【自动驾驶|毫米波雷达】非相参积累与恒虚警率检测

目录

[非相参积累(Non-coherent combing)](#非相参积累(Non-coherent combing))

[1. 非相参积累是什么?](#1. 非相参积累是什么?)

[2. 为什么要进行非相参积累?](#2. 为什么要进行非相参积累?)

[3. 如何实现非相参积累?](#3. 如何实现非相参积累?)

[恒虚警率检测(CFAR:Constant False Alarm Rate)](#恒虚警率检测(CFAR:Constant False Alarm Rate))

1.CFAR概念引入

[2. CFAR算法思想](#2. CFAR算法思想)

[1)单元均值恒虚警(Cell Average CFAR, CA-CFAR)](#1)单元均值恒虚警(Cell Average CFAR, CA-CFAR))

[2)最大单元均值恒虚警 (Greatest of Cell Average CFAR, GOCA-CFAR)](#2)最大单元均值恒虚警 (Greatest of Cell Average CFAR, GOCA-CFAR))

3) 最小单元均值恒虚警 (Smallest of Cell Average CFAR, SOCA-CFAR) 最小单元均值恒虚警 (Smallest of Cell Average CFAR, SOCA-CFAR))


非相参积累(Non-coherent combing)

上篇文章提到在慢时间傅里叶变换(Doppler FFT) 后,计算机可以得到目标的距离及位置信息,下一步会进行非相参积累,流程如下:

非相参积累的位置

1. 非相参积累是什么?

非相参积累是指不利用信号的相位关系直接进行幅度或功率叠加的积累方法。非相参积累是一种信号处理技术,它采用平均多次采样的信号,以提高信号的信噪比。在非相参积累中,每个采样的时间和幅度不一定相同,因此不需要考虑采样点之间的相位关系。在每个采样周期内,信号和噪声的幅值相加,并进行平均,以获得更好的信噪比。非相参积累主要用于低信噪比环境下,如雷达和卫星通信等。

2. 为什么要进行非相参积累?

非相参积累通常用于将多个雷达天线的信号合并,并获得更高的信噪比。

3. 如何实现非相参积累?

具体做法为:将各个通道的数据取平方并在通道维度累加

恒虚警率检测(CFAR:Constant False Alarm Rate)

1.CFAR概念引入

目标检测是雷达系统的一项重要任务,本质是将输入信号和阈值作比较,判断目标是否存在。设x(t)是关于时间t的输入信号,n(t)是背景噪声,s(t)是目标信号,则目标检测可以建模为一个二元假设检验问题:

表示输入信号中无目标信号的假设,表示输入信号中有目标信号的假设。表示判定为真,输入信号中无目标信号,表示判定为真,输入信号中有目标信号,则每次检测可能有以下四种结果:

设置算法阈值T:

式中是噪声功率的估计值,α是缩放因子,也叫阈值因子。从公式中可以发现,恒虚警率检测算法的阈值能够根据噪声功率估计值自适应待处理的数据。通过调节阈值因子α,算法将虚警概率 保持在指定值,因此叫做恒虚警率检测

2. CFAR算法思想

目标检测方法的核心是阈值法 。如果雷达回波大于阈值,则显示检测到目标,否则视为噪声。 故恒虚警检测技术是可以理解为雷达系统在保持虚警概率恒定条件下对接收机输出的信号与噪声作判别以确定目标信号是否存在的技术。

噪声功率估计方法不是唯一的,因此产生了各种恒虚警率检测方法。

1)单元均值恒虚警(Cell Average CFAR, CA-CFAR)

噪声功率估计值为:

CA-CFAR通过计算邻域内的信号功率的平均值,然后与目标信号的功率进行比较,从而确定是否存在虚警信号。CA-CFAR算法的优点是简单易实现,但对于非均匀背景噪声的情况下可能存在一定的误报率。

2)最大单元均值恒虚警 (Greatest of Cell Average CFAR, GOCA-CFAR)

噪声功率估计值为:

GOCA-CFAR通过选择邻域内信号功率的最大值 作为参考值,并与目标信号的功率进行比较。相比于CA-CFAR算法,GO-CFAR算法能够更好地适应非均匀背景噪声的情况,并减少误报率。

3) 最小单元均值恒虚警 (Smallest of Cell Average CFAR, SOCA-CFAR)

噪声功率估计值为:

SOCA-CFAR选择邻域内信号功率的最小值作为参考值,并与目标信号的功率进行比较。SO-CFAR算法在一些特定的应用场景中表现出色,但在存在强干扰的情况下可能会导致较高的误报率。

图片来源:

恒虚警检测(Constant False Alarm Rate, CFAR)_恒虚 警率(constant?false?alarm?rate,?cfar)-CSDN博客

相关推荐
SkyXZ~1 天前
AWS SageMaker SDK 完整教程:从零开始云端训练你的模型
人工智能·深度学习·云计算·aws·sagemaker·boto3
黎燃1 天前
RAG 技术合集:检索增强生成的实践指南
人工智能
nju_spy1 天前
南京大学 LLM开发基础(二)大语言模型解析 -- 基于HF LlaMA实现的讲解
人工智能·pytorch·深度学习·大模型·多头注意力·rmsnorm·位置掩码
胡耀超1 天前
开源生态与技术民主化 - 从LLaMA到DeepSeek的开源革命(LLaMA、DeepSeek-V3、Mistral 7B)
人工智能·python·神经网络·开源·大模型·llama·deepseek
weixin_446260851 天前
轻松在家构建AI集群,开启智能生活
人工智能·生活
Y200309161 天前
PyTorch 实现 CIFAR10 图像分类知识点总结
人工智能·pytorch·分类
ygy.白茶1 天前
基于 PyTorch 的模型测试与全局平均池化实践
人工智能·深度学习·机器学习
凳子(刘博浩)1 天前
使用 PyTorch 实现 CIFAR-10 图像分类:从数据加载到模型训练全流程
人工智能·pytorch·分类
菜鸟‍1 天前
【论文笔记】基于深度学习的图像分割研究综述 和 基于深度学习的二分图像分割综述
论文阅读·人工智能·深度学习
Juchecar1 天前
软件开发属于哪种创新:从0到1,还是从1到n?
人工智能