目标漏检概率；最终，使得本发明具有更高的目标检测率、更低的漏检率和误检率，如表1所示；更为具体的讲：相比于对比例的指标，本发明中目标的正确检测率在单目标检测时、目标检测率提高3％，在多目标检测时、目标检测率提高27％，在三目标检测时、目标检测率提高40％，即本发明能够更加精准地检测目标的位置和速度，进而得到雷达检测轨迹，本实施例中单目标、多目标和三目标的雷达检测轨迹图如图4、图5、图6所示。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (6)

1.一种基于毫米波雷达的多目标检测方法，其特征在于，包括以下步骤：

S1：解析雷达回波数据，通过固定杂波对消和距离-多普勒FFT变换，得到距离-多普勒频谱；

S2：对多元接收天线的距离-多普勒频谱取模做非相参积累，并进行二维CFAR检测，得到雷达测量点迹；

S3：针对每一个雷达测量点迹(i,j)，采用多重信号分类算法估计雷达测量点迹的方位角，并根据方位角的连续性滤除干扰点迹，得到目标点迹；

S4：对所有目标点迹的距离、速度与方位角进行归一化，再通过AP聚类算法和DBSCA N聚类算法结合实现点迹凝聚，得到最终聚类目标。

2.按权利要求1所述基于毫米波雷达的多目标检测方法，其特征在于，步骤S3中，根据方位角的连续性滤除干扰点迹的具体过程为：

定义与接收天线的距离-多普勒频谱图相同维度的方位角矩阵、并初始化为全负1矩阵，再将雷达测量点迹(i,j)的方位角估计值依次填写于方位角矩阵中；

再采用方位角-矩形窗法迭代方位角矩阵：对方位角矩阵中的任一非负1测量点迹，定义该测量点迹的邻域内测量点迹作为参考单元，设定比较阈值eps，比较参考单元与测量点迹方位角差值的绝对值是否小于等于比较阈值eps，若领域内存在满足条件的参考单元，则判定该测量点迹为目标点迹，否则为干扰点迹、进行滤除。

3.按权利要求1所述基于毫米波雷达的多目标检测方法，其特征在于，步骤S4的具体过程为：

S4.1：针对每一个目标点迹(i,j)，计算其目标点迹的距离与速度，并对所有目标点迹的距离、速度与方位角进行归一化；将目标点迹(i,j)的距离、速度与方位角的归一化结果构成其特征向量；

S4.2：采用AP聚类算法对所有目标点迹的特征向量进行初次聚类，得到AP聚类目标；

S4.3：针对每一个AP聚类目标，进行反归一化处理得到该聚类目标的距离、速度与方位角，并将由距离与方位角计算出该聚类目标在直角坐标系的位置(x,y)；

S4.4：设置最小样本数为1、邻域为0.6m，基于所有聚类目标在直角坐标系的位置进行二次聚类(DBSCAN)，得到最终聚类目标。

4.按权利要求1所述基于毫米波雷达的多目标检测方法，其特征在于，步骤S1中，固定杂波对消采用非递归二次对消器。

5.按权利要求1所述基于毫米波雷达的多目标检测方法，其特征在于，步骤S2中，二维CFAR检测具体为：预设参考单元、保护单元和尺度因子，判断待检测单元是否为雷达目标点迹：

其中，D为待检测单元功率，α为尺度因子，β²为干扰功率估计、由参考单元的频率均值计算得出。

6.按权利要求1所述基于毫米波雷达的多目标检测方法，其特征在于，步骤S3中，多重信号分类算法具体为：

S3.1：根据雷达测量点迹(i,j)，在第k根接收天线的距离-多普勒频谱中取出第i行、第j列的频谱值作为雷达测量点迹的响应频率r_k，

S3.2：按接收天线排列顺序组合雷达测量点迹的响应频率，得到雷达测量点迹的频率矢量：r＝(r₁,r₂,...,r_K)，K表示接收天线的数量，k＝1,2,...,K；

S3.3：对频率矢量r做相关处理，得到协方差矩阵：R＝rr^H；

S3.4：对协方差矩阵R做特征值分解，得到多个特征值λ₁,λ₂,λ₃,...,λ_K及对应的特征向量υ₁,υ₂,υ₃,...,υ_K；

S3.5：设定雷达测量点迹只包含唯一目标，则最大特征值对应的特征向量为目标特征向量，则剩下的N-1个特征向量均为噪声特征向量，故按特征值从大到小的顺序将噪声特征向量排序组合构成噪声子空间：

表示噪声特征向量、k＝1,2,...,K-1；

S3.6：给定接收天线间距相对于雷达波长的比值为d，设目标信号源相对雷达角度为θ，则导向矢量为：A＝[1,e^{-j2πdsin(θ)},...,e^{-j2π(K-1)dsin(θ)}]；

S3.7：构造空间谱函数：

S3.8：遍历角度θ，寻找空间谱函数P(θ)波峰对应的θ作为雷达测量点迹(i,j)的方位角估计值。

Images