基于自回归时间序列模型的车载毫米波防撞雷达恒虚警检测方法

摘要

基于自回归时间序列模型的车载毫米波防撞雷达恒虚警检测方法，属于恒虚警检测领域，用于解决现有恒虚警检测方法无法保留毫米波雷达系统的实时性的问题，技术要点是：S1.对毫米波雷达信号收到的回波进行快速傅里叶变换；S2.对当前门限时间序列及该序列的前三个时间周期的时间序列分别进行数据更新；S3.求取当前门限时间序列的前三个时间周期的时间序列所对应的新的时间序列在对应点上的均值；S4.应用自回归模型，得到当前周期的阈值门限。有益效果：保证了恒虚警检测过程中系统的实时性。

说明书

技术领域

本发明属于恒虚警检测领域，涉及一种车载毫米波防撞雷达恒虚警检测方法。

背景技术

随着现代化水平的高度发展，交通问题已经成为各国亟需解决的问题，毫米波汽车防撞 雷达就是解决这类问题最好的途径.毫米波汽车防撞雷达最大优点就是可以全天候工作，它 广泛应用于汽车和智能交通领域.毫米波汽车防撞雷达工作于杂波环境时，检测器的门限设 置必须自适应于杂波功率水平的变化，使杂波引起的目标检测即虚警保持在一个较低的可接 受水平上，从而解决传统雷达门限是一个常数存在的缺点。

雷达恒虚警(constantfalsealarmrate，CFAR)检测的实际检测性能与背景杂噪的 分布和强度有很大关系。雷达自动检测和跟踪中的虚警问题是每个雷达系统和设计人员不可 避免的重要问题之一。二十多年来，雷达自动检测与CFAR处理技术逐渐发展成为国际雷达 信号处理界的一大热门研究领域和关键性课题。CFAR技术是雷达自动检测系统中控制虚警 率的最重要手段，它是雷达自动检测过程中起到极其重要的作用。现在，CFAR研究已经出 现了多个研究方向。根据模拟杂波背景所使用的咋波分布模型分为：瑞利分布、韦布尔分布、 对数正态分布、K分布和莱斯分布模型中的CFAR研究；按照数据处理方法分为：参量和非 参量CFAR技术；按处理所在的数域分为：时域和频域CFAR研究方向；根据数据的形式分为： 标量和向量CFAR技术；根据信号的相关程度分为：相关和不相关信号几部分相关信号的CFAR 方法。此外，还可分为单参数和多参数CFAR技术，单传感器和多传感器分布式CFAR技术， 以及其他的一些研究方法。

CFAR处理的主要过程就是形成杂波平均功率水平估计，相应的估计方法有两大类：一 类是空域方法，即利用与检测单元在空间上相邻的参考单元采样值，这类方法适用于在空间 上平稳的杂波；另一类是时域的方法，即杂波图，它利用检测单元以往多次扫描测量值形成 杂波平均功率水平估计，并依靠新的测量值迭代更行。

杂波图存储每一个单元背景的估计值，每一个值依靠新的和以前若干次的扫描测量值来 进行迭代更行，并把它作为当前的杂波背景强度估计值。当空域杂波强烈变化剧烈时，若采 用传统的均值类恒虚警方案只能采用很少的参考单元，因而恒虚警损失很大，而且虚警率不 易保持恒定。一般情况下早搏虽然在距离和方位上的变化十分剧烈，但同一距离单元的杂波 强度随时间的变化使缓慢的，因而可以采用“时间单元”恒虚警处理方法，在时间上对以往 各次雷达回波的测量值进行迭代处理，依旧是所谓的CFAR方法。

Nitzberg等人首先提出和分析了这种方法，在文献中成为Nitzberg杂波图方法，这一 处理过程利用了雷达杂波环境时域的相对平稳性。因此，杂波图处理不受注入地杂波在空域 非平稳性的影响。Levanon教授给出了另外一种计算Nitzberg杂波图虚警率的公式，可以 较快的速度收敛。为了增强杂波图的鲁棒性，LopsM提出混合杂波图技术(CM/L-CFAR), 即将空域处理与时域处理结合起来。它将几个雷达分辨率单元的回波信号组合成一个杂波图 单元，对杂波图单元内的回波样本基于L滤波器进行空域处理作为当前早不单元的输入信 号；在对每个杂波图单元的输入信号对以往各次的结果进行迭代，得到杂波图对检测位置处 杂波强度的估计以检测目标。HamadoucheM研究了Nitzberg杂波图技术在韦布尔背景中的 检测性能，分析指出Nitzberg杂波图处理在拖尾严重的非高斯杂波时其目标检测能力很差。 孟祥伟采用排序数据变量(ODV)方法来替换CM/L-CFAR方法中进行固定删除处理的L滤波 器，删除了CM/ODV-CFAR方法，由于它对杂波图单元内的杂波样本进行自适应删除而获得了 一定程度上性能的改善。

