CN112505648A

CN112505648A - 基于毫米波雷达回波的目标特征提取方法

Info

Publication number: CN112505648A
Application number: CN202011298444.XA
Authority: CN
Inventors: 杜兰; 于增雨; 陈晓阳; 李增辉; 王纯鑫
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2020-11-19
Filing date: 2020-11-19
Publication date: 2021-03-16
Anticipated expiration: 2040-11-19
Also published as: US11906616B2; CN112505648B; US20220155432A1

Abstract

本发明公开了一种基于毫米波雷达回波的目标特征提取方法，主要解决现有技术无法充分利用雷达原始回波信息获取更具可分性的特征，及对物理形态、运动状态这些相似目标区分不准确的问题。其实现步骤是：获取目标实测数据并生成原始RD图，并去除该图的地杂波；对去除地杂波后的RD图依次进行目标检测、聚类和质心凝聚；获取连续多帧RD图并进行目标跟踪；根据跟踪轨迹选择候选区域并分别提取基于单张RD图的特征和基于连续两张RD图的特征。本发明提高了目标切片的提取效率，充分利用雷达信息，获得更多有利于目标分类的特征，在雷达硬件条件受限情况下易于对物理形态相似、运动状态相似的目标区分，可用于无人驾驶过程中的路面目标识别任务。

Description

基于毫米波雷达回波的目标特征提取方法

技术领域

本发明属于雷达技术领域，更进一步涉及一种雷达目标特征提取方法，可用于无人驾驶过程中的路面目标识别任务。

背景技术

现有基于视觉信息的路面目标识别发展迅速，基于雷达信息的路面目标识别方法则刚刚起步。在基于毫米波雷达的目标识别领域，现有技术大部分集中于对点云数据的处理和应用，同时也有部分机构提出利用距离多普勒RD图进行特征提取的方法。

Zhao Z等人在Point Cloud Features-Based Kernel SVM for Human-VehicleClassification in Millimeter Wave Radar中提出一种根据物体的物理特性在目标点云切片中提取目标相关特征的方法，包括目标不同方向的展宽、速度的均值方差、雷达散射截面积的均值方差等特征，并采用不同的支持向量机完成目标分类。但点云数据的获取过程复杂，对毫米波雷达硬件条件要求较高，需要雷达具有较高的角分辨率，所包含的信息也并不丰富，对单个目标切片的特征提取受限。

基于目标RD图的特征提取方法的研究，主要集中在利用单幅RD图进行提取过程。Robert Prophet等人在Pedestrian Classification for 79GHz Automotive RadarSystems中提取了包括目标距离维展宽、速度维展宽等能够反映目标物理结构或微动的特征，利用支持向量机完成对目标的分类。这一类的特征提取方法受限于单张RD图，对于运动状态、物理结构相似的目标无法得到有效的分类特征。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出一种基于毫米波雷达的目标特征提取方法，以在雷达硬件条件有限的情况下，充分利用雷达原始回波信息，获得更多有利于路面目标分类的特征。

本发明的技术思路是：通过利用原始的雷达回波信息对自动驾驶过程中出现的路面目标进行充分的特征提取，获得更加丰富的分类特征，以达到对具有相似物理形态、运动状态的目标更好的分类效果，其实现方案包括如下：

(1)获取基于毫米波雷达的目标实测数据，并利用该实测数据生成目标原始距离多普勒RD图；

(2)利用CLEAN算法去除目标原始距离多普勒RD图中的地杂波；

(3)采用改进的单元平均CFAR算法对去杂波后的RD图进行目标检测：

(3a)选择待检测单元，分别计算待检测单元左侧邻近若干参考单元、右侧若干参考单元、上方若干参考单元和下方若干参考单元的能量平均值；

(3b)根据具体实验场景、实验条件，利用(3a)所求能量平均值设置门限，将当前待检测单元能量与该门限进行比较：若待检测单元能量大于等于该门限，则判断该单元为目标，并记录其坐标，反之，则不予考虑；

(3c)对RD图中所有像素点执行(3a)及(3b)的操作，获得RD图中所有检测到的目标点；

(4)利用DBSCAN算法对检测到的目标进行聚类，并对聚类后的目标进行质心凝聚；

(5)重复(1)到(4)，获取连续多帧RD图；

(6)利用卡尔曼滤波方法对(5)获得的连续多帧RD图进行目标跟踪，根据获得的跟踪轨迹，选择每张RD图上的候选区域；

(7)对候选区域进行特征提取：

(7a)对单张RD图进行特征提取：

设置门限，滤掉噪声留下目标的主分量和副分量，对过门限后的RD图提取距离维延展ΔL、速度维延展ΔV、过门限点数N、总能量SE、主分量能量ME、主分量占比MP、副分量均值VEA、副分量方差VEV、副分量标准差VES和熵E这10种特征；

