CN113490949A - 一种目标的特征提取方法及装置 - Google Patents
一种目标的特征提取方法及装置 Download PDFInfo
- Publication number
- CN113490949A CN113490949A CN202180002248.XA CN202180002248A CN113490949A CN 113490949 A CN113490949 A CN 113490949A CN 202180002248 A CN202180002248 A CN 202180002248A CN 113490949 A CN113490949 A CN 113490949A
- Authority
- CN
- China
- Prior art keywords
- channel
- data
- target
- determining
- hrrp
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 85
- 238000005070 sampling Methods 0.000 claims abstract description 56
- 230000008030 elimination Effects 0.000 claims abstract description 22
- 238000003379 elimination reaction Methods 0.000 claims abstract description 22
- 230000003068 static effect Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 38
- 238000002592 echocardiography Methods 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 15
- 238000009825 accumulation Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 abstract 1
- 230000007774 longterm Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 18
- 238000013461 design Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 6
- 238000013139 quantization Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提出一种目标的特征提取方法及装置,属于雷达技术领域,应用于自动驾驶、辅助驾驶等。包括:确定第一雷达的至少一个通道的单比特采样数据;根据至少一个通道中的每一个通道的单比特采样数据进行静止目标消除,得到至少一个通道的HRRP数据;根据至少一个通道的HRRP数据确定第一对应关系集合,第一对应关系集合用于表征至少一个运动目标的速度以及与第一雷达的距离的对应关系;任一个运动目标包括至少一个子目标;根据第一对应关系集合确定至少一个目标的微多普勒特征。该方法可以准确地确定运动目标的微多普勒特征。该方法可以应用于车联网,如车辆外联V2X、车间通信长期演进技术LTE‑V、车辆‑车辆V2V等。
Description
技术领域
本申请涉及雷达技术领域,尤其涉及一种目标的特征提取方法及装置。
背景技术
随着技术的发展,各类雷达都在向着高宽带、高精度、大数据的方向发展。单比特量化采样架构在提高数据吞吐量,减少计算量上潜力巨大,近年来已成为雷达信号处理上的研究热点。
目前,如何在雷达的目标探测识别领域引入单比特量化采样架构,采取单比特雷达(即单比特量化采样架构的雷达)进行目标的分类识别,是一个很有应用前景的方向。而目标识别的先决条件是特征提取。然而,目前采用传统的方法进行目标的特征提取时,例如时频分析类算法等,处理过程比较复杂,且可能会导致目标的信息丢失,而导致目标的特征提取不准确。
发明内容
本申请提供一种目标的特征提取方法及装置,用以提出一种基于单比特雷达的微多普勒特征提取方法,实现方法比较简单,可以有效得到目标的微多普勒特征,使目标的特征提取比较准确。
第一方面,本申请提供了一种目标的特征提取方法,可应用于目标的特征提取装置,目标的特征提取装置的芯片或芯片系统或一个功能模块等。该方法具体可以包括:确定第一雷达的至少一个通道的单比特采样数据;根据所述至少一个通道中的每一个通道的单比特采样数据进行静止目标消除,得到所述至少一个通道的高分辨距离像(highresolution range profile,HRRP)数据;根据所述至少一个通道的HRRP数据确定第一对应关系集合,所述第一对应关系集合用于表征至少一个运动目标的速度以及与所述第一雷达的距离的对应关系;任一个运动目标包括至少一个子目标;根据所述第一对应关系集合确定至少一个运动目标的微多普勒特征;所述单比特采样数据为数字信号。
通过上述方法,结合雷达的单比特采样数据进行处理,可以实现基于单比特雷达的微多普勒特征提取,并且实现方法比较简单,既利用了单比特雷达精简的系统架构,又能有效得到分离的微多普勒特征,使目标的特征提取比较准确,为构建低成本、高感知的识别雷达系统提供一定的技术支撑。
在一个可能的设计中,根据所述至少一个通道中的每一个通道的单比特采样数据进行静止目标消除,得到所述至少一个通道的HRRP数据,具体方法可以为:对所述至少一个通道中的每一个通道的单比特采样数据进行快时间域上的快速傅里叶变换,得到所述每一个通道的第一HRRP数据;根据所述每一个通道的第一HRRP数据进行静止目标消除,得到所述每一个通道的第二HRRP数据;根据所述每一个通道的第二HRRP数据确定所述至少一个通道的HRRP数据。这样可以准确地得到至少一个通道的HRRP数据,以使后续准确地确定至少一个运动目标的微多普勒特征。
在一个可能的设计中,根据所述每一个通道的第一HRRP数据进行静止目标消除,得到所述每一个通道的第二HRRP数据,具体方法可以为:根据所述每一个通道的第一HRRP数据确定所述每一个通道对应的m个回波中连续每两个回波对应的HRRP数据差;根据所述每一个通道对应的m个回波中连续每两个回波对应的HRRP数据差中大于第一阈值的数据,确定所述第二HRRP数据;其中m为大于或者等于1的整数。这样可以通过静止目标消除来增强运动目标信息的信噪比,可以有效抑制单比特雷达多普勒特征的衰减问题。
在一个可能的设计中,根据所述至少一个通道的HRRP数据确定第一对应关系集合,具体方法可以为:将所述至少一个通道的HRRP数据融合,得到第二对应关系集合;对所述第二对应关系集合进行慢时间域上的快速傅里叶变换,得到所述第一对应关系集合。这样可以准确地得到表征运动目标的速度-距离的对应关系集合,以进一步确定至少一个运动目标的微多普勒特征。
