基于5G通感一體化的車輛成像跟蹤方法

基于5G通感一體化的車輛成像跟蹤方法本期專題MonthlyTopic基于5G通感一體化的車輛成像跟蹤方法VehicleImagingandTrackingMethodBasedon5GSynaesthesiaIntegrationZhangQiankun，ChenRenxiang，ZhongZhigang，MaGuanghui，SunZhiyuan（ChinaInformationTechnologyDesigning&Consult?ingInstituteCo.，Ltd.，Beijing100048，China）為了解決智慧交通領(lǐng)域道路連續(xù)無死角監(jiān)測(cè)的難題，提出一種基于5G通感一體化的車輛成像跟蹤方法。首先由通感一體化基站接收并解析車輛的反射信號(hào)，提取信道狀態(tài)信息，其次由信道狀態(tài)信息中所包含的多普勒信息結(jié)合恒虛警檢測(cè)技術(shù)實(shí)現(xiàn)對(duì)動(dòng)目標(biāo)的檢測(cè)，然后采用逆合成孔徑雷達(dá)技術(shù)，對(duì)信號(hào)進(jìn)行處理得到目標(biāo)的成像信息，最后基于卡爾曼濾波實(shí)現(xiàn)對(duì)多個(gè)動(dòng)目標(biāo)的跟蹤。Abstract：關(guān)鍵詞：Keywords：1概述隨著信息技術(shù)日新月異，信息技術(shù)、移動(dòng)通信技術(shù)、人工智能與大數(shù)據(jù)技術(shù)的深度融合，通信業(yè)務(wù)要素從人向智能體、物理空間和虛擬空間要素?cái)U(kuò)展，信息處理功能需求從信息傳遞向信息采集、信息計(jì)算擴(kuò)展。移動(dòng)互聯(lián)網(wǎng)和物聯(lián)網(wǎng)業(yè)務(wù)不斷增強(qiáng)，AI業(yè)務(wù)、沉浸式業(yè)務(wù)和數(shù)字孿生業(yè)務(wù)不斷涌現(xiàn)，正廣泛滲透到個(gè)人應(yīng)用以及智能制造、智能交通、智慧能源、智慧醫(yī)療等垂直應(yīng)用領(lǐng)域。上述業(yè)務(wù)無一不依賴著通信感知收稿日期：2023-08-22一體化技術(shù)的應(yīng)用。6G網(wǎng)絡(luò)即將到來，預(yù)期將是移動(dòng)通信網(wǎng)絡(luò)、感知網(wǎng)絡(luò)和算力網(wǎng)絡(luò)的融合體，而感知網(wǎng)絡(luò)是指具有目標(biāo)標(biāo)跟蹤［4］和目標(biāo)識(shí)別［5］等能力的系統(tǒng)。本項(xiàng)目基于通信感知一體化技術(shù)，面向未來的智慧交通、智能駕駛領(lǐng)域，研究基站側(cè)的室外動(dòng)目標(biāo)檢測(cè)與成像系統(tǒng)，為通信感知一體化技術(shù)在智慧交通、智能駕駛等領(lǐng)域的應(yīng)用提供技術(shù)基礎(chǔ)與理論支撐。目前面向交通領(lǐng)域的動(dòng)目標(biāo)檢測(cè)與跟蹤有基于光學(xué)攝像頭［6基于雷達(dá)回波［7］及基于無線信號(hào)［8華為通感一體技術(shù)）的方案?；诩t外設(shè)備與光學(xué)攝像郵電設(shè)計(jì)技術(shù)/2023/1033本期專題MonthlyTopic基于5G通感一體化的車輛成像跟蹤方法頭的動(dòng)目標(biāo)檢測(cè)方案，易受雨、雪、霧等環(huán)境因素影響，對(duì)背景環(huán)境要求高［9］。