(7b)对连续两张RD图的特征提取：

(7b1)设置门限，滤掉噪声留下目标的主分量和副分量，分别对过门限后的两张RD图提取与(7a)相同的特征；

(7b2)利用(7b1)所提取的特征，计算连续两张RD图对应特征的差值，获得主分量距离维变化量MLC、主分量速度维变化量MVC、距离维展宽变化量ΔLC、速度维展宽变化量ΔVC、散射点个数变化量NC、总能量变化SEC、主分量能量变化MEC、主分量占比变化量MPC、副分量均值变化量VEAC、副分量方差变化量VEVC、副分量标准差变化量VESC和熵变化量EC这12种特征；

(7b3)将进行了(7b1)中过门限操作的两张RD图对齐相减并取绝对值，获得差值矩阵，从差值矩阵中提取能量发生变化点数M、差值矩阵总能量SDE、各点能量变化均值DEA、差值矩阵方差DV、差值矩阵标准差DS、差值矩阵的熵DE、差值矩阵距离维展宽ΔW和差值矩阵速度维展宽ΔD这8种特征。

与现有技术相比，本发明具有以下优点：

第一，本发明提出利用连续两张RD图进行目标特征提取的新策略，并在特征提取过程中引入时序信息，充分地利用雷达原始回波信息，能获得更多有利于路面目标分类的特征，在雷达硬件条件受限情况下，解决了现有技术中单纯依靠单张RD图提取的特征无法对物理形态相似、运动状态相似的目标进行区分的问题。

第二，本发明完善了从目标雷达原始回波获取，到利用RD图进行特征提取的全过程，相比已有的技术中在整个技术流程只进行最后一步特征提取，不考虑原始回波中涉及的地杂波去除、目标检测与跟踪、目标切片提取这些问题，本发明对从原始回波获取到特征提取的全过程进行整合，提高了目标切片的提取效率，为整个特征提取过程的实时实现提供了可能。

附图说明

图1是本发明的实现流程图；

图2是本发明中用二维傅里叶变换2DFFT生成原始RD图的示意图；

图3是用本发明对RD图进行去杂波的前后对比图；

图4是传统的单元平均恒虚警检测CA-CFAR流程示意图；

图5是本发明中改进的单元平均恒虚警检测CA-CFAR流程示意图；

图6是本发明跟踪过程中使用的卡尔曼滤波算法流程示意图；

图7是用本发明对四轮车目标跟踪的效果图；

图8是用本发明对四轮车目标跟踪的效果图对应的视频截图；

图9是用本发明对行人目标跟踪的效果图；

图10是用本发明对行人目标跟踪的效果图对应的视频截图。

具体实施方式

下面结合附图，对本发明的具体实施例和效果作进一步的描述。

参照图1，本实例的实现步骤如下：

步骤1，获取实测数据。

对于不同型号的毫米波雷达，由于其载频、带宽、调频斜率、帧长等参数的不同，表现在距离多普勒RD图上会使距离分辨率、最大不模糊距离、速度分辨率、最大不模糊速度这些参数不同，为使得提取特征分类效果更好、更鲁棒，在实验过程中需保证雷达参数前后一致。其具体实现如下：

1.1)设置雷达参数，在实测场景下，对路面目标发射基于该参数生成的线性调频连续波LFMCW，并接收该目标的回波信号；

1.2)利用发射信号和接收信号求取该目标的差频信号，对该差频信号进行模数转换，得到目标原始雷达回波并保存。

步骤2，生成原始RD图。

参照图2，本步骤的具体实施如下：

2.1)沿原始雷达回波快时间维度即对图2所示的每个回波分别做傅里叶变换FFT；

2.2)沿慢时间维度即对图2所示多个已进行快时间维FFT的回波进行FFT，生成目标原始RD图。

由于对原始回波沿快时间维度进行FFT可以解得目标距离信息，沿慢时间维度进行FFT可以解得目标多普勒信息，因此两次FFT的使用相当于进行两次加窗处理，可以有效改善雷达回波的信噪比情况。

步骤3，去除目标原始距离多普勒RD图中的地杂波。

在生成原始的RD图后，可以发现在多普勒维零频处沿距离维会出现较为严重的地杂波，这对后续的操作，无论是目标检测还是目标跟踪都会产生较大的影响，需要在原始的RD图中对地杂波进行处理，这里采用较为基础的CLEAN算法进行说明，如有更好的去地杂波算法可以做出相应替换。

本实例使用但不限于CLEAN算法，使用CLEAN算法去除目标原始距离多普勒RD图中地杂波，具体实现如下：

3.1)对于RD图的每一行，自适应的找出地杂波区域及地杂波区域所包含的多普勒单元个数，并对这些多普勒单元进行平滑操作；

3.2)分别对RD图的每一行进行IFFT操作，得到该行的原始雷达回波，并利用3.1)得到该行在地杂波区域所包含的多普勒单元个数；

3.3)根据雷达参数估计雷达回波中地杂波能量，对3.2)得到的原始雷达回波做离散傅里叶变换，获得回波信号的多普勒谱，在多普勒谱中搜索3.1)所述地杂波区域的最大值及其对应的相位、幅度和多普勒频率，并重构地杂波区域的最大值对应的时域信号；

3.4)用3.2)获得的原始回波信号减去3.3)所述重构地杂波区域最大值对应的时域信号，得到处理后的回波信号，并计算该回波信号在地杂波区域的能量；

3.5)判断处理后的回波信号在杂波区域的能量是否小于3.3)所估计地杂波能量：若是，得到每行去除地杂波后的雷达回波信号；否则，返回3.3)；

3.6)对3.5)中得到的每行去除地杂波后的雷达回波信号做FFT操作，获得去除了地杂波的RD图，结果如图3，其中图3(a)为去地杂波前的RD图，图3(b)为使用本方案去除地杂波后的RD图，对比图3(a)与图3(b)，可以看出本方案去除地杂波效果良好。

步骤4，对去杂波后的RD图进行目标检测。

对原始RD图进行杂波抑制后，整张RD图中会存在多个目标，散射出若干散射点。另外，噪声的出现也会使RD图的情况变得更加复杂，需要对去杂波后的RD图进行目标检测。

如图4所示，现有对RD图中目标的检测工作使用恒虚警检测CFAR的不同变体方法，其中传统单元平均恒虚警检测CA-CFAR算法的使用率最高。该算法沿RD图每一行进行操作，通过计算左侧邻近若干参考单元与右侧若干参考单元的平均值，设置门限，与当前位置待检测单元进行比较后，判断该单元是否为目标，完成目标检测工作。该方法虽然能够在RD图的目标检测中使用，但受限于仅对单一维度进行处理，会造成虚警和漏警的产生。

本发明对传统CA-CFAR算法进行改进，从对单一维度的处理方法改进为对二维矩阵的处理方法，如图5所示。

参照图5，本步骤的具体实现如下：

4.1)选择待检测单元，计算待检测单元左侧邻近若干参考单元、右侧若干参考单元、上方若干参考单元和下方若干参考单元的能量平均值；

4.2)根据具体实验场景、实验条件，利用4.1)所求能量平均值设置门限，将当前待检测单元能量与该门限进行比较：若待检测单元能量大于等于该门限，则判断该单元为目标，并记录其坐标，反之，则不予考虑；

4.3)对RD图中所有像素点执行4.1)及4.2)的操作，获得RD图中所有检测到的目标点。

步骤5，对检测到的目标进行聚类。

完成目标检测过程之后，由于同一目标可能会因为目标体积过大、各部位散射强度差异、运动状态不同这些原因，导致在检测过程中同一个目标被检测为多个目标点，因此需要在检测基础上，利用聚类算法，完成对已经检测到的目标的聚类工作。

具有噪声的基于密度的聚类方法DBSCAN是一种很典型的密度聚类算法，同时适用于凸样本集和非凸样本集，并能有效去除噪声的影响。本实例使用但不限于DBSCAN算法，使用DBSCAN算法进行目标聚类的具体操作如下：

