基于等分剔除的毫米波雷达恒虚警检测研究

符阳懿冯永新钱 博

(沈阳理工大学信息科学与工程学院，沈阳 110159)

近年来，毫米波雷达已被广泛应用于汽车自动驾驶[1]、交通管制[2]、避障预警[3]等技术中，随着使用范围的扩大，目标检测环境更加复杂。 恒虚警(constant false alarm rate，CFAR)[4]检测技术作为毫米波雷达目标检测的关键技术，对于目标检测性能起到决定性作用，是决定毫米波雷达能否准确及时地检测出目标的重要因素，也是后续一切规划和决策的基础。

CFAR 检测方法主要包括两大类，分别为均值(ML)类恒虚警检测和有序统计(OS)类恒虚警检测。 均值类恒虚警主要包括单元平均恒虚警(CACFAR)[5]、最小选择恒虚警(SO-CFAR)[6]与最大选择恒虚警(GO-CFAR)[7]，核心思想是利用待测单元附近的临近单元，即参考单元求出均值作为背景杂波的功率估值；基本的有序统计类CFAR 算法包括有序统计恒虚警(OS-CFAR)[8]、筛选平均恒虚警(CMLD-CFAR)[9－10]、剔除平均恒虚警(TMCFAR)[11]等，有序统计类恒虚警是将参考单元进行排序后进行处理。 一般来说，均值类恒虚警检测在均匀的单目标环境下具有极佳的检测性能，但是当有多个目标出现时，CA-CFAR 和GO-CFAR 的检测性能会迅速下降，出现目标遮蔽效应，有序类恒虚警检测相较于部分均值类恒虚警检测而言，在一定程度上提高了多目标环境下的检测性能。

CFAR 检测的参考单元的划分是根据雷达的工作模式和需要检测的目标类型来确定的，参考单元的划分通常是固定距离范围内的一个小区域，比如1 m 或者0.1 m，具体取决于雷达所采用的工作模式和数据处理方法，参考单元的数据通常是雷达返回信号的强度。 在毫米波雷达目标检测过程中，在选择参考单元时，还要考虑功率泄漏情况，要待检测目标所在单元和参考单元之间留有保护单位，为防止漏检，保护单元的大小需要根据目标大小等因素来确定。 在实际应用场景中，当同时存在两个或者两个以上的目标，且一个目标位于待检测单元，而其余一个或者多个目标落在参考单元内时，会出现目标遮蔽现象[12]。 假设参考单元内的目标回波功率大于周围杂波和噪声的功率，目标回波功率的存在会提高噪声水平的估计值，CFAR 的检测门限会提高，待检测目标被遮蔽，这是因为检测门限值提高导致检测概率降低，大大增加了丢失目标的可能性[13]。

为解决传统均值类恒虚警检测在相邻多目标情况下会提高检测门限值，从而导致目标遮蔽问题，且实现多目标环境下参考单元损失数量相同时相较于CMLD-CFAR 算法提高检测性能，本文提出一种基于车载毫米波雷达多目标检测的等分剔除恒虚警(equipartition deletion CFAR，EDCFAR)检测算法，通过对参考单元做等分处理取平均值后与所有参考单元平均值进行比较，引入门限调节系数P(P≤1)，对大于参考单元平均值的部分与系数P相乘，排序后剔除掉部分最大子参考单元后的数据进行处理后得到门限值，检测目标是否存在，消除均值类恒虚警检测过程中出现的目标遮蔽现象，提高目标检测性能[14]。

1 CMLD-CFAR 特性分析

在多目标环境下，CMLD-CFAR 相比于部分传统均值类CFAR 较为有效地解决了目标遮蔽问题[15]，具有更好的检测性能。 CMLD-CFAR 的原理框图如图1 所示。

图1 CMLD-CFAR 检测原理框图Fig.1 CMLD-CFAR schematic diagram

CMLD-CFAR 检测器对两侧2n个参考单元的数据Xi(i＝1，2，…，n)和Yi(i＝1，2，…，n)全部一起排序，排序后的结果记为Ui(i＝1，2，…，2n)，再删除r个较大参考单元，剩余2n－r个参考单元，对剩余的所有参考单元求和取平均值Z作为检测器对杂波功率水平的估计，再与门限因子相乘得到检测门限T[16]，将待检测单元与检测门限进行比较，判断是否存在目标。 CMLDCFAR 的杂波功率水平的估计Z为

检测门限T为

比较器用来将接收到的雷达信号与设定的门限值进行比较，判断是否存在目标，如式(3)所示。

待检测单元的信号幅度为A，若A大于T，则目标存在，记为H1，否则目标不存在，记为H0。 但CMLD-CFAR 通过删除部分较大参考单元来调整门限值，如果消除的参考单元数量较多，就可能丢失需要检测的目标信息，无法进行有效的检测。ED-CFAR 在删除较大参考单元的数量调整检测门限的基础上，引入门限调节系数P降低较大子参考单元对门限值的影响，能够保证参考单元损失较小同时减少丢失目标的可能，提高目标检测性能。

