基于車載毫米波雷達的目標檢測CFAR算法研究

陳海玲，徐靖，譚蓉凡，李海娟，鄭休寧

（梧州職業學院，廣西梧州，543000）

關鍵字：毫米波雷達；OS-CFAR算法；CA-CFAR算法

0 引言

在汽車自動駕駛領域，通常采用攝像機、超聲波設備、激光雷達、毫米波雷達來進行目標檢測，但只有毫米波雷達傳感器在各種苛刻的環境條件下能保證系統的可靠性。由于這個原因，基于毫米波雷達的主動安全系統已成為智能汽車系統的重要關鍵技術。例如，前向防撞、盲點檢測、變道輔助、后碰撞警告和自適應巡航控制。對于毫米波雷達來說，發射的雷達波通常存在被多次反射后被接收的場景，如在停車場的拐角處或街道旁的防撞護欄處，對于這些檢測到的雜亂目標，數據的可信度顯得尤為重要，系統的虛警概率應在復雜的環境下保持恒定，CFAR門限隨輸入噪聲變化而進行快速的自適應。在實際的測量中，如果選擇太多的門限值，未知功率的噪聲會導致許多誤報。相反，如果設置得太高，將只能檢測到較少的對象。CFAR算法應提供一個與噪聲層相適應的輸出，并確保假警報的數量不依賴于噪聲功率。在接下來的章節中將介紹最常用的兩種CFAR算法，并通過仿真和實驗數據來比較各自的性能。

1 CFAR算法介紹

1.1 CA-CFAR算法

CA-CFAR（均值類CFAR）算法的核心思想是通過對參考窗內的采樣數據取平均來估計背景噪聲功率。事實上，目標峰值并不在一個單元上，而是在一些范圍單元上有所延伸，目標相鄰的數個單元不作為背景雜波的估計，作為保護單元P。對于每個單元格，T是常數，并根據窗口N值大小進行計算。如果目標Y值超過門限(T×Z)，則判定檢測到目標。具體的算法框圖如下圖1所示。

圖1 CA-CFAR 算法框圖

1.2 OS-CFAR算法

與CA-CFAR算法相反，OS-CFAR（統計有序CFAR）算法只使用參考窗口中的單個振幅。如下圖2所示。算法的基本框架類似于CA-CFAR，滑動參考窗口是圍繞被測單元及其保護單元，核心思想是通過對參考窗內的數據由小到大排序，選取其中第K個最大數值假設其為雜波背景噪聲。在文獻中[6]提到，K值取接近3/4N時最有利于背景噪聲的估計，使檢測虛警目標的概率降低到最小。

圖2 OS-CFAR 算法框圖

2 CFAR算法仿真分析

2.1 雜波環境仿真分析

雜波通常代表目標檢測中所有不需要的背景信號，例如在汽車自動駕駛中雷達信號的多路徑反射而產生的回波。CFAR算法必須要確定這些雜波是不相關的，因此，在雜波域下，門限值應相應增加。對于包含雜波的環境，如果選擇的滑動窗口比雜波區域大得多，則雜波樣本對平均值、K值的影響較小，導致判決門限不夠陡峭，邊緣很有可能被誤檢測為目標。圖3展示了雜波區域對于N=24窗口的檢測結果，門限能有效的識別雜波。相反，對于N=32，CA-CFAR算法會檢測位于左側雜波邊緣的對象，如圖4所示。同樣，OS-CFAR算法也無法克服這一問題，仿真結果與CA-CFAR相似，如圖5所示。在仿真環境中，雜波占據14個距離單元，如果參考窗口的大小是雜波域的兩倍以上，雜波樣本影響門限值的結果較少，導致多個目標被檢測到。因此，對于窗口大小N為32的兩種算法，都不滿足要求虛警率要求。

圖3 CA-CFAR算法在雜波環境下的仿真結果

圖4 OS-CFAR算法在雜波環境下的仿真結果

2.2 多目標環境仿真分析

在存在多個目標的情況下，相鄰的目標峰值可能會導致門限值的增加，會出現遮蔽效果，導致某些小信號無法被檢測到。從噪聲估計的角度分析，較大的參考窗口應能提供更可靠的噪聲估計，然而，對于CA-CFAR算法，在多目標的情況下，由于相鄰目標太過接近，峰值落在同一噪聲估計的滑窗內，由于遮蔽效果導致其中一個目標未被檢測到，如圖5所示。對于OS-CFAR算法，采用排序估計噪聲的方法，有效的避免了門限值的增加，參考窗口中的峰值對測量結果沒有影響，目標都能有效的被檢測到。

