基于連續波雷達的交通信息采集系統研究

高天德 周 堯

摘 要:以線性調頻連續波(LFMCW)雷達參數估計理論和雷達高分辨距離像(HRRP)識別理論為基礎,介紹了適用于車輛信息提取的采集系統設計方案,提出基于支持向量機(SVM)算法在車輛類型識別上的應用問題,采用實驗數據驗證了該方案的有效性和易于推廣性。

關鍵詞:交通信息采集;連續波雷達;參數估計;支持向量機;雷達目標識別

中圖分類號:TN959.1 文獻標識碼:A

文章編號:1004-373X(2009)21-200-04

Acquisition System for Traffic Information Based on CW Radar

GAO Tiande,ZHOU Yao

(College of Marine,Northwestern Polytechnic University,Xi′an,710072,China)

Abstract:Based on the theory of LFMCW radar parameter estimation and radar High Range Resolution Profiles (HRRP) for target recognition,the design of acquisition system for traffic information is introduced.The algorithm of Support Vector Machines (SVM) for vehicle recognition and its application on this system are introduced and experimental data verified its availability and convenience.

Keywords:traffic information acquisition;CW radar;parameter estimation;support vector machine;radar target recognition

0 引 言

全球智能交通技術(ITS)在過去數年里取得了長足的發展,最典型案例之一是美國MSI公司開發的一種壓電薄膜交通傳感器[1],該傳感器被用于檢測車軸數、軸距、車速監控、車型分類、動態稱重(WIM)等眾多信息,但由于是電容式傳感器,它不能檢測靜止在傳感器上的車輛,只能檢測動態信號,且內阻很高,在低頻時信號衰減很大,容易受外界多種環境的影響。目前對交通信息的采集還可以通過視頻圖像處理的途徑,動態跟蹤目標,這種基于模型的目標提取方法能夠有效識別車牌號[2],為超速超長車輛的檢測和車牌號的識別提供了解決方案,但是對于車輛基本信息的獲取(除車牌號識別以外)該方案需要提取多路視頻信息,處理信息量大,其致命的缺點是不適應外界環境變化(如雨、霧、雪天氣,黑夜或極端天氣引起的攝像頭振動等),總之,該方案不利于維護,可靠性差。

本方案以TMS320C6713B 處理器為核心,以LFMCW雷達參數估計理論和雷達高分辨距離像(HRRP)識別理論為基礎,搭建了信號處理平臺,能夠完成目標距離、速度的精確測量、施工路段交通管理、特定條件下報警等任務,尤其是將支持向量機(SVM)算法用于車輛類型識別,并對該方法的可行性進行了分析。結合雷達收發天線等裝置,該方案具有體積小,結構簡單,處理數據量少,能檢測靜止目標,測量精度高的優點,且安裝方便,幾乎適應任意工作環境,使用壽命長,在設備的可靠性方面優于壓電傳感技術和視頻圖像處理技術。雷達的正向安裝檢測原理是本文的研究重點,系統設計和算法分析主要圍繞雷達正向安裝情形展開。

1 LFMCW雷達檢測原理與算法分析

1.1 目標參數估計和HRRP識別關鍵問題

雷達正向安裝時(即發射波束與車道平行,針對單個車輛),雷達距離分辨率為亞米級,能精確測量一條車道的車速、車道流量、車道占用率以及實現車輛分類統計、超速報警等功能。LFMCW雷達測距、測速原理是根據差拍信號的頻譜特性,從頻域得到目標的距離和速度信息。研究表明,目標加速度的影響表現在距離像主瓣的細微的伸縮變化,對距離像平移的影響可以忽略[3],因而在檢測的瞬間把目標運動作為勻速運動處理。在特定姿態下,目標一維距離像可以表示為:

x(n)=∑Knk=1σnkexp[-j(4πλrnk+φnk)]

=∑Knk=1σnkexp(jφnk)

(1)

