DE10344299B4

DE10344299B4 - Klassifizierung der in einer Umgebung eines Kraftfahrzeugs befindlichen Objekte

Info

Publication number: DE10344299B4
Application number: DE10344299.5A
Authority: DE
Inventors: Marc-Michael Meinecke; Prof. Rohling Hermann; Frank Kruse; Florian Fölster; Malte Ahrholdt; Dan Oprisan
Original assignee: Volkswagen AG
Current assignee: Volkswagen AG
Priority date: 2003-09-23
Filing date: 2003-09-23
Publication date: 2016-08-04
Anticipated expiration: 2023-09-24
Also published as: DE10344299A1

Abstract

Verfahren zur Klassifikation von in einer Umgebung eines Kraftfahrzeuges befindlichen Objekten, welches die folgenden Schritte aufweist: – Aussenden von Radarsignalen in einen zu überwachenden Umgebungsbereich des Kraftfahrzeugs, – Empfangen rückgestreuter Radarechos der ausgesandten Radarsignale, – Detektion mindestens eines Ziels (6), – Extraktion zielspezifischer Merkmale (M1, M2, M3, ..., Mn) aus den Radarechos, – Übergabe der extrahierten Merkmale an einen Klassifikator (13), und – Klassifikation des mindestens einen detektierten Ziels (6) aus den extrahierten Merkmalen (M1, M2, M3, ..., Mn), wobei der Klassifikator (13) trainierbar ist und ein Polynomklassifikator verwendet wird, wobei aus einem Vektor der extrahierten Merkmale (M1, M2, M3, ..., Mn) ein Polynomvektor abgeleitet wird, der die Polynomterme der Merkmale (M1, M2, M3, ..., Mn) bis zu einem definierten Polynomgrad enthält und wobei der Klassifikator (13) sechs Klassen von Radarobjekten aufweist, nämlich Fußgänger (15), Personengruppe (16), Radfahrer (17), Baum (18), Auto (19) und Verkehrsschild (20).

Description

Die Erfindung betrifft die Klassifizierung von in der Umgebung eines Kraftfahrzeugs befindlichen Objekten nach dem Oberbegriff des Anspruchs 1 sowie eine entsprechende Klassifizierungsvorrichtung nach dem Oberbegriff des Anspruchs 6.
Heutige Fahrerassistenzsysteme müssen Kenntnis über Objekte in der Umgebung des Kraftfahrzeugs haben, um entscheiden zu können, ob diese Objekte eine Gefahr für das Kraftfahrzeug darstellen. So müssen die Entfernung, Relativgeschwindigkeit und Azimutwinkel von beobachteten Objekten bestimmt werden, was auf präzise Weise durch Radartechnik geleistet werden kann.
Für zukünftige Anwendungen ist neben der Kenntnis der exakten Position und Geschwindigkeit sämtlicher beobachteter Objekte im zu vermessenden Bereich zunehmend die Kenntnis der Kategorie der einzeln detektierten Objekte, beispielsweise Fahrzeug, Fußgänger, Radfahrer, Baum, usw., von großem Interesse, was insbesondere für sicherheitsrelevante Applikationen gilt. Als typische Anwendungen sind seriennahe Projekte wie automatische Distanzregelung (ADR), automatische Notbremsung (ANB), Lane Departure Warning und Pre-Crash zu nennen.
Eine derartige Klassifikation von detektierten Zielen in bestimmte Objektklassen, d.h. Erkennung der in der Umgebung des Kraftfahrzeugs befindlichen Objekte, wurde bisher nur von optischen Systemen, d.h. fast ausschließlich von Videosystemen, bewältigt. Allerdings benötigen diese technischen, bildverarbeitenden Lösungen einen hohen technischen Aufwand und sind daher kostenintensiv, da neben den Videokameras aufgrund des hohen Signalverarbeitungsaufwands auch leistungsfähige Bildverarbeitungsrechner bereitgestellt werden müssen.
