基于测速雷达的多目标检测算法
基于路侧激光雷达的多目标检测与跟踪算法
基于路侧激光雷达的多目标检测与跟踪算法
顾晶;胡梦宽
【期刊名称】《激光与红外》
【年(卷),期】2024(54)2
【摘要】为了检测与跟踪城市交叉口复杂环境下的道路目标,提出一种基于路侧激光雷达的多目标检测与跟踪算法。
首先利用背景减除法滤除背景点云,随后融合5帧点云并利用曲率体素聚类算法检测目标得到3 D包围盒信息,之后通过自适应阈值的双门控和生存周期管理策略,有效提升关联精度并减少了目标丢失和误检,最后利用交互式多模型无迹卡尔曼滤波(IMM-UKF)和联合概率数据互联(JPDA)的融合算法完成道路目标的跟踪。
试验结果表明,该算法在保证检测和跟踪性能基础上满足实时性要求,具有工程实用价值。
【总页数】8页(P214-221)
【作者】顾晶;胡梦宽
【作者单位】无锡学院电子信息工程学院;南京信息工程大学电子与信息工程学院【正文语种】中文
【中图分类】TN958.98;TP391.41
【相关文献】
1.基于联合多目标概率密度模型的多目标检测前跟踪算法
2.基于多层激光雷达的目标检测与跟踪算法
3.基于多特征融合的高速路车辆多目标跟踪算法研究
4.基于激光雷达的三维多目标检测与跟踪
5.基于路侧激光雷达的障碍物目标检测方法
因版权原因，仅展示原文概要，查看原文内容请购买。
雷达信号处理中的多目标跟踪算法研究
雷达信号处理中的多目标跟踪算法研究雷达信号处理是一门重要的技术，其应用范围广泛，可以用于目标识别、导航、探测和跟踪等领域。
而多目标跟踪算法则是其中的一个热点研究领域。
本文将从多目标跟踪算法的定义、算法种类、应用以及研究进展等多个方面进行论述。
一、多目标跟踪算法的定义多目标跟踪算法是指利用雷达信号处理技术对多个目标进行跟踪、定位、预测和识别的算法。
多目标跟踪算法的研究主要涉及到多个目标的特征提取、多个目标的数据关联和多个目标的运动轨迹预测等关键问题。
二、多目标跟踪算法的种类现在多目标跟踪算法的研究方向越来越多，聚类跟踪算法、批处理跟踪算法、传统滤波跟踪算法、无滤波跟踪算法、模型预测跟踪算法等多种算法已经被提出。
其中，聚类跟踪算法和批处理跟踪算法是较为常用的算法。
聚类跟踪算法是指在雷达扫描范围内针对所有目标的特征信息进行空间聚类，并确定目标数目。
这种算法将时间和空间信息相结合，能够获得非常准确的结果，但是难以实现实时性。
而批处理跟踪算法则是通过信息提取、特征关联、轨迹预测等步骤来实现目标跟踪。
该算法主要通过运用卡尔曼滤波和粒子滤波的方法，来对目标进行跟踪和预测，以期提高目标跟踪的精度和实时性。
三、多目标跟踪算法的应用多目标跟踪算法广泛应用于军事领域、航空航天、交通管制、环境监测、自动驾驶等众多领域。
例如军事领域中，雷达系统需要对附近的各类目标进行跟踪，通过多目标跟踪算法，能够快速确定目标位置、类型等重要信息，并对敌方目标进行监测。
在航空航天领域，多目标跟踪算法能够将飞行器上的雷达数据进行有效处理，实现对众多空中目标的探测和追踪。
在交通管制中，多目标跟踪算法则可以用于市场调研和广告投放等领域，以及城市交通流量的监测与分析等方面。
四、多目标跟踪算法的研究进展近年来，多目标跟踪算法的研究进展非常迅速。
基于卡尔曼滤波理论的多目标跟踪算法，以及基于数据驱动的深度学习算法已经成为该领域的研究热点。
卡尔曼滤波理论在多目标跟踪算法研究中应用广泛，同时，基于卡尔曼滤波理论的多目标跟踪算法的精度和速度也得到了精细化的提升。
雷达测速方案
1. 引言雷达测速是一种常用的交通工具超速检测方法。
通过使用雷达技术，可以精确地测量车辆的速度。
