【抗干扰】SALVAGE：一种FMCW雷达抗干扰新系统【附MATLAB代码】

文章来源：微信公众号 EW Frontier

随着ADAS和安全功能等车辆技术的进步，雷达已成为当今任何汽车的重要组成部分。随着这些技术变得越来越普遍，在毫米波频率下工作的雷达由于其鲁棒性、成本、范围和尺寸而经常成为首选传感器。然而，不断增加的市场渗透率也增加了他们受到其他配备类似雷达的车辆干扰的风险[1]。为了解同车干扰对性能的影响而进行的许多研究报告了干扰条件下SINR的大幅下降。本文提出了一种缓解策略，使我们能够恢复数据从干扰帧以最小的处理开销。这是通过在处理链中早期检测干扰并隔离帧中最健康的啁啾以提取位置信息来完成的。该技术在模拟中进行了测试，观察到真阳性率提高了30%。

其他关键词和短语：FMCW，雷达，干扰，FFT，NDMC

1引言

一个典型的道路上的情况下，有车辆，其中许多配备了各种雷达。这些包括用于碰撞避免、车道变换辅助、盲点检测等。

当从任何其他雷达发射的脉冲与目标反射联合收割机并破坏其信号时，任何雷达都被称为受到干扰。这些相互作用的性质和机制已在[2]和[3]中详细介绍。广义上，基于它们的扫描斜率（k），在两个FMCW雷达之间存在两种干扰场景。在此，我们称之为自我（受害者）和干涉者（侵略者）：

·𝑘𝑒𝑔𝑜=𝑘𝑖𝑛𝑡：：这种情况导致在受害雷达的RangeFFT结果中出现鬼峰。

·𝑘𝑒𝑔𝑜≠𝑘𝑖𝑛𝑡：这种情况导致来自干扰信号的能量（包含在受害者雷达的IF频带中）均匀地分布在RangeFFT频段上，从而导致本底噪声的增加。

Fig. 1.FMCW雷达的干扰机理

在一个典型的场景中，我们不希望道路上的车辆具有相同的坡度，因为它们取决于制造商，并根据速度，分辨率要求等进行选择。此外，由于1/d2干扰脉冲所面临的衰减;与目标反射经过的1/d4衰减相比，干扰信号往往要强得多，并且可以淹没目标反射，甚至使接收器饱和。在[4]中，作者发现这些可能导致FIT率超过ASIL C和D级要求。因此，使雷达无法用于关键系统。在[5]中，作者模拟了各种道路场景，发现头部对雷达的干扰会严重损害跟踪系统。在最坏的情况下，他们观察到该系统可以绘制终端轨迹的距离减少了89%。本文中考虑的评价是不同k，迎面撞击的最差情况。

图2.RangeFFT显示由于具有不同斜率的滤波器而导致的本底噪声增加

一个理想的解决方案，这个问题应该有能力提取的距离，角度和速度信息，从一个帧的干扰多个干扰源。此外，由于这些是独立的关键系统，因此应尽量减少：

·处理开销。

·依赖于其他雷达的合作

·实施所需的硬件修改

第2节详细讨论了相关的工作。重要的是要注意，文献中提出的大多数干扰缓解解决方案都无法满足上述一个或多个要求。

第3节将介绍所提出的算法。它是基于这样的见解，即干扰和反射在复基带接收机的RangeFFT中出现不同。并且不是帧中所有啁啾上的所有仓都同样受到干扰器的影响。

在上述最坏情况下的模拟中，发现所提出的系统可将真阳性率提高高达30%。第4节和第5节详细介绍了模拟器的实现和结果评估。

2背景和相关工作

[4]中详细介绍了该领域的先前工作，并在此处强调了一些突出的技术。大体上，本研究将文学分为三类

2.1基于硬件/架构的方案

这些技术要求对硬件架构（如天线或收发器）进行根本性的更改。在[6]中，作者在发射和接收天线上使用相反的圆极化来增加发射机的极化损耗。然而，大的天线尺寸和在下雨天气中可能降低的有效性使得该方案没有吸引力。在[7]中，作者在PMCW雷达上使用匹配滤波器成功地消除了干扰。但这不适用于我们正在考虑的FMCW-FMCW干扰场景。

