基于统计特征的雷达道路识别

基于统计特征的道路结构识别在汽车 FMCW雷达系统中的应用

摘要

本文提出了一种利用汽车调频连续波雷达系统中接收信号的统计特性进行道路结构识别的高效方法。通常情况下，道路由多种结构组成，其中一些结构（如铁制的隧道和隔音墙）会产生不需要的回波，称为杂波。当杂波进入雷达系统时，目标检测性能无法得到完全保证，这给使用雷达功能（如自适应巡航控制）的驾驶员带来极大的危险。因此，亟需一种能够有效识别影响雷达检测性能的道路结构的高效方法。根据道路结构类型的不同，接收信号的频率分量具有不同的分布特征。针对这一特点，提取了反映各分布统计特性的参数。这些参数可作为识别标准，因为它们在不同道路结构下表现出不同的数值。为了进一步提高识别效果，本文采用了支持向量机方法，结合线性分类器或高斯核，并得到了相应的混淆矩阵。结果表明，所提出的方法能够以高精度成功分类各类道路结构。如果能够有效识别出影响雷达功能的道路结构，则可通过实施附加信号处理或向驾驶员发出警告信息，确保配备雷达的车辆内驾驶员的安全。

索引术语

汽车调频连续波（FMCW）雷达，道路结构识别，统计特性，支持向量机（SVM）

I. 引言

RECENTLY ，随着汽车安全受到公众的广泛关注，为汽车设计的传感器（如声纳、视觉、激光雷达和雷达系统）已变得至关重要[1]。在这些传感器中，雷达是在无光环境或恶劣天气等环境条件较差的情况下具有较强的鲁棒性[2]。安装在汽车上的雷达系统可实现自适应巡航控制（ACC）、自动紧急制动（AEB）和盲点检测等特殊功能，以提高驾驶员的便利性。最重要的是，为了驾驶安全，雷达必须保证可靠的检测性能。如果雷达无法准确检测目标，将对驾驶安全构成严重威胁。

通常，道路包含各种结构，如隧道、护栏和隔音墙。其中，由铁制成的某些结构由于存在多个金属反射器，会产生不期望的反射回波，称为雷达杂波。当这种杂波进入雷达系统时，目标检测性能无法得到充分保证，因为恒虚警率（CFAR）算法[3]–[5]无法适当地进行差频检测。在这种情况下，雷达可能会遗漏前方的目标，这对于使用自适应巡航控制功能的配备雷达的车辆中的驾驶员来说可能构成严重威胁。此外，如果被遗漏的目标突然被检测到，自动紧急制动系统将自主启动，这可能导致交通事故。为防止此类情况发生，需要开发一种高效方法，能够提前利用汽车雷达传感器识别出会恶化雷达检测性能的结构。目前，使用激光雷达系统或摄像头对道路环境进行识别的研究已广泛开展[6]–[10]；然而，摄像头系统在低光环境中表现不佳，且激光雷达系统的生产成本高于雷达传感器。

使用车载雷达对道路环境识别的研究尚未得到充分开展。在[11]中，利用24 GHz汽车雷达系统的后向散射特性开展了识别多种道路状况的研究。此外，在[12]和[13]中进行了道路形状识别的研究，可用于预测道路曲率或控制行驶方向。在[12]中，利用雷达测量数据检测了护栏并对其轨迹进行建模，并结合摄像头测量结果检测道路边界[13]。迄今为止，关于利用车载雷达进行道路结构识别的研究还较少[3],[5],[14]。Diewald et al.[14]基于雷达信号多径传播特性的干涉模式识别桥梁。在[3]中，提出了一种利用77 GHz汽车调频连续波（FMCW）识别铁质隧道的方法。

基于香农熵[15]的概念开发了一种雷达系统。在该方法中，作者通过接收信号中频率成分的离散度来识别铁质隧道。在[5]中，通过使用经验确定的参数测量基频及其对应的谐波，识别了带有周期性钢架且会降低雷达性能的铁质道路结构。这两种方法均有效识别了周期性安装的道路结构；然而，仍需要一种不受道路结构周期性影响的识别方法。

