CN113033586B - 目标识别方法及设备 - Google Patents
目标识别方法及设备 Download PDFInfo
- Publication number
- CN113033586B CN113033586B CN201911345351.5A CN201911345351A CN113033586B CN 113033586 B CN113033586 B CN 113033586B CN 201911345351 A CN201911345351 A CN 201911345351A CN 113033586 B CN113033586 B CN 113033586B
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle
- radar
- time points
- azimuth angle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000008859 change Effects 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/589—Velocity or trajectory determination systems; Sense-of-movement determination systems measuring the velocity vector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/62—Sense-of-movement determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种基于车载雷达的目标识别方法,包括:利用车载雷达分别获取行人和车辆的多组特征数据,其中每组特征数据包括横向速度、方位角变化率和雷达散射截面中的至少两个;利用多组特征数据形成特征集,并对特征集中的特征数据进行行人或车辆标记;利用特征集训练初始识别模型,以得到目标识别模型,目标识别模型包括分别用于表征行人和车辆的第一聚类中心和第二聚类中心;利用目标识别模型对目标进行识别,以确定目标为行人或者车辆。该目标识别方法对雷达的要求较低,并且数据处理量较小,能够对目标进行实时识别。此外,本申请还提供了一种基于车载雷达的目标的识别设备、一种车辆以及一种计算机可读存储介质。
Description
技术领域
本申请涉及自动驾驶的技术领域,具体是涉及一种目标识别方法及设备。
背景技术
随着雷达技术的发展,其应用频率在不断提高。现有毫米波雷达的距离分辨率可以达到厘米甚至毫米级,可以分辨出车辆周围的障碍物的大小和轮廓,为雷达在自动驾驶中识别行人和车辆提供了可能。
相关技术中识别行人和车辆的识别方法是采用雷达测量目标的多个散射点的速度变化(速度像),距离变化(距离像),来进行行人和车辆的识别。其中,雷达在单位时间内发射多个测量脉冲,获得测量目标不同散射点的速度值,距离值和方位角,速度的最大值最小值的差值即为目标的速度像,测量距离的最大值最小值的差值即为目标的距离像,再提取出目标的速度和距离的方差及标准偏差作为识别特征集进行行人和车辆的识别。相关技术中对雷达的距离分辨率和速度分辨率要求较高,导致成本较高,难以广泛应用于自动驾驶系统中。
发明内容
为了解决上述技术问题,本申请提供一种目标识别方法及设备,该目标识别方法及设备对雷达的要求较低,并且数据处理量较小,能够对目标进行实时识别。
本申请一方面提供了一种基于车载雷达的目标识别方法,包括:利用车载雷达分别获取行人和车辆的多组特征数据,其中每组特征数据包括横向速度、方位角变化率和雷达散射截面中的至少两个;利用多组特征数据形成特征集,并对特征集中的特征数据进行行人或车辆标记;利用特征集训练初始识别模型,以得到目标识别模型,目标识别模型包括分别用于表征行人和车辆的第一聚类中心和第二聚类中心;利用目标识别模型对目标进行识别,以确定目标为行人或者车辆。
进一步地,每组特征数据包括横向速度和方位角变化率,利用车载雷达分别获取行人和车辆的多组特征数据的步骤包括:获取车载雷达在多个时间点下测量的行人和车辆的径向速度和方位角;根据多个时间点下的径向速度和方位角计算特征数据中的横向速度;根据多个时间点下的方位角计算特征数据中的方位角变化率。通过获取车载雷达在多个时间点下测量的行人和车辆的径向速度和方位角来获取特征数据中的横向速度和方位角变化率以形成特征集,有利于提高目标识别的准确性。
进一步地,根据多个时间点下的径向速度和方位角计算特征数据中的横向速度的步骤包括:
利用以下公式计算特征数据中的横向速度:
根据方位角计算特征数据中的方位角变化率的步骤包括:
利用以下公式计算特征数据中的方位角变化率:
其中,v_lateral、α_var分别为特征数据中的横向速度和特征数据中的方位角变化率,N为时间点的数量,vj、αj为N个时间点中的第j个时间点下的径向速度和N个时间点中的第j个时间点下的方位角,为N个时间点下的方位角的平均值。以多个时间点下的横向速度的平均值作为特征数据中的横向速度,以多个时间点下的方位角的方差作为特征数据中的方位角变化率,有利于提高目标识别的准确性。
进一步地,多个时间点位于同一雷达测量周期内,以降低特征数据的获取难度,有利于提高行人与车辆的识别方法的可行性。
进一步地,每组特征数据包括横向速度、方位角变化率和雷达散射截面,利用车载雷达分别获取行人和车辆的多组特征数据的步骤包括:
获取车载雷达在多个时间点下测量的行人和车辆的径向速度、方位角和雷达散射截面;
利用以下公式计算特征数据中的横向速度:
利用以下公式计算特征数据中的方位角变化率:
利用以下公式计算特征数据中的雷达散射截面:
其中,v_lateral、α_var、RCS分别为特征数据中的横向速度、特征数据中的方位角变化率和特征数据中的雷达散射截面,N为时间点的数量,vj、αj、RCSj为N个时间点中的第j个时间点下的径向速度、N个时间点中的第j个时间点下的方位角和N个时间点中的第j个时间点下的雷达散射截面,为N个时间点下的方位角的平均值。通过获取车载雷达在多个时间点下测量的行人和车辆的径向速度、方位角以及雷达散射截面来获取特征数据中的横向速度、方位角变化率以及雷达散射截面以形成特征集,有利于提高目标识别的准确性。
进一步地,利用特征集训练初始识别模型,以得到目标识别模型,目标识别模型包括分别用于表征行人和车辆的第一聚类中心和第二聚类中心的步骤包括:利用聚类算法对特征集中的多组特征数据进行聚类,以获取目标识别模型,目标识别模型包括分别用于表征行人和车辆的第一聚类中心和第二聚类中心。采用聚类算法对特征集中的多个特征数据进行聚类分析,有利于缩短对数据进行运算处理的时间,提高目标识别的实时性和准确性。
进一步地,利用目标识别模型对目标进行识别,以确定目标为行人或者车辆的步骤包括:利用车载雷达获取目标的目标特征数据;根据目标特征数据确定目标与第一聚类中心之间的第一距离以及目标与第二聚类中心之间的第二距离;根据第一距离与第二距离的大小关系判断目标为行人或车辆;当第一距离小于第二距离时,则确定目标为行人;当第一距离大于第二距离时,则确定目标为车辆。通过比较目标与第一聚类中心之间的距离以及目标与第二聚类中心之间的距离,能够对目标进行识别。
本申请另一方面提供了一种基于车载雷达的目标识别设备,包括处理器和存储器,处理器执行存储器中存储的计算机程序时完成以上的任一目标识别方法。
本申请另一方面提供了一种车辆,包括车载雷达以及以上的目标识别设备。
此外,本申请还提供一种计算机可读存储介质,用于存储计算机程序,计算机程序被相应的处理器执行时完成以上的任一目标识别方法。
本申请所提供的目标识别方法根据横向速度、方位角变化率和雷达散射截面中的至少两个作为目标的识别特征,构造了一种新的特征集,通过该特征集挖掘行人与车辆不同的运动模式,提高了车载雷达对行人和车辆的识别能力,能够从一定程度上降低对雷达的距离分辨率和速度分辨率的要求,同时数据处理量也比较小,能够缩短算法中对大量数据进行运算处理的时间,满足自动驾驶系统实时识别的要求。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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是本申请所提供的目标识别方法一实施例的流程示意图;
图2是图1中步骤S10一实施例的流程示意图;
图3是车载雷达对目标进行测量的解析图;
图4是图1中步骤S10另一实施例的流程示意图;
图5是图1中步骤S40一实施例的流程示意图;
图6是车载雷达测量的行人的纵向速度和横向速度;
图7是车载雷达测量的车辆的纵向速度和横向速度;
图8是行人与车辆位于车载雷达同一侧时车载雷达测量的行人和车辆的方位角;
图9是行人位于车载雷达一侧、车辆与雷达同方向时车载雷达测量的行人与车辆的方位角;
图10是对车载雷达获取的行人和车辆的多组特征数据进行AP聚类分析的结果;
图11是本申请所提供的目标识别装置一实施例的结构示意图;
图12是本申请所提供的目标识别设备一实施例的结构示意图。
具体实施方式
下面结合附图和实施例,对本申请作进一步的详细描述。特别指出的是,以下实施例仅用于说明本申请,但不对本申请的范围进行限定。同样的,以下实施例仅为本申请的部分实施例而非全部实施例,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它实施例,都属于本申请保护的范围。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,图1是本申请所提供的目标识别方法一实施例的流程示意图。该行人和车辆的识别方法包括:
S10:利用车载雷达分别获取行人和车辆的多组特征数据,其中每组特征数据包括横向速度、方位角变化率和雷达散射截面中的至少两个。
其中,车载雷达可以为毫米波雷达,由于毫米波雷达的距离分辨率可以达到厘米甚至毫米级,相对于车辆而言,周围的障碍物不再被视为点目标,而可以分辨出目标的大小和轮廓,从而可以更加准确的对目标进行识别。同时毫米波雷达还具有可穿透灰尘、雨水这一绝对优势,可全天候工作且不受天气影响。举例而言,在本申请的一个实施例中,车载雷达可以为77GH毫米波雷达。
在本申请的一个实施例中,每组特征数据可以包括横向速度和方位角变化率。请参阅图2,图2是图1中步骤S10一实施例的流程示意图,利用车载雷达分别获取行人和车辆的多组特征数据的步骤包括:
S111:获取车载雷达在多个时间点下测量的行人和车辆的径向速度和方位角。
请参阅图3,图3是车载雷达对目标进行测量的解析图。图3中α是目标的方位角(目标与车载雷达视线方向的夹角),ν是目标的径向速度,车载雷达的方位角α范围一般在正负45度以内。
S112:根据多个时间点下的径向速度和方位角计算特征数据中的横向速度。
具体地,由于α是目标的方位角,ν是目标的径向速度,根据正弦定理,纵向速度为νcosα,横向速度为νsinα。由于车载雷达的方位角α范围一般在正负45度以内,因而纵向速度占据径向速度ν的主要部分,横向速度则主要体现行人和车辆变换方位时产生的多普勒效应。可选地,在本申请的一个实施例中,可以利用以下公式计算特征数据中的横向速度:其中,v_lateral为特征数据中的横向速度,N为时间点的数量,vj、αj为N个时间点中的第j个时间点下的径向速度和N个时间点中的第j个时间点下的方位角。以多个时间点下的横向速度作为特征数据中的横向速度,有利于提高目标识别的准确性。
