基于車載毫米波雷達(dá)的目標(biāo)檢測CFAR算法研究

陳海玲，徐靖，譚蓉凡，李海娟，鄭休寧

（梧州職業(yè)學(xué)院，廣西梧州，543000）

關(guān)鍵字：毫米波雷達(dá)；OS-CFAR算法；CA-CFAR算法

0 引言

在汽車自動(dòng)駕駛領(lǐng)域，通常采用攝像機(jī)、超聲波設(shè)備、激光雷達(dá)、毫米波雷達(dá)來進(jìn)行目標(biāo)檢測，但只有毫米波雷達(dá)傳感器在各種苛刻的環(huán)境條件下能保證系統(tǒng)的可靠性。由于這個(gè)原因，基于毫米波雷達(dá)的主動(dòng)安全系統(tǒng)已成為智能汽車系統(tǒng)的重要關(guān)鍵技術(shù)。例如，前向防撞、盲點(diǎn)檢測、變道輔助、后碰撞警告和自適應(yīng)巡航控制。對(duì)于毫米波雷達(dá)來說，發(fā)射的雷達(dá)波通常存在被多次反射后被接收的場景，如在停車場的拐角處或街道旁的防撞護(hù)欄處，對(duì)于這些檢測到的雜亂目標(biāo)，數(shù)據(jù)的可信度顯得尤為重要，系統(tǒng)的虛警概率應(yīng)在復(fù)雜的環(huán)境下保持恒定，CFAR門限隨輸入噪聲變化而進(jìn)行快速的自適應(yīng)。在實(shí)際的測量中，如果選擇太多的門限值，未知功率的噪聲會(huì)導(dǎo)致許多誤報(bào)。相反，如果設(shè)置得太高，將只能檢測到較少的對(duì)象。CFAR算法應(yīng)提供一個(gè)與噪聲層相適應(yīng)的輸出，并確保假警報(bào)的數(shù)量不依賴于噪聲功率。在接下來的章節(jié)中將介紹最常用的兩種CFAR算法，并通過仿真和實(shí)驗(yàn)數(shù)據(jù)來比較各自的性能。

1 CFAR算法介紹

1.1 CA-CFAR算法

CA-CFAR（均值類CFAR）算法的核心思想是通過對(duì)參考窗內(nèi)的采樣數(shù)據(jù)取平均來估計(jì)背景噪聲功率。事實(shí)上，目標(biāo)峰值并不在一個(gè)單元上，而是在一些范圍單元上有所延伸，目標(biāo)相鄰的數(shù)個(gè)單元不作為背景雜波的估計(jì)，作為保護(hù)單元P。對(duì)于每個(gè)單元格，T是常數(shù)，并根據(jù)窗口N值大小進(jìn)行計(jì)算。如果目標(biāo)Y值超過門限(T×Z)，則判定檢測到目標(biāo)。具體的算法框圖如下圖1所示。

圖1 CA-CFAR 算法框圖

1.2 OS-CFAR算法

與CA-CFAR算法相反，OS-CFAR（統(tǒng)計(jì)有序CFAR）算法只使用參考窗口中的單個(gè)振幅。如下圖2所示。算法的基本框架類似于CA-CFAR，滑動(dòng)參考窗口是圍繞被測單元及其保護(hù)單元，核心思想是通過對(duì)參考窗內(nèi)的數(shù)據(jù)由小到大排序，選取其中第K個(gè)最大數(shù)值假設(shè)其為雜波背景噪聲。在文獻(xiàn)中[6]提到，K值取接近3/4N時(shí)最有利于背景噪聲的估計(jì)，使檢測虛警目標(biāo)的概率降低到最小。

圖2 OS-CFAR 算法框圖

2 CFAR算法仿真分析

2.1 雜波環(huán)境仿真分析

雜波通常代表目標(biāo)檢測中所有不需要的背景信號(hào)，例如在汽車自動(dòng)駕駛中雷達(dá)信號(hào)的多路徑反射而產(chǎn)生的回波。CFAR算法必須要確定這些雜波是不相關(guān)的，因此，在雜波域下，門限值應(yīng)相應(yīng)增加。對(duì)于包含雜波的環(huán)境，如果選擇的滑動(dòng)窗口比雜波區(qū)域大得多，則雜波樣本對(duì)平均值、K值的影響較小，導(dǎo)致判決門限不夠陡峭，邊緣很有可能被誤檢測為目標(biāo)。圖3展示了雜波區(qū)域?qū)τ贜=24窗口的檢測結(jié)果，門限能有效的識(shí)別雜波。相反，對(duì)于N=32，CA-CFAR算法會(huì)檢測位于左側(cè)雜波邊緣的對(duì)象，如圖4所示。同樣，OS-CFAR算法也無法克服這一問題，仿真結(jié)果與CA-CFAR相似，如圖5所示。在仿真環(huán)境中，雜波占據(jù)14個(gè)距離單元，如果參考窗口的大小是雜波域的兩倍以上，雜波樣本影響門限值的結(jié)果較少，導(dǎo)致多個(gè)目標(biāo)被檢測到。因此，對(duì)于窗口大小N為32的兩種算法，都不滿足要求虛警率要求。

圖3 CA-CFAR算法在雜波環(huán)境下的仿真結(jié)果

圖4 OS-CFAR算法在雜波環(huán)境下的仿真結(jié)果

2.2 多目標(biāo)環(huán)境仿真分析

在存在多個(gè)目標(biāo)的情況下，相鄰的目標(biāo)峰值可能會(huì)導(dǎo)致門限值的增加，會(huì)出現(xiàn)遮蔽效果，導(dǎo)致某些小信號(hào)無法被檢測到。從噪聲估計(jì)的角度分析，較大的參考窗口應(yīng)能提供更可靠的噪聲估計(jì)，然而，對(duì)于CA-CFAR算法，在多目標(biāo)的情況下，由于相鄰目標(biāo)太過接近，峰值落在同一噪聲估計(jì)的滑窗內(nèi)，由于遮蔽效果導(dǎo)致其中一個(gè)目標(biāo)未被檢測到，如圖5所示。對(duì)于OS-CFAR算法，采用排序估計(jì)噪聲的方法，有效的避免了門限值的增加，參考窗口中的峰值對(duì)測量結(jié)果沒有影響，目標(biāo)都能有效的被檢測到。

圖5 CA-CFAR和OS-CFAR算法在多目標(biāo)環(huán)境下的仿真結(jié)果

3 車載毫米波雷達(dá)系統(tǒng)

本文采用線性調(diào)頻連續(xù)波（FMCW）毫米波雷達(dá)來驗(yàn)證CFAR算法，雷達(dá)系統(tǒng)核心的毫米波傳感器模塊是基于TI公司的76GHz到81GHz的毫米波傳感器評(píng)估板AWR1243BOOST，此評(píng)估板包含MMWAVE-STUDIO環(huán)境和DCA1000實(shí)時(shí)數(shù)據(jù)捕獲適配器的相關(guān)資源，便于雷達(dá)原始數(shù)據(jù)采集存儲(chǔ)，并在電腦上做相關(guān)的算法研究工作。AWR1243BOOST評(píng)估板如下圖6所示。

圖6 AWR1243BOOST 評(píng)估板

圖7 汽車毫米波雷達(dá)系統(tǒng)硬件框圖

AWR1243芯片的中頻帶寬為15MHz，最高采樣率為37.5MHz，通過LVDS接口把采集的數(shù)據(jù)傳輸?shù)綄?shí)時(shí)數(shù)據(jù)捕獲適配器DCA1000的DDR中，通過MMWAVE-STUDIO 環(huán)境和USB接口把采集的數(shù)據(jù)傳輸?shù)诫娔X中存儲(chǔ)。在電腦中，通過MATLAB工具對(duì)接收到的數(shù)據(jù)進(jìn)行數(shù)字解調(diào)，進(jìn)行CFAR算法分析。