本文档将介绍雷达测速原理、设备及使用方法，以及雷达测速的优点和局限性。
2. 雷达测速原理雷达测速的原理基于多普勒效应。
当雷达向目标发射波束时，波源会被目标反射，并返回到雷达接收器。
如果目标以不同于雷达运动的速度移动，返回的波会发生频率偏移。
通过测量这个频率偏移，可以计算出目标的速度。
3. 雷达测速设备雷达测速设备通常由以下组件组成：•雷达发射器：用于发射微波信号的装置。
发射器通常使用固态放大器来增强信号的功率。
•天线：用于发射和接收雷达信号的设备。
天线一般采用高增益天线以增加接收到的信号强度。
•接收器：用于接收反射回来的雷达信号。
接收器通常包括放大器、混频器和解调器等组件。
•信号处理器：用于处理接收到的雷达信号，提取目标的速度信息。
•显示器：用于显示测速结果的设备，通常以数字形式显示车辆的速度。
4. 雷达测速使用方法雷达测速设备的使用方法如下：1.安装设备：将雷达设备安装在适当的位置，通常是在道路旁边的支架上。
确保设备的天线指向道路，并调整合适的角度以最大限度地接收车辆的反射信号。
2.执行校准：在使用设备之前，需要对其进行校准，以确保测速的准确性。
校准通常包括设置雷达波的频率和功率等参数。
3.进行测速：设备启动后，它会连续地发送和接收雷达信号。
当设备探测到车辆时，它会计算出车辆的速度，并将结果显示在显示器上。
4.记录数据：雷达测速设备通常具有数据记录功能，可以记录每个被测量车辆的速度和时间。
这些数据可用于后续分析和证据收集。
5. 雷达测速的优点雷达测速具有以下优点：•准确性：雷达测速可以提供精确的车辆速度测量结果，通常误差较小。
•实时性：雷达测速设备能够实时地检测车辆的速度，并通过显示器即时显示结果。
•远程测量：雷达测速设备可以在较远的距离内对车辆进行测速，不需要接近车辆进行测量。
6. 雷达测速的局限性雷达测速也存在一些局限性：•环境影响：雷达测速容易受到环境因素的影响，如天气条件（雨雪等）和道路形状等，可能会降低测速的准确性。
8种目标检测算法
8种目标检测算法目标检测是计算机视觉领域中一个重要的任务，其目标是在图像或视频中准确地定位和识别出感兴趣的物体。
在过去的几十年中，研究者们提出了许多不同的目标检测算法，旨在提高检测的准确性和效率。
本文将介绍8种经典的目标检测算法，并对它们进行详细比较和分析。
1. R-CNN (Region-based Convolutional Neural Network)R-CNN是一种经典的目标检测算法，它通过两个步骤来进行目标检测：候选区域生成和分类。
首先，R-CNN使用选择性搜索（Selective Search）等方法生成一系列候选区域。
然后，每个候选区域被送入卷积神经网络（CNN）进行特征提取，并使用支持向量机（SVM）进行分类。
虽然R-CNN在准确性上表现良好，但其速度较慢。
2. Fast R-CNNFast R-CNN是对R-CNN的改进，主要通过引入全连接层来解决R-CNN中多次计算相同特征的问题。
Fast R-CNN首先将整个图像输入到CNN中获取特征图，然后根据候选区域的位置从特征图中提取相应的区域特征。
这些区域特征被送入全连接层进行分类和边界框回归。
相比于R-CNN，Fast R-CNN具有更快的速度和更好的检测性能。
3. Faster R-CNNFaster R-CNN是在Fast R-CNN的基础上进一步改进的算法。
它引入了一个称为“区域提议网络”（Region Proposal Network，RPN）的组件，用于生成候选区域。
RPN通过滑动窗口在特征图上移动，并预测每个位置是否包含目标以及对应的边界框。
生成的候选区域被送入Fast R-CNN进行分类和回归。