在一个可能的设计中,将所述至少一个通道的HRRP数据融合,得到第二对应关系集合,具体方法可以为:将所述至少一个通道的HRRP数据进行累加,得到所述第二对应关系集合;或者,将所述至少一个通道的HRRP数据进行加权累加,得到所述第二对应关系集合。这样可以通过通道融合来增强运动目标信息的信噪比,可以有效抑制单比特雷达多普勒特征的衰减问题。
在一个可能的设计中,根据所述第一对应关系集合确定至少一个运动目标的微多普勒特征,具体方法可以为:在所述第一对应关系集合中确定所述至少一个运动目标的位置信息;根据所述至少一个运动目标的位置信息,在所述第二对应关系集合中确定所述至少一个运动目标中每一个运动目标包括的至少一个子目标的位置;对所述每一个运动目标包括的至少一个子目标在所述第二对应关系集合中的位置,进行慢时间上的位置累加,得到第一特征向量;根据所述第一特征向量确定所述至少一个运动目标的微多普勒特征。这样可以有效分离占据不同位置的不同运动目标的微多普勒特征,提高特征提取效率。
在一个可能的设计中,根据所述第一特征向量确定所述至少一个运动目标的微多普勒特征,具体方法可以为:对所述第一特征向量进行时频分析,得到所述至少一个运动目标的微多普勒特征。这样可以准确地得到至少一个运动目标的微多普勒特征。
在一个可能的设计中,确定所述第一雷达的所述至少一个通道的单比特采样数据,具体方法可以为:对所述至少一个通道中每一个通道接收的至少一个回波与所述第一雷达的发射信号进行混频处理,得到所述每一个通道的第一信号;对所述每一个通道的第一信号进行单比特采样,得到所述至少一个通道的单比特采样数据。这样可以准确地得到所述第一雷达的至少一个通道的单比特采样数据,实现比较简单。
在一个可能的设计中,所述每一个通道的第一信号可以符合以下公式:
其中,为所述第一信号;tx为慢时间,x=1,2,……;为快时间;A为回波幅值;fc为中心频率;Tp为脉宽;γ为线性调频LFM信号的调频率;c为光速;Ri为目标到第i个接收通道的距离,i大于或者等于1;Rt为目标到发射通道的距离;Rref为所述每一个通道到所述第一雷达的距离;RΔ=Rt-Rref。
在一个可能的设计中,对所述每一个通道的第一信号进行单比特采样,具体方法可以为:当所述每一个通道的第一信号大于0或者为第一值时,将回波存储为1;当所述每一个通道的第一信号小于或等于0或者为第二值时,将回波存储为0。这样可以提高采样率,并可以节省数据存储开销,且计算复杂度较低。
第二方面,本申请还提供了一种目标的特征提取装置,所述目标的特征提取装置具有实现上述第一方面或第一方面的各个可能的设计示例中的功能。所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中,所述目标的特征提取装置的结构中包括确定单元和处理单元,这些单元可以执行上述第一方面或第一方面的各个可能的设计示例中的相应功能,具体参见方法示例中的详细描述,此处不做赘述。
在一个可能的设计中,所述目标的特征提取装置的结构中包括存储器和处理器,所述处理器被配置为支持所述目标的特征提取装置执行上述第一方面或第一方面的各个可能的设计示例中的相应的功能。所述存储器与所述处理器耦合,其保存所述目标的特征提取装置必要的程序指令和数据。
第三方面,本申请实施例提供的一种雷达,所述雷达可以包括上述提及的目标的特征提取装置。
第四方面,本申请实施例提供的一种移动设备,所述移动设备可以包括上述提及的目标的特征提取装置。示例性地,所述移动设备可以为车辆等。
第五方面,本申请实施例提供的一种计算机可读存储介质,该计算机可读存储介质存储有程序指令,当程序指令在计算机上运行时,使得计算机执行本申请实施例第一方面及其任一可能的设计中所述的方法。示例性的,计算机可读存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于:计算机可读介质可以包括非瞬态计算机可读介质、随机存取存储器(random-access memory,RAM)、只读存储器(read-only memory,ROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
第六方面,本申请实施例提供一种包括计算机程序代码或指令的计算机程序产品,当其在计算机上运行时,使得计算机实现上述第一方面或第一方面任一种可能的设计中所述的方法。
第七方面,本申请还提供了一种芯片,包括处理器,所述处理器与存储器耦合,用于读取并执行所述存储器中存储的程序指令,以使所述芯片实现上述第一方面或第一方面任一种可能的设计中所述的方法。
上述第二方面至第七方面中的各个方面以及各个方面可能达到的技术效果请参照上述针对第一方面或第一方面中的各种可能方案可以达到的技术效果说明,这里不再重复赘述。
附图说明
图1为本申请提供的一种应用场景示意图;
图1a为本申请提供的一种雷达的示意图;
图2为本申请提供的一种目标的特征提取方法的流程图;
图3为本申请提供的一种第一雷达的通道示意图;
图4为本申请提供的一种得到第一对应关系集合的过程的示意图;
图5为本申请提供的一种至少一个运动目标的定位示意图;
图6为本申请提供的一种确定运动目标的微多普勒特征的示意图;
图7为本申请提供的一种目标的特征提取装置得到运动目标的微多普勒特征的整体过程的示意图;
图8为本申请提供的一种行人和自行车的R-V对应关系集合;
图9为本申请提供的一种一个通道情况下行人的微多普勒特征;
图10为本申请提供的一种一个通道情况下自行车的微多普勒特征;
图11为本申请提供的一种多个通道情况下行人的微多普勒特征;
图12为本申请提供的一种多个通道情况下自行车的微多普勒特征;
图13为本申请提供的一种目标的特征提取装置的结构示意图;
图14为本申请提供的一种目标的特征提取装置的结构图。
具体实施方式
下面将结合附图,对本申请实施例进行详细描述。
本申请实施例提供一种目标的特征提取方法及装置,用以提出一种基于单比特雷达的微多普勒特征提取方法,实现方法比较简单,既利用了单比特雷达精简的系统架构,又能有效得到分离的微多普勒特征,使目标的特征提取比较准确,为构建低成本、高感知的识别雷达系统提供一定的技术支撑。其中,本申请所述方法和装置基于同一技术构思,由于方法及装置解决问题的原理相似,因此装置与方法的实施可以相互参见,重复之处不再赘述。
本申请中所涉及的至少一个是指一个或多个;多个,是指两个或两个以上。
在本申请的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。