Aus der Druckschrift EP 1 329 740 A2 ist eine Kraftfahrzeugwarneinrichtung bekannt, bei der mittels eines geeigneten, in einem Kraftfahrzeug eingebauten Radarsystems der Typ und der Ort eines Hindernisses, welches elektromagnetische Wellen reflektiert, bestimmt wird. Die Art des Hindernisses kann dabei mittels eines linearen Antennen-Arrays, bestehend aus einer Vielzahl von Empfangsantennen, in einem gewissen Maß erkannt werden, wobei die Art des Hindernisses mittels eines geeigneten Algorithmus aus den Empfangssignalen, d.h. Amplitude und Phase, etc., bestimmt wird.
Ein Verfahren zur automatischen Klassifikation von Objekten mittels Doppler-verbreiteter Radarecho-Signale unter Verwendung neuronaler Netze ist der DE 196 49 618 A1 zu entnehmen.
Die Druckschrift GAVRILA, D.M u. a.: ”A multi-sensor approach for the protection of vulnerable traffic participants – the PROTECTOR project”, IEEE Instrumentation and Measurement Technology Conference, May 2001, S. 2044–2048, beschreibt ein Verfahren zur Klassifikation von in einer Umgebung eines Kraftfahrzeugs befindlichen Objekten, wobei zur Detektion der Objekte Laserscanner, Radar oder Videokameras verwendet werden. Zur Klassifikation der Objekte kommt ein Polynomklassifikator zum Einsatz.
Die Druckschrift DE 101 10 038 A1 offenbart ein Verfahren zur autonomen Adaption eines Klassifikators an sich zeitlich veränderliche Szenarien. Dabei werden Objekte, welche zuvor in keiner Klasse zugeordnet wurden, als einer bestimmten Klasse zugehörig eingestuft.
Die Druckschrift EP 1 094 336 A2 beschreibt eine radarbasierte Vorrichtung zur Erkennung eines Objekts, der in einem Kraftfahrzeug zur Erkennung von vor dem Kraftfahrzeug befindlichen Objekten eingesetzt werden kann.
Die Druckschrift US 6377205 B1 betrifft ein Verfahren zum Klassifizieren von vor einem Kraftfahrzeug befindlichen Objekten, die von einem Radarsystem des Kraftfahrzeugs detektiert und nachgefolgt werden.
Aus der Druckschrift DE 197 54 220 A1 beschreibt eine Verfahren und eine Vorrichtung zur Erkennung und Auswertung einer möglicherweise bevorstehenden Kollision eines Kraftfahrzeugs mit einem Hindernis. Dabei werden mittels eines FMCW-Radarverfahren Hindernisse in Form einer Spektrallinie detektiert.
Der Erfindung liegt daher die Aufgabe zugrunde, ein radargestütztes Verfahren zur Objektklassifikation in einem Kraftfahrzeug und ein derartiges Klassifikationssystem zu schaffen.
Diese Aufgabe wird durch ein Verfahren nach Anspruch 1 und eine Vorrichtung nach Anspruch 6 gelöst. Bevorzugte Ausgestaltung der Erfindung sind Gegenstand der Unteransprüche.
Das erfindungsgemäße Verfahren zur Klassifikation von in einer Umgebung eines Kraftfahrzeuges befindlichen Objekten weist die folgenden Schritte auf:

– Aussenden von Radarsignalen in einen zu überwachenden Umgebungsbereich des Kraftfahrzeugs,
– Empfangen rückgestreuter Radarechos der ausgesandten Radarsignale, Detektion mindestens eines Ziels,
– Extraktion zielspezifischer Merkmale aus den Radarechos,
– Übergabe der extrahierten Merkmale an einen Klassifikator, und Klassifikation des mindestens einen detektierten Ziels aus den extrahierten Merkmalen, wobei der eingesetzte Klassifikator trainierbar ist und ein Polynomklassifikator zum Einsatz kommt.