華為基于無線信號(hào)的動(dòng)目標(biāo)檢測(cè)與跟蹤方案，利用多通道MIMO天線波束差分技術(shù)，得到極窄的波束，利用反射回來的信號(hào)進(jìn)行目標(biāo)檢測(cè)與跟蹤。該方案需要全雙工天線，利用極窄波束的掃描獲取不同角度下的動(dòng)目標(biāo)的反射信號(hào)強(qiáng)度與信號(hào)時(shí)延，結(jié)合波束角度得到目標(biāo)位置，進(jìn)行目標(biāo)跟蹤。然而由于擦地角的限制需要對(duì)地面進(jìn)行標(biāo)定后，才可實(shí)現(xiàn)準(zhǔn)確的動(dòng)目標(biāo)檢測(cè)與跟蹤功能。基于此，本文提出一種基于成像的目標(biāo)跟蹤方法，基于逆合成空間雷達(dá)成像理論的機(jī)理［10］在只有單通道的時(shí)候，即可實(shí)現(xiàn)對(duì)動(dòng)目標(biāo)的成像。同時(shí)在短時(shí)間內(nèi)獲取多幀ISAR圖像，實(shí)現(xiàn)類似視頻的動(dòng)態(tài)成像功能?；诙鄮琁SAR圖像，提取目標(biāo)的特征信息可實(shí)現(xiàn)動(dòng)目標(biāo)的跟蹤功能。同時(shí)利用該信息可擴(kuò)展目標(biāo)識(shí)別功能，區(qū)分卡車、汽車、自行車等類別，為智慧交通的應(yīng)用落地提供更豐富的感知信息。2系統(tǒng)方案設(shè)計(jì)室外動(dòng)目標(biāo)檢測(cè)與成像跟蹤整體系統(tǒng)方案如圖1所示，整體可分為3個(gè)模塊，分別為參數(shù)估計(jì)與提取模塊、動(dòng)態(tài)ISAR成像模塊和多幀成像結(jié)果跟蹤模塊。參數(shù)估計(jì)與提取模塊負(fù)責(zé)估計(jì)動(dòng)目標(biāo)運(yùn)動(dòng)參數(shù)。該模塊首先利用多普勒域的零頻濾波技術(shù)濾除通感信號(hào)中的背景與靜止目標(biāo)，抑制多徑信號(hào)，然后結(jié)合恒虛警檢測(cè)技術(shù)在目標(biāo)一維距離像進(jìn)行動(dòng)目標(biāo)檢測(cè)，利用目標(biāo)一維距離像信息提取目標(biāo)距離-時(shí)間圖，再結(jié)合距離公式進(jìn)行非線性擬合獲取目標(biāo)的速度信息。然后利用ISAR參考相位將信號(hào)處理轉(zhuǎn)換為ISAR成像處理，再結(jié)合稀疏參數(shù)估計(jì)方法獲取目標(biāo)的運(yùn)動(dòng)參數(shù)。基于該參數(shù)，動(dòng)態(tài)成像模塊擬合構(gòu)造誤差相位補(bǔ)償運(yùn)動(dòng)誤差，再結(jié)合波數(shù)域二維插值映射建立多目標(biāo)的分布式成像模型，隨后利用CADMM優(yōu)化框架［11］獲取多目標(biāo)的全局優(yōu)化成像結(jié)果，最后利用多段子孔徑回波獲取多幀的ISAR成像結(jié)果。成像跟蹤模塊利用動(dòng)態(tài)ISAR成像獲取的多幀成像結(jié)果進(jìn)行目標(biāo)跟蹤。該模塊分為檢測(cè)與跟蹤2個(gè)子模塊。檢測(cè)模塊首先使用高斯混合模型分離背景得到運(yùn)動(dòng)區(qū)域，然后對(duì)該區(qū)域進(jìn)行形態(tài)學(xué)運(yùn)算，消除噪聲，最后計(jì)算目標(biāo)的質(zhì)心和邊界框坐標(biāo)等特征信息。跟蹤模塊使用特征信息初始化卡爾曼濾波器［12使用卡爾曼濾波器計(jì)算并預(yù)測(cè)每個(gè)軌跡在下一幀中的位置，然后使用匈牙利算法［13］對(duì)下一幀中新檢測(cè)到的目標(biāo)進(jìn)行匹配更新與跟蹤。