CN112328651B - 基于毫米波雷达数据统计特征的交通目标识别方法 - Google Patents
基于毫米波雷达数据统计特征的交通目标识别方法 Download PDFInfo
- Publication number
- CN112328651B CN112328651B CN202011115125.0A CN202011115125A CN112328651B CN 112328651 B CN112328651 B CN 112328651B CN 202011115125 A CN202011115125 A CN 202011115125A CN 112328651 B CN112328651 B CN 112328651B
- Authority
- CN
- China
- Prior art keywords
- data
- target
- millimeter wave
- traffic
- wave radar
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于毫米波雷达数据统计特征的交通目标识别方法,包括:利用毫米波雷达采集交通目标数据;进行噪声数据清洗处理,构建不同交通目标的数据集;将每一种交通目标数据集划分为训练集、验证集和测试集;对雷达数据的各个属性进行相关性分析,找出与目标类别相关性高的属性;对获得的属性的雷达数据进行统计学分析,构建经验特征;利用经验特征、获得的属性以及训练集训练分类器,获得目标识别模型;利用高模型识别待测目标的类别。本发明通过较少的检测数据分析和建模,建立了具有较高实用价值的交通目标识别模型。其次,将传统的雷达目标识别任务与SVM、LSTM深度学习模型等机器学习算法相结合,提高了识别精度,具有较高的适应性。
Description
技术领域
本发明属于人工智能识别算法和毫米波雷达传感器等技术领域,特别涉及一种基于毫米波雷达数据统计特征的交通目标识别方法。
背景技术
在车联网(IoV)的普及和边缘计算的推动下,许多自动驾驶技术得到了快速发展。为了预防和减少交通事故的发生,通过行人识别技术对道路上的行人进行实时警示给司机是非常必要的。行人视觉检测技术已经得到了广泛的研究。然而,恶劣天气严重影响了视觉传感器的检测性能。毫米波雷达传感器对恶劣的光线和天气条件所造成的环境影响具有很强的抗冲击能力。因此,基于毫米波雷达的行人识别技术可以提高高级驾驶员辅助系统的性能。以往的研究主要是从单个采样时刻的交通目标的雷达数据进行目标识别,并且考虑目标的运动情况较少,所以最终都没有取得比较高的识别准确率,不具备实际使用价值。而且,传统的雷达数据目标识别任务需要建立大量的目标检测数据库来更好地识别目标。
发明内容
本发明的目的在于针对上述现有技术存在的问题,提供一种基于毫米波雷达数据统计特征的交通目标识别方法。
实现本发明目的的技术解决方案为:基于毫米波雷达数据统计特征的交通目标识别方法,所述方法包括以下步骤:
步骤1,利用毫米波雷达采集交通目标数据;
步骤2,对采集的数据进行噪声数据清洗处理,构建不同交通目标的数据集;针对每一种交通目标数据集,将其划分为训练集、验证集和测试集;
步骤3,对雷达数据的各个属性进行相关性分析,找出与目标类别相关性大于预设阈值的属性;
步骤4,对步骤3获得的属性的雷达数据进行统计学分析,构建一个经验特征;
步骤5,利用所述经验特征、步骤3获得的属性以及训练集训练分类器,获得目标识别模型;
步骤6,采集待测目标的雷达数据,并将该数据输入到目标识别模型中,输出该目标的类别。
进一步地,步骤1中所述利用毫米波雷达采集交通目标数据具体为:利用毫米波雷达对车辆、行人、非机动车在静止状态、运动状态以及转弯状态下的数据进行采集。
进一步地,步骤3中所述与目标类别相关性大于预设阈值的属性包括目标的距离、速度以及雷达反射能量值RCS值。
进一步地,步骤4中所述经验特征为DRCS:
式中,vx为平行方向上的速度分量,vy为竖直方向上的速度分量,RCS为雷达反射能量值。
本发明与现有技术相比,其显著优点为:1)不需要大量的历史数据用于模型训练,满足了目标识别实时性的要求;2)所提出的的模型的实用性较强,预测花费时间短;3) 较为充分地理解了不同目标之间参数的差异,通过设计目标识别模型,进一步提高了算法的识别精度。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明基于毫米波雷达数据统计特征的交通目标识别方法的流程图。
图2为本发明的应用场景示意图。
图3为不同目标的原始雷达数据的分布图。
图4为不同距离静止行人RCS值和统计分布,其中图4的 (a)为RCS值,图4的 (b)为统计分布。
图5为不同距离常速行走的行人RCS值和统计分布,其中图5的 (a)为RCS值,图5的(b)为统计分布。
图6为不同距离转弯的行人RCS值和统计分布,其中图6的 (a)为RCS值,图6的 (b)为统计分布。
图7为不同距离静止车辆RCS值和统计分布,其中图7的 (a)为RCS值,图7的 (b)为统计分布。
图8为不同距离常速行驶的车辆RCS值和统计分布,其中图8的 (a)为RCS值,图 8的 (b)为统计分布。
图9为不同距离转弯的车辆RCS值和统计分布,其中图9的 (a)为RCS值,图9的 (b)为统计分布。
图10为不同机器学习算法对加上新提出特征的雷达数据的分类准确率图。
图11为LSTM网络对3s的时间序列数据的分类效果图,其中图11的 (a)为训练准确率示意图,图11的 (b)为训练损失示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,结合图1,提供了一种基于毫米波雷达数据统计特征的交通目标识别方法,所述方法包括以下步骤:
步骤1,利用毫米波雷达采集交通目标数据,包括目标的距离,速度,方位,RCS 值等等;
步骤2,对采集的数据进行噪声数据清洗处理,构建不同交通目标的数据集;针对每一种交通目标数据集,将其划分为训练集、验证集和测试集;
这里优选地,一般将数据集中百分之80的数据作为训练集,将百分之10的数据作为验证集,将百分之10的数据作为测试集。