2.2避免技术

这些技术在时域或频域中抖动发射脉冲，以将干扰方的脉冲移出受害方雷达的IF BW。这在[8]中进行了分析，但仅针对相同的k情况。针对不同k情况进行的实验得出结论，它本身在提供任何显著的干扰减少方面是无效的。特别是随着创业者数量的增加。这也可以从第5节的结果中看出。

另一方面，频率抖动需要分配受可用BW限制的互斥频带。[9]中的战略方法依赖于功能性V2X通信渠道来协商资源。虽然这类解决方案是避免干扰的最有组织和鲁棒的方法，但通信信道的先决条件使其不切实际。

2.3缓解技术

这些技术试图从受干扰的啁啾声中提取信息。

·时域技术：一种常见的方法是在处理之前在时域中切除损坏的样本。在[10]中，作者基于一种新的阈值方法找到了要切除的样本。将这些直接替换为零导致频率中的噪声，因此[11]中的作者使用RRC窗口来获得更好的频谱性能。

图3.时域切除显示SNR的改善

虽然这些方法在信号干扰噪声比（SINR）方面显示出明显的改善，但是它们仅在受影响的样本的数量与啁啾长度相比很小时才工作得很好。由于受影响的样本随着生长而生长，在切除过程中丢失了太多的信息，我们失去了分辨率。

[12]中提出了另一种解决方案，其中作者试图估计干扰脉冲的幅度、频率和相位。然后用这个信息在时域中抵消它。然而，这种方法是计算密集型的，并且所提出的数学仅适用于单个计算器。

·时域和频域：[14]中概述了一种创新方法，其中作者在频谱图图像上使用MSER算法。基于这些结果，他们分离出一个缓慢上升的啁啾，并精确地忽略每个啁啾中受影响的样本。然而，在本文考虑的情况下，我们希望坡道是不同的和相交的。并且，随着将它们隔离为一个连续区域变得更加困难，MSER算法的性能将降低。在[14]中没有提供证据来证明多个交叉干扰物的有效性。

·频域技术：在[13]中，作者利用RangeFFT中DC两侧出现干扰伪影的事实，尝试使用LMS滤波消除其影响。这种方法被复制，但没有看到SINR的明显改善。

非相互数据消除，[15]中使用的一种方法利用了干扰只会增加RangeFFT的每个bin幅度的事实。它使用一个最小运算符的每个范围斌跨越啁啾找到最好的可能范围FFT从一个给定的帧。这种方法的缺点是它只关注RangeFFT的幅度而忽略相位。从而丢失了角度和速度信息。

图4.LMS滤波器无法改善[13]中提到的SNR

3设计

本文提出的方法试图在系统层面上处理和解决这个问题。这里使用了三个关键的见解：

（1）复基带接收机：如[16]所述，当使用复基带接收机时，所有目标反射将出现在频谱的正半部分。然而，由于干扰而导致的噪声扩散在负箱和正箱中将是均匀的，理想地作为彼此的复共轭。这是基于这样的事实，即虽然所有目标反射在接收机处出现时都有一定延迟，并且只出现在IF滤波器的正半部分，但不同k采样器的啁啾将穿过IF BW并出现在两者中。因此，我们可以使用RangeFFT的负一半中的功率来将啁啾标记为干净或有噪声。这可以在下面的模拟结果中看到，其中斜率为10/的干扰器干扰了以20/运行的自我车辆。

图5.干扰导致的噪声基底增加影响所有FFT箱，而目标仅出现在正箱中

如果X是一个帧中的一个输入数组，我们将RangeFFT（RangeFFT）定义为：

图6.在该场景仿真中，帧中的所有啁啾都显示出高于阈值的功率，并且NDMC被触发

(2)非相互数据消除（NDMC）：由于所有干扰最有可能仅增加RangeFFT bin的幅度，因此[15]中的作者建议使用跨啁啾的最小运算符来识别RangeFFT的每个bin的最佳样本。考虑到所考虑的雷达很可能不同步，在一帧中看到至少一个良好的啁啾是非常可能的情况。此外，提高该概率的一种方法是在检测到干扰之后将时间抖动引入系统。

(3)Chirp健康评级：基于NDMC的结果，我们可以推断，无论啁啾对所构造的RangeFFT贡献最大的样本数，都必须受噪声的影响最小。处理天线上的啁啾样本将使我们能够从角度FFT中提取AoA的最佳估计。使用模式运算符，我们可以说，

