基于连续波雷达的交通信息采集系统研究

高天德 周 尧

摘 要:以线性调频连续波(LFMCW)雷达参数估计理论和雷达高分辨距离像(HRRP)识别理论为基础,介绍了适用于车辆信息提取的采集系统设计方案,提出基于支持向量机(SVM)算法在车辆类型识别上的应用问题,采用实验数据验证了该方案的有效性和易于推广性。

关键词:交通信息采集;连续波雷达;参数估计;支持向量机;雷达目标识别

中图分类号:TN959.1 文献标识码:A

文章编号: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

全球智能交通技术(ITS)在过去数年里取得了长足的发展,最典型案例之一是美国MSI公司开发的一种压电薄膜交通传感器[1],该传感器被用于检测车轴数、轴距、车速监控、车型分类、动态称重(WIM)等众多信息,但由于是电容式传感器,它不能检测静止在传感器上的车辆,只能检测动态信号,且内阻很高,在低频时信号衰减很大,容易受外界多种环境的影响。目前对交通信息的采集还可以通过视频图像处理的途径,动态跟踪目标,这种基于模型的目标提取方法能够有效识别车牌号[2],为超速超长车辆的检测和车牌号的识别提供了解决方案,但是对于车辆基本信息的获取(除车牌号识别以外)该方案需要提取多路视频信息,处理信息量大,其致命的缺点是不适应外界环境变化(如雨、雾、雪天气,黑夜或极端天气引起的摄像头振动等),总之,该方案不利于维护,可靠性差。

本方案以TMS320C6713B 处理器为核心,以LFMCW雷达参数估计理论和雷达高分辨距离像(HRRP)识别理论为基础,搭建了信号处理平台,能够完成目标距离、速度的精确测量、施工路段交通管理、特定条件下报警等任务,尤其是将支持向量机(SVM)算法用于车辆类型识别,并对该方法的可行性进行了分析。结合雷达收发天线等装置,该方案具有体积小,结构简单,处理数据量少,能检测静止目标,测量精度高的优点,且安装方便,几乎适应任意工作环境,使用寿命长,在设备的可靠性方面优于压电传感技术和视频图像处理技术。雷达的正向安装检测原理是本文的研究重点,系统设计和算法分析主要围绕雷达正向安装情形展开。

1 LFMCW雷达检测原理与算法分析

1.1 目标参数估计和HRRP识别关键问题

雷达正向安装时(即发射波束与车道平行,针对单个车辆),雷达距离分辨率为亚米级,能精确测量一条车道的车速、车道流量、车道占用率以及实现车辆分类统计、超速报警等功能。LFMCW雷达测距、测速原理是根据差拍信号的频谱特性,从频域得到目标的距离和速度信息。研究表明,目标加速度的影响表现在距离像主瓣的细微的伸缩变化,对距离像平移的影响可以忽略[3],因而在检测的瞬间把目标运动作为匀速运动处理。在特定姿态下,目标一维距离像可以表示为:

x(n)=∑Knk=1σnkexp[-j(4πλrnk+φnk)]

=∑Knk=1σnkexp(jφnk)

(1)

式中:Kn表示第n个距离单元内散射点的个数;rnk表示其中第k个散射点到雷达的距离;σnk和φnk分别表示第k个散射点子回波的振幅和初始相位;λ为雷达工作波长。雷达高分辨距离像(HRRP)识别的关键问题是:

(1) HRRP的目标姿态敏感性;

(2) HRRP平移敏感性;

(3) HRRP的强度敏感性。

由于本方案中雷达是固定安装,固定角度测量,波束窄,能够获取稳定可靠的距离像,加之基于中心矩的特征提取算法具有平移不变性,因而解决了问题(1)和(2)。问题(3)的解决方法是将距离像作强度归一化处理[3]。

1.2 基于中心矩的特征提取算法

设距离像{x(n),n=1,2…,N},N为距离单元数,对x(n)作如下归一化:

x(n)=x(n)∑Nn=1x(n)

(2)

距离像x的p阶中心矩μ(p)定义为[5]:

μ(p)=∑Nn=1(n-n0)px(n)

(3)

n0=∑Nn=1nx(n)

由于μ(1)≡0,取2～pmax阶中心矩生成(pmax-1)维特征向量f=[f(1),f(2),…,f(pmax-1)]T=[μ(2),μ(3),…,μ(pmax)]T,pmax为用于生成特征向量的中心矩的最高阶数,一般根据经验选取[4]。若把车辆分为c类,则总的训练数据库可表示为:

F=[f1,f2,…,fc]

式中:

fi=T,i=1,2,…,c

因为中心矩的幅度随阶次增加而急剧递增,各阶次在欧式空间中的权重不同,从而会影响分类准确性,为消除量纲影响,对F做如下极差变换[5]:

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

(4)

因此得到总归一化训练数据库:

F=[f1-,f2-,…,f-c]

计算总归一化训练数据库的总体样本协方差矩阵C,选取C的前n(n≤pmax-1)个最大特征值对应的特征向量u1,u2,…,un构成变换矩阵:

P=[u1,u2,…,un]

则训练数据中的特征向量由(pmax-1)维降为n维新的特征向量:

yi=PT•fi,i=1,2,…,c

(5)

因此降维后的归一化训练数据库为:

D-=[y1,y2,…,yc]

同理可以生成测试向量。该方法与距离像的平移无关,而且能够有效降低样本维数,适用于高信噪比或识别对象较简单情况[6]。由于HRRP具有一定的处理增益,即使时域SNR较低,目标成像后仍具有较高的SNR[7],因此该方法能够为车辆基本分类准确提取特征,简单可靠。

1.3 支持向量机(SVM)多分类方法

对于训练样本集(xi,yi),i=1,2,…,l,其中xi∈Rn为训练样本,yi∈{+1,-1}为样本xi的类标。为了提高SVM算法性能,C.Coters和V.Vapnik提出了下述优化问题:

minw,b,ξ12‖w‖2+C∑li=1ξi

Subject to yi≥1-ξi,

ξi≥0,i=1,2,…,l

式中:C为惩罚因子;xi由函数φ映射到高维空间。此时核函数定义为:

K(xi,xj)≡φ(xi)Tφ(xj)

本方案所选核函数为径向基核函数(RBF),因为RBF在样本统计特性未知和样本特征量少情形为首选函数。RBF定义为:

K(xi,xj)=exp(-γ‖xi-xj‖2),γ>0

SVM算法在高维数、小样本情况下具有测试精度高,泛化能力好的优点[8]。对于多分类问题,在实际应用中比较成熟的方法有one-vs-one 和 DAGSVM,两者性能均优于早期的one-vs-all[6]。特别是one-vs-one方法在鲁棒性和训练速度方面较one-vs-all有明显的改善。这里选取one-vs-one方法,根据c类汽车目标构建c(c-1)/2个2值分类器加以训练,再根据“投票”的方式对未知样本进行测试。根据车辆的外部形态特征,如长度、宽度、高度、凹凸性等进行简单分类,兼顾系统内存和处理能力,使系统性能达到最佳值。

1.4 雷达侧向安装检测原理

当侧向安装时雷达不能精确测量每一辆车的速度,只能根据预先定义的车长测量每一条车道的车速、车道流量、车道占用率、平均车速等参数。侧向安装时雷达分辨率为2 m,雷达把车辆当作点目标,而且必须事先测出波束照射区域的有效宽度,然后计算每条车道背景过门限时间,若超过扩展延时则认为有车辆通过,并记录车道号,最后统计每个车道参数。

图1表示差拍信号频域能量的检测原理,由于谱线间隔fs/N与距离分辨单元r是一一对应的,距离分辨力为2 m,而目标相对雷达的径向速度很低,因此可以手动或自动校正,使车道号对齐。当车道有静止目标时,若背景过门限时间超过了设定值,则系统会自动调整该车道检测阈值。

图1 差拍信号频域能量检测

2 采集系统设计

2.1 系统方案

系统要完成目标参数估计、车辆类型识别、产生线性调频信号和通过扩展接口与PC通信,且必须长期独立、持续工作。因此本方案所面临的技术难点是:复杂的数据结构和算法在有限资源上的实现;要保证系统实时性与稳定性;必须适应恶劣天气环境,抗干扰性能好;满足低成本且易于推广。

鉴于以上分析,本方案选取一片32位浮点DSP来实现核心算法,一片FPGA实现辅助运算和对系统的控制,保证了实时性和运算精度,一片MCU实现系统与PC间的数据通信。在雷达接收端,对混频后的差拍信号进行带通滤波处理,采用“一次相消”的方法消除杂波影响,对距离像特征进行维数压缩,减少系统内存开销。

2.2 系统硬件设计

采集系统包括五个功能单元:① 信号收发单元;② 数据采集单元;③ 数字信号处理单元(包括参数估计,车辆识别和VCO控制电压波形计算等);④ 数据通信单元;⑤ 电源及复位电路。系统的硬件框图如图2所示。

图2 采集系统硬件框图

在各单元的具体数据流向及芯片的选型介绍如下:

在发射端,VCO控制电压波形的计算由FPGA完成;在接收端,回波信号经过混频和带通滤波后送入12位单通道ADC(TLV2541),采样率设置为200 KSPS。

FPGA还要完成系统的控制和调度,控制A/D采样,利用DSP的CE2空间(32位数据低16位为有效数据)向DSP发送数据,通过DSP的EXT_INT4来触发一个EDMA通道,将新的数据缓冲(乒乓模式),每次传输1 002个数据(前两个为了补偿双口RAM流水,为无效数据,实际有效数据为1 000个),分辨率12位,高4位补0。DSP将序列值作差拍傅里叶处理,并根据雷达不同的安装方式作相关运算,DSP利用其CE3空间(32位数据中低8位为有效数据)向FPGA发送数据帧,DSP在CE3固定地址(400H)填写数据帧的个数,通知FPGA读取数据,以便通过MCU(AT89LS52)实现远程通信。

在通信单元,MCU有两个扩展接口,一个是USB接口,接口芯片为FT245R(支持USB 2.0 Full Speed);另一个是异步串口,接口芯片为ISL83488IB(RS 485标准)或 ICL3223EIA(RS 232标准)。

电源输入为18～36 V,经DC-DC模块变换为±12 V,供模拟集成运放使用。+12 V电压经DC-DC变换后分别降为3.3 V,1.5 V,1.2 V,给其他数字电路供电。

正向安装时雷达系统主要参数:中心频率为24 GHz(基于正、负调频的对称三角波),带宽为300 MHz,发射机输出功率为10 mW,距离分辨力为0.5 m,速度分辨力为1 m/s,测速精度为±0.3 m/s,采样率为200 KSPS,FFT点数为256点,最大作用距离为50 m。

2.3 系统软件设计

采集系统的软件可分为四个模块:DSP软件、FPGA软件、MCU软件、PC客户端软件和驱动。本文主要介绍DSP系统软件设计。

DSP系统程序流程图如图3所示。

图3 DSP系统程序流程图

DSP上电自举后,开始初始化CPU片上资源和板上资源,当系统进入数据通信阶段,DSP通过FPGA和MCU与PC端进行数据交换,DSP首先将初始设备号和模拟通道增益值返回至PC端,通过操作软件显示给用户,用户可以设置安装方式、车道数、扩展延时、速度校验值、背景阀值、车辆分类等。当首次接收到FPGA发送过来的数据时,DSP会根据用户需要或环境变化来重新获取检测阈值,当背景能量超过检测门限时,系统进入正向或侧向检测模式。

3 实验结果

雷达发射信号的一个正或负调制周期为3 ms,对每一类车辆取100次回波的距离像训练为模板库,取20～50次回波距离像进行测试。

表1给出了雷达在侧向和正向安装方式下的检测精度情况。可以看出,侧向安装时系统不能精确测速,而对于正向安装情形,系统统计单车道的车速、车型等参数时检测精度高,具有一定可靠性和实用性。

表1 雷达检测精度表

检测项目正确率 /%范围

单车道实时检测98-

单车道占用率(侧向安装)970~100%

单车道流量(侧向安装)980~200辆/min

单车道平均车速(侧向安装)850~250 km/h

车速(正向安装)970~250 km/h

车辆类型识别(正向安装)802~8类

检测时间分辨率-6~150 ms

支持向量机(SVM)算法用于车辆类型识别,在小样本情况下测试精度高,易于推广,对于外部形态有变化的车辆(如货车载货)不能准确提取特征,因而对预测结果会产生一定影响。但是对于车辆更具体的信息的获取,该方法具有更大的实用价值。

参考文献

[1]徐红星,骆英,柳祖亭.PVDF压电薄膜的应用进展[J].江苏理工大学学报:自然科学版,1999,20(5):88-91.

[2]何志伟.基于模型的目标提取及其在智能交通中的应用[D].杭州:浙江大学,2006.

[3]杜雨洺.近程小扇区LFMCW雷达信号处理研究[D].成都:电子科技大学,2006.

[4]袁莉.基于高分辨距离像的雷达目标识别方法研究[D].西安:西安电子科技大学,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]陈家军,王东进,陈卫东.LFMCW雷达目标运动补偿新方法[J].现代雷达,2006,28(7):37-40.

[8]王晓丹,王积勤.基于SVM的雷达目标高分辨距离像识别研究[J].信号处理,2006,19(Z1):228-231.

[9]廖东平.支持向量机方法及其在机载毫米波雷达目标识别中的应用研究[D].长沙:国防科学技术大学,2006.

[10]衣加望,侯慧林.智能交通雷达检测器:远程交通微波传感器(RTMS)[J].航空军转民技术与产品,1999(6):13-14.

作者简介 高天德 男,1970年出生,四川德阳人,通信与信息工程学科博士,西北工业大学副教授。主要从事高速信号处理和虚拟仪器测试测量技术研究工作。

周 尧 男,1984年出生,信号处理专业硕士研究生。