劉貴如，王陸林，汪 軍，強(qiáng) 俊，鄒 姍

?

非均勻噪聲環(huán)境下的滑窗式恒虛警檢測(cè)器

劉貴如1，王陸林2，汪 軍1，強(qiáng) 俊1，鄒 姍1

（1. 安徽工程大學(xué) 計(jì)算機(jī)與信息學(xué)院，安徽 蕪湖 241000；2. 奇瑞汽車股份有限公司 前瞻技術(shù)研究院，安徽 蕪湖 241006）

為了解決傳統(tǒng)目標(biāo)檢測(cè)算法在非均勻噪聲環(huán)境下檢測(cè)性能嚴(yán)重下降的問題，提出了一種自由滑窗式恒虛警檢測(cè)算法，在被檢測(cè)單元兩側(cè)各?。?個(gè)參考單元作為初始自由參考窗，然后從左向右依次滑動(dòng)次，得到個(gè)滑窗，根據(jù)滑窗噪聲功率的平均值與被檢測(cè)參考單元功率值的比較結(jié)果，選擇相應(yīng)的滑窗噪聲功率平均值集合取均值，再乘以參數(shù)因子得到比較門限閾值，根據(jù)被檢測(cè)單元的功率與進(jìn)行比較，確定是否為有效目標(biāo)。經(jīng)過與其他算法進(jìn)行仿真對(duì)比，該算法具有最優(yōu)的檢測(cè)性能，檢測(cè)率98.93%，誤檢率2.28%，并成功應(yīng)用于車輛開門預(yù)警系統(tǒng)，經(jīng)測(cè)試，預(yù)警率大于98.10%，虛警率小于2.80%。結(jié)果表明，該算法提高了非均勻噪聲環(huán)境下目標(biāo)的檢測(cè)概率，具有良好的檢測(cè)性能。

信號(hào)處理；滑窗式恒虛警；目標(biāo)檢測(cè)

0 引言

在基于雷達(dá)的實(shí)際應(yīng)用場(chǎng)景中，尤其是車輛主動(dòng)安全系統(tǒng)，車輛在道路上運(yùn)行，車輛本身的抖動(dòng)、道路兩邊的路牌、欄桿、草木、路面以及行人車輛等均會(huì)產(chǎn)生回波以及干擾雜波。而且雜波功率會(huì)隨著場(chǎng)景的變化而變化[1]。如何采用有效的濾波算法以及目標(biāo)檢測(cè)算法對(duì)有效的目標(biāo)車輛進(jìn)行檢測(cè)，濾除干擾目標(biāo)，是車載雷達(dá)算法的關(guān)鍵[2-3]。有關(guān)雷達(dá)算法在軍用領(lǐng)域研究的比較多，而針對(duì)車載雷達(dá)領(lǐng)域近年來隨著車輛主動(dòng)安全技術(shù)的快速普及以及智能車熱，國(guó)內(nèi)外很多企業(yè)和高校均投入人力，物力開始從事這方面的研發(fā)。恒虛警技術(shù)是雷達(dá)目標(biāo)檢測(cè)常采用的技術(shù)，常用的有單元平均恒虛警方法（cell averaging- constant false alarm rate, CA-CFAR）[4]、有序統(tǒng)計(jì)恒虛警方法（order statistic-constant false alarm rate, OS-CFAR）[5]、自動(dòng)刪除單元平均恒虛警檢測(cè)算法（automatic censored cell averaging -constant false alarm rate, ACCA-CFAR）[6-7]等，各算法的區(qū)別就在于設(shè)定檢測(cè)門限閾值的方法。在實(shí)際的目標(biāo)檢測(cè)中，由于復(fù)雜的雜波背景以及各種環(huán)境背景噪聲的影響，傳統(tǒng)恒虛警檢測(cè)算法有時(shí)無法滿足實(shí)際應(yīng)用需求，尤其是針對(duì)遠(yuǎn)目標(biāo)或者被遮擋的目標(biāo)，檢測(cè)性能明顯下降，如果能夠充分利用目標(biāo)回波信號(hào)單元間的信號(hào)連續(xù)性以及能量積累，同時(shí)在背景噪聲功率估計(jì)時(shí)，選擇合適的參考單元集，既可以提高算法的目標(biāo)檢測(cè)性能，還可以有效降低虛警率[8]。