5.1)任意选择一个没有类别的核心对象作为种子，找到所有这个核心对象能够密度可达的样本集合，即为一个聚类簇，标记该聚类簇的类别；

5.2)继续选择另一个没有类别的核心对象去寻找其密度可达的样本集合，得到另一个聚类簇并标记类别；

5.3)重复5.2)直到所有核心对象都有类别。

本步骤中的术语解释如下：

邻域，是指对于某样本，到它的距离不超过某个值的其他样本的集合。

核心对象，表示邻域内样本个数大于某个固定值的样本。

密度直达，是指若某对象位于核心对象邻域内，则核心对象与该对象的关系被称为密度直达。

密度可达，是指若对象一、二、三均为核心对象，若对象一可由对象二密度直达，对象二可由对象三密度直达，则对象一与对象三的关系被称为密度可达。

密度相连，是指若对象四、五、六均为核心对象，若对象四、对象五均由对象六密度可达，则对象四与对象六的关系被称为密度相连。

步骤6，对聚类后的目标进行质心凝聚。

在结束目标检测与聚类后，在同一目标中，若存在若干个核心对象，直接对这些核心对象进行跟踪操作不容易实现，所以在跟踪之前，需对已经完成聚类的聚类簇进行质心凝聚操作，具体实现如下：

在同一聚类簇中，若存在多个核心对象，计算所有核心对象横纵坐标平均值，作为该目标凝聚后的位置坐标；若只有一个核心对象，则该核心对象坐标即为凝聚后目标的坐标值。

步骤7，对连续多帧RD图进行目标跟踪。

在生成连续多帧RD图，并得到目标质心凝聚后的坐标之后，对目标进行跟踪操作。基于卡尔曼滤波的跟踪方法较为基础并易于实现，其实质是基于观测值以及估计值对真实值进行估计，本实例使用但不限于基于卡尔曼滤波的跟踪方法。

参照图6，本步骤的具体实现如下：

7.1)通过目标检测、聚类与质心凝聚获得该目标当前时刻的观测值Z(k)；

7.2)按照下式，计算利用k时刻跟踪结果预测的k+1时刻的状态变量X(k+1|k)与协方差矩阵P(k+1|k)：

X(k+1|k)＝FX(k)+BU(k)+W(k)，

P(k+1|k)＝FP(k)F^T+Q，

其中，F为变换矩阵，F^T为变换矩阵的转置，B为控制矩阵，X(k)为k时刻跟踪得到的状态变量，P(k)为k时刻跟踪得到的协方差矩阵，U(k)是当前状态的控制增益，W(k)表示k时刻噪声，Q表示系统过程噪声的协方差；

7.3)根据7.2)获得的协方差矩阵，计算卡尔曼增益K：

K＝P(k+1|k)H^T(HP(k+1|k)H^T+R)^-1，

其中，H为观测矩阵，H^T为观测矩阵的转置，R表示对象测量噪声的协方差，(·)^-1表示对括号内的元素求逆；

7.4)根据7.2)获得的状态变量和协方差矩阵及7.3)获得的卡尔曼增益，计算k+1时刻的跟踪得到的状态变量X(k+1)和协方差矩阵P(k+1)：

X(k+1)＝X(k+1|k)+K(Z(k)-HX(k+1|k))，

P(k+1)＝(1-KH)P(k+1|k)。

根据上述流程，在连续多帧已去除地杂波并完成目标检测、聚类、质心凝聚的RD图中进行卡尔曼滤波操作，即可完成对目标的跟踪。更进一步，控制卡尔曼增益大一点，代表更相信观测值，小一点，代表更偏向于预测值，综合两部分的结果，可以获得可信度更高的目标跟踪结果，如图7-图10所示，其中：图7为本方案对四轮车目标跟踪的效果图；图8为本方案对四轮车目标跟踪的效果图对应的视频截图；图9为本方案对行人目标跟踪的效果图；图10为本方案对行人目标跟踪的效果图对应的视频截图。从这四幅四轮车和行人的跟踪结果图可以看出，本发明对路面目标具有良好的跟踪效果。

在具体实验过程中，完成对相应RD图的目标跟踪工作后，需要对该目标的运动轨迹进行记录，为后续候选区域的选取做准备。

步骤8，获取候选区域。

在得到目标运动轨迹之后，根据跟踪轨迹在对应RD图中找到目标跟踪位置坐标，并根据该坐标提取目标候选区域，具体实现如下：

8.1)以跟踪到的坐标为中心，分别向上、下、左、右四个方向进行扩展，从该RD图中截取以目标跟踪坐标为中心的，大小为20*40的切片。

8.2)以跟踪到的轨迹为中心，分别向上下左右四个方向进行扩展，在以目标跟踪坐标为中心的大小为20*40的区域内，保持RD图原能量值不变，RD图其他位置能量值置零。