3動(dòng)目標(biāo)檢測(cè)與成像跟蹤3.1系統(tǒng)回波模型位于道路一側(cè)的基站天線發(fā)射5G上行信號(hào)，發(fā)射信號(hào)經(jīng)由目標(biāo)反射后被基站側(cè)接收天線接收，天線配置為一發(fā)一收（OneTransmitteran1T1R）且同側(cè)收發(fā)分置天線。信號(hào)經(jīng)過調(diào)制解調(diào)后可零頻濾波時(shí)頻二維檢測(cè)變化運(yùn)動(dòng)參數(shù)提取OMP參數(shù)估計(jì)圖目標(biāo)速度估計(jì)檢測(cè)零頻濾波時(shí)頻二維檢測(cè)變化運(yùn)動(dòng)參數(shù)提取OMP參數(shù)估計(jì)圖目標(biāo)速度估計(jì)檢測(cè)通信感知回波信號(hào)擬合運(yùn)運(yùn)動(dòng)目標(biāo)參數(shù)估計(jì)與提取靜止目標(biāo)運(yùn)動(dòng)目標(biāo)多幀ISAR成像結(jié)果多幀ISAR成像結(jié)果動(dòng)態(tài)成像全局優(yōu)化結(jié)果優(yōu)化成像架構(gòu)成像架構(gòu)分布式成像模型波數(shù)域二維插值映射誤差波數(shù)域二維插值映射誤差補(bǔ)償誤差相位構(gòu)造動(dòng)態(tài)ISAR成像目標(biāo)跟蹤匈牙利算法卡爾曼濾波運(yùn)動(dòng)目標(biāo)檢測(cè)多幀目標(biāo)跟蹤匈牙利算法卡爾曼濾波運(yùn)動(dòng)目標(biāo)檢測(cè)多幀ISAR成像結(jié)果高斯混特征成像跟蹤信合模型提取架構(gòu)息輸出ISAR合模型提取架構(gòu)息輸出34圖1動(dòng)目標(biāo)檢測(cè)與成像跟蹤的系統(tǒng)方案2023/10/DTPT基于5G通感一體化的車輛成像跟蹤方法本期專題MonthlyTopic號(hào)模型如下：Hi為第i條路徑的信號(hào)強(qiáng)度，Ri為第i個(gè)路徑對(duì)應(yīng)散射點(diǎn)到基站天線的距離（對(duì)于動(dòng)目標(biāo)而言，該距離是時(shí)變的c為信號(hào)傳播速度?；诶走_(dá)探測(cè)感知的概念，忽略信號(hào)空間傳播損耗，上述信號(hào)模型可改寫為：mf m=xtt為位于（x，y）位置處散射點(diǎn)的目標(biāo)散射強(qiáng)度，ttmtt時(shí)刻位于（xt，yt）位置處散射點(diǎn)到基站天線的距離，2表示矢量的歐式距離，式中基于2遠(yuǎn)場(chǎng)假設(shè)與掩疊理論忽略了目標(biāo)的高層信息。f，t）為靜止散射點(diǎn)的回波信號(hào)，可表述=（x，y）位置處?kù)o止散射點(diǎn)到基站天線的距離。由于靜止散射點(diǎn)到天線間的距離固定，靜止散射點(diǎn)的回波信號(hào)不存在多普勒信息。因此，可在慢時(shí)間域采用零頻濾波技術(shù)濾除CSI中靜止目標(biāo)信息。3.2動(dòng)目標(biāo)檢測(cè)根據(jù)式（4）可知，由于靜止散射點(diǎn)到天線間的距離固定，靜止散射點(diǎn)的回波信號(hào)不存在多普勒信息。而動(dòng)目標(biāo)由于和天線間存在相對(duì)運(yùn)動(dòng)，導(dǎo)致回波信號(hào)中存在多普勒信息。因此，基于多普勒信息即可實(shí)現(xiàn)對(duì)動(dòng)目標(biāo)的檢測(cè)。本系統(tǒng)使用雷達(dá)檢測(cè)中最為常見的恒虛警率檢測(cè)［14］。均值類CFAR最先被提出并且實(shí)際應(yīng)用最廣、最重要，其核心思想是將參考窗均值的處理結(jié)果作為背景功率水平估計(jì)，與門限乘積因子相乘得到檢測(cè)門限，經(jīng)過比較得到有無目標(biāo)的判決。即參考窗長(zhǎng)度；灰色方塊為待檢測(cè)目標(biāo)兩側(cè)的保護(hù)單元，其功能是防止目標(biāo)拓展到鄰近單元影響目標(biāo)檢測(cè)；X和Y分別為前后參考窗內(nèi)采樣值的均值；α為門限乘積因子；Z為通過均值X和Y估計(jì)得到的背景功率值；T為檢測(cè)門限；D為待檢測(cè)單元的采樣值。根據(jù)奈曼皮-爾遜準(zhǔn)則的似然比檢驗(yàn)可對(duì)其進(jìn)行如下判決：HD>T=aZ（5）即當(dāng)待檢測(cè)單元的采樣值大于檢測(cè)門限時(shí)，假設(shè)H1成立，判決該單元存在目標(biāo)，反之判決為無目標(biāo)存在。x…xDx…x 計(jì)算均值Y計(jì)算均值Xx…xDx…x 計(jì)算均值Y計(jì)算均值X輸出目標(biāo)LFM信號(hào)比較器 LFM信號(hào)平方率檢波器 NN-1 LFM信號(hào)平方率檢波器保護(hù)保護(hù)單元權(quán)值Z權(quán)值a圖2CFAR檢測(cè)框圖3.3動(dòng)目標(biāo)參數(shù)估計(jì)為方便分析相位信息，這里給出目標(biāo)運(yùn)動(dòng)的線性形式：…………濾波后，結(jié)合相位多項(xiàng)式理論，動(dòng)目標(biāo)的信號(hào)相]可簡(jiǎn)寫為?=-j好時(shí)，利用極短時(shí)間內(nèi)的少量回波信號(hào)即可估計(jì)出相位信息，而極短時(shí)間內(nèi)可忽略高次項(xiàng)的影響，降低參數(shù)估計(jì)計(jì)算量。本方案針對(duì)動(dòng)目標(biāo)的速度和加速度2個(gè)運(yùn)動(dòng)參數(shù)進(jìn)行估計(jì)，t時(shí)刻動(dòng)目標(biāo)到天線的瞬時(shí)距離可寫為：xtt==由于本系統(tǒng)使用的是OFDM信號(hào)，該信號(hào)在發(fā)射郵電設(shè)計(jì)技術(shù)/2023/1035本期專題MonthlyTopic基于5G通感一體化的車輛成像跟蹤方法圖3中的距離為差分距離，是減去場(chǎng)景中心到雷距離差/m0距離差/m02030405060709010002000300040005000600070008000慢時(shí)間域距離差/m距離差/m020304050607090-4000-3000-2000-100001000200030004000多普勒頻率/Hz（a）回波信號(hào)距離時(shí)間圖（b）回波信號(hào)距離多普勒?qǐng)D圖3動(dòng)目標(biāo)回波信號(hào)幅值展示達(dá)的參考距離后的結(jié)果。而結(jié)合傅里葉變換進(jìn)行多示。目標(biāo)的距離多普勒?qǐng)D和傳統(tǒng)的ISAR距離多普勒成像算法的原理一致，但由于目標(biāo)多普勒頻率的解析式位置無法獲取目標(biāo)在場(chǎng)景中準(zhǔn)確的二維位置，且由于該方法中存在較多近似，成像結(jié)果中存在幾何畸變。因此需要進(jìn)一步的成像處理，獲取精細(xì)成像結(jié)果，后續(xù)章節(jié)會(huì)詳細(xì)地展開描述。由于發(fā)射信號(hào)帶寬已知，因此在距離向的分辨單元大小已知，考慮到項(xiàng)目中給出的幾何模型，可以估計(jì)出車輛在距離向上所占的距離單元個(gè)數(shù)，利用已知的距離窗個(gè)數(shù)作為參考窗。對(duì)距離壓縮信號(hào)后的信號(hào)分別進(jìn)行滑動(dòng)相關(guān)，由于相關(guān)與卷積之間存在信號(hào)反轉(zhuǎn)的關(guān)系，所以可以使用FFT加速運(yùn)算，具體方式如下：的矩形窗，?為時(shí)域卷積，R(n)為相關(guān)信號(hào)。利用目標(biāo)距離信息結(jié)合每一幀成像后獲取的目標(biāo)位置信息進(jìn)行非線性擬合處理，即可解算出目標(biāo)的速度、加速度等相關(guān)參數(shù)信息。3.4動(dòng)目標(biāo)成像動(dòng)態(tài)ISAR的成像原理如圖4所示。根據(jù)式（6結(jié)合ISAR成像幾何模型，建立ISAR發(fā)射天線T快時(shí)間天線hT0通信基站通信基站ttzx慢時(shí)間數(shù)據(jù)復(fù)用數(shù)據(jù)復(fù)用…第N幀……圖4動(dòng)態(tài)ISAR動(dòng)目標(biāo)成像系統(tǒng)示意為雷達(dá)到場(chǎng)景中心的距離，fc為信號(hào)中心頻率；Rr為目標(biāo)點(diǎn)與雷達(dá)之間的距離，Rr=Pa-Pt。2362023/10/DTPT基于5G通感一體化的車輛成像跟蹤方法本期專題MonthlyTopic利用匹配濾波思想可得目標(biāo)的散射強(qiáng)度信息：基于子孔徑快速成像技術(shù)，動(dòng)態(tài)ISAR可獲取視頻化的多幀二維成像結(jié)果，相較于基于雷達(dá)微動(dòng)特征的感知與識(shí)別方法，動(dòng)態(tài)ISAR獲取的視頻化成像結(jié)果樣本特征維度更豐富，目標(biāo)檢測(cè)與行為識(shí)別的精準(zhǔn)度更高。回波數(shù)據(jù)在慢時(shí)間維度分割為多個(gè)子孔徑回波ra為子孔徑時(shí)間寬度，n為幀數(shù)，可以采用數(shù)據(jù)復(fù)用的方式增加幀數(shù)，回波信號(hào)與參考點(diǎn)信號(hào)進(jìn)行匹配濾波后，獲得的S(t利用匹配濾波思想可得：因此，對(duì)于成像區(qū)域的每一個(gè)像素，計(jì)算出在對(duì)應(yīng)的合成孔徑時(shí)間內(nèi)與ISAR每個(gè)位置的時(shí)延后，在距離壓縮后的數(shù)據(jù)矩陣中找到相應(yīng)的累積曲線，再結(jié)合一維插值技術(shù)，沿此曲線將所有信號(hào)進(jìn)行疊加，得到這個(gè)像素的能量和，即可逐回波實(shí)現(xiàn)該點(diǎn)目標(biāo)散射強(qiáng)度重構(gòu)，具體流程如圖5所示。而獲取成像場(chǎng)景中網(wǎng)格點(diǎn)的回波數(shù)據(jù)基本思路如下，根據(jù)雷達(dá)與網(wǎng)格點(diǎn)距離獲得相對(duì)于參考點(diǎn)的時(shí)延長(zhǎng)度，在時(shí)域回波數(shù)據(jù)中找到對(duì)應(yīng)回波數(shù)據(jù)。但存在難點(diǎn)即雷達(dá)與網(wǎng)格點(diǎn)距離所對(duì)應(yīng)的回波數(shù)據(jù)與實(shí)際回波采樣點(diǎn)的數(shù)據(jù)幾乎不會(huì)重合，無法直接從實(shí)際回波數(shù)據(jù)中獲得其對(duì)應(yīng)網(wǎng)格點(diǎn)的值。本算法使用的是計(jì)算量較少的最近領(lǐng)域插值算3.5動(dòng)目標(biāo)跟蹤多個(gè)動(dòng)目標(biāo)的跟蹤流程主要分為2部分，一是目標(biāo)檢測(cè)，二是目標(biāo)跟蹤。目標(biāo)檢測(cè)時(shí)，首先使用基于高斯混合模型的背景減法［15］建立背景模型，分離背景得到運(yùn)動(dòng)區(qū)域，即目標(biāo)。每個(gè)混合高斯模型由K個(gè)加權(quán)的高斯分布線性疊加而成。權(quán)系數(shù)越大，那么這個(gè)數(shù)據(jù)屬于這個(gè)高斯分布的可能性就越大。然后對(duì)檢測(cè)到的目標(biāo)進(jìn)行形態(tài)學(xué)運(yùn)算，消除噪聲。最后使用函數(shù)進(jìn)行blob分析返回目標(biāo)的質(zhì)心和邊界框坐標(biāo)等特征目標(biāo)跟蹤時(shí)，首先使用已經(jīng)得到的特征信息初始化卡爾曼濾波器，使用卡爾曼濾波器計(jì)算并預(yù)測(cè)每個(gè)軌跡在下一幀中的位置。然后使用匈牙利算法對(duì)下一幀中新檢測(cè)到的目標(biāo)進(jìn)行匹配，即計(jì)算預(yù)測(cè)的位置黑點(diǎn)疊加至紅點(diǎn)否否以最近距離為參考點(diǎn)進(jìn)行距離向壓縮后的回波數(shù)據(jù)對(duì)成像場(chǎng)景劃分網(wǎng)格獲得所有網(wǎng)格點(diǎn)坐標(biāo)從方位向起始點(diǎn)開始計(jì)算當(dāng)前方位向上，雷達(dá)與所有網(wǎng)格點(diǎn)的距離并計(jì)算所有網(wǎng)格點(diǎn)相對(duì)于最近距離參考點(diǎn)的延遲時(shí)間Δt下一方位向 下一網(wǎng)格點(diǎn)利用每一網(wǎng)格點(diǎn)的延遲時(shí)間Δt，通過插值計(jì)算所對(duì)應(yīng)的回波值，與下一方位向 下一網(wǎng)格點(diǎn)否每個(gè)網(wǎng)格點(diǎn)否是否全部遍歷是所有方位向是否全部遍歷是得到成像場(chǎng)景區(qū)域圖像圖5算法處理流程37郵電設(shè)計(jì)技術(shù)/2023/1037本期專題MonthlyTopic基于5G通感一體化的車輛成像跟蹤方法Δm<0.5Δm<0.5m+Δm=m+1Δm>0.5圖6最近鄰域插值展示和每個(gè)新檢測(cè)到的目標(biāo)之間的歐幾里得距離，將結(jié)果作為損失函數(shù)矩陣，再使用匈牙利匹配算法計(jì)算得到已分配的軌跡和目標(biāo)對(duì)、未匹配的軌跡、未匹配的目標(biāo)，最后更新信息，即將已匹配的軌跡更新到當(dāng)前幀中匹配成功的目標(biāo)的位置，將達(dá)到閾值的未匹配的軌跡刪除，為未匹配的目標(biāo)創(chuàng)建新軌跡。4仿真驗(yàn)證按照?qǐng)D4的環(huán)境構(gòu)造仿真環(huán)境，將車輛的CAD模型拆解為上萬(wàn)個(gè)小三角面，然后獲取每個(gè)散射點(diǎn)三維示。