0 引言

    國內交通雷達單目標的檢測技術日趨成熟，由于檢測應用的局限性，交通雷達多目標檢測技術逐漸走進研究人員的視野^[1-2]。但目前初步研制的多目標交通雷達效果欠佳，無法得到廣泛應用。為解決這一問題，本文深入研究分析了交通多目標雷達的目標檢測與跟蹤算法^[3]，依托北京川速微波科技有限公司的硬件設備^[4]進行多目標雷達算法的研發與優化，并結合實際道路測試，提出一系列改進措施。

    本文多目標雷達采用FSK體制，選用雙天線相位法^[5]來檢測目標相對于雷達的方向角信息。引入能夠根據信號特征來得到自適應的動態門限的恒虛警（Constant False Alarm Rate，CFAR）檢測^[6]算法，用于自適應檢測。

    多目標雷達擺角對雷達性能影響很大，若雷達安裝擺角不合適，會嚴重影響雷達的使用性能。雷達擺角人工測量精度低，操作復雜。因此，提出基于樣本統計特性的雷達擺角自修正算法，使得雷達在使用時能夠通過已采集到的目標信號，自行計算出雷達的擺角信息，提高了雷達的目標檢測率以及場景適應性。

    通過系統仿真和實際路測，本文優化算法對多車道、多目標的有效抓拍率在多種路況下（除堵車情況外）均能達到95%，有很好的多目標監測效果，這對于多目標交通雷達的推廣應用具有很大的現實意義。

1 基于CFAR檢測的目標檢測算法優化

1.1 CFAR檢測原理

    目標檢測時，通常用出現虛警和漏警的概率來衡量雷達檢測性能的好壞^[7]，設置一個檢測門限來對回波信號進行判別。當信號高于門限時，判斷為目標；當信號低于門限，則目標不存在。門限值過低，會造成虛警；門限值過高時，會造成漏警。采用動態的門限來適應雷達回波信號的變化。通過使雷達的虛警率保持不變，從而使雷達具有良好的檢測性能^[8]。

    常用的恒虛警方法有單元平均恒虛警方法、有序統計恒虛警方法^[9-10]。本文使用有序統計恒虛警方法（OS-CFAR）。

其中，K為門限乘性因子。

    本方法有很好的抗干擾特性，在非均勻雜波背景下，其檢測能力也很好，更適用于多目標環境。

1.2 CFAR算法工程應用分析

    圖1為恒虛警動態門限與固定門限效果對比圖，圖1（a）是原始頻譜的二維圖，包含全部的雜波、目標信號；圖1（c）是使用恒虛警門限的效果圖；同時選取了低閾值固定門限和高閾值門限對信號頻譜進行處理，結果分別如圖1（b）和圖1（d）所示。

    可以看出，用低閾值門限檢測時，很多雜波信號沒有被濾除；用高閾值門限檢測時，部分弱目標信號同雜波一起被濾除(如圖中標注所示)，這便有可能造成漏警；使用恒虛警門限可很好地抑制雜波，同時保持了較強的弱信號檢測能力。

    本文多目標雷達信號的單幀頻譜幅度圖如圖2所示，可以看到，車輛目標信號只占整個頻譜的一小部分，絕大多數是噪聲，而且都比較均勻。

    另外，從圖3中多周期二維頻譜的排序圖來看，雜波的強弱與目標信號的強弱是正相關的。

    基于以上兩點，提出一種簡化的恒虛警方案：將整個頻譜等分為N個區間，對N個區間分別求均值，再進行排序，取k個均值單元作為基本閾值，得到相應的檢測門限。這種方法稱為分區平均排序法。

2 基于樣本統計特性的擺角自修正算法

2.1 特征分析

    針對道路交通的實際情況，可作如下近似假設，即雷達所監測車道是平行的，并且絕大部分車將沿著車道方向行駛。此時，經過雷達照射區的每一輛車的運動軌跡相對于雷達來說，都是一條傾斜某個特定角度的直線，如果知道了這條直線的傾斜角度，那么也就得到了雷達的擺角信息。

    預處理后，通過設置幅值門限大部分雜波信號均被濾除，如圖4所示。圖4軌跡云圖中，可以明顯看到中間3條近乎直線的軌跡，對應雷達監測的3個車道。基于前面假設，云圖中車輛軌跡方向代表了車道的方向。實際上，在大多數情況下，車輛的運動軌跡并不是豎直的。車輛的軌跡云圖與豎直方向的夾角就是雷達擺角。因此，需要找到一種算法自動識別這種豎直狀態的特征，并通過與原始狀態的比較得到旋轉的角度。

2.2 特征提取與算法實現

    為了便于統計，將軌跡云圖點集{(x_i，y_i)，i∈R}投影到x軸方向上得到點集{x_i，i∈R}。將軌跡云圖進行不同角度的旋轉，對每次旋轉后落入x軸單位區間中的點的個數進行統計，得到點數分布{a₁，a₂，…，a_n}，n∈N。如圖5所示。

    圖5為豎直狀態投影點分布情況，點數大部分集中在中間兩個單位區間中。由此可以看出，投影點最密集的時刻，車輛軌跡旋即為豎直狀態。

3 實驗仿真及系統路測結果

3.1 CFAR檢測與擺角自修正算法仿真結果

    將2.2小節中提出的擺角自修正算法進行仿真，可得到擺角校正的效果如圖6所示。可以看到，有一定傾斜角度的車輛運動軌跡經過校正后，已變為豎直狀態。

    圖7是直方統計點數的平方和隨角度的變化曲線，其最大值處也就是投影點最密集時，即為車輛軌跡的豎直狀態，此時所對應的旋轉角度5.25°也就是雷達的擺角值。

3.2 系統路測結果

    測試場景為某地高速公路，將本雷達系統放置到高速公路的天橋上，測量單方向的三車道。

    圖8所示為3個車道同時都有車時對應的時域信號和頻譜圖情況。圖8(a)是原始信號圖，圖8(b)是頻譜圖，圖8(c)是當前時刻對應車輛捕捉情況圖。

    圖9所示為上面實測數據經過算法仿真后的目標信息圖。通過此圖可以清楚地得到車輛的距離、速度以及分車道信息。因此可以驗證，本文多目標雷達算法能夠實現同時監測多個車道的多個車輛目標的目標。

    將現場采集視頻與照片進行對比統計，得到雷達有效抓拍率情況，統計結果見表1。 

    從表中可以看出，有效抓拍率均能達到95%，對比優化之前僅80%的有效抓拍率有很大的改進。本文算法基本上能夠滿足道路交通90%抓拍率的實際需要。

4 結語

    本文通過對有序統計恒虛警方法進行改進，并結合實際交通應用時出現的安裝擺角問題，提出基于樣本統計特性的擺角自修正算法，在很大程度上改善了交通多目標雷達車輛檢測率不高、有效抓拍率低的問題。通過系統仿真和實際道路測試，本雷達系統對多車道、多目標的有效抓拍率在多種路況下均能達到95%，得到了很好的多目標監測效果。這對于多目標交通雷達的推廣應用具有很大的現實意義，能夠更充分協助交管部門對城市交通的管理與控制，為我國智能交通的建設提供技術保證。

參考文獻

[1] 屈毅.淺析我國智能交通系統發展現狀及前景展望[J].科技視界，2015，27(14)：100-100.

[2] 侯遠志，焦黎帆.國內外智慧城市建設研究綜述[J].產業與科技論壇，2014，13(24)：94-97.

[3] HYUN E，LEE J H.Multi-target tracking scheme using a track management table for automotive radar systems[C].International Radar Symposium，2016：1-5.

[4] 王東峰，龐宏杰，任磊.一種測速雷達多目標跟蹤的方法和裝置[P].中國，201410131062.6，2014.

[5] 修超，曹林，王東峰.基于微波雷達回波信號的智能車道劃分方法[J].計算機應用，2017，37(10)：3017-3023.

[6] 何友，關鍵，孟祥偉.雷達目標檢測與恒虛警處理[M].北京：清華大學出版社，2011.

[7] 郝迎春，陳客松.雷達CFAR檢測的仿真研究[J].全球定位系統，2012，37(1)：78-80.

[8] WU Y，WANG C，LI X，et al.Study on automotive anticollision radar system and its signal processing algorithm[C].International Forum on Information Technology and Applications.IEEE，2009：586-590.

[9] 李朝陽.提高雷達信號檢測性能方法的研究[D].大連：大連海事大學，2015.

[10] ABBADI A，ABBANE A，BENCHEIKH M L，et al.A new adaptive CFAR processor in multiple target situations[C].2017 Seminar on Detection Systems Architectures and Technologies(DAT)，Algiers，Algeria，2017：1-5.