CN109932720A - 基于雷达的运动目标识别方法及装置 - Google Patents
基于雷达的运动目标识别方法及装置 Download PDFInfo
- Publication number
- CN109932720A CN109932720A CN201910207757.0A CN201910207757A CN109932720A CN 109932720 A CN109932720 A CN 109932720A CN 201910207757 A CN201910207757 A CN 201910207757A CN 109932720 A CN109932720 A CN 109932720A
- Authority
- CN
- China
- Prior art keywords
- moving target
- target
- measured
- observation angle
- classifier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了基于雷达的运动目标识别方法及装置,预先基于与运动目标类别一一对应的关联模型建立得到分类器,其中,每个关联模型表征一类运动目标的RCS数据与观测角度之间的关联关系。识别待测运动目标的类别时,获取待测运动目标的RCS数据及观测角度,然后,将RCS数据和观测角度输入至分类器中得到该待测运动目标的分类结果。而且,该方案充分考虑了RCS数据与观测角度之间的相关性,因此保证运动目标类型的识别准确率较高。
Description
技术领域
本发明属于雷达技术领域,尤其涉及基于雷达的运动目标识别方法及装置。
背景技术
雷达的工作原理是发射机发射电磁波,接收机接收发出的电磁波遇到目标被反射的回波信号,通过对回波信号进行处理实现对运动目标的测速或测距等功能。
雷达对雨雾具有较好的穿透能力,因此,成为智能驾驶领域中不可或缺的传感器。目前的雷达能够实现运动目标的定位、跟踪、测速等,但是无法实现运动目标的类型识别,例如,识别出运动目标是自行车、行人、车辆等。
发明内容
有鉴于此,本发明的目的在于提供基于雷达的运动目标识别方法及装置,以解决目前的车载雷达无法准确识别运动目标类型的技术问题,其技术方案如下:
第一方面,本发明提供了一种基于雷达的运动目标识别方法,包括:
获取待测运动目标的雷达散射截面RCS数据及观测角度,所述观测角度是指由所述待测运动目标的中心指向雷达的向量与所述待测运动目标的横向轴之间的夹角,所述横向轴是与所述待测运动目标正向运动方向垂直的水平方向的几何中轴;
将所述RCS数据和所述观测角度输入至预先建立的分类器中,得到所述待测运动目标的分类结果;
其中,所述分类器基于与运动目标类别一一对应的关联模型建立得到,每个关联模型表征一类运动目标的RCS数据与观测角度之间的关联关系。
可选地,获取所述分类器的过程包括:
针对每类运动目标,建立表征RCS数据与观测角度之间关联关系的关联模型;
依据各关联模型创建得到所述分类器。
可选地,所述分类器为朴素贝叶斯分类器;
所述依据各关联模型创建得到所述分类器,包括:
针对每类运动目标,基于该类运动目标对应的关联模型得到该类运动目标对应的RCS数据在任一观测角度对应的概率密度分布,并将该概率密度分布等效为在任一观测角度下,该类运动目标对应的RCS数据的条件概率分布;
针对每类运动目标,获得该类运动目标对应的先验概率;
基于每类运动目标对应的先验概率和每类运动目标对应的RCS数据的条件概率分布,得到所述朴素贝叶斯分类器。
可选地,所述针对每类运动目标,建立表征RCS数据与观测角度之间关联关系的关联模型,包括:
获取每一类运动目标的RCS数据及对应的观测角度;
利用曲线拟合方式对所述每一类运动目标的RCS数据及观测角度进行拟合,得到每一类运动目标对应的表征RCS数据与观测角度之间关联关系的关联模型。
可选地,所述将所述RCS数据和所述观测角度输入至预先建立的分类器中,得到所述待测运动目标的分类结果,包括:
将所述待测运动目标的所述RCS数据和所述观测角度输入至所述分类器中,得到所述待测运动目标属于各类运动目标的概率分布;
依据所述概率分布,确定概率最大的运动目标类别为所述待测运动目标的类别。
可选地,所述获取待测运动目标的RCS数据,包括:
获取所述待测运动目标对应的回波功率,以及获取所述待测运动目标的斜距,所述斜距是所述待测运动目标与所述雷达之间的直线距离;
依据所述回波功率及所述斜距,计算得到所述待测运动目标的RCS数据;
所述获取待测运动目标的观测角度,包括:
获取所述待测运动目标在目标坐标系中的位置坐标,所述目标坐标系是以所述雷达的位置为坐标原点且在所述雷达所在水平面上建立的直角坐标系;
获取所述待测运动目标在所述目标坐标系中的速度向量;
根据所述待测运动目标的所述位置坐标及所述速度向量,利用余弦定理计算得到所述待测运动目标的观测角度。
第二方面,本发明还提供了一种基于雷达的运动目标识别装置,包括:
测量数据获取模块,用于获取待测运动目标的雷达散射截面RCS数据及观测角度,所述观测角度是指由所述待测运动目标的中心指向雷达的向量与所述待测运动目标的横向轴之间的夹角,所述横向轴是与所述待测运动目标正向运动方向垂直的水平方向的几何中轴;