图1示出了本申请实施例提供的一种可能的应用场景示意图。该场景中,雷达传感器可以被安装在车辆上,例如,本申请中的传感器可应用于高级驾驶辅助系统(advanceddriving assistant system,ADAS)(例如自动驾驶)、机器人、无人机、网联车、安防监控等领域。该场景中,雷达传感器可被安装在移动设备上,例如,雷达传感器可以安装在机动车辆(例如无人车、智能车、电动车、数字汽车等)上,用作车载雷达;再比如雷达可以安装在无人机上,作为机载雷达,等等。图1以将雷达传感器部署于车辆前端为例示出,部署于车辆前端的雷达传感器可感知如实线框所示的扇形区域,该扇形区域可以为雷达感知区域,当雷达传感器感知到雷达感知区域中存在目标时,将雷达信号信息传输至处理模块,由处理模块进行进一步处理。处理模块在接收到雷达传感器的信息后,输出目标雷达的测量信息(例如,目标对象的相对距离、角度、相对速度)。需要说明的是,此处中的处理模块既可以是独立于雷达传感器的计算机或计算机中的软件模块,还可以是部署于雷达传感器中的计算机或计算机中的软件模块,此处不作限定。
可见,将上述传感器安装在车身上,可以实时或周期性地获取传感器感测到车辆的经纬度、速度、朝向、周围物体的距离等测量信息,再根据这些测量信息实现车辆的辅助驾驶或无人驾驶。例如,利用经纬度确定车辆的位置,或利用速度和朝向确定车辆在未来一段时间的行驶方向和目的,或利用周围物体的距离确定车辆周围的障碍物数量、密度等。
需要说明的是,图1仅仅是一种示例,并不作为对本申请实施例的应用场景作为限定。
在本申请以下的描述中,雷达传感器可以简称为雷达进行描述。
示例性的,图1a示出了一种雷达的结构示意图,所述雷达可以包括压控振荡器(voltage controlled oscillator,VCO)、功率分配单元、发射端和接收端;其中,发射端可以包括至少一个发射(transmit,TX)通路,如图1a中TX-1、Tx-2……TX-W。接收端可以包括至少一个接收(receive,RX)通路,如图1a中RX-1、Rx-2……RX-F。
扫频信号从VCO中产生,经过功率分配单元之后一部分输出到发射通路,一部分输出到接收端用作混频参考信号。输出到发射通路的信号经过放大器(amplifier,PA)从TX天线发射出去,到达目标。
从目标返回的回波信号经低噪声放大器(low noise amplifier,LNA)放大后,各自通过混频器(mixer)混频,经选择(switcher)通道、低通滤波器(low-pass filter,LPF)滤波后变成中频(Intermediate Frequency,IF)信号输出到采样器进行单比特采样。
其中,在发射端也可以每一发射通路都设置LPF、采样器。
需要说明的是,所述VOC和所述功率分配单元也可以理解为属于所述发射端,本申请对此不作限定。
随着技术的发展,各类雷达系统都在向着高宽带、高精度、大数据的方向发展。而1比特(1-bit)架构(也即单比特架构)在提高数据吞吐量,减少计算量上潜力巨大,近年来已成为雷达信号处理上的研究热点。制约单比特雷达发展的主要原因在于对雷达回波进行了一比特量化后,高次谐波的混叠特性会带来性能的衰减。
微多普勒特征指除目标主体运动外,其各部件微动均会对雷达回波产生差异性多普勒调制,雷达回波中蕴含微动特征将反应目标的几何结构和运动特征,这被认为是雷达目标所具有的独一无二的运动特征。分析目标的微多普勒效应并提取微多普勒信号中蕴含的特征信息,能够更好的分辨目标的属性类型和运动意图。有效的微多普勒特征提取和分析将为雷达目标分类识别提供新途径。
目前单比特雷达(即单比特量化采样架构的雷达)一般是应用于合成孔径雷达(synthetic aperture radar,SAR)成像,在阵列雷达、监控雷达等领域还有着很大发展空间。因此,如何在雷达目标探测识别领域引入单比特架构,采取单比特雷达进行目标的分类识别,是一个很有应用前景的方向。而目标识别的先决条件是特征提取,基于上述微多普勒特征的优异特性,研究一种基于单比特雷达的微多普勒特征提取方法,有着很大的现实意义。
基于此,本申请提出一种目标的特征提取方法及装置,以提供一种基于单比特雷达的微多普勒特征提取方法,既利用了单比特雷达精简的系统架构,又能有效得到分离的微多普勒特征,为构建低成本、高感知的识别雷达系统提供一定的技术支撑。
需要说明的是,在本申请实施例中可实现目标的特征提取操作的可以是目标的特征提取装置,或者是目标的特征提取装置中的处理器,或者是芯片或者芯片系统,或者是一个功能模块等。其中,目标的特征提取装置可以是雷达,也可以部署于雷达中的装置,或者是独立于雷达单独部署的装置等。在以下的实施例中,以目标的特征提取装置为例对本申请提供的目标的特征提取方法进行详细说明,但对本申请并不作为限定。
基于以上描述,本申请实施例提供的一种目标的特征提取方法,适用于图1所示的场景。参阅图2所示,该方法的具体流程可以包括:
步骤201:目标的特征提取装置确定第一雷达的至少一个通道的单比特采样数据,其中,单比特采样数据为数字信号。
其中,第一雷达为单比特量化采样架构的雷达,也即第一雷达为单比特雷达。
具体的,第一雷达的至少一个通道的个数与第一雷达的发射通道的个数T和接收通道的个数R相关,其中T为大于或者等于1的整数,R为大于或者等于1的整数。具体的,至少一个通道的个数为T*R个。
例如,图3示出了一种可能的第一雷达的通道示意图,其中图3中以一发四收均匀线性阵的雷达为例示出。图3所示的第一雷达包括一个发射(transmit,TX)通路(即T为1)和四个接收(receive,RX)通路(即R为4),因此,该第一雷达的通道个数为1*4=4个。
在一种可选的实施方式中,目标的特征提取装置确定第一雷达的至少一个通道的单比特采样数据,具体方法可以为:目标的特征提取装置对至少一个通道中每一个通道接收的至少一个回波与第一雷达的发射信号进行混频处理,得到每一个通道的第一信号;然后目标的特征提取装置对每一个通道的第一信号进行单比特采样,得到至少一个通道的单比特采样数据。
示例性的,目标的特征提取装置对至少一个通道中每一个通道接收的回波与第一雷达的发射信号进行混频处理得到每一个通道的第一信号时,可以先对每一个通道接收的回波进行低噪放大,然后将低噪放大后的回波与发射信号进行混频处理,再将混频处理后的信号进行中频放大得到对应的第一信号。
例如,第一雷达采用解线性调频体制(Dechirp),发射信号为线性调频信号,上述混频处理即进行解线性调频。例如,图3所示的第一雷达,TX发射线性调频信号,RX1~RX4同时接收回波,回波分别进行低噪放大后与发射信号(即线性调频信号)相混频,即进行解线性调频。后续4个通道经过适当中频放大得到对应的第一信号后即可分别进行一比特采样(也即单比特采样)。
在一种可选的实施方式中,每一个通道的第一信号可以符合以下公式一:
其中,为第一信号;tx为慢时间,tx=xT,x=0,1,2,……;为快时间;A为回波幅值;fc为中心频率;Tp为脉宽;γ为线性调频(linear frequencymodulation,LFM)信号的调频率;c为光速;Ri为目标到第i个接收通道的距离,i大于或者等于1;Rt为目标到发射通道的距离;Rref为所述每一个通道到所述第一雷达的距离;RΔ=Rt-Rref。
