CN112162271A - 一种微波雷达在多场景下的车型识别方法 - Google Patents

Abstract

本发明公开了一种微波雷达在多场景下的车型识别方法，在确保较高的准确率下，实时分析得到车辆的临时分类结果，并经过多帧融合得出最终车型判定结果；以77GHz为中心频率，相比于24GHz频段，距离分辨率与距离精度更高，在雷达的基本检测信息：距离，速度，角度的基础上增加了车型识别的功能，丰富了雷达的检测功能，有利于路面信息的搜集，替代了目前采用的利用摄像头基于图像处理的车型识别方法，节约摄像头成本，丰富雷达的功能性与便利性。

Description

一种微波雷达在多场景下的车型识别方法

技术领域

本发明属于交通监测中的车型识别技术领域，具体涉及一种微波雷达在多场景下的车型识别方法。

背景技术

随着社会经济迅速发展，交通环境的拥堵问题日益严重。随着人口增长，传统的修建扩建道路的办法也因道路空间的限制变得越来越不适用。因此，建立一个整体有效的智能交通系统也成为当前交通领域的主要问题。

智能交通系统是指在交通基础设施上有效的运用科技手段，形成新的交通运作系统，实现对传统交通基础设施等方面的改变，通过对路况信息的实时获取并分析，智能化控制，智能化指挥，从而建立一个完善、有序的交通环境。

交通信息采集是智能交通系统的基础部分，而车型识别与分类作为交通信息的参数之一，其研究与实现也是很重要的一部分。

目前，国内外对于车型识别分类的研究主要包含以下几种方法：射频识别法，感应线圈识别法，激光识别法，视频识别法，雷达识别法。

射频识别法是在车辆上安装发射器，发送车辆的特征代码，接收器接收，计算终端处理分析。但这种方法需要加大对车辆装置的监督，需要投入人力，成本过高，目前我国应用很少。

感应线圈识别法是将电磁线圈埋于路面下方，不同类别的车辆通过线圈，引起的电磁感应变化来进行车型分类。此方法投入成本较低，稳定性强，受环境影响小，但维护复杂，维护成本较高，且会对地面造成巨大破坏。

激光识别法利用激光的高分辨率，获得车辆外轮廓，提取特征进行分类。该方法测量精度高，不受环境影响，但成本较高，且存在光波频射污染。

视频识别法利用摄像头，提取图像信息，通过机器学习，深度学习等方式进行训练识别，准确率较高，但因其运算量过大，难以保证实时性，而且摄像头的清洁也需投入人力成本。

发明内容

有鉴于此，本发明的目的是提供一种微波雷达在多场景下的车型识别方法，在确保较高的准确率下，实时分析得到车辆的临时分类结果，并经过多帧融合得出最终车型判定结果。

一种车型识别方法，包括如下步骤：

步骤1、采用77GHz毫米波雷达向目标车辆发射雷达信号，在接收回波信号的二维频谱中，提取出多普勒索引值对应的距离一维频谱；其中，多普勒索引值n为：

n＝v×N×lambda×PRF/2；

式中，v为目标的运动速度，lambda为波长，PRF为脉冲重复频率，N为多普勒维傅里叶变换点数；

步骤2、在所述二维频谱中，针对每个距离对应的多普勒维傅里叶变换结果序列数组进行从小到大排序，得到幅度排序数组f；

步骤3、基于幅度排序数组f，根据OS-CFAR算法计算频谱展宽门限Th；

步骤4、比较所述距离一维频谱大于所述频谱展宽门限Th的长度length；

步骤5、计算车长carlength：

carlength＝length×resolution；

式中，resolution为雷达的距离分辨率；

步骤6、根据车长对车型进行分类。

较佳的，所述步骤3中，选取幅度排序数组f中的某个数据，定义为第K个数据，并乘以相应系数m，即得到频谱展宽门限Th＝f(K)×m。

较佳的，所述步骤6中，除了根据车长，再结合车辆回波信号中的多普勒信噪比dopplerSNR和幅度信息peakval对车型进行识别。

较佳的，获得不同车型车辆的回波信号，并得到每辆车的多普勒信噪比dopplerSNR、幅度信息peakval和车长信息，采用SVM进行模型训练得到识别器；将位置车型车辆的多普勒信噪比dopplerSNR、幅度信息peakval和车长信息输入到所述识别器中，得到车辆的车型分类结果。

较佳的，针对所述识别器识别出的连续多帧回波信号对应的车型信息，以一定长度的滑窗windows进行滑动判别：对滑窗内最后一个车型分类结果，根据滑窗内其它车型分类结果进行判定：将其它车型分类结果中大数量较多的结果作为该帧的最终输出分类结果。

本发明具有如下有益效果：

本发明以77GHz为中心频率，相比于24GHz频段，距离分辨率与距离精度更高，在雷达的基本检测信息：距离，速度，角度的基础上增加了车型识别的功能，丰富了雷达的检测功能，有利于路面信息的搜集，替代了目前采用的利用摄像头基于图像处理的车型识别方法，节约摄像头成本，丰富雷达的功能性与便利性；利用目标车辆的反射点反射能量均大大高于噪声的特点，通过计算目标一维距离频谱的展宽计算车长信息；提取不同车型有效区分特征：dopplerSNR，carlength，peakval，通过SVM分类器，利用交叉验证和网格寻优法，得到最佳训练模型，有利于准确率提高；采用多帧融合得到最终分类结果，累积之前状态的信息，提高输出鲁棒性，降低错误率。

附图说明

图1为整体系统框图。

图2为雷达收发处理流程图。

图3为基于一维距离频谱展宽的车长算法流程图。

图4为一维距离频谱及频谱展宽门限。

图5为SVM网格寻优模型训练流程图。

图6为大、中、小车型对应的多普勒信噪比特征图。

图7为大、中、小车型对应的幅度信噪比特征图。

图8为大、中、小车型对应的车长特征图。

图9为测试集数据通过最佳SVM模型的车型分类结果。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

针对现有技术问题，微波雷达的出现在一定程度上可以解决这些问题，雷达具有安装方便，全天时、全天候、成本低、速度分辨率高的特点。因此微波雷达将成为信息采集的主要工具。

目前，雷达的信息采集功能主要集中于距离、速度、角度、航迹跟踪、车流量统计的信息统计，在车型识别问题，由于雷达的距离分辨率较低，对车型识别问题的研究难度较大。目前国内采用雷达进行的车型识别研究较少，且主要是基于24GHz毫米波雷达的研究，并没有针对77GHz毫米波雷达进行研究的团队。相比于24GHz毫米波雷达，77GHz毫米波雷达带宽更大，功率更高，距离分辨率和测距精度更高，空间分辨率更高，能够更好的分离物体，且尺寸更小，更易于安装。因此，对于77GHz毫米波雷达在车型识别方面的研究是非常重要的，可以在距离、速度、角度、航迹跟踪、车流量统计的信息基础上，增加车型识别的功能，更好的完善了雷达的功能，实现路面全方位信息的统计监测。

如图1所示，为毫米波雷达在多场景下的车型识别系统整体框图。本系统包括雷达收发模块，回波信号处理模块，车型识别模块。

所述的雷达收发模块，用于发射和接收毫米波雷达信号，雷达的发射天线发射调频连续波信号，接收天线接收反射的回波信号，通过混频器并进行AD采样。如图2所示，发射天线发射中心频率为77GHz，调频斜率为7.338MHz/μs的调频连续波，遇到目标后反射回雷达，接收天线接收回波信号，与本振信号进行混频，得到中频信号。而后以fs采样频率进行AD采样处理(本发明中选取6.25MHz)，得到离散信号。

所述的回波信号处理模块接收雷达收发模块处理得到离散信号。采样信号经过二维傅里叶变换得到二维频谱rangeprofile。二维傅里叶变换指的是距离维傅里叶变换(本发明中距离维傅里叶变换为256点傅里叶变换)和多普勒维傅里叶变换(本发明中多普勒维傅里叶变换为64点傅里叶变换)。并进行CFAR检测，得到目标的距离range，速度v，角度angle，多普勒维信噪比dopplerSNR，幅度peakval等多个基本信息。

所述的车型识别模块根据回波信号处理模块处理后的信号二维频谱以及目标检测信息，提取用于车型分类的相关特征，包括：多普勒信噪比值dopplerSNR，幅度peakval，基于一维距离频谱展宽的车长算法得到的车长信息carlength。将以上三个特征通过SVM(支持向量机)进行模型训练，采用网格寻优法和交叉验证法得到单帧临时车型判断结果。最后，通过多帧融合算法得到最终的车型识别结果。

所述的基于一维距离频谱展宽的车长算法的基本思想为：当雷达照射在目标车辆上时，反射最强的部位一般为车头或车顶的部位。由于雷达的距离分辨率一般为0.5米～1米左右，目标车辆的长度可达到3米～15米左右，因此目标车辆可视为多反射点物体，那么，在目标比信号峰值附近的位置也会有较强的反射能量。因此，相比于其他路面噪声，车身的其他反射点的回波信号强度会更强，在距离一维像上的表现为距离维峰值点附近的频谱强度会远远高于其他噪声，可将这些强度较强的频谱回波视为来自目标车辆的其他车身部位。因此，可采用基于一维距离频谱展宽的车长算法来计算车身长度。所述的基于一维距离频谱展宽的车长算法流程图如图3所示。

步骤1、提取目标速度所在的多普勒索引对应的距离一维频谱rangearray。根据n＝v×N×lambda×PRF/2。其中n为多普勒索引值，v为目标的运动速度，lambda为波长，PRF为脉冲重复频率，N为多普勒维傅里叶变换点数，在本发明中为64。在二维频谱rangeprofile中，提取出多普勒索引对应的距离一维频谱，在本发明中即为提取出多普勒索引为n所在的256点傅里叶变换结果。

步骤2、得到幅度排序数组f。在二维频谱rangeprofile中，针对每个距离对应的64点多普勒维傅里叶变换结果序列数组进行排序，得到幅度排序数组f。

步骤3、根据OS-CFAR算法计算频谱展宽门限Th。选取幅度排序数组f中的第K个数据(根据经验选取)，并乘以相应系数m，即得到频谱展宽门限Th＝f(K)*m。在本发明，K选取35，m选取1.2。

步骤4、比较距离一维频谱rangearray大于频谱展宽门限Th的长度length。如图4所示，实线为距离一维频谱rangearray曲线，虚线为频谱展宽门限Th曲线，根据两条曲线的对比可得出距离为111m的目标车辆对应的频谱展宽长度为4个距离单位长度。

步骤5、计算车长carlength。carlength＝length×resolution。length为目标的频谱展宽长度，resolution为雷达的距离分辨率。在本发明中，雷达的距离分辨率为0.9米。因此，如图4所示，目标的车长长度为3.6m。

所述的采用SVM进行模型训练，得到单帧临时车型判断结果的流程如图5所示。

步骤1、特征提取。提取回波信号处理模块输出的目标基本信息中的多普勒信噪比dopplerSNR、幅度信息peakval，以及通过基于一维距离频谱展宽的车长算法计算车长carlength信息。在本发明中，多普勒信噪比dopplerSNR、幅度信息peakval、车长信息carlength，均为可以有效区分不同车型的特征。图6为大、中、小车型对应的多普勒信噪比特征对比图，图7为大、中、小车型对应的幅度特征对比图，图8为大、中、小车型对应的车长特征对比图。由图可见，‘o’对应大车的特征，‘>’对应中车的特征，‘*’对应小车的特征，大车与中车、小车之间的特征区分度明显，小车与中车之间特征的区分度略低。

步骤2、提取训练集数据库中的数据，按比例随机分配为训练集与测试集。在本发明中，训练集与测试集的分配比例为7：3。

步骤3、SVM训练模型选取径向基核函数，输入模型参数c，g的候选数组C、G。采用网格寻优法和交叉验证法找到最高准确率模型对应的参数c，g。如图5所示，在交叉验证中，选取训练集数据中的4/5作为参数寻优过程中的训练集，1/5作为参数寻优过程中的测试集。通过网格遍历c，g候选参数数组C、G，得到最佳的准确率，将对应的c，g参数作为最佳参数，得到最优模型。在本发明中，候选参数数组C＝[0.001,0.01,1,10,100],G＝[0.001,0.01,1,10,100]。

步骤4、输入测试集数据，通过SVM最优模型得到临时车型分类结果。在本发明中，数据库中数据总数为8420帧，其中3000帧为大车数据，2830帧为中车，2590帧为小车数据，经过SVM模型训练，最佳模型参数c＝100，g＝0.01。图9为测试集通过最佳模型的分类结果，车型分类的准确率可达到95％。

所述的多帧融合算法的基本原理为：当目标车辆进入雷达照射区域50米～180米内，以一定长度的滑窗windows进行滑动判别(在本文中windows＝20)。对windows长的滑窗内的分类结果包含windows-1帧分类结果以及该帧临时分类结果，以数量较多的结果作为该帧的最终输出分类结果。当目标车辆到达50米时，由于天线的旁瓣衰减较大，对结果影响很大，因此，保持当前结果不变，稳定输出。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种车型识别方法，其特征在于，包括如下步骤：

步骤1、采用77GHz毫米波雷达向目标车辆发射雷达信号，在接收回波信号的二维频谱中，提取出多普勒索引值对应的距离一维频谱；其中，多普勒索引值n为：

n＝v×N×lambda×PRF/2；

式中，v为目标的运动速度，lambda为波长，PRF为脉冲重复频率，N为多普勒维傅里叶变换点数；

步骤2、在所述二维频谱中，针对每个距离对应的多普勒维傅里叶变换结果序列数组进行从小到大排序，得到幅度排序数组f；

步骤3、基于幅度排序数组f，根据OS-CFAR算法计算频谱展宽门限Th；

步骤4、比较所述距离一维频谱大于所述频谱展宽门限Th的长度length；

步骤5、计算车长carlength：

carlength＝length×resolution；

式中，resolution为雷达的距离分辨率；

步骤6、根据车长对车型进行分类。

2.如权利要求1所述的车型识别方法，其特征在于，所述步骤3中，选取幅度排序数组f中的某个数据，定义为第K个数据，并乘以相应系数m，即得到频谱展宽门限Th＝f(K)×m。

3.如权利要求1所述的车型识别方法，其特征在于，所述步骤6中，除了根据车长，再结合车辆回波信号中的多普勒信噪比dopplerSNR和幅度信息peakval对车型进行识别。

4.如权利要求3所述的车型识别方法，其特征在于，获得不同车型车辆的回波信号，并得到每辆车的多普勒信噪比dopplerSNR、幅度信息peakval和车长信息，采用SVM进行模型训练得到识别器；将位置车型车辆的多普勒信噪比dopplerSNR、幅度信息peakval和车长信息输入到所述识别器中，得到车辆的车型分类结果。

5.如权利要求4所述的车型识别方法，其特征在于，针对所述识别器识别出的连续多帧回波信号对应的车型信息，以一定长度的滑窗windows进行滑动判别：对滑窗内最后一个车型分类结果，根据滑窗内其它车型分类结果进行判定：将其它车型分类结果中大数量较多的结果作为该帧的最终输出分类结果。

Images