基于雷达天线阵元的微动目标运动参数检测方法

1.本发明涉及信号处理技术领域，具体涉及基于雷达天线阵元的微动目标运动参数检测方法。


背景技术：

2.随着雷达探测技术的不断发展和现代信号处理水平的提高，雷达传感器在我们生活中的应用越来越广泛，在自动驾驶、人机交互、智能电器等方面发挥着重要作用，同时，对雷达检测精度的要求也越来越高。其中，对于空间中微动目标的运动参数(状态)检测与跟踪是现代雷达面临的难点问题之一。微动目标的运动参数可以通过空间中不同时刻的位置信息来确定，其位置信息主要由微动目标的距离信息和角度信息确定。
3.传统的连续波雷达微动目标识别在可测区域中存在多个微动目标时，反射信号中会混叠多个多普勒信息，进而无法准确区分多个微动目标，因此，现有技术中采用fmcw(调频连续波)雷达来实现多个微动目标的运动参数检测。fmcw雷达通过获取微动目标反射信号与发射信号之间的差拍信号，通过2d
‑
fft变换，得到微动目标的距离
‑
多普勒信息，进而能够对多个微动目标进行识别区分。例如，公开号为cn108594213a的中国专利就公开了《一种fmcw雷达测距电路》，其包括mcu和fmcw雷达测距模块，mcu用于产生第一信号；fmcw雷达测距模块用于根据第一信号产生并发送雷达测距信号以及接收雷达波反馈信号并进行信号处理产生第二信号发送给mcu；mcu用于根据第一信号和第二信号获得运动目标的距离和速度。
4.上述现有方案中的fmcw雷达测距电路能够提升微动目标的距离检测精度。申请人在实际研究中发现，微动目标具有以下特点：1)运动幅度小，需要雷达具有较高的距离分辨率；
5.2)运动速度慢，需要雷达具有较高的速度分辨率；3)在连续时刻的状态不易区分，不利于对微动目标运动参数的估计。因此，需要准确获取微动目标回波到达角的变化，进而利用三维参数域来确定空间中微动目标的运动参数，因此微动目标的距离信息和角度信息的检测尤为重要。fmcw雷达系统主要利用天线阵元实现角度测量，并且角度分辨率与天线阵元个数成正比，所以，为了提高角度分辨率，需要增加天线的个数。然而，对于天线阵元而言，增加天线会相应地提高硬件成本且增大设备的体积，导致微动目标的检测成本增加。因此，如何设计一种能够在天线阵元个数有限的情况下有效提升微动目标距离和角度分辨率的微动目标运动参数检测方法是急需解决的技术问题。


技术实现要素：

6.针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种能够在天线阵元个数有限的情况下有效提升微动目标距离和角度分辨率的微动目标运动参数检测方法，从而能够兼顾微动目标运动参数的检测精度和检测成本。
7.为了解决上述技术问题，本发明采用了如下的技术方案：
8.基于雷达天线阵元的微动目标运动参数检测方法，包括以下步骤：
9.s1：获取目标雷达各个天线阵元的差拍信号；
10.s2：滤除所述差拍信号中的静止杂波信号得到对应的滤波差拍信号；然后根据所述滤波差拍信号建立对应的自回归模型；最后根据所述自回归模型计算对应滤波差拍信号时域延拓后的时域延拓信号；
11.s3：将各个天线阵元对应的时域延拓信号进行累加，再通过峰值检测法计算各个微动目标对应的距离信息；
12.s4：根据各个微动目标的距离信息结合music算法计算各个微动目标对应的角度信息。
13.优选的，步骤s2中，通过运动目标检测算法滤除所述差拍信号中的静止杂波信号。
14.优选的，步骤s2中，差拍信号beat(n)对应的自回归模型表示为式中：p表示自回归模型的模型阶数，a
p
(i)表示p阶自回归模型中第i项的模型系数；w(n)表示高斯白噪声；n表示延拓信号的索引值。
15.优选的，步骤s2中，通过伯格算法计算更新自回归模型的模型系数。
16.优选的，通过模型系数a
p
(i)与反射系数k
p
的关系结合如下公式计算更新自回归模型的模型系数：
17.a
p
(i)＝a
p
‑1(i)
‑
k
p
a
p
‑1(p
‑
i),i＝1,2,...,p
‑
1；
18.其中，反射系数k
p
表示为式中：表示前向预测误差；表示后向预测误差；n表示延拓信号的索引值。
19.优选的，通过误差功率最小最终预测误差准则计算自回归模型的模型阶数。
20.优选的，计算自回归模型的模型阶数时：设自回归模型的观测序列长度为n；通过当前模型阶数p下的误差结合公式计算最终预测误差fpe；当最终预测误差fpe取最小值时的参数p就是自回归模型的模型阶数。
21.优选的，时域延拓信号通过如下公式表示：
22.式中：k＝1,2,...,k；n＝1,2,...,n
ar
；n
ar
表示时域延拓信号的长度；n表示延拓信号的索引值，a
m
表示第m个接收信号的幅度，j表示单位复数信号，f表示接收信号频点，τ表示信号空中传播时间，λ表示信号波长，u表示信号调频斜率。
23.优选的，步骤s3中，根据目标雷达中1d
‑
fft频率与距离的关系结合如下公式计算第m个微动目标的距离信息：
24.式中：t
c
表示目标雷达发射信号的调频周期，t
s
表示差拍信号
的采样周期；e(k,m)表示第k个天线阵元接收到的第m个微动目标对应的频点。
25.优选的，步骤s4中，通过方向向量和噪声子空间之间的正交关系结合如下公式在角度域上进行谱峰搜索并计算第m个微动目标的p
music
(θ
m
)；当p
music
(θ
m
)取最大值时将对应的角度θ
m
作为第m个微动目标的角度信息：
26.式中：θ
m
表示第m个微动目标的角度；a(θ
m
)表示第m个微动目标k
×
1维的方向向量；u2＝[u
m
,u
m+1
,...,u
k
]表示噪声子空间；h表示矩阵的共轭转置。
[0027]
本发明中的微动目标运动参数检测方法与现有技术相比，具有如下有益效果：
[0028]
在本发明中，通过峰值检测法和music算法实现微动目标距离和角度的联合超分辨率估计，能够在天线阵元个数有限的情况下有效提升微动目标距离和角度分辨率，从而能够兼顾微动目标运动参数的检测精度和检测成本。同时，本发明滤除了差拍信号中的静止杂波信号，使得能够有效区分动目标和静目标，能够提取到有效反映微动目标运动参数的信号，从而能够进一步提升微动目标的运动参数检测精度，并能够减小计算量、提升运动参数检测效率。此外，本发明通过多天线阵元差拍信号累加的方式增强了微动目标的反射能量，这有利于更好的计算微动目标的距离信息和角度信息，从而能够辅助提升微动目标的运动参数检测精度。最后，本发明通过自回归模型对差拍信号进行时域(虚拟)延拓，能够有效反映距离信息和角度信息之间的耦合性，从而能够在提高微动目标距离信息分辨率的同时提高角度信息分辨率。
附图说明
[0029]
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
[0030]
图1为实施例中微动目标运动参数检测方法的逻辑框图；
[0031]
图2为实施例中微动目标运动参数检测方法的原理图；
[0032]
图3为实施例中前后项预测数据之间的关系图；
[0033]
图4为实施例中格型滤波器的网络结构图。
具体实施方式
[0034]
下面通过具体实施方式进一步详细的说明：
[0035]
实施例：
[0036]
本实施例中公开了一种基于雷达天线阵元的微动目标运动参数检测方法。
[0037]
如图1和图2所示，基于雷达天线阵元的微动目标运动参数检测方法，包括以下步骤：
[0038]
s1：获取目标雷达各个天线阵元的差拍信号；
[0039]
s2：滤除差拍信号中的静止杂波信号得到对应的滤波差拍信号；然后根据滤波差拍信号建立对应的自回归模型；最后根据自回归模型(ar模型)计算对应滤波差拍信号时域延拓后的时域延拓信号；
[0040]
s3：将各个天线阵元对应的时域延拓信号进行累加，再通过峰值检测法计算各个
微动目标对应的距离信息；
[0041]
s4：根据各个微动目标的距离信息结合music算法计算各个微动目标对应的角度信息。具体的，music算法(multiple signal classification，即多信号分类算法)是一种基于矩阵特征空间分解的方法。从几何角度讲，信号处理的观测空间可以分解为信号子空间和噪声子空间，显然这两个空间是正交的。信号子空间由阵列接收到的数据协方差矩阵中与信号对应的特征向量组成，噪声子空间则由协方差矩阵中所有最小特征值(噪声方差)对应的特征向量组成。
[0042]
在本发明中，通过峰值检测法和music算法实现微动目标距离和角度的联合超分辨率估计，能够在天线阵元个数有限的情况下有效提升微动目标距离和角度分辨率，从而能够兼顾微动目标运动参数的检测精度和检测成本。同时，本发明滤除了差拍信号中的静止杂波信号，使得能够有效区分动目标和静目标，能够提取到有效反映微动目标运动参数的信号，从而能够进一步提升微动目标的运动参数检测精度，并能够减小计算量、提升运动参数检测效率。此外，本发明通过多天线阵元差拍信号累加的方式增强了微动目标的反射能量，这有利于更好的计算微动目标的距离信息和角度信息，从而能够辅助提升微动目标的运动参数检测精度。最后，本发明通过自回归模型对差拍信号进行时域(虚拟)延拓，能够有效反映距离信息和角度信息之间的耦合性，从而能够在提高微动目标距离信息分辨率的同时提高角度信息分辨率。
[0043]
具体实施过程中，步骤s2中，通过运动目标检测算法(moving target indication，mti)滤除差拍信号中的静止杂波信号。
[0044]
具体的，mti算法主要是利用动目标回波信号的多普勒频移来区分动目标和静目标；实现mti算法主要是通过延迟线对消器对阵元接收的差拍信号在频域内进行滤波。单延迟线对消器的系统频率响应幅度为双延迟线对消器的系统频率响应幅度为
[0045]
在本发明中，通过mti算法能够有效滤除差拍信号中的静止杂波信号，使得能够有效区分动目标和静目标，能够提取到有效反映微动目标运动参数的信号，从而能够进一步提升微动目标的运动参数检测精度，并能够减小计算量、提升运动参数检测效率。
[0046]
具体实施过程中，步骤s2中，差拍信号beat(n)对应的自回归模型表示为式中：p表示自回归模型的模型阶数，a
p
(i)表示p阶自回归模型中第i项的模型系数；w(n)表示高斯白噪声。
[0047]
差拍信号表示为
[0048]
自回归模型的系统函数表示为
[0049]
在本发明中，通过上述自回归模型能够有效计算时域延拓后的时域延拓信号，进
而能够体现距离信息和角度信息之间的耦合性，从而能够在提高距离分辨率的同时提高角度分辨率。
[0050]
具体实施过程中，步骤s2中，通过伯格(burg)算法计算更新自回归模型的模型系数。
[0051]
具体的，通过x(n)表示天线阵元的差拍信号，x(n)＝beat(n)；
[0052]
通过前p个差拍信号x(n
‑
i)(i＝1,2,...p)结合如下公式计算信号的前向预测值和前向预测误差
[0053][0054][0055]
通过后p个差拍信号x(n),x(n
‑
1),...x(n
‑
p+1)结合如下公式对x(n
‑
p)进行后向预测，计算后向预测值和后向预测误差
[0056]
式中：a
′
p
(i)表示后向预测系数；
[0057][0058]
其中，差拍序列的前后项预测数据之间的关系如图3所示；p阶格型滤波器的结构如图4所示。
[0059]
因此，前后预测过程中的误差的迭代关系表示为：
[0060][0061][0062]
式中：k
i
,i＝1,2,...,p表示第i阶反射系数，且当p＝0时，
[0063]
前后误差的功率总和可以表示为：
[0064][0065]
通过最小均方误差准则结合如下公式使前后项误差功率对反射系数求偏导：
[0066][0067]
通过如下公式求解格型滤波器中第p阶反射系数k
p
：
[0068][0069]
通过模型系数a
p
(i)与反射系数k
p
的关系结合如下公式计算更新自回归模型的模型系数：
[0070]
a
p
(i)＝a
p
‑1(i)
‑
k
p
a
p
‑1(p
‑
i),i＝1,2,...,p
‑
1。
[0071]
在本发明中，通过上述伯格算法计算更新自回归模型的模型系数，与现有的l
‑
d算法(levinson
‑
durbin)相比，能够后减小模型系数的计算误差，与现有的yule
‑
walker算法相比，能够降低高阶模型的时间复杂度，从而能够兼顾微动目标运动参数的检测精度和检测效率。
[0072]
具体实施过程中，通过误差功率最小最终预测误差(final prediction error,fpe)准则计算自回归模型的模型阶数。对于自回归模型的模型阶数选取，如果模型阶数选取过低，功率谱就会过度平滑，无法分辨距离较近的峰谱，如果模型阶数选取过高，又会产生虚假谱峰，无法正确识别目标。
[0073]
具体的，计算自回归模型的模型阶数时：设自回归模型的观测序列长度为n；通过当前模型阶数p下的误差结合公式计算最终预测误差fpe；当最终预测误差fpe取最小值时的参数p就是自回归模型的模型阶数。对于一般的自回归模型，模型阶数越高，误差就越小，但对应的fpe计算式的括号内的值就越大，所以fpe准则是误差功率与自回归模型阶数之间平衡的结果。
[0074]
beat
ar
(k,n)表示第k个天线阵元经自回归模型进行时域延拓之后时域延拓信号：
[0075]
式中：k＝1,2,...,k；n＝1,2,...,n
ar
；n
ar
表示时域延拓信号的长度；n表示延拓信号的索引值，a
m
表示第m个接收信号的幅度，j表示单位复数信号，f表示接收信号频点，τ表示信号空中传播时间，λ表示信号波长，u表示信号调频斜率。
[0076]
时域延拓之后的时域延拓信号完整保留了原始差拍信号的信息。
[0077]
在本发明中，通过fpe准则计算自回归模型的模型阶数，能够避免因模型阶数选取过低，导致功率谱就过度平滑、无法分辨距离较近的峰谱的问题，和因模型阶数选取过高，导致产生虚假谱峰，无法正确识别目标的问题，从而能够辅助提升微动目标的运动参数检测精度。
[0078]
具体实施过程中，通过如下步骤计算微动目标对应的距离信息：
[0079]
通过如下公式对时域延拓信号进行距离维的fft：
[0080][0081]
对每个天线阵元距离维fft之后的时域延拓信号频谱进行峰值搜索得到m个峰值频点，将第k个天线阵元对应的峰值频点向量e(k)表示为：
[0082]
e(k)＝[e(k,1),e(k,2),...,e(k,m)],k＝1,2,...k；式中：e(k,m)表示第k个天线阵元接收到的第m个微动目标对应的频点；
[0083]
根据目标雷达中1d
‑
fft频率与距离的关系结合如下公式计算第m个微动目标的距离信息：
[0084]
式中：t
c
表示目标雷达发射信号的调频周期，t
s
表示差拍信号的采样周期；e(k,m)表示第k个天线阵元接收到的第m个微动目标对应的频点。
[0085]
在本发明中，通过自回归模型(ar模型)结合峰值检测法和外推
‑
快速傅立叶变换(extrapolation
‑
fft)距离估算法能够有效的保证微动目标距离信息的分辨率，进而能够辅助提升微动目标的角度分辨率，从而能够提升微动目标的运动参数检测精度。
[0086]
具体实施过程中，步骤s4中，通过如下步骤计算微动目标对应的角度信息：
[0087]
根据峰值频点向量e(k)结合如下公式计算对应的峰值向量p(k)：
[0088]
p(k)＝[p(k,1),p(k,2),...p(k,m)]
t
,k＝1,2,...,k；式中：p(k,m)表示e(k,m)频点对应的峰值；
[0089]
所有天线阵元的峰值可以表示为：
[0090][0091]
构造峰值矩阵的协方差矩阵c
m
；式中：x
m
表示峰值矩阵x中的第m列信息，符号h表示矩阵的共轭转置；
[0092]
通过阵列上前后向一维平滑进行解相干操作，通过k
×
k维交换矩阵j
k
：
[0093]
其中，
[0094]
生成前后向平滑协方差矩阵c
fb,m
，
[0095]
通过特征值分解分离出协方差矩阵c
fb,m
的信号和噪声子空间：
[0096]
式中：u1＝[u0,u1,...,u
m
‑1]表示信号子空间，u2＝[u
m
,u
m+1
,...,u
k
]表示噪声子空间；
[0097]
前m个最大特征值ψ1,ψ2,...,ψ
m
对应信号子空间，其余的最大特征值ψ
m
,ψ
m+1
,...,ψ
k
对应于噪声子空间，表示为ψ
m
＝ψ
m+1
＝...＝ψ
k
＝δ2，其中δ2表示高斯白噪声功率；
[0098]
协方差c
fb,m
对应的k
×
m维阵列流形a表示为a＝[a(θ1),a(θ2),...a(θ
m
)]；式中：θ
m
表示第m个微动目标的角度；a(θ
m
)表示k
×
1维的方向向量，具体表示为a(θ
m
)＝[1 exp(jπsinθ
m
)
ꢀ…ꢀ
exp(jπ(k
‑
1)sinθ
m
)]
t
；
[0099]
通过方向向量和噪声子空间之间的正交关系结合如下公式在角度域上进行谱峰搜索并计算第m个微动目标的p
music
(θ
m
)；当p
music
(θ
m
)取最大值时将对应的角度θ
m
作为第m个微动目标的角度信息：
[0100]
式中：θ
m
表示第m个微动目标的角度；a(θ
m
)表示第m
个微动目标k
×
1维的方向向量；u2＝[u
m
,u
m+1
,...,u
k
]表示噪声子空间；h表示矩阵的共轭转置。
[0101]
在本发明中，通过上述的1d
‑
music算法能够实现微动目标的到达角测量，即能够保证微动目标角度信息的分辨率，结合前述的峰值检测法和extrapolation
‑
fft距离估算法能够有效实现微动目标距离和角度的联合超分辨率估计，即能够在天线阵元个数有限的情况下有效提升微动目标距离和角度分辨率，从而能够兼顾微动目标运动参数的检测精度和检测成本。
[0102]
需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。同时，实施例中公知的具体结构及特性等常识在此未作过多描述。最后，本发明要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。