式中:Kn表示第n個距離單元內散射點的個數;rnk表示其中第k個散射點到雷達的距離;σnk和φnk分別表示第k個散射點子回波的振幅和初始相位;λ為雷達工作波長。雷達高分辨距離像(HRRP)識別的關鍵問題是:

(1) HRRP的目標姿態敏感性;

(2) HRRP平移敏感性;

(3) HRRP的強度敏感性。

由于本方案中雷達是固定安裝,固定角度測量,波束窄,能夠獲取穩定可靠的距離像,加之基于中心矩的特征提取算法具有平移不變性,因而解決了問題(1)和(2)。問題(3)的解決方法是將距離像作強度歸一化處理[3]。

1.2 基于中心矩的特征提取算法

設距離像{x(n),n=1,2…,N},N為距離單元數,對x(n)作如下歸一化:

x(n)=x(n)∑Nn=1x(n)

(2)

距離像x的p階中心矩μ(p)定義為[5]:

μ(p)=∑Nn=1(n-n0)px(n)

(3)

n0=∑Nn=1nx(n)

由于μ(1)≡0,取2～pmax階中心矩生成(pmax-1)維特征向量f=[f(1),f(2),…,f(pmax-1)]T=[μ(2),μ(3),…,μ(pmax)]T,pmax為用于生成特征向量的中心矩的最高階數,一般根據經驗選取[4]。若把車輛分為c類,則總的訓練數據庫可表示為:

F=[f1,f2,…,fc]

式中:

fi=T,i=1,2,…,c

因為中心矩的幅度隨階次增加而急劇遞增,各階次在歐式空間中的權重不同,從而會影響分類準確性,為消除量綱影響,對F做如下極差變換[5]:

fi(p)=fi(p)-fmin(p)fmax(p)-fmin(p), i=1,2,…,c

(4)

因此得到總歸一化訓練數據庫:

F=[f1-,f2-,…,f-c]

計算總歸一化訓練數據庫的總體樣本協方差矩陣C,選取C的前n(n≤pmax-1)個最大特征值對應的特征向量u1,u2,…,un構成變換矩陣:

P=[u1,u2,…,un]

則訓練數據中的特征向量由(pmax-1)維降為n維新的特征向量:

yi=PT?fi,i=1,2,…,c

(5)

因此降維后的歸一化訓練數據庫為:

D-=[y1,y2,…,yc]

同理可以生成測試向量。該方法與距離像的平移無關,而且能夠有效降低樣本維數,適用于高信噪比或識別對象較簡單情況[6]。由于HRRP具有一定的處理增益,即使時域SNR較低,目標成像后仍具有較高的SNR[7],因此該方法能夠為車輛基本分類準確提取特征,簡單可靠。

1.3 支持向量機(SVM)多分類方法

對于訓練樣本集(xi,yi),i=1,2,…,l,其中xi∈Rn為訓練樣本,yi∈{+1,-1}為樣本xi的類標。為了提高SVM算法性能,C.Coters和V.Vapnik提出了下述優化問題:

minw,b,ξ12‖w‖2+C∑li=1ξi

Subject to yi≥1-ξi,

ξi≥0,i=1,2,…,l

式中:C為懲罰因子;xi由函數φ映射到高維空間。此時核函數定義為:

K(xi,xj)≡φ(xi)Tφ(xj)

本方案所選核函數為徑向基核函數(RBF),因為RBF在樣本統計特性未知和樣本特征量少情形為首選函數。RBF定義為:

K(xi,xj)=exp(-γ‖xi-xj‖2),γ>0

SVM算法在高維數、小樣本情況下具有測試精度高,泛化能力好的優點[8]。對于多分類問題,在實際應用中比較成熟的方法有one-vs-one 和 DAGSVM,兩者性能均優于早期的one-vs-all[6]。特別是one-vs-one方法在魯棒性和訓練速度方面較one-vs-all有明顯的改善。這里選取one-vs-one方法,根據c類汽車目標構建c(c-1)/2個2值分類器加以訓練,再根據“投票”的方式對未知樣本進行測試。根據車輛的外部形態特征,如長度、寬度、高度、凹凸性等進行簡單分類,兼顧系統內存和處理能力,使系統性能達到最佳值。

