基于脈沖相干雷達的車輛檢測算法

張先才，張足生，李益廣，2，郭小紅，陳 偉，2

1.東莞理工學院 網絡空間安全學院，廣東 東莞 523808 2.廣東工業大學 計算機學院，廣州 510006

近年來，隨著我國汽車保有量持續增加，城市中心區停車難問題日益嚴重，路邊智慧停車管理系統已成為解決該問題的有效途徑[1-2]。該系統的基礎是實時車輛檢測技術，在準確獲得每個停車位的狀態信息基礎上，路邊智慧停車管理系統可實現車位預約、停車誘導、停車計費等功能。

磁阻傳感器、視頻是目前主要的車輛檢測技術。磁阻傳感器成本和功耗低，生命周期長，但容易受到相鄰車位、城市軌道交通等磁場干擾[3]。基于磁阻傳感器的停車位檢測已有很多研究，文獻[4]提出了一種自適應閾值算法；文獻[5]為了降低相鄰車位干擾，綜合相鄰傳感器的信息，通過計算相鄰車位信號的相似度實現停車檢測。相比磁阻傳感器，視頻可以獲得更多的信息，比如車牌號，但是視頻易受到天氣和光照干擾，并且室外視頻停車檢測技術需要布電源線和通信線，安裝和維護成本高。隨著人工智能的發展，已有越來越多的研究將深度學習算法應用在基于視頻的車輛檢測中[6]。文獻[7]提出一種基于Faster R-CNN[8]的車輛檢測改進算法，可以較好地實現交通監控視頻中的車輛檢測；文獻[9]提出了一種基于最新的YOLOv3[10-12]算法的實時車輛檢測分類模型，該模型通過增強深度殘差網絡的特征提取能力，提高了復雜無約束自然場景下實時車輛檢測的精度。

基于磁阻和視頻的車輛檢測技術大多受限于不同的干擾因素，雖然目前對各種干擾問題有較多研究，但是效果有限。而基于新型傳感器的方法可以和這些方法互補。目前關于雷達的車輛檢測研究，大多是基于激光雷達[13-15]，且主要關注于自動駕駛領域。激光雷達探測距離遠，精度高，但是在功耗、體積和成本方面皆不適用于停車位檢測。

本文使用的脈沖相干雷達傳感器（pulse coherent radar，PCR）是一種新型的傳感器，它兼具脈沖式雷達低功耗和相位式雷達高精度的優點[16]，面積只有29 mm2，成本遠低于激光雷達，并且不受磁場、光照干擾。本文根據PCR雷達信號的特征，考慮到水和濕樹葉等干擾，提出了一種基于PCR的停車檢測算法。

1 問題描述

PCR基于信號傳播時間來測量物體的距離，即無線電波由第一根天線發射，經物體反射后再由第二根天線接收，通過測量發射和接收信號之間的傳播時間來判斷物體的距離。本文采用的是型號為A111的雷達傳感器，該傳感器提供四種工作模式[16]，其中Powerbin工作模式采樣的信息量較少，能耗低，適用于停車位檢測，下面給出該模式的雷達信號定義。

例如，起始檢測距離是20 cm，檢測范圍為50 cm，如果分為5個Bin，每個Bin代表的距離范圍依次為[20，30]，[30，40]，[40，50]，[50，60]，[60，70]。圖1（a）是t0時刻傳感器上方沒有被物體遮擋時的信號，圖1（b）是t1時刻其正上方0.5 m處有金屬板時的信號。可見當有物體時，第3個Bin接收的振幅最大，則可以估計該物體的距離范圍是[40，50]。

圖1 無物體和有物體時的雷達信號Fig.1 Radar signal with object and without object

PCR對外界的光、聲音、磁場和灰塵不敏感，因此不受這些因素干擾。玻璃、水、濕樹葉等材料能很好地反射PCR發射的無線電波。路邊停車檢測，傳感器節點置于地面以下，頂蓋與路邊齊平，當節點頂蓋被水或濕樹葉覆蓋時，無線電波被反射，會影響車輛檢測的準確性。為此將干擾因素納入檢測任務中，將停車位狀態劃分為四種類別，如定義2所示。