分类模块,用于将所述RCS数据和所述观测角度输入至预先建立的分类器中,得到所述待测运动目标的分类结果;
其中,所述分类器基于与运动目标类别一一对应的关联模型建立得到,每个关联模型表征一类运动目标的RCS数据与观测角度之间的关联关系。
可选地,所述分类器由分类器创建模块创建得到,每个关联模型由关联模型建立模块建立得到;
所述关联模型建立模块,用于针对每类运动目标,建立表征RCS数据与观测角度之间关联关系的关联模型;
所述分类器创建模块,用于依据各关联模型创建得到所述分类器。
可选地,所述分类器为朴素贝叶斯分类器;
所述分类器创建模块,包括:
概率密度获取子模块,用于针对每类运动目标,基于该类运动目标对应的关联模型得到该类运动目标对应的RCS数据在任一观测角度对应的概率密度分布,并将该概率密度分布等效为在任一观测角度下,该类运动目标对应的RCS数据的条件概率分布;
先验概率获取子模块,用于针对每类运动目标,获得该类运动目标对应的先验概率;
分类器创建子模块,用于基于每类运动目标对应的先验概率和每类运动目标对应的RCS数据的条件概率分布,得到所述朴素贝叶斯分类器。
可选地,所述关联模型建立模块,包括:
样本数据获取子模块,用于获取每一类运动目标的RCS数据及对应的观测角度;
关联模型建立子模块,用于利用曲线拟合方式对所述每一类运动目标的RCS数据及观测角度进行拟合,得到每一类运动目标对应的表征RCS数据与观测角度之间关联关系的关联模型。
可选地,所述分类模块具体用于:将所述待测运动目标的所述RCS数据和所述观测角度输入至所述分类器中,得到所述待测运动目标属于各类运动目标的概率分布;依据所述概率分布,确定概率最大的运动目标类别为所述待测运动目标的类别。
可选地,测量数据获取模块包括:
第一获取子模块,用于获取待测运动目标对应的回波功率;
第二获取子模块,用于获取待测运动目标的斜距;所述斜距是待测运动目标与雷达之间的直线距离;
第一计算子模块,用于依据回波功率及斜距,计算得到待测运动目标的RCS数据;
第三获取子模块,用于获取待测运动目标在目标坐标系中的位置坐标,所述目标坐标系是以雷达的位置为坐标原点且在雷达所在水平面上建立的直角坐标系;
第四获取子模块,用于获取待测运动目标在目标坐标系中的速度向量;
第二计算子模块,用于根据待测运动目标的位置坐标及速度向量,利用余弦定理计算得到待测运动目标的观测角度。
本发明提供的基于雷达的运动目标识别方法及装置,预先基于与运动目标类别一一对应的关联模型建立得到分类器,其中,每个关联模型表征一类运动目标的RCS数据与观测角度之间的关联关系。识别待测运动目标的类别时,获取待测运动目标的RCS数据及观测角度,然后,将RCS数据和观测角度输入至分类器中得到该待测运动目标的分类结果。而且,该方法充分考虑了RCS数据与观测角度之间的相关性,因此保证运动目标类型的识别准确率较高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于雷达的运动目标识别方法的流程图;
图2是本发明实施例提供的汽车的观测角度及横向轴的示意图;
图3是本发明实施例提供的二轮车、行人的横向轴示意图;
图4是本发明实施例提供的坐标系的示意图;
图5是本发明实施例提供的另一种基于雷达的运动目标识别方法的流程图;
图6是本发明实施例提供的四轮车辆的拟合结果示意图;
图7是本发明实施例提供的二轮车辆的拟合结果示意图;
图8是本发明实施例提供的行人的拟合结果示意图;
图9是本发明实施例提供的一种基于雷达的运动目标识别装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,示出了本发明实施例提供的一种基于雷达的运动目标识别方法的流程图,该方法可以运行于车载雷达内,或者,运行于汽车的电子控制单元(ElectronicControlUnit,ECU)内。
例如,该方法可以应用于智能驾驶领域,利用车载雷达识别出该车辆的预设距离范围内的运动物体所属的类别。
如图1所示,该方法可以包括以下步骤:
S110,获取待测运动目标的RCS数据和观测角度。
待测运动目标是指需要识别出所属类别的运动物体,例如,在智能驾驶领域,待测运动目标是当前车辆的预设距离范围内的运动物体,其中,当前车辆是指运行该方法的雷达所属的车辆。
RCS数据是指雷达的反射截面积,又叫雷达散射截面、后向散射截面、雷达截面积等,雷达探测的原理是发射电磁波照射到物体表面再反射回接收天线,而照射到物体表面依原路径返回的电磁波越少,雷达截面积越小,雷达对目标的信号特征就越小。
观测角度是指由待测运动目标的中心指向雷达的向量与所述待测运动目标的横向轴之间的夹角,待测运动目标的横向轴是待测运动目标正向运动方向垂直的水平方向的几何中轴。下面分别以汽车、自行车和行人为待测运动目标为例对横向轴进行说明。
参见图2,为汽车的观测角度、横向轴的定义示意图,如图2所示,汽车的正向运动方向上的几何轴为汽车的纵向轴,在水平面上与纵向轴垂直的几何轴为横向轴,横向轴和纵向轴的交叉点为汽车的中心。从汽车的中心指向雷达的向量与横向轴之间的夹角θ即汽车的观测角度。