步骤9，对候选区域进行特征提取。

在获得了目标候选区域之后，进行特征提取过程。人体行走的运动分量主要包括躯干的平动分量和四肢摆动产生的微动分量，二轮车、四轮车等车辆的运动分量主要包括车身的平动分量和车轮的转动产生的微动分量。不同目标在运动时，因微动产生的距离和速度信息有所差异，这是对目标进行特征提取的理论基础。

特征提取主要分为单RD图特征提取与两张连续RD图特征提取，下面将分别对两种方案进行介绍。

对单张RD图进行特征提取时，采用8.1)所述方法对RD图提取切片；对连续两张RD图进行特征提取时，由于该类特征与时序及前后两张RD图中散射点位置相关，采用

8.2)所述方法对RD图提取切片。

在进行特征提取之前，为保证噪声、旁瓣等因素对提取特征的影响尽量小，则需要根据经验及具体实验场景对RD切片进行过门限处理，只留下目标的平动分量与微动分量。

本步骤的具体实现如下：

9.1)单RD图特征提取：

特征一：距离维延展

ΔL＝ΔR(r_top-r_down+1)，

其中ΔR为RD图距离分辨率，r_top、r_down分别为最上和最下不为零像素对应纵坐标；

特征二：速度维延展

ΔV＝Δv(d_right-d_left+1)，

其中Δv为RD图速度分辨率，d_right、d_left分别为最右和最左不为零像素对应横坐标；

特征三：过门限点数

其中

H为RD图像素点总个数，rdenergy_i为RD图第i个像素点的能量值；

特征四：总能量

其中energy_i为RD图第i个不为零像素点的能量值；

特征五：主分量能量

其中main_energy_j为主分量第j个不为零像素点的能量值，n为主分量不为零像素点个数；特征六：主分量占比

MP＝ME/SE；

特征七：副分量均值

VEA＝(SE-ME)/(N-n)；

特征八：副分量方差

特征九：副分量标准差

其中，sqrt(·)表示对括号内元素进行开平方处理；

特征十：熵

其中，p_i＝energy_i/SE，ln(·)表示对括号内元素求自然对数；

上述10种特征针对单张RD图进行提取，能够反映当前时刻目标的微动信息与物理结构信息，微动信息丰富的目标在副分量均值、方差上有较大的值，微动信息不丰富的目标的主分量占比会更高。

9.2)对两张连续RD图特征提取：

9.2.1)求出与9.1)相同的10种特征；

9.2.2)根据9.2.1)的结果，计算如下变化量相关特征：

特征1：主分量距离维变化量

MLC＝abs(d₁-d₂)；

特征2：主分量速度维变化量

MVC＝abs(r₁-r₂)，

其中，C₁(d₁,r₁)，C₂(d₂,r₂)分别为两张RD图主分量中心点坐标，abs(·)表示对括号内元素求绝对值；

特征3：距离维展宽变化量

ΔLC＝abs{ΔR[(r_top₁-r_down₁)-(r_top₂-r_down₂)]}，

其中ΔR为RD图距离分辨率，r_top₁、r_down₁、r_top₂、r_down₂分别为两幅RD图最上和最下不为零像素对应纵坐标；

特征4：速度维展宽变化量

ΔVC＝abs{Δv[(d_right₁-d_left₁)-(d_right₂-d_left₂)]}，

其中Δv为RD图速度分辨率，d_right₁、d_left₁、d_right₂、d_left₂分别为两幅RD图最右和最左不为零像素对应横坐标；

特征5：散射点个数变化量

NC＝abs(N₁-N₂)，

其中N₁、N₂分别为两幅RD图过门限处理后不为零像素点个数；

特征6：总能量变化

SEC＝abs(SE₁-SE₂)，

其中SE₁、SE₂分别为两幅RD图所有不为零像素点的能量和；

特征7：主分量能量变化

MEC＝abs(ME₁-ME₂)，

其中ME₁、ME₂分别为两幅RD图主分量能量和；

特征8：主分量占比变化量

特征9：副分量均值变化量

其中n₁、n₂分别为两幅RD图主分量不为零像素点个数；

特征10：副分量方差变化量

其中energy_{1_i}表示第一幅RD图为第i个不为零像素点的能量值，energy_{2_j}表示第一幅RD图为第j个不为零像素点的能量值；

特征11：副分量标准差变化量

其中，sqrt(·)表示对括号内元素进行开平方处理；

特征12：熵变化量

其中，p_{1_i}＝energy_{1_i}/SE₁，p_{2_j}＝energy_{2_j}/SE₂，ln(·)表示对括号内元素求自然对数；

上述12种特征由连续两张RD图分别求其单图特征并作差得到，可以在新特征中引入时序信息，表现目标的微动信息，微动信息丰富的目标在散射点个数变化量、副分量均值变化量上存在较大浮动，微动信息较少的目标则不会出现明显变化；