本文針對(duì)ACCA-CFAR算法進(jìn)行了改進(jìn)，引入了滑窗，提出了一種滑窗式恒虛警（Sliding Window-Constant False Alarm Rate，SW-CFAR）目標(biāo)檢測(cè)算法，通過滑窗參考單元背景噪聲功率均值替代單個(gè)參考單元與被檢測(cè)參考單元功率值進(jìn)行比較，判斷被檢測(cè)單元所處的背景噪聲環(huán)境，并通過比較選擇合適的滑窗功率均值單元集，估計(jì)檢測(cè)功率門限，提高檢測(cè)性能的同時(shí)，還能夠有效降低虛警率。不僅能很好地保持恒虛警率，而且可以提高在目標(biāo)遮蔽和雜波邊緣效應(yīng)下的目標(biāo)檢測(cè)率。

1 SW-CFAR檢測(cè)算法

1.1 算法實(shí)現(xiàn)過程

SW-CFAR檢測(cè)算法實(shí)現(xiàn)過程見圖1，其中X（＝1,…,）為輸入信號(hào)；X為被檢測(cè)的單元；x－為參考單元，其中?[－2＋,＋]，（＝0, 1,…,－1）；自由滑窗長(zhǎng)度＝；Z為第（＝0, 1,…,－1）個(gè)滑窗；為通過CFAR處理后的雜波功率水平估計(jì)；是標(biāo)稱化因子；為提供給比較單元做比較的閾值，判斷目標(biāo)的有無。取輸入信號(hào)X（＝1,…,）序列中其中一單元X作為被檢測(cè)單元，以此檢測(cè)單元為中心，再以X左右側(cè)各－1個(gè)單元作為初始的自由參考窗體，窗體的長(zhǎng)度固定＝，窗體從左向右逐個(gè)單元滑動(dòng)（保持窗體長(zhǎng)度不變），一直滑移到最右邊的－1個(gè)單元，總共滑移次，獲得個(gè)滑窗，計(jì)算出每個(gè)滑窗的平均值，將這一平均值和被檢測(cè)單元X做比較，假設(shè)小于X且大于0的窗體個(gè)數(shù)，大于0的窗體個(gè)數(shù)￠；如果大于/2則計(jì)算出這些窗體的平均值作為自由滑窗的最終幅度值，否則計(jì)算出所有滑窗的平均值作為自由滑窗的最終幅值。將滑窗的最終幅度值和標(biāo)稱因子做乘法運(yùn)算，得到判決閾值，最后將被檢測(cè)單元X與閾值做比較，若X＞表示有目標(biāo)，否則無目標(biāo)。

1.2 算法實(shí)施步驟

該算法不僅能很好地保持恒定的虛警率，而且可以提高在目標(biāo)遮蔽和雜波邊緣效應(yīng)下的目標(biāo)檢測(cè)概率。算法實(shí)施步驟如下：

步驟1：取輸入信號(hào)X（＝1,…,）的X檢測(cè)單元（從1單元開始），確定左右－1個(gè)參考單元作為滑窗參考單元，自由滑窗的長(zhǎng)度＝。