Dabei wird aus einem Vektor der extrahierten Merkmale ein Polynomvektor abgeleitet, der die Polynomterme der Merkmale bis zu einem definierten Polynomgrad enthält. Der Klassifikator weist sechs Klassen von Radarobjekten auf, die für ein Fahrerassistenzsystem bedeutsam sind, nämlich Fußgänger, Personengruppe, Radfahrer, Baum, Auto oder Verkehrsschild.
Vorzugsweise wird die dem Ziel zugehörige Klasse ausgegeben und/oder einer Weiterverarbeitung, insbesondere einem Fahrerassistenzsystem, zugeführt.
Vorzugsweise enthält der Polynomvektor die Polynomterme bis zum zweiten Grad. In einer weiteren bevorzugten Ausführungsform enthält der Polynomvektor die Polynomterme bis zum dritten Grad. Insbesondere kann der Polynomvektor auch aus unterschiedlichen Merkmalen gemischte Polynomterme, auch als Kreuzpolynomterme bezeichnet, enthalten.
Eine erfindungsgemäße Vorrichtung zur Durchführung des oben beschriebenen Verfahrens weist ein an dem Kraftfahrzeug angebrachtes Radarsensorennetzwerk auf, das eine Mehrzahl von Radarsensoren mit Sender und Antenne umfasst. Insbesondere umfasst das Radarsensornetzwerk vier gepulste Radarquellen. In einer weiteren bevorzugten Ausführungsform besteht das Radarsensornetzwerk aus nur zwei Radarsensoren mit Sender und Antenne, wobei die Objektentfernungen und/oder Objektrelativgeschwindigkeiten und/oder die den Winkel im Azimut von detektierten Objekten bezüglich der Fahrzeugachse bestimmt werden.
Es sind grundsätzlich sowohl Einzel-Radar-Sensoren als auch Radar-Sensor-Netzwerke geeignete Systeme um leistungsfähige Klassifikationsergebnisse zu erreichen. Im Falle eines Sensor-Netzwerkes kann das Klassifikationsergebnis a) entweder in jedem Sensor separat generiert werden und anschließend ggf. in geeigneter Form verknüpft werden oder b) durch in den Einzelsensoren bestimmten Merkmale in einer übergeordneten Instanz durch eine Gesamtauswertung erzeugt werden.
Als geeignete Sendesignale kommen alle bekannten Sendesignalformen (wie z. B. Puls-Radarmesstechnik, Puls-Doppler-Radarmesstechnik, Pulskompressions-Radarmesstechnik, Radarmesstechniken mit Pseudo-Noise-, codierten, Rausch- und Zufallsfolgen-Signalen, Dauerstrichradarmesstechniken (wie z. B. Frequenz-Shift-Keying(FSK)-Modulation, Linear frequenzmodulierte Messtechniken (LFMCW), Messtechniken mit verwobenen Sendesignalen (z. B. LFMSK), und andere) und andere) zum Einsatz.
Vorzugsweise ist die Radarsensorik in dem vorderen und/oder hinteren Stoßfänger des Kraftfahrzeugs und/oder in den Seitenteilen und/oder anderen für Radarwellen transparenten Verkleidungsteilen angeordnet.
Das Klassifikationsverfahren ermöglicht die Unterscheidung der in der Umgebung eines Kraftfahrzeugs befindlichen Objekte in mehrere unterschiedliche Klassen
Bevorzugte Ausführungsformen der Erfindung werden nachfolgend anhand der Zeichnungen näher erläutert:
1 zeigt in schematischer Darstellung ein Beispiel einer Einzelziel-Situation in der Umgebung vor einem Kraftfahrzeug gemessen mit mehren hochauflösenden, entfernungsmessenden Radaren,
2 die Signalprozesskette zur Zielerkennung und Klassifikation,
3a ein Beispiel eines empfangenen Radarechosignals eines Fußgängers und
3b ein Beispiel eines empfangenen Radarechosignals eines Fahrzeugs.
