CN109061600A - 一种基于毫米波雷达数据的目标识别方法 - Google Patents

Abstract

本发明提供的一种基于毫米波雷达数据的目标识别方法，其包括步骤S100单帧雷达数据散点信息提取与去噪处理；S200多帧雷达数据叠加处理；S300雷达目标分割及位置确定；S400基于分类器的目标识别，分割后的各目标沿径向方向的一维距离像构成毫米波雷达目标识别的特征样本空间，将特征样本空间随机分成训练样本子空间和检测样本子空间，并采用分类器进行样本训练和检测。从而通过目标的分割来提取各目标雷达数据，并基于此数据进行目标识别，不仅有效提高了雷达目标正确识别率，还实现了多目标的识别，可为雷达目标识别方法提供重要的参考资料。

Description

一种基于毫米波雷达数据的目标识别方法

技术领域

本发明涉及目标识别技术领域，具体地说，是一种基于毫米波雷达数据的目标识别方法。

背景技术

毫米波雷达的信号可以穿透雨、雾、尘埃，且不受光线条件的影响，支持全天候工作。同时，毫米波雷达具有高度的集成度和灵敏度。因此，在可靠性、准确度以及距离感知上具有绝对优势的毫米波雷达已逐渐成为整个传感器系统的主要力量，被应用于汽车电子、无人机、智能交通等许多行业的目标识别等领域。

雷达目标识别技术的流程一般是先从雷达目标的回波中提取目标的有关信息和稳定特征，构造已知目标的特征模板库，然后利用模板库对分类器进行训练，最后利用训练好的分类器来鉴别目标。

传统雷达目标识别技术通常对雷达整体数据进行处理，在雷达整体数据基础上提取目标特征并构造目标的特征模块库。其存在的最大问题是只可应用于雷达探测范围内存在单一目标的情况，当雷达探测范围内出现多个目标时，无法进行检测。

在分类器方面，随机森林(Random Forest，RF)是一种集成机器学习方法，利用随机重采样技术和节点随机分裂技术构建多棵决策树，通过投票得到最终分类结果，随机森林具有较快的学习速度，其变量重要性度量可以作为高维数据的特征选择工具，近年来已经被广泛应用于各种分类问题中。

发明内容

本发明的主要目的在于提供一种基于毫米波雷达数据的目标识别方法，其克服现有技术中基于雷达整体数据进行目标识别的不足，通过目标的分割来提取各目标雷达数据，并基于此数据进行目标识别，不仅有效提高了雷达目标正确识别率，还实现了多目标的识别，可为雷达目标识别方法提供重要的参考资料。

为达到以上目的，本发明采用的技术方案为：一种基于毫米波雷达数据的目标识别方法，其包括步骤：

S100单帧雷达数据散点信息提取与去噪处理，提取雷达数据中各散点信息，采用物理去噪与聚类算法相结合的方式进行单帧数据去噪处理；

S200多帧雷达数据叠加处理，采用将连续多帧数据进行叠加的方式，增加物体反射信息；

S300雷达目标分割及位置确定，获取分隔后的各目标位置信息；以及

S400基于分类器的目标识别，分割后的各目标沿径向方向的一维距离像构成毫米波雷达目标识别的特征样本空间，将特征样本空间随机分成训练样本子空间和检测样本子空间，并采用分类器进行样本训练和检测。

根据本发明的一实施例，所述步骤S100中的单帧雷达数据三点信息提取与去噪处理具体包括步骤：

S110对雷达数据进行分析，提取每一散点的空间信息、距离信息、速度信息、反射峰值；

S120通过物理去噪的方式去除由雷达安装环境引起的噪点；以及

S130通过密度聚类算法去除由雷达测试不稳定引起的噪点。

根据本发明的一实施例，所述步骤S300中具体包括步骤：

S310通过密度聚类算法进行目标分割，将同一目标归为同一聚类；以及

S320选择同一目标聚类中反射峰值最大的点作为聚类中心，将聚类中心作为目标中心，确定此散点的位置，得以确定目标的位置。

根据本发明的一实施例，所述步骤S310包括步骤：将雷达探测到的同一目标散点分布紧凑，密度大，基于散点分布的特点选用基于密度聚类方式进行三维空间中的目标分割，并为不同目标加上不同的类别标签加以区分，类别标签以新增项存储于各散点数据中。