步驟2：分別計(jì)算各滑窗的平均值，根據(jù)如下公式計(jì)算：

式中：?[－2＋,＋]，（＝0, 1,…,－1）。

步驟3：將X與Z（＝0, 1,…,－1）單元進(jìn)行比較，以被檢測(cè)單元的樣本值為門限，滑窗序列中高于此門限的窗體歸為一組，而低于該門限的窗體歸為另一組。如果較低幅度值的那個(gè)組包含的窗體數(shù)（不包括窗體幅度值為0的窗體）超過/2，則以低于門限的那一組窗體（不包括窗體幅度值為0的窗體）來進(jìn)行單元平均處理。如果較低幅度值的那個(gè)組的窗體數(shù)（不包括窗體幅度值為0的窗體）小于/2，則滑窗內(nèi)全部窗體（不包括窗體幅度值為0的窗體）用來進(jìn)行單元平均處理。形式可表示如下：取Z中所有小于X的個(gè)數(shù)，如果大于/2時(shí)，則：

圖1 滑窗式恒虛警目標(biāo)檢測(cè)算法

Fig.1 SW-CFAR target detection algorithm

式中：為滿足Z＞0且Z＜X的窗體個(gè)數(shù)，如果小于/2時(shí)，則：

式中：￠為滿足Z＞0的窗體個(gè)數(shù)。

步驟4：檢測(cè)概率與標(biāo)稱化因子的關(guān)系為：

d＝[1＋/(1＋)]－(4)

式中：是平均功率與噪聲功率的比值，當(dāng)＝0時(shí)，標(biāo)稱化因子的計(jì)算公式為：

＝(d)－1/－1 (5)

步驟5：根據(jù)確定后的標(biāo)稱的因子送入乘法器單元，計(jì)算出檢測(cè)門限閾值計(jì)算公式為：

＝×(6)

步驟6：將X與值送入比較器單元進(jìn)行比較，如果被檢測(cè)值X＞閾值，假設(shè)1表示有目標(biāo)，0表示無目標(biāo)，目標(biāo)有無判斷方法如下：

X＞1；X≤0(7)

步驟7：值加1，并重復(fù)步驟1～步驟6，確定值達(dá)到結(jié)束整個(gè)過程。

該算法在目標(biāo)遮蔽和雜波邊緣干擾環(huán)境下，均表現(xiàn)出良好的檢測(cè)性能。

2 仿真與分析

2.1 算法仿真

從車輛開門預(yù)警系統(tǒng)實(shí)際應(yīng)用場(chǎng)景中采集的大量信號(hào)中抽取812個(gè)樣本，以樣本為各算法的輸入，在Matlab環(huán)境下對(duì)各典型檢測(cè)算法在時(shí)間和空間資源消耗、檢測(cè)概率和誤檢概率等幾個(gè)方面進(jìn)行仿真對(duì)比分析，各檢測(cè)算法仿真結(jié)果見表1，OS-CFAR（order statistic-constant false alarm rate）[8]、ML-CFAR（mean level-constant false alarm rate）[9]、LR-CFAR（large small-constant false alarm rate）[10]算法的時(shí)間復(fù)雜度()和空間復(fù)雜度()相同，均小于SW-CFAR算法，這3種算法雖然對(duì)邊緣雜波干擾或者瞬間干擾有很好的抑制效果，但是對(duì)連續(xù)的非均勻背景噪聲，檢測(cè)性能不佳，檢測(cè)概率（Detection rate，DR）偏低，小于90.00%，誤檢概率（False detection rate，F(xiàn)DR）偏高，大于9.00%。CA-CFAR[11]檢測(cè)算法相對(duì)穩(wěn)定，誤檢率小于5.00%，檢測(cè)率大于90.00%。改進(jìn)的SW-CFAR檢測(cè)算法在各算法優(yōu)點(diǎn)的基礎(chǔ)上進(jìn)行了改進(jìn)，不僅對(duì)均勻雜波，而且對(duì)邊緣雜波干擾和瞬間干擾均有很好的抑制效果，誤檢率最低（2.28%），檢測(cè)率最高（98.93%），實(shí)用性最好。雖然資源消耗較大，但是對(duì)目前高性能、大存儲(chǔ)空間的嵌入式系統(tǒng)來說，無明顯劣勢(shì)。