圖5 CA-CFAR和OS-CFAR算法在多目標環境下的仿真結果

3 車載毫米波雷達系統

本文采用線性調頻連續波（FMCW）毫米波雷達來驗證CFAR算法，雷達系統核心的毫米波傳感器模塊是基于TI公司的76GHz到81GHz的毫米波傳感器評估板AWR1243BOOST，此評估板包含MMWAVE-STUDIO環境和DCA1000實時數據捕獲適配器的相關資源，便于雷達原始數據采集存儲，并在電腦上做相關的算法研究工作。AWR1243BOOST評估板如下圖6所示。

圖6 AWR1243BOOST 評估板

圖7 汽車毫米波雷達系統硬件框圖

AWR1243芯片的中頻帶寬為15MHz，最高采樣率為37.5MHz，通過LVDS接口把采集的數據傳輸到實時數據捕獲適配器DCA1000的DDR中，通過MMWAVE-STUDIO 環境和USB接口把采集的數據傳輸到電腦中存儲。在電腦中，通過MATLAB工具對接收到的數據進行數字解調，進行CFAR算法分析。

4 CFAR算法實測分析

4.1 純噪聲環境驗證分析

通過將車載毫米波雷達硬件系統的天線對準空曠的室內測試環境，對采集到原始數據做距離FFT，可以得到在純噪聲環境中的虛警率，如下圖8所示。通過圖8可以發現，兩種算法的輸出都位于雷達天線附近，通常在雷達系統中由于直流偏移導致；因AWR1243芯片具有自身芯片直流濾波功能，可以分析出圖中的直流偏移由發射和接收天線的反射串擾導致。在目標檢測中，基于直流偏移，通過使用高通（HP）濾波器來消除，如圖9所示。除此之外，兩者的門限值計算算法工作正常，因此數據序列中未出現錯誤的目標檢測。

圖8 純噪聲下的CFAR算法檢測結果

圖9 經過HP濾波器后的CFAR算法檢測結果

5 多目標環境下CFAR算法驗證分析

針對仿真分析中的目標掩蔽問題，在雷達前方4米附近，放置兩個相聚1米的金屬反射塊。取原始信號距離維度的數據做128點的FFT，窗口選取N=32時，如仿真分析一樣，CA-CFAR算法的門限值由于使用了2個目標的峰值，導致其中一個目標未被檢測到，如圖10的所示。在同等條件下，OS-CFAR算法卻能很好的檢測到所有目標，CA-CFAR算法的檢測能力明顯比OS-CFAR算法的檢測能力弱。

圖10 多目標場景下的CFAR算法檢測結果

6 總結

本文通過仿真和實測兩種方法，對CA-CFAR和OS-CFAR兩種算法進行了比較。從仿真和實測結果可以清楚地證明，CA-CFAR最顯著的缺點是滑動窗中的每個峰值或雜波樣本都會影響噪聲門限值。相反，OS-CFAR只使用指定的值，即排序引用窗口的第K個最大值，能夠忽略潛在的峰值或雜波樣本。在算法實現方面，CA-CFAR算法比OS-CFAR算法更易于處理，比例因子在CA-CFAR中使用的是一個封閉的公式，取決于指定的參數；而OS-CFAR通過迭代計算才能確定K值，具有更高的計算成本。

在汽車自動駕駛中，具有掩蔽效應的CA-CFAR算法將存在著嚴重的問題。OS-CFAR算法對參數變化具有魯棒性，針對高計算成本問題，在當前主流的汽車自動駕駛中，硬件會配備超大算力的芯片，排序計算的成本也就顯得微不足道，OS-CFAR算法無疑是兩種選擇中更好的選擇。本文以上僅對最基本的OS-CFAR、CA-CFAR算法在汽車毫米波雷達目標檢測進行了分析，后續的研究中，可以針對CFAR擴展的算法進行了進一步的分析。