DE102019200141A1

DE102019200141A1 - Verfahren zum Erfassen von Teilbereichen eines Objekts

Info

Publication number: DE102019200141A1
Application number: DE102019200141.6A
Authority: DE
Inventors: Dagmar Steinhauser; Patrick Held; Alexander Kamann; Thomas Brandmeier; Andreas Koch; Amar Abdul-Rahman
Original assignee: Conti Temic Microelectronic GmbH
Current assignee: Continental Autonomous Mobility Germany GmbH
Priority date: 2019-01-08
Filing date: 2019-01-08
Publication date: 2020-07-09

Abstract

Verfahren zum Erfassen von Teilbereichen eines Objekts, bei dem ein Radarsensor (1) zur Objekterkennung vorgesehen ist, das Objekt als solches erkannt wird, indem vom Radarsensor (1) ausgesendete Radarsignale vom Objekt reflektiert werden, und anhand der Reflexionen ein Spektrum des jeweiligen Objekts abgeleitet wird, das Spektrum in Reflexionsbereiche unterteilt wird, und das Objekt in Teilbereiche festgelegt wird, wobei zum Erfassen der Teilbereiche die Reflexionsbereiche den Teilbereichen zugeordnet werden.

Description

Die vorliegende Erfindung betrifft Verfahren zum Erfassen von Teilbereichen eines Objekts sowie ein Assistenzsystem zum Erfassen von Teilbereichen eines Objekts, bei dem das Erfassen der Teilbereiche anhand eines erfindungsgemäßen Verfahrens erfolgt.
Technologischer Hintergrund
Moderne Fortbewegungsmittel wie Kraftfahrzeuge oder Motorräder werden zunehmend mit Fahrerassistenzsystemen ausgerüstet, welche mit Hilfe von Sensorsystemen die Umgebung erfassen, Verkehrssituationen erkennen und den Fahrer unterstützen können, z. B. durch einen Brems- oder Lenkeingriff oder durch die Ausgabe einer optischen oder akustischen Warnung. Als Sensorsysteme zur Umgebungserfassung werden regelmäßig Radarsensoren, Lidarsensoren, Kamerasensoren oder dergleichen eingesetzt. Aus den durch die Sensoren ermittelten Sensordaten können anschließend Rückschlüsse auf die Umgebung gezogen werden. Die Umgebungserfassung mittels Radarsensoren basiert auf der Aussendung von gebündelten elektromagnetischen Wellen und deren Reflexion, z. B. durch andere Verkehrsteilnehmer, Hindernissen auf der Fahrbahn oder die Randbebauung der Fahrbahn. Die Erfassung von Fußgängern wird oftmals mit Kamerasensoren durchgeführt, jedoch kommen hierbei auch zunehmend Radarsensoren zum Einsatz.
Aus dem Stand der Technik sind Verfahren bekannt, mit denen Fußgänger durch Radarsensoren erkannt und klassifiziert werden können. Hierfür werden unter anderem auch Mikrodoppler- und Abstandsinformationen verwendet. Der Fußgänger wird dabei als ein „Gesamtsystem“ betrachtet, wobei nur einzelne Merkmale, meist indirekt, aus der Radarsignatur bestimmt werden, wie z. B. Schrittweite (aus dem periodischem Verhalten der Dopplersignatur) oder Bewegung des Torsos (aus höchster Intensität). Diese Verfahren liefern nur sehr eingeschränkte Informationen zum Bewegungsablauf des Fußgängers und die Bewegung der Körperteile. Daher ist eine Absichtserkennung eines Fußgängers mittels Radarsensorik in der Regel nicht möglich, da z. B. zur Erkennung von bestimmten Gesten und Bewegungen, die Rückschlüsse auf die Absicht des Fußgängers zulassen, mehr und exaktere Informationen von möglichst vielen Körperteilen benötigt werden.
Ferner können die verschiedenen Körperteile bzw. Gliedmaßen (z. B: Arme, Hände, Beine und dergleichen) eines Fußgängers unterschiedliche Bewegungen durchführen, auch in unterschiedlichen Geschwindigkeiten. Somit können die Körperteile auch in Abhängigkeit von der durchgeführten Aktion unterschiedliche Abstände und Winkel zum Radarsensor aufweisen. Dies bietet die prinzipielle Möglichkeit einer Trennung der Gliedmaßen. Jedoch werden hierfür spezielle und aufwendige Verfahren benötigt, um auch möglichst viele Körperteile mittels Radarsensorik zu erfassen. Mit einem hochauflösenden Radar wird ein Fußgänger als ausgedehntes Ziel erfasst, bestehend aus einer Vielzahl von Reflexionen, die von vielen Streuzentren am Fußgänger reflektiert werden. Dabei stellen die einzelnen Körperteile Streuzentren dar, jedoch sind auch die Körperteile wiederum ausgedehnt und miteinander verbunden und ergeben im Radar teilweise ausgedehnte, sich überlappende Reflexionsbereiche. Dies führt dazu, dass die einzelnen Körperteile meist keine klar trennbaren Bereiche im Radar bilden und die Größe der Bereiche und deren Überlappungen stark variieren können, je nachdem wie Körperbewegung, Körperhaltung, Einfallswinkel und dergleichen sind.
Druckschriftlicher Stand der Technik
Aus der DE 10 2016 220 450 A1 ist ein Verfahren bekannt, bei dem eine Kollisionswahrscheinlichkeit zwischen einem Fortbewegungsmittel und einem Fußgänger oder Passanten abgeschätzt wird. Zunächst wird die Umgebung des Fortbewegungsmittels mittels eines Sensors (z. B. ein optischer Sensor, ein Infrarotsensor, ein Lidarsensor, ein Radarsensor oder einer Kombination aus diesen) erfasst. Anschließend wird eine Kollisionswahrscheinlichkeit zu einem zukünftigen Zeitpunkt auf Basis der Umgebungsdaten und eines Bewegungsmodells des Fußgängers ermittelt. Es gibt unterschiedliche Ausgestaltungen der Bewegungsmodelle, welche anhand der Sensordaten sowie einer Absichtsanalyse erstellt werden. Die Absichtsanalyse wird z. B. anhand der Kopforientierung oder Blickrichtung des Fußgängers und einer Bewegungsgleichung (umfassend Geschwindigkeit, Beschleunigung und Bewegungsrichtung) des Fußgängers bestimmt. Die reine Detektion des Fußgängers erfolgt mittels Radarsensor. Zur Bestimmung von Gliedmaßen und/oder Körpersegmenten, der Kopforientierung oder der Blickrichtung des Fußgängers kann der Fußgänger von einer Kamera oder mehreren Kameras aufgenommen werden, um die Absichtsanalyse zu verbessern und somit genauere Bewegungsmodelle zu erstellen. Dementsprechend werden für derartige Anwendungen Kamerasensoren benötigt, die jedoch Nachteile in der Bestimmungssicherheit, z. B. bei schlechter Sicht aufweisen, wie z. B. bei Regen oder Schnee, wodurch sich gefährliche Situationen insbesondere für den jeweiligen Fußgänger ergeben können. Dementsprechend groß ist der Bedarf an redundanten und/oder verbesserten Systemen zur Fußgängererkennung.
Aufgabe der vorliegenden Erfindung
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein verbessertes Verfahren zur Erkennung von Teilbereichen eines Objekts sowie ein entsprechendes Assistenzsystem zur Verfügung zu stellen, bei dem die Erkennungssicherheit in kostengünstiger Weise verbessert wird.
Lösung der Aufgabe
Die vorstehende Aufgabe wird durch die gesamte Lehre des Anspruchs 1 sowie der nebengeordneten Ansprüche gelöst. Zweckmäßige Ausgestaltungen der Erfindung sind in den Unteransprüchen beansprucht.
Erfindungsgemäß ist bei dem Verfahren zum Erfassen von Teilbereichen eines Objekts, ein Radarsensor zur Objekterkennung vorgesehen. Das Objekt wird zunächst als solches erkannt bzw. detektiert, indem vom Radarsensor ausgesendete Radarsignale vom Objekt reflektiert werden. Anhand der Reflexionen bzw. der Reflexionspunkte wird dann ein Spektrum des jeweiligen Objekts abgeleitet, das in Reflexionsbereiche unterteilt wird. Ferner werden für das Objekt Teilbereiche festgelegt, die dadurch erfasst werden, dass die Reflexionsbereiche den Teilbereichen zugeordnet werden. Daraus resultiert der Vorteil, dass eine Separation der Bewegung von mehreren Körperteilen, z. B. Arme und Beine, linke und rechte Körperhälfte, bzw. eine Extraktion der Körperteile im Radarspektrum aus der Zerlegung der Reflexionsdaten erfolgen kann. Ferner kann dadurch eine genauere Bewegungsanalyse des Objekts erzielt werden, welche damit die Basis für eine Verhaltensprädiktion bzw. Absichtsabschätzung bildet. Dadurch kann eine genauere und frühere Trajektorienprädiktion des Objekts sowie Richtungsindikation und Geschwindigkeitsänderung des Objekts (Beschleunigung oder Abbremsen) erfolgen. Bei dem erfindungsgemäßen Verfahren wird zudem kein Vorwissen über das Objekt benötigt (keine chrakteristischen Verhaltensmuster oder dergleichen), da z. B. kein spezielles Bewegungsmodell in die Extraktion mit einbezogen wird, so dass das Verfahren z. B. unabhängig vom individuellen Gang eines Fußgängers oder von dessen Aktion anwendbar ist. Zudem kann das Verfahren in einfacher Weise situationsspezifisch modifiziert bzw. angepasst werden. Ferner kann das Verfahren als Hardware- und oder Softwarelösung bzw. als Algorithmus implementiert werden. Die Erkennungssicherheit wird dadurch in kostengünstiger Weise verbessert. Zudem lässt sich das Verfahren in einfacher Weise in neuen Sensor- und Assistenzsystemen implementieren und in bestehenden Sensor- und Assistenzsystemen nachrüsten.
Gemäß einer vorteilhaften Ausgestaltung der Erfindung kann die Unterteilung des Spektrums in Reflexionsbereiche anhand eines Punkt-Extraktionsverfahrens und/oder eines Clusterverfahrens, d. h. eines Verfahren zur Gruppierung (Clusterung) von ähnlichen Strukturen in insbesondere Datenbeständen, wobei die Gruppen auch als Cluster bezeichnet werden können. In bevorzugter Weise erfolgt eine Kombination aus Punkt-Extraktionsverfahren und Clusterverfahren.
Vorzugsweise ist als Punkt-Extraktionsverfahren ein, insbesondere iteratives, CLEAN-Verfahren (Säuberungsverfahren oder Datenbereinigungsverfahren) vorgesehen. Das vorgeschlagene CLEAN-Verfahren arbeitet im Wesentlichen anhand von Matrix-Subtraktionen in einen zumindest sehr eingeschränkten Bereich, wobei die Anzahl der Iterationsschritte durch ein Integrieren einer Clusterung in das Iterationsverfahren gering ist bzw. deutlich reduziert wird („Cluster-CLEAN-Verfahren“ bzw. „Cluster-CLEAN-Extraktion“). Durch die Anwendung eines derartigen CLEAN-Verfahrens werden keine rechenaufwendigen Algorithmen benötigt, womit sich der Rechenaufwand in besonderem Maße verringert und das Verfahren vereinfacht wird. Das CLEAN-Verfahren zeichnet sich insbesondere durch folgende Verfahrensschritte aus: das Verarbeiten oder Erstellen eines Spektrums eines Objekts oder von Teilen des Objekts, das Ermitteln eines Reflexionspunktes mit höchster Amplitude im Spektrum, das Hinzufügen des Reflexionspunktes zu einer Punkt-Reflexionsliste, das Erstellen einer, insbesondere gewichteten, Punktverteilungsfunktion und das Ändern des Spektrums anhand der gewichteten Punktverteilungsfunktion, das Gruppieren bzw. Clustern aller Reflexionspunkte der Punkt-Reflexionsliste und das Anwenden eines Kriteriums für diese Cluster bzw. Gruppen sowie das Maskieren oder Markieren der Gruppen im Spektrum. Insbesondere kann das Ändern des Spektrums dadurch erfolgen, dass die gewichtete Punktverteilungsfunktion vom Spektrum subtrahiert wird.
In bevorzugter Weise handelt es sich bei dem Objekt um einen Menschen, insbesondere einen Fußgänger, oder ein Tier. Dementsprechend können als Teilbereiche die Gliedmaßen, der Kopf, der Rumpf oder andere Körperteile des Objekts vorgesehen sein. Dadurch wird ein Verfahren erzielt, mit dem eine Verhaltensprädiktion bzw. eine Absichtsanalyse von Menschen und Tieren im Straßenverkehr ermöglicht wird. Derartige Analysen sind insbesondere auf dem Gebiet des autonomen oder teilautonomen Fahrens von besonderer Bedeutung.
Zweckmäßigerweise kann es sich bei dem Spektrum um ein Fourierspektrum handeln. Besonders vorteilhaft ist es, wenn ein zweidimensionales (2D) Fourierspektrum bzw. Frequenzspektrum vorgesehen ist. Dabei kann durch Fouriertransformationen ein zweidimensionales Frequenzspektrum mit Abstands- und Geschwindigkeitsparametern bestimmt werden. Dabei kann ein Range-Doppler Fourierspektrum 2D FFT (Fast Fourier Transform, schnelle Fouriertransformation) gebildet werden, bei dem in der Regel der Bereich (range) gegen die Radialgeschwindigkeit (radial velocity) aufgetragen wird. Alternativ kann auch ein drei (3D)- oder vierdimensionales (4D)-Fourierspektrum vorgesehen sein. Bei einem 3D-Fourierspektrum kann z. B. Geschwindigkeit, Abstand und Azimut-Winkel und bei einem 4D-Fourierspektrum Geschwindigkeit, Abstand, Azimut-Winkel und Elevations-Winkel als Parameter bzw. Funktionswerte zum aufspannen des Spektrums herangezogen werden. Die 3D- und 4D-Fourierspektren sind insbesondere dann geeignet, wenn der Radarsensor eine hohe Antennenanzahl und damit eine hohe Winkelauflösung aufweist.
Vorzugsweise wird für die Reflexionspunkte im Spektrum ein Schwellenwert bzw. Threshold bestimmt. Anhand des Schwellenwertes können die jeweiligen Reflexionspunkte vom Rauschen des Radarsignals getrennt werden. Beispielsweise kann der Schwellenwert ein Vielfaches, insbesondere das Dreifache oder Fünffache, des Rauschens des Radarsignals sein bzw. annehmen.
Zweckmäßigerweise kann für die Trennung der Reflexionspunkte vom Rauschen des Radarsignals ein Filter oder eine Schwelle vorgesehen sein, um die Objekte zu identifizieren bzw. vom Signalrauschen zu unterscheiden. Insbesondere kann dabei ein CFAR (Constant false alarm rate) - oder OS-CFAR (ordered statistics constant false alarm rate) -Filter vorgesehen sein. Ein derartiger Filter ist besonders geeignet für eine mehrfache und erweiterte Zielerfassung. Beispielswiese kann dadurch für jede Zelle bzw. jeden Reflexionspunkt ein Schwellenwert basierend auf der Rangauswahl der sortierten Amplituden bzw. Intensitäten adaptiv berechnet werden.
Vorzugsweise wird auch zur Objekterkennung ein Clusterverfahren bzw. Gruppierungsverfahren verwendet, d. h., dass die einzelnen Reflexionen bzw. Reflexionspunkte als einheitliches Ganzes betrachtet werden, wodurch die Objekterkennung noch sicherer erfolgt bzw. verbessert wird.
Dadurch, dass die reale Reflexion eines Objekts, z. B. eines menschlichen oder tierischen Körpers, in der Regel durch Punktstreuungen beschrieben wird, führt dies zu großen Punktwolken. Jeder Körperteil stellt dabei eine Streuquelle dar, die wiederum aus vielen eng beieinander liegenden Punktzielen besteht. Diese Punkte werden als Zusammenschau betrachtet, um ein relevantes physisches Ziel bzw. ein Körperteil darzustellen. Zu diesem Zweck kann ein Clustering-Algorithmus verwendet werden. In bevorzugter Weise kann als Clustering-Algorithmus ein DBSCAN (Density-Based Spatial Clustering of Applications with Noise) verwendet werden. Der DBSCAN ist eine räumliche Clusteranalyse, die auf einen dichtebasierten Algorithmus basiert, anhand dessen mehrere Cluster erkannt werden können.
Zweckmäßigerweise kann eine Punkt-Reflexionsliste vorgesehen sein, zu der insbesondere der Reflexionspunkt und/oder die Reflexionspunkte mit höchster Amplitude bzw. Intensität hinzugefügt werden.
Dadurch, dass die Reflexionspunkte auf der Punkt-Reflexionsliste anhand eines Kriteriums geclustert bzw. gruppiert werden, wird die Clusterung noch zusätzlich vereinfacht und verbessert.
Vorzugsweise wird für das Kriterium ein Schwellenwert festgelegt, wobei das Kriterium eine Schwellenwert Unter- und/oder Überschreitung darstellt. Ferner kann als Kriterium auch vorgesehen sein, dass der Reflexionspunkt zumindest einen festlegbaren Anteil bzw. einen minimalen Anteil am maximalen Intensitätswert aufweist oder den minimalen bzw. einen festlegbaren minimalen Intensitätswert um ein festlegbares Vielfaches übersteigt. Darüber hinaus kann auch ein Schwellenwert vorgesehen sein, der von einer übergeordneten Einheit vorgegeben wird, z. B. von einem anderen Sensor.
Zweckmäßigerweise kann die Erfassung der Reflexionspunkte mit der höchsten Intensität anhand einer sequentiellen oder parallelen Suche erfolgen. Die sequentielle Suche kann z. B. beim globalen Intensitätsmaximum beginnen und beim globalen Intensitätsminimum mit einem Ausschnitt des Fourierspektrums enden (oder umgekehrt). Demgegenüber kann die parallele Suche z. B. beim lokalen Intensitätsmaximum beginnen und beim lokalen Intensitätsminimum mit mehreren, parallelen Ausschnitten des Fourierspektrums enden (oder umgekehrt).
Ferner kann für ein Cluster oder einer Clustergruppe ein azimutaler und/oder ein elevationaler Winkel bestimmt werden, der zusätzlich zur Bestimmung des jeweiligen Teilbereichs des Objekts herangezogen wird. Daraus resultiert der Vorteil, dass ein zusätzlicher Detektionsparameter eingefügt wird, wodurch der Winkel des jeweiligen Objekts bzw. dessen Teilbereich zum Radarsensor bestimmt werden kann. Dadurch können unterschiedliche Bewegungen und Orientierungen der Gliedmaßen noch sicherer bestimmt werden. Die Bewegungsprädiktion bzw. Absichtsabschätzung kann dadurch noch zusätzlich verbessert werden.
In bevorzugter Weise kann der Radarsensor die Radardaten erfassen, indem der Radarsensor nur eine festlegbare Anzahl an Chirps aufnimmt und diese nach der Aufnahme bzw. Akquisition für die weitere Verarbeitung zur Verfügung stellt bzw. an den Algorithmus übergibt.
Alternativ oder zusätzlich kann der Radarsensor auch eine variable Anzahl an Chirps, vorzugsweise eine geringere oder kleine Anzahl an Chirps, aufnehmen und diese nach der Aufnahme zur Weiterverarbeitung bereitstellen bzw. an den Algorithmus übergeben. Hierbei handelt es sich um eine sehr zeitsparende Ausführung mit einer geringeren Auflösung. Ferner kann auch eine Dateneinspeisung durch den Radarsensor anhand verschiedener verschiebbarer Fenster erfolgen (Sliding Windows), wobei immer die letzten Chirps zur Weiterverarbeitung bereitgestellt bzw. an den Algorithmus übergeben werden.
Neben- oder untergeordnet beansprucht die vorliegende Erfindung zudem ein Verfahren zum Erfassen von Teilbereichen eines Objekts, das folgende Verfahrensschritte umfasst: das Verarbeiten oder Erstellen eines (Fourier-) Spektrums eines Objekts oder von Teilen des Objekts, das Ermitteln eines Reflexionspunktes mit höchster Amplitude im (Fourier-) Spektrum, das Hinzufügen des Reflexionspunktes zu einer Punkt-Reflexionsliste, das Erstellen einer, insbesondere gewichteten, Punktverteilungsfunktion und das Ändern des Spektrums anhand der gewichteten Punktverteilungsfunktion, das Clustern bzw. Gruppieren aller Reflexionspunkte der Punkt-Reflexionsliste und Anwenden eines Kriteriums für diese „fertigen“ Cluster sowie das Maskieren oder Markieren der Cluster im Spektrum.
Ferner kann das Verfahren den Verfahrensschritt Löschen der Reflexionspunkte der „fertigen“ Cluster von der Punkt-Reflexionsliste umfassen, so dass diese nicht mehrfach prozessiert werden. Die Speicher- und Recheneffizienz wird dadurch in besonderem Maße verbessert.
Darüber hinaus kann das Verfahren das Erstellen einer Clusterliste anhand der Cluster umfassen, wobei eine Zuordnung der Cluster zu mindestens einer Clustergruppe erfolgt. Dadurch kann das Verfahren in besonderen Maße vereinfacht werden.
Vorzugsweise wird ein Schwellenwert für die Intensität der Reflexionspunkte festgelegt. Die einzelnen Verfahrensschritte können dann solange wiederholt werden, bis die höchste Intensität im Spektrum nur noch unterhalb des Schwellenwertes für die Intensität liegt. Das Verfahren kann dadurch besonders schnell durchgeführt werden, indem jeder Zeitschritt (Frame by Frame) analysiert wird.
Ferner umfasst die vorliegende Erfindung ein Sensorsystem bzw. (Fahrer-) Assistenzsystem zum Erfassen von Teilbereichen eines Objekts, dass einen Radarsensor aufweist und dadurch gekennzeichnet ist, dass das Erfassen der Teilbereiche des Objekts anhand eines Verfahrens nach mindestens einem der vorhergehenden Ansprüche erfolgt.
Ausdrücklich umfasst sind von der Erfindung auch nicht explizit genannte Merkmalskombinationen der Merkmale bzw. Ansprüche, sogenannte Unterkombinationen.
Figurenliste
Im Folgenden wird die Erfindung anhand von zweckmäßigen Ausführungsbeispielen näher beschrieben. Es zeigen:

1 eine vereinfachte schematische Darstellung einer Verkehrssituation, bei der ein Fußgänger mittels eines erfindungsgemäßen Verfahrens erkannt wird;
2 eine vereinfachte schematische Darstellung einer ersten Implementierungsvariante des erfindungsgemäßen Verfahrens;
3 eine vereinfachte schematische Darstellung einer Ausgestaltung eines iterativen CLEAN-Ablaufs;
4 eine vereinfachte schematische Darstellung eines Doppler-Range-Abbildes nach der Detektion und Clusterung (oben links), nach dem (Cluster-) CLEAN-Verfahren und Gruppierung (oben rechts) sowie nach der Zuordnung der Teilbereiche (unten);
5 eine vereinfachte schematische Darstellung einer zweiten Implementierungsvariante des erfindungsgemäßen Verfahrens, sowie
6 eine vereinfachte schematische Darstellung der Radarsignale von extrahierten Körperteilen eines Fußgängers und überlagerten Referenzsignalen (ermittelt durch Motion Capture).

Bezugsziffer 1 in 1 bezeichnet einen Radarsensor in einem Fortbewegungsmittel bzw. Fahrzeug 2. Der Radarsensor 1 kann dabei auch Bestandteil eines (Fahrer-) Assistenzsystems oder Sensorsystems sein. Bei dem Radarsensor 1 handelt es sich um einen hochauflösenden Radarsensor, mit dem die Umgebung im Nahumfeld erfasst wird. Die vom Radarsensor 1 erfassten Radar-Rohdaten werden verarbeitet, wodurch Objekte detektiert und anschließend z. B. klassifiziert werden können. In 1 ist als Objekt ein Fußgänger 3 gezeigt, der die Straße in Pfeilrichtung überquert. Nach der Detektion und Identifikation des Fußgängers 3 werden die entsprechenden Radarreflexionen, die dem Fußgänger 3 zugeordnet sind, weiter zerlegt in die Reflexionen der einzelnen Körperteile, wie z. B. Arme, Beine (linke und rechte Körperhälfte jeweils getrennt) und Oberkörper. Der Radarsensor 1 wird hierzu z. B. im Chirp-Sequenz-Verfahren betrieben, d. h., dass nacheinander schnelle Rampen an Radarsignalen ausgesendet werden, wodurch Abstands- und Geschwindigkeitsinformationen mit hoher Auflösung generiert werden können. Durch die zusätzliche Anwendung eines MIMO-Verfahrens (Multiple-input multiple-output-Verfahren) können azimutale Winkelinformationen bereitgestellt werden. Gegebenenfalls können zusätzlich elevationale Informationen miteinbezogenen werden. Ferner kann als zusätzlicher Parameter auch die Geschwindigkeit und Positionen der einzelnen Körperteile bestimmt werden, um z. B. abrupte oder rasche Bewegungen festzustellen, die z. B. auf die Absicht des Fußgängers 3 rückschließen lassen, schnell die Straße zu überqueren. Dadurch kann ein Extraktionsverfahren für menschliche Körperteile zur Verfügung gestellt werden, welches die Radarinformationen z. B. anhand eines Chirp-Sequenz-modulierten Radarsensors 1 erfasst, insbesondere eines Radarsensors mit einheitlicher Antennenanordnung (uniform linear antenna array, ULA).
Die gemessenen Radarrohdaten können durch verschiedene Implementierungsvarianten verarbeitet werden. Ein Ausführungsbeispiel eines Ablaufplans bzw. eine Signalverarbeitungskette einer ersten Implementierungsvariante ist in 2 schematisch dargestellt. Anhand der gemessenen bzw. erzeugten Radarsignale bzw. Radarrohdaten (Radarsignalerfassung 4) wird gemäß der ersten Implementierungsvariante zunächst durch Fouriertransformationen ein zweidimensionales Frequenzspektrum mit Abstands- und Geschwindigkeitsparametern bestimmt (Fourierspektrumbestimmung 5), sodass ein sogenanntes „Range-Doppler Fourierspektrum 2D FFT“ entsteht. Mittels einer adaptiven Schwelle wird für jede Zelle bzw. jeden Reflexionspunkt im Fourierspektrum ein Schwellenwert bestimmt. Durch den Schwellenwert können Detektionspunkte vom Rauschen getrennt werden (Detektion 6). Als adaptive Schwelle kann beispielsweise ein CFAR-Filter bzw. ein OS-CFAR-Filter verwendet werden. Anschließend erfolgt eine Objektclusterung 7, bei der zunächst die Detektionspunkte durch ein dichtebasiertes Clusterverfahren in größere Objekte unterteilt werden, um z. B. Objekte wie Fußgänger, Fahrzeuge usw. voneinander zu trennen. Beispielsweise kann als Clusterverfahren ein DBSCAN (Density-Based Spatial Clustering of Applications with Noise) durchgeführt werden. Dabei handelt es sich um eine räumliche Clusteranalyse, die auf einen dichtebasierten Algorithmus zurückgeht, anhand dessen mehrere Cluster erkennbar sind. Detektionspunkte des Rauschens bzw. Rauschpunkte werden dabei ignoriert und separat zurückgeliefert. Die einzelnen Objekte werden dann durch herkömmliche aus dem Stand der Technik bekannte Verfahren klassifiziert. Wird z. B. ein Objekt als Fußgänger identifiziert, werden alle Reflexionspunkte des zugehörigen Objektes entsprechend weitergehend verarbeitet.
Die zahlreichen Reflexionen des Fußgängers werden zerlegt in kleinere Reflexionsbereiche, die z. B. den jeweiligen Körperteilen entsprechen. Hierzu wird ein Punkt-Extraktionsverfahren verwendet, das mit einem Clusterverfahren kombiniert wird (Objekt Dekomposition 8). Bei dem Punkt-Extraktionsverfahren wird angenommen, dass die Radarreflexionen aus vielen, einzelnen Punkt-Reflexionszentren darstellbar sind. Diese können dann extrahiert werden. Als Punkt-Extraktionsverfahren wird ein iteratives „Säuberung“ (CLEAN)-Verfahren vorgeschlagen, bei dem z. B. in jedem Iterationsschritt ein Punktziel extrahiert wird. Zusätzlich werden die extrahierten Punktziele mit einem dichtebasierten Clusterverfahren in jedem Iterationsschritt geclustert bzw. gruppiert (Cluster-CLEAN-Verfahren). Es kann dabei dasselbe Clusterverfahren (z. B. DBSCAN) verwendet werden wie bei der Objektclusterung 7, wobei die Clusterparameter, wie z. B. Mindestanzahl und Umgebung zur Definition der Dichtigkeit, kleiner zu wählen sind, um entsprechend kleinere Cluster oder Gruppen zu erzeugen.
Eine Ablaufvariante des iterativen CLEAN-Verfahrens mit integrierter bzw. kombinierter Clusterung ist in 3 dargestellt. Hierbei wird als erster Schritt I zunächst das Fourierspektrum der Fußgängeranteile betrachtet bzw. geladen. In einem zweiten Schritt II wird in dem zu den Fußgänger-Reflexionen zugehörigen Fourierspektrum die Zelle bzw. der Reflexionspunkt mit höchster Intensität gesucht bzw. ermittelt und deren komplexe Amplitude und Position im Fourierspektrum bestimmt. Für das 2D-Spektrum sind die Positionsparameter die beiden Frequenzen für Doppler und Range. In 4 (oben links) ist das Doppler-Range-Abbild für einen Fußgänger 3 für einen Zeitpunkt vereinfacht dargestellt, d. h. eine Darstellung der Radarreflexionen des Fußgängers 3. Im Diagramm ist der Bereich bzw. „Range“ R (in Meter) und die Radialgeschwindigkeit bzw. „radial velocity“ RV (in Meter pro Sekunde) aufgetragen, wobei die Radialgeschwindigkeit als Maß für eine dem Sendesignal auferlegte Dopplerfrequenz dient. Die Bestimmung oder Suche nach der höchsten Intensität oder Amplitude kann entweder sequentiell, d. h. mit Beginn beim globalen Intensitätsmaximum und Ende beim globalen Intensitätsminimum mit einem Ausschnitt des Fourierspektrums, oder parallel, d. h. mit Beginn beim lokalen Intensitätsmaxima und Ende beim lokalen Intensitätsminima mit mehreren, parallelen Ausschnitten des Fourierspektrums erfolgen.
Die Integration des Clusteralgorithmus in das CLEAN-Verfahren erfolgt somit vorzugsweise dadurch, dass zunächst im komplexen 2D-Range-Doppler-Frequenzspektrum X0 (λ, µ) der höchste Wert bzw. die höchste Intensität gesucht und dessen Position (λ1, µ1) und komplexe Amplitude (a1) bestimmt wird (Schritt II). Als nächstes wird das jeweilige Punktziel bzw. Reflexionspunkt mit seinen Parametern auf eine Punkt-Reflexionsliste gesetzt, d. h. das Hinzufügen des Reflexionspunktes zur Punkt-Reflexionsliste (Schritt III). Im Anschluss daran kann eine Punktverteilungsfunktion (point spread function, PSF) konstruiert werden, welche die Reflexionsantwort des extrahierten Punktziels darstellt. Die Punktverteilungsfunktion Ψ, die die Antwort auf die Punktstreuung ist, kann dabei definiert werden mit $ψ_{1} = a_{1} W_{λ} (λ - λ_{1}) W_{μ} (μ - μ_{1})$
wobei W_λ (λ) und W_µ (µ) die 1-D-FFT der Fensterfunktionen W_λ (I) bzw. W_µ (m) sind. Derartige Fensterfunktionen können bei der Fouriertransformation angewendet werden. Beispielsweise können dabei sogenannte Hann-Fenster in beiden Dimensionen auf das Signal angewendet werden, um z. B. Nebenkeuleneffekte zu reduzieren. Das Fourierspektrum wird dann geändert, indem die gewichtete Punktverteilungsfunktion Ψ vom 2D-Frequenzspektrum abgezogen wird (Schritt IV), durch $X_{1} (λ, μ) = X_{0} (λ, μ) - γ ψ_{1},$
wobei γ als Schleifenverstärkung (loop gain; 0 < γ < 1) bezeichnet wird und typischerweise ein Wert kleiner oder gleich 0,5 ist. Beispielsweise kann für die Schleifenverstärkung der Wert 0,5 herangezogen werden, da dadurch ein möglichst schnell ablaufender Algorithmus erzielt wird. Demgegenüber wird im ursprünglichen CLEAN-Verfahren die erste Iteration beendet und die nächste Iteration mit X₁ (λ, µ) als Eingangsmatrix begonnen. Die Iteration wird dabei ausgeführt, bis der aktuell stärkste Punkt einen Schwellenwert erreicht (Grundrauschen bzw. noise floor).
Ferner werden die jeweiligen Punktziele auf der Punkt-Reflexionsliste geclustert und in Clustergruppen G1-G6 (bzw. G1-Gn) aufgeteilt (vgl. 4; oben rechts). Die Clustergruppen G1-G6 können dann analysiert werden und anhand eines festlegbaren Kriteriums auf den Zustand einer „fertigen Clustergruppe“ gesetzt werden, d. h. alle gefundenen „fertigen Cluster“ können auf die Cluster-Reflexionsliste bzw. Clusterliste gesetzt werden (Schritt V). Beispielweise kann als Kriterium eine Schwellenwert Unter- und/oder Überschreitung dienen, z. B. kann die Differenz zwischen dem minimalen und maximalen Intensitätswert innerhalb einer Clustergruppe herangezogen werden, die einen festlegbaren Schwellenwert über- oder unterschreitet. Alternativ oder zusätzlich kann als Kriterium auch der Anteil am maximalen Wert herangezogen werden, sodass z. B. der minimale Intensitätswert kleiner ist als ein festlegbarer Anteil des maximalen Wertes. Darüber hinaus kann als Kriterium auch ein Schwellenwert vorgesehen sein, der von einer anderen, ggf. auch externen, Einheit vorgegeben wird, wie z. B. einem anderen Sensor, einer anderen Funktion oder einem anderen Modul.
In einfacher Weise können dann alle Punktziele von der Punkt-Reflexionsliste gelöscht werden, die zu dem „fertigen Cluster“ gehören (Schritt VI). Anschließend kann der Bereich aller „fertigen“ Cluster im Fourierspektrum markiert bzw. maskiert werden (Schritt VII). Die vorangegangenen Schritte, können dabei so lange wiederholt werden, bis z. B. die höchste Intensität im Fourierspektrum nur noch unterhalb eines bestimmten Schwellenwertes liegt, d. h. die Amplitude geringer ist als der festgelegte Schwellenwert. Als Ergebnis wird eine Clusterliste erstellt (Schritt VIII), welche die Cluster mit den jeweiligen gruppierten Punktzielen umfasst.
Durch die Objekt Dekomposition 8 entstehen somit mehrere Clustergruppen, z. B. vier bis acht Clustergruppen pro Objekt bzw. Fußgänger. In 4 (oben rechts) ist eine exemplarische Einteilung in sechs Clustergruppen G1-G6 dargestellt. Anschließend wird jedem Cluster bzw. jeder Clustergruppe ein Wert für jeden Parameter (z. B. Intensität, Geschwindigkeit, Abstand) aus den Werten der zu diesem Cluster gehörigen Punktziele durch Bestimmung des Schwerpunkts, des geometrischen Mittelpunkts oder dem Wert mit der höchsten Intensität zugeordnet. Für jedes Cluster wird dabei ein azimutaler und/oder ein elevationaler Winkel bestimmt (Hochauflösende Winkelschätzung 9). Hierfür eignen sich hochauflösende Algorithmen basierend beispielsweise auf lineare Prädiktion und/oder Spektralschätzverfahren. Ferner wird die Bewegungssituation (Abstand, Bewegungsvektor oder dergleichen) analysiert, sodass die Clustergruppen G1-G6 den Körperteilen entsprechend zugeordnet (Zuordnung 10) und an einer generischen Schnittstelle anderen Funktionen (z. B. Prädiktion) zur Verfügung gestellt werden. In 4 (unten) ist das Doppler-Range-Abbild eines Fußgängers nach der Zuordnung der Körperteile zu den Clustergruppen G1-G6 dargestellt.
Ferner kann die Winkelschätzung 9 anhand eines Radarsystems mit mehreren Empfangsantennen derart erfolgen, dass die azimutale Winkellage (R, θ) eines Ziels im räumlichen Bereich geschätzt wird. Eine einheitliche lineare Antennenanordnung (ULA) ermöglicht die Auswertung des Phasenverlaufs über N Empfangsantennenelemente mit einem Zwischenraum bzw. Abstand d. Der Abstand d kann beispielsweise definiert sein durch d = co / 2fo, was zu einem zusätzlichen Phasenbegriff im IF (intermediate frequency bzw. mittlere Frequenz) -Signal s_IF führt: $s_{IF} (l, m, n) = e^{2 π i \frac{f_{0} d sin θ}{c_{0}}} s_{IF} (l, m),$
wobei n = 0, 1, ...N - 1 ist. Anhand einer dritten schnellen Fouriertransformation (FFT) entlang der Winkelabmessung ergibt dann das Winkelfrequenzspektrum. Dies führt jedoch zu einer geringen Winkelauflösung bei Verwendung von nur einer geringen Anzahl an Antennen. Stattdessen wird eine hochauflösende autoregressive Leistungsspektraldichtetechnik angewendet, bei dem der Mittelwert des vorwärtigen und rückwärtigen linearen Vorhersage- bzw. Bestimmungsfehlers der diskreten komplexen Radarsignale minimiert wird. Dadurch können Nebenkeulenphänomene beseitigt und hochauflösende Schätzungen erstellt werden. Für jedes Cluster wird damit das Winkelfrequenzspektrum bestimmt bzw. berechnet und eine Suche nach der maximalen Amplitude durchgeführt, um den Winkel des jeweiligen Clusters zu schätzen und die Clusterparameter zu vervollständigen (R, RV, θ). Nach der Umrechnung der Polarkoordinaten (R, θ) in kartesische Koordinaten (x, y) kann die Signalverarbeitung entsprechend 4 (unten) ausgegeben werden.
5 zeigt ein Ausführungsbeispiel eines Ablaufplans gemäß einer zweiten Implementierungsvariante. Der wesentliche Unterschied zur ersten Implementierungsvariante liegt dabei darin, dass bei der Fourierspektrumbestimmung 5 ein 3D (Geschwindigkeit, Abstand, Azimut-Winkel) bzw. ein 4D Spektrum (Geschwindigkeit, Abstand, Azimut-Winkel, Elevations-Winkel) erstellt wird. Diese Implementierungsvariante ist insbesondere geeignet, falls beim Radarsensor eine hohe Antennenanzahl vorhanden ist und damit eine hohe Winkelauflösung zur Verfügung steht. Ferner können dann im Schritt II der Objekt Dekomposition 8 für das 3D- oder 4D-Spektrum entsprechend die Frequenzen für Doppler, Range und Winkel herangezogen werden. Diese Suche kann ebenfalls sequentiell oder parallel erfolgen. Zudem kann bei der zweiten Implementierungsvariante jedem Cluster ein Wert für jeden Parameter (z. B. Intensität, Geschwindigkeit, Abstand und zusätzlich der Winkel) aus den Werten der zu diesem Cluster gehörigen Punktziele durch Bestimmung des Schwerpunkts, des geometrischen Mittelpunkts oder dem Wert mit der höchsten Intensität zugeordnet werden. Da bei der zweiten Implementierungsvariante die Winkelinformationen bereits vorhanden und somit Bestandteil des Clustering-Prozesses sind, ist eine Winkelschätzung 9 somit nicht erforderlich.
Ferner stellen die Schritte Radarsignalerfassung 4, Fourierspektrumbestimmung 5, Detektion 6, Objektclusterung 7, Objekt Dekomposition 8, Winkelschätzung 9 sowie Zuordnung 10 den Kernalgorithmus zur Fußgängerparameterextraktion dar und können in unterschiedlichen Varianten und Ausführungen betrieben werden (z. B. eine schnelle Variante für sicherheitskritische Funktionen): Es kann eine festgelegte Anzahl an Chirps vom Radarsensor aufgenommen (sogenannte Frames) und nach der Akquisition an den Algorithmus übergeben (zeitintensivste Ausführung, hohe Auflösung) werden oder es wird nur eine kleinere, ggf. variable Anzahl an Chirps vom Radarsensor aufgenommen (Frame) und nach der Akquisition an den Algorithmus übergeben (zeitsparende Ausführung, geringere Auflösung) oder es erfolgt eine Sliding Window Dateneinspeisung in den Algorithmus, wobei immer die letzten Chirps an den Algorithmus übergeben werden.

In 6 ist ein Beispiel eines Extraktionsergebnisses gemäß erster Implementierungsvariante für die Geschwindigkeitsverteilung gezeigt nach Anwendung der zuvor beschriebenen Schritte (Radarsignalerfassung 4, Fourierspektrumbestimmung 5, Detektion 6, Objektclusterung 7, Objekt Dekomposition 8, Winkelschätzung 9 sowie Zuordnung 10) für einen Fußgänger, der radial in Richtung des Radarsensors geht. Beispielsweise kann die Messung des Radarsensors mit folgenden Radareinstellungen durchgeführt werden (Dies stellt nur eine bevorzugte Ausgestaltung dar, die Erfindung umfasst jedoch ausdrücklich auch andere Einstellungen des Radarsensors):

Frequenz:	77 GHz
Bandbreite:	2 GHz
Rampendauer (up chirp):	51.2 µs
Abtastfrequenz:	10 MHz
Rampen-Wiederholrate:	61.2 µs
Anzahl Rampen pro Frame:	512
Anzahl TX Antenne:	1
Anzahl RX-Antennen:	10.

Die extrahierten Clustergruppen können anschließend entsprechend der Breite des Fußgängers aufgeteilt werden, z. B. in fünf Bereiche, die beispielsweise den Körperteilen Oberkörper, rechtes Bein, linkes Bein, rechter Arm sowie linker Arm entsprechen.
Zusätzlich zum Radarmessverfahren kann die Bewegung des Fußgängers z. B. simultan mit einem Ganzkörper Motion Capture System (MoCap) erfasst werden, d. h. zum Funktionstest oder als Referenz für das erfasste Radarsignal. In 6 sind derartige Referenzsignale sowie die dazugehörigen Radarmesspunkte dargestellt. Die Messpunkte (sogenannte Streupunkte oder Scatter) sind den Ergebnissen bzw. Clustergruppen des Extraktionsverfahrens und entsprechenden Körperteilen zugeordnet: Oberkörper (6, oben), Beine (6, Mitte) und Arme (6, unten). Die Linien ergeben sich dabei aus den Referenzdaten für die Bewegungsmessung von Körperteilen aus dem Motion Capture System (aufgetragen in Radialgeschwindigkeit RV gegen Zeit t). In 6 (oben) zeigt die Linie den Verlauf der Aufnahme des Oberkörpers mit dem Motion Capture System. Deutlich zu erkennen ist, dass im Mittel die Messpunkte diesen Verlauf nachzeichnen. In 6 (Mitte) zeigen die gestrichelten Linien den linken und rechten Unterschenkel, die durchgezogenen Linien den linken und rechten Fuß, (aufgenommen mit Motion Capture System). In 6 (unten) zeigt die durchgezogene Linie die linke Hand und die gestrichelte Linie die rechte Hand.
Bezugszeichenliste

1: Radarsensor
2: Fahrzeug
3: Fußgänger
4: Radarsignalerfassung
5: Fourierspektrumbestimmung
6: Detektion
7: Objektclusterung
8: Objekt Dekomposition
9: Winkelschätzung
10: Zuordnung
I: Erzeuge/Betrachte ein Spektrum der Fußgängeranteile
II: Bestimme den Reflexionspunkt mit höchster Amplitude
III: Hinzufügen des Reflexionspunktes zu einer Punkt-Reflexionsliste
IV: Ändern des Spektrums anhand einer gewichteten Punktverteilungsfunktion
V: Cluster alle Reflexionspunkte der Punkt-Reflexionsliste und wende Kriterium für die Cluster an
VI: Lösche die zu den fertigen Clustern zugehörigen Reflexionspunkte von der Punkt-Reflexionsliste
VII: Maskiere alle fertigen Cluster im Spektrum
VIII: Clusterliste für die Zuordnung der Cluster zu einer Clustergruppe
R: Range
RV: Radialgeschwindigkeit
t: Zeit

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

DE 102016220450 A1 [0005]

Claims

Verfahren zum Erfassen von Teilbereichen eines Objekts, bei dem ein Radarsensor (1) zur Objekterkennung vorgesehen ist, das Objekt als solches erkannt wird, indem vom Radarsensor (1) ausgesendete Radarsignale vom Objekt reflektiert werden, und anhand der Reflexionen ein Spektrum des jeweiligen Objekts abgeleitet wird, das Spektrum in Reflexionsbereiche unterteilt wird, und das Objekt in Teilbereiche festgelegt wird, wobei zum Erfassen der Teilbereiche die Reflexionsbereiche den Teilbereichen zugeordnet werden.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Unterteilung des Spektrums in Reflexionsbereiche anhand eines Punkt-Extraktionsverfahrens und/oder eines Clusterverfahrens erfolgt.
Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass als Punkt-Extraktionsverfahren ein CLEAN-Verfahren vorgesehen ist.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass es sich bei dem Objekt um einen Menschen, insbesondere Fußgänger (3), oder ein Tier handelt und/oder als Teilbereiche Gliedmaßen, Kopf, Rumpf oder Körperteile des Objekts vorgesehen sind.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass es sich bei dem Spektrum um ein Fourierspektrum handelt, insbesondere ein zwei-, drei oder vierdimensionales Fourierspektrum.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für die Reflexionspunkte im Spektrum ein Schwellenwert bestimmt wird und anhand des Schwellenwertes Reflexionspunkte vom Rauschen des Radarsignals getrennt werden.
Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass die Trennung anhand eines Filters erfolgt, insbesondere eines CFAR- oder OS-CFAR-Filters.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zur Objekterkennung ein Clusterverfahren herangezogen wird.
Verfahren nach einem der Ansprüche 2-8, dadurch gekennzeichnet, dass als Clusterverfahren ein DBSCAN-Verfahren verwendet wird.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Punkt-Reflexionsliste vorgesehen ist, zu der insbesondere der Reflexionspunkt und/oder die Reflexionspunkte mit höchster Amplitude hinzugefügt wird.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Reflexionspunkte auf der Punkt-Reflexionsliste anhand eines Kriteriums geclustert werden.
Verfahren nach Anspruch 11, dadurch gekennzeichnet, dass als Kriterium mindestens eines aus Folgenden vorgesehen ist: - ein Schwellenwert herangezogen wird und das Kriterium eine Schwellenwert Unter- und/oder Überschreitung umfasst, - der Reflexionspunkt zumindest einen festlegbaren Anteil am maximalen Intensitätswert aufweist oder - ein Schwellenwert vorgesehen ist, der von einer übergeordneten Einheit vorgegeben wird.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Erfassung der Teilbereiche anhand einer sequentiellen oder parallelen Suche erfolgt.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für einen Cluster oder einer Clustergruppe ein azimutaler und/oder ein elevationaler Winkel bestimmt wird, der zur Bestimmung des jeweiligen Teilbereichs herangezogen wird.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Radarsensor (1) die Radarsignale erfasst, indem - der Radarsensor (1) eine festlegbare Anzahl an Chirps aufnimmt und zur Verarbeitung bereitstellt und/oder - der Radarsensor (1) eine variable Anzahl an Chirps aufnimmt und zur Verarbeitung bereitstellt und/oder - nur die letzten Chirps einer Radarsignalerfassung (4) zur Verarbeitung bereitstellt werden.
Verfahren zum Erfassen von Teilbereichen eines Objekts, insbesondere nach mindestens einem der vorhergehenden Ansprüche, umfassend folgende Verfahrensschritte: - Verarbeiten eines Spektrums eines Objekts oder von Teilen des Objekts (I), - Ermitteln eines Reflexionspunktes mit höchster Amplitude im Fourier Spektrum (II), - Hinzufügen des Reflexionspunktes zu einer Punkt-Reflexionsliste (III), - Erstellen einer, insbesondere gewichteten, Punktverteilungsfunktion und Ändern des Spektrums anhand der gewichteten Punktverteilungsfunktion (IV), - Clustern der Reflexionspunkte der Punkt-Reflexionsliste und Anwenden eines Kriteriums für diese Cluster (V) sowie - Maskieren der Cluster im Spektrum (VII).
Verfahren nach Anspruch 16, dadurch gekennzeichnet, dass das Verfahren ferner den Verfahrensschritt Löschen der Reflexionspunkte der Cluster von der Punkt-Reflexionsliste (VI) umfasst.
Verfahren nach Anspruch 16 oder 17, dadurch gekennzeichnet, dass das Verfahren ferner das Erstellen einer Clusterliste anhand der Cluster und die Zuordnung der Cluster zu einer Clustergruppe G1 - Gn (VIII) umfasst.
Verfahren nach einem der Ansprüche 16-18, dadurch gekennzeichnet, dass ein Schwellenwert für die Intensität der Reflexionspunkte festgelegt wird und die Verfahrensschritte II, III, IV, V und VII, vorzugsweise die Verfahrensschritte II-VII, solange wiederholt werden, bis die höchste Intensität im Spektrum nur noch unterhalb des Schwellenwertes für die Intensität liegt.
Assistenzsystem zum Erfassen von Teilbereichen eines Objekts, insbesondere für ein Fahrzeug (2), mit einem Radarsensor (1), dadurch gekennzeichnet, dass das Assistenzsystem hergerichtet ist, um das Erfassen der Teilbereiche des Objekts anhand eines Verfahrens nach mindestens einem der vorhergehenden Ansprüche durchzuführen.