CN114879192A - 基于路侧毫米波雷达的决策树车型分类方法、电子设备 - Google Patents

基于路侧毫米波雷达的决策树车型分类方法、电子设备 Download PDF

Info

Publication number
CN114879192A
CN114879192A CN202210538961.2A CN202210538961A CN114879192A CN 114879192 A CN114879192 A CN 114879192A CN 202210538961 A CN202210538961 A CN 202210538961A CN 114879192 A CN114879192 A CN 114879192A
Authority
CN
China
Prior art keywords
vehicle
node
splitting
gini
value
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
CN202210538961.2A
Other languages
English (en)
Inventor
胡宗品
程小军
路同亚
秦胜贤
任刚
程腾
夏傲青
李开文
李昂
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.)
Anhui Falcon Wave Technology Co ltd
Original Assignee
Anhui Falcon Wave Technology Co 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 Anhui Falcon Wave Technology Co ltd filed Critical Anhui Falcon Wave Technology Co ltd
Priority to CN202210538961.2A priority Critical patent/CN114879192A/zh
Publication of CN114879192A publication Critical patent/CN114879192A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种基于路侧毫米波雷达的决策树车型分类方法，先利用路侧雷达获取一定数量已知车辆类型的车辆数据作为样本数据；按照车辆相对雷达的距离，将样本数据划分至若干个距离段内；根据各个距离段中的样本数据分别进行学习训练，生成各个距离段的决策树模型。本发明在对道路上车辆进行实时车型分类时，利用路侧雷达实时接收车辆回波信号并提取车辆数据；根据车辆相对雷达的距离值，选择对应距离段的决策树模型进行车型分类。本发明具有实时性强、分类精度高、数据计算量小的优势。

Description

基于路侧毫米波雷达的决策树车型分类方法、电子设备
技术领域
本发明涉及车型分类技术领域，尤其是基于路侧毫米波雷达的决策树车型分类方法、电子设备。
背景技术
作为智能交通系统的重要组成部分，路侧感知设备在车联网、车路协同过程中起着重要作用。作为路面信息精细化获取和交通管理智能化的核心，车型分类识别技术是实现交通状态智能感知与管理的基础。
基于光学的车型识别技术主要依托图像采集及处理技术，对于静止的目标能够获取到信息细节，但对于运动目标存在检测困难的问题，而路侧设备多用于捕捉运动车辆的信息。此为，基于光学的车型分类识别技术受路面状况、能见度等环境因素影响较大，在车辆图像捕捉不全、多目标车辆重叠或雨、雪、烟、雾等能见度不佳情况下，会遗漏部分车辆，且将车辆类型判断错误的概率较大。因此，利用光学技术很难准确、稳定地进行路面的车型识别。
基于雷达的车型分类识别是通过雷达发射电磁波，在雷达散射回波中获取不同类型车辆的目标特征信息，其中目标特征包括目标车辆的长度、宽度、速度、信号强度、距离等信息，并依据分类模型对车辆类型进行分类识别。
基于雷达的车型分类识别技术大致可分为超声波雷达、激光雷达和毫米波雷达三种。超声波雷达探测的有效距离仅为5至10米，探测距离有限，不适用于作为路侧感知设备使用。激光雷达的探测距离虽然可达300米，然而与光学类似，在大雨、烟雾天气状况下，激光衰减增大会导致传播距离受到很大影响；此外，激光雷达高达数万的成本也阻碍了激光雷达作为路侧设备的推广应用。相较于超声波和激光雷达，毫米波雷达的探测距离可达500米以上，不受光线等能见度因素的影响，具有全天时、全天候工作的能力。
同一车辆，相距雷达不同距离时，基于雷达探测的车辆宽度、长度、信号强度具有显著差异。车辆位于近处时，车辆的雷达信号反射强烈，信号强度值较大。受限于雷达的角度分辨率，以及同一车辆不同距离的反射角度，基于雷达测量的车辆长度存在远处短近处长、车辆宽度近处宽远处窄的特点，为车型分类带来了一定的难度。
发明内容
为了克服上述现有技术中的缺陷，本发明提供一种基于路侧毫米波雷达的决策树车型分类方法，利用雷达回波信号提取车辆数据，对车辆类型进行分类识别，分类精度高。
为实现上述目的，本发明采用以下技术方案，包括：
一种基于路侧毫米波雷达的决策树车型分类方法，包括以下步骤：
S11，利用路侧雷达接收车辆回波信号进行车辆检测，并提取车辆数据，所述车辆数据包括：车辆的速度、长度、宽度、信号强度，以及车辆相对雷达的距离；
S12，根据车辆相对雷达的距离值，选择对应距离段的决策树模型进行车型分类，将车辆的速度、长度、宽度、信号强度作为输入变量，输入至对应距离段的决策树模型中，预测车辆类型；
其中，车辆类型划分为大型车辆和小型车辆，将车长大于h的车辆作为大型车辆，将车辆小于等于h的车辆作为小型车辆。
优选的，决策树模型的生成方式如下所示：
S1，利用路侧雷达获取一定数量的已知车辆类型的车辆数据作为样本数据，构建样本集；样本数据包括：车辆的速度、长度、宽度、信号强度，车辆相对雷达的距离，已知车辆类型；
S2，按照车辆相对雷达距离从小到大的顺序对样本集中的样本数据进行排序，并对此排序的样本数据进行划分，划分为样本数量相等的N等份，此N等份对应N个距离段；
其中，第n等份的样本数据中，若车辆相对雷达距离的最大值为
Figure BDA0003647527170000021
车辆相对雷达距离的最小值为
Figure BDA0003647527170000022
则第n等份对应的距离段即为
Figure BDA0003647527170000023
n＝1,2,3…N；
S3，从各个距离段中的样本数据中提取部分样本数据作为对应距离段的训练集，利用各个距离段的训练集进行学习训练，生成各个距离段的决策树模型。
优选的，决策树模型的学习训练方式，具体如下所示：
S31，定义决策树模型的输入变量包括车辆的长度x1、宽度x2、速度x3、信号强度x4，构成输入变量集{x1,x2,x3,x4}；输出变量即预测结果为车辆类型y，分为大型车辆y1和小型车辆y2两类；
S32，以训练集作为决策树的第一个节点，对第一个节点寻找当前节点的最优分裂点进行分裂，分裂得到两个节点；
对分裂得到的各个节点分别继续寻找当前节点的最优分裂点进行分裂，继续分裂得到两个节点；若某个节点已达到停止建树条件，则不对当前节点进行分裂；当所有节点均达到停止建树条件，则停止分裂，得到最终的决策树模型。
优选的，步骤S32中，当前节点的分裂方式如下所示：
S321，判断当前节点S是否满足继续分裂条件，若节点S的决策树深度小于预先设定的最大数深度maxDepth，且节点S的样本数大于节点要求的最小样本数minSamples时，则满足继续分裂条件，计算节点S的Gini系数值，由下式(1)计算得出：
Figure BDA0003647527170000031
式(1)中，pj表示节点S中第j类车辆类型的分布概率，其中，j＝1表示大型车辆y1，j＝2表示小型车辆y2；Gini(S)表示节点S的Gini系数值；
初始化i＝1；初始化节点S的最优分裂点为空，最优分裂点的系数差值GiniDifference为0；
S322，从输入变量集{x1,x2,x3,x4}中选择第i个变量xi作为当前节点S的潜在分裂变量；
S323，选择分裂变量xi中的某个值作为分裂值[xi]，并以分裂值[xi]为界将节点S中的数据集分裂成S1、S2两个节点中的数据集，其中，节点S1对应为小于分裂值变量[xi]的数据集，节点S2对应为不小于分裂值[xi]的数据集；计算节点S分裂为节点S、S1后的Gini系数值，由下式(2)计算得出：
Figure BDA0003647527170000041
式(2)中，[xi]表示分裂变量xi的分裂值；|S|、|S1|、|S2|分别表示节点S、S1、S2中包含的样本数量；Gini(S1)、Gini(S2)分别为节点S1、S2的Gini系数值，Gini(S1)、Gini(S2)由式(1)的方式计算得出；Gini(S1,S2)表示将节点S分裂为S1、S2两个节点后，节点S1和S2的Gini系数值；
计算以分裂值[xi]分裂节点S的带来的Gini系数差值，由下式(3)计算得出：
Gini(S,[xi])＝Gini(S)-Gini(S1,S2) (3)
式(3)中，Gini(S,[xi])表 示以分裂变量xi的分裂值[xi]为边界，将节点S分裂为S、S1两个节点所带来的Gini系数差值；
S324，按照S323的方式，遍历寻找分裂变量xi的各分裂值[xi]，即将分裂变量xi中的各个值分别作为分裂值[xi]，分别计算各个分裂值[xi]所带来节点S的Gini系数差值Gini(S,[xi])，选择使Gini系数差值Gini(S,[xi])最大的分裂值[xi]作为分裂变量xi的最终分裂值；
S325，判断分裂变量xi的最终分裂值[xi]的Gini系数差值Gini(S,[xi])是否大于最优分裂点的系数差值GiniDifference，
若Gini(S,[xi])大于GiniDifference，则表示分裂变量xi的该最终分裂值[xi]为节点S的潜在最优分裂点，且更新节点S的最优分裂点为该分裂变量xi的该最终分裂值[xi]，以及更新最优分裂点的系数差值GiniDifference为Gini(S,[xi])；
否则，不对节点S的最优分裂点和最优分裂点的系数差值GiniDifference进行更新；
S326，采用逐变量迭代的方式，令i＝i+1，选择下一个变量即xi+1作为分裂变量，按照步骤S323～S324的方式，选择分裂变量xi+1的最终分裂值[xi+1]，并执行步骤S325，判断是否对最优分裂点和最优分裂点的GiniDifference系数差值进行更新；
在遍历完输入变量集{x1,x2,x3,x4}后，输出节点S的最优分裂点；
S327，判断利用该最优分裂点对节点S分裂后得到的节点S1、S2中包含的样本数量，即判断|S1|、|S2|，
若|S1|或|S2|小于设定数量的阈值T，则放弃对节点S的分裂，
若|S1|和|S2|均大于等于设定的数量阈值T，则利用该最优分裂点对节点S进行分裂，分裂得到节点S1、S2，并将节点S1、S2作为节点S的最终分裂结果。
优选的，步骤S32中，所述停止建树条件为：节点的决策树深度大于等于预先设定的最大数深度maxDepth，或节点的样本数小于等于节点要求的最小样本数minSamples。
优选的，步骤S327中，设定数量的阈值T为节点要求的最小样本数minSamples的二分之一。
优选的，基于路侧雷达所接收的车辆回波信号，对车辆回波信号进行点迹凝聚以进行车辆检测，凝聚后得到车辆的长度和宽度信息。
优选的，基于车辆航迹多帧的车型分类结果，动态对车型分类结果进行修正；
对车辆的每帧航迹数据进行车辆类型判断，并将车型分类结果输入至车辆航迹链表中，根据航迹链表中相邻近的M帧的车型分类结果，对当前的车型分类结果进行修正；
若此M帧的车型分类结果中，与当前的车型分类结果相一致的帧数大于等于L，则表示当前的车型分类结果准确，不对当前的车型分类结果进行修正；
若此M帧的车型分类结果中，与当前的车型分类结果相一致的帧数小于L，则表示当前的车型分类结果不准确，对当前的车型分类结果进行修正，修正为此M帧的车型预测结果的众数。
优选的，路侧雷达选用24GHz毫米波雷达。
本发明还提供了一种电子设备，包括处理器和存储器，所述处理器和存储器相连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述方法。
本发明的优点在于：
(1)本发明利用决策树进行车型分类，且根据车辆相对雷达的距离不同，选用不同距离段的决策树模型进行车型分类，提高了分类精度。
(2)本发明的车型分类方法，仅基于雷达的实时数据，无需添加其他硬件设备，具有实时性强、分类精度高、数据计算量小的优势。
(3)本发明基于车辆相距雷达不同距离时，车辆宽度、长度、信号强度具有显著差异的特性，利用不同距离段的车辆数据分别构造各个距离段的决策树模型，提高了模型精度。
(4)本发明还基于相邻近的若干帧车辆航迹数据，实时修正车型预测结果，进一步提高了车型分类精度。
(5)本发明采用毫米波雷达作为路侧感知设备，不受能见度等环境因素的影响，具有探测距离远、全天时、全天候工作的能力。
(6)本发明方法在路侧雷达能够提供目标距离、速度信息的基础上，增加了车型分类，丰富了路侧感知设备的功能。
附图说明
图1为本发明的一种基于路侧毫米波雷达的决策树车型分类的示意图。
图2为本发明的决策树训练方法的流程图。
图3为第一距离段的决策树训练模型。
图4为第二距离段的决策树训练模型。
图5为第三距离段的决策树训练模型。
图6为第一距离段的决策树测试模型。
图7为第二距离段的决策树测试模型。
图8为第三距离段的决策树测试模型。
图9为不分距离段的全样本数据的通用决策树训练模型。
图10为不分距离段的全样本数据的通用决策树测试模型。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
实施例一(示例性方法)
由图1所示，一种基于路侧毫米波雷达的决策树车型分类方法，包括以下步骤：
S11，利用路侧毫米波雷达接收车辆回波信号进行车辆检测，提取车辆数据，所述车辆数据包括：车辆的速度、长度、宽度、信号强度，以及车辆相对雷达的距离。
由于在2021年12月6日工信部印发的《汽车雷达无线电管理规定》中，将76-79GHz频段规划用于汽车毫米波雷达专用频段。为避免频率共用产生的同频干扰现象，76-79GHz频段的77GHz毫米波雷达将不再作为路侧端毫米波雷达适用于高速公路和城市道路。因此，本实施例选用24GHz毫米波雷达作为路侧感知设备，本发明的车型分类方法为该款雷达在目标距离、速度、航迹、车流量信息统计基础上，增加车型识别的功能，完善了雷达的功能，有利于实现路面信息的全方位统计和监测。
本实施例中，将毫米波雷达架设于高速公路龙门架上，基于毫米波雷达所接收的回波信号，得到目标即车辆相对雷达的距离、速度以及车辆的信号强度信息，本实施例中所采用的24GHz毫米波雷达的距离分辨率为1.34m，速度分辨率为0.0678m/s；因该24GHz毫米波雷达的分辨率较高，同一车辆可能有多个雷达反射点，所以采用DBSCAN算法进行点迹凝聚，得到凝聚后的车辆目标包含车辆的长度、宽度信息。
S12，根据车辆相对雷达的距离值，选择对应距离段的决策树模型进行车型分类，将车辆的速度、长度、宽度、信号强度作为输入变量，输入至对应距离段的决策树模型中，预测车辆类型。
其中，依据高速公路和车辆的实际情况，车辆类型划分为大型车辆和小型车辆，将车长大于6m的车辆作为大型车辆，将车辆小于等于6m的车辆作为小型车辆；此处车辆长度为毫米波雷达点迹凝聚推算的车辆长度。
本发明中，还基于车辆的连续多帧航迹数据，对所预测的车辆类型分类结果进行修正，如下所示：
对车辆的每帧航迹数据进行车辆类型判断，并将车型分类结果输入至车辆航迹链表中；
基于车辆航迹连续多帧的车型分类结果，采用L/M动态滑窗法对车型分类结果进行修正。本实施例中，将L设置为3，M设置为5。根据车辆航迹链表，在当前航迹的前5帧航迹数据中，有3及3帧以上的车型分类结果与当前航迹的车型分类结果一致时，则维持当前航迹的车型分类结果；前5帧航迹数据中与当前车型分类结果一致的航迹数量低于3帧时，则从前5帧航迹数据中筛选出车型分类结果的众数，将该车型分类结果的众数作为当前航迹的车型分类结果，从而对当前航迹的车型分类结果进行修正。
由图2所示，各个距离段的决策树模型的建树方式，如下所示：
S1，利用路侧毫米波雷达获取一定数量的已知车辆类型的车辆数据作为样本数据，构建样本集；样本数据包括：车辆的速度、长度、宽度、信号强度，车辆相对雷达的距离，已知车辆类型；
本实施例中统计样本数据如下：采集得到4246个样本数据，其中，小型车辆2593辆，大型车辆1653辆，样本数据的统计信息如下表1所示：
表1
车辆类型 大型车辆 小型车辆 单位
车辆数 1653 2593 辆
速度平均值 20.94 28.97 m/s
车辆长度平均值 10.15 3.04 m
车辆宽度平均值 2.45 0.77 m
信号强度平均值 117.78 109.61 dB
S2，按照车辆相对雷达距离从小到大顺序对样本集中的样本数据进行排序，并对此排序的样本数据进行划分，划分为样本数量相等的N等份，此N等份对应N个距离段；
其中，第n等份的样本数据中，若车辆相对雷达距离的最大值为
Figure BDA0003647527170000081
车辆相对雷达距离的最小值为
Figure BDA0003647527170000082
则第n等份对应的距离段即为
Figure BDA0003647527170000083
n＝1,2,3…N；
本实施例采集得到了4246个样本数据，其中车辆相对雷达的距离最小值为25.64m，距离最大值为598.50m，距离平均值为285.02m；对样本数据进行离散化，即按照距离的从小到大顺序对此4246个样本数据进行排序，并将此排序的4246个样本数据划分为样本数量相等的三等份，从而对于得到三个距离段的样本数据，其中，
第一等份的样本数量为1415，且第一等份车辆相对雷达的距离最小值为25.64m、距离最大值为198.00m，即第一等份为行驶在相对雷达距离为25.64m至198.00m距离段中的1415个样本数据；
第二等份的样本数量为1415，且第二等份车辆相对雷达的距离最小值为198.00m、距离最大值为379.50m，即第二等份为行驶在相对雷达距离为198.00m至379.50m距离段中的1415个样本数据；
第三等份的样本数量为1416，且第三等份车辆相对雷达的距离最小值为379.50、距离最大值为598.50m，即第三等份为行驶在相对雷达距离为379.50至598.50m距离段中的1416个样本数据；
本实施例中各距离段样本数据的统计信息如下表2所示：
表2
等份 第一等份 第二等份 第三等份 单位
距离段 25.65m-198.00m 198.00m-379.50m 379.50m-598.50m m
大型车辆 551 549 553 辆
小型车辆 864 866 863 辆
速度平均值 25.35 25.83 26.32 m/s
车辆长度平均值 7.36 5.33 4.73 m
车辆宽度平均值 1.04 1.31 1.93 m
信号强度平均值 123.11 112.28 103.99 dB
S3，按随机抽取的方式，将各个距离段中的样本数据分别划分为训练集与测试集。本实施例中，各距离段的训练集和测试集的分配比例均为8:2。
分别利用各距离的训练集进行决策树模型的训练，得到各个距离段的决策树模型，具体如下所示：
S31，定义决策树模型的输入变量包括车辆的长度x1、宽度x2、速度x3、信号强度x4，构成输入变量集{x1,x2,x3,x4}；输出变量即预测结果为车辆类型y，分为大型车辆y1和小型车辆y2两类；
毫米波雷达所采集的可能影响车辆类型的4个因素即输入变量，即车辆的长度、宽度、速度、信号强度均为连续变量；
决策树采用递归的方式，自顶向下逐层分裂，常用的决策树算法包括ID3、C4.5和CART(ClassificationAnd Regression Tree)，因CART的分类效果通常优于其他算法，因此本实施例，采用CART进行决策树的分裂。
S32，以训练集作为决策树的第一个节点，对第一个节点寻找当前节点的最优分裂点进行分裂，分裂得到两个节点；
对分裂得到的各个节点分别继续寻找当前节点的最优分裂点进行分裂，继续分裂得到两个节点；其中，若某个节点已达到停止建树条件，则不对当前节点进行分裂；当所有节点均达到停止建树条件，则停止分裂，得到最终的决策树模型。
步骤S32中，当前节点的分裂方式如下所示：
S321，判断当前节点S是否满足继续分裂条件，若当前节点S的决策树深度小于预先设定的最大数深度maxDepth，且节点S的样本数大于节点要求的最小样本数minSamples时，满足继续分裂条件，计算节点S的Gini系数值，由下式(1)计算得出：
Figure BDA0003647527170000101
式(1)中，pj表示节点S中第j类车辆类型的分布概率，其中，j＝1表示大型车辆y1，j＝2表示小型车辆y2；Gini(S)表示节点S的Gini系数值；Gini系数值是一种反应样本纯净度的值，Gini系数值越小，表示样本越纯净有序；
本实施例中，节点要求的最小样本数minSamples取值为100；
初始化i＝1；初始化节点S的最优分裂点optimalSplittingPoint为空，最优分裂点的系数差值GiniDifference为0；
S322，从输入变量集{x1,x2,x3,x4}中选择第i个变量xi作为当前节点S的潜在分裂变量；
S323，选择分裂变量xi中的某个值作为分裂值[xi]，并以分裂值[xi]为界将节点S中的数据集分裂成S1、S2两个节点中的数据集，其中，节点S1对应为小于分裂值[xi]的数据集，节点S2对应为不小于分裂值[xi]的数据集；计算节点S分裂为节点S、S1后的Gini系数值，由下式(2)计算得出：
Figure BDA0003647527170000111
式(2)中，[xi]表示分裂变量xi的分裂值；|S|、|S1|、|S2|分别表示节点S、S1、S2中包含的样本数量；Gini(S1)、Gini(S2)分别为节点S1、S2的Gini系数值，Gini(S1)、Gini(S2)由式(1)的方式计算得出；Gini(S1,S2)表示将节点S分裂为S1、S2两节点后，节点S1和S2在一起的Gini系数值；
计算以分裂值[xi]分裂节点S的带来的Gini系数差值，由下式(3)计算得出：
Gini(S,[xi])＝Gini(S)-Gini(S1,S2) (3)
式(3)中，Gini(S,[xi])表示以分裂变量xi的分裂值[xi]，将节点S分裂为节点S、S1两节点所带来的Gini系数差值；
S324，按照S323的方式，遍历寻找分裂变量xi的各分裂值[xi]，即将分裂变量xi中的各个值分别作为分裂值[xi]，分别计算各个分裂值[xi]所带来节点S的Gini系数差值Gini(S,[xi])，选择使Gini系数差值Gini(S,[xi])最大的分裂值[xi]作为分裂变量xi的最终分裂值；
S325，判断分裂变量xi的最终分裂值[xi]的Gini系数差值Gini(S,[xi])是否大于最优分裂点的系数差值GiniDifference，
若Gini(S,[xi])大于GiniDifference，则表示分裂变量xi的该最终分裂值[xi]为节点S的潜在最优分裂点，更新节点S的最优分裂点为该分裂变量xi的该最终分裂值[xi]，以及更新最优分裂点的系数差值GiniDifference为Gini(S,[xi])；
否则，不对节点S的最优分裂点和最优分裂点的系数差值GiniDifference进行更新；
S326，采用逐变量迭代的方式，令i＝i+1，选择下一个变量即xi+1作为分裂变量，按照步骤S323～S324的方式，选择分裂变量xi+1的最终分裂值[xi+1]，并执行步骤S325，判断是否对最优分裂点和最优分裂点的GiniDifference系数差值进行更新；
在遍历完输入变量集{x1,x2,x3,x4}后，输出节点S的最优分裂点；
S327，判断利用该最优分裂点对节点S分裂后得到的节点S1、S2中包含的样本数量，即判断|S1|、|S2|，
若|S1|或|S2|小于设定数量的阈值T，则放弃对节点S的分裂；
若|S1|和|S2|均大于等于设定的数量阈值T，则利用该最优分裂点对节点S进行分裂，分裂得到节点S1、S2，并将节点S1、S2作为节点S的最终分裂结果。
按照步骤S321～S327的方式，继续对节点S1、S2进行分裂处理，寻找节点S1、S2的最优分裂点，直至所有节点均达到停止建树条件，则停止分裂。
步骤S32中，所述停止建树条件为：节点的决策树深度大于等于预先设定的最大数深度maxDepth，或节点的样本数小于等于节点要求的最小样本数minSamples。本实施例中，设定的最大数深度maxDepth为5，节点要求的最小样本数minSample为100。
步骤S37中，因最小样本数minSamples为节点阈值T的二分之一，本实施例中，阈值T的设定数量为50。
本实施例中，分别利用三个距离段的训练集进行学习训练，生成三个距离段的决策树模型，如图3、4、5所示。
S4，分别将各个距离段测试集中样本数据输入对应距离段的决策树模型进行测试，各个距离段的测试集的预测结果如图6、7、8所示。
分别统计步骤S3的训练过程中和S4的测试过程中，各个距离段样本数据的预测准确率，如下表3所示：
表3
Figure BDA0003647527170000121
Figure BDA0003647527170000131
由上表3可知，本实施例对各个距离段的车辆类型进行预测，且各距离段的预测准确率总体百分比均能达到90％以上。
本实施例中，按照车辆距离雷达的距离进行划分，划分为若干距离段后，分别针对各个距离段生成决策树模型，以提高车辆类型的预测准确率。
为验证分距离段建模是否有利于提高决策树车辆类型分类模型的预测准确率，因此，本实施例还利用同一样本数据和相同的训练及测试方法，但不分距离段进行训练和测试，得到一个不分距离段的通用决策树模型，训练集和测试集的预测结果分别如图9、10所示，该通用决策树模型在训练过程和测试过程中的预测准确率，如下表4所示：
表4
Figure BDA0003647527170000132
对比表3和表4可知，本发明划分距离段后，对各个距离段的车辆类型进行预测，各个距离段的决策树模型的预测准确率总体百分比均能达到90％以上。若不划分距离段，则通用决策树模型的预测准确率和训练准确率的总体百分比未能达到90％以上。由此说明，根据车辆距离雷达的距离进行距离段划分，利用不同距离段的决策树模型进行预测，有利于提高车辆类型的预测准确率。
图1至图10中，分裂点处的改进表示分裂后Gini系数的下降率，改进值越大，表明Gini系数下降越迅速，分裂效果越好。
实施例二(示例性电子设备)
该电子设备可以是可移动设备本身，或与其独立的单机设备，该单机设备可以与可移动设备以及路侧感知设备即路侧雷达进行通信，以从它们接收所采集到的输入信号，并向其发送所选择的目标决策行为。
电子设备包括一个或多个处理器和存储器。
处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现上文所述的本申请的各个实施例的决策行为决策方法以及/或者其他期望的功能。
另外，电子设备还可以包括：输入装置和输出装置，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。例如，该输入装置可以包括例如雷达或雷达处理器等各种设备，该输入装置还可以包括例如键盘、鼠标等等；该输出装置可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。

Claims (10)

1.一种基于路侧毫米波雷达的决策树车型分类方法，其特征在于，包括以下步骤：
S11，利用路侧雷达接收车辆回波信号进行车辆检测，并提取车辆数据，所述车辆数据包括：车辆的速度、长度、宽度、信号强度，以及车辆相对雷达的距离；
S12，根据车辆相对雷达的距离值，选择对应距离段的决策树模型进行车型分类，将车辆的速度、长度、宽度、信号强度作为输入变量，输入至对应距离段的决策树模型中，预测车辆类型；
其中，车辆类型划分为大型车辆和小型车辆，将车长大于h的车辆作为大型车辆，将车辆小于等于h的车辆作为小型车辆。
2.根据权利要求1所述的一种基于路侧毫米波雷达的决策树车型分类方法，其特征在于，决策树模型的生成方式如下所示：
S1，利用路侧雷达获取一定数量的已知车辆类型的车辆数据作为样本数据，构建样本集；样本数据包括：车辆的速度、长度、宽度、信号强度，车辆相对雷达的距离，已知车辆类型；
S2，按照车辆相对雷达距离从小到大的顺序对样本集中的样本数据进行排序，并对此排序的样本数据进行划分，划分为样本数量相等的N等份，此N等份对应N个距离段；
其中，第n等份的样本数据中，若车辆相对雷达距离的最大值为
Figure FDA0003647527160000011
车辆相对雷达距离的最小值为
Figure FDA0003647527160000012
则第n等份对应的距离段即为
Figure FDA0003647527160000013
Figure FDA0003647527160000014
S3，从各个距离段中的样本数据中提取部分样本数据作为对应距离段的训练集，利用各个距离段的训练集进行学习训练，生成各个距离段的决策树模型。
3.根据权利要求2所述的一种基于路侧毫米波雷达的决策树车型分类方法，其特征在于，决策树模型的学习训练方式，具体如下所示：
S31，定义决策树模型的输入变量包括车辆的长度x1、宽度x2、速度x3、信号强度x4，构成输入变量集{x1,x2,x3,x4}；输出变量即预测结果为车辆类型y，分为大型车辆y1和小型车辆y2两类；
S32，以训练集作为决策树的第一个节点，对第一个节点寻找当前节点的最优分裂点进行分裂，分裂得到两个节点；
对分裂得到的各个节点分别继续寻找当前节点的最优分裂点进行分裂，继续分裂得到两个节点；若某个节点已达到停止建树条件，则不对当前节点进行分裂；当所有节点均达到停止建树条件，则停止分裂，得到最终的决策树模型。
4.根据权利要求3所述的一种基于路侧毫米波雷达的决策树车型分类方法，其特征在于，步骤S32中，当前节点的分裂方式如下所示：
S321，判断当前节点S是否满足继续分裂条件，若节点S的决策树深度小于预先设定的最大数深度maxDepth，且节点S的样本数大于节点要求的最小样本数minSamples时，则满足继续分裂条件，计算节点S的Gini系数值，由下式(1)计算得出：
Figure FDA0003647527160000021
式(1)中，pj表示节点S中第j类车辆类型的分布概率，其中，j＝1表示大型车辆y1，j＝2表示小型车辆y2；Gini(S)表示节点S的Gini系数值；
初始化i＝1；初始化节点S的最优分裂点为空，最优分裂点的系数差值GiniDifference为0；
S322，从输入变量集{x1,x2,x3,x4}中选择第i个变量xi作为当前节点S的潜在分裂变量；
S323，选择分裂变量xi中的某个值作为分裂值[xi]，并以分裂值[xi]为界将节点S中的数据集分裂成S1、S2两个节点中的数据集，其中，节点S1对应为小于分裂值变量[xi]的数据集，节点S2对应为不小于分裂值[xi]的数据集；计算节点S分裂为节点S、S1后的Gini系数值，由下式(2)计算得出：
Figure FDA0003647527160000022
式(2)中，[xi]表示分裂变量xi的分裂值；|S|、|S1|、|S2|分别表示节点S、S1、S2中包含的样本数量；Gini(S1)、Gini(S2)分别为节点S1、S2的Gini系数值，Gini(S1)、Gini(S2)由式(1)的方式计算得出；Gini(S1,S2)表示将节点S分裂为S1、S2两个节点后，节点S1和S2的Gini系数值；
计算以分裂值[xi]分裂节点S的带来的Gini系数差值，由下式(3)计算得出：
Gini(S,[xi])＝Gini(S)-Gini(S1,S2) (3)
式(3)中，Gini(S,[xi])表示以分裂变量xi的分裂值[xi]为边界，将节点S分裂为S、S1两个节点所带来的Gini系数差值；
S324，按照S323的方式，遍历寻找分裂变量xi的各分裂值[xi]，即将分裂变量xi中的各个值分别作为分裂值[xi]，分别计算各个分裂值[xi]所带来节点S的Gini系数差值Gini(S,[xi])，选择使Gini系数差值Gini(S,[xi])最大的分裂值[xi]作为分裂变量xi的最终分裂值；
S325，判断分裂变量xi的最终分裂值[xi]的Gini系数差值Gini(S,[xi])是否大于最优分裂点的系数差值GiniDifference，
若Gini(S,[xi])大于GiniDifference，则表示分裂变量xi的该最终分裂值[xi]为节点S的潜在最优分裂点，且更新节点S的最优分裂点为该分裂变量xi的该最终分裂值[xi]，以及更新最优分裂点的系数差值GiniDifference为Gini(S,[xi])；
否则，不对节点S的最优分裂点和最优分裂点的系数差值GiniDifference进行更新；
S326，采用逐变量迭代的方式，令i＝i+1，选择下一个变量即xi+1作为分裂变量，按照步骤S323～S324的方式，选择分裂变量xi+1的最终分裂值[xi+1]，并执行步骤S325，判断是否对最优分裂点和最优分裂点的GiniDifference系数差值进行更新；
在遍历完输入变量集{x1,x2,x3,x4}后，输出节点S的最优分裂点；
S327，判断利用该最优分裂点对节点S分裂后得到的节点S1、S2中包含的样本数量，即判断|S1|、|S2|，
若|S1|或|S2|小于设定数量的阈值T，则放弃对节点S的分裂，
若|S1|和|S2|均大于等于设定的数量阈值T，则利用该最优分裂点对节点S进行分裂，分裂得到节点S1、S2，并将节点S1、S2作为节点S的最终分裂结果。
5.根据权利要求3所述的一种基于路侧毫米波雷达的决策树车型分类方法，其特征在于，步骤S32中，所述停止建树条件为：节点的决策树深度大于等于预先设定的最大数深度maxDepth，或节点的样本数小于等于节点要求的最小样本数minSamples。
6.根据权利要求4所述的一种基于路侧毫米波雷达的决策树车型分类方法，其特征在于，步骤S327中，设定数量的阈值T为节点要求的最小样本数minSamples的二分之一。
7.根据权利要求1所述的一种基于路侧毫米波雷达的决策树车型分类方法，其特征在于，基于路侧雷达所接收的车辆回波信号，对车辆回波信号进行点迹凝聚以进行车辆检测，凝聚后得到车辆的长度和宽度信息。
8.根据权利要求1所述的一种基于路侧毫米波雷达的决策树车型分类方法，其特征在于，基于车辆航迹多帧的车型分类结果，动态对车型分类结果进行修正；
对车辆的每帧航迹数据进行车辆类型判断，并将车型分类结果输入至车辆航迹链表中，根据航迹链表中相邻近的M帧的车型分类结果，对当前的车型分类结果进行修正；
若此M帧的车型分类结果中，与当前的车型分类结果相一致的帧数大于等于L，则表示当前的车型分类结果准确，不对当前的车型分类结果进行修正；
若此M帧的车型分类结果中，与当前的车型分类结果相一致的帧数小于L，则表示当前的车型分类结果不准确，对当前的车型分类结果进行修正，修正为此M帧的车型预测结果的众数。
9.根据权利要求1所述的一种基于路侧毫米波雷达的决策树车型分类方法，其特征在于，路侧雷达选用24GHz毫米波雷达。
10.一种电子设备，其特征在于，包括处理器和存储器，所述处理器和存储器相连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1或2或3或4或5或6或7所述的方法。
CN202210538961.2A 2022-05-17 2022-05-17 基于路侧毫米波雷达的决策树车型分类方法、电子设备 Pending CN114879192A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210538961.2A CN114879192A (zh) 2022-05-17 2022-05-17 基于路侧毫米波雷达的决策树车型分类方法、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210538961.2A CN114879192A (zh) 2022-05-17 2022-05-17 基于路侧毫米波雷达的决策树车型分类方法、电子设备

Publications (1)

Publication Number Publication Date
CN114879192A true CN114879192A (zh) 2022-08-09

Family

ID=82675591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210538961.2A Pending CN114879192A (zh) 2022-05-17 2022-05-17 基于路侧毫米波雷达的决策树车型分类方法、电子设备

Country Status (1)

Country Link
CN (1) CN114879192A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393659A (zh) * 2022-10-27 2022-11-25 珠海横琴圣澳云智科技有限公司 基于多级决策树的个性化分类流程优化方法和装置
CN115985109A (zh) * 2022-10-17 2023-04-18 上海伯镭智能科技有限公司 一种无人驾驶矿车环境感知方法和系统
CN117647807A (zh) * 2024-01-30 2024-03-05 安徽隼波科技有限公司 一种基于毫米波雷达的机动车尺寸估计方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115985109A (zh) * 2022-10-17 2023-04-18 上海伯镭智能科技有限公司 一种无人驾驶矿车环境感知方法和系统
CN115985109B (zh) * 2022-10-17 2023-11-07 上海伯镭智能科技有限公司 一种无人驾驶矿车环境感知方法和系统
CN115393659A (zh) * 2022-10-27 2022-11-25 珠海横琴圣澳云智科技有限公司 基于多级决策树的个性化分类流程优化方法和装置
CN115393659B (zh) * 2022-10-27 2023-01-24 珠海横琴圣澳云智科技有限公司 基于多级决策树的个性化分类流程优化方法和装置
CN117647807A (zh) * 2024-01-30 2024-03-05 安徽隼波科技有限公司 一种基于毫米波雷达的机动车尺寸估计方法
CN117647807B (zh) * 2024-01-30 2024-04-19 安徽隼波科技有限公司 一种基于毫米波雷达的机动车尺寸估计方法

Similar Documents

Publication Publication Date Title
CN109087510B (zh) 交通监测方法及装置
CN111540201B (zh) 基于路侧激光雷达的车辆排队长度实时估计方法及系统
CN114879192A (zh) 基于路侧毫米波雷达的决策树车型分类方法、电子设备
US11313950B2 (en) Machine learning based highway radar vehicle classification across multiple lanes and speeds
Dou et al. A hybrid CEEMD-GMM scheme for enhancing the detection of traffic flow on highways
CN113866742B (zh) 一种4d毫米波雷达点云处理和目标分类的方法
US20210350149A1 (en) Lane detection method and apparatus,lane detection device,and movable platform
CN111539454B (zh) 一种基于元学习的车辆轨迹聚类方法及系统
CN111832225A (zh) 一种构建汽车行驶工况的方法
KR101255736B1 (ko) 단일편파 레이더를 이용한 기상 및 비기상 에코 분류 방법
CN110930693B (zh) 一种用于道路断面的在线短时交通流预测方法
Pérez et al. A machine learning joint lidar and radar classification system in urban automotive scenarios
CN112100435A (zh) 一种基于边缘端交通音视频同步样本的自动标注方法
CN114802303A (zh) 障碍物轨迹预测方法、装置、电子设备及存储介质
CN113255580A (zh) 抛洒物识别、车辆抛洒滴漏识别方法和装置
Liu et al. A two‐step abnormal data analysis and processing method for millimetre‐wave radar in traffic flow detection applications
Cao et al. Lane determination of vehicles based on a novel clustering algorithm for intelligent traffic monitoring
Lei et al. Identifying and correcting the errors of vehicle trajectories from roadside millimetre‐wave radars
CN114814820A (zh) 一种基于毫米波雷达的多扩展目标跟踪方法及其设备
CN113269889B (zh) 一种基于椭圆域的自适应点云目标聚类方法
CN113900101A (zh) 障碍物检测方法、装置及电子设备
Luo et al. A statistical method for parking spaces occupancy detection via automotive radars
CN116206451A (zh) 一种智慧交通车流数据分析方法
CN115630569A (zh) 一种应用于自动驾驶的毫米波雷达传感器建模方法
CN113313008B (zh) 基于YOLOv3网络和均值漂移的目标与识别跟踪方法

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