步骤3,对雷达数据的各个属性进行相关性分析,找出与目标类别相关性大于预设阈值的属性;
步骤4,对步骤3获得的属性的雷达数据进行统计学分析,构建一个经验特征;
步骤5,利用所述经验特征、步骤3获得的属性以及训练集训练分类器,获得目标识别模型;
步骤6,采集待测目标的雷达数据,并将该数据输入到目标识别模型中,输出该目标的类别。
进一步地,在其中一个实施例中,步骤1中所述利用毫米波雷达采集交通目标数据具体为:利用毫米波雷达对车辆、行人、非机动车在静止状态、运动状态以及转弯状态下的数据进行采集。示例性地,采集的数据如下表1所示:
表1采集的数据示例
进一步地,在其中一个实施例中,步骤3中所述与目标类别相关性大于预设阈值的属性包括目标的距离、速度以及雷达反射能量RCS值。
进一步地,在其中一个实施例中,步骤4中所述进行统计学分析具体为分析雷达数据的方差、均值和分布。
进一步地,在其中一个实施例中,步骤4中所述经验特征为DRCS:
式中,vx为平行方向上的速度分量,vy为竖直方向上的速度分量,RCS为雷达反射能量值。
这里,新特征提出过程如下:
通过对实测数据的统计分布和相关分析,以数学公式的形式构建了新特征DRCS。根据数据的分布和相关性,考虑了以下因素来体现不同对象之间的区别:
1)雷达传感器与物体之间的距离。
2)物体在x和y空间坐标下的速度。
3)物体运动的方向。
4)对象的原始RCS值。
采集到的每一种目标的雷达数据包括目标的距离、速度和RCS值。虽然这些参数对车辆和行人的识别有一定的识别效果,但可以在接下来的分析中得到。但是不同的目标数据之间会有一定程度的重叠,这使得单凭原始雷达数据识别精度不是很高。
示例性地,根据不同的运动类型,对采集到的雷达数据进行统计分析,结果如图3至9图所示。由图可以看出,数据之间存在大量的重叠部分。
车辆的RCS一般高于行人,但重叠较多。行人的最高RCS远低于车辆。当RCS大于10时,可视为车辆。
在正常速度下,车辆的RCS一般比行人的RCS大,但区别不是很大。有大量的重叠。车辆和行人之间的速度有很大的区别,因此在推导新的特征时,对速度给予了很高的权重。而且,速度越快,重量就越重。
在进行转弯的情况下,整体而言,车辆在转弯时车身部分波动较大,反映在RCS 分布的两侧出现严重的拖拽现象。
基于以上分析,获得本发明提出的DRCS特征。
进一步地,在其中一个实施例中,步骤5中所述分类器包括支持向量机SVM或长短时神经网络LSTM。
本发明的应用场景如图2所示,示例性地,支持向量机等多种机器学习方法的识别效果如图10所示,长短时神经网络的识别效果如图11所示。由图可知,本发明通过较少的检测数据分析和建模,建立了具有较高实用价值的交通目标识别模型。其次,将传统的雷达目标识别任务与SVM、LSTM深度学习模型等机器学习算法相结合,提高了识别精度,具有较高的适应性。
以上显示和描述了本发明的基本原理、主要特征及优点。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说明本发明的原理,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范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于毫米波雷达数据统计特征的交通目标识别方法,其特征在于,所述方法包括以下步骤:
步骤1,利用毫米波雷达采集交通目标数据;
步骤2,对采集的数据进行噪声数据清洗处理,构建不同交通目标的数据集;针对每一种交通目标数据集,将其划分为训练集、验证集和测试集;
步骤3,对雷达数据的各个属性进行相关性分析,找出与目标类别相关性大于预设阈值的属性;
步骤4,对步骤3获得的属性的雷达数据进行统计学分析,构建一个经验特征;所述经验特征为DRCS:
式中,vx为平行方向上的速度分量,vy为竖直方向上的速度分量,RCS为雷达反射能量值;
步骤5,利用所述经验特征、步骤3获得的属性以及训练集训练分类器,获得目标识别模型;
步骤6,采集待测目标的雷达数据,并将该数据输入到目标识别模型中,输出该目标的类别。
2.根据权利要求1所述的基于毫米波雷达数据统计特征的交通目标识别方法,其特征在于,步骤1中所述利用毫米波雷达采集交通目标数据具体为:利用毫米波雷达对车辆、行人、非机动车在静止状态、运动状态以及转弯状态下的数据进行采集。
3.根据权利要求1或2所述的基于毫米波雷达数据统计特征的交通目标识别方法,其特征在于,步骤3中所述与目标类别相关性大于预设阈值的属性包括目标的距离、速度以及雷达反射能量RCS值。
4.根据权利要求3所述的基于毫米波雷达数据统计特征的交通目标识别方法,其特征在于,步骤4中所述进行统计学分析具体为分析雷达数据的方差、均值和分布。
5.根据权利要求1所述的基于毫米波雷达数据统计特征的交通目标识别方法,其特征在于,步骤5中所述分类器包括支持向量机SVM或长短时神经网络LSTM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011115125.0A CN112328651B (zh) | 2020-10-19 | 2020-10-19 | 基于毫米波雷达数据统计特征的交通目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011115125.0A CN112328651B (zh) | 2020-10-19 | 2020-10-19 | 基于毫米波雷达数据统计特征的交通目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112328651A CN112328651A (zh) | 2021-02-05 |
CN112328651B true CN112328651B (zh) | 2022-09-06 |
Family