根据本发明的一实施例，所述步骤S400具体包括步骤：

S410定义雷达与目标中心的连线为径向方向，目标散点在径向方向上的投影为投影点，投影点到雷达的距离为该散点的径向距离；

S420将同一目标中的目标散点的径向距离进行归一化、离散化处理，以处理后的距离值作为横坐标，反射峰值为纵坐标，建立各目标沿径向方向的一维距离像并构成毫米波雷达目标识别的特征样本空间；

S430将特征样本空间随机分成训练样本子空间和检测样本子空间，并采用随机森林法进行样本训练和检测，确定目标的种类。

根据本发明的一实施例，所述密度聚类算法为DBSCAN聚类算法。

根据本发明的一实施例，所述步骤S200中包括步骤：提取连续多帧雷达数据中的各散点信息，并统一进行存储，各散点信息的提取方式同所述步骤S100。

根据本发明的一实施例，所述步骤S130包括步骤：

S131把每一个散点作为一个中心，画一个半径为ε的圆；

S132确定核心点，若某一散点的ε领域内包含了至少minPts个散点，则该散点为核心点，且和领域内其他散点是互相可达的，可形成一个聚类；

S133确定边界点，若某一散点不为核心点，但包含于某一核心点的领域内，则作为边界点属于此聚类；

S134确定局外点，若某一点即非核心点，也非边界点，则作为局外点，不属于此聚类，通过去掉聚类算法处理后的局外点，得以去除雷达测量不确定引起的噪声点。

与现有技术相比，本发明的技术效果：

(1)本发明可实现基于毫米波雷达数据的多目标识别，并且可以较为准确地对多目标的位置、种类进行检测，具有较好的鲁棒性、有效性和准确性；

(2)采用多帧雷达数据叠加处理的方式，有效解决了单帧雷达数据中包含的散点数量有限、雷达获取的目标信息稀疏的问题，有效增加了目标信息；

(3)采用基于密度的聚类算法，在去除由雷达测试不稳定引起的噪点的同时，较为准确地对雷达目标进行分割，进而可实现基于毫米波雷达数据的多目标识别；

(4)由于在雷达照射下，目标的回波在距离方向上占据多个距离像单元，呈现起伏特性，通常称之为目标的一维距离像，雷达目标的一维距离像能提供目标沿雷达视线方向的几何结构信息，同时具有易于获得和处理的特点，避免了成像识别中复杂的运动补偿问题，采用一维距离像作为目标的特征向量构造模板库，有效降低了算法难度，且不同目标一维距离像差异大的特点易于进行不同种类物体的识别与分类；

(5)采用随机森林作为分类器，由于随机森林算法能够有效平衡数据集误差，且当存在大量数据缺失时也能较好地保持分类精确性，从而对存在噪声数据且存在缺失值的毫米波雷达数据采用随机算法进行分类，可有效提高系统鲁棒性，适用于基于只包含物体稀疏信息的毫米波雷达数据的目标识别。

附图说明

图1是根据本发明的一种基于毫米波雷达数据的目标识别方法的流程示意图。

图2是根据本发明的单帧雷达数据的数据结构示意图。

图3是根据本发明一优选实施例DBSCAN聚类算法的工作原理示意图，通过不同颜色区分核心点、边界点以及局外点，如B点和C点为边界点，用黄色表示，N点为局外点，用蓝色表示，除此之外的A区域均为核心点，用红色表示。

图4a是根据本发明的上述优选实施例的单帧雷达数据去噪处理前的三维示意图，如用不同深浅的蓝色点表示，其中，颜色深浅与反射强度相关，反射强度越强，颜色越深。

图4b是根据本发明的上述优选实施例的单帧雷达数据去噪处理后的三维示意图，如用不同颜色点表示，除了其中的黄色点、绿色点以及蓝色点，其余为紫色点。

图5a-1至图5a-5是根据本发明的上述优选实施例的连续多帧雷达数据示意图。

图5b是根据本发明的上述优选实施例的多帧雷达数据叠加处理的示意图。

图6a是根据本发明的上述优选实施例的目标分割处理前的三维示意图，如用不同深浅的蓝色区别表示。

图6b是根据本发明的上述优选实施例的目标分割处理后的三维示意图，如用不同颜色点区别表示。

图7a是根据本发明的上述优选实施例的树木一维距离像。

图7b是根据本发明的上述优选实施例的墙体一维距离像。

具体实施方式

以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合，附图中通过不同颜色来进行区分，但不限于所提到各个颜色区分方式，也可以是不同的颜色以及不同的线条、形状进行区分。

