毫米波雷达感应器存在感应运动目标检测跟踪测速测距，过去毫米波技术并不适用于实际的雷达。伴随着科学技术的发展和进步，毫米波雷达技术的不断完善，元器件制造工艺的提升，后端电路的优化，天线设计水平的提高，毫米波雷达技术开始在多个领域得到应用。在军事上，毫米波雷达通常用于目标跟踪和制导。通讯领域中，超高速无线接入、超高速WLAN(WLAN)及其它通信手段，包括雷达通信系统等。本文提出了一种利用毫米波雷达测速和测距来判断车辆行驶状态的方法，或采用倒车雷达辅助自动停车，采用ACC巡航控制系统实现自动驾驶。
由于道路交通环境的复杂性，需要智能交通管理系统。ITS在向智能化、正确化、全覆盖、实时可视化等方向发展，而要满足这一要求，必须依靠实时、准确的检测数据。大数据、视频监控、雷达等探测技术为多通道高速传输提供了数据通道。毫米波雷达感应器以其高增益、短波长等优点，有利于提高雷达测量的分辨率和精度。毫米波雷达的超宽频特性在智能交通领域实现大容量信息传输方面有着非常重要的应用。例如可以应用于车辆追踪检测、车流量统计、交通信息引导、超速违章监测检测、电子警察、交通信号灯等。然而，毫米波雷达感应器目标检测和跟踪算法的研究也是迫切需要解决的问题。
在干扰区内，目标检测就是确定目标是否存在。以往的雷达系统对目标的判断来自于经验判断。这样做的原因是当系统向显示器传输视频信号时，会同时显示杂波噪声和目标信号。针对传统人工判别方法在现代雷达中应用的不足，提出一种自动检测系统。该系统采用统计决策理论来解决目标检测问题，预先设定检测门限，再根据判断准则确定目标是否存在。当探测门限设为常数时，非平稳杂波背景杂波中的平均功率增大几dB时，出现虚警概率急剧上升，计算机的处理能力受到影响，从而影响到雷达系统。所以，目标检测算法的研究具有重要意义。
目的跟踪，是指在传感器获取的测量数据的基础上，尽可能地去除各种噪声和干扰，获取目标的运动特征，从而估计目标当前运动状态，预测后续运动状态。这种测量又称量测和观测，是与目标运动状态相关并掺杂有噪声和干扰的回波信号。用位置、速度、加速度等描述目标运动状态特性的目标运动参数。测量数据通常采用雷达、激光、红外、声呐等传感器获取。
今后，随着科学技术的进步，毫米波雷达感应器在工程中的应用将会越来越广泛，要求也将越来越高。尽管在较长时间内，目标检测与跟踪技术的研究仍然有许多不足和缺陷。在此基础上，对目标检测跟踪技术进行了深入的研究和改进，使其更符合工程实际。所以，毫米波雷达感应器目标检测跟踪算法的研究具有重要意义和应用前景。
毫米波雷达的研发始于20世纪40年代，早应用于船舶导航，因其成本高、功率低、损耗大等原因而受到限制。50年代后期，雷达开始在汽车领域进行试验。70年代，雷达的迅速发展开始于微波频率。近几十年来，毫米波雷达的研究主要集中在17GHz和24GHz这类频段。前几年，汽车雷达主要用来进行主动巡航控制(ACC)，这类应用要求小型车辆在目标上工作超过100米(通常是120-150米)。在雷达发射功率方面，接收和接收噪声系数都受到当时封装尺寸技术的限制，因此只能采用W波段(76-77GHz)毫米波的系统。但是在毫米波雷达高频段传感器的研制和设计，对生产厂家来说是一个严峻的挑战，因为消费者对毫米波雷达感应器在这方面的应用还刚刚起步。此外，针对高频毫米波雷达的可行性问题，对传感器制造商进行制造和系统测试是一个技术挑战，由于在90年代中期，毫米波雷达系统成本低，产量高，大规模生产技术还没有达到目前的水平，这也不会像现在那么快就完成了。鉴于上述困难，毫米波雷达的技术缺陷和高昂的价格限制了其广泛应用。随着半导体微波源的显著进步和发展，以及单片机和数字信号处理单元计算能力的突破，使毫米波雷达在商品化方面具有可行性。近年来，随着毫米波雷达传感器的研发，其技术和应用领域在全球范围内得到广泛推广和应用，随着工艺水平的提高和设计优化，它将广泛应用于汽车雷达、智能交通等领域。
相对于国外对毫米波雷达感应器的研究，我国对毫米波雷达的研发正处于蓬勃发展时期。而24GHz频段的毫米波雷达感应器已被许多公司和公司研制成功并投入使用，但77GHz频段毫米波雷达技术进展相对较慢。伴随着国内经济消费水平的提高，产业结构的升级，以及对无人驾驶汽车和设计需求的增长。在汽车销售增长的同时，毫米波雷达感应器也将快速增长。当前，国内一些高校和企业都在积极研发毫米波雷达，东南大学毫米波雷达实验室已完成对8mm波段倍频、放大、混频等芯片的研制。在一家24GHz毫米波雷达射频信号主动巡航控制电路中，由半导体公司研制并设计了一套单片接收发射前端电路研制77GHz毫米波雷达感应器，在关键技术方面取得重大成就。在提高车辆雷达精度的同时，对毫米波雷达的研究和设计将成为今后的研究热点。
目标检测是用来确定雷达所测得的信号是目标反射波还是干扰噪声信号。雷达量测得的测量值是物体目标反射波，将继续进行下一步的处理，例如对目标的距离位置、速度加速度、方位角等参数进行测量，然后再对目标进行跟踪。针对复杂目标目标的发射信号及噪声干扰问题，可用数学统计方法模型对检测信号进行描述，判断检测信号是否为目标信号或噪声干扰。将Naman-Pearson准则应用于毫米波雷达实验中，用来约束给定常数下的虚警率，并适当调整与虚警率相匹配的门限，使探测概率大化。实际上，噪声和杂波的干扰通常都是不断变化的，给设定适当的阈值带来了困难。恒虚警(Constantfalsealarmrate,CFAR)检测是一种提供实际噪声干扰环境下可预测探测和虚警率的技术，它也被称为“自适应门限检测法”。本文提出的恒虚警(CFAR)检测算法主要有两种：一种是参数型恒虚警(CFAR)，另一种是非参数型恒虚警(CFAR)。其区别是，非参数类型(CFAR)的阈值设定与干扰概率模型无关。用估计的干扰功率值乘以一个阈值系数得到恒虚警检测算法的阈值。如果有一个或多个目标向前、后沿参考单元方向运动，噪声干扰程度增大，提高干扰功率的估计和CFAR检测门限，就会产生目标干扰效应，造成虚警。和目标干扰相似，目标自隐藏效应是指当目标的光谱峰值占据多个光谱单元而其中一个光谱元位于探测单元时，目标的其它光谱元就会产生噪声功率值，从而使其“清空”目标。普通恒虚警检测有单位平均(Cell-averaging,CA)恒虚警，Moleculations/Greatestofselection/SmallestofselectionGO/SO)恒虚警和有序统计(OrderedStatistic,OS)等方法。当单元数较大时，单元平均CFAR(CA-CFAR)可以达到较好的检测效果，但在多目标干扰和背景杂波边缘情况下，检测性能却明显下降。Trunk和Rohling,Trunk和Rohling先后提出了大/小选择(GO/SO-CFAR)和有序统计(OS-CFAR)检测算法，以解决干扰环境下的检测性能下降的问题。所提出的小单元平均数(SOCA-CFAR)检测方法是选择两个参考单元中较小的估计值来估计噪声干扰。该方法较接近实际噪声干扰功率，并能有效地避免目标的隐藏效应，但当两个参考单元均有干扰时，干扰目标将继续增大噪声功率估计。小单元平均(GOCA-CFAR)检测法不同于SOCA-CFAR，其目的是在两个参考单元估计中选取较大的估计值，避免杂波边缘出现虚警问题，并能更加正确地检测多目标遮挡效果。顺序统计(OS-CFAR)检测方法是对参考单元中的数据进行排序，然后以新序列的升序排序，并选取n个值作为噪声功率估计值。由于相邻目标造成的遮挡效果不能很好地解决，且排序后生成算法更加复杂。改进的OSVI-CFAR方法是对参考单元进行数据排序，剔除功率值较大的参考单元，其余参考单元则对噪声功率进行估计，有效抑制了目标遮挡效应。在检测单元前对多个杂波样本进行估计，并通过简单的递推滤波得到杂波功率估计。当前，很多CFAR检测算法都是基于CA-CFAR、OS-CFAR等方法进行优化改进的。在雷达恒虚警(CFAR)检测算法中还有很大的发展空间。目前很多雷达在进行信号检测时，仍采用传统的恒虚警概率检测方法，使雷达的探测性能受到一定的限制。尽管这些方法在均匀环境下提高了检测性能，但增加了恒虚警(CFAR)的检测损耗。
基于传感器关联数据估计目标数量和目标状态的跟踪问题。与标准滤波方法相比，在多目标跟踪过程中，传感器的虚警率以及传感器检测率的问题要复杂。在动态模型中，除了过程与测量噪声之外，人们还面临着许多不确定因素，如原始测量数据不确定、数据关联度、虚警概率、误检率以及目标的起始跟踪和终点跟踪等。
目前，国内外学者对目标跟踪算法进行了大量的研究，包括：小二乘滤波、维纳滤波器、卡尔曼滤波线性预测等，并不断完善目标跟踪系统。然而，传统的跟踪系统通常都使用卡尔曼滤波算法，由于传统的跟踪系统往往基于经验来确定过程噪声，这主要是由于传统的研究往往只使用有限数量形式。所以，在传统的卡尔曼滤波算法研究中，还没有对过程噪声模型进行优化选择。以后的研究对这一问题进行了深入的研究，但并未给出解决上述问题的满意方法。虽然已有多种标准的方法用于设计卡尔曼滤波器，以达到更高的跟踪精度和实时性，但过程噪声变化等性能指标的关系，仍未明确。常规用卡尔曼滤波法跟踪测量模型时，只考虑位置测量参数，不能充分利用现有测量模型。如今，目标跟踪技术与传感器与计算技术的结合，已开拓了许多研究领域和应用领域。航空交通管制、情报获取、监测与侦查、空间应用、海洋科学、自动驾驶车辆和机器人、遥感、计算机视觉和生物医学研究等领域。另外，卡尔曼滤波器在超宽带多普勒雷达、卫星导航系统和视频目标跟踪、超宽带多普勒雷达、基于物联网技术的传感器融合等方面的应用日益增多。
雷达感应器将被调制的电磁波信号经发射天线发送出去，接收到接收器接收的反射电磁波信号，经射频前端电路处理后，再对目标反射信号进行相关信号处理后，即可计算出目标的距离、速度、方位等参数。频率发生器产生雷达传感信号，再经频率合成器合成所需的高频毫米波，高频信号经功率放大器放大后发射出去，其余部分经定向耦合器传到混频器，等待与接收信号进行混频处理。发送信号是通过空气传播的，当探测区域内遇到目标物体时，反射回信号，由接收天线接收。因为反射波接收到的信号较弱，通过低噪声放大器(LNA)进行信号放大处理，将放大的信号与混频器混合，得到一种中频信号，然后对中频信号进行相应的幅相调整；经过A/D转换后，中频信号变成数字信号，经过DSP及相关算法处理，就可以得到目标运动的速度，角与距离等信息。
毫米波雷达感应器利用多普勒频率得到目标的径向速度和距离变化率，并区分动静态目标的目标。通过对相对辐射信号的描述，多普勒现象是由目标运动引起的入射波的中心频率偏差。频率变化可与目标移动的方向成正向或负向。入射靶上的波形具有波长分隔的等相位波。靠近目标或靠近毫米波雷达时，反射波的相位波越近，波长越短。离目标远，或远离毫米波雷达感应器都会使反射相位波波长向前扩展。
FrequencyModulatedContinuousWave(FM连续)MMCW毫米波雷达是一种特殊类型的雷达传感器，其结构简单，连续波(ContinuousWave)连续波功率输出与雷达相同。但不同于CW雷达，FMCW雷达能在测量工作过程中改变其工作频率，也就是，发射信号可以在频率(或同相)上调制。但是，单纯连续波雷达是在技术上仅能通过频率(或相位)变化来进行雷达测量。无调频的简单CW雷达存在以下缺点：由于缺乏系统正确的定时发送和接收周期，以及将其转换为范围所需的定时标记，因此无法确定目标范围。该方法适合于对静止物体进行距离测量，但也可利用发射信号的频率调制产生，并通过发送信号，使信号频率定期增大或降低。在收到回声信号后，频率的变化被延迟，类似于脉冲雷达技术。而脉冲雷达则需要直接测量运转时间。FMCW雷达则可对实际发送与接收信号的相位或频率差进行测量。FMCW雷达具有以下特点：距离测量就是通过比较接收信号的频率和发送信号的频率来实现。发送波Tm的持续时间要比对目标距离的测量更长。FMCW毫米波雷达感应器的调制波形主要包括：锯齿波调制、三角波调制、方波调制、阶跃调制和正弦调制波形。测量目的不同，所用的调制波形也有所不同。