9.2.3)将两张RD图对齐相减求绝对值，得到差值矩阵并提取如下特征。

特征A：能量发生变化点数

其中，

G为差值矩阵像素点总个数，delta_rdenergy_i为差值矩阵第i个像素点的能量值；

特征B：差值矩阵总能量

delta_energy_i为差值矩阵第i个不为零像素点的能量值；

特征C：各点能量变化均值

DEA＝SDE/M；

特征D：差值矩阵方差

特征E：差值矩阵的标准差

其中，sqrt(·)表示对括号内元素进行开平方处理；

特征F：差值矩阵的熵

其中，p_i＝delta_energy_i/SDE，ln(·)表示对括号内元素求自然对数；

特征G：差值矩阵距离维展宽

ΔW＝y_top-y_down+1，

其中y_top、y_down分别为差值矩阵最上和最下不为零像素对应纵坐标；

特征H：差值矩阵速度维展宽

ΔD＝x_right-x_left+1，

其中x_right、x_left分别为差值矩阵最右和最左不为零像素对应纵坐标；

上述8种特征基于连续两张RD图对齐相减并求绝对值得到的差值矩阵进行计算，能够反映目标因为主体运动、微动分量的变化导致的能量变化情况。

本发明的效果可通过以下仿真实验进一步说明。

一、仿真实验条件

1.评价指标

为了评价本发明特征提取方法与传统特征提取方法，利用不同方法对仿真数据和实测数据提取特征并进行分类实验，按照下式，分别计算每类路面目标的分类正确率：

其中，γ(c)表示第c类目标的分类正确率，

表示对第c类目标分类正确的样本个数，ξ(c)表示第c类目标的样本总个数。

平均分类正确率是所有类别的地面目标的测试识别率的平均值。

2.实验平台

软件平台为：Windows 10操作系统和Matlab R2020a；

硬件平台为：TI Awr1843。

3.实验参数

本实验中所用毫米波雷达参数如下表1所示：

表1毫米波雷达实验参数

二、仿真实验内容

为全面评估本发明所提出特征提取方法的效果，分别基于仿真数据与实测数据进行分类实验，具体实验内容如下：

1.基于仿真数据的实验内容

仿真数据利用MATLAB基于搭建的目标运动模型直接对雷达回波进行仿真，不考虑地杂波、噪声对回波的影响。实验过程中，对提取到的目标切片分别利用传统特征提取方法与本发明提出特征提取方法进行特征提取，并利用随机森林分类器进行分类实验。

1.1)行人与四轮车二分类实验

在基于仿真数据的行人与四轮车二分类实验中，无论是传统方法提取的特征还是本发明方法提取的特征，都能达到100％的准确率，这与仿真数据条件过于理想有关，但是仍能够说明基于连续两张RD图所提取的特征具有一定分类能力。

1.2)行人、二轮车、四轮车三分类实验

基于仿真数据的行人、二轮车、四轮车三分类实验结果如表2所示：

表2仿真数据三分类实验结果

从表2所示实验结果可以看出，使用本发明所提特征进行分类能够达到的平均分类正确率为0.9867，高于传统方法提取特征得到的0.9633的平均正确率，表明本发明所提特征具有更良好的可分性；另外，对比发现，使用本发明所提特征得到的行人与二轮车的分类正确率较利用传统方法提取特征得到的分类正确率有提升，这说明了本发明所提特征，在运动状态、物理外观相似的运动目标的分类中，因为引入了时序信息，考虑到更多的变化过程，在分类上能够达到更好的效果。

2.基于实测数据的实验内容

分别利用本发明与传统方法对TI雷达在实测场景测得的路面目标雷达回波数据进行处理，获得目标切片并提取特征，再利用随机森林分类器进行分类实验。

2.1)行人与四轮车二分类实验

基于实测数据的行人与四轮车二分类实验结果，如表3所示：

表3实测数据二分类实验结果

从表3可以看出，使用本发明所提取的特征所得平均分类正确率为0.915，较传统方法提取特征得到的0.85的平均分类正确率有较大程度的提升，这说明本发明所提特征具有更良好的可分性。