参见图3,为自行车和行人的横向轴示意图,对于自行车而言,自行车正向运动方向上的几何轴为自行车的纵向轴,在水平面上与该纵向轴垂直的几何轴为横向轴。对于人而言,人正向运动方向上的几何轴为纵向轴,水平面上与该纵向轴垂直的几何轴为横向轴。
在本发明的一个实施例中,获取待测运动目标的RCS数据的过程如下:
获取待测运动目标对应的回波功率及待测运动目标的斜距;然后,利用如下的公式1依据回波功率及斜距计算得到待测运动目标的RCS数据。
公式1中,Pr是回波功率,R是斜距,K是标定系数,为固定值;其中,回波功率和斜距均可以由雷达测量得到,K可以通过对雷达系统进行标定得到。由公式1计算得到的RCS的单位为平方米,对其取分贝值即可换算得到RCS数据,其单位为dBsm。
其中,回波功率是指雷达发射的电磁波经运动目标反射的回波信号的功率;斜距是雷达与运动目标之间的直线距离。
在本发明的一个实施例中,获取待测运动目标的观测角度的过程如下:
首先,获取待测运动目标在目标坐标系中的位置坐标及速度向量,然后,根据该位置坐标、速度向量,利用余弦定理计算得到待测运动目标的观测角度。
具体的,如图4所示,目标坐标系是以雷达的位置为坐标原点,在雷达所在的水平面上建立的直角坐标系x-O-y。例如,跟踪得到待测运动目标在某一时刻的位置坐标为(x0、y0),以及速度向量[Vx,Vy],Vx表示待测运动目标沿x轴的速度分量,Vy表示沿y轴的速度分量。
速度向量[Vx,Vy]顺时针旋转90°得到待测运动目标的横向轴的方向,将速度向量[Vx,Vy]顺时针旋转90°得到的向量为[Vy,-Vx];观测角度即向量[Vy,-Vx]与斜距R之间的夹角θ,斜距R对应的向量为[-x0,-y0],因此观测角度θ可以利用余弦定理计算得到,计算公式如公式2所示:
公式2中计算得到的θ在0~180°范围内,进一步利用公式3判断斜距向量是在横向轴向量的顺时针方向还是逆时针方向,公式3如下:
A=-x0×Vx-y0×Vy (式3)
若A为正,则斜距向量在横向轴的逆时针方向;否则,斜距向量在横向轴的顺时针方向。这样可以根据判断结果将观测角度扩展到0~360°的范围内。
S120,将RCS数据和观测角度输入至预先建立的分类器中,得到待测运动目标的分类结果。
例如,运动目标的类别包括但不限于四轮车辆、三轮车辆、二轮车辆、行人等。
其中,分类器基于与运动目标类别一一对应的关联模型建立得到,且每个关联模型表征一类运动目标的RCS数据与观测角度之间的关联关系。
分类器可以采用基于似然比检测的分类器、基于朴素贝叶斯的分类器、基于支持向量机的分类器等,本发明对分类器的具体形式并不限定,凡是能够识别出运动目标的类别的分类器均可。
将待测运动目标的RCS数据和观测角度输入到分类器中,由分类器输出分类结果。其中,分类结果可以是待测运动目标具体属于某一类,或者,输出其属于各个类别的概率。
其中,在分类器给出待测运动目标属于各个类别的概率的应用场景下,例如,基于朴素贝叶斯的分类器,可以根据得到的待测运动目标属于各个类别的概率分布确定出该待测运动目标所属的类别。例如,直接利用一次得到的待测运动目标属于各个类别的概率分布确定最终的类别;或者,根据连续多次得到的待测运动目标属于各个类别的概率分布得到最终的类别。如果连续多次各个类别的概率分布较为接近,且各个类别的概率大小关系一定,则确定概率最大的类别为该待测运动目标所属的类别。当然,也可直接利用一次得到的待测运动目标属于各个类别的概率分布,确定概率最大的运动目标类别为待测运动目标的类别。
此外,确定目标类别的方式并不限于此,例如,得到待测运动目标属于各个类别的概率分布后,利用顺序概率比测试方法确定待测运动目标的类别。
本实施例提供的基于雷达的运动目标识别方法,该方法预先基于与运动目标类别一一对应的关联模型建立得到分类器,其中,每个关联模型表征一类运动目标的RCS数据与观测角度之间的关联关系。识别待测运动目标的类别时,获取待测运动目标的RCS数据及观测角度,然后,将RCS数据和观测角度输入至分类器中得到该待测运动目标的分类结果。而且,该方法充分考虑了RCS数据与观测角度之间的相关性,因此保证运动目标类型的识别准确率较高。
请参见图5,示出了本发明实施例提供的另一种基于雷达的运动目标识别方法的流程图,该方法在图1所示实施例的基础上还包括以下步骤:
S210,建立每一类运动目标的RCS数据与观测角度之间的关联模型。
其中,运动目标对应的RCS数据与观测角度之间的关联模型可以依据该类运动目标对应的大量的RCS数据和观测角度进行统计、理论分析、拟合等多种方式得到。其中,利用拟合方式得到RCS数据与观测角度之间的公式表达式便于计算,因此可以优先选用拟合方式获得关联模型。
此外,关联模型的形式可以是公式表达式、表格、直方图等任意一种。
下面以拟合方式为例说明得到关联模型的过程:
可以将运动目标进行简单分类,例如,分为四轮车辆(如,汽车)、二轮车(如,自行车、摩托车等)、行人等。然后,根据每一类运动目标对应的大量的RCS数据及观测角度,利用曲线拟合方式对每一类运动目标的RCS及观测角度进行拟合得到关联模型。
对每一类运动目标在各个观测角度下的RCS数据进行测量,考虑到运动目标的对称性,其对应的RCS数据也具有对称性,因此,只需要测量观测角度θ在-90°~90°的RCS数据。假设不同运动目标的RCS方向图(即,运动目标在各个观测角度的RCS)关于运动目标的横向轴和纵向轴均对称,因此,只利用观测角度为0°~90°的RCS数据进行拟合即可。
对于四轮车辆,θ在0°附近时对应的RCS约为20dBsm;θ为90°时,RCS约为10dBsm左右;但是,θ为45°附近时,RCS约在0~5dB。对不考虑随机起伏的RCS均值进行3阶多项式拟合建模,得到四轮车辆的RCS均值随观测角度变化的拟合表达式为:
σ1(θ)=-0.00016θ3+0.0293θ2-1.4582θ+18.793 (式4)
公式4中,σ1表示不考虑随机起伏的四轮车辆的RCS数据,θ表示四轮车的观测角度。其中拟合过程中采用了运动目标的大量RCS数据,公式4中的RCS数据为同一观测角度对应的多个RCS的均值,即RCS均值。
其中,四轮车辆的拟合结果如图6所示,图6中横坐标为观测角度,单位为度;纵坐标为RCS,单位为dBsm。曲线表示拟合曲线,离散点表示RCS测量数据。
RCS的随机起伏,指受RCS测量误差、角度测量误差、模型误差、真实的运动目标与模型目标不一致、目标抖动等原因,引起相同运动目标、相同角度下RCS测量值仍呈现的随机性变化。
同理,对于二轮车,对RCS数据进行拟合得到拟合表达式为:
公式5中,σ2表示不考虑随机起伏的二轮车辆的RCS数据,θ表示二轮车的观测角度。
对于二轮车的拟合结果如图7所示,图7中横坐标为观测角度,单位为度;纵坐标为RCS,单位为dBsm,曲线表示二轮车的拟合曲线,离散点表示RCS数据。
同理,对于行人,按行人在各个方向的RCS方向图进行拟合,RCS均值均为-7dBsm,因此,行人对应的拟合表达式为:
σ3(θ)=-7 (式6)
公式6中,σ3表示不考虑随机起伏的行人的RCS数据,θ表示行人的观测角度。
对于行人的拟合结果如图8所示,图8中横坐标为观测角度,单位为度;纵坐标为RCS,单位为dBsm。
S220,依据每一类运动目标对应的关联模型创建分类器。
本实施例以建立朴素贝叶斯分类器为例进行说明,实际应用中分类器不限于朴素贝叶斯分类器。
其中,创建朴素贝叶斯分类器的过程包括:针对每一类运动目标,基于该类运动目标对应的关联模型得到该类运动目标对应的RCS数据在任一观测角度对应的概率密度分布,并将该概率密度作为任一观测角度下该类运动目标的RCS数据的条件概率分布。然后,针对每一类运动目标,获得该类运动目标对应的先验概率。基于每一类运动目标对应的先验概率和RCS数据的条件概率分布,得到朴素贝叶斯分类器。
下面以四轮车辆、二轮车和行人这三类运动目标为例,说明创建朴素贝叶斯分类器的过程。
根据统计数据可以得到对于任意一个待测运动目标,其属于各类别的统计意义下的先验概率分别为:
P(i=1),P(i=2),P(i=3) (式7)
其中,i=1表示四轮车辆类别,i=2表示二轮车类别,i=3表示行人类别。先验概率是根据以往经验和分析得到的概率。
对于测量得到的一组RCS和观测角度[σ0,θ0],将其代入贝叶斯模型得到:
公式8中,其中P((i)|σ0)为当前观测角度下,当运动目标的RCS测量值为σ0时,运动目标的类型属于第i类的后验概率;P(σ0)为当前观测角度下,不考虑运动目标的类型,在满足公式7给出的类型分布概率条件下,RCS为σ0的概率。
其中,P(σ0)的计算公式如公式9所示:
P(σ0)=P(i=1)P(σ0|i=1)+P(i=2)P(σ0|i=2)+P(i=3)P(σ0|i=3) (式9)
将公式9代入公式8中,得到公式10:
公式10中的P(σ0|i)表示当前观测角度下,当运动目标为第i类时,该运动目标的RCS测量值为σ0的概率,可以通过以下公式11、12以及公式4、5、6,计算得到。
其中,在观测角度为某个角度θ时,三类运动目标的RCS的概率密度pi(σ)|θ等效为任一观测角度下,该类运动目标对应的RCS数据的条件概率分布:
公式11中,P(σ|(i=1))θ表示第1类运动目标在观测角度为θ时,RCS数据的条件概率分布,P(σ|(i=2))θ表示第2类运动目标在观测角度为θ时,RCS数据的条件概率分布,P(σ|(i=3))θ表示第3类运动目标在观测角度为θ时,RCS数据的条件概率分布。p1(σ)|θ表示第1类运动目标在观测角度为θ时,RCS数据的概率密度;p2(σ)|θ表示第2类运动目标在观测角度为θ时,RCS数据的概率密度;p3(σ)|θ表示第3类运动目标在观测角度为θ时,RCS数据的概率密度。
其中,考虑到RCS数据的单位为dBsm,假定其随机起伏可以由正态分布的统计起伏分布模型描述,因此,对第i类运动目标,其RCS在观测角度为θ时的概率密度pi(σ)|θ为:
公式12中的σ表示测量得到的待测运动目标的RCS数据,σi(θ)为第i类运动目标的RCS数据与观测角度θ的拟合值,σ′i(θ)为拟合值的标准差。
其中,执行S210和S220创建得到分类器后,后续可以直接利用该分类器判断运动目标的类别;即,S210和S220不是每次判断运动目标的类别都需要执行,只有当需要基于类别划分更改分类器时,需要重复执行S210和S220建立新的分类器。
S230,获取待测运动目标的RCS数据和观测角度。
例如,待测运动目标的观测角度为60°,对应的RCS测量值为0dBsm。
S240,将待测运动目标的RCS数据和观测角度输入至分类器中,得到待测运动目标的分类结果。
将公式4、5、6分别代入公式12中,计算三类运动目标对应的概率密度,再将计算得到的pi(σ)|θ代入公式10中,得到三个类别最终对应的分类器模型。
假设P(i=1)=80%、P(i=2)=10%、P(i=3)=10%,且σ′i=1,2,3(θ)=2.5dBsm,则将该组数据60°和0dBsm输入至三个类别对应的分类器中计算得到该待测运动目标属于三个类别的概率分别为:P((i=1)|σ0=0)=0.9785,P((i=2)|σ0=0)=0.01787,P((i=3)|σ0=0)=0.0036,可见,待测运动目标属于第1类的概率最高,因此,最终确定待测运动目标的类别为四轮车辆。
本发明提供的基于雷达的运动目标识别方法,预先基于与运动目标类别一一对应的关联模型建立得到贝叶斯分类器,其中,每个关联模型表征一类运动目标的RCS数据与观测角度之间的关联关系。识别待测运动目标的类别时,获取待测运动目标的RCS数据及观测角度,然后,将RCS数据和观测角度输入至贝叶斯分类器中得到该待测运动目标的分类结果。而且,该方法充分考虑了RCS数据与观测角度之间的相关性,因此保证运动目标类型的识别准确率较高。
相应于上述的基于雷达的运动目标识别方法实施例,本发明提供了相应的装置实施例。
请参见图9,示出了本发明实施例提供的一种基于雷达的运动目标识别装置的结构示意图,该装置应用于车载雷达内,或者,运行于汽车的ECU内。
如图9所示,该装置包括测量数据获取模块110和分类模块120。该测量数据获取模块110,用于获取待测运动目标的雷达散射截面RCS数据及观测角度。
该观测角度是指由待测运动目标的中心指向雷达的向量与待测运动目标的横向轴之间的夹角;横向轴是与待测运动目标正向运动方向垂直的水平方向的几何中轴。
在本发明的一个实施例中,该测量数据获取模块110包括:第一获取子模块、第二获取子模块、第一计算子模块、第三获取子模块、第四获取子模块和第二计算子模块。
第一获取子模块,用于获取待测运动目标对应的回波功率。
第二获取子模块,用于获取待测运动目标的斜距。其中,该斜距是待测运动目标与雷达之间的直线距离。
第一计算子模块,用于依据回波功率及斜距,计算得到待测运动目标的RCS数据。
第三获取子模块,用于获取待测运动目标在目标坐标系中的位置坐标。
其中,目标坐标系是以雷达的位置为坐标原点且在雷达所在水平面上建立的直角坐标系。
第四获取子模块,用于获取待测运动目标在目标坐标系中的速度向量。
第二计算子模块,用于根据待测运动目标的位置坐标及速度向量,利用余弦定理计算得到待测运动目标的观测角度。
其中,利用第一获取子模块、第二获取子模块和第一计算子模块获得待测运动目标的RCS数据。利用第三获取子模块、第四获取子模块和第二计算子模块获得待测运动目标的观测角度。
该分类模块120,用于将RCS数据和观测角度输入至预先建立的分类器中,得到待测运动目标的分类结果。
在本发明的一个实施例中,分类模块120具体用于:将待测运动目标的RCS数据和观测角度输入至分类器中,得到待测运动目标属于各类运动目标的概率分布;依据概率分布,确定概率最大的运动目标类别为待测运动目标的类别。
其中,分类器基于与运动目标类别一一对应的关联模型建立得到,每个关联模型表征一类运动目标的RCS数据与观测角度之间的关联关系。
在本发明的一个实施例中,由分类器创建模块依据各关联模型创建得到分类器;其中,由关联模型建立模块针对每类运动目标,建立表征RCS数据与观测角度之间关联关系的关联模型。
在本发明的一个实施例中,以朴素贝叶斯分类器为例,所述分类器创建模块包括概率密度获取子模块、先验概率获取子模块和分类器创建子模块。
该概率密度获取子模块,用于针对每类运动目标,基于该类运动目标对应的关联模型得到该类运动目标对应的RCS数据在任一观测角度对应的概率密度分布,并将该概率密度分布等效为在任一观测角度下,该类运动目标对应的RCS数据的条件概率分布。
该先验概率获取子模块,用于针对每类运动目标,获得该类运动目标对应的先验概率。
该分类器创建子模块,用于基于每类运动目标对应的先验概率和每类运动目标对应的RCS数据的条件概率分布,得到所述朴素贝叶斯分类器。
在本发明的一个实施例中,所述关联模型建立模块包括样本数据获取子模块和关联模型建立子模块。
该样本数据获取子模块,用于获取每一类运动目标的RCS数据及对应的观测角度。
该关联模型建立子模块,用于利用曲线拟合方式对所述每一类运动目标的RCS数据及观测角度进行拟合,得到每一类运动目标对应的表征RCS数据与观测角度之间关联关系的关联模型。
本实施例提供的基于雷达的运动目标识别装置,预先基于与运动目标类别一一对应的关联模型建立得到分类器,其中,每个关联模型表征一类运动目标的RCS数据与观测角度之间的关联关系。识别待测运动目标的类别时,获取待测运动目标的RCS数据及观测角度,然后,将RCS数据和观测角度输入至分类器中得到该待测运动目标的分类结果。而且,该方法充分考虑了RCS数据与观测角度之间的相关性,因此保证运动目标类型的识别准确率较高。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明各实施例中的装置及终端中的模块和子模块可以根据实际需要进行合并、划分和删减。
