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)檢測算法在非均勻噪聲環(huán)境下檢測性能嚴(yán)重下降的問題，提出了一種自由滑窗式恒虛警檢測算法，在被檢測單元兩側(cè)各?。?個參考單元作為初始自由參考窗，然后從左向右依次滑動次，得到個滑窗，根據(jù)滑窗噪聲功率的平均值與被檢測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)行仿真對比，該算法具有最優(yōu)的檢測性能，檢測率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)的檢測概率，具有良好的檢測性能。

信號處理；滑窗式恒虛警；目標(biāo)檢測

0 引言

在基于雷達(dá)的實(shí)際應(yīng)用場景中，尤其是車輛主動安全系統(tǒng)，車輛在道路上運(yùn)行，車輛本身的抖動、道路兩邊的路牌、欄桿、草木、路面以及行人車輛等均會產(chǎn)生回波以及干擾雜波。而且雜波功率會隨著場景的變化而變化[1]。如何采用有效的濾波算法以及目標(biāo)檢測算法對有效的目標(biāo)車輛進(jìn)行檢測，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，而針對車載雷達(dá)領(lǐng)域近年來隨著車輛主動安全技術(shù)的快速普及以及智能車熱，國內(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)計恒虛警方法（order statistic-constant false alarm rate, OS-CFAR）[5]、自動刪除單元平均恒虛警檢測算法（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)定檢測門限閾值的方法。在實(shí)際的目標(biāo)檢測中，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)恒虛警檢測算法有時無法滿足實(shí)際應(yīng)用需求，尤其是針對遠(yuǎn)目標(biāo)或者被遮擋的目標(biāo)，檢測性能明顯下降，如果能夠充分利用目標(biāo)回波信號單元間的信號連續(xù)性以及能量積累，同時在背景噪聲功率估計時，選擇合適的參考單元集，既可以提高算法的目標(biāo)檢測性能，還可以有效降低虛警率[8]。

本文針對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)檢測算法，通過滑窗參考單元背景噪聲功率均值替代單個參考單元與被檢測參考單元功率值進(jìn)行比較，判斷被檢測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，估計檢測功率門限，提高檢測性能的同時，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)檢測率。

1 SW-CFAR檢測算法

1.1 算法實(shí)現(xiàn)過程

SW-CFAR檢測算法實(shí)現(xiàn)過程見圖1，其中X（＝1,…,）為輸入信號；X為被檢測的單元；x－為參考單元，其中?[－2＋,＋]，（＝0, 1,…,－1）；自由滑窗長度＝；Z為第（＝0, 1,…,－1）個滑窗；為通過CFAR處理后的雜波功率水平估計；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X（＝1,…,）序列中其中一單元X作為被檢測單元，以此檢測單元為中心，再以X左右側(cè)各－1個單元作為初始的自由參考窗體，窗體的長度固定＝，窗體從左向右逐個單元滑動（保持窗體長度不變），一直滑移到最右邊的－1個單元，總共滑移次，獲得個滑窗，計算出每個滑窗的平均值，將這一平均值和被檢測單元X做比較，假設(shè)小于X且大于0的窗體個數(shù)，大于0的窗體個數(shù)￠；如果大于/2則計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)檢測概率。算法實(shí)施步驟如下：

步驟1：取輸入信號X（＝1,…,）的X檢測單元（從1單元開始），確定左右－1個參考單元作為滑窗參考單元，自由滑窗的長度＝。

步驟2：分別計算各滑窗的平均值，根據(jù)如下公式計算：

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的個數(shù)，如果大于/2時，則：

圖1 滑窗式恒虛警目標(biāo)檢測算法

Fig.1 SW-CFAR target detection algorithm

式中：為滿足Z＞0且Z＜X的窗體個數(shù)，如果小于/2時，則：

式中：￠為滿足Z＞0的窗體個數(shù)。

步驟4：檢測概率與標(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，標(biāo)稱化因子的計算公式為：

＝(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，計算出檢測門限閾值計算公式為：

＝×(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)用場景中采集的大量信號中抽取812個樣本，以樣本為各算法的輸入，在Matlab環(huán)境下對各典型檢測算法在時間和空間資源消耗、檢測概率和誤檢概率等幾個方面進(jìn)行仿真對比分析，各檢測算法仿真結(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種算法雖然對邊緣雜波干擾或者瞬間干擾有很好的抑制效果，但是對連續(xù)的非均勻背景噪聲，檢測性能不佳，檢測概率（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]檢測算法相對穩(wěn)定，誤檢率小于5.00%，檢測率大于90.00%。改進(jìn)的SW-CFAR檢測算法在各算法優(yōu)點(diǎn)的基礎(chǔ)上進(jìn)行了改進(jìn)，不僅對均勻雜波，而且對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%），檢測率最高（98.93%），實(shí)用性最好。雖然資源消耗較大，但是對目前高性能、大存儲空間的嵌入式系統(tǒng)來說，無明顯劣勢。

2.2 結(jié)果對比分析

為了對比分析各算法的檢測性能，分別對各目標(biāo)檢測算法的仿真結(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)域各檢測算法的檢測性能差異較大，而在信噪比小于0dB，大于20dB的區(qū)域，檢測性能差異較小。在車輛開門預(yù)警實(shí)際應(yīng)用場景中，大多數(shù)目標(biāo)的回波信號信噪比處于中間區(qū)域。SW-CFAR檢測算法優(yōu)于其他4個典型檢測算法約6dB的信噪比增益，當(dāng)信噪比為10dB時，檢測率仍大于98.00%，而其余各算法檢測概率均小于95.00%。

圖3為SW-CFAR檢測算法經(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，該曲線能夠很好地擬合噪聲功率的變化，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性能。

表1 各檢測算法仿真結(jié)果對比

圖2 各檢測算法檢測性能比較

Fig.2 Detection performance contrast

圖3 SW-CFAR檢測算法仿真結(jié)果

3 場景測試與分析

3.1 場景測試

采用SW-CFAR檢測算法實(shí)現(xiàn)的車輛開門預(yù)警系統(tǒng)進(jìn)行了場地測試和實(shí)際場景測試。以電動自行車（包括自行車）、摩托車和四輪以上機(jī)動車等3類典型接近目標(biāo)，設(shè)定了危險報警區(qū)域見圖4。該報警區(qū)域在前期開門預(yù)警系統(tǒng)測試的基礎(chǔ)上根據(jù)客戶體驗(yàn)及要求，增加了報警區(qū)域的縱向距離。同時也將雷達(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)用場景，兩側(cè)可以兼顧，安裝位置見圖5。針對電動自行車，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報警區(qū)域，見報警區(qū)域一；針對摩托車，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報警區(qū)域，見報警區(qū)域二；針對四輪以上機(jī)動車，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報警區(qū)域，見報警區(qū)域三。針對各個典型接近車輛在實(shí)際工況下設(shè)定了若干測試點(diǎn)，測試場景見圖6。

圖4 標(biāo)定的系統(tǒng)探測區(qū)域

圖5 雷達(dá)控制器的安裝

圖6 針對各典型接近目標(biāo)的車輛開門預(yù)警測試場景

當(dāng)目標(biāo)進(jìn)入報警區(qū)域后，系統(tǒng)首先通過安裝在車內(nèi)門把手位置的LED警示燈對駕乘人員進(jìn)行一級報警提醒。當(dāng)駕乘人員撥動了門把手，將車門打開的瞬間，系統(tǒng)通過蜂鳴器進(jìn)行二級報警提醒，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)動車撞到車門，非機(jī)動車駕駛員受傷、倒地摔傷、甚至被相鄰車道駛來的機(jī)動車碾壓致死，而釀成慘劇。

3.2 測試結(jié)果與分析

借助于激光測距儀和高精度攝像機(jī)進(jìn)行了精確的場景測試，測試數(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。電動自行車在7.0m、12.0m測試點(diǎn)各測試若干次的平均預(yù)警率分別是98.36%，97.90%。摩托車在7.0m、12.0m、17.0m測試點(diǎn)各測試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測試點(diǎn)各測試200次的平均預(yù)警率分別是98.88%、98.53%、98.20%、97.67%。自行車測試107次，預(yù)警率98.13%，摩托車測試211次，預(yù)警率98.10%，轎車測試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%，測試結(jié)果表明，接近目標(biāo)距離雷達(dá)距離越近檢測率越高（距離1m以外），距離越遠(yuǎn)探測率越低。而且探測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，針對不同的車型需要做標(biāo)定，有針對性的對算法進(jìn)行修改。測試結(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)用場景需求，能有效降低開車門事故發(fā)生概率。

測試結(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）檢測算法，克服了其他檢測算法在目標(biāo)遮蔽和雜波邊緣效應(yīng)下檢測率偏低的問題，各算法以相同的雜波樣本為輸入，經(jīng)過Matlab環(huán)境下仿真對比分析， SW-CFAR算法除了在時間和空間資源上消耗有所增加外，檢測性能最好，當(dāng)信噪比大于10dB時，檢測概率仍高達(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%，具有良好的檢測性能。但是該算法不具備能量積累的能力，針對低信噪比條件下的弱小目標(biāo)檢測性能偏低，不適合弱目標(biāo)檢測。

圖7 各測試點(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)警率測試結(jié)果

[1] 簡濤, 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[J]. 電子與信息學(xué)報, 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)時車輛檢測[J]. 浙江大學(xué)學(xué)報: 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)對前方目標(biāo)的運(yùn)動狀態(tài)估計[J]. 吉林大學(xué)學(xué)報: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，主要從事信號處理、車輛主動安全和多傳感器融合研究。

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