ID=74314011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011115125.0A Active CN112328651B (zh) | 2020-10-19 | 2020-10-19 | 基于毫米波雷达数据统计特征的交通目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112328651B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550425A (zh) * | 2021-10-30 | 2022-05-27 | 南京理工大学 | 一种基于毫米波雷达的行人感知车路协同预警装置及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932720A (zh) * | 2019-03-19 | 2019-06-25 | 北京润科通用技术有限公司 | 基于雷达的运动目标识别方法及装置 |
CN111583671A (zh) * | 2020-06-05 | 2020-08-25 | 南京信息职业技术学院 | 一种毫米波雷达路口车流量监测方法及其系统 |
-
2020
- 2020-10-19 CN CN202011115125.0A patent/CN112328651B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932720A (zh) * | 2019-03-19 | 2019-06-25 | 北京润科通用技术有限公司 | 基于雷达的运动目标识别方法及装置 |
CN111583671A (zh) * | 2020-06-05 | 2020-08-25 | 南京信息职业技术学院 | 一种毫米波雷达路口车流量监测方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112328651A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A comparative study of state-of-the-art deep learning algorithms for vehicle detection | |
CN110942000B (zh) | 一种基于深度学习的无人驾驶车辆目标检测方法 | |
CN105892471B (zh) | 汽车自动驾驶方法和装置 | |
US8818702B2 (en) | System and method for tracking objects | |
Shi et al. | Fast and robust vanishing point detection for unstructured road following | |
CN110738690A (zh) | 一种基于多目标追踪框架的无人机视频中车速校正方法 | |
CN102270301A (zh) | 一种svm与激光雷达结合检测非结构化道路边界的方法 | |
Li et al. | An adaptive 3D grid-based clustering algorithm for automotive high resolution radar sensor | |
CN112487905B (zh) | 一种车辆周边行人危险等级预测方法及系统 | |
CN103455820A (zh) | 基于机器视觉技术的车辆检测和跟踪方法及系统 | |
CN115630569A (zh) | 一种应用于自动驾驶的毫米波雷达传感器建模方法 | |
CN106327528A (zh) | 无人机运动目标跟踪方法及无人机的工作方法 | |
CN114359876B (zh) | 一种车辆目标识别方法及存储介质 | |
Ye et al. | Overhead ground wire detection by fusion global and local features and supervised learning method for a cable inspection robot | |
CN104915642A (zh) | 前方车辆测距方法及装置 | |
CN112810619A (zh) | 基于雷达的辅助驾驶系统前方目标车辆识别方法 | |
Xiao et al. | Traffic sign detection based on histograms of oriented gradients and boolean convolutional neural networks | |
Qing et al. | A novel particle filter implementation for a multiple-vehicle detection and tracking system using tail light segmentation | |
CN114299607A (zh) | 一种基于自动驾驶汽车的人车碰撞危险度分析方法 | |
CN112328651B (zh) | 基于毫米波雷达数据统计特征的交通目标识别方法 | |
Fries et al. | Combining model-and template-based vehicle tracking for autonomous convoy driving | |
CN104463909A (zh) | 基于信度组合地图模型的视觉目标跟踪方法 | |
Chen et al. | Vehicle detection based on multifeature extraction and recognition adopting RBF neural network on ADAS system | |
CN104200226A (zh) | 基于机器学习的粒子滤波目标跟踪方法 | |
Kim et al. | Semantic point cloud-based adaptive multiple object detection and tracking for autonomous vehicles |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |