摘要：針對實時掌握高速公路路口基本情況的智能化交通管理需要，提出適合檢測復(fù)雜環(huán)境的毫米波雷達車輛檢測系統(tǒng)。在電子不停車收費系統(tǒng)道路一側(cè)布置雷達檢測系統(tǒng)，對雷達采樣信號多次提取處理，實現(xiàn)車輛判別并檢測車速。介紹了毫米波雷達車輛檢測系統(tǒng)組成、工作流程和應(yīng)用領(lǐng)域，重點分析了毫米波雷達檢測器區(qū)分人、車和車輛速度檢測的原理及算法流程。根據(jù)應(yīng)用場景布置雷達檢測系統(tǒng)進行實際車速及行車方向的判定實驗，系統(tǒng)運行平穩(wěn)、抗干擾能力強、檢測精度高，具有較高的實際場景應(yīng)用價值。

關(guān)鍵詞：毫米波雷達 高速公路 車輛判別 車速檢測

中圖分類號：TN959.5" 文獻標(biāo)志碼：A" 文章編號：1671-8755（2024）03-0096-07

High-speed Intersection Vehicle Detection System Based

on Millimeter Wave Radar

TANG Wenwen1， DAI Qiang1， LIU Jun2， XU Jiang3，4， LI Ming1， SONG Tianyu1

（1. Key Laboratory of Testing Technology for Manufacturing Process， Ministry of Education，

Southwest University of Science and Technology， Mianyang 621010， Sichuan， China; 2. National Key

Laboratory of Science and Technology on Communication Anti-interference， University of Electronic

Science and Technology of China， Chengdu 610054， Sichuan， China; 3. Department of Neurosurgery，

Sichuan Provincial People’s Hospital， Chengdu 610072， Sichuan， China; 4. Sichuan Translational

Medicine Research Hospital of Chinese Academy of Sciences， Chengdu 610072， Sichuan， China）

Abstract：" A millimeter wave radar vehicle detection system appropriate for identifying complex environments is proposed for vehicle detection at highway intersections in light of the need for intelligent traffic management to control the fundamental situation of highway intersections in real time. A radar detection system is installed at the side of the road where the Electronic Toll Collection" is. and the radar sample signals are extracted and processed numerous times to discriminate a vehicle and detect vehicle speed. The article provides an overview of the composition， workflow， and application fields for millimeter wave radar vehicle detection， in particular analyzing the operating principle of the millimeter wave radar detector that distinguishes the speed detections of people， cars， and vehicles and the algorithmic process. According to the system application scenario deployment， the actual vehicle speed and driving direction of the judgment experiment show that the system runs smoothly and has strong anti-interference ability， high detection accuracy， and high practical application value.

Keywords：" Millimeter wave radar; Highway; Vehicle discrimination; Vehicle speed detection

高速路口電子不停車收費系統(tǒng)（Electronic toll collection， ETC）的出現(xiàn)，縮減了傳統(tǒng)站收費服務(wù)所需的時間，緩解了節(jié)假日上下高速交通擁堵現(xiàn)象［1］。目前高速路上進行車輛檢測主要有視頻測速、電磁感應(yīng)線圈測速以及激光檢測等系統(tǒng)［2-5］。高銘陽等［6］研究了使用視頻檢測方法、運用數(shù)字圖像處理技術(shù)分析車輛駛?cè)爰半x開攝像頭區(qū)域的時間，從而得到高速公路車輛行駛的車速等信息，但視頻測速檢測精度在夜間、霧、霾等條件下易受影響；楊家赫等［7］將電磁感應(yīng)線圈固定在道路表面，根據(jù)磁阻傳感器檢測車輛經(jīng)過地球磁場時變化的大小信息及趨勢識別車輛信息，但磁阻傳感器易受其他磁場干擾導(dǎo)致磁場信息失真，地磁感應(yīng)線圈的安裝與維護也是一大問題；Fu等［8］研究表明可以通過發(fā)射多線激光束來感知障礙物的速度等信息，但激光雷達體積大、能耗高、價格昂貴，不適用大規(guī)模生產(chǎn)及使用。

