【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
搞笑的秀儿26 分钟前
信息新技术
大数据·人工智能·物联网·云计算·区块链
阿里云大数据AI技术1 小时前
OpenSearch 视频 RAG 实践
数据库·人工智能·llm
XMAIPC_Robot1 小时前
基于ARM+FPGA的光栅尺精密位移加速度测试解决方案
arm开发·人工智能·fpga开发·自动化·边缘计算
加油吧zkf1 小时前
YOLO目标检测数据集类别:分类与应用
人工智能·计算机视觉·目标跟踪
Blossom.1181 小时前
机器学习在智能制造业中的应用:质量检测与设备故障预测
人工智能·深度学习·神经网络·机器学习·机器人·tensorflow·sklearn
天天扭码2 小时前
AI时代,前端如何处理大模型返回的多模态数据?
前端·人工智能·面试
巴伦是只猫2 小时前
【机器学习笔记 Ⅱ】1 神经网络
笔记·神经网络·机器学习
难受啊马飞2.02 小时前
如何判断 AI 将优先自动化哪些任务?
运维·人工智能·ai·语言模型·程序员·大模型·大模型学习
顺丰同城前端技术团队2 小时前
掌握未来:构建专属领域的大模型与私有知识库——从部署到微调的全面指南
人工智能·deepseek
许泽宇的技术分享2 小时前
用.NET9+Blazor+Semantic Kernel,打造企业级AI知识库和智能体平台——AntSK深度解读
人工智能