用于汽车开门防护系统中的雷达信号恒虚警算法研究*

2018-10-11鞠志浩包建东

测试技术学报 2018年5期

鞠志浩，包建东，孙翌，李晓

(南京理工大学机械工程学院，江苏南京 210094)

0 引言

汽车行业的发展在带给我们便利的同时，也带来了一系列的问题. 其中最为严峻的当属交通安全问题. 调查发现，占相当一部分比重的交通事故是在车辆停止时发生的：车辆停车时，车内人员欲下车，并没有注意到后方的车况，在开门时与后方来车发生碰撞，导致交通事故的发生. 假使人员在下车时注意到了后方车况，也可能会由于没有充足时间做出反应、主观判断出现失误等因素而发生交通事故. 为了在一定程度上减少此类事故的发生，本文设计了一种汽车开门防护系统. 该系统安装在汽车上，利用传感器来实时测量后方来车的速度距离，根据建立的防撞模型和判断策略，对车门开关进行控制. 通过对几种类型的传感器的优缺点及工作环境进行分析，最终选择了雷达传感器作为车载传感器.

在汽车开门防护系统中，雷达发射天线发送出电磁波，电磁波遇到汽车后被反射回来，被接收机接收，该回波中就蕴含着汽车的距离与速度信息. 然而，现实的工作环境是很复杂的，存在着多种干扰杂波. 雷达接收机接收到的回波除了目标回波之外，还包括雷达本身的热噪声、地面、大气、高大树木和建筑等形成的背景杂波[1,2]. 因此，从回波中区分出有用的目标信号，对于提高该系统的准确性和可靠性具有重要的意义. 为了解决这个问题，需要对雷达回波信号进行恒虚警算法处理. 本文将对几种常用的恒虚警算法进行研究，分析其优缺点，最终提供一种综合性的算法以提高本系统的性能，并进行仿真实验，证明其可行性.

1 线性调频雷达工作原理

系统对于目标车辆速度与距离的获取是通过车载雷达传感器实现的. 工作过程为：压控振荡器发射出一定频率的发射信号，该信号分为两路，第一路经过发射天线发射出去，第二路继续分成两路分别进入I，Q所在通道的混频器中，进入Q通道的信号需进行90°移相. 第一路信号经过目标反射后被接收机接收，该回波信号经过混频器与实时分流的两路信号进行混频，之后再先后经过滤波处理和信号放大，最终形成两路中频差频信号. 对差频信号进行处理，便可以得到目标物体的速度、距离[3]. 动态目标距离信息是由多普勒效应和时间延迟效应叠加来反映的.

距离的计算公式为

速度的计算公式为

式中：f0为雷达发射频率； Δf为调频宽度；c0为光速；T为波形重复周期；fD_up为调制信号上升阶段产生的信号差频；fD_down为下降阶段产生的信号差频. 除了fD_down和fD_up未知外，其余参数都是已知值. 而这两个参数可以通过对回波信号进行FFT处理来获得.

2 雷达信号恒虚警方法研究

雷达接收机在接收到目标物体反射回来的电磁波时，还会接收到其他杂波. 杂波的主要来源包括：电干扰、接收机内部热噪声、环境因素产生的杂波以及临近目标的干扰等. 将目标回波从杂波环境中区分出来，我们采用恒虚警算法. 恒虚警算法的核心内容就是计算出一个检测阈值，随着杂波功率的变化，阈值也做出自适应的变化，将杂波的影响降至最低. 目前，恒虚警检测可以分为两大类：参量恒虚警检测和非参量恒虚警检测[4-6]. 在杂波分布已知的前提下，采用参量恒虚警检测. 参量恒虚警检测的原理是：选取检测单元，对检测单元两边的数据进行分析，得到杂波的估计参数，然后结合所处杂波环境的概率分布函数来确定出自适应的检测阈值. 在较为复杂的条件下，杂波的分布是未知的，这时便不能采用参量恒虚警检测，于是非参量恒虚警检测应运而生. 它用统计学的方法进行判断：选取检测单元，通过检测单元与两边其余单元以及过去的数据比较，来判断杂波中是否存在目标回波. 在实际的工程应用中，参量恒虚警检测应用的更为广泛. 根据对杂波参数的估计方法不同，参量恒虚警检测可以分为单元平均恒虚警(CA-CFAR)、单元选小恒虚警(SO-CFAR)、单元选大恒虚警(GO-CFAR)和有序统计恒虚警(OS-CFAR)等. 前3种算法都属于均值类恒虚警算法. 它们的流程图如图 1 所示.

图 1 均值类CFAR算法流程图Fig.1 The flowchart of average CFAR algorithm

假设v(t)是单脉冲检测在某个分辨单位中的一个观测，D(v)是由v(t)形成的检测统计量.I(v)为信号的同向分量滤波器输出，Q(v)为信号的正交分量滤波器输出.D(v)可由平方律检波和线性检波两种方法获得. 假若没有输入信号，D(v)即为杂波包络，一般情况下认为杂波包络服从瑞利分布. 在检测单元两侧进行采样，每一侧取n个参考单元，称为前后参考滑窗.X，Y分别为前后滑窗的估计. 在参考单元和检测单元之间，还存在若干保护单元，它们的作用是防止检测单元的能量泄露至两侧的参考单元从而导致目标的自遮蔽效应. 根据前后参考滑窗的估计X，Y来确定总的杂波估计Z[7,8]. 几种均值类恒虚警检测算法的区分正是在于对Z计算方式的不同. 对于单元平均恒虚警，Z=X+Y;对于单元选小恒虚警，Z=min(X，Y)；对于单元选大恒虚警，Z=max(X，Y). 门限值S=TZ，T为标称因子，可由虚警概率和参考滑窗样本数得到. 当检测统计量D大于门限值S时，认为杂波中有目标回波；当检测统计量D小于门限值S时，认为杂波中没有目标回波.

图 2 均值类算法仿真图Fig.2 The simulation of average CFAR algorithm

这3种均值类恒虚警算法的适用环境是不同的，也有着各自的局限性[9,10]. 对于单元平均恒虚警(CA-CFAR)而言，在均匀的杂波环境中具有很好的性能，对于非均匀杂波环境的处理则显得力不从心，在杂波边缘性能下降严重. CA-CFAR一般用于单目标的检测，对于多目标的检测而言，如果两个目标相互独立(相隔的距离单元数目超过参考滑窗的长度)，一般都可以检测出来. 如果两个目标相距很近，处在同一个参考滑窗中，对某个目标进行背景杂波功率估计时会受到另外一个目标的影响，导致检测门限值升高，产生目标的遮蔽效应，导致目标未被检测出来，发生漏警. GO-CFAR在杂波边缘的性能要强于CA-CFAR. 因为在估计杂波功率水平Z时，其依据的是前沿参考滑窗和后沿参考滑窗中的较大值，故检测门限值会处在相对较高的水平，这也就意味着虚警概率会大大降低，与此同时，随着检测门限的提高，可能也会出现漏警. 在多目标的检测环境中， GO-CFAR也存在着与CA-CFAR相似的问题. 当目标相距单元数小于参考滑窗的长度时，也会产生目标遮蔽现象，而且由于检测门限的抬高，导致目标遮蔽现象更加严重. SO-CFAR的出现较好地解决了目标遮蔽现象. 由于它根据前沿参考滑窗和后沿参考滑窗中的较小值来估计杂波功率水平Z，检测门限值会相应的降低，减少目标遮蔽现象的发生，但是随着检测门限的降低也会出现虚警现象. 对这3种均值类恒虚警算法进行仿真，结果如图 2 所示.

假设杂波服从瑞利分布，每个参考滑窗中有50个参考单元，检测单元两侧各有3个保护单元，虚警概率为10-6，环境中存在多个目标. 图 2 中a门限曲线为GO-CFAR算法得到的，b门限曲线为CA-CFAR算法得到的，最下方的c门限曲线为SO-CFAR算法得到的. 图 2 中可以较为明显地看出3种方法的区别： SO-CFAR算法得到的门限值较低，容易发生虚警现象； GO-CFAR得到的门限值较高，容易发生漏警； CA-CFAR在两个目标距离很近时会发生遮蔽效应.

在参量恒虚警检测中，还有一种应用广泛的方法，即有序统计类恒虚警算法(OS-CFAR). 它对于杂波功率水平的估计并不是根据前后沿采样滑窗的均值进行的，而是采取了类似于统计学的方法进行估计. 其原理为：将参考单元x的采样由小到大进行排序，得到一个升序的排列x(1),x(2),…x(2n), 取第k个单元x(k)作为杂波功率水平估计值[11-13]，如图 3 所示.

图 3 OS-CFAR流程图Fig.3 The flow chart of OS-CFAR

其中，Z=x(k). OS-CFAR算法在均匀杂波环境中具有较好的性能. 在两个目标距离很近的情况下，由于采用的是第k个单元的值作为总的杂波水平估计值，故不会存在目标的遮蔽效应，目标不会被附近目标干扰，而会被正确的检测出来. 如果杂波环境波动大，例如包含阶跃噪声等，那么通过这种方法确定的杂波功率对于杂波环境而言不具有普适性，也会导致检测性能出现下降.

上面提到的几种CFAR算法各有各的优点，也各自存在着不足，在开门防护系统的应用中，我们想到是否可以把几种算法在一定程度上结合起来，发挥各自的优点，满足系统要求. 为此，提出了一种综合性的算法，将均值类CFAR和OS-CFAR结合在一起. 其基本思想是：将前后沿参考滑窗的采样值由小到大进行排列，将最大值和最小值的均值与第k个单元值的均值作为杂波水平估计Z. 其流程图如图 4 所示.

对该算法进行仿真，以验证其性能. 考虑到实际应用中较为复杂的杂波情况，仿真环境为瑞利杂波叠加阶跃噪声，环境中存在两个目标. 虚警概率为10-6，参考滑窗内单元数目为50个，检测单元D每侧取3个保护单元，在第265和第280个距离单元加入目标，两个目标相距小于参考滑窗单元数目. 由于阶跃噪声的存在，前两百个距离单元与后两百个距离单元噪声功率出现阶跃式变化.