2.2 結(jié)果對(duì)比分析

為了對(duì)比分析各算法的檢測(cè)性能，分別對(duì)各目標(biāo)檢測(cè)算法的仿真結(jié)果進(jìn)行比較，見圖2。

由圖2可知，在信噪比大于0dB，小于20dB即中間區(qū)域各檢測(cè)算法的檢測(cè)性能差異較大，而在信噪比小于0dB，大于20dB的區(qū)域，檢測(cè)性能差異較小。在車輛開門預(yù)警實(shí)際應(yīng)用場(chǎng)景中，大多數(shù)目標(biāo)的回波信號(hào)信噪比處于中間區(qū)域。SW-CFAR檢測(cè)算法優(yōu)于其他4個(gè)典型檢測(cè)算法約6dB的信噪比增益，當(dāng)信噪比為10dB時(shí)，檢測(cè)率仍大于98.00%，而其余各算法檢測(cè)概率均小于95.00%。

圖3為SW-CFAR檢測(cè)算法經(jīng)過Matlab仿真后得到的一段噪聲平均功率門限曲線。從圖3中可以看出，該曲線能夠很好地?cái)M合噪聲功率的變化，隨噪聲功率的變化而做出相應(yīng)的調(diào)整，實(shí)現(xiàn)恒虛警概率的保持。仿真結(jié)果表明：該算法具有較好的平均噪聲功率門限閾值的估計(jì)性能。

表1 各檢測(cè)算法仿真結(jié)果對(duì)比

圖2 各檢測(cè)算法檢測(cè)性能比較

Fig.2 Detection performance contrast

圖3 SW-CFAR檢測(cè)算法仿真結(jié)果

3 場(chǎng)景測(cè)試與分析

3.1 場(chǎng)景測(cè)試

采用SW-CFAR檢測(cè)算法實(shí)現(xiàn)的車輛開門預(yù)警系統(tǒng)進(jìn)行了場(chǎng)地測(cè)試和實(shí)際場(chǎng)景測(cè)試。以電動(dòng)自行車（包括自行車）、摩托車和四輪以上機(jī)動(dòng)車等3類典型接近目標(biāo)，設(shè)定了危險(xiǎn)報(bào)警區(qū)域見圖4。該報(bào)警區(qū)域在前期開門預(yù)警系統(tǒng)測(cè)試的基礎(chǔ)上根據(jù)客戶體驗(yàn)及要求，增加了報(bào)警區(qū)域的縱向距離。同時(shí)也將雷達(dá)的安裝位置由左側(cè)改為中間位置，根據(jù)系統(tǒng)實(shí)際應(yīng)用場(chǎng)景，兩側(cè)可以兼顧，安裝位置見圖5。針對(duì)電動(dòng)自行車，雷達(dá)安裝位置左右向外橫向2.5m，向后縱向12.0m的區(qū)域?yàn)槲ｋU(xiǎn)報(bào)警區(qū)域，見報(bào)警區(qū)域一；針對(duì)摩托車，雷達(dá)安裝位置左右向外橫向2.5m，向后縱向17.0m的區(qū)域?yàn)槲ｋU(xiǎn)報(bào)警區(qū)域，見報(bào)警區(qū)域二；針對(duì)四輪以上機(jī)動(dòng)車，雷達(dá)安裝位置左右向外橫向3.0m，向后縱向22.0m的區(qū)域?yàn)槲ｋU(xiǎn)報(bào)警區(qū)域，見報(bào)警區(qū)域三。針對(duì)各個(gè)典型接近車輛在實(shí)際工況下設(shè)定了若干測(cè)試點(diǎn)，測(cè)試場(chǎng)景見圖6。