Faster R-CNN将目标检测任务拆分为两个子任务，从而实现了端到端的训练和推断。
4. YOLO (You Only Look Once)YOLO是一种非常高效的目标检测算法，它采用了完全不同于传统方法的思路。
YOLO将目标检测问题转化为一个回归问题：给定图像，直接在图像上划分网格，并预测每个网格中是否包含目标以及对应的边界框和类别概率。
雷达目标跟踪算法流程
雷达目标跟踪算法流程引言：雷达是一种常用的传感器，广泛应用于军事、航空航天、导航等领域。
雷达目标跟踪是指通过雷达系统对目标进行连续观测和定位，从而实现对目标的持续追踪和预测。
本文将介绍雷达目标跟踪的算法流程，并对每个步骤进行详细说明。
一、雷达数据预处理在进行目标跟踪之前，首先需要对雷达数据进行预处理。
预处理的目的是去除噪声、滤波和探测目标等。
常用的预处理技术包括滑动窗口平均、中值滤波、高斯滤波等。
这些技术可以有效地提高雷达数据的质量，减少误差。
二、目标检测与分割目标检测与分割是指通过对雷达数据进行处理，将目标从背景中区分出来。
常用的目标检测算法包括常规门限检测、自适应门限检测、基于统计的检测等。
这些算法可以根据目标与背景的差异性，快速准确地检测到目标。
三、目标特征提取与描述目标特征提取与描述是指从目标检测结果中提取出目标的特征信息，并对其进行描述。
常用的特征包括目标的位置、速度、加速度等。
通过对这些特征进行描述，可以更好地确定目标的运动状态和轨迹。
四、目标关联与分类目标关联与分类是指根据目标的特征信息，对目标进行分类和关联。
常用的关联算法包括最近邻算法、最大似然估计算法、卡尔曼滤波算法等。
这些算法可以根据目标的特征信息，对目标进行准确的分类和关联，从而实现目标的持续追踪。
五、目标轨迹预测与更新目标轨迹预测与更新是指根据目标的历史轨迹信息，对目标的未来位置进行预测，并更新目标的状态。
常用的预测算法包括卡尔曼滤波算法、粒子滤波算法等。
这些算法可以根据目标的历史轨迹信息，准确地预测目标的未来位置，并及时更新目标的状态。
六、目标轨迹评估与优化目标轨迹评估与优化是指根据目标的轨迹信息，对目标的运动状态进行评估和优化。
常用的评估指标包括位置误差、速度误差、加速度误差等。
通过对这些指标进行评估，可以及时发现目标的异常运动，并进行相应的优化处理。
七、目标跟踪结果显示与输出目标跟踪结果显示与输出是指将目标的跟踪结果以可视化的方式呈现出来，并进行输出。
一种LFMCW雷达多目标距离_速度配对新方法_丁顺宝
（ FFT） 处理方法的基础上展开的， 配对的准则是回波 的频谱特征相同， 但基于频谱特征的多目标配对存在 难以消除的多义性， 当目标回波频谱出现重叠时， 提取 导致多目标 的频谱特征参数已不能反映目标的特征 ， 配对失败。 本文将单载频与线性调频联合检测目标技术应用 于多目标配对场合， 其工作的基本思路： 发射单载频连 续波信号并对回波信号进行 FFT 处理， 获取无模糊的 ； 目标速度信息 发射单调频斜率线性调频信号并对回 波信号进行二维处理， 分别获取无模糊的目标距离信 息与模糊的速度信息； 通过对无模糊的速度信息与有 模糊的速度信息配对处理， 完成多目标的距离与速度 配对处理。单载频与线性调频联合多目标配对方法与 传统的差拍 － FFT 处理方法有本质的不同， 采用该方 法得到的是不模糊的目标距离与速度 ， 不存在距离、 速 度耦合问题； 多目标的配对是对无模糊的速度信息与 有模糊的速度信息配对处理得到的， 由于单载频的测 速精度很高， 多目标的正确配对概率很高， 从而克服了 基于频谱特征配对存在的问题。仿真结果表明这种方 法能够适应强杂波背影下的多目标检测与配对 。 — 9 —