具体的,上述第一信号为时域信号。目标的特征提取装置对每一个通道的第一信号进行单比特采样,具体方法可以为:当每一个通道的第一信号大于0或者为第一值时,将回波存储为1;当每一个通道的第一信号小于或等于0或者为第二值时,将回波存储为0。
需要说明的是,由于第一信号是复信号,包括实部和虚部,在单比特采样时要对第一信号的实部和虚部分别量化。
上述单比特采样的方法,采样率可更高;在数据存储上,1位的回波存储节省了数据存储开销。当然,应理解,上述单比特采样的方法仅仅是一种示例,还可以通过其他单比特雷达回波量化方法实现,本申请对此不作限定。
步骤202:目标的特征提取装置根据至少一个通道中的每一个通道的单比特采样数据进行静止目标消除,得到至少一个通道的HRRP数据。
在一种可选的实施方式中,目标的特征提取装置根据至少一个通道中的每一个通道的单比特采样数据进行静止目标消除,得到至少一个通道的HRRP数据,具体方法可以为:目标的特征提取装置对至少一个通道中的每一个通道的单比特采样数据进行快时间域上的快速傅里叶变换(fast fourier transform,FFT),得到每一个通道的第一HRRP数据;然后目标的特征提取装置根据每一个通道的第一HRRP数据进行静止目标消除,得到每一个通道的第二HRRP数据;最后根据每一个通道的第二HRRP数据确定至少一个通道的HRRP数据。
例如,假设至少一个通道的单比特采样数据分别为:S1(m),S2(m),S3(m),……,Sk(m),其中,m=1,2,……,M+1,M+1为慢时间域上的回波总数;k为至少一个通道的个数,k为大于或者等于1的整数。
示例性的,目标的特征提取装置对至少一个通道中的每一个通道的单比特采样数据进行快时间域上的快速傅里叶变换得到每一个通道的第一HRRP数据,可以符合以下公式二:
HRRPk(m)=FFT(sk(m)) 公式二。
其中HRRPk(m)为第k个通道的第一HRRP数据。
第一HRRP数据包含的频点信息与目标距离相对应。因为静止目标距离不变,因此可以在第一HRRP数据中进行静止目标消除。具体的,目标的特征提取装置根据每一个通道的第一HRRP数据进行静止目标消除,得到每一个通道的第二HRRP数据,具体方法可以为:目标的特征提取装置根据每一个通道的第一HRRP数据确定每一个通道对应的m个回波中连续每两个回波对应的HRRP数据差;然后根据每一个通道对应的m个回波中连续每两个回波对应的HRRP数据差中大于第一阈值的数据,确定所述第二HRRP数据。
示例性的,目标的特征提取装置根据每一个通道的第一HRRP数据进行静止目标消除,得到每一个通道的第二HRRP数据,可以符合以下公式三:
HRRPik(m)=HRRPk(m+1)-HRRPk(m) 公式三。
其中,在上述公式三中,第k个通道的第二HRRP数据HRRPik(m),为前后两个回波之差得到的,第二HRRP数据中保留了运动目标信息,消除了静止杂波,即实现了静止目标消除。
具体的,由于m的最大值为M+1,也就是说每个通道的第二HRRP数据中包含M个静止杂波消除的HRRP数据。进一步地,目标特征的提取装置根据每一个通道的第二HRRP数据确定至少一个通道的HRRP数据,可以得到T*R*M个静止杂波消除的HRRP数据构成的数据矩阵:HRRPi1~HRRPik。
例如,若第一雷达为图3所示,有4个通道的情况下,可以得到4*M个静止杂波消除的HRRP数据构成的数据矩阵:HRRPi1~HRRPi4。
步骤203:目标的特征提取装置根据至少一个通道的HRRP数据确定第一对应关系集合,第一对应关系集合用于表征至少一个运动目标的速度以及与第一雷达的距离的对应关系;其中,任一个运动目标包括至少一个子目标。
在一种可选的实施方式中,目标的特征提取装置根据至少一个通道的HRRP数据确定第一对应关系集合,具体方法可以为:目标的特征提取装置将至少一个通道的HRRP数据融合,得到第二对应关系集合,并对第二对应关系集合进行慢时间域上的快速傅里叶变换得到第一对应关系集合。
示例性的,目标的特征提取装置将至少一个通道的HRRP数据融合,得到第二对应关系集合,具体可以包括以下两种方法:
方法a1:目标的特征提取装置将至少一个通道的HRRP数据进行累加,得到第二对应关系集合。在该方法a1中也即将数据矩阵HRRPi1~HRRPik进行累加融合得到第二对应关系集合。
方法a2:目标的特征提取装置将至少一个通道的HRRP数据进行加权累加,得到第二对应关系集合。在该方法a2中也即将数据矩阵HRRPi1~HRRPik进行分别加权累加融合得到第二对应关系集合。可选的,在方法a2中,加权累加的权值可以采用波束赋形(Beamforming)等权值系数。
通过上述方法a1和方法a2,通过对至少一个通道的HRRP数据融合,得到的第二对应关系集合可以是一帧通道增强的距离-慢时间域图像HRRPi。
第一对应关系集合可以为表征至少一个运动目标的速度以及与第一雷达的距离的对应关系的图像,进而第一对应关系集合可以称之为距离-多普勒图像(也即R-V图),在第一对应关系集合中,一个运动目标将被压缩在对应关系集合一个集中区域,该区域中心的位置对应该运动目标的距离和速度信息。
例如,上述得到第一对应关系集合的过程的示意图可以如图4所示。
由于单比特量化会导致回波幅值丢失和谐波干扰的问题,可能会导致目标的微多普勒特征出现不同程度的衰减,通过上述步骤202中涉及的静止目标消除和步骤203涉及的通道融合的方法来增强回波动目标信息的信噪比,可以有效抑制单比特雷达微多普勒特征的衰减问题。
步骤204:目标的特征提取装置根据第一对应关系集合确定至少一个运动目标的微多普勒特征。
在一种可选的实施方式中,目标的特征提取装置根据第一对应关系集合确定至少一个运动目标的微多普勒特征,具体方法可以为:目标的特征提取装置在第一对应关系集合中确定至少一个运动目标的位置信息;然后根据至少一个运动目标的位置信息,在第二对应关系集合中确定至少一个运动目标中每一个运动目标包括的至少一个子目标的位置;之后对每一个运动目标包括的至少一个子目标在第二对应关系集合中的位置,进行慢时间上的位置累加,得到第一特征向量;最后根据第一特征向量确定至少一个运动目标的微多普勒特征。
在步骤203中得到的第一对应关系集合(例如R-V图)可以得到至少一个运动目标的距离速度信息。通常情况下,可以先对第一对应关系集合进行恒虚警处理(constantfalse alarm rate,CFAR)或适当的图像形态学处理之后,再在第一对应关系集合中确定至少一个运动目标的位置信息。
具体的,目标的特征提取装置在第一对应关系集合中确定至少一个运动目标的位置信息,具体可以采用滑动窗口检测整个第一对应关系集合,可标定得到至少一个运动目标的区域位置(即位置信息)。