2.2)行人、二轮车、四轮车三分类实验

基于实测数据对行人、二轮车、四轮车三分类目标进行实验，结果如表4所示：

表4实测数据三分类实验结果

从表4实验结果可以看出，使用本发明所提特征能达到0.8100的平均分类正确率，高于传统方法提取特征得到的0.7466的平均正确率，这表明本发明所提特征，可以达到比传统方法提取到的特征更好的分类效果，具有更良好的可分性。

此外，对比本发明与传统方法的实验过程发现，本发明在目标切片提取过程中能够节省大量时间，为特征提取过程的实时实现提供了可能。

Claims

1.一种基于毫米波雷达回波的目标特征提取方法，其特征在于，包括如下：

(2)利用CLEAN算法去除目标原始距离多普勒RD图中的地杂波；

(3a)选择待检测单元，计算待检测单元左侧邻近若干参考单元、右侧若干参考单元、上方若干参考单元和下方若干参考单元的能量平均值；

(5)重复(1)到(4)，获取连续多帧RD图；

(7)对候选区域进行特征提取：

(7a)对单张RD图进行特征提取：

(7b)对连续两张RD图的特征提取：

2.根据权利要求1所述的方法，其特征在于，(2)中利用CLEAN算法去除目标原始距离多普勒RD图中的地杂波，实现如下：

(2a)对于RD图的每一行，自适应的找出地杂波区域及地杂波区域所包含的多普勒单元个数，并对这些多普勒单元进行平滑操作；

(2b)分别对RD图的每一行进行IFFT操作，得到该行的原始雷达回波，并利用(2a)中得到该行在地杂波区域所包含的多普勒单元个数；

(2c)根据雷达参数估计雷达回波中地杂波能量，对(2b)得到的原始雷达回波做离散傅里叶变换，获得回波信号的多普勒谱，在多普勒谱中搜索(2a)所述地杂波区域的最大值及其对应的相位、幅度和多普勒频率，并重构地杂波区域的最大值对应的时域信号；

(2d)用(2b)获得的原始回波信号减去(2c)所述重构地杂波区域最大值对应的时域信号，得到处理后的回波信号，并计算该回波信号在地杂波区域的能量；

(2e)判断处理后的回波信号在杂波区域的能量是否小于(2c)所估计地杂波能量：若是，得到每行去除地杂波后的雷达回波信号；否则，返回(2c)；

(2f)对(2e)中得到的每行去除地杂波后的雷达回波信号做FFT操作，获得去除了地杂波的RD图。

3.根据权利要求1所述的方法，其特征在于，(4)中利用DBSCAN算法对检测到的目标进行聚类，并对聚类后的目标进行质心凝聚，实现如下：

(4a)任意选择一个没有类别的核心对象作为种子，找到所有这个核心对象能够密度可达的样本集合，即为一个聚类簇，标记该聚类簇的类别；

(4b)继续选择另一个没有类别的核心对象去寻找其密度可达的样本集合，得到另一个聚类簇并标记类别；

(4c)重复(4b)直到所有核心对象都有类别；

(4d)在同一聚类簇中，若存在多个核心对象，计算所有核心对象横纵坐标平均值，作为该目标凝聚后的位置坐标，若只有一个核心对象，则该核心对象坐标即为凝聚后目标的坐标值。

4.根据权利要求1所述的方法，其特征在于，(6)中利用卡尔曼滤波方法获得的连续多帧RD图进行目标跟踪，实现如下：

(6a)通过目标检测、聚类与质心凝聚获得该目标当前时刻的观测值Z(k)；

(6b)按照下式，计算利用k时刻跟踪结果预测的k+1时刻的状态变量X(k+1|k)与协方差矩阵P(k+1|k)：

X(k+1|k)＝FX(k)+BU(k)+W(k)，

P(k+1|k)＝FP(k)F^T+Q，

(6c)根据(6b)获得的协方差矩阵，计算卡尔曼增益K：

K＝P(k+1|k)H^T(HP(k+1|k)H^T+R)¹，

(6d)根据(6b)获得的状态变量和协方差矩阵及(6c)获得的卡尔曼增益，计算k+1时刻的跟踪得到的状态变量X(k+1)和协方差矩阵P(k+1)：

X(k+1)＝X(k+1|k)+K(Z(k)-HX(k+1|k))，

P(k+1)＝(1-KH)P(k+1|k)。

5.根据权利要求1所述的方法，其特征在于，(7a)提取距离维延展ΔL、速度维延展ΔV、过门限点数N、总能量SE、主分量能量ME、主分量占比MP、副分量均值VEA、副分量方差VEV、副分量标准差VES和熵E这10种特征，公式表示如下：