毫米波雷達是指工作在毫米波頻段的雷達。毫米波（Millimeter wave）是工作波長范圍為1～10 mm的電磁波，對應(yīng)的頻率范圍為30～300 GHz［9-10］。毫米波雷達運用于ETC路口測速具有體積小、穿透力強、測量精準(zhǔn)度高、全天候工作、雨雪等惡劣天氣均能正常工作、安裝無須破壞道路表面等優(yōu)勢 ［11-13］。

陳凌子等［14］研究了毫米波雷達的改進關(guān)聯(lián)準(zhǔn)則［15］和矩形跟蹤門方法，更新采集信息的相鄰點軌跡動態(tài)，對車輛信息進行提取，進而實現(xiàn)車輛的目標(biāo)檢測。Cai等［16］提出毫米波雷達與單目視覺融合的檢測方法，基于毫米波雷達點云數(shù)據(jù)和視覺圖像信息處理實現(xiàn)車輛信息檢測。Zhang等［17］基于空間聚類（DBSCAN）［18］方法對車輛信息進行聚類，通過速度匹配方法自動識別車輛信息，提出基于車聯(lián)網(wǎng)技術(shù)的路側(cè)毫米波雷達標(biāo)定方法。Li等［19］研究了卡爾曼濾波技術(shù)［20］判斷目標(biāo)車輛關(guān)聯(lián)性，提出L型模型確定車輛參數(shù)，根據(jù)對象簇分割信息量實現(xiàn)車輛檢測。筆者在分析已有檢測系統(tǒng)的基礎(chǔ)上，提出基于毫米波雷達的高速公路檢測系統(tǒng)，本檢測系統(tǒng)可準(zhǔn)確實現(xiàn)人車識別、檢測車輛數(shù)量、車輛通過ETC道閘的速度、車輛的行駛狀態(tài)，將高速路口道閘口的實時信息進行反饋，使相關(guān)管理部門及時處理高速路口突發(fā)情況。

1 毫米波雷達車輛檢測系統(tǒng)

1.1 系統(tǒng)組成

毫米波雷達車輛檢測系統(tǒng)主要包括毫米波傳感器部分、主控芯片部分以及其他外圍電路部分，其組成如圖1所示。

電源部分可選擇使用24，5，3.3 V多類電源輸入，采用TPS54331DDAR等壓降芯片為整個系統(tǒng)提供1.8 V穩(wěn)定電源電壓。主芯片部分采用STM32L4系列芯片，內(nèi)部可集成雷達軟件系統(tǒng)（Radar software system， RSS），RSS系統(tǒng)主要進行信號處理和分類等算法及上層應(yīng)用。外圍電路包括晶振電路、復(fù)位電路，電平轉(zhuǎn)換電路以及USB接口與UART串口等。

根據(jù)STM32L4系列芯片的使用手冊設(shè)置主控芯片及A111雷達傳感器電路圖［21］。選用的雷達傳感器具有體積小、低功耗、精度高、天線集成于芯片表面等特點，A111芯片開發(fā)時外圍電路包括ADC模數(shù)轉(zhuǎn)換器模塊、SPI串行外設(shè)接口模塊等，外部通信依靠SPI接口與主控芯片建立，A111芯片工作電壓為1.8 V，只需要一個晶振及外部供電。

1.2 車輛判別檢測原理

A111毫米波雷達傳感器區(qū)分行人與車輛主要根據(jù)雷達發(fā)射的雷達信號通過兩種不同介電常數(shù)的介質(zhì)時反射率不一樣使雷達接收到不同的無線電能量。反射率γ計算如下：

γ=（ε1-ε2ε1+ε2）2（1）

式中ε1，ε2為不同介質(zhì)的介電常數(shù)。

雷達系統(tǒng)根據(jù)不同材料在介質(zhì)中反射率的差異區(qū)分不同目標(biāo)。雷達發(fā)射的電磁波遇到高反射率的材料時會以較大強度被反射，使接收的回波信號幅值相應(yīng)增加，有助于檢測目標(biāo)。在60 GHz介電常數(shù)下，金屬材料作為優(yōu)良導(dǎo)體，其介電常數(shù)非常小，接近于0，在空氣環(huán)境中反射率約為1，說明電磁波輻射到金屬表面時幾乎被全反射。將毫米波雷達布置在道路一側(cè)，對來往車輛與行人進行檢測，采集距離傳感器不同距離的行人和車輛的信號強度信息，由于行人與車輛在相同距離下雷達發(fā)射的信號強度有明顯差異，可實現(xiàn)人與車輛識別，為車輛的速度和行駛方向的檢測打下基礎(chǔ)。