1 zeigt ein Beispiel einer Einzelziel-Situation. In dem Beispiel sind exemplarisch vier Pulsradarsensoren 1, 2, 3, 4 in dem vorderen Stoßfänger eines Fahrzeuges 5 angeordnet. Die Sensoren 1, 2, 3, 4 erfassen ein Ziel 6, das jeweils den radialen Abstand r1, r2, r3 bzw. r4 zu den jeweiligen Sensoren 1, 2, 3, 4, hat. Die Zielposition wird durch Trilateration der gemessenen Entfernungen bestimmt. Das Radarsensornetzwerk verwendet vier hochauflösende Pulsradarsensoren, wobei jeder Sensor den Zielbereich mit einer hohen Genauigkeit von z. B. +/–4 cm und einer hohen Auflösung innerhalb eines Bereichs von beispielsweise bis zu 20 m vermessen kann. Der überdeckte Winkelbereich jedes Sensors in Azimutrichtung beträgt beispielweise +/–50°.
In einem weiteren, nicht dargestellten Beispiel einer Einzelziel-Situation sind nur zwei Radarsensoren mit moduliertem Sendesignal in dem vorderen Stoßfänger eines des Fahrzeuges angeordnet, was kostengünstiger ist als die Lösung mit vier Sensoren. Diese Sensoren erfassen ein Ziel, das zwei radiale Abständen und zwei Winkeln im Azimut zu den jeweiligen Sensoren hat, mit Entfernungs- und/oder Relativgeschwindigkeits- und/oder Winkel- und/oder Winkelgeschwindigkeits-Messung. Die Zielposition wird in diesem Beispielsystem von jedem Einzelsensor bestimmt und anschließend durch Datenfusionsmethoden zusammengefasst und präzisiert. Das exemplarische Radarsensornetzwerk verwendet zwei Radarsensoren mit moduliertem Sendesignal, wobei jeder Sensor den Zielbereich bis zu 60 m vermessen kann. Der überdeckte Winkelbereich jedes Sensors in Azimutrichtung beträgt ungefähr +/–30°. Ein entsprechendes System mit einem einzigen Sensor ist ebenfalls möglich.
2 zeigt in schematischer Darstellung den Signalverarbeitungsablauf für Zielerkennung und Klassifizierung. Aus den detektierten Zielechos 10 wird einerseits eine Zieldetektion 11 sowie eine Merkmalsextraktion 12 zur Extraktion der Merkmale M₁ bis M_n durchgeführt, wobei die Merkmalsextraktion 12 nur durchgeführt wird, wenn die Zieldetektion 11 mindestens ein Ziel detektiert hat. Sollte die Zieldetektion 11 keine Ziele detektiert, so geht der Ablauf in den Zustand ”kein Ziel” 14 über. Im Falle einer Zieldetektion werden die Merkmale M₁ bis M_n der Merkmalsextraktion 12 einem Klassifikator 13 zugeführt, der aus den Merkmalen die entsprechende Klasse bestimmt. In einer bevorzugten Ausführungsform wird zwischen sechs Klassen unterschieden, die für ein Kraftfahrzeug im Verkehr am Bedeutsamsten sind, nämlich beispielsweise Fußgänger 15, Personengruppe 16, Radfahrer 17, Baum 18, Auto 19 oder Verkehrsschild 20.