本发明所提供的几个实施例中,应该理解到,所揭露的终端,装置和方法,可以通过其它的方式实现。例如,以上所描述的终端实施例仅仅是示意性的,例如,模块或子模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个子模块或模块可以结合或者可以集成到另一个模块,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的,作为模块或子模块的部件可以是或者也可以不是物理模块或子模块,即可以位于一个地方,或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块或子模块可以集成在一个处理模块中,也可以是各个模块或子模块单独物理存在,也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现,也可以采用软件功能模块或子模块的形式实现。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于雷达的运动目标识别方法,其特征在于,包括:
获取待测运动目标的雷达散射截面RCS数据及观测角度,所述观测角度是指由所述待测运动目标的中心指向雷达的向量与所述待测运动目标的横向轴之间的夹角,所述横向轴是与所述待测运动目标正向运动方向垂直的水平方向的几何中轴;
将所述RCS数据和所述观测角度输入至预先建立的分类器中,得到所述待测运动目标的分类结果;
其中,所述分类器基于与运动目标类别一一对应的关联模型建立得到,每个关联模型表征一类运动目标的RCS数据与观测角度之间的关联关系。
2.根据权利要求1所述的方法,其特征在于,获取所述分类器的过程包括:
针对每类运动目标,建立表征RCS数据与观测角度之间关联关系的关联模型;
依据各关联模型创建得到所述分类器。
3.根据权利要求2所述的方法,其特征在于,所述分类器为朴素贝叶斯分类器;
所述依据各关联模型创建得到所述分类器,包括:
针对每类运动目标,基于该类运动目标对应的关联模型得到该类运动目标对应的RCS数据在任一观测角度对应的概率密度分布,并将该概率密度分布等效为在任一观测角度下,该类运动目标对应的RCS数据的条件概率分布;
针对每类运动目标,获得该类运动目标对应的先验概率;
基于每类运动目标对应的先验概率和每类运动目标对应的RCS数据的条件概率分布,得到所述朴素贝叶斯分类器。
4.根据权利要求2所述的方法,其特征在于,所述针对每类运动目标,建立表征RCS数据与观测角度之间关联关系的关联模型,包括:
获取每一类运动目标的RCS数据及对应的观测角度;
利用曲线拟合方式对所述每一类运动目标的RCS数据及观测角度进行拟合,得到每一类运动目标对应的表征RCS数据与观测角度之间关联关系的关联模型。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述将所述RCS数据和所述观测角度输入至预先建立的分类器中,得到所述待测运动目标的分类结果,包括:
将所述待测运动目标的所述RCS数据和所述观测角度输入至所述分类器中,得到所述待测运动目标属于各类运动目标的概率分布;
依据所述概率分布,确定概率最大的运动目标类别为所述待测运动目标的类别。
6.根据权利要求1-4任一项所述的方法,其特征在于,所述获取待测运动目标的RCS数据,包括:
获取所述待测运动目标对应的回波功率,以及获取所述待测运动目标的斜距,所述斜距是所述待测运动目标与所述雷达之间的直线距离;
依据所述回波功率及所述斜距,计算得到所述待测运动目标的RCS数据;
所述获取待测运动目标的观测角度,包括:
获取所述待测运动目标在目标坐标系中的位置坐标,所述目标坐标系是以所述雷达的位置为坐标原点且在所述雷达所在水平面上建立的直角坐标系;
获取所述待测运动目标在所述目标坐标系中的速度向量;
根据所述待测运动目标的所述位置坐标及所述速度向量,利用余弦定理计算得到所述待测运动目标的观测角度。
7.一种基于雷达的运动目标识别装置,其特征在于,包括:
测量数据获取模块,用于获取待测运动目标的雷达散射截面RCS数据及观测角度,所述观测角度是指由所述待测运动目标的中心指向雷达的向量与所述待测运动目标的横向轴之间的夹角,所述横向轴是与所述待测运动目标正向运动方向垂直的水平方向的几何中轴;
分类模块,用于将所述RCS数据和所述观测角度输入至预先建立的分类器中,得到所述待测运动目标的分类结果;
其中,所述分类器基于与运动目标类别一一对应的关联模型建立得到,每个关联模型表征一类运动目标的RCS数据与观测角度之间的关联关系。
8.根据权利要求7所述的装置,其特征在于,所述分类器由分类器创建模块创建得到,每个关联模型由关联模型建立模块建立得到;
所述关联模型建立模块,用于针对每类运动目标,建立表征RCS数据与观测角度之间关联关系的关联模型;
所述分类器创建模块,用于依据各关联模型创建得到所述分类器。
9.根据权利要求8所述的装置,其特征在于,所述分类器为朴素贝叶斯分类器;
所述分类器创建模块,包括:
概率密度获取子模块,用于针对每类运动目标,基于该类运动目标对应的关联模型得到该类运动目标对应的RCS数据在任一观测角度对应的概率密度分布,并将该概率密度分布等效为在任一观测角度下,该类运动目标对应的RCS数据的条件概率分布;
先验概率获取子模块,用于针对每类运动目标,获得该类运动目标对应的先验概率;
分类器创建子模块,用于基于每类运动目标对应的先验概率和每类运动目标对应的RCS数据的条件概率分布,得到所述朴素贝叶斯分类器。
10.根据权利要求8所述的装置,其特征在于,所述关联模型建立模块,包括:
样本数据获取子模块,用于获取每一类运动目标的RCS数据及对应的观测角度;
关联模型建立子模块,用于利用曲线拟合方式对所述每一类运动目标的RCS数据及观测角度进行拟合,得到每一类运动目标对应的表征RCS数据与观测角度之间关联关系的关联模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910207757.0A CN109932720A (zh) | 2019-03-19 | 2019-03-19 | 基于雷达的运动目标识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910207757.0A CN109932720A (zh) | 2019-03-19 | 2019-03-19 | 基于雷达的运动目标识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109932720A true CN109932720A (zh) | 2019-06-25 |
Family
ID=66987636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910207757.0A Pending CN109932720A (zh) | 2019-03-19 | 2019-03-19 | 基于雷达的运动目标识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109932720A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289969A (zh) * | 2020-03-27 | 2020-06-16 | 北京润科通用技术有限公司 | 一种车载雷达运动目标融合方法及装置 |
CN111402629A (zh) * | 2020-03-06 | 2020-07-10 | 杭州海康威视系统技术有限公司 | 一种车辆转弯控制方法、装置及电子设备 |
CN112328651A (zh) * | 2020-10-19 | 2021-02-05 | 南京理工大学 | 基于毫米波雷达数据统计特征的交通目标识别方法 |
CN113359130A (zh) * | 2021-06-07 | 2021-09-07 | 西安电子科技大学 | 一种低散射高速运动目标的探测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170249200A1 (en) * | 2016-02-29 | 2017-08-31 | International Business Machines Corporation | Analyzing computing system logs to predict events with the computing system |
CN107506794A (zh) * | 2017-08-23 | 2017-12-22 | 西安电子工程研究所 | 基于决策树的地面运动目标分类算法 |
CN108256471A (zh) * | 2018-01-16 | 2018-07-06 | 北方工业大学 | 一种基于双层分类网的高分辨率合成孔径雷达船只识别方法 |
CN108734111A (zh) * | 2018-04-26 | 2018-11-02 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Sar图像海面舰船识别方法 |
CN109214365A (zh) * | 2018-10-24 | 2019-01-15 | 李云涛 | 一种遍历随机森林空间目标分类识别方法 |
-
2019
- 2019-03-19 CN CN201910207757.0A patent/CN109932720A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170249200A1 (en) * | 2016-02-29 | 2017-08-31 | International Business Machines Corporation | Analyzing computing system logs to predict events with the computing system |
CN107506794A (zh) * | 2017-08-23 | 2017-12-22 | 西安电子工程研究所 | 基于决策树的地面运动目标分类算法 |
CN108256471A (zh) * | 2018-01-16 | 2018-07-06 | 北方工业大学 | 一种基于双层分类网的高分辨率合成孔径雷达船只识别方法 |