2 毫米波雷達車輛測速系統(tǒng)

2.1 測速系統(tǒng)

車輛測速系統(tǒng)主要由主、副機毫米波雷達系統(tǒng)及上位機組成，通過信號幅度的強度變化與設(shè)定的閾值曲線進行比較，從而判定車速。如圖2所示，在高速路口一側(cè)間隔一定距離LAB布置A點與B點，分別安裝主機檢測器和副機檢測器。車輛通過高速路口ETC路段時，記車輛與檢測器之間的距離為r，主-副機檢測器可以實時地將車輛經(jīng)過的雷達信息發(fā)送給上位機，上位機操作系統(tǒng)對接收到的車輛數(shù)據(jù)信息進行信號處理。相同的車輛在閘道內(nèi)依次經(jīng)過檢測器A與檢測器B， 采集到車輛的側(cè)面信號反

饋信息，記錄主、副機檢測器感應(yīng)到車輛整個側(cè)面的信號均值的最大信號強度位置的時刻，分別為t1和t2。主-副機聯(lián)動式毫米波雷達監(jiān)測系統(tǒng)可以精確辨別當(dāng)前檢測器前方為車輛，并且檢測車輛的行駛方向，通過主-副機毫米波雷達傳感器的距離LAB和車輛通過A，B檢測器的時間差，可計算出車輛通過高速路口ETC處的速度。

2.2 車輛速度檢測原理

毫米波雷達車輛檢測器是基于車輛經(jīng)過檢測區(qū)時發(fā)射的電磁波信號遇到障礙物電磁波發(fā)生變化的原理進行車輛檢測。本系統(tǒng)的車輛檢測基于信號幅度的變化與動態(tài)閾值進行比較，當(dāng)電磁波信號發(fā)生變化時，車輛檢測器可以實時地將變化情況發(fā)送給上位機操作系統(tǒng)，從而判定是否有車輛通過。

目前，在車輛檢測器的應(yīng)用中大多使用靜態(tài)閾值。采用靜態(tài)閾值時需預(yù)先設(shè)定固定不變的閾值，無法適應(yīng)環(huán)境變化，在不同條件下可能會出現(xiàn)漏檢或誤檢，進而影響檢測的準(zhǔn)確性。本系統(tǒng)車輛檢測器使用動態(tài)閾值，動態(tài)閾值能夠根據(jù)實際數(shù)據(jù)調(diào)整閾值，更好地處理環(huán)境中的噪聲和干擾，這意味著系統(tǒng)可以適應(yīng)不同的天氣變化和交通環(huán)境，從而具有良好的魯棒性。設(shè)定初始閾值是雷達系統(tǒng)采用動態(tài)閾值進行車輛檢測的關(guān)鍵步驟之一，采集不同距離點上車輛通過檢測器產(chǎn)生的最小信號強度的均值設(shè)為初始閾值，為動態(tài)閾值的調(diào)整提供起點。

車輛通過檢測器時，雷達傳感器會對車輛側(cè)面連續(xù)采集雷達信號，側(cè)面各部位的反射信號形成隨時間變化的信號強度曲線，雷達會捕捉一個明顯的信號峰值，該峰值來自車輛側(cè)面的平整部位，具有反射強度高且持續(xù)時間長的特點。主-副機檢測系統(tǒng)同時開啟后，某車輛通過檢測器系統(tǒng)時在檢測器A與檢測器B中所產(chǎn)生的隨時間變化的雷達信號如圖3所示。

單次測量會產(chǎn)生許多雷達信息數(shù)據(jù)，對數(shù)據(jù)進行取平均并做相應(yīng)的信號處理使其便于觀測。取A檢測器樣本平均的最大幅度反射信號的時刻為t1，取B檢測器樣本平均的最大幅度反射信號的時刻為t2，由此可得車輛進入的時間差為｜t1-t2｜，車輛通過該檢測區(qū)域的平均速度通過式（２）計算。

v=LAB｜t1-t2｜（2）

式中：LAB 表示A，B檢測器間距，單位為km;t1，t2分別表示車輛通過A，B檢測器的時刻，單位為ms;v表示平均車速，單位為km/h。

3 系統(tǒng)程序設(shè)計

3.1 判斷車輛

使用A111毫米波雷達提供的Envelope工作模式，起始檢測距離0.30 m，檢測范圍1.00 m，每間隔0.05 m進行一次采樣，即［0.30，0.35，0.40… 1.00］，兼顧車輛側(cè)面信號較平穩(wěn)的部位，記錄不同間隔距離下反射的回波信號的信息量情況。

由于金屬和人體皮膚或紡織品在空氣中的反射率不同，金屬明顯更優(yōu)，導(dǎo)致車、人在相同距離的情況下雷達傳感器接收到的信息量有明顯差異。如圖4所示，車輛在距離檢測器0.291 m時，幅值信息量約為6 000，而人體在距離檢測器0.318 m時，幅值信息量約為2 900。

檢測器放于待檢測區(qū)域一側(cè)，車輛與行人不斷經(jīng)過并離開檢測區(qū)間，單次測量產(chǎn)生大量的樣本數(shù)據(jù)，根據(jù)車輛和人體不同的樣本信息特點，判別傳感器前方障礙物為行人或車輛，并通過車輛進入、離開檢測區(qū)域的時間差得到車輛速度。

當(dāng)檢測區(qū)域沒有物體時，反射的回波信號幅值信息受環(huán)境噪聲的影響不為0，定義環(huán)境噪聲為environment（r） 函數(shù)，在空曠區(qū)域測得的環(huán)境噪聲信息如圖5所示。

采集不同距離下車輛和人體反射信號的信息數(shù)值如圖6所示。圖6（a）為檢測18輛不同車型的車輛關(guān)于距離的離散信息；圖6（c）為檢測18個行人關(guān)于距離的離散信息。

定義car_mean（r）為車輛信號閾值函數(shù)。以不同距離下各類車輛振幅最小值的均值作為車輛信號的閾值。對車輛離散的回波信號進行多項式插值，選用精確度為5次的多項式插值法，用MATLAB擬合實驗數(shù)據(jù)的函數(shù)表達式，從而得到車閾值的連續(xù)信號曲線car_mean（r），其表達式如式（3）所示，擬合曲線如圖6（b）所示。

car_mean（r）=7531.5r5-13227r4-

242.58r3+17510r2-19663r+9822（3）

式中r表示車輛通過時距離傳感器的距離。

定義person_mean（r）為人體信號閾值函數(shù)。以不同距離、不同人經(jīng)過振幅最大值的均值作為人體信號的閾值。對人體離散的回波信號進行多項式插值，選用精確度為4次的多項式插值法，得到人體閾值的連續(xù)信號曲線person_mean（r），其表達式如式（4）所示，擬合曲線如圖6（d）所示。

person_mean（r）=797.6r4-4835.7r3+

13500.4r2-15511r+6456（4）

式中r表示行人通過時距離傳感器的距離。

在實際應(yīng)用中根據(jù)當(dāng)前檢測器檢測障礙物的數(shù)據(jù)信息與car_mean（r）和person_mean（r）線性曲線比較，判斷傳感器當(dāng)前檢測物體是否為車，程序流程圖如圖7所示。其中模糊態(tài)對應(yīng)距離的幅值介于人、車中間的信號幅值。

3.2 判斷車輛行駛方向和速度計算

主動查詢當(dāng)前車輛交通信息，通過向上位機發(fā)送指令{+check-}，毫米波雷達檢測系統(tǒng)回應(yīng)信息集合：{n：********，c：*，v：***}。其中，n表示車輛數(shù)量；c表示車輛狀態(tài)；v表示車速。表1為車輛的運行檢測狀態(tài)。

當(dāng)主機檢測器有車經(jīng)過時，記時刻t1，當(dāng)副機檢測器有車經(jīng)過時，記時刻t2。檢測狀態(tài)集合{S1，S2，S3}表示主機檢測器系統(tǒng)優(yōu)于副機檢測器系統(tǒng)先檢測到車輛信息，即t2gt;t1狀態(tài)下檢測信息；狀態(tài)檢測集合{S5，S6，S7}表示副機檢測系統(tǒng)優(yōu)于主機檢測系統(tǒng)先檢測到車輛信息，即t1gt;t2狀態(tài)下檢測信息。記Sx為t時刻的車輛檢測狀態(tài)。按式（2）計算速度。

算法流程圖初始狀態(tài)為：flag1=0，flag2=0，記為狀態(tài)“S0”，無車狀態(tài)。

初始狀態(tài)上位機發(fā)送查詢指令：{+check-}，反饋信息為：{n：00000000，c：0，v：000}。程序流程圖如圖8所示。

4 實驗驗證與分析

4.1 實驗驗證

在道路旁，將檢測器A與檢測器B設(shè)定間隔距離為5.5 m固定在道路同側(cè)，即LAB=5.5×10-3 km，檢測系統(tǒng)的采樣頻率為30 Hz。

當(dāng)車輛進入檢測區(qū)域時，上位機首先顯示狀態(tài)標(biāo)志位。由正向駛?cè)霗z測區(qū)間，顯示flag1=1; 當(dāng)車輛由反向退出檢測區(qū)間，flag2=1，并反饋實時信息集合：{n：********，c：*，v：***}。檢測器A先感應(yīng)到車flag1=1，車輛正向行駛，其后檢測器B感應(yīng)到車flag2=1。同理，檢測器B先感應(yīng)到車flag2=1，車輛反向退出檢測區(qū)域，其后檢測器A感應(yīng)到車flag1=1。

當(dāng)檢測系統(tǒng)正常工作時，有車輛駛?cè)氡O(jiān)測區(qū)間，上位機顯示屏可清晰顯示當(dāng)前車輛行駛至檢測區(qū)域的車速以及狀態(tài)。去掉標(biāo)志位后，當(dāng)檢測器前有車輛經(jīng)過時上位機只顯示實時動態(tài)。其中，信息集{n：********，c：*，v：***}中的n表示當(dāng)前檢測的車輛個數(shù)，c表示車輛行駛的狀態(tài)（見表1所示的車輛狀態(tài)標(biāo)志位），v表示當(dāng)前檢測的車輛通過檢測區(qū)間的速度。

4.2 實驗分析

在一定時間段，測試實驗記錄共131組測試數(shù)據(jù)。其中，通過車輛數(shù)為99輛，行人數(shù)量為32人，圖9中標(biāo)記車輛樣本點、行人樣本點分別為車輛、行人距離檢測器的信息值。漏檢車輛與行人共4組數(shù)據(jù)，檢測準(zhǔn)確率為96.94%。

在雨、霧天氣及夜間環(huán)境檢測道路車輛結(jié)果如表2所示。

共記錄453組數(shù)據(jù)，根據(jù)不同環(huán)境檢測樣本數(shù)量及漏檢數(shù)量分別計算出檢測準(zhǔn)確率，結(jié)果顯示此毫米波雷達檢測系統(tǒng)在復(fù)雜環(huán)境的檢測準(zhǔn)確率在90%以上。

在高速公路ETC路口進行檢測實驗，實際車速（指車輛儀表盤上顯示的車速）、測量車速和誤差如表3所示。 14組實驗測試結(jié)果數(shù)據(jù)的最大誤差為10.71%，誤差絕對值的平均值為4.06%。

5 結(jié)論

根據(jù)高速公路智能交通管理需要，設(shè)計了檢測復(fù)雜環(huán)境的毫米波雷達車輛檢測系統(tǒng)。（1）通過行人和車輛在相同距離下雷達信號強度的不同，分析行人和車輛的數(shù)據(jù)集，可實現(xiàn)行人與車輛識別及行駛方向判定，在不同環(huán)境下的準(zhǔn)確率在90%以上。（2）通過分析不同類型車輛的雷達數(shù)據(jù)集信號幅度均值的最大值，分別確定車輛通過檢測系統(tǒng)的時間點，可實現(xiàn)車速測量，車速測量誤差在10.71%以內(nèi)。（3）該系統(tǒng)在檢測車輛和測速方面具有較高的準(zhǔn)確性和可靠性，在交通管理中的行人監(jiān)測和智能交通系統(tǒng)中具有實際應(yīng)用價值。

參考文獻

［1］ 詹昌汾. 高速公路ETC聯(lián)網(wǎng)收費系統(tǒng)現(xiàn)狀分析［J］. 公路與汽運， 2022（5）： 139-141.