定義2停車位狀態的集合為{ }S1,S2,S3,S4。各狀態按次序分別指{無車且無干擾，有車且無干擾，無車且有干擾，有車且有干擾}。

基于定義1、定義2，本文算法可表示為：

其中，n為Bin的個數，Bin1(t),Bin2(t),…,Bin n(t)為t時刻的雷達信號，S(t)為t時刻的停車位狀態。

2 算法設計

算法的框架如圖2所示，包括添加擴展特征、分類算法和訓練三部分。添加擴展特征：給雷達信號添加擴展特征。分類算法：對添加了擴展特征的雷達信號分類，得到該雷達信號對應的停車位狀態。訓練：根據雷達數據樣本，利用粒子群優化算法[17]訓練分類算法的參數。

圖2 算法框架圖Fig.2 Algorithm framework

2.1 添加擴展特征

圖3展示了不同停車位狀態的20條雷達信號。S1、S3、S4之間差異較小，S2與其他類別差異較大。為了更好地區分S1、S3和S4，提取雷達信號的特征并將其作為雷達信號的擴展特征。將添加了擴展特征的雷達信號稱為擴展雷達信號。

圖3 不同停車位狀態的雷達信號特點Fig.3 Radar signals of different parking space status

式（2）為均值，反映了雷達信號各個Bin的平均大小；式（3）為方差，反映了雷達信號各個Bin的波動大小；式（4）為大于或等于50的Bin的個數，H（~）是單位階躍函數，在~大于或等于0時為1，小于0時為0，無物體遮擋時雷達信號各個Bin一般小于50，因此該特征反映了雷達信號的響應程度；式（5）為雷達信號各個Bin與下標序列(1,2,…,n)的協方差，其在一定程度上反映了雷達信號的變化模式[18]。

2.2 分類算法

分類算法對擴展雷達信號分類，得到停車位狀態。停車位狀態有四種，本文的分類算法每次在兩種停車位狀態中做出預測，將四種停車位狀態兩兩配對有六種不同的組合，因此總共需要預測6次[19]。每次預測的兩種可能的停車位狀態如表1所示。

表1 每次預測的可能的預測結果Table 1 Possible outcomes of each forecast

S1、S2、S3、S4中被預測次數最多的即為分類算法所得到的停車位狀態。在實際測試中出現被預測次數相同的情況少于0.5%。相同說明雷達信號特征不明顯，難以分類，此時在被預測次數相同的停車位狀態中隨機選擇一個作為輸出。

具體來說，當進行第1次預測時，算法依次對每個Bin進行分類：

圖4 分類算法流程圖Fig.4 Classification algorithm flowchart

2.3 訓練

訓練模塊的目的是根據雷達數據集計算分類算法參數。原始雷達數據集是采集的雷達信號的集合，本文為采集的雷達信號添加擴展特征和停車位狀態標簽。將處理后的數據集記為L,L中的樣本記為(r(t),S(t))，其中r(t)為t時刻的擴展雷達信號，S(t)為t時刻的停車位狀態。L中所有停車位狀態為S1、S2、S3、S4的樣本依次記為L S1、L S2、L S3、L S4。

第1次預測的可能結果為S1和S2，希望找到最佳的參數α1，使得第1次預測在L S1和L S2上的誤差和最小，誤差和記為error(α1,L S1,L S2)。尋找參數α2至α6與尋找α1類似。形式上，尋找分類算法參數的問題可表達為：

其中，L S(t)為L中所有停車位狀態為S(t)的樣本，函數I（~）在~為真和假時取1和0。注意，因為S1和S2的樣本數不同，如果直接將第1次預測在L S1和L S2上的錯誤個數作為誤差和，預測的結果會傾向樣本數更多的停車位狀態。為了消除這種偏好，當停車位狀態為S()

t的樣本分類錯誤時，誤差修正為1/ ||L S()t。第2~6次預測的誤差和計算與第1次類似。

式（11）所示的優化問題的目標函數形式復雜，難以找到一個專門的算法求解。而粒子群優化算法[17]是一種群體智能優化算法，可以近似求解擁有復雜目標函數的優化問題。因此利用粒子群優化算法求解該問題，得到分類算法的參數。算法1展示了訓練算法。