因为第一对应关系集合尺寸与第二对应关系集合(例如距离-慢时间域图像(HRRPi))的尺寸是一致的,因此可根据检测到的至少一个目标的位置信息在HRRPi(第二对应关系集合)中进行定位,也即目标的特征提取装置根据至少一个运动目标的位置信息,在第二对应关系集合中确定至少一个运动目标中每一个运动目标包括的至少一个子目标的位置。例如,上述过程可以如图5示出的至少一个运动目标的定位示意图所示。
示例性的,根据在第二对应关系集合中确定至少一个运动目标中每一个运动目标包括的至少一个子目标的位置,可以对原第二对应关系集合(即HRRPi)进行裁剪,可以得到不同运动目标(也即至少一个运动目标中不同子目标)的HRRPi片段,例如图6所示,以目标1和目标2的HRRPi片段为例示出。不同的HRRPi片段占据不同的距离单元,距离单元的范围也是随着目标特性的不同而不同。因此,目标的特征提取装置对每一个运动目标包括的至少一个子目标在第二对应关系集合中的位置,进行慢时间上的位置累加,即针对每一个运动目标,在每一个慢时间上的所有距离单元进行累加。得到的每一个运动目标的第一特征向量为1*M的特征向量,如图6所示。
在一种可选的实施方式中,目标的特征提取装置根据第一特征向量确定至少一个运动目标的微多普勒特征,具体方法可以为:目标的特征提取装置对每一个运动目标的第一特征向量进行时频分析,得到至少一个运动目标的微多普勒特征。例如图6得到目标1和目标2的微多普勒特征的示意图所示。
示例性的,微多普勒特征可以体现为微多普勒特征图像,微多普勒特征图像还可以称之为微动特征图像,本申请对此不作限定。
通过上述步骤即可以得到任一个运动目标的微多普勒特征。
示例性的,基于上述步骤,目标的特征提取装置得到运动目标的微多普勒特征的整体过程,可以如图7所示的流程示意图所示。
采用本申请实施例提供的目标特征的提取方法,可以实现基于单比特雷达的微多普勒特征提取,并且实现方法比较简单,既利用了单比特雷达精简的系统架构,又能有效得到分离的微多普勒特征,使目标的特征提取比较准确,为构建低成本、高感知的识别雷达系统提供一定的技术支撑。
基于上述实施例,在一种具体的场景中,例如雷达作为车载雷达安装在车辆上的场景中,采用上述图2所示的方法得到运动目标(例如行人和自行车)的微多普勒特征。
假设雷达的工作频段为77千兆赫(Ghz),共8路回波,有效带宽为960兆赫兹(Mhz),采样率为48Mhz,脉冲重复频率为6250赫兹(Hz)。例如,运动目标为一个远离雷达的行人和一辆驶向雷达的自行车。通过上述图2所述的实施例中的方法得到的行人和自行车的R-V对应关系集合(也即第一对应关系集合)可以如图8所示。
当雷达为一个通道时,通过上述图2所述的实施例中的方法得到行人和自行车的微多普勒特征可以分别如图9和图10所示。
当雷达为多个通道时,通过上述图2所述的实施例中的方法进行了多通道融合增强处理后,得到的行人和自行车的微多普勒特征可以分别如图11和图12所示。
通过分别对比行人、自行车的结果,可以看到经通道融合的数据中运动目标信号强度更好,容易被检测到,防止虚警、漏警的情况出现。
基于以上实施例,本申请实施例还提供了一种目标的特征提取装置。参阅图13所示,所述目标的特征提取装置1300可以包括确定单元1301和处理单元1302。具体的,所述目标的特征提取装置1300可以实现图2所示的目标的特征提取方法。具体的:
所述确定单元1301可以用于确定第一雷达的至少一个通道的单比特采样数据,所述单比特采样数据为数字信号;所述处理单元1302可以用于根据所述至少一个通道中的每一个通道的单比特采样数据进行静止目标消除,得到所述至少一个通道的高分辨距离像HRRP数据;以及根据所述至少一个通道的HRRP数据确定第一对应关系集合,所述第一对应关系集合用于表征至少一个运动目标的速度以及与所述第一雷达的距离的对应关系;任一个运动目标包括至少一个子目标;以及根据所述第一对应关系集合确定至少一个运动目标的微多普勒特征。
可选的,所述处理单元1302在根据所述至少一个通道中的每一个通道的单比特采样数据进行静止目标消除,得到所述至少一个通道的HRRP数据时,具体可以用于:对所述至少一个通道中的每一个通道的单比特采样数据进行快时间域上的快速傅里叶变换,得到所述每一个通道的第一HRRP数据;根据所述每一个通道的第一HRRP数据进行静止目标消除,得到所述每一个通道的第二HRRP数据;根据所述每一个通道的第二HRRP数据确定所述至少一个通道的HRRP数据。
在一种可选的实施方式中,所述处理单元1302在根据所述每一个通道的第一HRRP数据进行静止目标消除,得到所述每一个通道的第二HRRP数据时,具体可以用于:根据所述每一个通道的第一HRRP数据确定所述每一个通道对应的m个回波中连续每两个回波对应的HRRP数据差;根据所述每一个通道对应的m个回波中连续每两个回波对应的HRRP数据差中大于第一阈值的数据,确定所述第二HRRP数据;其中m为大于或者等于1的整数。
示例性地,所述处理单元1302在根据所述至少一个通道的HRRP数据确定第一对应关系集合时,具体可以用于:将所述至少一个通道的HRRP数据融合,得到第二对应关系集合;对所述第二对应关系集合进行慢时间域上的快速傅里叶变换,得到所述第一对应关系集合。
一种实施例中,所述处理单元1302在将所述至少一个通道的HRRP数据融合,得到第二对应关系集合时,具体可以用于:将所述至少一个通道的HRRP数据进行累加,得到所述第二对应关系集合;或者,将所述至少一个通道的HRRP数据进行加权累加,得到所述第二对应关系集合。
在一种可选的实施方式中,所述处理单元1302在根据所述第一对应关系集合确定至少一个运动目标的微多普勒特征时,具体可以用于:在所述第一对应关系集合上确定所述至少一个运动目标的位置信息;根据所述至少一个运动目标的位置信息,在所述第二对应关系集合中确定所述至少一个运动目标中每一个运动目标包括的至少一个子目标的位置;对所述每一个运动目标包括的至少一个子目标在所述第二对应关系集合中的位置,进行慢时间上的位置累加,得到第一特征向量;根据所述第一特征向量确定所述至少一个运动目标的微多普勒特征。
示例性地,所述处理单元1302在根据所述第一特征向量确定所述至少一个运动目标的微多普勒特征时,具体可以用于:对所述第一特征向量进行时频分析,得到所述至少一个运动目标的微多普勒特征。
在一种可选的实施方式中,所述确定单元1301在确定所述第一雷达的所述至少一个通道的单比特采样数据时,具体可以用于:对所述至少一个通道中每一个通道接收的至少一个回波与所述第一雷达的发射信号进行混频处理,得到所述每一个通道的第一信号;对所述每一个通道的第一信号进行单比特采样,得到所述至少一个通道的单比特采样数据。
示例性地,所述每一个通道的第一信号可以符合以下公式:
其中,为所述第一信号;tx为慢时间,x=1,2,……;为快时间;A为回波幅值;fc为中心频率;Tp为脉宽;γ为线性调频LFM信号的调频率;c为光速;Ri为目标到第i个接收通道的距离,i大于或者等于1;Rt为目标到发射通道的距离;Rref为所述每一个通道到所述第一雷达的距离;RΔ=Rt-Rref。