3a zeigt Beispiele eines empfangenen Radarsignals eines Fußgängers in einem Entfernungsbereich von 2 m bis 10 m, wobei der Fußgänger in einem Abstand von 4 m zum Kraftfahrzeug ist. Demgegenüber zeigt 3b das empfangene Radarsignal eines in 4 m Abstand befindlichen Kraftfahrzeugs ebenfalls in einem gemessenen Bereich von 2 m bis 10 m. Für die Unterscheidung von Objektklassen in dem Klassifikator benötigt man Unterscheidungskriterien, sog. Merkmale. Aus dem Beispiel der 3a und 3b lassen sich zwei sehr aussagekräftige Unterschiede ablesen, nämlich, dass die Amplitudenwerte eines PKWs größer sind als die eines Fußgängers und die Anzahl der Zielmeldungen für einen PKW höher ist als die für einen Fußgänger. Diese beiden Aussagen gelten in dieser Form nur, wenn beide Objekte die gleiche Entfernung zum Sensor haben. Durch eine entsprechende Normierung mittels des Radius entstehen jedoch entfernungsunabhängige Beziehungen. Für eine umfassende Klassifikation bedarf es jedoch noch weiterer aus dem Echosignal gewonnener und passend gewählter Merkmale, da die Unterscheidung anhand eines einzelnen Merkmals nicht aussagekräftig genug ist. Als Beispiel für ein weiteres Merkmal sei ein zum Radarrückstreuquerschnitt des betrachteten Objekts proportionaler Wert genannt, der anhand der gemessenen Echo-Amplituden und der Entfernung bestimmt werden kann. Die extrahierten Merkmale basieren sowohl auf den empfangenen Echosignalen der einzelnen individuellen Radarsensoren als auch auf Informationen, die aus den Messwerten der Gesamtheit der Sensoren abgeleitet werden können. Alle Merkmale werden in einen Merkmalsvektor zusammengefasst, der beispielsweise zwischen 8 und 15 Merkmalswerte verschiedener Eigenschaften des detektierten Objekts enthält. Dieser Merkmalsvektor ist der Ausgangspunkt für die Analyse durch den Klassifikationsalgorithmus.
Allgemein ist es die Aufgabe eines Klassifikationsverfahrens, anhand eines gegebenen Merkmalsatzes die Zugehörigkeit der Eingabedaten zu einer Klasse zu bestimmen, wie dies schon in 2 dargestellt ist. Die Menge der zu unterscheidenden Klassen ist mit der Definition des Klassifikators festgelegt, wobei hier in der bevorzugten Ausführungsform sechs Klassen definiert wurden, nämlich Fußgänger, Personengruppe, Radfahrer, Baum, Auto und Verkehrsschild. Es können jedoch noch weitere Klassen hinzugenommen werden. Aufgabe ist es, für jede Klasse eine Zugehörigkeitsvariable zu ermitteln. Dies kann sowohl mit neuronalen Verfahren als auch beruhend auf der statistischen Entscheidungstheorie geschehen. Allen Klassifikationen gemeinsam ist die Notwendigkeit einer Lernphase vor der eigenen Klassifikationsphase. Im Lernvorgang werden dem Klassifikator Daten mit bekannter Klassenzugehörigkeit präsentiert. Während der Klassifikationsphase hingegen wird die Klassenzugehörigkeit anhand der Merkmale unbekannter Daten berechnet.
Aus der Menge der verfügbaren Klassifikationstechniken wird in der bevorzugten Ausführungsform ein Polynomklassifikator verwendet, da dieser Ansatz sich gut für komplexe Klassifikationsaufgaben mit mehreren Merkmalen eignet. Der Polynomklassifikator verfügt, anders als z. B. neuronale Techniken, über ein reproduzierbares Trainingsverhalten, das nach einmaligem Präsentieren eines Satzes von Trainingsvektoren konvergiert, zusätzlich eine Selektion der entscheidenden Merkmalterme durchführt, und eine Bewertung der verwendeten Terme nach ihrem Beitrag für die Unterscheidbarkeit der Klassen ermöglicht. Der Einsatz anderer Verfahren für die Klassenzuordnung ist aber ebenfalls möglich.
Allgemein gilt, dass ein Polynomklassifikator die Klassenzugehörigkeit anhand einer Linearkombination von Polynomtermen der Merkmale berechnet. Ausgangspunkt der Klassifikation ist ein Vektor ν von Merkmalen. Aus ν wird ein Vektor x(ν) abgeleitet, der die Polynomterme von ν bis zu einem definierten Grad enthält, sodass gilt x(ν) = (1 ν₁ ν₂ ... ν_n ν₁ ² ν₁ν₂ ... ν_n ² ...)^T. (1)
Gehören die Daten ν zu einer Klassennummer ω aus einem Satz von m Klassen, kann der erwartete Zielwert der Klassifikation als y(ω) definiert werden. y(ω) ist der ω-te Einheitsvektor:
Zum Beispiel gilt y = (0 0 1 0 0 0)^T für die Klasse ω = 3 von insgesamt m = 6 Klassen.