算法1訓練

2.4 復雜度分析

添加擴展特征和分類算法的時間復雜度為O(n)。分類算法每次預測需要存儲對每個Bin的分類結果，空間復雜度為O(n)。訓練部分共執行6次粒子群優化算法，假設每次的粒子個數為M，迭代次數為K。每次迭代包括：（1）計算所有粒子的目標函數值，時間復雜度為O(M|L| n)；（2）更新粒子，時間復雜度為O(Mn)。從而訓練部分的時間復雜度為O(KM|L|n)。將添加擴展特征和分類算法作為算法的檢測部分，表2列出了算法的時間復雜度和空間復雜度。

表2 算法復雜度Table 2 Algorithm complexity

3 實驗與分析

3.1 實驗設定

（1）采集系統與數據集

PCR雷達信號的采集系統如圖5所示，由檢測節點、網關節點和上位機三部分組成。檢測節點放置在停車位中央，網關節點和上位機放置在檢測節點附近并通過串口相連。檢測節點集成了MSP430MCU、PCR雷達傳感器和Lora SX1278無線通信模塊，由ER14505H鋰電池供電，每隔1秒采樣一次，并將數據通過無線通信模塊傳輸出去；網關節點集成了MSP430MCU和Lora SX1278無線通信模塊，由ER14505H鋰電池供電，其通過無線通信模塊接收檢測節點發送的數據，并通過串口將數據傳給上位機；上位機是普通的筆記本電腦，從串口接收數據，并將其保存在本地。實驗參數取值如表3所示。

表3 實驗參數Table 3 Experimental parameters

圖5 采集系統示意圖Fig.5 Schematic diagram of acquisition system

基于該采集系統對某部門停車位的無車無干擾、有車無干擾、無車有干擾、有車有干擾四種狀態做了詳細的采樣。所得到的雷達數據集共有12 285條樣本，四種類別的樣本數依次為3 720、4 835、1 700、2 030。采集場景如圖6所示。

圖6 雷達信號采集場景Fig.6 Scene of collecting radar signals

（2）對比算法

在MATLAB上實現了上文所述的所有算法，將本文提出的算法稱為多閾值投票法（multiple threshold voting，MTV）。為了客觀地驗證MTV的性能以及引入擴展特征的效果，采用兩種檢測方法進行對比實驗。

ER算法[16]：PCR雷達供應商提供的停車位檢測算法。將無物體時的雷達信號作為參考信號，計算待檢測的雷達信號與參考信號的差值，超出閾值則檢測為有車，閾值根據經驗設置。

MTV-0算法：以MTV為基礎，不使用擴展特征進行停車位檢測。

MTV-0和MTV需要訓練過程，因此利用5折交叉驗證方法[20]來驗證兩種算法。做法是將雷達數據集隨機劃分為5等份；選取其中的4份用于訓練，選取余下的1份用于測試；共執行5次，每次選取不同的等份用于訓練和測試，累計每次的測試結果，最后得到算法對整個雷達數據集的測試結果。

3.2 方法有效性分析

當得到停車位狀態后，MTV既實現了停車檢測，又檢測出了雷達是否有干擾，因此評估在這兩種任務上的性能。

停車檢測的測試結果如表4所示。在無干擾場景下，MTV的準確率大于99.9%。在有干擾場景下，MTV的準確率為91.46%，比MTV-0高約3個百分點，這是因為MTV引入擴展特征，增加了S3和S4的差異，從而提高了在干擾場景下的檢測精度。ER在干擾場景下的準確率只有71.81%，這是因為：（1）ER只利用了雷達信號與參考信號的差值這一個特征，沒有發掘雷達信號更多的信息；（2）ER在無干擾和有干擾場景下使用同一個參考信號和閾值進行檢測，難以同時保證兩種場景下的準確率。而MTV綜合雷達信號所有的Bin以及擴展特征的信息，并且進行多次預測，每次預測針對不同的停車位狀態使用不同的參數，因此MTV在無干擾和有干擾場景下皆有不錯的準確率。