4 CFAR算法實(shí)測分析

4.1 純?cè)肼暛h(huán)境驗(yàn)證分析

通過將車載毫米波雷達(dá)硬件系統(tǒng)的天線對(duì)準(zhǔn)空曠的室內(nèi)測試環(huán)境，對(duì)采集到原始數(shù)據(jù)做距離FFT，可以得到在純?cè)肼暛h(huán)境中的虛警率，如下圖8所示。通過圖8可以發(fā)現(xiàn)，兩種算法的輸出都位于雷達(dá)天線附近，通常在雷達(dá)系統(tǒng)中由于直流偏移導(dǎo)致；因AWR1243芯片具有自身芯片直流濾波功能，可以分析出圖中的直流偏移由發(fā)射和接收天線的反射串?dāng)_導(dǎo)致。在目標(biāo)檢測中，基于直流偏移，通過使用高通（HP）濾波器來消除，如圖9所示。除此之外，兩者的門限值計(jì)算算法工作正常，因此數(shù)據(jù)序列中未出現(xiàn)錯(cuò)誤的目標(biāo)檢測。

圖8 純?cè)肼曄碌腃FAR算法檢測結(jié)果

圖9 經(jīng)過HP濾波器后的CFAR算法檢測結(jié)果

5 多目標(biāo)環(huán)境下CFAR算法驗(yàn)證分析

針對(duì)仿真分析中的目標(biāo)掩蔽問題，在雷達(dá)前方4米附近，放置兩個(gè)相聚1米的金屬反射塊。取原始信號(hào)距離維度的數(shù)據(jù)做128點(diǎn)的FFT，窗口選取N=32時(shí)，如仿真分析一樣，CA-CFAR算法的門限值由于使用了2個(gè)目標(biāo)的峰值，導(dǎo)致其中一個(gè)目標(biāo)未被檢測到，如圖10的所示。在同等條件下，OS-CFAR算法卻能很好的檢測到所有目標(biāo)，CA-CFAR算法的檢測能力明顯比OS-CFAR算法的檢測能力弱。

圖10 多目標(biāo)場景下的CFAR算法檢測結(jié)果

6 總結(jié)

本文通過仿真和實(shí)測兩種方法，對(duì)CA-CFAR和OS-CFAR兩種算法進(jìn)行了比較。從仿真和實(shí)測結(jié)果可以清楚地證明，CA-CFAR最顯著的缺點(diǎn)是滑動(dòng)窗中的每個(gè)峰值或雜波樣本都會(huì)影響噪聲門限值。相反，OS-CFAR只使用指定的值，即排序引用窗口的第K個(gè)最大值，能夠忽略潛在的峰值或雜波樣本。在算法實(shí)現(xiàn)方面，CA-CFAR算法比OS-CFAR算法更易于處理，比例因子在CA-CFAR中使用的是一個(gè)封閉的公式，取決于指定的參數(shù)；而OS-CFAR通過迭代計(jì)算才能確定K值，具有更高的計(jì)算成本。

在汽車自動(dòng)駕駛中，具有掩蔽效應(yīng)的CA-CFAR算法將存在著嚴(yán)重的問題。OS-CFAR算法對(duì)參數(shù)變化具有魯棒性，針對(duì)高計(jì)算成本問題，在當(dāng)前主流的汽車自動(dòng)駕駛中，硬件會(huì)配備超大算力的芯片，排序計(jì)算的成本也就顯得微不足道，OS-CFAR算法無疑是兩種選擇中更好的選擇。本文以上僅對(duì)最基本的OS-CFAR、CA-CFAR算法在汽車毫米波雷達(dá)目標(biāo)檢測進(jìn)行了分析，后續(xù)的研究中，可以針對(duì)CFAR擴(kuò)展的算法進(jìn)行了進(jìn)一步的分析。