在一种具体的实施方式中,所述确定单元1301在对所述每一个通道的第一信号进行单比特采样时,具体可以用于:当所述每一个通道的第一信号大于0或者为第一值时,将回波存储为1;当所述每一个通道的第一信号小于或等于0或者为第二值时,将回波存储为0。
需要说明的是,本申请实施例中对单元的划分是示意性的,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。在本申请的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。
所述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例所述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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
基于以上实施例,本申请实施例还提供了一种目标的特征提取装置。参阅图14所示,目标的特征提取装置1400可以包括处理器1401和存储器1402。其中,处理器1401可以是中央处理器(central processing unit,CPU),网络处理器(network processor,NP)或者CPU和NP的组合。处理器1401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmablelogic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complexprogrammable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gatearray,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。处理器1401在实现上述功能时,可以通过硬件实现,当然也可以通过硬件执行相应的软件实现。
存储器1402可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DRRAM)。
可选的,目标的特征提取装置1400还可以包括总线1403。其中,处理器1401和存储器1402通过总线1403进行通信,也可以通过无线传输等其他手段实现通信。可选的,总线1403可以是外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图14中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
具体的,该存储器1402用于存储程序,该处理器1401用于执行该存储器1402存储的程序。该存储器1402存储程序,且处理器1401可以调用存储器1402中存储的程序实现目标的特征提取方法。
在一个实施例中,目标的特征提取装置1400在用于实现上述图2所述的实施例中目标的特征提取装置的功能时,处理器1401可以调用存储器1402中存储的程序执行图2所示的实施例中目标的特征提取装置执行的操作,具体的相关描述可以参见上述图2所示的实施例中的相关描述,此处不再详细介绍。
基于以上描述,本申请实施例还提供一种雷达,可以包括上述涉及的目标的特征提取装置,以实现上述方法实施例提供的目标的特征提取方法。
本申请实施例还提供一种移动设备,可以包括上述涉及的目标的特征提取装置,以实现上述方法实施例提供的目标的特征提取方法。所述移动设备可以为车辆、无人机等。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,该计算机程序被计算机执行时,所述计算机可以实现上述方法实施例提供的目标的特征提取方法。
本申请实施例还提供一种计算机程序产品,所述计算机程序产品用于存储计算机程序,该计算机程序被计算机执行时,所述计算机可以实现上述方法实施例提供的目标的特征提取方法。
本申请实施例还提供一种芯片,可以包括处理器,所述处理器与存储器耦合,用于调用所述存储器中的程序使得所述芯片实现上述方法实施例提供的目标的特征提取方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的保护范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (22)
1.一种目标的特征提取方法,其特征在于,包括:
确定第一雷达的至少一个通道的单比特采样数据,所述单比特采样数据为数字信号;
根据所述至少一个通道中的每一个通道的单比特采样数据进行静止目标消除,得到所述至少一个通道的高分辨距离像HRRP数据;
根据所述至少一个通道的HRRP数据确定第一对应关系集合,所述第一对应关系集合用于表征至少一个运动目标的速度以及与所述第一雷达的距离的对应关系;任一个运动目标包括至少一个子目标;
根据所述第一对应关系集合确定所述至少一个运动目标的微多普勒特征。
2.如权利要求1所述的方法,其特征在于,根据所述至少一个通道中的每一个通道的单比特采样数据进行静止目标消除,得到所述至少一个通道的HRRP数据,包括:
对所述至少一个通道中的每一个通道的单比特采样数据进行快时间域上的快速傅里叶变换,得到所述每一个通道的第一HRRP数据;
根据所述每一个通道的第一HRRP数据进行静止目标消除,得到所述每一个通道的第二HRRP数据;
根据所述每一个通道的第二HRRP数据确定所述至少一个通道的HRRP数据。
3.如权利要求2所述的方法,其特征在于,根据所述每一个通道的第一HRRP数据进行静止目标消除,得到所述每一个通道的第二HRRP数据,包括:
根据所述每一个通道的第一HRRP数据确定所述每一个通道对应的m个回波中连续每两个回波对应的HRRP数据差;
根据所述每一个通道对应的m个回波中连续每两个回波对应的HRRP数据差中大于第一阈值的数据,确定所述第二HRRP数据;
其中m为大于或者等于1的整数。
4.如权利要求1-3任一项所述的方法,其特征在于,根据所述至少一个通道的HRRP数据确定所述第一对应关系集合,包括:
将所述至少一个通道的HRRP数据融合,得到第二对应关系集合;
对所述第二对应关系集合进行慢时间域上的快速傅里叶变换,得到所述第一对应关系集合。
5.如权利要求4所述的方法,其特征在于,将所述至少一个通道的HRRP数据融合,得到所述第二对应关系集合,包括:
将所述至少一个通道的HRRP数据进行累加,得到所述第二对应关系集合;或者
将所述至少一个通道的HRRP数据进行加权累加,得到所述第二对应关系集合。
6.如权利要求4或5所述的方法,其特征在于,根据所述第一对应关系集合确定至少一个运动目标的微多普勒特征,包括:
在所述第一对应关系集合中确定所述至少一个运动目标的位置信息;
根据所述至少一个运动目标的位置信息,在所述第二对应关系集合中确定所述至少一个运动目标中每一个运动目标包括的至少一个子目标的位置;
对所述每一个运动目标包括的至少一个子目标在所述第二对应关系集合中的位置,进行慢时间上的位置累加,得到第一特征向量;
根据所述第一特征向量确定所述至少一个运动目标的微多普勒特征。
7.如权利要求6所述的方法,其特征在于,根据所述第一特征向量确定所述至少一个运动目标的微多普勒特征,包括:
对所述第一特征向量进行时频分析,得到所述至少一个运动目标的微多普勒特征。
8.如权利要求1-7任一项所述的方法,其特征在于,确定所述第一雷达的所述至少一个通道的单比特采样数据,包括:
对所述至少一个通道中每一个通道接收的至少一个回波与所述第一雷达的发射信号进行混频处理,得到所述每一个通道的第一信号;
对所述每一个通道的第一信号进行单比特采样,得到所述至少一个通道的单比特采样数据。
10.一种目标的特征提取装置,其特征在于,包括:
确定单元,用于确定第一雷达的至少一个通道的单比特采样数据,所述单比特采样数据为数字信号;
处理单元,用于根据所述至少一个通道中的每一个通道的单比特采样数据进行静止目标消除,得到所述至少一个通道的高分辨距离像HRRP数据;以及
根据所述至少一个通道的HRRP数据确定第一对应关系集合,所述第一对应关系集合用于表征运动目标的速度以及与所述第一雷达的距离的对应关系;任一个运动目标包括至少一个子目标;以及
根据所述第一对应关系集合确定至少一个运动目标的微多普勒特征。
11.如权利要求10所述的装置,其特征在于,所述处理单元在根据所述至少一个通道中的每一个通道的单比特采样数据进行静止目标消除,得到所述至少一个通道的HRRP数据时,具体用于:
对所述至少一个通道中的每一个通道的单比特采样数据进行快时间域上的快速傅里叶变换,得到所述每一个通道的第一HRRP数据;
根据所述每一个通道的第一HRRP数据进行静止目标消除,得到所述每一个通道的第二HRRP数据;
根据所述每一个通道的第二HRRP数据确定所述至少一个通道的HRRP数据。
12.如权利要求11所述的装置,其特征在于,所述处理单元在根据所述每一个通道的第一HRRP数据进行静止目标消除,得到所述每一个通道的第二HRRP数据时,具体用于:
根据所述每一个通道的第一HRRP数据确定所述每一个通道对应的m个回波中连续每两个回波对应的HRRP数据差;
根据所述每一个通道对应的m个回波中连续每两个回波对应的HRRP数据差中大于第一阈值的数据,确定所述第二HRRP数据;
其中m为大于或者等于1的整数。
13.如权利要求10-12任一项所述的装置,其特征在于,所述处理单元在根据所述至少一个通道的HRRP数据确定第一对应关系集合时,具体用于:
将所述至少一个通道的HRRP数据融合,得到第二对应关系集合;
对所述第二对应关系集合进行慢时间域上的快速傅里叶变换,得到所述第一对应关系集合。
14.如权利要求13所述的装置,其特征在于,所述处理单元在将所述至少一个通道的HRRP数据融合,得到第二对应关系集合时,具体用于:
将所述至少一个通道的HRRP数据进行累加,得到所述第二对应关系集合;或者
将所述至少一个通道的HRRP数据进行加权累加,得到所述第二对应关系集合。
15.如权利要求13或14所述的装置,其特征在于,所述处理单元在根据所述第一对应关系集合确定至少一个运动目标的微多普勒特征时,具体用于:
在所述第一对应关系集合中确定所述至少一个运动目标的位置信息;
根据所述至少一个运动目标的位置信息,在所述第二对应关系集合中确定所述至少一个运动目标中每一运动个目标包括的至少一个子目标的位置;
对所述每一个运动目标包括的至少一个子目标在所述第二对应关系集合中的位置,进行慢时间上的位置累加,得到第一特征向量;
根据所述第一特征向量确定所述至少一个运动目标的微多普勒特征。
16.如权利要求15所述的装置,其特征在于,所述处理单元在根据所述第一特征向量确定所述至少一个运动目标的微多普勒特征时,具体用于:
对所述第一特征向量进行时频分析,得到所述至少一个运动目标的微多普勒特征。
17.如权利要求10-16任一项所述的装置,其特征在于,所述确定单元,在确定所述第一雷达的所述至少一个通道的单比特采样数据时,具体用于:
对所述至少一个通道中每一个通道接收的至少一个回波与所述第一雷达的发射信号进行混频处理,得到所述每一个通道的第一信号;
对所述每一个通道的第一信号进行单比特采样,得到所述至少一个通道的单比特采样数据。
19.一种目标的特征提取装置,其特征在于,包括存储器和处理器,其中:
所述存储器用于存储计算机指令;
所述处理器与存储器耦合,用于调用所述存储器中的计算机指令使得所述目标的特征提取装置执行如权利要求1-9任一项所述的方法。
20.一种雷达,其特征在于,包括如权利要求10-18任一项所述的目标的特征提取装置,或包括如权利要求19所述的目标的特征提取装置。
21.一种移动设备,其特征在于,包括如权利要求10-18任一项所述的目标的特征提取装置,或包括如权利要求19所述的目标的特征提取装置。
22.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令在被所述计算机调用时用于使所述计算机执行上述权利要求1-9中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/091195 WO2022226948A1 (zh) | 2021-04-29 | 2021-04-29 | 一种目标的特征提取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113490949A true CN113490949A (zh) | 2021-10-08 |
Family
ID=77939951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180002248.XA Pending CN113490949A (zh) | 2021-04-29 | 2021-04-29 | 一种目标的特征提取方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113490949A (zh) |
WO (1) | WO2022226948A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116106857B (zh) * | 2023-04-13 | 2023-06-20 | 中国人民解放军国防科技大学 | 基于稀疏时间-频率-调频率表示的微动形式辨识方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104267394A (zh) * | 2014-10-07 | 2015-01-07 | 电子科技大学 | 高分辨率人体目标运动特征检测方法 |
EP2884299A1 (en) * | 2013-12-16 | 2015-06-17 | Autoliv Development AB | Speed determination of a target |
CN112673272A (zh) * | 2020-07-27 | 2021-04-16 | 华为技术有限公司 | 一种信号处理方法、装置以及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8138969B2 (en) * | 2008-10-22 | 2012-03-20 | Bae Systems Information And Electronic Systems Integration Inc. | Monobit based low cost high performance radar warning receiver |
US10627481B2 (en) * | 2017-08-28 | 2020-04-21 | Gm Global Technology Operation Llc | Multi-resolution doppler processing |
-
2021
- 2021-04-29 WO PCT/CN2021/091195 patent/WO2022226948A1/zh active Application Filing
- 2021-04-29 CN CN202180002248.XA patent/CN113490949A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2884299A1 (en) * | 2013-12-16 | 2015-06-17 | Autoliv Development AB | Speed determination of a target |
CN104267394A (zh) * | 2014-10-07 | 2015-01-07 | 电子科技大学 | 高分辨率人体目标运动特征检测方法 |
CN112673272A (zh) * | 2020-07-27 | 2021-04-16 | 华为技术有限公司 | 一种信号处理方法、装置以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022226948A1 (zh) | 2022-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gamba | Radar signal processing for autonomous driving | |
EP3721258B1 (en) | Radar processing chain for fmcw radar systems | |
Cerutti-Maori et al. | Optimum SAR/GMTI processing and its application to the radar satellite RADARSAT-2 for traffic monitoring | |
US11061127B2 (en) | Vehicle radar system | |
US11506776B2 (en) | Method and device with improved radar resolution | |
CN113015922B (zh) | 一种检测方法、检测装置以及存储介质 | |
US20180128916A1 (en) | Object detection in multiple radars | |
CN115575922B (zh) | 基于车载fmcw毫米波雷达的动目标检测方法和装置 | |
US10338216B2 (en) | Object detection in multiple radars | |
US10627481B2 (en) | Multi-resolution doppler processing | |
EP3953729A1 (en) | Radar detection of moving object with waveform separation residual | |
US11630196B2 (en) | Range dependent false alarm reduction in radar object detection | |
US11899132B2 (en) | Super-resolution enhancement techniques for radar | |
US20210208236A1 (en) | Techniques for radar data compression | |
JP7257348B2 (ja) | 電子機器、電子機器の制御方法、及び電子機器の制御プログラム | |
US20220299599A1 (en) | Electronic device, method for controlling electronic device, and program | |
US20210018609A1 (en) | Method and system for object detection | |
KR101163074B1 (ko) | 펄스 도플러 레이더를 이용하여 이동 물체의 거리 및 속도를 측정하기 위한 장치 및 방법 | |
CN113490949A (zh) | 一种目标的特征提取方法及装置 | |
US20220214440A1 (en) | Electronic device, method for controlling electronic device, and program | |
EP3961254A1 (en) | Height-estimation of objects using radar | |
US20220221567A1 (en) | Electronic device, method for controlling electronic device, and program | |
Fischer et al. | Adaptive super-resolution with a synthetic aperture antenna | |
Taylor et al. | Reducing false alarm rate by testing proportionality of covariance matrices | |
CN114859337A (zh) | 数据处理方法、装置、电子设备、计算机存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211008 |