本文提出了一种利用车载FMCW雷达识别道路结构的有效方法。在此雷达系统中，低通滤波器的输出包含频率分量，其分布取决于道路结构类型。例如，在含有大量金属反射器的结构中，77‐79 GHz雷达会检测到多个频率分量[3]–[5],[16]；而在普通道路环境中则不会出现这种情况。因此，通过识别分布的形状、尺度和位置参数，可以确定配备雷达的车辆当前行驶在哪种道路结构上。然而，在汽车雷达系统的每次雷达扫描中执行该过程将带来较大的计算负载。为解决此问题，我们采用一种提取代表各分布统计特性的参数的方法，如均值、方差、变异系数、偏度和峰度。这些参数可直接从接收信号中简便计算得到，不同于形状、尺度和位置参数，并可用作结构识别标准。此外，为了实现更有效的识别，我们采用了支持向量机（SVM）方法。支持向量机方法是一种广为人知且简单的机器学习算法，广泛应用于雷达信号处理中的目标分类[17]–[20]，其通过确定适当的分类函数[21]将给定数据划分为两类。

基于建议参数，使用SVM对测量数据进行训练以获得合适的决策边界。同时采用四折交叉验证法，即使用总数据的75%来确定判别函数，其余数据作为验证集用于验证函数性能。该过程针对四个不同的验证集重复进行，并计算平均分类准确率。我们利用来自龙仁‐首尔高速公路的测量数据验证所提出方法的性能，该高速公路全长22.8 km，包含多种道路结构。结果表明，所提出的方法能够以高精度成功区分不同类型的道路结构。此外，该方法还能有效识别已知会降低雷达检测性能的铁质道路结构。若能通过车载雷达高效识别道路结构，则可通过应用附加信号处理抑制杂波或向驾驶员发出警告，从而确保使用雷达功能的驾驶员安全。由于分类函数已预先确定并离线存储，所提出的方法降低了实时计算负载。因此，当雷达接收到新信号时，只需提取统计参数即可，并且我们可以利用预先确定的分类函数即时确定车辆正在行驶的道路结构。此外，我们所提出的方法能够在不使用其他汽车传感器的情况下识别道路结构。而且，与[3]和[5]中提出的方法不同，我们的方法可以不受周期性限制地应用，并能够识别道路结构的类型。

本文的其余部分组织如下。在第二节中，简要介绍了车载FMCW雷达系统的基本原理。接着，在第三节中介绍了实际道路环境下的雷达信号测量，并展示了不同道路结构下接收信号分布差异的一些示例。然后，在第四节中，基于测量数据提出了基于铁的道路结构识别方法，介绍了反映分布特征的参数以及使用这些参数的支持向量机方法，并展示了由支持向量机方法得到的混淆矩阵。最后，在第五节中给出了结论。

II. 车载FMCW雷达系统基础

调频连续波雷达广泛应用于汽车雷达系统[22]中。在该系统中，发射信号的频率随时间线性变化[23]。因此，发射信号 $T(t)$ 可表示为

$$
T(t)= A_T \cos\left(2\pi\left(f_c - \frac{B}{2}\right)t+ \pi \frac{B}{T} t^2\right) \quad (0 \leq t \leq T),
$$

其中 $A_T$ 是发射信号的幅度，$f_c$ 是调制信号的载波频率，$B$ 是工作带宽，而 $T$ 是扫描时间。这种发射信号通常被称为上扫频信号，因为其频率迅速增加。对于 $T \leq t \leq 2T$，雷达系统发射一个频率迅速下降的信号，这被称为下扫频信号。当上扫频信号从 $L$ 个目标反射回来时，接收信号 $R(t)$ 表示为

$$
R(t)= \sum_{l=1}^{L} \left{A_{Rl} \cos\left(2\pi(f_c+ f_{dl} - \frac{B}{2})(t - t_{dl}) + \pi \frac{B}{T} (t - t_{dl})^2 \right)\right}+n(t)
= \sum_{l=1}^{L} d_l(t)+ n(t) \quad (\min_l t_{dl} \leq t \leq T+ \max_l t_{dl}),
$$

其中 $A_{Rl}$ ($l= 1,2,\cdots, L$) 是来自第 $l$ 个目标的反射信号的幅度，$f_{dl}$ 是由第 $l$ 个目标与雷达之间的相对速度引起的多普勒效应，而 $t_{dl}$ 是由第 $l$ 个目标与雷达之间距离引起的时间延迟。此外，$d_l(t)$ 是包含第 $l$ 个目标的距离信息的期望信号，$n(t)$ 表示在接收天线处添加的噪声。然后，发射信号 $T(t)$ 与接收到的信号 $R(t)$ 通过频率混频器后的输出 $M(t)$ 为

$$
M(t)= T(t)R(t)
= T(t)\left( \sum_{l=1}^{L} d_l(t)+ n(t)\right)
= T(t) \sum_{l=1}^{L} d_l(t)+ T(t)n(t) \quad (\max_l t_{dl} \leq t \leq T).
$$

此后，$M(t)$ 成为低通滤波器的输入信号，其输出可表示为

$$
L_{PF}(M(t))= \frac{1}{2} A_T \sum_{l=1}^{L} A_{Rl} \cos\left(2\pi\left(\frac{B}{T} t_{dl} - f_{dl}\right)t +(f_c+ f_{dl} - \frac{B}{2})t_{dl} - \frac{B}{2T} t_{dl}^2\right) + L_{PF}(T(t)n(t)) \quad (\max_l t_{dl} \leq t \leq T).
$$

由于 $L_{PF}(M(t))$ 是余弦信号的和，通过应用傅里叶变换（在实际的汽车雷达系统中，使用快速傅里叶变换（FFT））提取每个信号的频率。然后，这些提取出的频率 $\hat{f}_{ul}$ ($l= 1,2,\cdots, L$) 表示为

$$
\hat{f} {ul}= \frac{B}{T} t {dl} - f_{dl}
= \frac{B}{T} \frac{2R_l}{c} - \frac{2v_l}{c} f_c,
$$

其中 $R_l$ 和 $v_l$ 分别为雷达与第 $l$ 个目标之间的相对距离和相对速度，$c$ 为发射的雷达信号的传播速度。此外，从下扫频信号中提取的差拍频率可表示为

$$
\hat{f} {dl}= \frac{B}{T} t {dl}+ f_{dl}
= \frac{B}{T} \frac{2R_l}{c} + \frac{2v_l}{c} f_c.
$$

因此，如果我们在FMCW雷达系统中利用从上啁啾和下扫频信号中提取的差拍频率，通过配对 $\hat{f} {ul}$ 和 $\hat{f} {dl}$[24]，即可估计 $R_l$ 和 $v_l$。估计距离和速度的计算公式如下

$$
\hat{R} l=(\hat{f} {ul}+ \hat{f} {dl})\times \frac{cT}{4B},
$$
$$
\hat{v}_l=(\hat{f} {dl} - \hat{f}_{ul})\times \frac{c}{4f_c},
$$

因为 $T$、$B$、$c$ 和 $f_c$ 在雷达系统中已经固定。为了避免差拍频率的配对过程，设计了一种快斜坡调频连续波雷达[25],[26]。

对于周期性安装的道路结构，钢架以均匀间隔安装。因此，差拍频率对于周期性帧可以表示为

$$
\hat{f} p= \frac{B}{T} t {dp} - f_{dp}
= \frac{B}{T} \frac{2(R_1+(p -1)I)}{c} - \frac{2v_{cp}}{c} f_c \quad (p= 1, 2,\cdots, P).
$$

其中 $p$ 是每个钢架的索引，$R_1$ 表示第一个钢架与配备雷达的车辆之间的距离，$I$ 是钢架之间的间距。在上述公式中，由于钢架没有速度，因此多普勒频率对所有 $p$ 可视为常数；因此，该项仅取决于配备雷达的车辆的速度。此外，相邻差拍频率之间的差值表示为

$$
\hat{f}_{p+1} - \hat{f}_p= \frac{B}{T} \frac{2I}{c},
$$

保持恒定，因为 $B$、$T$、$c$ 和 $I$ 具有固定值。因此，对应于钢架的差拍频率倾向于以规则间隔出现。此外，$\hat{f}_{p+1} - \hat{f}_p$ 保持恒定，不受配备雷达的车辆速度的影响，因为它不依赖于 $v_p$。

III. 实际道路环境中的雷达信号测量

在本节中，我们讨论雷达信号的测量以及针对测量数据的信号分析方法。首先，我们描述了测量中所用车载雷达的规格，然后分析了在实际道路结构中接收到的信号特性。

A. 所用车载FMCW雷达的规格

我们使用了曼德公司（Mando Corporation）的长距离雷达（LRR）进行测量。为了识别远处的道路结构，利用该长距离雷达（LRR）[27]获得的检测结果是有效的。天线系统采用单单元发射天线和四单元接收均匀线性阵列天线，接收天线中相邻单元之间的间距为1.8λ。此外，阵列天线的半功率波束宽度为7°。商用长距离雷达的半功率波束宽度通常在5°到9°[28]之间。同时，我们的长距离雷达（LRR）的视场角（FOV）范围为−10°到10°，处于一般范围内[29]。该天线系统发射调频连续波雷达信号。发射信号从视场内的目标反射，反射信号由阵列天线接收。

在测量中，(1)式中的 $f_c$、$B$ 和 $T$ 分别设置为76.5 GHz、500 MHz和5 ms。此外，一个调频连续波雷达信号周期持续60ms，包括10ms的信号传输间隔和50 ms的信号处理时间。本文将这样一个60ms的周期称为一次雷达扫描。在10ms的信号传输间隔期间，上啁啾和下啁啾信号的发射时间各分配5 ms。图1展示了安装在车辆前保险杠上的调频连续波雷达传感器工作原理的框图，如图2所示。

B. 测量数据的接收到的雷达信号分析方法

使用前一节所述的车载雷达，我们在实际道路环境中进行了测量。我们多次在龙仁‐首尔高速公路上驾驶配备雷达的车辆进行实验数据采集。此外，为了理解接收到的雷达信号道路结构中的特征，我们在特定环境（如普通道路、普通隧道、铁质隧道、铁质隔音墙和护栏）中积累了大量测量数据。普通道路环境定义为无道路结构的环境。此外，铁质隧道是指带有周期性钢架的隧道，而普通隧道则是指没有此类周期性钢架的隧道。铁质隔音墙是用铁制成的隔音墙，护栏是安装在道路中央的铁质结构。对于每种道路结构类型，均存储至少3000次接收到的雷达扫描以供分析。

在分析接收到的雷达信号时，由于目标检测基于差拍频率进行，因此在频域中处理信号比在时域中更为有效。

1) 接收信号分析：

对于测量中的雷达扫描，(4)中的时间采样 $L_{PF}(M(t))$ 可表示为

$$
x_m=[x_m(1), x_m(2),\cdots, x_m(N_S)],
$$

其中 $m$ 表示扫描索引，$N_S$ 表示时间采样点数。然后，第 $m$ 次雷达扫描的时域采样低通滤波器输出的FFT结果为

$$
X_m(k)= \sum_{n=1}^{N_F} x_m(n)e^{-j \frac{2\pi}{N_F} (n-1)(k-1)} \quad (k= 1, 2,\cdots, N_F),
$$

其中 $N_F$ 是FFT点数，在我们的雷达系统中设置为 $2^{11}= 2048$。此外，FFT结果的幅度响应定义为

$$
S_m=[|X_m(1)| , |X_m(2)| ,\cdots, |X_m(N_F/2)|].
$$

因为 $|X_m(k)|$ ($k= 1,2,\cdots,N_F$) 关于 $N_F/2$ 对称，仅处理整个FFT结果的一半。

2) 不同道路结构中频率成分的分布：

如第二节所述，当我们对时间采样的低通滤波器输出 $x_m$ 进行FFT时，会提取出每个余弦波对应的频率分量。根据道路结构的类型不同，FFT结果中频率分量的分布也会有所变化。例如，当配备雷达的车辆在具有多个金属反射器（如铁质隧道和铁质隔音墙）的道路结构上行驶时，发射信号会被这些反射器反射。随后，接收天线接收到多个反射信号，FFT结果中包含许多频率分量。相比之下，当车辆在具有少量反射器的道路结构上行驶时，FFT结果中仅出现对应于视场内目标的少数几个频率分量。因此，频率分量的分布会因道路结构的特性而有所不同。

不同道路结构之间的频率分量分布差异可以从测量结果中得到证实。例如，图3显示了配备雷达的车辆进入铁质隧道时，经过600次雷达扫描累积的 $S_m$（见公式(12)）。在图中，x−轴和y−轴分别表示扫描索引（$m$）和FFT索引（$k$）。此外，扫描索引 $m$ 可以解释为自测量开始以来的经过时间，因为在我们的雷达系统中每60ms记录一次雷达扫描，如第三节‐A所述。我们将该图分为两个区域：区域A代表配备雷达的车辆在普通道路上行驶时的测量数据，区域B代表车辆完全进入铁质隧道后的测量数据。在图中，当车辆接近隧道时，出现了一种独特的模式。为了更仔细地观察，图4和图5分别展示了这两个区域的代表性快照和瞬时幅度响应。当配备雷达的车辆在普通道路上行驶时（例如，$S_{100}$），由于反射发射信号的反射体数量较少，瞬时幅度响应中仅存在对应于雷达视场内目标的频率分量占主导地位；然而，当车辆在铁质隧道中行驶时（例如，$S_{460}$），雷达会检测到从铁质隧道钢架反射的多个信号。换句话说，对应于钢架的多个频率分量出现在瞬时幅度响应中。这些被称为雷达杂波的非期望反射雷达信号会降低雷达检测性能，因为期望目标的差频被淹没在杂波[3]–[5]中。因此，通过判断会降低雷达检测性能的道路结构，需要进行附加信号处理方法以克服性能下降。为此，首先需要建立一种能够识别道路结构的有效方法。

。)

基于统计特征的道路结构识别在汽车 FMCW雷达系统中的应用

IV. 提出的道路结构识别方法

本节提出了一种有效识别道路结构的方法。这里，我们将尝试使用两种方法来识别道路结构。在第一种方法中，我们确定每种道路结构下频率分量所遵循的分布类型。在确定分布后，我们提取能够表示该分布特征的参数，例如形状、尺度和位置。相比之下，在第二种方法中，我们在不识别频率分量所遵循的具体分布的情况下，提取代表分布统计特性的参数，例如均值、方差、方差相关性、偏度和峰度。然后利用这些参数，采用支持向量机方法建立合适的分类器，并获得相应的分类结果。本文引入这两种方法的原因如下：前一种识别方法在实际雷达系统中的应用会带来较大的计算负荷。因此，本文认为后一种使用相对简单统计参数的识别方法更为高效。

A. 频率分量分布拟合

首先，我们通过识别某些道路结构中频率分量所遵循的分布来介绍道路结构识别方法。对于图5中的一个测量示例，我们分别找到了普通道路和铁质隧道中频率分量的分布。图6显示了在 $S_{100}$ 和 $S_{460}$ 中的频率分量分布。在该图中，x−轴表示 $|X_m(k)|$ ($k= 1,2,\cdots,N_F/2$) 在100th和460th雷达扫描中的频率分量幅值，每种情况下均有 $N_F/2= 1024$ 个频率分量分布在128个幅值区间内。此外，y−轴表示属于每个幅值区间的频率分量数量。如图所示，频率分量的分布在不同类型的道路结构下有所不同。为了确定每种情况最合适的分布，我们对测量结果进行柯尔莫哥洛夫‐斯米尔诺夫(K‐S)检验。在K‐S检验中，通过最小的K‐S统计量[30]来确定最合适的分布。针对50个经验分布，我们计算了K‐S统计量；结果见表I。当车辆在普通道路上行驶时，其分布遵循四参数Burr分布，其概率密度函数表达为

$$
f_B(x; \alpha_B, \beta_B, \gamma_B, \delta_B)= \frac{\alpha_B\delta_B\left(\frac{x-\gamma_B}{\beta_B}\right)^{\alpha_B -1}}{\beta_B\left(1+\left(\frac{x-\gamma_B}{\beta_B}\right)^{\alpha_B}\right)^{\delta_B+ 1}},
$$

其中 $x$ 表示 $X_m(k)$ ($k= 1,2,\cdots,N_F/2$) 的幅度。此外，$\alpha_B$ 和 $\delta_B$ 为形状参数，$\beta_B$ 和 $\gamma_B$ 分别表示尺度和位置参数。

另外，铁质隧道中的频率分量服从具有最小K‐S统计量的三参数对数逻辑分布，其表达式为

$$
f_L(x; \alpha_L, \beta_L, \gamma_L)= \frac{\alpha_L}{\beta_L}\left(\frac{x - \gamma_L}{\beta_L}\right)^{\alpha_L -1} \times\left(1+\left(\frac{x - \gamma_L}{\beta_L}\right)^{\alpha_L}\right)^{-2},
$$

表I 普通道路和铁质隧道中分布的K‐S统计量

普通道路上的频率分量遵循具有第二小K‐S统计量的对数逻辑分布。在这种情况下，这三个参数计算为 $(\alpha_L^N, \beta_L^N, \gamma_L^N)=(3.412,16.92, 12.65)$，其值与在铁质隧道中计算的结果不同。根据测量结果，我们发现当配备雷达的车辆在每种道路结构上行驶时，这三个参数值保持不变。因此，如果能从每次雷达扫描的频率分量中识别出其分布类型，就可以确定配备雷达的车辆当前所处的道路结构。然而，在每次雷达扫描中实时确定分布类型并计算其形状、尺度和位置参数值，在雷达硬件中可能并不实用。因此，需要一种更简洁且有效的识别方法。

B. 表示统计特征的参数

如前一节所述，需要为汽车雷达系统建立更高效的识别标准。因此，我们采用一种方法来提取代表频率分量统计特性的参数，而不是识别整个分布。在该方法中，我们使用均值、方差、变异系数、偏度和峰度等参数。预计这些建议参数的值会因道路结构类型的不同而变化。变异系数又称相对标准偏差，表示分布相对于均值的离散度；偏度是衡量分布关于其均值不对称性的指标[31]。此外，峰度是衡量分布尖锐度的指标[31]。这些参数在每次雷达扫描中被提取

$$
\mu_m= \frac{1}{N_F/2} \sum_{k=1}^{N_F/2} |X_m(k)|,
$$
$$
\nu_m= \frac{1}{N_F/2 -1} \sum_{k=1}^{N_F/2} \left(|X_m(k)| -\mu_m\right)^2,
$$
$$
c_m= \frac{\sqrt{\nu_m}}{\mu_m},
$$
$$
w_m= \frac{\frac{1}{N_F/2} \sum_{k=1}^{N_F/2} \left(|X_m(k)| -\mu_m\right)^3}{\left[\sqrt{\frac{1}{N_F/2} \sum_{k=1}^{N_F/2} \left(|X_m(k)| -\mu_m\right)^2}\right]^3},
$$
$$
k_m= \frac{\frac{1}{N_F/2} \sum_{k=1}^{N_F/2} \left(|X_m(k)| -\mu_m\right)^4}{\left[\frac{1}{N_F/2} \sum_{k=1}^{N_F/2} \left(|X_m(k)| -\mu_m\right)^2\right]^2}.
$$

表II 五种道路结构五个参数的平均值

图7显示了图3所示示例在600次雷达扫描过程中五个参数值的变化趋势。如图所示，进入铁质隧道前后，这些参数具有不同的值。此外，表II显示了五种道路结构下这些参数的平均值，这些平均值是根据每种道路结构中接收到的3000次雷达扫描计算得出的。如表所示，平均值表现出明显的差异；然而，这五个参数值在不同道路结构之间可能存在重叠区域，如图8所示。在该图中，描绘了从每种道路结构中的300次接收到的雷达扫描计算出的参数值，并展示了五种道路结构下两个参数值之间的重叠区域。尽管各道路结构间的参数值区域可区分，但边界处的点属于哪一类仍不明确。因此，为了确定重叠区域内的点属于哪种道路结构，需要采用比基于均值的简单判断更为先进和有效的识别方法。

因此，我们使用基于这些统计参数的支持向量机方法，该方法是一种简单但有效的机器学习算法。

C. 使用支持向量机方法进行道路结构识别

1) 支持向量机方法原理：

支持向量机是一种最初设计用于通过确定适当的分类函数将给定数据有效划分为两组的方法，最初设计的支持向量机使用线性分类器。通过使用松弛变量或核函数[21]，支持向量机的应用还可扩展到构建非线性分类器。利用核方法，可将给定数据映射到高维空间，并在新域中通过合适的分类器进行分类。在本节中，为了确定配备雷达的车辆行驶的道路结构，我们采用支持向量机方法，并基于雷达扫描计算出的五个提出的统计参数。此处采用了四折交叉验证法。首先，我们将测量数据分为四个部分，其中四部分中的三个部分（即全部测量数据的75%）用于训练数据以构建分类函数；然后，剩余的一个部分用于验证该函数的性能。此过程对四个不同的部分各执行一次，如图9所示。

在汽车雷达系统中，由于必须在短时间内完成目标识别，因此需要考虑计算复杂度；因此，我们首先在支持向量机方法中使用线性分类函数来建立适当的分类边界给定统计参数。线性分类函数可表示为

$$
h(f_m; s, a, b)= \frac{1}{s} \times f_m \cdot a^T+ b,
$$

其中 $f_m$ 是根据第 $m$ 次雷达扫描计算得到的统计参数对应的特征向量，$s$ 是尺度参数，$a$ 是系数向量，$b$ 是偏置参数。在我们的方法中，由于使用了五个统计参数，特征向量 $f_m$ 中的元素表示为

$$
f_m=[\mu_m , \nu_m , c_m , w_m , k_m].
$$

当我们使用支持向量机方法训练测量数据以设定合适的分类函数时，对应的值针对 $s$、$a$ 和 $b$ 的分类函数 $h(f_m; s, a, b)$ 由测量数据预先确定，并作为决策边界。基于该函数，给定的特征向量通常可被划分为以下两个不同区域之一：一个区域满足 $h(f_m; s, a, b) > 0$，另一个区域满足 $h(f_m; s, a, b) < 0$。而 $h(f_m; s, a, b) = 0$ 的情况概率较低。因此，通过评估 $h(f_m; s, a, b)$ 的取值，我们能够确定配备雷达的车辆所行驶的道路结构。例如，对于图3所示的情况，若 $h(f_m; s, a, b) > 0$ 的定义域被预先确定为对应于普通道路统计参数的特征空间，则当第 $m$ 次扫描接收到的信号满足 $h(f_m; s, a, b) > 0$ 时，可确定其来自普通道路；否则，满足 $h(f_m; s, a, b) < 0$ 的特征向量可被视为在铁质隧道中测得的数据。因此，在利用大量实际测量数据建立分类函数后，车载雷达可根据接收到的雷达信号实时确定道路结构类型。所提出的方法的整体流程如图10所示。

此外，即使在测量中使用了具有不同规格的另一种雷达，所提出的方法仍然能够对道路结构进行分类，因为频率分量的分布差异始终会随着道路结构的不同而存在。当我们在使用另一种长距离雷达（LRR）时，仅有数值 $s$、$a$ 和 $b$ 会发生变化，同时保持识别性能。在本研究中，由于需要对五种道路结构进行分类，因此需要采用多类SVM方法。为此，我们使用纠错输出码多类模型来构建SVM分类器，该模型在类别数量较少时表现出较高的识别准确率[32]。

2) 支持向量机方法的识别结果：

首先，基于所提出的五个特征训练线性分类器，利用支持向量机方法得到混淆矩阵，如表III所示。在该矩阵中，第一行和第一列表示道路结构的实际类别和估计类别，分别对应。此外，由于采用了四折交叉验证法，识别准确率是四次试验的平均值。

表III 由线性分类器SVM导出的混淆矩阵

如表所示，利用所建议的统计参数能够有效进行道路结构识别。尽管普通隧道、铁质隔音墙和护栏之间存在重叠区域，但识别准确率在一定程度上仍得以保证。

我们还使用高斯核来构建一个比简单线性分类函数更有效的分类器。该方法可以达到92.2%的识别准确率，高于使用线性分类器所获得的准确率，如表IV所示。此外，如果我们使用比线性分类器更复杂的非线性分类函数，识别准确率可以进一步提高。然而，由于函数复杂性的增加，计算复杂度也可能上升。因此，为了将所提出的方法应用于实际的汽车雷达系统，需要通过权衡识别准确率和计算复杂度来确定合适的分类函数。

表IV 由高斯核SVM导出的混淆矩阵

此外，为了确定所提出参数中对识别最为关键的参数，使用支持向量机仅基于其中一个参数进行分析。识别准确率如表V所示，其中 $\mu_m$ 是最显著的参数，而 $k_m$ 可视为可忽略因素。此外，我们根据表V中的平均准确率，通过逐步增加建议参数的数量来实施支持向量机方法，结果如表VI所示。当仅使用两个参数时，识别准确率超过85%。因此，为了降低计算负载，使用较少参数进行识别是可以接受的。然而，使用更多参数可以确保更稳定和准确的识别性能。

表V 仅使用一个参数时的识别准确率

表VI 通过增加建议参数数量获得的识别准确率

我们还将支持向量机（SVM）的分类结果与决策树学习[33]的分类结果进行了比较。在该方法中，给定的特征向量 $f_m$ 在决策节点上被依次划分为二元集合。因此，我们必须确定树的结构，而这在我们的所提出的方法中是不需要的步骤。此外，设置合适的节点会显著影响分类结果。在此，我们使用了一个包含四个决策节点的简单树模型，并以基尼多样性指数作为决策准则，同时采用了四折交叉验证法。如表VII所示，决策树学习的平均分类准确率为70%，远低于支持向量机的结果。此外，在决策树学习的结果中无法识别铁制隔音墙。

表VII 由决策树学习得出的混淆矩阵

最后，我们应用所提出的方法来区分普通道路结构和铁质道路结构。在大型铁质道路结构中，例如铁质隧道和隔音墙，雷达检测性能无法得到充分保证由钢架产生的周期性杂波。此外，由于CFAR算法无法正常工作[3]–[5]，导致位于配备雷达的车辆前方的目标发生漏检。表VIII给出了以下混淆矩阵。该结果使用了全部五个建议参数，并采用了不带高斯核的线性分类器。当将道路结构仅划分为两组时，识别准确率显示出更大的提升。

表VIII 由支持向量机得出的混淆矩阵

对于实际的汽车雷达系统，如果我们设定雷达检测性能开始下降时的阈值，所提出的方法便可以有效利用。换句话说，如果通过大量测量预先确定式(16)中的尺度参数、系数向量和偏置参数，我们就可以判别出导致雷达检测性能下降的道路环境。如果道路结构的判定能够稳定进行，则可以应用附加雷达信号处理，例如CFAR算法中的阈值调整[3]或周期性杂波抑制[4],[5]，以缓解雷达检测性能的下降。此外，当自适应巡航控制功能不可靠运行时向驾驶员发出警告，可预防事故发生。为了实现这些目的，我们认为所提出的方法用于识别道路结构，这一点很重要。

V. 结论

本文提出了一种用于车载FMCW雷达系统的高效道路结构识别方法。根据道路结构的类型，我们确认接收信号中频率分量的分布存在差异。针对这一点，提取了反映各分布统计特性的代表性参数。所提取参数的平均值在不同道路结构间表现出明显差异，但也存在重叠区域。因此，我们采用支持向量机方法建立更有效的分类准则。通过使用线性分类器或高斯核的支持向量机，得到了识别准确率。此外，我们确定了所提出的参数中哪些在道路结构识别中起着最重要的作用。而且，所提出的方法成功识别出影响雷达检测性能的铁质道路结构。我们期望该方法有助于保障配备雷达的车辆驾驶员的安全。为了稳定地识别更多类型的道路结构并实现更可靠的识别性能，需要在实际道路环境中进行多种测量。