自动驾驶环境感知之毫米波雷达数据形式

最新推荐文章于 2025-03-08 22:36:26 发布

LDST_CSDN

最新推荐文章于 2025-03-08 22:36:26 发布

阅读量2.2k

点赞数 5

文章标签：自动驾驶人工智能计算机视觉

本文链接：https://blog.csdn.net/LDST_CSDN/article/details/130666574

版权

文章介绍了FMCW雷达的数据形式，包括稠密数据块和稀疏点云，以及如何通过FFT转换和CFAR动态阈值方法进行数据过滤。CFAR通过设置适应性阈值有效过滤噪声，平衡误检率和召回率。这种方法常用于雷达信号处理和目标检测中。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. FMCW雷达数据形式

（1）FMCW雷达数据处理流程

（2）CFAR（Constant False-Alarm Rate）

 通过设定动态阈值来更好地过滤噪声

如图所示，蓝色曲线表示信号，绿点表示真正的目标，红点表示噪声。通过设定阈值，高于阈值的认为是真正的目标点，低于阈值的认为是噪声点，需要过滤掉。

图中通过设定阈值1，可将大部分噪声红点过滤掉，具有较低的误检率。但同时也有很多真正点被过滤掉，因此召回率也很低。

图中通过设定阈值2，可将所有真正点检测出，具有较高的召回率。但同时也有很多噪声红点没有被过滤，因此误检率也很高。

在这里插入图片描述

如下图所示，在信号的不同位置设定不同阈值，使得将大部分真正点检测出来，并且将大部分红色噪点过滤掉，在提高召回率的同时，将误检率保持在一个较低的水平。
在这里插入图片描述

CFAR的具体流程（一维数据处理流程）
- 对输入数据的每个单元，计算其邻域单元的均值（不包括保护单元，因为场景中的目标是有一定大小的，它可能覆盖当前处理单元周围的多个单元，因此保护单元也有可能是目标上的点。若将其当成背景来估计噪声，会带来一定的误差。所以，在计算时需要将保护单元去除掉）
- 该均值乘以比例因子后与当前单元值进行对比
- 如果当前单元值大，则认为是正确的目标检测，反之则认为是噪声
- 比例因子控制着误检率的级别。比例因子越小，当前处理单元越容易被认为是正确目标点，有可能带来较大的误检。比例因子越大，判断较严格，此时误检率较低，但召回率也相对较低