2.01.52.01.51.00.50.510.5100-0.5-3-2-4-00-0.5-3-2-4-1-2-1-1x/mx/m24y/mx/m4y/mx/m圖7運(yùn)動(dòng)目標(biāo)散射點(diǎn)三維位置表1動(dòng)目標(biāo)成像跟蹤系統(tǒng)參數(shù)設(shè)置參數(shù)數(shù)值參數(shù)數(shù)值載頻/GHz28OFDM傳輸速率/Hz8000帶寬/GHz0.8基站位置/m采樣率/GHz0.8目標(biāo)所在車道/m子載波個(gè)數(shù)子載波間隔/kHz首先進(jìn)行鄰頻濾波，在信號(hào)的距離域進(jìn)行CFAR檢測(cè)即可檢測(cè)到觀測(cè)場(chǎng)景中有沒有出現(xiàn)運(yùn)動(dòng)目標(biāo)，檢測(cè)結(jié)果如圖8所示，其中虛警率設(shè)置為0.01，信噪比為圖8中的藍(lán)色線條為目標(biāo)的一維距離像，紅褐色線條為檢測(cè)門限，當(dāng)目標(biāo)的歸一化幅值大于檢測(cè)門限時(shí)，即可判定場(chǎng)景中存在動(dòng)目標(biāo)。因此，調(diào)整信噪比后的檢測(cè)精度如圖9所示。從圖9可以看出，在預(yù)設(shè)參數(shù)情況下，檢測(cè)精度已大于99%，對(duì)比不同信噪比下的檢測(cè)精度變化可以發(fā)現(xiàn)，信噪比越好檢測(cè)精度越高。ISAR成像系統(tǒng)參數(shù)設(shè)置如表2所示，成像結(jié)果如歸一化幅值/dB3030252050-5一維距離像檢測(cè)門限60050030002004006005003000200400距離單元圖8距離域CFAR檢測(cè)結(jié)果基于ISAR成像的多目標(biāo)跟蹤主要基于卡爾曼濾波器，首先檢測(cè)出圖像中的運(yùn)動(dòng)目標(biāo)，使用混合高斯模型進(jìn)行背景建模，分離出背景和運(yùn)動(dòng)目標(biāo)。然后對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行形態(tài)學(xué)操作以濾除噪聲。在多目標(biāo)跟蹤中，需要處理目標(biāo)匹配的問題，即當(dāng)前幀中已經(jīng)存在的運(yùn)動(dòng)目標(biāo)，它們的運(yùn)動(dòng)軌跡和下一幀中檢測(cè)出的新運(yùn)動(dòng)目標(biāo)之間的匹配問題。如果能夠匹配成功，那382023/10/DTPT基于5G通感一體化的車輛成像跟蹤方法本期專題MonthlyTopic檢測(cè)概率檢測(cè)概率0-20-10010203040信噪比/dB圖9不同信噪比與虛警率下的動(dòng)目標(biāo)檢測(cè)精度表2ISAR成像系統(tǒng)參數(shù)設(shè)置合成孔徑時(shí)間/s子孔徑時(shí)間/s孔徑復(fù)用率/%成像幀數(shù)/Hz成像范圍/m20.25050×50圖10基于通感一體化的成像么這個(gè)新目標(biāo)就屬于這個(gè)運(yùn)動(dòng)軌跡；如果沒有匹配成功，那么就為這個(gè)新目標(biāo)創(chuàng)建一條新的軌跡。5結(jié)論通信與感知融合可基于移動(dòng)通信基礎(chǔ)設(shè)施實(shí)現(xiàn)行業(yè)一網(wǎng)多能。可在滿足通信業(yè)務(wù)要求的前提下實(shí)現(xiàn)感知業(yè)務(wù)，一方面支持更豐富的應(yīng)用，提高網(wǎng)絡(luò)資源的利用效率，另一方面可以通過感知為網(wǎng)絡(luò)智能提供基礎(chǔ)支撐能力。本文面向智慧交通領(lǐng)域，提供了一種基于成像的車輛跟蹤方法，一方面解決了通感一體化技術(shù)在單通道情況下無法對(duì)目標(biāo)進(jìn)行準(zhǔn)確跟蹤的難題，另外一方面可以通過成像技術(shù)獲得更豐富的感知信息，識(shí)別車輛的形態(tài)，未來將繼續(xù)加強(qiáng)成像精度的研究，為通信感知一體化技術(shù)在智慧交通、智能駕駛等領(lǐng)域