表4 檢測是否有車的準確率Table 4 Accuracy of detecting whether there is a car

檢測雷達是否有干擾的測試結果如表5所示。MTV的準確率為96.09%，比MTV-0高約1個百分點。而ER只考慮了“有車”和“無車”兩種狀態，無法檢測出傳感器是否受到干擾。

表5 檢測是否受到干擾的準確率Table 5 Accuracy of detecting whether there is interference

圖7是一段時間內無干擾的雷達信號，其中0~0.2 min、0.6~0.8 min、1.1~1.5 min為無車無干擾，0.2~0.6 min、0.8~1.1 min為有車無干擾。檢測結果如圖8所示。因為兩種停車位狀態的區別明顯，三種算法都能得到正確的檢測結果。

圖9是一段時間內有干擾的雷達信號，其中0~0.8 min、1.7~2.5 min為無車有干擾，0.8~1.7 min、2.5~2.9 min為有車有干擾。檢測結果如圖10所示。在干擾場景下，ER幾乎漏檢了所有停車事件，MTV-0有較多的漏檢和誤檢，而MTV只在2.6 min處漏檢了一次。MTV-0和MTV都沒有將停車位狀態誤判為S1或S2，這說明兩種算法都成功地識別出傳感器受到了干擾。

圖9 有干擾雷達信號Fig.9 Radar signal with interference

圖10 有干擾時的檢測結果Fig.10 Detection results with interference

含有泥土、灰塵等雜質的水不僅能很好地反射PCR發射的無線電波，而且無線電波穿過它時會產生散射。這種干擾在實際場景中是常見的，且比無雜質的水對停車檢測的挑戰更大。本文采集了這種干擾下的停車數據，測試了MTV在這種數據下停車檢測的效果。相比無雜質的水，檢測精度略微降低，可見散射對MTV停車檢測的性能影響較小。

為了更全面地驗證MTV檢測干擾的性能，除了水和濕樹葉干擾之外，本文也采集了傳感器受到含有雜質的水、玻璃、泥土覆蓋的數據用于測試。MTV識別這些干擾的精度依然較高，為95%左右。這些干擾對傳感器的影響是類似的，這些具有較高反射率的干擾物體覆蓋在檢測節點上，反射了雷達發射的部分無線電波，使得雷達信號相應的Bin值產生了相似的變化。

3.3 方法運行效率分析

三種算法檢測不同數量的樣本所需的時間如圖11所示。MTV用時雖然明顯大于ER和MTV-0，但三者的速度都已滿足實時性的要求。MTV與MTV-0的主要區別是MTV需要計算擴展特征，而MTV用時明顯大于MTV-0，這說明MTV的時間開銷主要花在擴展特征的計算上。表6列出了三種算法的檢測速度。

圖11 算法檢測效率對比圖Fig.11 Detection efficiency comparison

表6 檢測速度Table 6 Detection speed

圖12是MTV訓練不同數量樣本所需的時間，其中各類別的樣本比例相同，粒子個數設為100，迭代次數設為50。在上述參數設定下，訓練時間與樣本數成線性增長，這與本文復雜度分析相符。雖然相比ER算法，MTV需要較耗時的訓練過程，但在訓練完畢后，MTV的檢測速度可以滿足實時性要求。

圖12 MTV訓練不同數量樣本的時間Fig.12 MTV training time for different numbers of samples

4 結束語

本文提出了一種基于脈沖相干雷達的停車檢測算法。提取雷達信號的特征，對雷達信號進行多次預測，結合多次預測的結果實現停車檢測。相比已有算法，本文算法提高了干擾場景下停車檢測的精度，并且可以檢測雷達是否有水或濕樹葉的干擾。未來工作包括：將本文算法擴展到更多干擾因素的場景；借鑒相鄰多個時刻的雷達信號提高檢測準確率。