1. 簡介

一般來說，已經提出了一些提高交通場景中雷達性能的方法，主要可分為兩類：（1）圍繞信號處理方向，盡可能減少或消除干擾信號，以保證目標信號的純度。（2）設計更好的探測器。

在干擾信號抑制領域，將干擾污染的樣本從信號中剔除是最直接的干擾抑制方法。盡管如此，它也會抑制目標的部分有效信號，導致有用信號的切口樣本重建精度降低。為了緩解這種影響，該文提出一種基于迭代矩陣-鉛筆（MP）方法的干擾抑制外推法。但重建信號的精度會隨著污染樣品比例的增加而降低。為了提高信號重構精度，該文提出一種基于漢克爾矩陣稀疏低秩分解的方法但是，迭代和最佳質量選擇增加了算法的復雜性。為了處理雷達間干擾，提出了一些新方法，例如設計一種新的正交噪聲波形或在可調Q因子小波變換（TQWT）域中提出干擾抑制技術。此外，一些研究人員已經開始從距離和多普勒細胞遷移校準開始，以減少信號失真。

設計更好的探測器是提高雷達應用能力的另一個方向。與信號干擾抑制相比，雖然雷達探測性能的提升較弱，但探測器的設計更為直接。特別是，在大多數情況下，它不會增加額外的鏈接和計算復雜性，這更適合具有低性能處理器的低成本雷達系統。所以是從探測器設計的角度來看。在雷達的實際應用中，目標總是出現在復雜多變的噪聲背景之前，受時間和位置變化的影響，因此固定閾值檢測方法無法有效地將目標與背景噪聲區分開來。雷達常數誤報率（CFAR）檢測，通過評估當前雜波環境自適應設置檢測閾值，是分離目標和背景的關鍵技術。因此，適當的CFAR檢測算法可以提高雷達探測性能，為雷達數據處理提供準確的目標信息。它也成為雷達探測的一個關鍵研究方面。

最早提出的CFAR檢測算法是細胞平均CFAR（CA-CFAR）。這是基于平均局部噪聲功率水平來檢測目標。設計一個參考窗口，以窗口的中心單元為候選目標，用窗口中其他單元的幅值累積值作為背景噪聲功率的估計值。目標是否存在是通過判斷候選目標的功率值和估計的噪聲功率值來確定的。CA-CFAR在非均勻噪聲和多目標環境下的檢測性能較差，因為參考窗口內的干擾信號或其他目標會導致背景噪聲估計誤差。針對多目標或非均勻噪聲下CA-CFAR檢測性能下降的問題，最大選擇檢測（GO-CFAR）和最小選擇檢測 （SO-CFAR）被提議。GO-CFAR在雜亂邊緣環境下可以保持良好的虛警控制性能，但在多目標環境下會出現“目標屏蔽”。

SO-CFAR具有良好的多目標分辨能力，但其虛警控制能力較弱。有序統計 CFAR （OS-CFAR）是數字圖像處理中另一種典型的CFAR檢測方法，源自中值濾波器概念。它根據功率值排列參考窗口中的采樣單元，并選擇其中一個樣本功率值作為決策閾值。與CA-CFAR的檢測性能相比，OS-CFAR對多目標檢測具有較強的魯棒性，但產生的CFAR損失較高。提出了一些結合OS和CA的新方法。采用修整均值檢測器 （TM-CFAR）以算法為例。參考窗口中的采樣點按振幅值排序，如 OS-CFAR。然后去除具有最大和最小振幅的部分采樣點。最后，將剩余的采樣點平均為背景噪聲的估計值。

現在，針對不同的應用需求，已經提出了基于傳統方法的CFAR檢測算法。一些學者致力于研究探測器的多目標探測能力。例如，提出OSCA-CFAR算法，將CA-CFAR算法和OS-CFAR算法相結合，提高毫米波雷達的多目標探測能力，給出理想噪聲環境下的算法性能仿真。一些研究人員專注于提高探測器在復雜集群環境中的檢測性能。根據中心極限定理和信號對數壓縮原理，提出了一種Comp-CFAR方法，用于具有長拖尾效應特性的雜波中目標檢測?；趜log（z）的CFAR檢測器降低威布爾雜波誤報率。其他一些學者提出了一種結合機器學習的新方法。在包含 CFAR 滑動窗口輸入和輸出的數據集上訓練前饋人工神經網絡 （ANN），以提高 CFAR 檢測的效率。但是，這種方式增加了算法的復雜性。

表 1 簡要總結了上述 CFAR 檢測算法。目前所有CFAR算法都通過設計參考窗口并處理窗口中的數據來實現目標檢測。參考窗的設計可以有效降低雜波干擾水平，但有兩個缺點。一是滑動窗口會降低檢測物體的效率。特別是在線性調頻連續波（LFMCW）雷達系統中，CFAR探測器的輸入是二維距離多普勒矩陣（RDM）。雖然CFAR算法的原理沒有改變，但參考窗口的滑動已經從一維滑動搜索轉變為二維滑動搜索，大大降低了雷達目標探測的實時性。另一個缺點是窗口限制了背景噪聲估計的采樣點。理論上，使用的采樣點越多，估計的噪聲功率值越準確，CFAR檢測精度越高。參考窗口的設計和滑動限制了雷達目標檢測的效率。

表 1. 簡要總結了 CFAR 算法的特征。

幸運的是，與海面等復雜的背景環境相比，交通道路上的背景噪音相對簡單。特別是當雷達監測運動目標時，使用去零多普勒方法可以消除背景噪聲數據對檢測的影響。結合非理想目標運動（車輛轉彎、制動和變道）、目標反射區域的不規則性以及幀數據的獨立性，認為交通道路上的運動目標回波服從理想的Swerling II模型?；谏鲜龇治觯瑢τ诒尘霸肼曄鄬Ω蓛舻牡缆方煌ūO控應用，可能不需要為復雜噪聲和干擾降低而設計的參考窗口。相反，滑動窗口增加了算法的時間復雜度并降低了雷達監控的效率。為滿足交通監測雷達系統低處理時延的要求，提出一種基于蒙特卡羅的CFAR算法，以提高交通環境下雷達探測效率和對運動目標的靈敏度。與傳統算法相比，該算法具有更高的檢測靈敏度，更重要的是不需要參考窗口的設計和滑動，大大降低了算法的時間復雜度，提高了檢測速度和效率。

貢獻總結如下：首先，在所提出的CFAR檢測算法中，對整個RDM矩陣區域進行隨機采樣，得到當前時刻背景噪聲功率估計的采樣點;該原理是將蒙特卡羅模擬原理（通過獨立重復實驗獲得未知量的性質）轉換為RDM矩陣域的隨機抽樣。這種方式突破了參考窗口的限制，可以增加大量的采樣點進行背景噪聲估計。其次，干擾點濾波方法提高了背景噪聲估計的精度。根據采樣點的振幅值對采樣點進行排序和過濾，以去除可能的目標點或干擾點。然后，通過均值法得到背景噪聲估計的功率值。最后，通過背景噪聲估計提取RDM矩陣中的目標點。此外，給出了算法的參數設置方法，例如，根據當前的物理平臺和應用環境，通過反復統計得到算法參數值。配置參數過程只需在雷達系統環境不變時執行一次。仿真和實際實驗表明，與傳統方法相比，該方法具有更高的檢測靈敏度、更高的檢測精度和更低的檢測延遲，提高了交通監控中的雷達探測效率。

2. 交通場景

通常，交通傳感器安裝在道路兩側或延伸到道路中心的固定支架上（如圖1所示），并且要求它們具有以下基本功能：

圖1. 交通道路場景。

• 檢測靈敏度高。視野中的所有目標都可以完全檢測到，包括目標的部分遮擋;
• 低信息延遲能力。它可以實時反映路況，即要求數據采集與路況輸出之間的延遲盡可能短（理想情況下，延遲不應超過100毫秒）;
• 耐候性。傳感器應盡量減少夜間、霧和其他天氣造成的影響。

毫米波雷達被認為具有用于城市交通監測的潛力，因為不受環境影響，具有高范圍分辨率和低應用成本。CFAR探測器作為雷達目標提取的重要組成部分，已經得到了廣泛的研究。通過研究傳統的CFAR算法，分析交通環境的特點，給出了一種新的CFAR檢測算法，以提高雷達對目標檢測的靈敏度、多目標檢測能力，降低時延，希望為增強雷達在城市交通監測中的適應性提供獨特的參考。

3. 交通場景雷達背景噪聲分析

基于雷達芯片（CAL77S244）的射頻前端具有三個發射天線和四個接收天線，用于發射毫米波和接收目標回波信號。此外，四通道高速ADC用于數據采集。最后，在基于FPGA和ARM架構的后端基帶處理系統上實現數字處理算法和目標信息的提取。數據采集場景和雷達系統如圖2所示。

圖2. （ a ） 雷達系統。（ b ） 數據收集方案。

圖3顯示了背景噪聲數據收集和顯示。圖3a是持續誤報檢測數據采集的流程圖。在該雷達系統中，四個接收通道接收背景環境中雷達的電磁回波，并通過非相干累積獲得RDM矩陣。圖3b顯示了在沒有移動目標的條件下RDM的功率幅度分布。功率幅值在零多普勒區域（靜止物體區域）中突然且不均勻，這是由不同距離的物體數量和物體反射區域的大小等因素共同造成的。初步觀察表明，噪聲功率均勻分布在非零多普勒域（運動目標區域），無明顯突變。此外，靜止物體的功率不會顯著擴展到移動目標所在的區域。

圖3. （ a ） RDM數據采集過程。（ b ） 數據收集方案。

采用距離維數和速度維數數據方差作為測量數據離散度的有效方法，評估RDM矩陣中移動目標區域噪聲功率幅值的分布。它計算了 RDM 中數據集的每一行（速度維度）或列（距離維度）的方差，如圖 4 所示（多個統計量的平均值）。值得注意的是，在計算方差之前，以行人的平均速度為參考（0.5 m/s），消除了RDM矩陣中靜態物體所在的像元，例如速度低于0.5 m/s的像元。速度維數方差和距離維數方差均小于0.018，可以認為背景噪聲功率幅值在非零多普勒域中相對均勻。

圖4. RDM 矩陣中的背景噪聲幅度色散 （ a ） 范圍方向上的噪聲幅度方差。（ b ） 多普勒方向的噪聲幅度變化。

功率密度分布是背景噪聲的另一個特征。以前，假設雷達噪聲分布滿足瑞利分布：

RDM中的非零多普勒細胞通過MATLAB分布擬合工具箱進行采樣處理，然后數據分布（紫色）和瑞利分布（紅色）的擬合曲線如圖5a所示。圖5b顯示了數據概率分布與瑞利分布之間的匹配度，即數據越接近曲線，它與瑞利分布的一致性越大。

圖5. RDM矩陣噪聲密度函數仿真擬合實驗實例 （ a ）噪聲分布曲線。（ b ） 瑞利分布的匹配度。