［2］ 潘振軍. 基于單目視頻的車輛測速研究［D］. 成都： 西南交通大學(xué)， 2017.

［3］ ZHAO P J， LU C X， WANG J N， et al. mID： tracking and identifying people with millimeter wave radar［C］∥2019 15th International Conference on Distributed Computing in Sensor Systems （DCOSS）. IEEE， 2019： 33-40.

［4］ 高涵， 范學(xué)良. 基于地磁信號的車輛位置檢測［J］. 傳感器與微系統(tǒng)， 2020， 39（7）： 130-133.

［5］ VASILE I， TUDOR E， SBURLAN I C， et al. Experimental validation of LiDAR sensors used in vehicular applications by using a mobile platform for distance and speed measurements［J］. Sensors， 2021， 21（23）： 8147.

［6］ 高銘陽， 王風(fēng)春， 王菲， 等. 基于視頻流信息融合的高速公路重點車輛檢測與定位方法［J］. 中國交通信息化， 2023 （S1）： 255-256，260.

［7］ 楊家赫， 周欣鵬， 朱宜昌， 等. 基于電磁感應(yīng)的新型汽車速度檢測裝置研制［J］. 物理與工程， 2020， 30（6）： 121-126.

［8］ FU R， ZHANG M F， WANG C. Behavior analysis of distant vehicles using LIDAR point cloud［J］. Cluster Computing， 2019， 22（S4）： 8613-8622.

［9］ 李秀生. 基于毫米波雷達和攝像頭融合的前行車輛信息識別［D］. 西安： 長安大學(xué)， 2020.

［10］丁左武， 徐杰， 周龍， 等. 車載毫米波雷達目標(biāo)檢測綜述［J］. 電訊技術(shù)， 2024， 64（4）： 655-662.

［11］秦漢. 基于視覺和毫米波雷達融合的前方車輛檢測算法研究［D］. 長沙： 湖南大學(xué)， 2019.

［12］ZHAO Z H， SONG Y Y， CUI F C， et al. Point cloud features-based kernel SVM for human-vehicle classification in millimeter wave radar［J］. IEEE Access， 2020， 8： 26012-26021.

［13］ABDULLAH J， KAMAL M S. Multi-targets detection in a non-homogeneous radar environment using modified CA-CFAR［C］∥2019 IEEE Asia-Pacific Conference on Applied Electromagnetics （APACE）. IEEE， 2019： 1-5.

［14］陳凌子， 王華偉， 劉海青，等. FMCW毫米波雷達檢測車輛目標(biāo)跟蹤方法［J］. 交通運輸研究， 2022， 8（4）： 99-109.

［15］朱璟， 彭展. 模糊綜合決策航跡關(guān)聯(lián)算法分析與改進［J］.計算機工程， 2016， 42（11）： 225-232.

［16］CAI G Z， WANG X P， SHI J M， et al. Vehicle detection based on information fusion of mmWave radar and monocular vision［J］. Electronics， 2023， 12（13）：2840.

［17］ZHANG C L， WEI J M， DAI J G， et al. A roadside millimeter-wave radar calibration method based on connected vehicle technology［J］. IEEE Intelligent Transportation Systems Magazine， 2023， 15（3）： 117-131.

［18］程世超. K-Means及DBSCAN聚類算法的研究與改進［D］. 江西贛州： 江西理工大學(xué)， 2021.

［19］LI C， LUO F. A data association method for vehicle detection based on millimeter wave radar［J］. Journal of Physics： Conference Series， 2020， 1544： 012186.

［20］仲騰. 基于卡爾曼濾波的多傳感器信息融合的列車定位方法研究［D］. 北京：北京交通大學(xué)， 2018.

［21］ACCONEER A B. Radar sensor introduction ［EB/OL］. （2020-10-29）［2021-09-29］.https：∥acconeer-python-exploration.readthedoce.io/en/latest/sensor_introduction.html.