S113:根据多个时间点下的方位角计算特征数据中的方位角变化率。
可选地,在本申请的一个实施例中,可以利用一下公式计算特征数据中的方位角变化率:其中,α_var为特征数据中的方位角变化率,N为时间点的数量,αj为N个时间点中的第j个时间点下的方位角,/>为N个时间点下的方位角的平均值。以多个时间点下的方位角的方差作为特征数据中的方位角变化率,有利于提高目标识别的准确性。
需要说明的是,本申请并不限制步骤S112与步骤S113的先后顺序。举例而言,可以是步骤S112在前,也可以是步骤S113在前,也可以是步骤S112与步骤S113同时进行。
总而言之,通过获取车载雷达在多个时间点下测量的行人和车辆的径向速度和方位角来获取特征数据中的横向速度和方位角变化率以形成特征集,有利于提高目标识别的准确性。
在本申请的另一个实施例中,每组特征数据可以包括横向速度、方位角变化率以及雷达散射截面。请参阅图4,图4是图1中步骤S10另一实施例的流程示意图,利用车载雷达分别获取行人和车辆的多组特征数据的步骤包括:
S121:获取车载雷达在多个时间点下测量的行人和车辆的径向速度、方位角以及雷达散射截面。
S122:根据多个时间点下的径向速度和方位角计算特征数据中的横向速度。
具体地,本步骤与步骤S112类似,此处不再赘述。
S123:根据多个时间点下的方位角计算特征数据中的方位角变化率。
具体地,本步骤与步骤S113类似,此处不再赘述。
S124:根据多个时间点下的雷达散射截面计算特征数据中的雷达散射截面。
可选地,在本申请的一个实施例中,可以利用以下公式计算特征数据中的雷达散射截面:其中,RCS为特征数据中的雷达散射截面,N为时间点的数量,RCSj为N个时间点中的第j个时间点下的雷达散射截面。以多个时间点下的雷达散射截面的平均值作为特征数据中的雷达散射假面,有利于提高目标识别的准确性。
需要说明的是,本申请并不限制步骤S122、步骤S123以及步骤S124的先后顺序。举例而言,可以是步骤S122在前,然后进行步骤S123,最后进行步骤S124;也可以是步骤S123在前,然后进行步骤S122,最后进行步骤S124;也可以是步骤S124在前,然后进行步骤S123,最后进行步骤S122;还可以是步骤S122、步骤S123以及步骤S124同时进行。
总而言之,通过获取车载雷达在多个时间点下测量的行人和车辆的径向速度、方位角以及雷达散射截面来获取特征数据中的横向速度、方位角变化率和雷达散射截面以形成特征集,有利于提高目标识别的准确性。
需要说明的是,以上所述的实施例仅仅是本申请的部分实施例,并不是本申请的全部实施例。当然,在本申请的又一实施例中,特征数据可以包括横向速度、雷达散射截面;在本申请的再一实施例中,特征数据可以包括方位角变化率和雷达散射截面。
可选地,在本申请的一个实施例中,多个时间点可以位于同一雷达测量周期内,以降低特征数据的获取难度,有利于提高本申请所提供的目标识别方法的可行性。
经发明人长期研究发现,车辆运行和行人行走时方位变换的快慢是不同的,车辆行驶过程中方向改变到回复正常行驶和方向变化的频率要明显高于行人,也就是说,行人和车辆的横向速度的大小是不同的;与此同时,发明人还发现,行人与车辆在车载雷达的同侧运行时,车辆的方位角变化率要大于行人运动的方位角变化率;但当行人或车辆与车载雷达在同一条直线或者近似同一条直线上行驶时,被测目标的方位角变化不明显,并且当行人或车辆与车载雷达在同一条直线上行驶时,被测目标是没有横向速度的;此外,发明人还发现,行人和车辆的雷达散射截面(RCS)相差较大,一般行人RCS值范围为-15dBm2-1dBm2,车辆的RCS值范围为0dBm2-15dBm2。
因此,当特征数据同时包括横向速度、方位角变化率和雷达散射截面时,能够更有效地提取出行人和车辆的特征,从而能够更加准确对目标进行识别。
S20:利用多组特征数据形成特征集,并对特征集中的每组特征数据进行行人或车辆标记。
具体地,特征集内可以包括多个行人的特征数据以及多个车辆的特征数据,并且每个特征数据都具有行人或车辆的标记,用以训练识别模型。
S30:利用特征集训练初始识别模型,以得到目标识别模型,目标识别模型包括分别用于表征所述行人和所述车辆的第一聚类中心和第二聚类中心。
具体地,该步骤可以包括:利用聚类算法对特征集中的多组特征数据进行聚类,以获取目标识别模型,目标识别模型包括分别用于表征行人和车辆的第一聚类中心和第二聚类中心。采用聚类算法对特征集中的多组特征数据进行聚类分析,有利于缩短对数据进行运算处理的时间,提高目标识别的实时性和准确性。
本申请实施例对聚类算法具体种类不作限制,举例而言,聚类算法可以是AP聚类算法(Affinity propagation Clustering Algorithm),采用AP聚类算法对特征集中的多个特征数据进行聚类,可以获得第一聚类中心和第二聚类中心,其中,第一聚类中心可以是行人的聚类中心,第二聚类中心则可以是车辆的聚类中心。
S40:利用目标识别模型对目标进行识别,以确定目标为行人或者车辆。
具体地,请参阅图5,图5是图1中步骤S40一实施例的流程示意图,在本申请的一个实施例中,该步骤可以包括以下步骤:
S41:利用车载雷达获取目标的目标特征数据。
当需要对目标进行识别时,车载雷达获取目标的目标特征数据;目标的目标特征数据包括横向速度、方位角变化率和雷达散射截面中的至少两个,举例而言,在本实施例中,目标的目标特征数据可以包括横向速度、方位角变化率和雷达散射截面。
S42:根据目标的目标特征数据确定目标与第一聚类中心之间的第一距离以及述目标与第二聚类中心之间的第二距离。
S43:根据第一距离与第二距离的大小关系判断目标为行人或车辆。
S44:当第一距离小于第二距离时,则确定目标为行人;当第一距离大于第二距离时,则确定目标为车辆。
举例而言,当目标的目标特征数据与第一聚类中心的距离较近时,可以判断目标为行人;当目标的目标特征数据与第二聚类中心的距离较近时,可以判断目标为车辆。
可选地,在本申请的一个实施例中,当完成对目标的识别之后,可以对目标进行行人或车辆的标记,并将该目标的目标特征数据加入特征集中,重新训练目标识别模型,以对目标识别模型进行实时更新,进一步提高目标识别的准确性。
本申请所提供的目标识别方法根据横向速度、方位角变化率和雷达散射截面中的至少两个作为目标的识别特征,构造了一种新的特征集,通过该特征集挖掘行人与车辆不同的运动模式,提高了车载雷达对行人和车辆的识别能力,能够从一定程度上降低对雷达的距离分辨率和速度分辨率的要求,同时数据处理量也比较小,能够缩短算法中对大量数据进行运算处理的时间,满足自动驾驶系统实时识别的要求。
接下来,采用Mat lab 2017a集成的ADAS(Advanced Driver Assistant Systems)仿真系统作为实验平台,以77GHz车载雷达检测行人和车辆的场景为例对本申请进行进一步地说明。仿真参数设计如下:传感器放置高度30cm,数据更新时间间隔0.01s,方位角范围20°(±5),最大检测距离150m,方位角精度1°,距离分辨率为0.75m。装载77GHz车载雷达的车辆以50km/h,加速度为3m/s2减速行驶。
请一并参阅图6和图7,图6是车载雷达测量的行人的纵向速度和横向速度;图7是车载雷达测量的车辆的纵向速度和横向速度。由图6和图7可知,从目标的径向速度中提取出横向速度和纵向速度,行人和车辆的纵向速度差别不明显,横向速度的差别较大。
请一并参阅图8和图9,图8是行人与车辆位于车载雷达同一侧时车载雷达测量的行人和车辆的方位角;图9是行人位于车载雷达一侧、车辆与雷达同方向时车载雷达测量的行人与车辆的方位角。由图8可知,行人与车辆位于车载雷达同一侧时,车辆的方位角变化率比行人的方位角变化率大;由图9可知,与车载雷达同方向行驶的目标的方位角变化不明显,无法作为识别特征,此时可以融合目标的雷达散射截面作为识别特征,能够提升目标识别的准确性。
根据车载雷达在同一雷达测量周期内的多个时间点下测量的行人和车辆的径向速度和方位角计算出横向速度v_lateral、方位角方差azimuth_var与测量的雷达散射截面RCS作为特征数据;多个特征数据形成特征集,即data_sample=[v_lateral、azimuth_var、RCS],其中特征集中的每个特征数据都具有行人或车辆的标记;利用AP聚类算法对上述特征集中的多个特征数据进行聚类,将行人和车辆聚为两大类,获得两个聚类中心,如图10所示,图10是对车载雷达获取的行人和车辆的多组特征数据进行AP聚类分析的结果。
当车载雷达对目标进行实时识别时,车载雷达获取目标的横向速度v_lateral、方位角方差azimuth_var与测量的雷达散射截面RCS作为目标的目标特征数据,计算目标的目标特征数据到每个聚类中心的距离,根据距离的大小判断目标的类别(行人或车辆)。车载雷达对目标进行识别之后,还可以对目标的目标特征数据进行行人或车辆的标记,然后将实时测量的目标的目标特征数据加入到特征集中,重新聚类,实现在线学习的能力,提高识别结果的鲁棒性。
77GHz车载雷达测量行人和车辆目标的横向速度、方位角变化率并且与雷达散射截面值组合作为新的特征数据,可以良好的识别行人和车辆,表明了该方法在77GHz车载雷达识别行人和车辆上有明显作用。具体的测试结果如下表所示:
请参阅图11,图11是本申请所提供的目标识别装置100一实施例的结构示意图。该目标识别装置100包括获取单元110、形成单元120、训练单元130以及识别单元140。其中,获取单元110用于利用车载雷达分别获取行人和车辆的多组特征数据,其中每组特征数据包括横向速度、方位角变化率和雷达散射截面中的至少两个。形成单元120用于利用多组特征数据形成特征集,并对特征集中的每组特征数据进行行人或车辆标记。训练单元130用于利用特征集训练初始识别模型,以得到目标识别模型,目标识别模型包括分别用于表征行人和车辆的第一聚类中心和第二聚类中心。识别单元140用于利用目标识别模型对目标进行识别,以确定目标为行人或者车辆。
可选地,在本申请的一个实施例中,获取单元110具体包括获取子单元和计算子单元。获取子单元用于获取车载雷达在多个时间点下测量的行人和车辆的径向速度和方位角。计算子单元用于根据多个时间点下的径向速度和方位角计算特征数据中的横向速度,举例而言,特征数据中的横向速度可以是多个时间点下的横向速度的平均值。并且,计算子单元还用于根据多个时间点下的方位角计算方位角变化率,举例而言,方位角变化率可以为多个时间点下的方位角的方差。其中,多个时间点可以位于同一雷达测量周期内。
可选地,在本申请的另一个实施例中,获取单元110具体包括获取子单元和计算子单元。获取子单元用于获取车载雷达在多个时间点下测量的行人和车辆的径向速度、方位角以及雷达散射截面。计算子单元用于根据多个时间点下的径向速度和方位角计算特征数据中的横向速度,举例而言,特征数据中的横向速度可以是多个时间点下的横向速度的平均值。并且,计算子单元还用于根据多个时间点下的方位角计算方位角变化率,举例而言,方位角变化率可以为多个时间点下的方位角的方差。此外,计算子单元还用于根据多个时间点下的雷达散射截面计算特征数据中的雷达散射截面,举例而言,雷达散射截面可以为多个时间点下的雷达散射截面的平均值。其中,多个时间点可以位于同一雷达测量周期内。