CN108734111A (zh) * | 2018-04-26 | 2018-11-02 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Sar图像海面舰船识别方法 |
CN109214365A (zh) * | 2018-10-24 | 2019-01-15 | 李云涛 | 一种遍历随机森林空间目标分类识别方法 |
Non-Patent Citations (2)
Title |
---|
宋平: ""基于宽带极化雷达的车辆目标识别研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
李佳: ""基于RCS的海上目标识别方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402629A (zh) * | 2020-03-06 | 2020-07-10 | 杭州海康威视系统技术有限公司 | 一种车辆转弯控制方法、装置及电子设备 |
CN111289969A (zh) * | 2020-03-27 | 2020-06-16 | 北京润科通用技术有限公司 | 一种车载雷达运动目标融合方法及装置 |
CN111289969B (zh) * | 2020-03-27 | 2022-03-04 | 北京润科通用技术有限公司 | 一种车载雷达运动目标融合方法及装置 |
CN112328651A (zh) * | 2020-10-19 | 2021-02-05 | 南京理工大学 | 基于毫米波雷达数据统计特征的交通目标识别方法 |
CN112328651B (zh) * | 2020-10-19 | 2022-09-06 | 南京理工大学 | 基于毫米波雷达数据统计特征的交通目标识别方法 |
CN113359130A (zh) * | 2021-06-07 | 2021-09-07 | 西安电子科技大学 | 一种低散射高速运动目标的探测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109932720A (zh) | 基于雷达的运动目标识别方法及装置 | |
CN109084724A (zh) | 一种基于双目视觉的深度学习障碍物测距方法 | |
CN107632308B (zh) | 一种基于递归叠加算法的车辆前方障碍物轮廓检测方法 | |
CN110531357A (zh) | 估计移动目标在水平面中速度大小的方法和雷达检测系统 | |
EP2417577B1 (en) | Three-dimensional reconstruction of scenes and objects | |
CN108263389B (zh) | 一种车辆前方虚假目标剔除装置及方法 | |
CN108549084A (zh) | 一种基于稀疏二维激光雷达的目标检测与姿态估计方法 | |
CN112929826B (zh) | 一种基于uwb三角定位与指纹信息的室内混合定位方法 | |
CN110378204B (zh) | 一种基于车载毫米波雷达的多目标分类方法 | |
CN106959437B (zh) | 一种基于多发多收的外辐射源雷达目标定位方法及装置 | |
CN103376447A (zh) | 一种实现非合作双多基地雷达目标三维定位的方法 | |
CN107066806A (zh) | 航迹关联方法及装置 | |
CN115061113B (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
WO2022061758A1 (zh) | 采用点云雷达估计物体速度的方法、点云雷达及系统 | |
CN116148801B (zh) | 一种基于毫米波雷达的目标检测方法及系统 | |
CN109583416A (zh) | 伪车道线识别方法及系统 | |
CN108802741A (zh) | 基于DSmT理论的移动机器人声纳数据融合方法 | |
CN113627373A (zh) | 一种基于雷视融合探测的车辆识别方法 | |
CN110488277B (zh) | 基于外辐射源的分布式主被动雷达联合定位方法 | |
CN111123260B (zh) | 一种毫米波雷达和可见光摄像的环境物体状态识别方法 | |
CN105571491B (zh) | 基于双目视觉的汽车底盘数据测量系统及其方法 | |
CN110231497A (zh) | 一种基于激光雷达测速的车速校准装置及方法 | |
CN106240454A (zh) | 提供车辆碰撞预警的系统及车载设备 | |
CN110411499B (zh) | 传感器检测识别能力的评估方法及评估系统 | |
CN113567946B (zh) | 一种毫米波雷达真实目标和虚像检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |
|
RJ01 | Rejection of invention patent application after publication |