2 ED-CFAR 算法原理

通过上文分析可知，在多目标环境下，均值类恒虚警会受到参考单元内的目标影响，导致检测性能下降。 本文基于CMLD-CFAR 和CA-CFAR的处理过程，提出ED-CFAR 算法，既可以通过消除目标两侧的参考单元的个数对后续噪声功率级估计值的影响，还可以通过减小目标频谱单元进行目标有效检测。 算法原理框图如图2 所示。

图2 ED-CFAR 检测原理框图Fig.2 ED-CFAR schematic diagram

由图2 可见，将待检测单元A两侧参考单元进行二等分处理，得到子参考单元Z1，Z2，…，Zn/2和分别为

所有参考单元的平均值为

若子参考单元的平均值Zi或大于噪声功率估计值Zmean，为了降低较大参考单元影响门限值的计算，则将相应的子参考单元的平均值与系数P相乘；否则保留原值。

由ED-CFAR 算法示意图可知，得到的噪声功率的估计值为

Zi＿L(i＝1，2，…，n)和Zi＿R(i＝1，2，…，n)分别为待检测目标左侧和右侧处理后的子参考单元，通过式(7)和式(8)在参考单元损失很小的基础上降低了较大子参考单元对门限值的影响。 由图2 可知，对所有子参考单元进行排序，排序后的结果记为Ui(i＝1，2，…，n)，筛除r个较大的子参考单元样本，剩余n－r个子参考单元求和取平均值后的结果即为待检测单元A两侧参考单元得到的新的噪声功率的估计值Z，如式(9)所示。

通过式(9)减小了较大参考单元对门限值影响，如果r过大，可能会丢失需要检测的目标信息。 因此，r取值不能过大。 最后将得到的新的噪声功率估计值Z与门限因子α相乘得到新的判决门限T。

得出ED-CFAR 虚警率为

其中

ED-CFAR 检测概率通过将式(11)中的α用α/(1 ＋λ)代替即可，λ是信号与杂噪平均功率的比值。 通过式(3)判断是否存在目标。

3 仿真验证及结果分析

3.1 软件仿真测试

为了验证本文算法的有效性，在Matlab 软件环境下进行仿真验证，实验背景为均匀的高斯杂波环境，总距离为10 m，每个距离单元为5 cm，共200 个距离单元。 待检单元左右两边的保护单元和参考单元数目分别为2 和12，虚警概率Pfa＝10－4，目标的位置和信号幅度如表1 所示。

表1 目标基本信息Table 1 Target basic information

选取不同P值、r值后的仿真结果如图3 所示。 由于ED-CFAR 删除部分参考单元，因此会产生一定的损失，当参考单元总数保持不变时，r越大，消除的子参考单元数量越多，如果过多消除目标参考单元，就可能丢失需要检测的目标信息，无法进行有效的检测。 在图3 的多目标背景环境下，图3(c)中当P＝0.9，r＝1 时，所有目标都可以被检测到，ED-CFAR 参考单元的损失较小。

图3 多目标情况下不同取值的ED-CFAR 检测Fig.3 ED-CFAR detection with different values under multiple targets

当其他条件相同时，单目标环境下的CFAR检测性能高于多目标环境下的CFAR 检测性能。当r＝1、P不同时的ED-CFAR 检测性能如图4 所示，横坐标为信噪比(SNR)，是信号与噪声之间的比值，用于描述信号的强度与背景噪声水平之间的关系。

图4 r ＝1，P 不同情况下ED-CFAR 检测性能对比Fig.4 ED-CFAR detection performance under different P-values with r ＝1

在多目标环境下，r＝1、SNR 为10 dB，P＝0.9 时检测概率为0.36，P＝0.8 时检测概率为0.47，P＝0.7 时检测概率为0.51。 在多目标环境下，r相同时，P值越小，检测概率越高，目标检测性能越好。

检测概率为0.5 时，P＝0.9 单目标的SNR 损失记为0 dB，P＝0.9 多目标的SNR 损失为2.93 dB，P＝0.8 多目标的SNR 损失为2.44 dB，P＝0.7 多目标的SNR 损失为1.97 dB。 在多目标环境下，P值越小，ED-CFAR 的SNR 损失越小，目标检测的性能越好。

当P＝0.9 时，设置r＝1、r＝2、r＝3、r＝4 四种情况，此时ED-CFAR 算法的仿真结果如图5 所示。

图5 P ＝0.9，r 不同情况下ED-CFAR 检测性能对比Fig.5 ED-CFAR detection performance under different r-values with P ＝0.9

在多目标环境下，P＝0.9，SNR 为10 dB，r＝3 时检测概率为0.49，r＝2 时检测概率为0.41，r＝1时检测概率为0.39，r＝0 时检测概率为0.38。 在多目标环境下，P相同时，r值越大，剔除参考单元数量越多，检测概率越高，目标检测性能越好。

检测概率为0.5 时，r＝0 单目标的SNR 损失记为0 dB，r＝3 多目标的SNR 损失为1.04 dB，r＝2多目标的SNR 损失为1.45 dB，r＝1 多目标的SNR 损失为1.57 dB，r＝0 多目标的SNR 损失为1.69 dB。 在多目标环境下，P值越小，EDCFAR 的SNR 损失越小，目标检测的性能越好。

下文3.2 中实测数据集的双目标仿真背景为均匀的高斯杂波环境，总距离为10 m，每个距离单元为5 cm，共200 个距离单元，目标1 位于雷达第74 个距离单元，距离雷达为3.2 m，目标2 位于雷达第82 个距离单元，距离雷达约为3.74 m。 在上述仿真场景下对ED-CFAR(P＝0.8)、CMLDCFAR 和CA-CFAR 三种CFAR 检测算法进行仿真实验，结果如图6 所示。

图6 多目标情况下三种CFAR 仿真结果Fig.6 Three CFAR simulation results for multiple targets

图6 中ED-CFAR、 CMLD-CFAR 和CACFAR 的门限值如表2 所示。

表2 不同CFAR 的门限值Table 2 Different CFAR thresholds

由图6 和表2 可知:在多目标环境下，CACFAR 第1 个目标提高了干扰功率的估计值，其他目标无法被检测到，产生目标遮蔽现象；CMLDCFAR 能检测到的目标数量较CA-CFAR 有明显提高；ED-CFAR 可以检测出所有目标，能够解决在多目标环境下的目标遮蔽问题。 在图6 的多目标场景下，三种CFAR 的检测概率如图7 所示。

图7 多目标情况下三种CFAR 的检测概率Fig.7 Detection probabilities of three kinds of CFAR for multiple targets

在多目标环境下，当SNR 为10 dB 时，CACFAR 检测概率最低为0.21；CMLD-CFAR 的检测概率0.52；ED-CFAR 的检测概率为0.6，比CA-CFAR 检测概率提高0.39，比CMLD-CFAR的检测概率提高0.08。 在多目标环境下CACFAR 的检测性能最低，ED-CFAR 的目标检测性能高于CMLD-CFAR 检测器。

3.2 实测数据集性能测试

本文采用线性调频连续波(FMCW)毫米波雷达采集到的实测数据集来验证CFAR 算法的有效性。 毫米波传感器模块是基于TI 公司的毫米波雷达IWR6843ISK，采用MMWAVE-STUDIO环境和DCA1000 实时数据捕获适配器的相关资源，便于雷达原始数据采集存储，通过Matlab 工具对接收到的数据信息进行数字解调，进行CFAR 算法分析。

在多目标背景下，现代雷达工作环境中的典型情况是双目标背景环境。 针对仿真分析中的目标遮蔽问题，采用TI 毫米波雷达IWR6843ISK 的室内人员检测的数据集，该数据集采集到两个目标，目标和雷达的距离与图6 仿真的双目标背景环境相同，如图8 所示。 目标1 距离雷达水平位置约为0.8 m，纵向距离约为3.1 m，距离雷达为3.2 m；目标2 距离雷达水平位置约为－1.1 m，纵向距离约为3.6 m，距离雷达约为3.74 m。 两个目标相距1.9 m。

图8 IWR6843ISK 的室内人员检测Fig.8 Indoor person detection for IWR6843ISK

针对车载毫米波雷达目标检测过程中CFAR在相邻较多目标情况下发生的遮蔽现象，使用均值类CFAR 算法、CMLD-CFAR 算法和ED-CFAR算法分别对数据集进行验证，设置左右两边的保护单元和参考单元数目分别为2 和12，虚警概率Pfa＝10－4，结果如图9 所示。

图9 多目标场景下不同CFAR 算法检测结果Fig.9 Different CFAR results for multiple targets

不同CFAR 的门限值如表3 所示。

表3 不同CFAR 的门限值Table 3 Different CFAR thresholds

由表3 与表2 可知:相同信号幅度的双目标仿真场景下的门限值误差均在4 dB 以内；三种传统均值类恒虚警算法产生遮蔽现象，目标未被检测到；CMLD-CFAR 可以检测到目标2，但目标1未被检测到；ED-CFAR 成功检测两个目标，解决了目标遮蔽问题。 在实际多目标环境下，EDCFAR 解决目标遮蔽的效果优于传统均值类恒虚警算法和CMLD-CFAR 算法。

4 结论

针对毫米波雷达采用传统CFAR 检测算法在多目标环境下存在漏检、目标遮蔽的问题，本文提出一种在多目标环境下改进的等分剔除恒虚警检测算法ED-CFAR。 通过实验分析，该算法能正确检测出多个相邻目标，有效解决了常见的CFAR检测器的漏检、目标遮蔽的问题，能够适用于多目标的准确检测。 未来将研究ED-CFAR 在杂波边缘环境下的检测性能。