[发明专利]一种基于调频连续波雷达的运动目标检测方法及系统

说明书

技术领域

本发明涉及目标检测领域，具体涉及一种基于调频连续波雷达的运动目标检测方法及系统。

背景技术

在雷达车辆目标检测领域，最常见的是采用调频连续波雷达体制，这是因为调频连续波雷达通过周期性的发射调频连续波并对目标反射的回波信号进行差频处理，既能检测运动目标的速度，又能得到目标和雷达之间的距离，主要优点包括：发射功率较低，接收机灵敏度较高；距离分辨率较高；成本低，结构简单，可携带。

一般来说，在城市交通监测系统中，雷达检测设备安置在各个交通路口或者主要干道上。调频连续波雷达由于成本和标准产品的原因，发射功率有限，检测距离在百米量级。目前用于调频连续波雷达的回波数据处理方法，主要是频谱配对法、小波变换法等，涉及傅里叶变换、数据插值、阈值估计等处理，一般是对比正负调频段回波数据的傅里叶变化结果进行分析并判断是否来自同一目标。但是在复杂城区环境下，检测场景中往往存在建筑物、行人等各种杂波及噪声的影响，尤其是路旁的树木有风吹动时，树叶的无规则运动在频谱中形成杂乱的谱峰。上述方法无法在这样分布无规律频谱图中区分出运动目标的频谱，因此必须设计相应的算法消除风吹树叶扰动的影响。例如，某测量系统采用恒虚警检测(Constant False Alarm Rate，CFAR)的方法对差频信号进行处理(见A.Gromek,R.Rytel-Andrianik,P.Samczyński,Detection and tracking experiments with a fixed FMCW radar in an urban scenario[J],15th International Radar Symposium,2014,pp：1-5.)，在设定的阈值下，该方法消除了固定目标的频谱和一部分杂波，但是位于运动目标附近的杂波依然无法消除。因此，复杂场景中上述传统检测方法无法使用，必须研究专门的杂波抑制算法提取运动目标参数。

目前，除了CFAR之外，大部分的杂波抑制的算法都是基于子空间分解的理论，将雷达的接收信号投影到与杂波子空间正交的子空间，从而实现杂波抑制。但是，由于无法准确得到正交子空间的维数，很难有效去除复杂环境下的杂波，尤其无法消除风吹树叶扰动的干扰。总之，现有研究中几乎没有有效的方法解决雷达车辆目标检测中去除风吹树叶扰动的问题。

发明内容

为了解决上述问题，本发明提供了一种基于调频连续波雷达的运动目标检测方法及系统。本发明提供的一种基于调频连续波雷达的运动目标检测方法及系统，利用调频连续波雷达对运动车辆目标进行检测的方法，更为具体地是适用于存在随风无规则摆动的树叶干扰的场景中，对回波数据进行处理并估计运动车辆速度和距离的检测方法。

本发明采用的技术方案如下：

一种基于调频连续波雷达的运动目标检测方法，包括如下步骤：

获取由调频连续波雷达连续扫描多次得到的检测范围内运动目标的前景数据Ⅰ以及背景数据Ⅰ所构成的差频后的调频段回波信号频率数据；

利用傅里叶变换得到差频后的调频段回波信号频率数据对应的频谱数据；

基于回波频谱数据建立高斯混合模型，将所述频谱数据中与其对应的前景数据Ⅱ与背景数据Ⅱ进行分离；

基于所述前景数据Ⅱ利用霍夫变换得到运动目标的运动速度与运动方向数据。

上述的一种基于调频连续波雷达的运动目标检测方法，其中，所述基于回波频谱数据建立高斯混合模型包括：

根据所述频谱数据，针对每一个频率为j Hz的频点数据建立一个高斯混合模型，去除重复出现的高斯混合模型后，获得K个高斯混合模型。

上述的一种基于调频连续波雷达的运动目标检测方法，其中，所述将所述频谱数据中与其对应的前景数据Ⅱ与背景数据Ⅱ进行分离包括：

每一个频率为j Hz的频点在其对应周期内的幅度值g_j出现的概率为：

其中，w_k，j表示第k个高斯混合模型中频率为j Hz的频点的权重，表示高斯概率密度函数，μ_k，j表示g_j的均值，表示g_j的方差；

从K个高斯混合模型中选取B个高斯混合模型满足以下条件作为背景数据Ⅱ对应的分布：

其中，Td为设定的阈值。

上述的一种基于调频连续波雷达的运动目标检测方法，其中，所述基于回波频谱数据建立高斯混合模型，将所述频谱数据中与其对应的前景数据Ⅱ与背景数据Ⅱ进行分离还包括高斯混合模型更新，所述高斯混合模型更新包括：