所提出的系统的框图在图9中示出：负仓功率阈值将随接收器而变化，并且主要取决于硬件和处理噪声。虽然环境因素会增加它，但接收机的噪底和DSP噪声预计将是决定性的因素。因此，它可以作为校准例程的一部分进行计算和初始设置。

4实现

为了评估该系统，在MATLAB中构建了一个模拟器，如下面的框图所示。

图7.基于NDMC的RangeFFT重构

图8.显示最健康啁啾的“指数”直方图和该啁啾的RangeFFT

ToF延迟通过发射啁啾波形的圆形旋转来实现。这样做是为了能够清楚地模拟时间抖动的效果。通过与适当的指数相乘来实现各个天线单元处的相位延迟和由于目标速度而引起的多普勒延迟。为了评估和比较有和没有缓解措施的性能，构建了对象查找和比较例程。

过滤从RangeFFT检测到的峰，以去除显著性小于阈值的那些峰。此外，RangeFFT的负箱中的位置被移除。由于大多数峰值是sinc旁瓣，峰值幅度的平均值被用作噪声基底的粗略估计，并且低于该估计的峰值被移除。最后，选择第一个最大峰作为参考峰，并基于相对路径损耗。任何偏离此超出预期RCS变化（± 10 dB，[17]）的峰值均被消除。

图9.建议的SALVAGE算法

图10.生成的点图的比较显示，使用SALVAGE算法时精度更高

图11.用于验证的MATLAB模拟器的块级图

5评估

对于评估，所使用的指标定义如下：

·召回率：也称为真阳性率，这是正确识别的目标与场景中定义的目标总数的比率。高召回率是期望的，因为它将表明我们的缓解系统即使在存在干扰者的情况下也能提取目标信息的能力。

图12.目标查找和评估程序框图

·精度：这是正确识别的目标与系统识别的目标总数的比率。高精度意味着系统能够仅挑选出相关信息并消除任何鬼峰或伪峰。

图13.用于场景模拟的约定

用以下参数进行模拟：

通过这些参数，定义了以下场景：

·情况1：无缓解

·情况2：仅时间抖动

·情况3：挽救

召回获得了以下结果：

以下是精密度报告的数值：

从上面的结果我们可以看出：

· SALVAGE即使使用基本的解释引擎也能提供明显的性能改善。

·随着入侵者数量的增加，我们看到所有情况下的性能都会下降。这是预期的，SALVAGE仍然保持其在无缓解或仅时间抖动情况下的优势。

·时间抖动不显示任何改进，无论何时，当滤波器具有不同的斜率时。从图中还可以清楚地看出，距离较远的目标受到的干扰最大。这是符合理论的预测溺水的薄弱目标由于噪音的上升.

6 结论

我们看到了所提出的算法如何在存在干扰的情况下使雷达检测的性能提高高达40%。该分析仅限于范围和角度FFT。但是，它可以很容易地扩展到寻找多普勒通过选择啁啾的基础上，他们的健康，虽然降低了分辨率。更好的决定基于CFAR等标准的发动机将给予我们更清晰的画面来进行比较。由于SALVAGE不主动消除干扰，因此随着干扰器数量的增加和健康啁啾的消失，它的性能会下降。将其与诸如过滤之类的主动方法结合起来可能是进一步提高其性能的有用方法。

REFERENCES

(1) G. M. Brooker, "Mutual Interference of Millimeter-Wave Radar Systems," in IEEE Transactions on Electromagnetic Compatibility, vol. 49, no. 1, pp. 170-181, Feb. 2007, doi: 10.1109/TEMC.2006.890223

(2) M. Goppelt, H.-L. Blöcher, and W. Menzel, “Analytical investigation of mutual interference between automotive FMCW radar sensors,” in GermanMicrowave Conference (GeMIC). IEEE, 2011, pp. 1–4

(3) S. Alland, W. Stark, M. Ali and M. Hegde, "Interference in Automotive Radar Systems: Characteristics, Mitigation Techniques, and Current and Future Research," in IEEE Signal Processing Magazine, vol. 36, no. 5, pp. 45-59, Sept. 2019, doi:10.1109/MSP.2019.2908214.