丁顺宝， 刘 明
（ 南京电子技术研究所， 南京 210039 ）
摘要：针对线性调频连续波雷达双差拍 － 傅里叶处理中的多目标配对问题 ， 提出了一种新的多目标距离 － 速度联合配对 法。文中分析了连续波与线性调频连续的雷达回波频谱 ， 描述了雷达系统工作原理 ； 然后， 利用单载频回波信号测量多目 标的不模糊速度，同时利用锯齿调频波测量多目标的不模糊距离与模糊速度 ； 最后， 结合距离 － 速度配对的方法， 实现多 目标的配对。仿真结果验证了方法的有效性 。 关键词：线性调频连续波雷达； 多目标配对； 距离 － 速度联合配对； 连续波雷达
雷达信号处理中的目标检测与跟踪技术
雷达信号处理中的目标检测与跟踪技术雷达（Radar）是一种利用电磁波进行探测和测距的技术，广泛应用于军事、航空航天以及民用领域。
雷达信号处理中的目标检测与跟踪技术是在雷达应用过程中必不可少的环节，旨在提取目标信息并实现对目标的实时跟踪。
目标检测是雷达信号处理的第一步，其目的是从杂波中识别出目标信号。
在目标检测中，常用的方法有能量检测法、匹配滤波法和统计检测法等。
能量检测法是一种基于信号能量的方法，当接收到的信号能量超过一定阈值时，认为检测到了目标。
匹配滤波法则是将已知目标的参考信号与接收到的信号进行相关运算，通过寻找相关峰值来检测目标。
统计检测法则是基于统计学原理进行目标检测，利用雷达回波信号的统计特性来判断是否存在目标。
目标跟踪是在目标检测的基础上，对目标进行实时跟踪和预测。
雷达目标跟踪技术主要分为两类：点目标跟踪和航迹跟踪。
对于点目标跟踪，通常采用卡尔曼滤波器、扩展卡尔曼滤波器等滤波算法进行实时跟踪。
卡尔曼滤波器通过将目标位置和速度作为状态变量建立状态方程，并结合观测方程对目标进行预测和修正。
扩展卡尔曼滤波器则是对非线性系统进行近似线性化处理，将卡尔曼滤波器扩展到非线性系统上。
而航迹跟踪则是对目标的航迹进行预测和估计，常用的方法有最小二乘法、贝叶斯滤波法等。
在雷达信号处理中，还有一类重要的技术是目标特征提取。
目标特征提取是指从雷达回波信号中提取出与目标特征属性相关的信息。
常用的特征提取方法有时域特征、频域特征和小波变换等。
时域特征是指根据雷达回波信号的幅度、距离延迟、时间间隔等特征进行目标识别。
频域特征则是通过对雷达回波信号进行傅里叶变换，提取出目标的频谱特征。
小波变换则是将时域和频域结合起来，通过不同尺度波形进行目标特征提取。
目标检测与跟踪技术的研究在军事和民用领域有着广泛应用。
在军事领域，雷达目标检测与跟踪技术能够实现对目标的远程监视和侦察，为军事行动提供重要支持。
在民用领域，雷达目标检测与跟踪技术应用于航空交通管制、地震监测和气象预警等方面，对于保障公共安全和提高生活质量具有重要意义。
多站雷达协同目标检测方法研究
多站雷达协同目标检测方法研究多站雷达协同目标检测方法研究摘要：多站雷达协同目标检测是目前雷达技术领域中的研究热点之一。
通过多站雷达的协同工作，可以提高目标检测的准确性和可靠性。
本文针对多站雷达协同目标检测方法进行了研究，提出了一种基于数据融合的目标检测方法，并进行了实验验证。
实验结果表明，该方法可以有效地提高目标检测的准确率和召回率。
关键词：多站雷达；协同目标检测；数据融合；准确率；召回率1. 引言多站雷达协同目标检测是指利用多个雷达站点共同工作，通过数据融合的方式提高目标检测的准确性和可靠性。
在目标检测中，传统的单站雷达往往受限于雷达站点位置、视野范围和物体遮挡等因素，无法实现对目标的全面监测和准确识别。
而多站雷达协同工作可以克服这些限制，提高目标检测的性能。