可选地,在本申请的一个实施例中,训练单元130具体用于利用聚类算法对特征集中的多组特征数据进行聚类,以获取目标识别模型,目标识别模型包括分别用于表征行人和车辆的第一聚类中心和第二聚类中心。
可选地,在本申请的一个实施例中,识别单元140具体用于利用车载雷达获取目标的目标特征数据;并根据目标的目标特征数据确定目标与第一聚类中心之间的第一距离以及目标与所述第二聚类中心之间的第二距离;根据第一距离与第二距离的大小关系判断目标为行人或车辆;当第一距离小于第二距离时,则确定目标为行人;当第一距离大于第二距离时,则确定目标为车辆。
请参阅图12,图12是本申请所提供的目标识别设备200一实施例的结构示意图。该目标识别设备200包括处理器210和存储器220,处理器210执行存储器220中存储的计算机程序230时完成以上的任一目标识别方法。
本申请另一方面提供了一种车辆,包括车载雷达以及以上的目标识别设备。此外,本申请还提供一种计算机可读存储介质,用于存储计算机程序,计算机程序被相应的处理器执行时完成以上的任一目标识别方法。具体的,计算机可读存储介质可以是内部存储单元,例如硬盘或内存;可以是外部存储设备,例如插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等;当然,计算机可读存储介质也可以既包括内部存储单元又包括外部存储设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,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,装置或单元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单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的部分实施例,并非因此限制本申请的保护范围,凡是利用本申请说明书及附图内容所作的等效装置或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种基于车载雷达的目标识别方法,其特征在于,包括:
利用车载雷达分别获取行人和车辆的多组特征数据,其中每组所述特征数据由横向速度、方位角变化率和雷达散射截面组成,所述方位角变化率为所述车载雷达在多个时间点下测量的行人和车辆的方位角的方差;
利用多组所述特征数据形成特征集,并对所述特征集中的所述特征数据进行所述行人或所述车辆标记;
利用所述特征集训练初始识别模型,以得到目标识别模型,所述目标识别模型包括分别用于表征所述行人和所述车辆的第一聚类中心和第二聚类中心;
利用所述目标识别模型对目标进行识别,以确定所述目标为行人或者车辆;
其中,所述利用车载雷达分别获取行人和车辆的多组特征数据的步骤包括:
获取所述车载雷达在多个时间点下测量的行人和车辆的径向速度、方位角、和雷达散射截面;
根据多个时间点下测量的径向速度和方位角计算所述横向速度;
根据多个时间点下测量的方位角计算所述方位角变化率,所述方位角变化率为多个时间点下测量的方位角的方差;
根据多个时间点下测量的雷达散射截面计算所述雷达散射截面。
2.根据权利要求1所述的目标识别方法,其特征在于,所述根据多个时间点下测量的径向速度和方位角计算所述横向速度的步骤包括:
利用以下公式计算所述横向速度:
;
所述根据多个时间点下测量的方位角计算所述方位角变化率的步骤包括:
利用以下公式计算所述方位角变化率:
;
其中,、/>分别为所述横向速度和所述方位角变化率,N为所述时间点的数量,/>、/>为N个所述时间点中的第j个所述时间点下的所述径向速度和N个所述时间点中的第j个所述时间点下的所述方位角,/>为N个所述时间点下的所述方位角的平均值。
3.根据权利要求1所述的目标识别方法,其特征在于,所述多个时间点位于同一雷达测量周期内。
4.根据权利要求1所述的目标识别方法,其特征在于,所述根据多个时间点下测量的雷达散射截面计算所述雷达散射截面的步骤包括:
利用以下公式计算所述雷达散射截面:
;
其中,为所述雷达散射截面,N为所述时间点的数量,/>为N个所述时间点中的第j个所述时间点下的雷达散射截面。
5.根据权利要求1所述的目标识别方法,其特征在于,所述利用所述特征集训练初始识别模型,以得到目标识别模型,所述目标识别模型包括分别用于表征所述行人和所述车辆的第一聚类中心和第二聚类中心的步骤包括:
利用聚类算法对所述特征集中的多组所述特征数据进行聚类,以获取目标识别模型,所述目标识别模型包括分别用于表征所述行人和所述车辆的第一聚类中心和第二聚类中心。
6.根据权利要求1-5中任一项所述的目标识别方法,其特征在于,所述利用所述目标识别模型对目标进行识别,以确定所述目标为行人或者车辆的步骤包括:
利用车载雷达获取目标的目标特征数据;
根据所述目标特征数据确定所述目标与所述第一聚类中心之间的第一距离以及所述目标与所述第二聚类中心之间的第二距离;
根据所述第一距离与所述第二距离的大小关系判断目标为行人或车辆;
当所述第一距离小于所述第二距离时,则确定所述目标为行人;
当所述第一距离大于所述第二距离时,则确定所述目标为车辆。
7.一种基于车载雷达的目标识别设备,其特征在于,包括处理器和存储器,所述处理器执行所述存储器中存储的计算机程序时完成如权利要求1-6中任一项所述的目标识别方法。
8.一种车辆,其特征在于,包括车载雷达以及权利要求7中所述的目标识别设备。
