本文是一篇电气工程论文，本文对毫米波雷达目标检测中恒虚警检测算法与聚类算法改进，取得了一些成果，但只是对毫米波雷达目标检测技术研究了一小部分，随着应用场景更加复杂，需要对多种复杂环境下等多种情况进行目标精准的检测还需要更深一步的研究。
第一章 绪论
1.1 研究背景及意义
目标检测技术的提升对现代数字化生活有着很重要的作用，目标的精准检测也是自动驾驶的关键技术之一。随着人们生活水平日益增加，道路车辆的需求越来越大，交通事故发生频率上升，尤其是在大雾、大雪阳光充足等能见度小的恶劣天气环境下，对于车辆的目标检测尤为重要。根据国家统计局显示，交通事故发生数和交通事故死亡人数一直处于居高不下的状态[1,2]。表1-1为2022年有关交通事故的损失状况。
上述数据显示，机动车给交通事故带来的灾害占主要部分。交通事故频繁发生的原因[3]可大概分为两大部分：驾驶员不规范驾驶和周围环境恶劣导致驾驶员判断失误。为了减少交通事故的发生，人们在自动驾驶和智能交通方面投入大量的研究，一种是减少人类参与自动寻求最优道路的驾驶体系[4]，另一种是为驾驶员提供相关道路信息，辅助驾驶员安全驾驶[5]。无论是自动驾驶技术还是智能交通道路优化，对于目标正确的检测与识别至关重要。自动驾驶技术 [6,7]主要是围绕环境感知、路径规划与轨迹跟踪等几大方面。在环境感知技术进展中，目前目标传感器中主要有摄像头、红外传感器、激光雷达、超声波雷达、毫米波雷达等[8-10]。
1.2 国内外研究现状
1.2.1 毫米波雷达国内外研究现状
毫米波雷达的研究至今大约有80多年的历史，最早是在二战时期，英国对毫米波雷达的研发并应用于军事领域[15]。五十年代，毫米波雷达主要受到功率低的限制，只是出现在机场的交通管理和轮船的导航定位上面[16]。大功率速调管放大器的研发，使雷达的应用场景变得更加广泛，也使雷达慢慢进入人们的视野，而到了二十世纪七十至八十年代左右，毫米波雷达才应用到汽车领域，但是由于体积大、成本高等硬件的限制并没有得到广泛应用[17,18]。直到对调频连续波(Frequency Modulated Continuous Wave，FMCW)体制的电磁波的研究，毫米波雷达具有了抗干扰能力与目标精准检测问题[19]。进入21世纪后，得益于硅锗半导体工艺的日益成熟，毫米波雷达的制造成本实现了显著的降低，从而为毫米波雷达的广泛应用奠定了坚实的基础。在这一背景下，车载毫米波雷达开始逐渐在高端车型中投入商业应用。随着市场的不断拓展，毫米波雷达企业呈现出蓬勃发展的态势[20]。
目前，全球毫米波雷达技术主要集中在几家顶尖的汽车系统供应商手中，包括德国的Continental和Bosch、瑞典的Autoliv、日本的Denso以及美国的Delphi等[21]。这些公司不仅在工业级和车载毫米波雷达的生产上处于领先地位，而且在不同应用场景下，如自动驾驶辅助系统，提供了不同探测距离（大约80m到300m）的毫米波雷达解决方案[22]。与此同时，一些公司如美国德州仪器则专注于毫米波雷达芯片和开发套件的生产，进一步推动了技术的发展和应用。在77GHz毫米波雷达技术领域，Continental和Bosch等几家公司仍然保持着技术领先地位，这一技术被视为实现高精度探测和自动驾驶关键的技术之一。此后随着微波集成电路工艺技术的成熟，实现毫米波雷达产品的小型化低成本成为可能，伴随着汽车工业的蓬勃发展，毫米波雷达的研究与落地开始进入快速发展期。由于毫米波雷达具有全天候全天时的优点，使其在辅助驾驶系统中具有不可替代的重要地位，二十世纪以来，配备包含毫米波雷达的ADAS系统，已经成为高端辅助驾驶车型的必备。
第二章 毫米波雷达工作原理
2.1 毫米波雷达工作体制
调频连续波(FMCW)毫米波雷达是一种常用于目标检测的毫米波雷达系统，其发射信号是一个连续变化频率的调频信号，同时接收到的回波信号也是经过频率变化的。普通的连续波雷达是发射固定频率的波形，调频连续波发送的信号的频率是随时间变化的波形。FMCW雷达通过不断改变发射信号的频率来实现距离测量，当信号发射后，遇到目标会被目标反射回来。接收器接收到回波信号后，通过低通滤波处理测量回波信号与发射信号之间的频率差异，可以计算出目标与雷达之间的距离。FMCW毫米波雷达工作系统框图如图2-1所示。
2.2 毫米波雷达的检测原理