Aufgabe des Klassifikationssystems ist es, einen Unterscheidungsvektor d zu bestimmen, der eine möglichst gute Schätzung von y widerspiegelt. d wird berechnet in Abhängigkeit von der Polynomrepräsentation der Merkmale gemäß d(ν) = A^T·x(ν). (3)
Die Entscheidungsmatrix A ist als Ergebnis der Lernphase bekannt. Das Klassifikationsergebnis ω ^ kann beispielsweise durch die Position des Maximums des Unterscheidungsvektors d als ω ^ = i |d(i) = max(d) (4) bestimmt werden. Ähnliche Verfahren zur Maximalwertfindung (wie z. B. Schwellwertentscheidungen, wahrscheinlichkeitstheoretische Betrachtung, und andere) sind ebenfalls einsetzbar. Zusätzlich können Plausibilitätsüberprüfungen und Trackingverfahren eingesetzt werden, um die Ergebnisse weiter zu stabilisieren und somit eine hohe Qualität zu gewährleisten.
Der Unterscheidungsvektor wird also aus den Merkmalwerten berechnet. Der Eintrag mit dem größten Wert zeigt an, dass das vermessene Objekt am wahrscheinlichsten zu dieser Klasse gehört.
Im Lernvorgang erfolgt die Anpassung des Polynomklassifikators durch die Bestimmung der Entscheidungsmatrix A. Zusätzlich werden die Polynomterme x_i mit dem größten Einfluss auf das Entscheidungsvermögen des Systems automatisch ausgewählt, während redundante und irrelevante Terme eliminiert werden.
Während des Lernvorgangs wird ein Satz von repräsentativen Merkmalvektoren ν dem Klassifikator zusammen mit der Information über ihre Klassenzugehörigkeit präsentiert. Das System bestimmt hieraus die Polynomrepräsentation x(ν) und den Zielvektor der Klassifikation y(ω) (Merkmalwerte und Klassenzugehörigkeit sind beim Lernen bekannt.) Die Bedingung an die Adaption der Matrix A kann beispielsweise das Kriterium des kleinsten quadratischen Schätzfehlers (Minimum Mean Square Error, MMSE) sein. S² = E{|d(ν) – y(ω)|²} = ! min (5)
Es kann gezeigt werden, dass diese Bedingung genau dann erfüllt ist, wenn gilt R_xx·A = R_xy mit R_xx = E{xx^T} und R_xy = E{xy^T}. (6)
Daher ist es hinreichend, während des Lernvorgangs die Korrelationsmatrizen R_xx und R_xy zu bestimmen und von ihnen die Entscheidungsmatrix A abzuleiten.
Während der Berechnung der Matrix A wird der Einfluss der einzelnen Polynomterme x_i untersucht. Die nur wenig zur Entscheidung beitragenden Terme werden eliminiert. Diese Selektion erfolgt mit dem Ziel, das Unterscheidungsvermögen des Klassifikators zu optimieren. Wegen der zugrundeliegenden Erwartungswert-Berechnung werden alle Lerndaten mit gleichem Anteil gewichtet – unabhängig von der Reihenfolge, in der sie dem System präsentiert werden. Darüber hinaus konvergiert der Lernvorgang für einen festen Satz an Lernstichproben stets zu derselben Entscheidungsmatrix, was den hier gewählten Ansatz von einem neuronalen System unterscheidet.