以上很多雷达恒虚警检测方法，在理论研究中具有重要的意义，但是却牺牲了实际车载 毫米波雷达系统的实时性这一系统的重要指标。

发明内容

为了解决上述技术问题，本发明旨在得到一种保留毫米波雷达系统的实时性而检测恒虚 警的方法，以提高现有恒虚警检测方法的准确性和实时性。

为了实现上述目的，本发明采用的技术方案是：一种基于自回归时间序列模型的车载毫 米波防撞雷达恒虚警检测方法，包括如下步骤：

S1.对毫米波雷达信号收到的回波，在N_FFT点进行快速傅里叶变换，得到各个时间周期 内N_FFT点的快速傅里叶变换后的值，作为各个时间周期的时间序列；

S2.对当前门限时间序列及该序列的前三个时间周期的时间序列分别进行数据更新，分 别获得当前门限时间序列及该序列的前三个时间周期的时间序列所对应的新的时间序列；

S3.求取当前门限时间序列的前三个时间周期的时间序列所对应的新的时间序列在对应 点上的均值；

S4.使用步骤S3中所述的均值，应用自回归模型，得到当前周期的阈值门限。

作为技术方案的补充，所述方法还包括下述步骤：得到最终的门限值，其为步骤S4中 得到的当前周期的阈值门限与门限调整因子的乘积。

作为技术方案的进一步补充，步骤S2中对时间序列更新的方法为：

S2.1.将当前时间序列进行升序排序，删除百分之M个序列的最大值Y_{max_M％}(t)或者直 接删除M个最大值，同时删除百分之N个序列的最小值Y_{min_N％}(t)或者直接删除N个最小 指，M表示排序后序列后面的M个最大值，N表示排序后序列前面的N个最小值；

S2.2.对余下的时间序列的所有值求取平均值Y_Q(t)；

S2.3.用求取的平均值Y_Q(t)替换掉所删除的最大值和最小值，完成当前时间序列的更 新。

有益效果：本发明所述的车载毫米波防撞雷达恒虚警检测方法，采用了时间域上的恒虚 警检测方法，该方法对于处理高速等路面或空域非平稳的地杂波有很好的特性，同时具有较 佳的准确性和实时性等特性，使得该算法在工程应用中具有较好的适用价值，且使用该方法， 保证了恒虚警检测过程中系统的实时性。

本发明所述的自回归模型算法，将当前周期的前三个周期的均值作为历史数据，而不是 采用上一个周期数据作为历史数据，增加了系统的稳定性和可靠性。

附图说明

图1为本发明实施例中所述方法的流程示意图。

具体实施方式

为了更为准确的阐述本发明创造，结合具体实施方式对本发明进一步说明。

实施例1：

一种基于自回归时间序列模型的车载毫米波防撞雷达恒虚警检测方法，包括如下步骤：

S1.对毫米波雷达信号收到的回波，在N_FFT点进行快速傅里叶变换，得到各个时间周期 内N_FFT点的快速傅里叶变换后的值，作为各个时间周期的时间序列；

S2.对当前门限时间序列Y_n(t)(t≥4)及该序列的前三个时间周期的时间序列Y_n(t-1)， Y_n(t-2)，Y_n(t-3)分别进行数据更新，分别获得当前门限时间序列及该序列的前三个时 间周期的时间序列所对应的新的时间序列Y′_n(t)，Y′_n(t-1)，Y′_n(t-2)，Y′_n(t-3)。

S3.求取当前门限时间序列的前三个时间周期的时间序列所对应的新的时间序列在对应 点上的均值：

(n∈[1,N_FFT])，N_FFT表示快速傅里叶变换 后的点数；

S4.使用步骤S3中所述的均值，应用自回归模型，得到当前周期的阈值门限，获得阈值 门限是一种自适应门限，具有一定的恒虚警检测概率，阈值门限：

Y_{n_yz}＝w·Y′_n(t)+(1-w)·Y′_{n_Q}(t)，w为遗忘因子。

实施例2：

与实施例1的区别在于，所述方法还包括下述步骤：S5.得到最终的门限值Y_{n_mx}：

Y_{n_mx}＝Y_{n_yz}×μ，μ为门限调整因子。

由于在实施例1中，门限计算出来后可能会只比原始数据大不了多少，很容易存在一定 的虚警率，所以将门限通过门限调整因子提高一些，这样可以有效的降低虚警率。

实施例3：

上述两个实施例中的步骤S2中对时间序列更新的方法为：

S2.1.将当前时间序列进行升序排序，删除百分之M个序列的最大值Y_{max_M％}(t)或者直 接删除M个最大值，同时删除百分之N个序列的最小值Y_{min_N％}(t)或者直接删除N个最小 指，M表示排序后序列后面的M个最大值，N表示排序后序列前面的N个最小值；

S2.2.对余下的时间序列的所有值求取平均值Y_Q(t)；

S2.3.用求取的平均值Y_Q(t)替换掉所删除的最大值和最小值，完成当前时间序列的更 新。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何 熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构 思加以等同替换或改变，都应涵盖在本发明的保护范围之内。