2.2.1 测距原理
通过对静止目标来看回波信号与发射信号相同，但是在时间上有延迟，如图2-4为锯齿波调频频率-时间曲线。
根据回波信号的延时特点，只要得到延时时间就可以求出雷达到目标的距离，但是现实生活中延时时间极小不可能进行直接测量，可通过回波信号与发射信号进行混频处理，再通过低通滤波处理就可以得到差频信号的频率bf，根据图2-4右侧差频信号频率与延时时间的关系可以求得目标与雷达之间的距离。
第三章 基于 SEMOSCA-CFAR 检测算法的目标检测研究 .............. 19
3.1 恒虚警检测算法相关数学模型 ......................... 19
3.1.1 恒虚警检测算法原理 ........................... 19
3.1.2 恒虚警杂波模型背景分析 .......................... 22
第四章 基于 DDA-DBSCAN 聚类算法的目标检测研究 .................. 41
4.1 DBSCAN 聚类算法 ....................... 41
4.1.1 DBSCAN 算法原理研究.......... 41
4.1.2 DBSCAN 算法仿真 ............................. 44
第五章 结论........................... 65
第四章 基于DDA-DBSCAN聚类算法的目标检测研究
4.1 DBSCAN聚类算法
在雷达数据处理中，DBSCAN算法的应用主要体现在以下几个方面：首先，通过对点云的聚类，可以实现对目标的自动识别和分类，提高了目标检测的准确性和效率。其次，DBSCAN算法能够处理具有复杂形状和分布的目标，适应了雷达数据处理中多样化的需求。最后，该算法对噪声点的处理能力强，有效降低了噪声对目标检测的影响。该算法通过计算每个点的密度，将密度相近的点划分为同一簇，从而实现对点云的聚类。与传统的K-means等聚类算法相比，DBSCAN无需预设聚类数量，能够发现任意形状的簇类，并且能够有效处理噪声点，提高了聚类的准确性和鲁棒性。
4.1.2 DBSCAN算法仿真
Square原始数据集如图4-3所示，共包含1000个点，分为4个簇。现使用DBSCAN算法将其进行聚类。通过多次实验验证，当邻域半径Eps为2.1的同时，MinP ts选取为25，即Eps=2.1，MinP ts=25，聚类效果较好。图4-4是DBSCAN算法聚类结果图。
第五章 结论
车辆增多，道路交通环境越来越复杂，加之恶劣环境频频出现，导致交通事故多次发生，因此无人驾驶与人工智能辅助驾驶成为了人类减少交通事故的主要途径。在实现无人驾驶与人工智能辅助驾驶实现全社会化的前提是目标检测的准确性与目标位置的真实性。因此，对于目标检测技术的研究有着重要的意义与价值。目标检测是环境感知的重要环节，通过对环境感知技术路线的研究，分析了各种传感器的优缺点，最终得出结论：毫米波雷达具有体积小，抗干扰能力强，易于安装与更换，成本低，在大雾等恶劣天气中仍可以工作的各种特点。因此，以毫米波雷达为背景下对目标进行检测是未来行业内重要的研究对象。
本文首先针对毫米波雷达进行了目标检测流程的介绍与分析，通过调频连续波信号介绍了毫米波雷达的工作体制，发射天线与接收天线得到的混频信号通过低通滤波处理，再经过一维FFT与二维FFT得到目标与噪声的距离与速度信息，最后进行仿真实验进行验证。
筛选出正确的目标信息需要恒虚警算法检测，在均匀背景与杂波背景下，分别介绍了经典的CA-CFAR算法、GO-CFAR算法、SO-CFAR算法与OS-CFAR算法原理推导以及问题分析，针对传统算法存在的问题进行改进，提出了一种SEMOSCA-CFAR恒虚警算法。通过在不同的背景环境下，对不同信噪比的目标信息进行对比分析，可以得出改进的SEMOSCA-CFAR算法在均匀背景震荡比较大以及杂波背景下依然可以有效检测目标，解决了CA-CFAR算法出现虚警的问题。在10dB情况下，只有改进SEMOSCA-CFAR算法在通过调整衰减因子的情况下才能将目标检测出来，其他算法均出现漏检情况，并通过一千次实验统计检测结果，证明了SEMOACA-CFAR算法检测概率有所提升。
参考文献（略）