(4) M. Kunert, "The EU project MOSARIM: A general overview of project objectives and conducted work," 2012 9th European Radar Conference, Amsterdam, Netherlands, 2012, pp. 1-5.

(5) Buller, W., Wilson, B., Garbarino, J., Kelly, J., Subotic, N., Thelen, B., & Belzowski, B. (2018, September). Radar congestion study (Report No. DOT HS 812 632). Washington, DC: National

Highway Traffic Safety Administration

(6) Jeong-Geun Kim, Sang-Hoon Sim, Sanghoon Cheon and Songcheol Hong, "24 GHz circularly polarized Doppler radar with a single antenna," 2005 European Microwave Conference, Paris, 2005, pp. 4 pp.-1386, doi: 10.1109/EUMC.2005.1610194.

(7) Harris et al. (2021). Adaptive filtering for FMCW interference mitigation inPMCWradar systems (U.S. Patent No. 10,976,431 B2). U.S. Patent and Trademark Office.

(8) Y. Kitsukawa, M. Mitsumoto, H. Mizutani, N. Fukui and C. Miyazaki, "An Interference Suppression Method by Transmission Chirp Waveform with Random Repetition Interval in Fast-Chirp FMCW Radar," 2019 16th European Radar Conference (EuRAD), Paris, France, 2019, pp. 165-168.

(9) C. Aydogdu, N. Garcia, L. Hammarstrand and H. Wymeersch, "Radar Communications for Combating Mutual Interference of FMCW Radars," 2019 IEEE Radar Conference (RadarConf), Boston, MA, USA, 2019, pp. 1-6, doi: 10.1109/RADAR.2019.8835744.

(10) L. Hassbring, J. Nilsson. (2020). Machine Learning for FMCW Radar Interference Mitigation [Dissertation], Lund University, Seden, https://tinyurl.com/4pd295bn

(11) M. Barjenbruch, D. Kellner, K. Dietmayer, J. Klappstein and J. Dickmann, "A method for interference cancellation in automotive radar," 2015 IEEE MTT-S International Conference on Microwaves for Intelligent Mobility (ICMIM), Heidelberg, Germany, 2015, pp. 1-4, doi: 10.1109/ICMIM.2015.7117925.

(12) J. Bechter and C. Waldschmidt, "Automotive radar interference mitigation by reconstruction and cancellation of interference component," 2015 IEEE MTT-S International Conference on Microwaves for Intelligent Mobility (ICMIM), Heidelberg, Germany, 2015, pp. 1-4, doi: 10.1109/ICMIM.2015.7117954.

(13) F. Jin and S. Cao, "Automotive Radar Interference Mitigation Using Adaptive Noise Canceller," in IEEE Transactions on Vehicular Technology, vol. 68, no. 4, pp. 3747-3754, April 2019, doi: 10.1109/TVT.2019.2901493

(14) M. Barjenbruch, D. Kellner, K. Dietmayer, J. Klappstein and J. Dickmann, "A method for interference cancellation in automotive radar," 2015 IEEE MTT-S International Conference on Microwaves for Intelligent Mobility (ICMIM), Heidelberg, Germany, 2015, pp. 1-4, doi: 10.1109/ICMIM.2015.7117925.

(15) M. Wagner, F. Sulejmani, A. Melzer, P. Meissner and M. Huemer, "Threshold-Free Interference Cancellation Method for Automotive FMCW Radar Systems," 2018 IEEE International Symposium on Circuits and Systems (ISCAS), Florence, Italy, 2018, pp. 1-4, doi: 10.1109/ISCAS.2018.8351077.

(16) S. Murali, K. Subburaj, B. Ginsburg and K. Ramasubramanian, "Interference detection in FMCW radar using a complex baseband oversampled receiver," 2018 IEEE Radar Conference (RadarConf18), Oklahoma City, OK, USA, 2018, pp. 1567-1572, doi: 10.1109/RADAR.2018.8378800.

(17) E. Bel Kamel, A. Peden and P. Pajusco, "RCS modeling and measurements for automotive radar applications in the W band," 2017 11th European Conference on Antennas and Propagation (EUCAP), Paris, France, 2017, pp. 2445-2449, doi: 10.23919/EuCAP.2017.7928266

MATLAB代码：
 

clear all;
close all;
load("temp_file1.mat");
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
NDMC_threshold = -110; %% Use this flag to trigger the SALVAGE Algorithm
Ignore_NDMC_flag = 0; %% Use this flag to Bypass the SALVAGE Algorithm. 1  = Bypass, 0 = Consider
Diplay_results_in_polar = 1; %% Turn this off (set to 0) if you want to see results in x-y form (x : distance, y: Angle)
​
range_res = (dsamp_rate*Ts*c)/(2*BW*N_sample);
Max_Range = (dsamp_rate*Ts*c)/(2*BW);
range_xaxis = (1:N_sample)*range_res; %%% Range axis for one sided FFT
RA_xaxis = (-N_sample/2:(N_sample/2-1))*range_res; %% Range axis for 2 sided FFT
​
u = -0.5+1/(2*N_sample)/2:1/N_sample:0.5-1/(2*N_sample); 
angle_vals = asind((lambda/Srx)*u).'; %%% Angle axis for Angle FFT
​
wi = (kaiser(N_sample,19))'; %% Window for FFTs
wi = wi/sum(wi); %% Normalizing Window
​
%%%%%%%%%%%$$$%%% Display Overview of chirps andd frames %%%%%%%%%%%%%%%%%%
% THis helps in getting a bird's eye view of how the chirps are looking
​
Num_Chirp_Disp = 5; %% Choose the number of chirps per frame you want to see for an overview of performance. 
​
tic
for frm = 1:N_f
    for chp = 1:Num_Chirp_Disp
        Return_Chirp_Number = chp*(Chirps_Per_Frame/Num_Chirp_Disp);
        adcn_mat_ds = squeeze(adcn_mat_ds_totalsim(frm, Return_Chirp_Number,:,:));
        RangeFFT_mat = fftshift(fft(adcn_mat_ds.*wi,N_sample,2));
        
        %%%%%%%%% Display Results %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
        figure(1)
        subplot(5,5,(frm-1)*5+chp); 
        plot(RA_xaxis,db(RangeFFT_mat(1,:)));
        grid on;
        title(sprintf('Frame %d Chirp %d',frm,Return_Chirp_Number));
    end
end
toc
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 
​
%%%%%%%%% Power Profile Overview %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%This section plots out the power in negative Bins. comparision with NDMC threshold allows user to see if the SALVAGE algorithm will be triggered 
​
for cnt = 1:N_f
    for chp = 1:Chirps_Per_Frame
        Chirp_Data = squeeze(adcn_mat_ds_totalsim(cnt, chp,:,:));
        [power_disp(cnt,chp),~] = Check_Int(NDMC_threshold,Chirp_Data);
    end
    figure(2)
    hold on
    plot(db(power_disp(cnt,:)),DisplayName="Frame "+cnt);
end
figure(2)
hold off
ylabel("dB")
xlabel("Chirp Number")
title("Magnitude of power in  negative frequency bins")
yline(NDMC_threshold,Color="red",LineStyle="--",DisplayName="NDMC Threshold");
ylim([-250 0]);
legend;
% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
​
%%%%%%%%%% System %%%%%%%%%%%%%%%%%%%
​
for cnt = 1:N_f
    Frame_Data = squeeze(adcn_mat_ds_totalsim(cnt,:,:,:));
    Frame_Data_singant = squeeze(adcn_mat_ds_totalsim(cnt,:,1,:));
    for chp = 1:Chirps_Per_Frame
        Chirp_Data = squeeze(adcn_mat_ds_totalsim(cnt, chp,:,:));
        [~,NDMC_flag] = Check_Int(NDMC_threshold,Chirp_Data); %%% NDMC Flag turns to 1 if the negative bins power indicates interference
        if(NDMC_flag ==1 && Ignore_NDMC_flag==0)
            break;
        else
            DataSet = Chirp_Data;
            RangeFFT_CUT = (fft(DataSet.*wi,N_sample,2));
            [Locations,AoA] = Find_Objects(N_sample,range_res,RangeFFT_CUT,angle_vals,f_start,Srx,Nrx,c); %% Finds object peaks from RangeFFT Data
            [Performance_chp(chp,:),Targets_mat,Eval_mat] = Evaluate_Results(Locations,AoA,squeeze(d(cnt,chp,:))',squeeze(theta(cnt,chp,:))',Nrx,range_res); %% Compares object peaks to actul targets
            if(chp == 1)
                Targets_obs = Eval_mat;
                Targets_act = Targets_mat;
            else
                Targets_obs = [Targets_obs Eval_mat];
                Targets_act = [Targets_act Targets_mat]; %% Accumulate target data from every chirp to overlay later
            end
        end
    end
    if(NDMC_flag ==1 && Ignore_NDMC_flag==0)
        %%% This section is the SALVAGE Algorithm %%%%
       [ind_min,CUT,chirp_final] = NDMC(Frame_Data_singant,wi,N_sample); %% Construct best case RangeFFT chirp based on NDMC. Also return the indices of min samples to plot histogram
       DataSet = squeeze(Frame_Data(CUT,:,:));
       RangeFFT_CUT = (fft(DataSet.*wi,N_sample,2));
​
        figure(3)
        subplot(N_f,3,3*(cnt-1)+1)
        plot(RA_xaxis,db(abs(fftshift(chirp_final))));
        xlabel("Distance (m)")
        ylabel("dB")
        title("Reconstructed Distance FFT by NDMC")
        subplot(N_f,3,3*(cnt-1)+2)
        histogram(ind_min);
        xlabel("Chirp Number")
        title("Histogram of Samples Contributed to Best Chirp")
        ylim([0 512])
        subplot(N_f,3,3*(cnt-1)+3)
        plot(RA_xaxis,db(abs(fftshift(RangeFFT_CUT(1,:)))));
        xlabel("Distance (m)")
        ylabel("dB")
        title("Frame Number "+cnt+", Chirp Number "+CUT)
​
       [Locations,AoA] = Find_Objects(N_sample,range_res,RangeFFT_CUT,angle_vals,f_start,Srx,Nrx,c);
       [Performance_frm(cnt,:),Targets_act,Eval_mat] = Evaluate_Results(Locations,AoA,squeeze(d(cnt,CUT,:))',squeeze(theta(cnt,CUT,:))',Nrx,range_res);
       Targets_obs = Eval_mat;
    else
       Performance_frm(cnt,:) = sum(Performance_chp,1)/Chirps_Per_Frame; %%% Find Average values in frame for recall and precision
    end
    