9.一种计算机可读存储介质,用于存储计算机程序,其特征在于,所述计算机程序被相应的处理器执行时完成如权利要求1-6中任一项所述的目标识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345351.5A CN113033586B (zh) | 2019-12-24 | 2019-12-24 | 目标识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345351.5A CN113033586B (zh) | 2019-12-24 | 2019-12-24 | 目标识别方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033586A CN113033586A (zh) | 2021-06-25 |
CN113033586B true CN113033586B (zh) | 2024-04-16 |
Family
ID=76451670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911345351.5A Active CN113033586B (zh) | 2019-12-24 | 2019-12-24 | 目标识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033586B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022127669A1 (de) | 2022-10-20 | 2024-04-25 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Ermittlung der tangentialen Geschwindigkeit eines Objektes |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100972849B1 (ko) * | 2009-10-16 | 2010-07-28 | 주식회사 쓰리디누리 | 객체 인식 방법 |
CN103729859A (zh) * | 2013-12-30 | 2014-04-16 | 西北工业大学 | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 |
CN105116400A (zh) * | 2015-08-31 | 2015-12-02 | 西安电子科技大学 | 基于iMMFA模型的雷达高分辨距离像的目标识别方法 |
KR20160144729A (ko) * | 2015-06-09 | 2016-12-19 | 주식회사 만도 | 레이더 신호처리 장치 및 그 신호처리방법 |
WO2017187407A1 (en) * | 2016-04-29 | 2017-11-02 | Blueburg Overseas S.A. | Method of verifying a potential detection of a man overboard event and alert verification processing apparatus |
WO2018115917A1 (en) * | 2016-12-20 | 2018-06-28 | Toyota Motor Europe | Electronic device, system and method for augmenting image data of a passive optical sensor |
CN108363065A (zh) * | 2017-01-17 | 2018-08-03 | 德尔福技术有限公司 | 物体检测系统 |
CN108717540A (zh) * | 2018-08-03 | 2018-10-30 | 浙江梧斯源通信科技股份有限公司 | 基于2d激光雷达区分行人和车辆的方法及装置 |
CN109490874A (zh) * | 2017-09-12 | 2019-03-19 | 德尔福技术有限责任公司 | 确定雷达目标作为位置地标的适合性的方法 |
DE102018203591B3 (de) * | 2018-03-09 | 2019-07-04 | Conti Temic Microelectronic Gmbh | Verfahren und System zur Klassifikation von Verkehrsteilnehmern |
CN109993192A (zh) * | 2018-01-03 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 目标对象识别方法及装置、电子设备、存储介质 |
DE102018200754A1 (de) * | 2018-01-18 | 2019-07-18 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Auswerten von Sensordaten mittels Kameradaten und Fahrerassistenzsystem |
CN110208793A (zh) * | 2019-04-26 | 2019-09-06 | 纵目科技(上海)股份有限公司 | 基于毫米波雷达的辅助驾驶系统、方法、终端和介质 |
CN110210389A (zh) * | 2019-05-31 | 2019-09-06 | 东南大学 | 一种面向道路交通场景的多目标识别跟踪方法 |
