CN114398921A - 一种毫米波雷达的目标分类方法 - Google Patents

一种毫米波雷达的目标分类方法 Download PDF

Info

Publication number
CN114398921A
CN114398921A CN202111082227.1A CN202111082227A CN114398921A CN 114398921 A CN114398921 A CN 114398921A CN 202111082227 A CN202111082227 A CN 202111082227A CN 114398921 A CN114398921 A CN 114398921A
Authority
CN
China
Prior art keywords
target
data
targets
millimeter wave
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.)
Pending
Application number
CN202111082227.1A
Other languages
English (en)
Inventor
罗畅安
杨路路
刘波
董萌
高天祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electronic Radar Wuhu Technology Corp ltd
Original Assignee
Electronic Radar Wuhu Technology Corp ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electronic Radar Wuhu Technology Corp ltd filed Critical Electronic Radar Wuhu Technology Corp ltd
Priority to CN202111082227.1A priority Critical patent/CN114398921A/zh
Publication of CN114398921A publication Critical patent/CN114398921A/zh
Pending legal-status Critical Current

Links

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
    • G06F2218/12—Classification; Matching
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及雷达技术领域，具体是一种毫米波雷达的目标分类方法，其具体步骤如下：步骤S1：获取毫米波雷达输出的多个特征参数；步骤S2：对所述的多个特征参数进行分析，得出多个候选目标，所述的多个候选目标包括行人、小车以及非机动车目标；步骤S3：基于所述的多个候选目标建立有效特征向量，提取出具有代表性的目标特征；步骤S4：构建基于多特征融合的分类器，依据KNN算法原理构建并设计了基于各类道路目标的分类识别模型，本发明所采用的KNN算法简单直观，易于实现；利用目标分类识别技术对目标进行有效分类，根据类别信息判别目标类型以及行为意图，再进行目标威胁度的描述与判定，从而及时将信息反馈给车主，减少事故发生几率。

Description

一种毫米波雷达的目标分类方法
技术领域
本发明涉及雷达技术领域，具体是一种毫米波雷达的目标分类方法。
背景技术
安全问题始终伴随着汽车产业的发展，全球每年发生的交通事故导致了人类生命和财产的巨大损失，据了解，道路交通死亡人数仍处于不断攀升阶段，因此，如何提高汽车驾驶的安全性成为了政府以及研究人员共同面对的问题。
近年来，基于主动安全控制的高级辅助驾驶系统ADAS成为了保障安全驾驶的主流发展趋势。ADAS利用车上传感器，随时感知周围环境的变化并进行数据收集，进而实现目标检测、跟踪、识别分类等功能，从而可以有效消除潜在风险。
早期的道路目标分类技术主要依托于光学传感器的图像处理技术，但是这种图像处理技术收到光照、距离、视角等因素影响较大，处理速度慢，整体适用性较差。
随着雷达技术的进一步发展，目标分类的主体由基于视觉传感器的图像处理逐渐向基于雷达的回波信号处理技术转换。然而要实现车载毫米波雷达的目标分类，仍存在这目标特征的选取、分类机制的建立、以及融合分类算法研究等问题。
发明内容
为了解决上述问题，本发明提出一种毫米波雷达的目标分类方法。
一种毫米波雷达的目标分类方法，其具体步骤如下：
步骤S1：获取毫米波雷达输出的多个特征参数；
步骤S2：对所述的多个特征参数进行分析，得出多个候选目标，所述的多个候选目标包括行人、小车以及非机动车目标；
步骤S3：基于所述的多个候选目标建立有效特征向量，提取出具有代表性的目标特征；
步骤S4：构建基于多特征融合的分类器，依据KNN算法原理构建并设计了基于各类道路目标的分类识别模型。
所述的步骤S1通过毫米波雷达通过射频前端发送调频连续波并接收反射回波，对反射回来的回波信号进行ADC转换、距离FFT、速度FFT、波束形成、恒虚警检测类一系列雷达信号处理过程，得到探测区域的运动点云数据，其中的多个特征参数包括每个运动点的径向距离、速度和信噪比。
所述的步骤S2中的对多个特征参数进行分析得到多个候选目标具体步骤包括：
a、根据所述每个运动点的径向距离、速度和信噪比，对数据进行分类处理，得到多个目标集群，具体地，采集已知类别的多个目标特征向量，标记每个目标特征向量的类别后，将多个目标特征向量随机分为测试集和训练集，其所述的目标分类的方法主要是KNN分类算法，其是通过测量不同特征值之间的距离进行分类；
b、得出的多个目标群集具体包括在训练集数据和标签已知的情况下，输入测试数据，将测试集中的数据特征和训练集中对应的特征相互比较，找到训练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类。
所述的KNN分类算法中，所选择的测试数据都是已经正确分类的对象，该方法在定类决策上依据最近邻的一个或者几个样本的类别来决定待分样本的类别，并且K为不大于20的整数，最优K值通过交叉验证法确定。
所述的KNN分类算法中，通过计算对象间距离来作为各个对象之间的非相似性指标，避免了对象之间的匹配问题，在这里距离使用欧氏距离或曼哈顿距离。
所述的步骤S3的a中的当测试集的属性和训练集的属性完全匹配时，能够进行分类，算法具体包括：
1)计算测试数据与各个训练数据之间的距离；
2)按照距离的递增关系进行排序；
3)选取距离最小的K个点；
4)确定前K个点所在类别出现频次；
5)返回前K个点中出现频率最高的类别作为预测分类。
所述的步骤S3的a中对多个目标集群进行连续稳定判断，该判断主要是根据KNN算法进行判断的，即可在Classification Learner分类器中得出所述多个候选目标，具体包括：
所述目标集群中距离公式为：
Figure BDA0003264389500000031
所述的步骤S3中，从各类目标的速度分布上来看，每个候选目标都有自己的特征，小车目标的速度分布广，且总体速度均值比其余道路目标高，而非机动车和行人速度分布范围较小，总体速度相对低，将速度特征提取出来通过计算各自方差可以发现行人的方差较大，其次是非机动车，最平稳的是小车；构建特征向量即是将特征数据放到特征向量中，如将上述候选目标的速度x、距离y和信噪比z这3个特征数据放到一起组成特征向量就能够得到有效特征向量。
所述的步骤S4中，通过如下方法得到分类器：
a、采用MATLAB里面Classification Leaner的KNN分类器对输入的样本特征进行训练并获得三种不同类别，给训练目标分别贴上标签；
b、将训练数据分为训练集、验证集和测试集三部分，随机排列训练数据，选择80％的数据作为训练集，20％作为验证集；
c、对KNN模型进行训练并参数优化，以自变量和因变量作为输入，响应作为输出，训练KNN回归模型。
本发明的有益效果是：本发明所采用的KNN算法简单直观，易于实现，可以快速分出目标类别；利用目标分类识别技术对目标进行有效分类，根据类别信息判别目标类型以及行为意图，再进行目标威胁度的描述与判定，从而及时将信息反馈给车主，减少事故发生几率。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明基于毫米波雷达目标分类的流程示意图；
图2为本发明提供的生成分类器的流程示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面对本发明进一步阐述。
如图1和图2所示，一种毫米波雷达的目标分类方法，其具体步骤如下：
步骤S1：获取毫米波雷达输出的多个特征参数；
步骤S2：对所述的多个特征参数进行分析，得出多个候选目标，所述的多个候选目标包括行人、小车以及非机动车目标；
步骤S3：基于所述的多个候选目标建立有效特征向量，提取出具有代表性的目标特征；
步骤S4：构建基于多特征融合的分类器，依据KNN算法原理构建并设计了基于各类道路目标的分类识别模型。
本发明所采用的KNN算法简单直观，易于实现，可以快速分出目标类别；利用目标分类识别技术对目标进行有效分类，根据类别信息判别目标类型以及行为意图，再进行目标威胁度的描述与判定，从而及时将信息反馈给车主，减少事故发生几率。
所述的步骤S1通过毫米波雷达通过射频前端发送调频连续波并接收反射回波，对反射回来的回波信号进行ADC转换、距离FFT、速度FFT、波束形成、恒虚警检测类一系列雷达信号处理过程，得到探测区域的运动点云数据，其中的多个特征参数包括每个运动点的径向距离、速度和信噪比。
具体的，在对目标进行速度特征提取，在做距离维和速度维FFT时，当采集时间恰好是整数个周期时，FFT的处理就是合理的，此时，对处理后的数据重构就能恢复到原始信号波形，但是当无法采集到整数个周期时，测量信号从周期中截断，连接处的幅值显示出不连续性，因此会造成频谱泄露现象，影响了频谱分析的精度，为解决这一问题，可采用加窗的方法来抑制其带来的影响。
所述的步骤S2中的对多个特征参数进行分析得到多个候选目标具体步骤包括：
a、根据所述每个运动点的径向距离、速度和信噪比，对数据进行分类处理，得到多个目标集群，具体地，采集已知类别的多个目标特征向量，标记每个目标特征向量的类别后，将多个目标特征向量随机分为测试集和训练集，其所述的目标分类的方法主要是KNN分类算法，其是通过测量不同特征值之间的距离进行分类；
b、得出的多个目标群集具体包括在训练集数据和标签已知的情况下，输入测试数据，将测试集中的数据特征和训练集中对应的特征相互比较，找到训练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类。
所述的KNN分类算法中，所选择的测试数据都是已经正确分类的对象，该方法在定类决策上依据最近邻的一个或者几个样本的类别来决定待分样本的类别，并且K为不大于20的整数，最优K值通过交叉验证法确定。
所述的KNN分类算法中，通过计算对象间距离来作为各个对象之间的非相似性指标，避免了对象之间的匹配问题，在这里距离使用欧氏距离或曼哈顿距离。
所述的步骤S3的a中的当测试集的属性和训练集的属性完全匹配时，能够进行分类，算法具体包括：
1)计算测试数据与各个训练数据之间的距离；
2)按照距离的递增关系进行排序；
3)选取距离最小的K个点；
4)确定前K个点所在类别出现频次；
5)返回前K个点中出现频率最高的类别作为预测分类。
所述的步骤S3的a中对多个目标集群进行连续稳定判断，该判断主要是根据KNN算法进行判断的，即可在Classification Learner分类器中得出所述多个候选目标，具体包括：
所述目标集群中距离公式为：
Figure BDA0003264389500000051
所述的步骤S3中，从各类目标的速度分布上来看，每个候选目标都有自己的特征，小车目标的速度分布广，且总体速度均值比其余道路目标高，而非机动车和行人速度分布范围较小，总体速度相对低，将速度特征提取出来通过计算各自方差可以发现行人的方差较大，其次是非机动车，最平稳的是小车；构建特征向量即是将特征数据放到特征向量中，如将上述候选目标的速度x、距离y和信噪比z这3个特征数据放到一起组成特征向量就能够得到有效特征向量。
所述的步骤S4中，通过如下方法得到分类器：
a、采用MATLAB里面Classification Leaner的KNN分类器对输入的样本特征进行训练并获得三种不同类别，给训练目标分别贴上标签；
b、将训练数据分为训练集、验证集和测试集三部分，随机排列训练数据，选择80％的数据作为训练集，20％作为验证集；
c、对KNN模型进行训练并参数优化，以自变量和因变量作为输入，响应作为输出，训练KNN回归模型。
所述步骤S4中，采用MATLAB里面Classification Leaner的KNN分类器对输入的样本特征进行训练并获得三种不同类别，为方便后续测试，给训练目标分别贴上标签，其中1表示小车，2表示行人，3表示非机动车。
采用KNN算法对训练集进行训练。
进一步的，具体算法体包括：假设数据集由m个特征属性A＝{a1，a2，…，am},有n个类别，C＝{c1，c2，…，cn},其训练样本可表示为Tr＝{(xi，ci)|i＝1，2，…，N}，N为训练集中的样本总数，每个样本表示为
Figure BDA0003264389500000061
待分类的样本为X＝{x1，x2，…，xm}，X的K个近邻集合表示为NK(X)＝{y1，y2，…，yk}。本实施例m＝3,n＝3。
进一步的，KNN中两个样本点之间的距离有曼哈顿距离和欧氏距离两种算法，假设两个样本为
Figure BDA0003264389500000062
和
Figure BDA0003264389500000063
其距离定义为：
Figure BDA0003264389500000064
当P＝1时，表示为曼哈顿距离；
当p＝2时，表示为欧氏距离。
作为改进，训练集后续结合验证集作用时，对同一参数的不同取值最终可以拟合出多个分类器；验证集，作用是当通过训练集训练出多个模型后，为了能找出效果最佳的模型，使用各个模型对验证集模型进行预测，记录模型准确率；测试集，通过训练集和验证集之后，会得出最优模型，用此模型对测试集进行预测分类。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。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 (9)

1.一种毫米波雷达的目标分类方法，其特征在于：其具体步骤如下：
步骤S1：获取毫米波雷达输出的多个特征参数；
步骤S2：对所述的多个特征参数进行分析，得出多个候选目标，所述的多个候选目标包括行人、小车以及非机动车目标；
步骤S3：基于所述的多个候选目标建立有效特征向量，提取出具有代表性的目标特征；
步骤S4：构建基于多特征融合的分类器，依据KNN算法原理构建并设计了基于各类道路目标的分类识别模型。
2.根据权利要求1所述的一种毫米波雷达的目标分类方法，其特征在于：所述的步骤S1通过毫米波雷达通过射频前端发送调频连续波并接收反射回波，对反射回来的回波信号进行ADC转换、距离FFT、速度FFT、波束形成、恒虚警检测类一系列雷达信号处理过程，得到探测区域的运动点云数据，其中的多个特征参数包括每个运动点的径向距离、速度和信噪比。
3.根据权利要求1所述的一种毫米波雷达的目标分类方法，其特征在于：所述的步骤S2中的对多个特征参数进行分析得到多个候选目标具体步骤包括：
a、根据每个运动点的径向距离、速度和信噪比，对数据进行分类处理，得到多个目标集群，具体地，采集已知类别的多个目标特征向量，标记每个目标特征向量的类别后，将所述多个目标特征向量随机分为测试集和训练集，其所述的目标分类的方法主要是KNN分类算法，其是通过测量不同特征值之间的距离进行分类；
b、得出的多个目标群集具体包括在训练集数据和标签已知的情况下，输入测试数据，将测试集中的数据特征和训练集中对应的特征相互比较，找到训练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类。
4.根据权利要求3所述的一种毫米波雷达的目标分类方法，其特征在于：所述的KNN分类算法中，所选择的测试数据都是已经正确分类的对象，该方法在定类决策上依据最近邻的一个或者几个样本的类别来决定待分样本的类别，并且K为不大于20的整数，最优K值通过交叉验证法确定。
5.根据权利要求4所述的一种毫米波雷达的目标分类方法，其特征在于：所述的KNN分类算法中，通过计算对象间距离来作为各个对象之间的非相似性指标，避免了对象之间的匹配问题，在这里距离使用欧氏距离或曼哈顿距离。
6.根据权利要求3所述的一种毫米波雷达的目标分类方法，其特征在于：所述的步骤S3的a中的当测试集的属性和训练集的属性完全匹配时，能够进行分类，算法具体包括：
1)计算测试数据与各个训练数据之间的距离；
2)按照距离的递增关系进行排序；
3)选取距离最小的K个点；
4)确定前K个点所在类别出现频次；
5)返回前K个点中出现频率最高的类别作为预测分类。
7.根据权利要求3所述的一种毫米波雷达的目标分类方法，其特征在于：所述的步骤S3的a中对多个目标集群进行连续稳定判断，该判断主要是根据KNN算法进行判断的，即可在Classification Learner分类器中得出所述多个候选目标，具体包括：
所述目标集群中距离公式为：
Figure FDA0003264389490000021
8.根据权利要求1所述的一种毫米波雷达的目标分类方法，其特征在于：所述的步骤S3中，从各类目标的速度分布上来看，每个候选目标都有自己的特征，小车目标的速度分布广，且总体速度均值比其余道路目标高，而非机动车和行人速度分布范围较小，总体速度相对低，将速度特征提取出来通过计算各自方差可以发现行人的方差较大，其次是非机动车，最平稳的是小车；构建特征向量即是将特征数据放到特征向量中，如将上述候选目标的速度x、距离y和信噪比z这3个特征数据放到一起组成特征向量就能够得到有效特征向量。
9.根据权利要求1所述的一种毫米波雷达的目标分类方法，其特征在于：所述的步骤S4中，通过如下方法得到分类器：
a、采用MATLAB里面Classification Leaner的KNN分类器对输入的样本特征进行训练并获得三种不同类别，给训练目标分别贴上标签；
b、将训练数据分为训练集、验证集和测试集三部分，随机排列训练数据，选择80％的数据作为训练集，20％作为验证集；
c、对KNN模型进行训练并参数优化，以自变量和因变量作为输入，响应作为输出，训练KNN回归模型。
CN202111082227.1A 2021-09-15 2021-09-15 一种毫米波雷达的目标分类方法 Pending CN114398921A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111082227.1A CN114398921A (zh) 2021-09-15 2021-09-15 一种毫米波雷达的目标分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111082227.1A CN114398921A (zh) 2021-09-15 2021-09-15 一种毫米波雷达的目标分类方法

Publications (1)

Publication Number Publication Date
CN114398921A true CN114398921A (zh) 2022-04-26

Family

ID=81225541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111082227.1A Pending CN114398921A (zh) 2021-09-15 2021-09-15 一种毫米波雷达的目标分类方法

Country Status (1)

Country Link
CN (1) CN114398921A (zh)

Similar Documents

Publication Publication Date Title
CN111507233B (zh) 一种多模态信息融合的智能车路面类型识别方法
US11313950B2 (en) Machine learning based highway radar vehicle classification across multiple lanes and speeds
JP7090105B2 (ja) 珍しい事例の分類
CN111045008B (zh) 基于展宽计算的车载毫米波雷达目标识别方法
Scheiner et al. Radar-based feature design and multiclass classification for road user recognition
Pérez et al. Deep learning radar object detection and classification for urban automotive scenarios
CN113516052B (zh) 一种基于机器学习的成像毫米波雷达点云目标分类方法
Cho et al. A support vector machine approach to CMOS-based radar signal processing for vehicle classification and speed estimation
CN102360528A (zh) 基于多普勒交通雷达进行车型识别的方法
CN113232669B (zh) 一种基于机器学习的驾驶风格辨识方法
CN109886304A (zh) 一种基于hmm-svm双层改进模型的复杂路况下周边车辆行为识别方法
Li et al. Pedestrian liveness detection based on mmwave radar and camera fusion
Gao et al. Hybrid SVM-CNN classification technique for moving targets in automotive FMCW radar system
CN113591938A (zh) 多特征融合交通目标识别方法、系统、计算机设备及应用
KR101234192B1 (ko) 바이스태틱 레이더의 송수신 각도 추출 장치
CN114611569B (zh) 一种基于知识辅助的雷达目标深度学习分类方法、系统
CN116486128A (zh) 基于optics算法的车载激光雷达点云不均匀密度聚类方法
CN110758244A (zh) 一种电动汽车自动防被追尾的方法及其系统
CN114398921A (zh) 一种毫米波雷达的目标分类方法
CN117475142A (zh) 面向自动驾驶基于ViT的毫米波雷达点云分割方法
CN111832463A (zh) 一种基于深度学习的交通标志检测方法
CN112014822B (zh) 车载雷达测量数据识别方法、装置、介质和电子装置
Bai et al. Multi-objective classification of three-dimensional imaging radar point clouds: support vector machine and PointNet
Ślesicki et al. A New Method for Traffic Participant Recognition Using Doppler Radar Signature and Convolutional Neural Networks
CN113065428A (zh) 基于特征选择的自动驾驶目标识别方法

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