    if(Diplay_results_in_polar==1)
        figure(40+cnt)
        s = polarscatter(deg2rad(Targets_act(2,:)),Targets_act(1,:),18,'filled',MarkerFaceColor="red",MarkerFaceAlpha="flat");
        s.AlphaData = 0.005*ones(1,length(Targets_act(1,:)));
        hold on
        s2 = polarscatter(deg2rad(Targets_obs(2,:)),Targets_obs(1,:),9,'filled',MarkerEdgeColor="none",MarkerFaceAlpha="flat",MarkerFaceColor="blue");
        s2.AlphaData = 0.005*ones(1,length(Targets_obs(1,:)));
        title("Frame" + cnt)
        rlim([0 150])
        thetalim(([-90 90]))
        legend("Targets","Detections");
    else
      figure(4)
      subplot(1,N_f,cnt)
      s = scatter(Targets_act(1,:),Targets_act(2,:),18,'filled',MarkerFaceColor="red",MarkerFaceAlpha="flat");
      s.AlphaData = 0.005*ones(1,length(Targets_act(1,:)));
      hold on
      s2 = scatter(Targets_obs(1,:),Targets_obs(2,:),9,'filled',MarkerEdgeColor="none",MarkerFaceAlpha="flat",MarkerFaceColor="blue");
      s2.AlphaData = 0.005*ones(1,length(Targets_obs(1,:)));
      legend("Targets","Detections");
      xlabel("Distance (metres)")
      ylabel("AoA (Degrees)")
      title("Frame" + cnt)
      xlim([0 150])
      ylim([-90 90])
    end
end
​
figure(5)
plot(1:1:N_f,Performance_frm(:,1),Marker="*");
hold on
plot(1:1:N_f,Performance_frm(:,2),Marker="*");
hold off
title("Performance Metrics")
legend("Recall","Precision");
xlabel("Frame")
ylabel("Percentage(%)")
ylim([-5 105])
​
avg_recall = sum(Performance_frm(:,1),"all")/N_f
avg_precision = sum(Performance_frm(:,2),"all")/N_f

仿真结果：