毫米波雷達(dá)高精度測角提取方法分析概述目錄TOC\o"1-3"\h\u4906毫米波雷達(dá)高精度測角提取方法分析概述 1320341.1前言 182241.2橫向目標(biāo)的特征分析 133641.3高精度角度特征提取 31.1前言本論文研究話題是基于毫米波雷達(dá)的目標(biāo)特征提取及分類研究，這就要求我們基于目標(biāo)的一些顯著特征從而對于不同目標(biāo)如人、車、樹等進(jìn)行相關(guān)的分類的研究，針對毫米波雷達(dá)而言，目標(biāo)的特征參數(shù)較多，應(yīng)該根據(jù)所研究區(qū)分對象的不同來獲取不同的特征。故本章通過提取目標(biāo)的角度這一顯著特征參數(shù)的提取，從而達(dá)到區(qū)分橫向運(yùn)動(dòng)的人和靜止不動(dòng)的樹木這兩類目標(biāo)的目的。1.2橫向目標(biāo)的特征分析由第二章的公式推導(dǎo)可以知道，當(dāng)所需識別對象和檢測的雷達(dá)在徑向方向上沒有產(chǎn)生相對位移的時(shí)候，這時(shí)徑向速度相關(guān)的特征參數(shù)在此時(shí)表現(xiàn)得特別變化緩慢且微小，大大提高了對于運(yùn)動(dòng)目標(biāo)的識別難度。由于在特殊場景中有樹木等其他干擾的存在，徑向速度相關(guān)的特征參數(shù)在雷達(dá)表現(xiàn)中難以體現(xiàn)。但是與此同時(shí)，由于人相對于車的橫向運(yùn)動(dòng)的角度在單位周期內(nèi)其變動(dòng)的范圍幅度較大，所以我們可以通過對于目標(biāo)橫向角度變化的快慢來識別運(yùn)動(dòng)的人和路邊靜止樹木的區(qū)分。圖1.1目標(biāo)橫向運(yùn)動(dòng)的示意圖如圖1.1所示，當(dāng)行人目標(biāo)從點(diǎn)A穿到點(diǎn)B的時(shí)候，走過的橫向距離為x米，偏轉(zhuǎn)的角度為θ，徑向距離的變化為δR由上述公式可以知道，帶寬和距離成反比，所以當(dāng)距離產(chǎn)生變化的時(shí)候，其所需要的帶寬將會(huì)成倍增加。對于路面上出現(xiàn)的行人目標(biāo)，由于其在路面上走路所移動(dòng)的方向不是過于隨機(jī)的，其會(huì)一直增長或一直減少。與行人不同的是，路邊靜止的樹木，其相對于雷達(dá)的橫向運(yùn)動(dòng)的角度變化并不能輕松地找到所需的規(guī)律。有的由于大風(fēng)等其他因素可能隨機(jī)變化，有的也會(huì)或者站立不動(dòng)的樹木在沒有環(huán)境大的影響的說實(shí)話便一直保持一個(gè)固定的角度，我們可以據(jù)此來剔除不利因素的影響。依據(jù)上述對于移動(dòng)地行人和靜止的樹木的相關(guān)分析，我們可以知道利用橫向的角度信息對這些進(jìn)行區(qū)分是有效的。假設(shè)目標(biāo)從a點(diǎn)到必點(diǎn)，走過的橫向距離為20m，運(yùn)動(dòng)速度為v=1米每秒。A點(diǎn)距離雷達(dá)的徑向距離R等于100m.雷達(dá)的脈沖周期為Tc?irp但是在此過程中，目標(biāo)的角度特征的變化幅度超過了10度，這種范圍幅度的變化遠(yuǎn)遠(yuǎn)超過了速度或者是距離等等的特征識別效果。故經(jīng)過慎重考量，決定利用角度特征區(qū)分行人和樹木。圖1.2目標(biāo)的角度變化情況已知傳統(tǒng)的毫米波雷達(dá)在精度和識別角度特征方面是具有一定的局限性的，故本文在下面重新提出了一種新的算法，其能夠有效的提高我們目標(biāo)分類識別的處理運(yùn)算效果。1.3高精度角度特征提取毫米波雷達(dá)的脈沖時(shí)間短，而且每個(gè)相干處理周期可以處理多個(gè)脈沖，其能夠?qū)⒛繕?biāo)與雷達(dá)之間的相對位移甚至是速度角度特征也能夠測量的較為準(zhǔn)確。毫米波雷達(dá)沖脈沖時(shí)間段內(nèi)測量準(zhǔn)確度較高，可以通過將多個(gè)CPI的信號結(jié)合成較大的虛擬陣列。從而為實(shí)現(xiàn)目標(biāo)特征角度參數(shù)的一些提取為目標(biāo)分類做好準(zhǔn)備。對于汽車?yán)走_(dá)而言，常用的測量角度的辦法是傳統(tǒng)的，基于波束形成DOA估計(jì)算法，測量角度值。但是其角度值受到目標(biāo)一和目標(biāo)二真實(shí)角度的影響。其次，在這種情況下，估計(jì)的目標(biāo)個(gè)數(shù)也會(huì)出現(xiàn)較大的失誤，故不采納上述方法。于是，本文采用對于接收信號進(jìn)行二維的FFT變換，每個(gè)目標(biāo)對應(yīng)著各自的距離速度矩陣（RangeDopplerMatrix，RDM)中的一個(gè)點(diǎn)，當(dāng)點(diǎn)被雷達(dá)獲取后，雷達(dá)通過計(jì)算目標(biāo)點(diǎn)在RDM中的位置計(jì)算出來其與目標(biāo)之間的相對距離以及目標(biāo)相對運(yùn)動(dòng)的徑向速度（此時(shí)為運(yùn)動(dòng)雷達(dá)相對于靜止目標(biāo)），即Vr結(jié)合CPI的時(shí)長和已知目標(biāo)的徑向速度，得到相鄰CPI間雷達(dá)的雷達(dá)的運(yùn)動(dòng)距離，最后，組合所有的數(shù)據(jù)，形成極大的物理孔徑。同時(shí)，由于聯(lián)合使用了多個(gè)CPI,提高了目標(biāo)的信號增益，從而提高了角度的分辨率和測量角度的相關(guān)精度。具體方法如下：第一步：計(jì)算雷達(dá)與目標(biāo)的相對徑向速度v;第二步：估計(jì)目標(biāo)與雷達(dá)之間的大致角度ψ，利用波束形成方法對于第一步得到的目標(biāo)進(jìn)行DOA估計(jì)。得到大致角度。第三步：利用相關(guān)公式計(jì)算目標(biāo)的角度和相對速度，得到在車輛周圍所安裝的側(cè)裝雷達(dá)的運(yùn)動(dòng)速度Vradar=V第四步：計(jì)算雷達(dá)在各CPI之間的運(yùn)動(dòng)距離，得到相鄰兩個(gè)CPI沿著雷達(dá)速度方向造成的相對位移DCPI=TCPIV第五步：各個(gè)CPI的測量所得到的數(shù)據(jù)可以合成一個(gè)相對而言較為巨大的虛擬孔徑。在實(shí)際的情況下，合成的陣列可能會(huì)有存在誤差的情況，比如交叉重疊。當(dāng)物體的運(yùn)動(dòng)速度較低時(shí)，在一個(gè)TCPI內(nèi)。運(yùn)動(dòng)的相對距離DCPI就會(huì)小于雷達(dá)的真實(shí)孔徑距離，而在合成孔徑中，便會(huì)產(chǎn)生一部分的交叉和重疊，如下圖1.3所示。反之，如果物體的運(yùn)動(dòng)速度較高的時(shí)候，雷達(dá)運(yùn)動(dòng)的距離便會(huì)超過雷達(dá)的真實(shí)物理孔徑的大小，此時(shí)的虛擬陣列中便不會(huì)有交疊，但有可能會(huì)是一個(gè)結(jié)構(gòu)不會(huì)很緊湊的陣列，如圖1.3低速時(shí)的虛擬陣列1.4高速時(shí)的虛擬陣列第六步：多個(gè)CPI數(shù)據(jù)通過計(jì)算矯正進(jìn)行補(bǔ)償，方式同TDMMIMO類似，則補(bǔ)償向量的公式為：αmotion=[1,e第七步：使用傳統(tǒng)波束進(jìn)行DOA算法估計(jì)，聯(lián)合CPI間的導(dǎo)向向量得到聯(lián)合的導(dǎo)向矢量αjointαjoint(θ)=α（其中，⊙代表Hadamard積，?代表Kronecker積）其他關(guān)于雷達(dá)的正面安裝或者四個(gè)角落的安裝方式之外的雷達(dá)角度安裝和測量方法，在本次論文中不做討。通過實(shí)驗(yàn)可以判定，角度特征是可以作為雷達(dá)特征的識別。對于本節(jié)