Bezugszeichenliste

1: Radarsensor
2: Radarsensor
3: Radarsensor
4: Radarsensor
5: Kraftfahrzeug
6: Ziel
r₁: radialer Abstand
r₂: radialer Abstand
r₃: radialer Abstand
r₄: radialer Abstand
10: Zielechosignal
11: Zieldetektion
12: Merkmalsextraktion
M₁: Merkmal
M₂: Merkmal
M₃: Merkmal
M_N: Merkmal
13: Klassifikator
14: Kein Ziel
15: Fußgänger
16: Personengruppe
17: Radfahrer
18: Baum
19: Auto
20: Verkehrschild
R: Abstand
A: Amplitude

Claims

Verfahren zur Klassifikation von in einer Umgebung eines Kraftfahrzeuges befindlichen Objekten, welches die folgenden Schritte aufweist: – Aussenden von Radarsignalen in einen zu überwachenden Umgebungsbereich des Kraftfahrzeugs, – Empfangen rückgestreuter Radarechos der ausgesandten Radarsignale, – Detektion mindestens eines Ziels (6), – Extraktion zielspezifischer Merkmale (M₁, M₂, M₃, ..., M_n) aus den Radarechos, – Übergabe der extrahierten Merkmale an einen Klassifikator (13), und – Klassifikation des mindestens einen detektierten Ziels (6) aus den extrahierten Merkmalen (M₁, M₂, M₃, ..., M_n), wobei der Klassifikator (13) trainierbar ist und ein Polynomklassifikator verwendet wird, wobei aus einem Vektor der extrahierten Merkmale (M₁, M₂, M₃, ..., M_n) ein Polynomvektor abgeleitet wird, der die Polynomterme der Merkmale (M₁, M₂, M₃, ..., M_n) bis zu einem definierten Polynomgrad enthält und wobei der Klassifikator (13) sechs Klassen von Radarobjekten aufweist, nämlich Fußgänger (15), Personengruppe (16), Radfahrer (17), Baum (18), Auto (19) und Verkehrsschild (20).
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die dem Ziel (6) zugehörige Klasse (15, 16, 17, 18, 19, 20) ausgegeben und/oder einer Weiterverarbeitung, insbesondere einem Fahrerassistenzsystem, zugeführt wird.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der Polynomvektor die Polynomterme bis zum zweiten Grad enthält.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der Polynomvektor die Polynomterme bis zum dritten Grad enthält.
Verfahren nach Anspruch 3 oder 4, dadurch gekennzeichnet, dass der Polynomvektor Polynomterme aufweist, die aus unterschiedlichen Merkmalen gebildet sind.
Vorrichtung, welche zur Durchführung des Verfahrens nach einem der vorangegangenen Ansprüche ausgelegt und eingerichtet ist, aufweisend ein an dem Kraftfahrzeug angebrachtes Radarsystem, wobei das Radarsystem aus einem Netzwerk bestehend aus einer Mehrzahl von Radarsensoren (1, 2, 3, 4) oder aus einem Einzelsensorsystem mit Sender und Antenne besteht, dadurch gekennzeichnet, dass die Vorrichtung eine Einrichtung zur Extraktion zielspezifischer Merkmale (M₁, M₂, M₃, ..., M_n) aus mindestens einem vom Radarsystem detektierten Ziel (6) und einen Klassifikator (13) zur Klassifikation des mindestens einen Ziels (6) aus den extrahierten Merkmalen (M₁, M₂, M₃, ..., M_n) aufweist, wobei der Klassifikator (13) trainierbar ist und ein Polynomklassifikator verwendet wird, wobei aus einem Vektor der extrahierten Merkmale (M₁, M₂, M₃, ..., M_n) ein Polynomvektor abgeleitet wird, der die Polynomterme der Merkmale (M₁, M₂, M₃, ..., M_n) bis zu einem definierten Polynomgrad enthält, und wobei der Klassifikator (13) sechs Klassen von Radarobjekten aufweist, nämlich Fußgänger (15), Personengruppe (16), Radfahrer (17), Baum (18), Auto (19) und Verkehrsschild (20).
Vorrichtung nach Anspruch 6, dadurch gekennzeichnet, dass das Radarsystem in dem vorderen und/oder hinteren Stoßfänger des Kraftfahrzeugs und/oder in den Seitenteilen und/oder anderen für Radarwellen transparenten Verkleidungsteilen angeordnet ist.