圖4 標(biāo)定的系統(tǒng)探測(cè)區(qū)域

圖5 雷達(dá)控制器的安裝

圖6 針對(duì)各典型接近目標(biāo)的車輛開門預(yù)警測(cè)試場(chǎng)景

當(dāng)目標(biāo)進(jìn)入報(bào)警區(qū)域后，系統(tǒng)首先通過安裝在車內(nèi)門把手位置的LED警示燈對(duì)駕乘人員進(jìn)行一級(jí)報(bào)警提醒。當(dāng)駕乘人員撥動(dòng)了門把手，將車門打開的瞬間，系統(tǒng)通過蜂鳴器進(jìn)行二級(jí)報(bào)警提醒，提醒駕乘人員要注意后方接近車輛，防止后方接近的車輛，尤其是非機(jī)動(dòng)車撞到車門，非機(jī)動(dòng)車駕駛員受傷、倒地摔傷、甚至被相鄰車道駛來的機(jī)動(dòng)車碾壓致死，而釀成慘劇。

3.2 測(cè)試結(jié)果與分析

借助于激光測(cè)距儀和高精度攝像機(jī)進(jìn)行了精確的場(chǎng)景測(cè)試，測(cè)試數(shù)據(jù)經(jīng)過分析，各典型接近目標(biāo)車輛的平均預(yù)警率見圖7與表2。電動(dòng)自行車在7.0m、12.0m測(cè)試點(diǎn)各測(cè)試若干次的平均預(yù)警率分別是98.36%，97.90%。摩托車在7.0m、12.0m、17.0m測(cè)試點(diǎn)各測(cè)試100次的平均預(yù)警率分別是98.36%、98.05%、97.89%。轎車在7.0m、12.0m、17.0m和22.0m測(cè)試點(diǎn)各測(cè)試200次的平均預(yù)警率分別是98.88%、98.53%、98.20%、97.67%。自行車測(cè)試107次，預(yù)警率98.13%，摩托車測(cè)試211次，預(yù)警率98.10%，轎車測(cè)試298次，預(yù)警率98.32%。預(yù)警率均大于98.10%，虛警率均小于2.80%，測(cè)試結(jié)果表明，接近目標(biāo)距離雷達(dá)距離越近檢測(cè)率越高（距離1m以外），距離越遠(yuǎn)探測(cè)率越低。而且探測(cè)率與控制器外殼以及雷達(dá)在車輛后保內(nèi)安裝位置以及與后保的造型有很大關(guān)系，針對(duì)不同的車型需要做標(biāo)定，有針對(duì)性的對(duì)算法進(jìn)行修改。測(cè)試結(jié)果滿足車輛開門預(yù)警系統(tǒng)指標(biāo)，可以滿足實(shí)際應(yīng)用場(chǎng)景需求，能有效降低開車門事故發(fā)生概率。

測(cè)試結(jié)果滿足車輛開門預(yù)警系統(tǒng)指標(biāo)，可以滿足實(shí)際應(yīng)用場(chǎng)景需求，能有效降低開車門事故發(fā)生概率。

4 結(jié)論

本文提出的滑窗式恒虛警（SW-CFAR）檢測(cè)算法，克服了其他檢測(cè)算法在目標(biāo)遮蔽和雜波邊緣效應(yīng)下檢測(cè)率偏低的問題，各算法以相同的雜波樣本為輸入，經(jīng)過Matlab環(huán)境下仿真對(duì)比分析， SW-CFAR算法除了在時(shí)間和空間資源上消耗有所增加外，檢測(cè)性能最好，當(dāng)信噪比大于10dB時(shí)，檢測(cè)概率仍高達(dá)98.16%，誤檢概率低至2.58%。該方法成功應(yīng)用于車輛開門預(yù)警系統(tǒng)，并在奇瑞艾瑞澤7車上進(jìn)行了測(cè)試，平均預(yù)警率均大于98.10%，虛警率小于2.80%，具有良好的檢測(cè)性能。但是該算法不具備能量積累的能力，針對(duì)低信噪比條件下的弱小目標(biāo)檢測(cè)性能偏低，不適合弱目標(biāo)檢測(cè)。

圖7 各測(cè)試點(diǎn)的平均預(yù)警率

Fig.7 Average early warning alarm rate of every test points

表2 系統(tǒng)平均預(yù)警率測(cè)試結(jié)果

[1] 簡(jiǎn)濤, 蘇峰, 何有, 等. 復(fù)合高斯雜波下距離擴(kuò)展目標(biāo)的自適應(yīng)檢測(cè)[J]. 電子與信息學(xué)報(bào), 2012(5): 990-994.