CN110431437A (zh) * | 2017-03-17 | 2019-11-08 | 罗伯特·博世有限公司 | 用于求取雷达目标的横向相对速度分量的方法和设备 |
CN110422173A (zh) * | 2019-07-11 | 2019-11-08 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种行车环境识别方法 |
CN110458055A (zh) * | 2019-07-29 | 2019-11-15 | 江苏必得科技股份有限公司 | 一种障碍物检测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0017989D0 (en) * | 2000-07-24 | 2001-08-08 | Secr Defence | Target recognition system |
US11138745B2 (en) * | 2018-04-30 | 2021-10-05 | Uatc, Llc | Object association for autonomous vehicles |
-
2019
- 2019-12-24 CN CN201911345351.5A patent/CN113033586B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100972849B1 (ko) * | 2009-10-16 | 2010-07-28 | 주식회사 쓰리디누리 | 객체 인식 방법 |
CN103729859A (zh) * | 2013-12-30 | 2014-04-16 | 西北工业大学 | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 |
KR20160144729A (ko) * | 2015-06-09 | 2016-12-19 | 주식회사 만도 | 레이더 신호처리 장치 및 그 신호처리방법 |
CN105116400A (zh) * | 2015-08-31 | 2015-12-02 | 西安电子科技大学 | 基于iMMFA模型的雷达高分辨距离像的目标识别方法 |
WO2017187407A1 (en) * | 2016-04-29 | 2017-11-02 | Blueburg Overseas S.A. | Method of verifying a potential detection of a man overboard event and alert verification processing apparatus |
WO2018115917A1 (en) * | 2016-12-20 | 2018-06-28 | Toyota Motor Europe | Electronic device, system and method for augmenting image data of a passive optical sensor |
CN108363065A (zh) * | 2017-01-17 | 2018-08-03 | 德尔福技术有限公司 | 物体检测系统 |
CN110431437A (zh) * | 2017-03-17 | 2019-11-08 | 罗伯特·博世有限公司 | 用于求取雷达目标的横向相对速度分量的方法和设备 |
CN109490874A (zh) * | 2017-09-12 | 2019-03-19 | 德尔福技术有限责任公司 | 确定雷达目标作为位置地标的适合性的方法 |
CN109993192A (zh) * | 2018-01-03 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 目标对象识别方法及装置、电子设备、存储介质 |
DE102018200754A1 (de) * | 2018-01-18 | 2019-07-18 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Auswerten von Sensordaten mittels Kameradaten und Fahrerassistenzsystem |
DE102018203591B3 (de) * | 2018-03-09 | 2019-07-04 | Conti Temic Microelectronic Gmbh | Verfahren und System zur Klassifikation von Verkehrsteilnehmern |
CN108717540A (zh) * | 2018-08-03 | 2018-10-30 | 浙江梧斯源通信科技股份有限公司 | 基于2d激光雷达区分行人和车辆的方法及装置 |
CN110208793A (zh) * | 2019-04-26 | 2019-09-06 | 纵目科技(上海)股份有限公司 | 基于毫米波雷达的辅助驾驶系统、方法、终端和介质 |
CN110210389A (zh) * | 2019-05-31 | 2019-09-06 | 东南大学 | 一种面向道路交通场景的多目标识别跟踪方法 |
CN110422173A (zh) * | 2019-07-11 | 2019-11-08 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种行车环境识别方法 |
