1. 簡介

一般來說，已經(jīng)提出了一些提高交通場景中雷達(dá)性能的方法，主要可分為兩類：（1）圍繞信號處理方向，盡可能減少或消除干擾信號，以保證目標(biāo)信號的純度。（2）設(shè)計更好的探測器。

在干擾信號抑制領(lǐng)域，將干擾污染的樣本從信號中剔除是最直接的干擾抑制方法。盡管如此，它也會抑制目標(biāo)的部分有效信號，導(dǎo)致有用信號的切口樣本重建精度降低。為了緩解這種影響，該文提出一種基于迭代矩陣-鉛筆（MP）方法的干擾抑制外推法。但重建信號的精度會隨著污染樣品比例的增加而降低。為了提高信號重構(gòu)精度，該文提出一種基于漢克爾矩陣稀疏低秩分解的方法但是，迭代和最佳質(zhì)量選擇增加了算法的復(fù)雜性。為了處理雷達(dá)間干擾，提出了一些新方法，例如設(shè)計一種新的正交噪聲波形或在可調(diào)Q因子小波變換（TQWT）域中提出干擾抑制技術(shù)。此外，一些研究人員已經(jīng)開始從距離和多普勒細(xì)胞遷移校準(zhǔn)開始，以減少信號失真。

設(shè)計更好的探測器是提高雷達(dá)應(yīng)用能力的另一個方向。與信號干擾抑制相比，雖然雷達(dá)探測性能的提升較弱，但探測器的設(shè)計更為直接。特別是，在大多數(shù)情況下，它不會增加額外的鏈接和計算復(fù)雜性，這更適合具有低性能處理器的低成本雷達(dá)系統(tǒng)。所以是從探測器設(shè)計的角度來看。在雷達(dá)的實際應(yīng)用中，目標(biāo)總是出現(xiàn)在復(fù)雜多變的噪聲背景之前，受時間和位置變化的影響，因此固定閾值檢測方法無法有效地將目標(biāo)與背景噪聲區(qū)分開來。雷達(dá)常數(shù)誤報率（CFAR）檢測，通過評估當(dāng)前雜波環(huán)境自適應(yīng)設(shè)置檢測閾值，是分離目標(biāo)和背景的關(guān)鍵技術(shù)。因此，適當(dāng)?shù)腃FAR檢測算法可以提高雷達(dá)探測性能，為雷達(dá)數(shù)據(jù)處理提供準(zhǔn)確的目標(biāo)信息。它也成為雷達(dá)探測的一個關(guān)鍵研究方面。

最早提出的CFAR檢測算法是細(xì)胞平均CFAR（CA-CFAR）。這是基于平均局部噪聲功率水平來檢測目標(biāo)。設(shè)計一個參考窗口，以窗口的中心單元為候選目標(biāo)，用窗口中其他單元的幅值累積值作為背景噪聲功率的估計值。目標(biāo)是否存在是通過判斷候選目標(biāo)的功率值和估計的噪聲功率值來確定的。CA-CFAR在非均勻噪聲和多目標(biāo)環(huán)境下的檢測性能較差，因為參考窗口內(nèi)的干擾信號或其他目標(biāo)會導(dǎo)致背景噪聲估計誤差。針對多目標(biāo)或非均勻噪聲下CA-CFAR檢測性能下降的問題，最大選擇檢測（GO-CFAR）和最小選擇檢測 （SO-CFAR）被提議。GO-CFAR在雜亂邊緣環(huán)境下可以保持良好的虛警控制性能，但在多目標(biāo)環(huán)境下會出現(xiàn)“目標(biāo)屏蔽”。

SO-CFAR具有良好的多目標(biāo)分辨能力，但其虛警控制能力較弱。有序統(tǒng)計 CFAR （OS-CFAR）是數(shù)字圖像處理中另一種典型的CFAR檢測方法，源自中值濾波器概念。它根據(jù)功率值排列參考窗口中的采樣單元，并選擇其中一個樣本功率值作為決策閾值。與CA-CFAR的檢測性能相比，OS-CFAR對多目標(biāo)檢測具有較強(qiáng)的魯棒性，但產(chǎn)生的CFAR損失較高。提出了一些結(jié)合OS和CA的新方法。采用修整均值檢測器 （TM-CFAR）以算法為例。參考窗口中的采樣點按振幅值排序，如 OS-CFAR。然后去除具有最大和最小振幅的部分采樣點。最后，將剩余的采樣點平均為背景噪聲的估計值。

現(xiàn)在，針對不同的應(yīng)用需求，已經(jīng)提出了基于傳統(tǒng)方法的CFAR檢測算法。一些學(xué)者致力于研究探測器的多目標(biāo)探測能力。例如，提出OSCA-CFAR算法，將CA-CFAR算法和OS-CFAR算法相結(jié)合，提高毫米波雷達(dá)的多目標(biāo)探測能力，給出理想噪聲環(huán)境下的算法性能仿真。一些研究人員專注于提高探測器在復(fù)雜集群環(huán)境中的檢測性能。根據(jù)中心極限定理和信號對數(shù)壓縮原理，提出了一種Comp-CFAR方法，用于具有長拖尾效應(yīng)特性的雜波中目標(biāo)檢測。基于zlog（z）的CFAR檢測器降低威布爾雜波誤報率。其他一些學(xué)者提出了一種結(jié)合機(jī)器學(xué)習(xí)的新方法。在包含 CFAR 滑動窗口輸入和輸出的數(shù)據(jù)集上訓(xùn)練前饋人工神經(jīng)網(wǎng)絡(luò) （ANN），以提高 CFAR 檢測的效率。但是，這種方式增加了算法的復(fù)雜性。

表 1 簡要總結(jié)了上述 CFAR 檢測算法。目前所有CFAR算法都通過設(shè)計參考窗口并處理窗口中的數(shù)據(jù)來實現(xiàn)目標(biāo)檢測。參考窗的設(shè)計可以有效降低雜波干擾水平，但有兩個缺點。一是滑動窗口會降低檢測物體的效率。特別是在線性調(diào)頻連續(xù)波（LFMCW）雷達(dá)系統(tǒng)中，CFAR探測器的輸入是二維距離多普勒矩陣（RDM）。雖然CFAR算法的原理沒有改變，但參考窗口的滑動已經(jīng)從一維滑動搜索轉(zhuǎn)變?yōu)槎S滑動搜索，大大降低了雷達(dá)目標(biāo)探測的實時性。另一個缺點是窗口限制了背景噪聲估計的采樣點。理論上，使用的采樣點越多，估計的噪聲功率值越準(zhǔn)確，CFAR檢測精度越高。參考窗口的設(shè)計和滑動限制了雷達(dá)目標(biāo)檢測的效率。

表 1. 簡要總結(jié)了 CFAR 算法的特征。

幸運的是，與海面等復(fù)雜的背景環(huán)境相比，交通道路上的背景噪音相對簡單。特別是當(dāng)雷達(dá)監(jiān)測運動目標(biāo)時，使用去零多普勒方法可以消除背景噪聲數(shù)據(jù)對檢測的影響。結(jié)合非理想目標(biāo)運動（車輛轉(zhuǎn)彎、制動和變道）、目標(biāo)反射區(qū)域的不規(guī)則性以及幀數(shù)據(jù)的獨立性，認(rèn)為交通道路上的運動目標(biāo)回波服從理想的Swerling II模型。基于上述分析，對于背景噪聲相對干凈的道路交通監(jiān)控應(yīng)用，可能不需要為復(fù)雜噪聲和干擾降低而設(shè)計的參考窗口。相反，滑動窗口增加了算法的時間復(fù)雜度并降低了雷達(dá)監(jiān)控的效率。為滿足交通監(jiān)測雷達(dá)系統(tǒng)低處理時延的要求，提出一種基于蒙特卡羅的CFAR算法，以提高交通環(huán)境下雷達(dá)探測效率和對運動目標(biāo)的靈敏度。與傳統(tǒng)算法相比，該算法具有更高的檢測靈敏度，更重要的是不需要參考窗口的設(shè)計和滑動，大大降低了算法的時間復(fù)雜度，提高了檢測速度和效率。

貢獻(xiàn)總結(jié)如下：首先，在所提出的CFAR檢測算法中，對整個RDM矩陣區(qū)域進(jìn)行隨機(jī)采樣，得到當(dāng)前時刻背景噪聲功率估計的采樣點;該原理是將蒙特卡羅模擬原理（通過獨立重復(fù)實驗獲得未知量的性質(zhì)）轉(zhuǎn)換為RDM矩陣域的隨機(jī)抽樣。這種方式突破了參考窗口的限制，可以增加大量的采樣點進(jìn)行背景噪聲估計。其次，干擾點濾波方法提高了背景噪聲估計的精度。根據(jù)采樣點的振幅值對采樣點進(jìn)行排序和過濾，以去除可能的目標(biāo)點或干擾點。然后，通過均值法得到背景噪聲估計的功率值。最后，通過背景噪聲估計提取RDM矩陣中的目標(biāo)點。此外，給出了算法的參數(shù)設(shè)置方法，例如，根據(jù)當(dāng)前的物理平臺和應(yīng)用環(huán)境，通過反復(fù)統(tǒng)計得到算法參數(shù)值。配置參數(shù)過程只需在雷達(dá)系統(tǒng)環(huán)境不變時執(zhí)行一次。仿真和實際實驗表明，與傳統(tǒng)方法相比，該方法具有更高的檢測靈敏度、更高的檢測精度和更低的檢測延遲，提高了交通監(jiān)控中的雷達(dá)探測效率。

2. 交通場景

通常，交通傳感器安裝在道路兩側(cè)或延伸到道路中心的固定支架上（如圖1所示），并且要求它們具有以下基本功能：

圖1. 交通道路場景。

• 檢測靈敏度高。視野中的所有目標(biāo)都可以完全檢測到，包括目標(biāo)的部分遮擋;
• 低信息延遲能力。它可以實時反映路況，即要求數(shù)據(jù)采集與路況輸出之間的延遲盡可能短（理想情況下，延遲不應(yīng)超過100毫秒）;
• 耐候性。傳感器應(yīng)盡量減少夜間、霧和其他天氣造成的影響。

毫米波雷達(dá)被認(rèn)為具有用于城市交通監(jiān)測的潛力，因為不受環(huán)境影響，具有高范圍分辨率和低應(yīng)用成本。CFAR探測器作為雷達(dá)目標(biāo)提取的重要組成部分，已經(jīng)得到了廣泛的研究。通過研究傳統(tǒng)的CFAR算法，分析交通環(huán)境的特點，給出了一種新的CFAR檢測算法，以提高雷達(dá)對目標(biāo)檢測的靈敏度、多目標(biāo)檢測能力，降低時延，希望為增強(qiáng)雷達(dá)在城市交通監(jiān)測中的適應(yīng)性提供獨特的參考。

3. 交通場景雷達(dá)背景噪聲分析

基于雷達(dá)芯片（CAL77S244）的射頻前端具有三個發(fā)射天線和四個接收天線，用于發(fā)射毫米波和接收目標(biāo)回波信號。此外，四通道高速ADC用于數(shù)據(jù)采集。最后，在基于FPGA和ARM架構(gòu)的后端基帶處理系統(tǒng)上實現(xiàn)數(shù)字處理算法和目標(biāo)信息的提取。數(shù)據(jù)采集場景和雷達(dá)系統(tǒng)如圖2所示。

圖2. （ a ） 雷達(dá)系統(tǒng)。（ b ） 數(shù)據(jù)收集方案。

圖3顯示了背景噪聲數(shù)據(jù)收集和顯示。圖3a是持續(xù)誤報檢測數(shù)據(jù)采集的流程圖。在該雷達(dá)系統(tǒng)中，四個接收通道接收背景環(huán)境中雷達(dá)的電磁回波，并通過非相干累積獲得RDM矩陣。圖3b顯示了在沒有移動目標(biāo)的條件下RDM的功率幅度分布。功率幅值在零多普勒區(qū)域（靜止物體區(qū)域）中突然且不均勻，這是由不同距離的物體數(shù)量和物體反射區(qū)域的大小等因素共同造成的。初步觀察表明，噪聲功率均勻分布在非零多普勒域（運動目標(biāo)區(qū)域），無明顯突變。此外，靜止物體的功率不會顯著擴(kuò)展到移動目標(biāo)所在的區(qū)域。

圖3. （ a ） RDM數(shù)據(jù)采集過程。（ b ） 數(shù)據(jù)收集方案。

采用距離維數(shù)和速度維數(shù)數(shù)據(jù)方差作為測量數(shù)據(jù)離散度的有效方法，評估RDM矩陣中移動目標(biāo)區(qū)域噪聲功率幅值的分布。它計算了 RDM 中數(shù)據(jù)集的每一行（速度維度）或列（距離維度）的方差，如圖 4 所示（多個統(tǒng)計量的平均值）。值得注意的是，在計算方差之前，以行人的平均速度為參考（0.5 m/s），消除了RDM矩陣中靜態(tài)物體所在的像元，例如速度低于0.5 m/s的像元。速度維數(shù)方差和距離維數(shù)方差均小于0.018，可以認(rèn)為背景噪聲功率幅值在非零多普勒域中相對均勻。

圖4. RDM 矩陣中的背景噪聲幅度色散 （ a ） 范圍方向上的噪聲幅度方差。（ b ） 多普勒方向的噪聲幅度變化。

功率密度分布是背景噪聲的另一個特征。以前，假設(shè)雷達(dá)噪聲分布滿足瑞利分布：

RDM中的非零多普勒細(xì)胞通過MATLAB分布擬合工具箱進(jìn)行采樣處理，然后數(shù)據(jù)分布（紫色）和瑞利分布（紅色）的擬合曲線如圖5a所示。圖5b顯示了數(shù)據(jù)概率分布與瑞利分布之間的匹配度，即數(shù)據(jù)越接近曲線，它與瑞利分布的一致性越大。

圖5. RDM矩陣噪聲密度函數(shù)仿真擬合實驗實例 （ a ）噪聲分布曲線。（ b ） 瑞利分布的匹配度。