JIAN Tao, SU Feng, HE You,et al. Adaptive Range-spread target detectors for compound-Gaussian clutter[J]., 2012(5): 990-994.

[2] 程健, 項(xiàng)志宇, 于海濱, 等. 城市復(fù)雜環(huán)境下基于三維激光雷達(dá)實(shí)時(shí)車輛檢測(cè)[J]. 浙江大學(xué)學(xué)報(bào): 工學(xué)版, 2014(12): 2102-2106.

CHENG Jian, XIANG Zhiyu, YU Haibin, et al. Real-time vehicle detection using 3D lidar under complex urban environment[J].,2014(12): 2102-2106.

[3] 高振海, 王俊, 佟靜, 等. 車載毫米波雷達(dá)對(duì)前方目標(biāo)的運(yùn)動(dòng)狀態(tài)估計(jì)[J]. 吉林大學(xué)學(xué)報(bào):工學(xué)版, 2014(11): 1537-1544.

GAO Zhenhai, WANG Jun, TONG Jing, et al. Target motion state estimation for vehicle-borne millimeter-wave radar[J]., 2014(11):1537-1544.

[4] Amir Zaimbashi. An adaptive CA-CFAR detector for interfering targets and clutter-edge situations[J]., 2014, 31: 59-68.

[5] Amir Zaimbashi, Mohammad Reza Taban, Mohammad Mehdi Nayebi, et al. Weighted order statistic and fuzzy rules CFAR detector for Weibull Cluttet[J]., 2008, 88: 558-570.

[6] Farrouki A, Barkat M. Automatic censoring CFAR detector based on ordered data variability for non-homogeneous environments[J]., 2005, 152: 43-51.

[7] Naime Boudemagh, Zoheir Hammoudi. Automatic censoring CFAR detector for heterogeneous environments[J]..(), 2014, 68: 1253-1260.

[8] Hilal A, Meziani, Faouzi Soltani. Optimum second threshold for the CFAR binary integrator in Pearson distributed clutter[J]., 2012, 6: 223-230.

Sliding Window CFAR Detector in Non-homogenous Environments

LIU Guiru1，WANG Lulin2，WANG Jun1，QIANG Jun1，ZOU Shan1

(1.,,241000,;2.,.,,241006,)

In order to solve the problem that the detection performance degradation of the conventional target detection methods in non-homogenous environments, a sliding window-constant false alarm rate (SW-CFAR) detection algorithm was proposed. Free units on the both sides of the reference cell under test were set as an initial reference window which was slid N times from left to right to get N sliding windows. Based on the comparison results between the average power value of the sliding window and the power of cell under test, the proper average power value of the sliding windows were selected to obtain free sliding window average power which was multiplied by the factor T parameters to get comparison threshold S. Power comparison results of the cell under test and detection threshold S determined whether there was target or not. According to simulation and analysis comparison results with other algorithms, the proposed algorithm had the best detection performance, whose detection rate was up to 98.93% and false detection rate was down to 2.28%. The algorithm was successfully applied to a vehicle door open warning system, the average early warning rate was up to 98.10% and false alarm rate was down to 2.80%. The experimental results show that the proposed algorithm improves the target detection probability and has a better detection performance in non-homogenous environments.

signal processing，sliding window CFAR，target detection

TN957.51

A

1001-8891(2017)03-0237-06

2016-05-04；

2017-02-28.

劉貴如（1980-），女，講師，主要從事信號(hào)處理、車輛主動(dòng)安全和多傳感器融合研究。

國(guó)家自然科學(xué)基金資助項(xiàng)目（91120307）；安徽省自然科學(xué)基金項(xiàng)目（KZ00215072）。