CN110458055A (zh) * | 2019-07-29 | 2019-11-15 | 江苏必得科技股份有限公司 | 一种障碍物检测方法及系统 |
Non-Patent Citations (8)
Title |
---|
但瑞.基于SVDD的一维距离像未知目标判别研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2018,全文. * |
基于信息融合的智能车障碍物检测方法;陆峰;徐友春;李永乐;王德宇;谢德胜;;计算机应用(第S2期);全文 * |
基于激光雷达的无人驾驶汽车动态障碍物检测、跟踪与识别方法;黄如林;梁华为;陈佳佳;赵盼;杜明博;;机器人;20160715(第04期);全文 * |
改进最优聚类中心雷达目标识别法;董韵涵;杨万麟;;电子科技大学学报(第02期);全文 * |
董韵涵 ; 杨万麟 ; .改进最优聚类中心雷达目标识别法.电子科技大学学报.2006,(第02期),全文. * |
要地警戒雷达目标特征提取及分类研究;黎耿;黎向阳;张军;;雷达科学与技术(第02期);全文 * |
降低激光雷达行人识别错误率的多算法组合的研究;严薪;江铭鑫;孟凡喆; 章鹏; 王梓路;赵宁;;电子器件;20180820(第04期);全文 * |
黎耿 ; 黎向阳 ; 张军 ; .要地警戒雷达目标特征提取及分类研究.雷达科学与技术.2016,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113033586A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108226951B (zh) | 一种基于激光传感器的快速运动障碍物实时跟踪方法 | |
CN109581345A (zh) | 基于毫米波雷达的目标检测与跟踪方法及系统 | |
US8452103B2 (en) | Scene matching reference data generation system and position measurement system | |
US8428362B2 (en) | Scene matching reference data generation system and position measurement system | |
CN111045008B (zh) | 基于展宽计算的车载毫米波雷达目标识别方法 | |
CN109886308A (zh) | 一种基于目标级别的双传感器数据融合方法和装置 | |
CN1940591A (zh) | 使用传感器融合进行目标跟踪的系统和方法 | |
CN113532499B (zh) | 无人系统的传感器安全性检测方法、设备及存储介质 | |
CN111289969A (zh) | 一种车载雷达运动目标融合方法及装置 | |
CN108344997B (zh) | 一种基于点迹特征的道路护栏快速检测方法 | |
JP2020003463A (ja) | 自車位置推定装置 | |
CN113033586B (zh) | 目标识别方法及设备 | |
JP6263453B2 (ja) | 運動量推定装置及びプログラム | |
CN106605153A (zh) | 轴偏移诊断装置 | |
CN113313182B (zh) | 一种基于雷达和视频融合的目标识别方法及终端 | |
CN114609609A (zh) | Fmcw激光雷达随机采样提取静止点云的速度估计方法 | |
CN110411499B (zh) | 传感器检测识别能力的评估方法及评估系统 | |
CN111126363B (zh) | 自动驾驶车辆的物体识别方法及装置 | |
CN116977943A (zh) | 道路要素的识别方法、装置、电子设备和计算机存储介质 | |
JP2017122646A (ja) | 移動物体検出装置 | |
CN114895274A (zh) | 一种护栏识别方法 | |
CN111480165A (zh) | 在考虑对象的特征结构的情况下创建用于车辆的基于特征的定位地图的方法 | |
CN114577224A (zh) | 一种对象定位方法、装置、电子设备及存储介质 | |
CN208889032U (zh) | 一种车间距检测装置 | |
CN109389643B (zh) | 车位主方向判断方法、系统以及存储介质 |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: 233000 building 4, national financial incubation Industrial Park, 17 Yannan Road, high tech Zone, Bengbu City, Anhui Province Applicant after: Dafu Technology (Anhui) Co.,Ltd. Address before: 518104 First, Second and Third Floors of A1, A2, A3 101, A4 of Shajing Street, Shajing Street, Baoan District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN TATFOOK TECHNOLOGY Co.,Ltd. Country or region before: China |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |