基于5G通感一體化的車輛成像跟蹤方法

基于5G通感一體化的車輛成像跟蹤方法本期專題MonthlyTopic基于5G通感一體化的車輛成像跟蹤方法VehicleImagingandTrackingMethodBasedon5GSynaesthesiaIntegrationZhangQiankun，ChenRenxiang，ZhongZhigang，MaGuanghui，SunZhiyuan（ChinaInformationTechnologyDesigning&Consult?ingInstituteCo.，Ltd.，Beijing100048，China）為了解決智慧交通領域道路連續(xù)無死角監(jiān)測的難題，提出一種基于5G通感一體化的車輛成像跟蹤方法。首先由通感一體化基站接收并解析車輛的反射信號，提取信道狀態(tài)信息，其次由信道狀態(tài)信息中所包含的多普勒信息結合恒虛警檢測技術實現(xiàn)對動目標的檢測，然后采用逆合成孔徑雷達技術，對信號進行處理得到目標的成像信息，最后基于卡爾曼濾波實現(xiàn)對多個動目標的跟蹤。Abstract：關鍵詞：Keywords：1概述隨著信息技術日新月異，信息技術、移動通信技術、人工智能與大數(shù)據(jù)技術的深度融合，通信業(yè)務要素從人向智能體、物理空間和虛擬空間要素擴展，信息處理功能需求從信息傳遞向信息采集、信息計算擴展。移動互聯(lián)網和物聯(lián)網業(yè)務不斷增強，AI業(yè)務、沉浸式業(yè)務和數(shù)字孿生業(yè)務不斷涌現(xiàn)，正廣泛滲透到個人應用以及智能制造、智能交通、智慧能源、智慧醫(yī)療等垂直應用領域。上述業(yè)務無一不依賴著通信感知收稿日期：2023-08-22一體化技術的應用。6G網絡即將到來，預期將是移動通信網絡、感知網絡和算力網絡的融合體，而感知網絡是指具有目標標跟蹤［4］和目標識別［5］等能力的系統(tǒng)。本項目基于通信感知一體化技術，面向未來的智慧交通、智能駕駛領域，研究基站側的室外動目標檢測與成像系統(tǒng)，為通信感知一體化技術在智慧交通、智能駕駛等領域的應用提供技術基礎與理論支撐。目前面向交通領域的動目標檢測與跟蹤有基于光學攝像頭［6基于雷達回波［7］及基于無線信號［8華為通感一體技術）的方案。基于紅外設備與光學攝像郵電設計技術/2023/1033本期專題MonthlyTopic基于5G通感一體化的車輛成像跟蹤方法頭的動目標檢測方案，易受雨、雪、霧等環(huán)境因素影響，對背景環(huán)境要求高［9］。華為基于無線信號的動目標檢測與跟蹤方案，利用多通道MIMO天線波束差分技術，得到極窄的波束，利用反射回來的信號進行目標檢測與跟蹤。該方案需要全雙工天線，利用極窄波束的掃描獲取不同角度下的動目標的反射信號強度與信號時延，結合波束角度得到目標位置，進行目標跟蹤。然而由于擦地角的限制需要對地面進行標定后，才可實現(xiàn)準確的動目標檢測與跟蹤功能?；诖?，本文提出一種基于成像的目標跟蹤方法，基于逆合成空間雷達成像理論的機理［10］在只有單通道的時候，即可實現(xiàn)對動目標的成像。同時在短時間內獲取多幀ISAR圖像，實現(xiàn)類似視頻的動態(tài)成像功能?；诙鄮琁SAR圖像，提取目標的特征信息可實現(xiàn)動目標的跟蹤功能。同時利用該信息可擴展目標識別功能，區(qū)分卡車、汽車、自行車等類別，為智慧交通的應用落地提供更豐富的感知信息。2系統(tǒng)方案設計室外動目標檢測與成像跟蹤整體系統(tǒng)方案如圖1所示，整體可分為3個模塊，分別為參數(shù)估計與提取模塊、動態(tài)ISAR成像模塊和多幀成像結果跟蹤模塊。參數(shù)估計與提取模塊負責估計動目標運動參數(shù)。該模塊首先利用多普勒域的零頻濾波技術濾除通感信號中的背景與靜止目標，抑制多徑信號，然后結合恒虛警檢測技術在目標一維距離像進行動目標檢測，利用目標一維距離像信息提取目標距離-時間圖，再結合距離公式進行非線性擬合獲取目標的速度信息。然后利用ISAR參考相位將信號處理轉換為ISAR成像處理，再結合稀疏參數(shù)估計方法獲取目標的運動參數(shù)?；谠搮?shù)，動態(tài)成像模塊擬合構造誤差相位補償運動誤差，再結合波數(shù)域二維插值映射建立多目標的分布式成像模型，隨后利用CADMM優(yōu)化框架［11］獲取多目標的全局優(yōu)化成像結果，最后利用多段子孔徑回波獲取多幀的ISAR成像結果。成像跟蹤模塊利用動態(tài)ISAR成像獲取的多幀成像結果進行目標跟蹤。該模塊分為檢測與跟蹤2個子模塊。檢測模塊首先使用高斯混合模型分離背景得到運動區(qū)域，然后對該區(qū)域進行形態(tài)學運算，消除噪聲，最后計算目標的質心和邊界框坐標等特征信息。跟蹤模塊使用特征信息初始化卡爾曼濾波器［12使用卡爾曼濾波器計算并預測每個軌跡在下一幀中的位置，然后使用匈牙利算法［13］對下一幀中新檢測到的目標進行匹配更新與跟蹤。3動目標檢測與成像跟蹤3.1系統(tǒng)回波模型位于道路一側的基站天線發(fā)射5G上行信號，發(fā)射信號經由目標反射后被基站側接收天線接收，天線配置為一發(fā)一收（OneTransmitteran1T1R）且同側收發(fā)分置天線。信號經過調制解調后可零頻濾波時頻二維檢測變化運動參數(shù)提取OMP參數(shù)估計圖目標速度估計檢測零頻濾波時頻二維檢測變化運動參數(shù)提取OMP參數(shù)估計圖目標速度估計檢測通信感知回波信號擬合運運動目標參數(shù)估計與提取靜止目標運動目標多幀ISAR成像結果多幀ISAR成像結果動態(tài)成像全局優(yōu)化結果優(yōu)化成像架構成像架構分布式成像模型波數(shù)域二維插值映射誤差波數(shù)域二維插值映射誤差補償誤差相位構造動態(tài)ISAR成像目標跟蹤匈牙利算法卡爾曼濾波運動目標檢測多幀目標跟蹤匈牙利算法卡爾曼濾波運動目標檢測多幀ISAR成像結果高斯混特征成像跟蹤信合模型提取架構息輸出ISAR合模型提取架構息輸出34圖1動目標檢測與成像跟蹤的系統(tǒng)方案2023/10/DTPT基于5G通感一體化的車輛成像跟蹤方法本期專題MonthlyTopic號模型如下：Hi為第i條路徑的信號強度，Ri為第i個路徑對應散射點到基站天線的距離（對于動目標而言，該距離是時變的c為信號傳播速度?；诶走_探測感知的概念，忽略信號空間傳播損耗，上述信號模型可改寫為：mf m=xtt為位于（x，y）位置處散射點的目標散射強度，ttmtt時刻位于（xt，yt）位置處散射點到基站天線的距離，2表示矢量的歐式距離，式中基于2遠場假設與掩疊理論忽略了目標的高層信息。f，t）為靜止散射點的回波信號，可表述=（x，y）位置處靜止散射點到基站天線的距離。由于靜止散射點到天線間的距離固定，靜止散射點的回波信號不存在多普勒信息。因此，可在慢時間域采用零頻濾波技術濾除CSI中靜止目標信息。3.2動目標檢測根據(jù)式（4）可知，由于靜止散射點到天線間的距離固定，靜止散射點的回波信號不存在多普勒信息。而動目標由于和天線間存在相對運動，導致回波信號中存在多普勒信息。因此，基于多普勒信息即可實現(xiàn)對動目標的檢測。本系統(tǒng)使用雷達檢測中最為常見的恒虛警率檢測［14］。均值類CFAR最先被提出并且實際應用最廣、最重要，其核心思想是將參考窗均值的處理結果作為背景功率水平估計，與門限乘積因子相乘得到檢測門限，經過比較得到有無目標的判決。即參考窗長度；灰色方塊為待檢測目標兩側的保護單元，其功能是防止目標拓展到鄰近單元影響目標檢測；X和Y分別為前后參考窗內采樣值的均值；α為門限乘積因子；Z為通過均值X和Y估計得到的背景功率值；T為檢測門限；D為待檢測單元的采樣值。根據(jù)奈曼皮-爾遜準則的似然比檢驗可對其進行如下判決：HD>T=aZ（5）即當待檢測單元的采樣值大于檢測門限時，假設H1成立，判決該單元存在目標，反之判決為無目標存在。x…xDx…x 計算均值Y計算均值Xx…xDx…x 計算均值Y計算均值X輸出目標LFM信號比較器 LFM信號平方率檢波器 NN-1 LFM信號平方率檢波器保護保護單元權值Z權值a圖2CFAR檢測框圖3.3動目標參數(shù)估計為方便分析相位信息，這里給出目標運動的線性形式：…………濾波后，結合相位多項式理論，動目標的信號相]可簡寫為?=-j好時，利用極短時間內的少量回波信號即可估計出相位信息，而極短時間內可忽略高次項的影響，降低參數(shù)估計計算量。本方案針對動目標的速度和加速度2個運動參數(shù)進行估計，t時刻動目標到天線的瞬時距離可寫為：xtt==由于本系統(tǒng)使用的是OFDM信號，該信號在發(fā)射郵電設計技術/2023/1035本期專題MonthlyTopic基于5G通感一體化的車輛成像跟蹤方法圖3中的距離為差分距離，是減去場景中心到雷距離差/m0距離差/m02030405060709010002000300040005000600070008000慢時間域距離差/m距離差/m020304050607090-4000-3000-2000-100001000200030004000多普勒頻率/Hz（a）回波信號距離時間圖（b）回波信號距離多普勒圖圖3動目標回波信號幅值展示達的參考距離后的結果。而結合傅里葉變換進行多示。目標的距離多普勒圖和傳統(tǒng)的ISAR距離多普勒成像算法的原理一致，但由于目標多普勒頻率的解析式位置無法獲取目標在場景中準確的二維位置，且由于該方法中存在較多近似，成像結果中存在幾何畸變。因此需要進一步的成像處理，獲取精細成像結果，后續(xù)章節(jié)會詳細地展開描述。由于發(fā)射信號帶寬已知，因此在距離向的分辨單元大小已知，考慮到項目中給出的幾何模型，可以估計出車輛在距離向上所占的距離單元個數(shù)，利用已知的距離窗個數(shù)作為參考窗。對距離壓縮信號后的信號分別進行滑動相關，由于相關與卷積之間存在信號反轉的關系，所以可以使用FFT加速運算，具體方式如下：的矩形窗，?為時域卷積，R(n)為相關信號。利用目標距離信息結合每一幀成像后獲取的目標位置信息進行非線性擬合處理，即可解算出目標的速度、加速度等相關參數(shù)信息。3.4動目標成像動態(tài)ISAR的成像原理如圖4所示。根據(jù)式（6結合ISAR成像幾何模型，建立ISAR發(fā)射天線T快時間天線hT0通信基站通信基站ttzx慢時間數(shù)據(jù)復用數(shù)據(jù)復用…第N幀……圖4動態(tài)ISAR動目標成像系統(tǒng)示意為雷達到場景中心的距離，fc為信號中心頻率；Rr為目標點與雷達之間的距離，Rr=Pa-Pt。2362023/10/DTPT基于5G通感一體化的車輛成像跟蹤方法本期專題MonthlyTopic利用匹配濾波思想可得目標的散射強度信息：基于子孔徑快速成像技術，動態(tài)ISAR可獲取視頻化的多幀二維成像結果，相較于基于雷達微動特征的感知與識別方法，動態(tài)ISAR獲取的視頻化成像結果樣本特征維度更豐富，目標檢測與行為識別的精準度更高?；夭〝?shù)據(jù)在慢時間維度分割為多個子孔徑回波ra為子孔徑時間寬度，n為幀數(shù)，可以采用數(shù)據(jù)復用的方式增加幀數(shù)，回波信號與參考點信號進行匹配濾波后，獲得的S(t利用匹配濾波思想可得：因此，對于成像區(qū)域的每一個像素，計算出在對應的合成孔徑時間內與ISAR每個位置的時延后，在距離壓縮后的數(shù)據(jù)矩陣中找到相應的累積曲線，再結合一維插值技術，沿此曲線將所有信號進行疊加，得到這個像素的能量和，即可逐回波實現(xiàn)該點目標散射強度重構，具體流程如圖5所示。而獲取成像場景中網格點的回波數(shù)據(jù)基本思路如下，根據(jù)雷達與網格點距離獲得相對于參考點的時延長度，在時域回波數(shù)據(jù)中找到對應回波數(shù)據(jù)。但存在難點即雷達與網格點距離所對應的回波數(shù)據(jù)與實際回波采樣點的數(shù)據(jù)幾乎不會重合，無法直接從實際回波數(shù)據(jù)中獲得其對應網格點的值。本算法使用的是計算量較少的最近領域插值算3.5動目標跟蹤多個動目標的跟蹤流程主要分為2部分，一是目標檢測，二是目標跟蹤。目標檢測時，首先使用基于高斯混合模型的背景減法［15］建立背景模型，分離背景得到運動區(qū)域，即目標。每個混合高斯模型由K個加權的高斯分布線性疊加而成。權系數(shù)越大，那么這個數(shù)據(jù)屬于這個高斯分布的可能性就越大。然后對檢測到的目標進行形態(tài)學運算，消除噪聲。最后使用函數(shù)進行blob分析返回目標的質心和邊界框坐標等特征目標跟蹤時，首先使用已經得到的特征信息初始化卡爾曼濾波器，使用卡爾曼濾波器計算并預測每個軌跡在下一幀中的位置。然后使用匈牙利算法對下一幀中新檢測到的目標進行匹配，即計算預測的位置黑點疊加至紅點否否以最近距離為參考點進行距離向壓縮后的回波數(shù)據(jù)對成像場景劃分網格獲得所有網格點坐標從方位向起始點開始計算當前方位向上，雷達與所有網格點的距離并計算所有網格點相對于最近距離參考點的延遲時間Δt下一方位向 下一網格點利用每一網格點的延遲時間Δt，通過插值計算所對應的回波值，與下一方位向 下一網格點否每個網格點否是否全部遍歷是所有方位向是否全部遍歷是得到成像場景區(qū)域圖像圖5算法處理流程37郵電設計技術/2023/1037本期專題MonthlyTopic基于5G通感一體化的車輛成像跟蹤方法Δm<0.5Δm<0.5m+Δm=m+1Δm>0.5圖6最近鄰域插值展示和每個新檢測到的目標之間的歐幾里得距離，將結果作為損失函數(shù)矩陣，再使用匈牙利匹配算法計算得到已分配的軌跡和目標對、未匹配的軌跡、未匹配的目標，最后更新信息，即將已匹配的軌跡更新到當前幀中匹配成功的目標的位置，將達到閾值的未匹配的軌跡刪除，為未匹配的目標創(chuàng)建新軌跡。4仿真驗證按照圖4的環(huán)境構造仿真環(huán)境，將車輛的CAD模型拆解為上萬個小三角面，然后獲取每個散射點三維示。2.01.52.01.51.00.50.510.5100-0.5-3-2-4-00-0.5-3-2-4-1-2-1-1x/mx/m24y/mx/m4y/mx/m圖7運動目標散射點三維位置表1動目標成像跟蹤系統(tǒng)參數(shù)設置參數(shù)數(shù)值參數(shù)數(shù)值載頻/GHz28OFDM傳輸速率/Hz8000帶寬/GHz0.8基站位置/m采樣率/GHz0.8目標所在車道/m子載波個數(shù)子載波間隔/kHz首先進行鄰頻濾波，在信號的距離域進行CFAR檢測即可檢測到觀測場景中有沒有出現(xiàn)運動目標，檢測結果如圖8所示，其中虛警率設置為0.01，信噪比為圖8中的藍色線條為目標的一維距離像，紅褐色線條為檢測門限，當目標的歸一化幅值大于檢測門限時，即可判定場景中存在動目標。因此，調整信噪比后的檢測精度如圖9所示。從圖9可以看出，在預設參數(shù)情況下，檢測精度已大于99%，對比不同信噪比下的檢測精度變化可以發(fā)現(xiàn)，信噪比越好檢測精度越高。ISAR成像系統(tǒng)參數(shù)設置如表2所示，成像結果如歸一化幅值/dB3030252050-5一維距離像檢測門限60050030002004006005003000200400距離單元圖8距離域CFAR檢測結果基于ISAR成像的多目標跟蹤主要基于卡爾曼濾波器，首先檢測出圖像中的運動目標，使用混合高斯模型進行背景建模，分離出背景和運動目標。然后對運動目標進行形態(tài)學操作以濾除噪聲。在多目標跟蹤中，需要處理目標匹配的問題，即當前幀中已經存在的運動目標，它們的運動軌跡和下一幀中檢測出的新運動目標之間的匹配問題。如果能夠匹配成功，那382023/10/DTPT基于5G通感一體化的車輛成像跟蹤方法本期專題MonthlyTopic檢測概率檢測概率0-20-10010203040信噪比/dB圖9不同信噪比與虛警率下的動目標檢測精度表2ISAR成像系統(tǒng)參數(shù)設置合成孔徑時間/s子孔徑時間/s孔徑復用率/%成像幀數(shù)/Hz成像范圍/m20.25050×50圖10基于通感一體化的成像么這個新目標就屬于這個運動軌跡；如果沒有匹配成功，那么就為這個新目標創(chuàng)建一條新的軌跡。5結論通信與感知融合可基于移動通信基礎設施實現(xiàn)行業(yè)一網多能。可在滿足通信業(yè)務要求的前提下實現(xiàn)感知業(yè)務，一方面支持更豐富的應用，提高網絡資源的利用效率，另一方面可以通過感知為網絡智能提供基礎支撐能力。本文面向智慧交通領域，提供了一種基于成像的車輛跟蹤方法，一方面解決了通感一體化技術在單通道情況下無法對目標進行準確跟蹤的難題，另外一方面可以通過成像技術獲得更豐富的感知信息，識別車輛的形態(tài)，未來將繼續(xù)加強成像精度的研究，為通信感知一體化技術在智慧交通、智能駕駛等領域