1.4 雷達側向安裝檢測原理

當側向安裝時雷達不能精確測量每一輛車的速度,只能根據預先定義的車長測量每一條車道的車速、車道流量、車道占用率、平均車速等參數。側向安裝時雷達分辨率為2 m,雷達把車輛當作點目標,而且必須事先測出波束照射區域的有效寬度,然后計算每條車道背景過門限時間,若超過擴展延時則認為有車輛通過,并記錄車道號,最后統計每個車道參數。

圖1表示差拍信號頻域能量的檢測原理,由于譜線間隔fs/N與距離分辨單元r是一一對應的,距離分辨力為2 m,而目標相對雷達的徑向速度很低,因此可以手動或自動校正,使車道號對齊。當車道有靜止目標時,若背景過門限時間超過了設定值,則系統會自動調整該車道檢測閾值。

圖1 差拍信號頻域能量檢測

2 采集系統設計

2.1 系統方案

系統要完成目標參數估計、車輛類型識別、產生線性調頻信號和通過擴展接口與PC通信,且必須長期獨立、持續工作。因此本方案所面臨的技術難點是:復雜的數據結構和算法在有限資源上的實現;要保證系統實時性與穩定性;必須適應惡劣天氣環境,抗干擾性能好;滿足低成本且易于推廣。

鑒于以上分析,本方案選取一片32位浮點DSP來實現核心算法,一片FPGA實現輔助運算和對系統的控制,保證了實時性和運算精度,一片MCU實現系統與PC間的數據通信。在雷達接收端,對混頻后的差拍信號進行帶通濾波處理,采用“一次相消”的方法消除雜波影響,對距離像特征進行維數壓縮,減少系統內存開銷。

2.2 系統硬件設計

采集系統包括五個功能單元:① 信號收發單元;② 數據采集單元;③ 數字信號處理單元(包括參數估計,車輛識別和VCO控制電壓波形計算等);④ 數據通信單元;⑤ 電源及復位電路。系統的硬件框圖如圖2所示。

圖2 采集系統硬件框圖

在各單元的具體數據流向及芯片的選型介紹如下:

在發射端,VCO控制電壓波形的計算由FPGA完成;在接收端,回波信號經過混頻和帶通濾波后送入12位單通道ADC(TLV2541),采樣率設置為200 KSPS。

FPGA還要完成系統的控制和調度,控制A/D采樣,利用DSP的CE2空間(32位數據低16位為有效數據)向DSP發送數據,通過DSP的EXT_INT4來觸發一個EDMA通道,將新的數據緩沖(乒乓模式),每次傳輸1 002個數據(前兩個為了補償雙口RAM流水,為無效數據,實際有效數據為1 000個),分辨率12位,高4位補0。DSP將序列值作差拍傅里葉處理,并根據雷達不同的安裝方式作相關運算,DSP利用其CE3空間(32位數據中低8位為有效數據)向FPGA發送數據幀,DSP在CE3固定地址(400H)填寫數據幀的個數,通知FPGA讀取數據,以便通過MCU(AT89LS52)實現遠程通信。

在通信單元,MCU有兩個擴展接口,一個是USB接口,接口芯片為FT245R(支持USB 2.0 Full Speed);另一個是異步串口,接口芯片為ISL83488IB(RS 485標準)或 ICL3223EIA(RS 232標準)。

電源輸入為18～36 V,經DC-DC模塊變換為±12 V,供模擬集成運放使用。+12 V電壓經DC-DC變換后分別降為3.3 V,1.5 V,1.2 V,給其他數字電路供電。

正向安裝時雷達系統主要參數:中心頻率為24 GHz(基于正、負調頻的對稱三角波),帶寬為300 MHz,發射機輸出功率為10 mW,距離分辨力為0.5 m,速度分辨力為1 m/s,測速精度為±0.3 m/s,采樣率為200 KSPS,FFT點數為256點,最大作用距離為50 m。

2.3 系統軟件設計

采集系統的軟件可分為四個模塊:DSP軟件、FPGA軟件、MCU軟件、PC客戶端軟件和驅動。本文主要介紹DSP系統軟件設計。

DSP系統程序流程圖如圖3所示。

圖3 DSP系統程序流程圖

DSP上電自舉后,開始初始化CPU片上資源和板上資源,當系統進入數據通信階段,DSP通過FPGA和MCU與PC端進行數據交換,DSP首先將初始設備號和模擬通道增益值返回至PC端,通過操作軟件顯示給用戶,用戶可以設置安裝方式、車道數、擴展延時、速度校驗值、背景閥值、車輛分類等。當首次接收到FPGA發送過來的數據時,DSP會根據用戶需要或環境變化來重新獲取檢測閾值,當背景能量超過檢測門限時,系統進入正向或側向檢測模式。

3 實驗結果

雷達發射信號的一個正或負調制周期為3 ms,對每一類車輛取100次回波的距離像訓練為模板庫,取20～50次回波距離像進行測試。

表1給出了雷達在側向和正向安裝方式下的檢測精度情況。可以看出,側向安裝時系統不能精確測速,而對于正向安裝情形,系統統計單車道的車速、車型等參數時檢測精度高,具有一定可靠性和實用性。

表1 雷達檢測精度表

檢測項目正確率 /%范圍

單車道實時檢測98-

單車道占用率(側向安裝)970~100%

單車道流量(側向安裝)980~200輛/min

單車道平均車速(側向安裝)850~250 km/h

車速(正向安裝)970~250 km/h

車輛類型識別(正向安裝)802~8類

檢測時間分辨率-6~150 ms

支持向量機(SVM)算法用于車輛類型識別,在小樣本情況下測試精度高,易于推廣,對于外部形態有變化的車輛(如貨車載貨)不能準確提取特征,因而對預測結果會產生一定影響。但是對于車輛更具體的信息的獲取,該方法具有更大的實用價值。

參考文獻

[1]徐紅星,駱英,柳祖亭.PVDF壓電薄膜的應用進展[J].江蘇理工大學學報:自然科學版,1999,20(5):88-91.

[2]何志偉.基于模型的目標提取及其在智能交通中的應用[D].杭州:浙江大學,2006.

[3]杜雨洺.近程小扇區LFMCW雷達信號處理研究[D].成都:電子科技大學,2006.

[4]袁莉.基于高分辨距離像的雷達目標識別方法研究[D].西安:西安電子科技大學,2006.

[5]Li H J,Yang S H.Using Range Profiles as Features Vectors to Identify Aerospace Objects.IEEE,Trans.on AP,1993,41(3):261-268.

[6]Chih Wei Hsu,Chih Jen Lin.A Comparison of Methods for Multi-class Support Vectors Machines[EB/OL].http://www.csie.ntu.edu.tw/~cjlin/bsvm/index.html.

[7]陳家軍,王東進,陳衛東.LFMCW雷達目標運動補償新方法[J].現代雷達,2006,28(7):37-40.

[8]王曉丹,王積勤.基于SVM的雷達目標高分辨距離像識別研究[J].信號處理,2006,19(Z1):228-231.

[9]廖東平.支持向量機方法及其在機載毫米波雷達目標識別中的應用研究[D].長沙:國防科學技術大學,2006.

[10]衣加望,侯慧林.智能交通雷達檢測器:遠程交通微波傳感器(RTMS)[J].航空軍轉民技術與產品,1999(6):13-14.

作者簡介 高天德 男,1970年出生,四川德陽人,通信與信息工程學科博士,西北工業大學副教授。主要從事高速信號處理和虛擬儀器測試測量技術研究工作。

周 堯 男,1984年出生,信號處理專業碩士研究生。