毫米波雷达车流量检测原理和代码-matlab代码

我也想搞机器学习

已于 2023-03-06 09:25:08 修改

阅读量1.2k

点赞数 2

分类专栏：雷达原理文章标签：单片机 matlab 算法图像处理

于 2023-03-02 17:30:59 首次发布

本文链接：https://blog.csdn.net/qq_36061650/article/details/129301848

版权

雷达原理专栏收录该内容

3 篇文章 5 订阅

订阅专栏

一.雷达采集模块

毫米波雷达由发射天线和接收天线组成，分别用于发送电磁波和接收电磁波，通常发射的波形为三角波。发射波由于被目标物体反射从而到达雷达接收基产生回波信号，与发射信号进行混频，就得到表征道路车辆情况的中频信号，再经过滤波放大等处理，提供给单片机(含DSP模块)进行频谱分析(单片机主要是用ADC和DMA模块采集雷达发送过来的信号)，通过频谱的强弱程度就可得出目标车辆所处车道和距离。

以上简单介绍一下毫米波雷达工作原理，如需详细原理，请参照我的博客FMCW雷达基本原理(通俗易懂)。

二.单片机ADC和DMA模块

本次实验所用的单片机型号为STM32F403，由于只用到ADC和DMA模块，只需要配置他们两个即可，其他的根据单片机教程默认配置即可。

1.ADC配置

主程序中启动ADC采集代码：

2.DMA配置

通过单片机串口助手XCOM可以打印出我们采集到的数据，是十六进制的：

三.车辆检测-matlab算法仿真

1.车辆判别介绍

通过ADC采集回来的数据是十六进制的，用matlab将其转换为10进制小数型数据：

这些数据就是雷达扫频周期所采集的数据(时域信息)，里面包含了车辆信息、道路信息、道路边护栏信息等，我们对这些数据进行FFT快速傅里叶变换看一下效果：

图中，部分用红色框出来的点即为车辆，左右来看为车辆数，上下来看为不同车道。

数组为adc_value2[1024,392]，1024是adc每个扫频周期采到1024个数据，392是共扫频392个周期，其实我们应该对1个扫频周期进行分析，即adc_value2[1024,1]进行分析，因为这样更符合单片机采集数据的逻辑。

接着把adc_value2[1024,1]一列数据进行FFT，得到频谱(频域数据)：

由于做完FFT数据具有对称性质，因此1024个点只显示512个点即可，由图上以及多组数据实验可知，点0附近的峰值为马路反射值，点100处为道路护栏反射值，因此可以不作判别，在点39处为车辆反射值，需要进行判别有车。再次通过这下图可以看出，39点附近颜色很深，即为车辆：

点0处颜色为道路反射值，点100处颜色为道路护栏返回值。

同理，可通过如下图分析出该扫频周期内是没有车辆的：

如此循环往复，对多个扫频周期进行车辆的判别，即可得到一个时间段内该道路上的车流量。

2.算法实现

经过多次实验表明，车道一车辆总位于频谱点39-43，我们将其放大，以增加其容忍度，我们将起始点pos_start1设为36，终止点pos_end1设为42，可获得7个数据点，7个数据点进行求平均，得到gate_cal，设置车辆阈值gate_car为0.4，从而将gate_cal于gate_car进行比较，如果gate_cal高于gate_car，则表示有车，车辆计数car_num=car_num+1，从而每来一个扫频周期就进行一次算法的识别处理，就可以实现车流量的监测。

3.代码实现

部分代码已给出：

clc;clear;close all;
%数据预处理
txt_adc_value=textread('./data_11(30).txt','%s')';
adc_value2=fun_conversion(txt_adc_value,'h',N,-1);%adc_value2[1024,392]：1024是adc每个扫频周期采到1024个数据，392是共扫频392个周期
mubiao=fun_show_car(open_plot_mubiao,adc_value2,4,5);
%求平均值
%ADC采集的1024个点相加存入xx，xx/1024求平均，xx为平均值
adc_value3=adc_value2(:,c1);
xx=0;
for i=1:N
   xx=adc_value3(i)+xx;
end
xx=xx/N;
%加窗函数
for i=1:N
    x(i)=adc_value3(i)-xx;
    x(i)=x(i)*fun_window(i,N);%x是减去平均值的数，非常小，window是一个正弦窗函数(0.08,1)
end
fun_plot2_1(open_plot,1,[2,2,3],size(x,2),x,'','加窗函数','');
%FFT傅里叶变换
xx_cfft_ri=fft(x-mean(x));
if(open_plot==1)
    fun_plot2_1(open_plot,3,[2,2,2],size(xx_cfft_ri,2)/2,abs(xx_cfft_ri(1:end/2)),'','一个采样周期FFT','');
    figure(3);subplot(2,2,1);imagesc(abs(xx_cfft_ri(1,1:512)'));title('一个采样周期FFT');
end
j=2;
for i=1:size(xx_cfft_ri,2)%提取实部虚部
    xx_cfft(1,j-1)=real(xx_cfft_ri(i));
    xx_cfft(1,j)=imag(xx_cfft_ri(i));
    j=j+2;
end
[car_num,car_num_indx,car1_gate_cal,flag_add]=fun_suanfa1(xx_cfft_ri(1:512),[36,0,0,0],0.4,car1_gate_cal,car_num,car_num_indx,c1,flag_add,open_plot,[8,9]);%①[38,0,0,0] 0.4 /7②[36,0,0,0] 0.4 /7