因此，多站雷达协同目标检测方法的研究对于提升雷达系统的性能具有重要意义。
2. 多站雷达协同目标检测方法2.1 数据融合方法数据融合是多站雷达协同目标检测的基础方法之一。
通过将不同雷达站点收集到的数据进行融合，可以提高目标检测的准确性和可靠性。
常用的数据融合方法包括加权平均法、决策级融合法和特征级融合法等。
具体选择何种数据融合方法需要根据实际应用场景和需求来确定。
2.2 目标匹配方法目标匹配是多站雷达协同目标检测的关键环节。
通过将不同雷达站点检测到的目标进行匹配，可以准确识别目标并提高目标检测的性能。
常用的目标匹配方法包括基于距离的匹配、基于速度的匹配和基于形状的匹配等。
具体选择何种目标匹配方法需要根据实际情况和需求来确定。
3. 实验设计与结果分析本文设计了一套多站雷达协同目标检测的实验系统，包括多个雷达站点和目标检测算法等。
通过在实验系统中收集数据并进行处理，得到了目标检测的结果。
实验结果表明，基于数据融合的多站雷达协同目标检测方法可以有效地提高目标检测的准确率和召回率。
与单站雷达相比，多站雷达的协同工作可以充分利用多个站点的信息，从而更全面地监测和识别目标。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于测速雷达的多目标检测算法（合肥工业大学计算机与信息学院，安徽合肥20009）摘要：近些年了来随着科技的进步、人们生活水平的提高，为满足生产和生活的需求各种交通工具应用而生。
车型和车速的不断提高给道路交通管制带来了许多的不便和麻烦，因此基于交通测速雷达的多目标分辨领域的研究至关重要，能更好的对道路交通进行管理，在跟踪目标，对超速车辆的查找以及统计各类型车辆数量、缓解交通压力等方面有很大的用途。
本文在多普勒雷达的基础上研究发展而来的基于测速雷达的多目标分辨算法。
首先介绍了雷达测速的研究背景及意义，多普勒雷达的测速原理，目前的发展状况以及传统雷达的不足之处。
接着介绍了多目标分辨的理论依据，也就是本论文主要讲解的超速雷达的多目标分辨。
关键词:多普勒雷达、多目标分辨、频谱分析、幅度比较一、研究背景21世纪以来，人类生产力大解放。
科技的蓬勃发展，工业革命的不断推进，无论是生产还是生活人类发生了翻天覆地的变化。
其中最明显的便是交通运输工具的变化。
随着道路基础设施建设水平的提高，人们生活质量的提高促使家庭小汽车的不断增加，同时为满足生产力发展的需求，各种交通工具应用而生。
公路交通运输业是推动国民经济发展，促进经济社会繁荣的主动力。
为实现对道路交通的有效管制以及行车速度测量及对超速车辆的实时监测控制对道路上的多目标进行分辨至关重要。
从雷达早期出现用于对空中金属物体的探测，到二战以来出现的雷达对空对地的火力控制等，雷达主要应用于军事领域。
随着科技的进步，雷达技术的不断发展，雷达不再是一种单纯的军事雷达，其应用领域不断增加，功能不断增强出现了各种各样的雷达，比如气象雷达，道路交通测速雷达等。
雷达测速是利用多普勒效应，通过多普勒频移计算目标的速度。
雷达测速因其准确性高，速度快，稳定性好，探测距离远，可移动测速，能更好的抑制地无干扰等优点，得到广泛应用，但是由于雷达波束较宽，在多车并行行驶时，无法分辨出超速车辆，给监测控制带来了困难。
国内现有超速测量抓拍系统在多车并行时，由于仅能检测出有车辆超速，无法分辨超速车辆，为避免误判只能放弃抓拍，无形中增加了交通事故隐患，严重影响了现代交通的严格法制化管理进程。
因此多目标分辨雷达的研究和制造有着非常重要的作用。
同时不仅可应用于超速雷达的探测，在对车型检测，缓解交通压力等方面都发挥很大的作用。