如图1所示的是一种基于毫米波雷达数据的目标识别方法，以识别树木和墙体为例，其包括步骤：

第一步，单帧雷达数据散点信息提取与去噪处理。

如图2所示，提取雷达数据中各散点的空间信息、距离范围、速度值、反射峰值。

另外，由于雷达数据中存在由雷达安装环境和雷达探测不稳定引起的噪声散点，若直接进行多帧雷达数据叠加，噪声点可能与实际的目标点混合，被收敛到新的聚类中将增加提取真实目标类别的难度，从而应对单帧雷达数据进行去噪处理。

由雷达安装环境引起的噪声具有离雷达距离极近的特点，因此首先通过删除距雷达距离近的目标散点进行初步去噪；而由雷达探测不稳定引起的噪声具有位置稀疏、周围无其他目标散点的特点，因此使用基于密度聚类算法DBSCAN对此类噪声进行去除。

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种经典的基于密度的聚类算法。其核心思想是从某个核心点出发，不断向密度可达的区域扩张，从而得到一个包含核心点和边界点的最大化区域，区域中任意两点密度相连。DBSCAN需要两个参数：半径ε(eps)和形成高密度区域所需要的最少点数minPts，可用来描述样本分布的紧密程度，并决定最终的聚类结果。

如图3所示，为DBSCAN聚类算法的工作原理。首先，把每一个散点作为一个中心，画一个半径为ε的圆。若某一散点的ε领域内包含了至少minPts个散点，则该点为核心点，且和领域内其他散点是互相可达的，可形成一个聚类。若某一散点不为核心点，但包含于某一核心点的领域内，则亦可作为边界点(如点B和点C)属于这个聚类。若某一点即非核心点，亦非边界点，则为局外点，不属于该聚类。本方法中，去掉聚类算法处理后的局外点以实现去除雷达测量不确定引起的噪声点，如图4a和图4b所示的为单帧雷达数据去噪处理前后三维示意图。

第二步，多帧雷达数据叠加处理。

每一帧雷达数据中包含的散射点数量有限，雷达获得的物体信息稀疏。为此，采用将连续多帧数据进行叠加的方式，增加物体信息。提取连续多帧雷达数据中的各散点信息(同第一步)，并统一进行存储，如图5a和图5b所示的为多帧雷达数据叠加处理前后三维示意图。

第三步，雷达目标分割及位置确定。

雷达探测到的同一目标散点分布紧凑，密度大，基于散点分布的特点选用以密度为基础的聚类方式DBSCAN进行目标分割，并为不同目标加上不同的类别标签加以区分。其中，类别标签以新增项存储于各散点数据中，不同目标用不同数字进行表示，如图6a和6b所示的为目标分割前后三维示意图，示意图中不同种类的标签以颜色进行区分，其中，颜色深浅与反射强度相关，反射强度越强，颜色越深。

为确定目标位置，选取目标聚类中反射峰值最大的点作为聚类中心，即目标中心，确定聚类中心的位置即可确定目标中心位置。

第四步，基于分类器的目标识别。

目标识别之前进行目标特征提取，选择目标沿径向方向的一维距离像作为特征向量构成毫米波雷达目标识别的特征样本空间，定义目标中心到雷达的连线为该目标的径向方向，散点在径向方向上的投影为投影点，投影点到雷达的距离为散点的径向距离。提取各目标沿径向方向的一维距离像，横坐标为目标散点的径向距离，纵坐标为目标散点的反射峰值。

其中，对横坐标目标散点的径向距离信息进行归一化、离散化等处理。径向距离为d_i的目标投影点处理后为：

目标沿径向方向的一维距离像横坐标为标号从0到20的距离单元，其中0对应径向距离最小的目标散点，20为径向距离最大的目标散点；纵坐标为该距离对应的目标散点的反射峰值，如图7a和图7b所示的为数据和墙体的一维距离像。

一维距离像构成目标识别的特征样本空间，将特征样本空间随机分成训练样本子空间和检测样本子空间，利用随机森林分类算法进行样本检测和训练。最终可完成基于毫米波雷达数据的目标识别并得到目标的空间信息。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (10)

1.一种基于毫米波雷达数据的目标识别方法，其特征在于，包括步骤：

S100单帧雷达数据散点信息提取与去噪处理，提取雷达数据中各散点信息，采用物理去噪与聚类算法相结合的方式进行单帧数据去噪处理；

S200多帧雷达数据叠加处理，采用将连续多帧数据进行叠加的方式，增加物体反射信息；

S300雷达目标分割及位置确定，获取分隔后的各目标位置信息；以及

S400基于分类器的目标识别，分割后的各目标沿径向方向的一维距离像构成毫米波雷达目标识别的特征样本空间，将特征样本空间随机分成训练样本子空间和检测样本子空间，并采用分类器进行样本训练和检测。

2.根据权利要求1所述的目标识别方法，其特征在于，所述步骤S100具体包括步骤：

S110对雷达数据进行分析，提取每一散点的空间信息、距离信息、速度信息、反射峰值；

S120通过物理去噪的方式去除由雷达安装环境引起的噪点；以及

S130通过密度聚类算法去除由雷达测试不稳定引起的嗓点。

3.根据权利要求1所述的目标识别方法，其特征在于，所述步骤S300中具体包括步骤：

S310通过密度聚类算法进行目标分割，将同一目标归为同一聚类；以及

S320选择同一目标聚类中反射峰值最大的点作为聚类中心，将聚类中心作为目标中心，确定此散点的位置，得以确定目标的位置。

4.根据权利要求2所述的目标识别方法，其特征在于，所述步骤S300中具体包括步骤：

S310通过密度聚类算法进行目标分割，将同一目标归为同一聚类；以及

S320选择同一目标聚类中反射峰值最大的点作为聚类中心，将聚类中心作为目标中心，确定此散点的位置，得以确定目标的位置。

5.根据权利要求1所述的目标识别方法，其特征在于，所述步骤S400具体包括步骤：

S410定义雷达与目标中心的连线为径向方向，目标散点在径向方向上的投影为投影点，投影点到雷达的距离为该散点的径向距离；

S420将同一目标中的目标散点的径向距离进行归一化、离散化处理，以处理后的距离值作为横坐标，反射峰值为纵坐标，建立各目标沿径向方向的一维距离像并构成毫米波雷达目标识别的特征样本空间；

S430将特征样本空间随机分成训练样本子空间和检测样本子空间，并采用随机森林法进行样本训练和检测，确定目标的种类。

6.根据权利要求4所述的目标识别方法，其特征在于，所述步骤S400具体包括步骤：

S410定义雷达与目标中心的连线为径向方向，目标散点在径向方向上的投影为投影点，投影点到雷达的距离为该散点的径向距离；

S420将同一目标中的目标散点的径向距离进行归一化、离散化处理，以处理后的距离值作为横坐标，反射峰值为纵坐标，建立各目标沿径向方向的一维距离像并构成毫米波雷达目标识别的特征样本空间；

S430将特征样本空间随机分成训练样本子空间和检测样本子空间，并采用随机森林法进行样本训练和检测，确定目标的种类。

7.根据权利要求6所述的目标识别方法，其特征在于，所述步骤S310包括步骤：将雷达探测到的同一目标散点分布紧凑，密度大，基于散点分布的特点选用基于密度聚类方式进行三维空间中的目标分割，并为不同目标加上不同的类别标签加以区分，类别标签以新增项存储于各散点数据中。

8.根据权利要求7所述的目标识别方法，其特征在于，所述密度聚类算法为DBSCAN聚类算法。

9.根据权利要求8所述的目标识别方法，其特征在于，所述步骤S200中包括步骤：提取连续多帧雷达数据中的各散点信息，并统一进行存储，各散点信息的提取方式同所述步骤S100。

10.根据权利要求9所述的目标识别方法，其特征在于，所述步骤S130包括步骤：

S131把每一个散点作为一个中心，画一个半径为ε的圆；

S132确定核心点，若某一散点的ε领域内包含了至少minPts个散点，则该散点为核心点，且和领域内其他散点是互相可达的，可形成一个聚类；

S133确定边界点，若某一散点不为核心点，但包含于某一核心点的领域内，则作为边界点属于此聚类；

S134确定局外点，若某一点即非核心点，也非边界点，则作为局外点，不属于此聚类，通过去掉聚类算法处理后的局外点，得以去除雷达测量不确定引起的噪声点。