在毫米波FMCW雷达系统中，距离测量调制信号频率随时间线性增加而增加，称为线性FMCW雷达。FMCW雷达主要由收发装置和一个带有单片机的控制器构成。高频率是通过VCO直接给发射天线或增加功率放大而产生的VCO。一高频部分被耦合输出并馈入混频器。线形FM信号是由发射天线(TX天线)发射的，被接收天线(RX天线)反射回反射的线性调频信号。调音台就是把这两个信号合并成一个具有新频率的中频信号。多目标检测时，为了各IF信号的分离，需要对多个中频信号进行傅里叶变换处理，以分离各IF信号。在对目标进行傅里叶变换处理后，可以得到不同波峰，每个波峰都表示目标的距离。
FMCW雷达测速装置采用线性调频信号，通过FMCW雷达发射两个相差时Tc。利用快速FM变换方法对每一个反射回的线性FM信号进行处理，从而获得目标距离。经FFT处理后，各线性FFT的频谱峰值将出现在相同位置，但两者的相位不同。用该方法测量的相位差，就可求出目标目标的速度v。
接收器的输出信号包含了期望的目标和各种形式的杂波。此种杂波残留是由多种因素引起，且无法完全消除。在目标检测过程中，目标检测是从噪声和杂波中分离出来。在这一过程中，检测器一般采用了恒虚警概率(CFAR)方法。
通过把正交多普勒滤波到不同速度信道中，运动目标检测进一步发挥了数字多普勒处理的优越性。这种方法可在各速度通道中分别进行检测和门限处理。这就是说，探测没有杂波(来自陆地、雨、海等)速度通道中的目标，就好像目标在没有杂波环境中，即使目标和杂波可能在同一位置。
Q正交信号经A/D转换后变成二进制数字信号，并由MTI滤波器雷达再传到N滤波器FFT组，通过频率加权和取幅值减小N滤波器的电平，从而消除了盲速。取幅值和递推滤波器采用低通滤波自适应检测零多普勒频率。由于大部分雷达在多普勒信号不清晰，所以用不同的PRF对连续相干进行处理，使得不同滤波器组的目标响应时间降低，从而达到了消除盲速效果。
每一个多普勒滤波器组都是为了响应多普勒频带的不重叠部分而设计的，并在其它多普勒频率上抑制杂波源。在每一个多普勒滤波器中，大相干信号的积分大，为更大范围的多普勒提供杂波衰减。一种或多种杂波滤波器可抑制位于不同多普勒频率的多个杂波源。利用CFAR检测器对各多普勒滤波器的输出信号进行包络检测，抑制由距离扩展产生的杂波残留。
在监测、导引、避障等领域中，目标跟踪具有重要应用。其主要工作是确定一个或多个移动目标的位置、速度、加速度和方向。为了对目标进行测量或从目标上进行测量，必须采用多种类型的传感器。用于测量的传感器有毫米波雷达感应器、照相机、红外激光雷达、声纳等。由于传感器不同，测量结果会产生一定程度的噪声，一个感应器在长距离上可能不够正确，而另一个感应器在短距离上也不够正确，因此可以提供较好的远距测量。
由目标运动参数及其运动状态来描述目标的状态，因此正确地获得和预测目标的参数是非常重要的。但在描述目标状态时，存在着不确定因素，即获取数据的不确定性和运动状态的不确定性。造成数据不确定的主要原因是外部干扰，获取数据的不确定性具有普遍性和难以消除，这给多目标跟踪技术带来了很大的困难，因而出现了多目标跟踪的数据关联技术。运动状态的不确定性是指跟踪的目标在今后任意时间很难描述和预测运动状态，通常用运动模型来描述运动状态。
在对相关信号进行滤波处理后，对目标进行跟踪，得到目标的轨迹估计。目的跟踪包括对原始数据进行预处理，对反射回波信号源进行距离位置估计，以及对反射回波信号源的跟踪。对原始数据的预处理，使毫米波雷达系统中的初始误差小化扰动，从而使原始数据先去噪，在毫米波雷达系统中，反射回波信号源跟踪是其关键的部分，它可以获取目标的距离速度等信息，对象跟踪滤波是指预测和估计目标运动状态的一种方法。