二、交通测速雷达发展状况目前，美国联邦电讯委员会规定警用测速频道为Xband，Kband，Kaband三种，它们对应的微波频率分别为10.525GHZ，24.150GHZ,33.40-36.00GZH。
Xband雷达形状为圆型，无法在车阵中锁定超速车辆只能在车阵中检测第一辆车的速度。
K band测速雷达为手持式的雷达，国内警方绝大多数使用这种雷达。
Ka band雷达与K band雷达相似，由于其微波频率更高，测速范围更加集中，所以不容易被干扰，目前国内基本局限于一般性测量且测量结果较粗糙，在先进技术方面还有很大差距，因此对多目标分辨的研究至关重要，对提高国内雷达水平，方便道路超速车辆管理有重要的作用。
三、多普勒雷达的作用原理多普勒雷达，又名脉冲多普勒雷达，是一种利用多普勒效应来探测运动目标的位置和相对运动速度的雷达。
1842年,奥地利物理学家J·C·多普勒发现,当波源和观测者有相对运动时,观测者接受到的波的频率和波源发来的频率不同,这种现象被称为多普勒效应。
波是由频率和振幅所构成，而无线电波是随着物体而移动的，当无线电波在行进的过程中，碰到物体时，该无线电波会被反弹，而且其反弹回来的波，其频率及振幅都会随着所碰到的物体的移动状态而改变。
若无线电波所碰到的物体时是固定不动的，那么所反弹回来的无线电波其频率是不会改变的。
然而，若物体朝着无线电线发射的方向前进时，此时所反弹回来的无线电波会被压缩，因此该电波的频率会随之增加；反之，若物体是朝着远离无线电波方向行进时，则反弹回来的无线电波，其频率则会随之减小。
多普勒测速原理图设雷达与动物体之间的距离为s，则雷达电磁波在到达目标并返回的双层路径中，波长为λ的波数为2s/λ，每个波长对应2π rad的相位变化，双程传播路径总相位变化为φ=4πs/λ。
如果目标相对与雷达运动，雷达与运动物体目标的距离s和相位变化都会随时间而变化，对上式求导，可得角频率W d=dφ/dt=4πv/λ=2πF d。
其中v=ds/dt为物体目标径向速度。
F d为多普勒频移。
所以F d=2v/λ=2vf/C，其中f=C/λ是雷达发射电磁波频率。
利用多普勒频移产生的拍现象可把运动目标的回波从杂波中分离出来。
四、基于幅度比较的多目标分辨方法多普勒测速雷达因其测速精度高，速度快，稳定性好，探测距离远，可移动等优点，得到广泛应用，但是由于雷达波束较宽，在多车并行行驶时，无法分辨出超速车辆，给违章抓拍带来了困难，因此可以使用基于幅度比较的多目标分辨方法。
基于幅度比较的多目标分辨方法是通过比较回波幅度分辨并行行驶车辆中的超速车辆的方法。
该方法利用雷达天线波束增益和角度的关系，结合雷达作用距离与回波功率的关系，通过对不同车道上雷达接收回波的多普勒频率谱幅度值进行分析比较，从而分辨出多车道上并行车辆中的超速车辆。
雷达测速模型：如图所示基于幅度比较的多普勒测速雷达的模型图。
雷达工作频率24GHz，λ=1.25cm，天线口径D=5cm，3dB波束宽度θ=λ/D=0.25rad=14.3。
雷达有效作用距离大约为30m，此时波束的方位宽度达到d=θ*R=7.5m，单车道宽度大约为3m，此时单个雷达波束可以覆盖2～3个车道，可以同时检测到多个运动目标。
但无法分辨每辆车的速度。
该方法模型采用同源多天线结构，即天线发射的雷达信号来自同一个源，再由功分器均分形成。
测速雷达分别安装在车道中央通过几部天线测出的多普勒频移正的幅度差异来判断超速车辆所处的车道。
测速雷达的工作原理是：雷达向目标发射电磁波并接收回波信号，从回波中提取速度对应的多普勒频率，进而求出运动目标的速度。
以雷达发射连续波的情况为例，其发射信号可以表示为：S0(t)=Asin(2πf0t+φ0)式中，A为振幅，f o为雷达的发射频率，φ0为初相。
按照图所示测速模型，雷达1接收到的有：carl反射的雷达1的回波，carl反射的雷达2的回波，car2反射的雷达l的回波和car2反射的雷达2的回波四个信号。
由于雷达位置的不同，虽然发射的是相同的信号，但是carl相对与雷达2的径向速度为：V21=V11*cosθ，不同于相对与雷达1的径向速度，因此多普勒频率分量也不相同，car2的情况同理。
同样雷达间的位置差异也决定了距离因子和回波衰减系数的不同。
假设左右两车道雷达接收到的由两个运动目标反射的回波信号分别为S r1(f)和S r2(f)，建立回波：式中，αij为雷达波束方向影响因子；r ij为目标j相对于雷达i的距离因子；f ij=2V ij f0/C，为运动目标的多普勒频移，其中，V ij代表目标j相对于雷达i的运动速度，c代表电磁波的传播速度。
f d11和f d21分别是目标1相对于两个雷达的多普勒频率，f d12和f d22分别是目标2相对于两个雷达的多普勒频率。
设△f d1和△f d2为目标1和目标2相对于两个雷达的多普勒频差：△f d1=f d11-f d21△f d2=f d12-f d22将上式化简为如下两式：回波信号与本振信号进行自混频得到差频信号S1(t)和S2(t):（k1=r1α为幅度增益系数）从差频信号中提取多普勒频率，可由多普勒原理计算出目标的运动速度：v=f d*c/2f0雷达回波信号信号功率谱分析当右车道有车辆行驶时，左右两路雷达会分别接收到该车辆的回波信号，由于位置的差异，所接收的多普勒频率分量和能量值均不相同。
显而易见，在相对距离较近，且处于主瓣中心位置的能量最大，即对于右车道的车辆而言，右路雷达接收到的右车道行驶车辆的多普勒频率分量的能量就要大于左路雷达所接收到的右车道行驶车辆的多普勒频率分量的能量。
如果对两路雷达在该多普勒频率下的能量值做一个差值比较：P2(f d2)-P1(f d1)=a当a>0时，多普勒频移为f d2的车在右车道；当a<0时，多普勒频移为f d1的车在左车道。
当两车道都有车辆行驶时，两个雷达会分别接收到两车道上行驶车辆的回波信号，由于位置的差异，所接收的多普勒频率分量和其能量值均不相同。
此时先判断是否有超速车辆，再判断是否同时超速：如果仅有一辆车超速，对多普勒频率值最大的分量作比较，判断超速车辆所处的位置；如果两辆车同时超速，则直接记录然后进行后续处理。
以上就是基于测速雷达的多目标分辨算法。
五、总结随着中国道路交通的不断发展涌现出各种各样的问题，超速行驶在各种违章中占了很大比例，因此对超速行驶车辆的检测和加大力度的惩罚措施至关重要。
而对超速行驶的汽车的鉴定便需要对汽车进行分辨识别，本文便是这个研究方向的一些理论依据。
通过这次的学习，我更加清楚地认识到了多普勒雷达的作用原理，同时基于多普勒原理而衍生出来的超速车辆的分辨研究也有了一定的认识和学习，对雷达在道路交通中的应用更加了解，增强了自己对雷达技术研究的兴趣，收获很多。
参考文献[1]林仲扬漫谈雷达测速江苏省计量测试技术研究所江苏南京2006[2]刘哲交通测速雷达的检测及技术改进分析云南大学2008[3] 陈卓交通检测雷达的多目标分辨算法研究西安电子科技大[4] 李艳雷达多目标分辨方法研究国防科技大学2005[5] 杨粤湘雷达测速在公安交通管理中的应用广东公安科技2005[6]周高杯多运动目标的频谱分析及基于DSP的雷达测速仪的设计湖南大学，2005[7] 孙超脉冲多普勒雷达测速关键问题研究西安电子科技大学2014[8] 孙朝云，阳红，高怀刚交通测速雷达性能分析与改善《长安大学学报:自然科学版》2003。