ΔL＝ΔR(r_top-r_down+1)

ΔV＝Δv(d_right-d_left+1)

MP＝ME/SE

VEA＝(SE-ME)/(N-n)

其中，ΔR为RD图距离分辨率，r_top、r_down分别为最上和最下不为零像素对应纵坐标，Δv为RD图速度分辨率，H为RD图像素点总个数，d_right、d_left分别为最右和最左不为零像素对应横坐标，

rdenergy_i为RD图第i个像素点的能量值，energy_i为RD图第i个不为零像素点的能量值，main_energy_j为主分量第j个不为零像素点的能量值，n为主分量不为零像素点个数，p_i＝energy_i/SE，sqrt(·)表示对括号内元素进行开平方处理，ln(·)表示对括号内元素求自然对数。

6.根据权利要求1所述的方法，其特征在于，(7b2)提取主分量距离维变化量MLC、主分量速度维变化量MVC、距离维展宽变化量ΔLC、速度维展宽变化量ΔVC、散射点个数变化量NC、总能量变化SEC、主分量能量变化MEC、主分量占比变化量MPC、副分量均值变化量VEAC、副分量方差变化量VEVC、副分量标准差变化量VESC和熵变化量EC这12种特征，公式表示如下：

MLC＝abs(d₁-d₂)

MVC＝abs(r₁-r₂)

ΔLC＝abs{ΔR[(r_top₁-r_down₁)-(r_top₂-r_down₂)]}

ΔVC＝abs{Δv[(d_right₁-d_left₁)-(d_right₂-d_left₂)]}

NC＝abs(N₁-N₂)

SEC＝abs(SE₁-SE₂)

MEC＝abs(ME₁-ME₂)

其中，C₁(d₁,r₁)、C₂(d₂,r₂)为两张RD图主分量中心点坐标，ΔR为RD图距离分辨率，Δv为RD图速度分辨率，r_top₁、r_down₁、r_top₂、r_down₂分别为两幅RD图最上和最下不为零像素对应纵坐标，d_right₁、d_left₁、d_right₂、d_left₂分别为两幅RD图最右和最左不为零像素对应横坐标，N₁、N₂分别为两幅RD图过门限处理后不为零像素点个数，SE₁、SE₂分别为两幅RD图所有不为零像素点的能量和，ME₁、ME₂分别为两幅RD图主分量能量和，n₁、n₂分别为两幅RD图主分量不为零像素点个数，energy_{1_i}表示第一幅RD图为第i个不为零像素点的能量值，energy_{2_j}表示第一幅RD图为第j个不为零像素点的能量值，p_{1_i}＝energy_{1_i}/SE₁，p_{2_j}＝energy_{2_j}/SE₂，sqrt(·)表示对括号内元素进行开平方处理，abs(·)表示对括号内元素求绝对值，ln(·)表示对括号内元素求自然对数。

7.根据权利要求1所述的方法，其特征在于，(7b3)从差值矩阵中提取能量发生变化点数M、差值矩阵总能量SDE、各点能量变化均值DEA、差值矩阵方差DV、差值矩阵标准差DS、差值矩阵的熵DE、差值矩阵距离维展宽ΔW和差值矩阵速度维展宽ΔD这8种特征，公式表示如下：

DEA＝SDE/M

ΔW＝y_top-y_down+1

ΔD＝x_right-x_left+1

其中，

delta_rdenergy_i为差值矩阵第i个像素点的能量值，delta_energy_i为差值矩阵第i个不为零像素点的能量值，G为差值矩阵像素点总个数，p_i＝delta_energy_i/SDE，y_top、y_down分别为差值矩阵最上和最下不为零像素对应纵坐标，x_right、x_left分别为差值矩阵最右和最左不为零像素对应纵坐标，sqrt(·)表示对括号内元素进行开平方处理，ln(·)表示对括号内元素求自然对数。