KR102262197B1 - Apparatus and method for estimating the shape of a target using fmcw radar signals - Google Patents
Apparatus and method for estimating the shape of a target using fmcw radar signals Download PDFInfo
- Publication number
- KR102262197B1 KR102262197B1 KR1020180158850A KR20180158850A KR102262197B1 KR 102262197 B1 KR102262197 B1 KR 102262197B1 KR 1020180158850 A KR1020180158850 A KR 1020180158850A KR 20180158850 A KR20180158850 A KR 20180158850A KR 102262197 B1 KR102262197 B1 KR 102262197B1
- Authority
- KR
- South Korea
- Prior art keywords
- target
- feature
- feature point
- deriving
- distance
- Prior art date
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
- G01S13/66—Radar-tracking systems; Analogous systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/28—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
- G01S13/536—Discriminating between fixed and moving objects or between objects moving at different speeds using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/35—Details of non-pulse systems
- G01S7/352—Receivers
- G01S7/356—Receivers involving particularities of FFT processing
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
본 발명은 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법에 관한 것으로, 적어도 어느 하나의 송신 안테나를 통해 송신 레이다 신호가 표적에 의해 반사된 수신 레이다 신호를 적어도 어느 하나의 수신 안테나를 통해 수신하여 아날로그 디지털 변환을 수행하여 ADC 데이터를 생성하는 ADC 데이터 생성부, 생성된 ADC 데이터에 대하여 고속푸리에변환을 수행하여 FFT 데이터를 생성하는 FFT 데이터 생성부, 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출하는 표적 정보 도출부 및 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 표적 특징 추출부를 포함한다.The present invention relates to an apparatus and method for estimating the shape of a target by using a signal of an FMCW radar, wherein a transmission radar signal is received through at least one transmission antenna by receiving at least one reception radar signal reflected by a target An ADC data generator that receives through an antenna and performs analog-to-digital conversion to generate ADC data, an FFT data generator that performs fast Fourier transform on the generated ADC data to generate FFT data, and a target based on the generated FFT data. A target information derivation unit for deriving target information including at least one of the presence or absence of a target and index information of the target, and the ADC data and FFT data according to the angular axis of the target to derive the characteristic points of the target, and a target feature extraction unit that extracts a feature region by performing multi-kernel learning on the feature point.
Description
본 발명은 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법에 관한 FMCW 레이다의 ADC 데이터 및 FFT 데이터를 이용하여 도출된 표적의 특징점과 추출된 특성 영역을 다차원 테이블 및 인덱스에 매칭시켜 표적의 형상을 추정하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법에 관한 것이다.The present invention relates to an apparatus and method for estimating the shape of a target by using the signal of the FMCW radar. Matching the feature points of the target derived using ADC data and FFT data of the FMCW radar and the extracted characteristic area to a multi-dimensional table and index The present invention relates to an apparatus and method for estimating the shape of a target by using the signal of the FMCW radar that estimates the shape of the target.
일반적으로, 레이다 장치는 전자파를 송신하여 그 반사파를 수신함으로써 수신신호의 주파수 성분으로부터 표적의 거리, 속도, 방위각 등의 파라미터를 검출하여 표적을 탐지하는 장치로서, 선박, 자동차, 비행기, 운항, 관제, 충돌 방지 등의 다양한 분야에서 사용되고 있다.In general, a radar device is a device that detects a target by detecting parameters such as distance, speed, and azimuth of a target from a frequency component of a received signal by transmitting an electromagnetic wave and receiving the reflected wave, and is a device that detects a target, such as a ship, automobile, airplane, operation, control , and is used in various fields such as collision avoidance.
이와 같은 레이다 장치에는 여러 가지 종류가 있으며, 전파 형태에 따라 크게 펄스 레이다와 연속파 레이다로 나뉜다.There are several types of such a radar device, and it is largely divided into a pulse radar and a continuous wave radar according to a propagation type.
이 중에서, 연속파 레이다의 일종인 FMCW(frequency modulation continuous wave) 레이다는 펄스폭이 좁고 고출력 파형을 송수신하는 펄스 레이다 방식에 비해 다양한 장점을 가지고 있다.Among them, frequency modulation continuous wave (FMCW) radar, which is a type of continuous wave radar, has a narrow pulse width and has various advantages compared to a pulse radar method for transmitting and receiving high-power waveforms.
이러한 FMCW 레이다를 사용하여 표적을 추적하는 경우에는 주로 칼만(Kalman) 필터를 사용하여 왔다. 칼만 필터는 잡음에 의한 오류 경보가 존재하는 위치 정보를 이용하여 실제 물체의 위치를 추적하는 역할을 수행한다.In the case of tracking a target using the FMCW radar, a Kalman filter has been mainly used. The Kalman filter performs a role of tracking the location of an actual object using location information in which an error alarm due to noise exists.
즉, 이러한 레이다 장치는 다른 감지 센서와 비교하여 표적의 거리, 속도, 각도를 정확하게 측정할 수 있지만 표적의 형상에 대해서는 식별할 수 없다는 단점이 있다.That is, compared with other detection sensors, such a radar device can accurately measure the distance, speed, and angle of the target, but has a disadvantage in that it cannot identify the shape of the target.
이와 관련하여, 한국공개특허 제2018-0095320호는 "가중치 적용 칼만 필터를 이용한 레이더 신호 처리 장치 및 그를 이용한 표적 검출 시스템"에 관하여 개시하고 있다.In this regard, Korean Patent Application Laid-Open No. 2018-0095320 discloses "a radar signal processing apparatus using a weighted Kalman filter and a target detection system using the same".
본 발명은 상기와 같은 문제점을 해결하기 위해 발명된 것으로서, FFT 데이터에 대하여 동일한 레인지 인덱스에 해당하는 빈(Bin)의 인덱스를 추출하기 위하여 일정 오경보율(CFAR:Constant False Alarm Rate) 탐지를 수행하고, 수행 결과를 토대로 표적의 존재 유무, 표적의 거리, 속도, 각도에 대한 표적의 인덱스(i,j,k) 정보를 포함하는 표적 정보를 획득하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법을 제공하는데 그 목적이 있다.The present invention was invented to solve the above problems, and in order to extract a bin index corresponding to the same range index with respect to FFT data, constant false alarm rate (CFAR) detection is performed, and , Estimate the shape of the target using the signal of the FMCW radar, which acquires target information including target index (i, j, k) information on the presence or absence of the target, target distance, speed, and angle based on the performance results An object of the present invention is to provide an apparatus and a method for the same.
또한, 본 발명은 표적의 각도 축 k번째 FFT 데이터에서 거리의 변화량 정보를 갖는 i번째 빈의 열을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 거리 특징점을 도출하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법을 제공하는데 그 목적이 있다.In addition, the present invention performs a feature point extraction algorithm by extracting the column of the i-th bin having distance change information from the k-th FFT data of the target angular axis, and derives the target distance feature point according to the change in distance based on the performance result An object of the present invention is to provide an apparatus and method for estimating the shape of a target using a signal of an FMCW radar.
또한, 본 발명은 표적의 각도 축 k번째 ADC 데이터에서 속도의 변화량 정보를 갖는 j번째 빈의 행을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 속도 특징점을 도출하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법을 제공하는데 그 목적이 있다.In addition, the present invention performs a feature point extraction algorithm by extracting the j-th bin row having speed change information from the k-th ADC data of the angular axis of the target, and derives the speed feature point according to the change in distance based on the performance result An object of the present invention is to provide an apparatus and method for estimating the shape of a target using a signal of an FMCW radar.
또한, 본 발명은 표적의 각도 축 k번째 ADC 데이터에서 노이즈의 분포 정보를 갖는 i±a, j±b번째 범위의 빈을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 노이즈 특징점을 도출하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법을 제공하는데 그 목적이 있다.In addition, the present invention performs the feature point extraction algorithm by extracting the bins in the i±a and j±b-th ranges having the distribution information of noise from the k-th ADC data of the angular axis of the target, and derives the noise feature points based on the performance result. An object of the present invention is to provide an apparatus and method for estimating the shape of a target using a signal of an FMCW radar.
또한, 본 발명은 도출된 표적의 특징점과 추출된 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시켜 표적의 형상을 추정하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법을 제공하는데 그 목적이 있다.In addition, the present invention provides an apparatus and method for estimating the shape of a target by using a signal of an FMCW radar that estimates the shape of the target by matching the derived target feature points and the extracted characteristic region to a pre-configured multidimensional table and index. but it has a purpose.
상기의 목적을 달성하기 위한 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치는 적어도 어느 하나의 송신 안테나를 통해 송신 레이다 신호가 표적에 의해 반사된 수신 레이다 신호를 적어도 어느 하나의 수신 안테나를 통해 수신하여 아날로그 디지털 변환(ADC:Analog Digital Converter)을 수행하여 ADC 데이터를 생성하는 ADC 데이터 생성부; 생성된 ADC 데이터에 대하여 고속푸리에변환(FFT; Fast Fourier Transform)을 수행하여 FFT 데이터를 생성하는 FFT 데이터 생성부; 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출하는 표적 정보 도출부; 및 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 표적 특징 추출부;를 포함한다.In an apparatus for estimating the shape of a target by using the signal of the FMCW radar according to the present invention for achieving the above object, the transmission radar signal is reflected by the target through at least one of the transmission antennas at least one of the received radar signals. ADC data generation unit for generating ADC data by performing analog-to-digital conversion (ADC) by receiving it through a receiving antenna of the; an FFT data generator generating FFT data by performing Fast Fourier Transform (FFT) on the generated ADC data; a target information derivation unit for deriving target information including at least one of the presence or absence of a target and index information of the target based on the generated FFT data; And target feature extraction that extracts feature regions by deriving target feature points using ADC data and FFT data according to the angular axis of the target, and performing multi-kernel learning (SVM: Support Vector Machine) on the derived target feature points includes;
또한, A DC 데이터 및 FFT 데이터는 거리(range), 속도(velocity) 및 각도(angle))에 대하여 3차원 큐브상의 데이터로 생성되는 것을 특징으로 한다.In addition, A DC data and FFT data are characterized in that they are generated as data on a three-dimensional cube with respect to distance (range), velocity (velocity) and angle (angle).
또한, 상기 표적 정보 도출부는, 생성된 FFT 데이터에 대하여 동일한 레인지 인덱스에 해당하는 빈(Bin)의 인덱스를 추출하기 위하여 일정 오경보율(CFAR:Constant False Alarm Rate) 탐지를 수행하는 CFAR 탐지 수행부; 및 수행 결과를 토대로 표적의 존재 유무, 표적의 거리, 속도, 각도에 대한 표적의 인덱스(i,j,k) 정보를 포함하는 표적 정보를 획득하는 표적 정보 획득부;를 포함하는 것을 특징으로 한다.In addition, the target information derivation unit may include: a CFAR detection performing unit that performs constant false alarm rate (CFAR) detection in order to extract a bin index corresponding to the same range index with respect to the generated FFT data; and a target information acquisition unit configured to acquire target information including target index (i, j, k) information on the presence or absence of a target, target distance, speed, and angle based on the execution result; .
또한, 상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점, 표적의 속도 특징점 및 표적의 노이즈 특징점 중 적어도 어느 하나를 포함하는 표적의 특징점을 도출하는 것을 특징으로 한다.In addition, the target feature extraction unit is characterized in that it derives a feature point of the target including at least one of a distance feature point of the target, a velocity feature point of the target, and a noise feature point of the target with respect to at least any one or more angular axes of the target.
또한, 상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출하는 거리 특징점 도출부를 포함하며, 상기 거리 특징점 도출부는, 표적의 각도 축 k번째 ADC 데이터에서 거리의 변화량 정보를 갖는 i번째 빈의 열을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 거리 특징점을 도출하는 거리 특징점 추출 수행부; 및 도출된 표적의 거리 특징점에 대하여 다중커널러닝을 수행하여 특성 C-D 평면의 특정 영역에 분포시키는 거리 영역 분포부;를 포함하는 것을 특징으로 한다.In addition, the target feature extracting unit includes a distance feature point deriving unit for deriving a distance feature point of the target with respect to at least any one or more angular axes of the target, wherein the distance feature point derivation unit includes: information on the amount of change in distance in the k-th ADC data of the target angular axis a distance feature extraction performing unit for extracting a column of the i-th bin having , performing a feature point extraction algorithm, and deriving a distance feature point of a target according to a change in distance based on the execution result; and a distance region distribution unit that performs multi-kernel learning on the derived target distance feature points and distributes them in a specific region of the characteristic C-D plane.
또한, 상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출하는 속도 특징점 도출부를 포함하며, 상기 속도 특징점 도출부는, 표적의 각도 축 k번째 FFT 데이터에서 속도의 변화량 정보를 갖는 j번째 빈의 행을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 속도 특징점을 도출하는 속도 특징점 추출 수행부; 및 도출된 표적의 속도 특징점에 대하여 다중커널러닝을 수행하여 특성 A-B 평면의 특정 영역에 분포시키는 속도 영역 분포부;를 포함하는 것을 특징으로 한다.In addition, the target feature extraction unit includes a velocity characteristic point deriving unit for deriving a velocity characteristic point of the target with respect to at least any one or more angular axes of the target, and the velocity characteristic point extraction unit, information on the amount of change in velocity in the k-th FFT data of the target angular axis a speed feature point extraction performing unit that extracts a row of the j-th bin having , performs a feature point extraction algorithm, and derives a speed feature point of a target according to a change in distance based on the execution result; and a velocity region distribution unit that performs multi-kernel learning on the derived target velocity feature points and distributes them in a specific region of the characteristic A-B plane.
또한, 상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출하는 노이즈 특징점 도출부를 포함하며, 상기 노이즈 특징점 도출부는, 표적의 각도 축 k번째 FFT 데이터에서 노이즈의 분포 정보를 갖는 i±a, j±b번째 범위의 빈을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 노이즈 특징점을 도출하는 노이즈 특징점 추출 수행부; 및 도출된 노이즈 특징점에 대하여 다중커널러닝을 수행하여 특성 E-F 평면의 특정 영역에 분포시키는 노이즈 영역 분포부;를 포함하는 것을 특징으로 한다.In addition, the target feature extracting unit includes a noise feature point deriving unit for deriving a noise feature point of the target with respect to at least one or more angular axes of the target, and the noise feature point deriving unit includes: Distribution information of noise in the k-th FFT data of the target angular axis a noise feature extraction performing unit that extracts bins in the i±a, j±b-th range having , performs a feature point extraction algorithm, and derives noise feature points based on the performance result; and a noise region distribution unit that performs multi-kernel learning on the derived noise feature points and distributes them in a specific region of the characteristic E-F plane.
그리고 표적의 적어도 어느 하나 이상의 각도 축에 대하여 도출된 표적의 특징점과 추출된 특성 영역을 누적하여 다차원 테이블 및 인덱스를 구성하는 테이블 및 인덱스 구성부를 더 포함하는 것을 특징으로 한다.And it is characterized in that it further comprises a table and index configuration unit for configuring a multi-dimensional table and index by accumulating the characteristic points and the extracted characteristic areas of the target with respect to at least any one or more angular axes of the target.
또한, 도출된 표적의 특징점과 추출된 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시키는 테이블 및 인덱스 매칭부를 포함하는 것을 특징으로 한다.In addition, it is characterized in that it includes a table and index matching unit for matching the derived target feature point and the extracted feature region to a pre-configured multi-dimensional table and index.
또한, 매칭 결과를 토대로 표적의 형상을 추정하는 표적 형상 추정 부를 포함하는 것을 특징으로 한다.In addition, it is characterized in that it includes a target shape estimation unit for estimating the shape of the target based on the matching result.
상기의 목적을 달성하기 위한 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법은 DC 데이터 생성부에 의해, 적어도 어느 하나의 송신 안테나를 통해 송신 레이다 신호가 표적에 의해 반사된 수신 레이다 신호를 적어도 어느 하나의 수신 안테나를 통해 수신하여 아날로그 디지털 변환(ADC:Analog Digital Converter)을 수행하여 ADC 데이터를 생성하는 단계: FFT 데이터 생성부에 의해, 생성된 ADC 데이터에 대하여 고속푸리에변환(FFT; Fast Fourier Transform)을 수행하여 FFT 데이터를 생성하는 단계; 표적 정보 도출부에 의해, 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출하는 단계; 및 표적 특징 추출부에 의해, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 단계;를 포함한다.The method of estimating the shape of a target by using the signal of the FMCW radar according to the present invention for achieving the above object is a method in which a transmission radar signal is reflected by a target through at least one transmission antenna by a DC data generator. A step of receiving the received radar signal through at least one receiving antenna and performing analog-to-digital conversion (ADC) to generate ADC data: Fast Fourier transform on the generated ADC data by the FFT data generator generating FFT data by performing (FFT; Fast Fourier Transform); deriving, by the target information derivation unit, target information including at least one of the presence or absence of a target and index information of the target based on the generated FFT data; And by the target feature extraction unit, the target feature points are derived using ADC data and FFT data according to the angular axis of the target, and multi-kernel learning (SVM: Support Vector Machine) is performed on the derived target feature points to characterize extracting the region;
또한, 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출하는 단계는, 생성된 FFT 데이터에 대하여 동일한 레인지 인덱스에 해당하는 빈(Bin)의 인덱스를 추출하기 위하여 일정 오경보율(CFAR:Constant False Alarm Rate) 탐지를 수행하는 단계; 및 수행 결과를 토대로 표적의 존재 유무, 표적의 거리, 속도, 각도에 대한 표적의 인덱스(i,j,k) 정보를 포함하는 표적 정보를 획득하는 단계;를 포함하는 것을 특징으로 한다.In addition, the step of deriving target information including at least one of the presence or absence of a target and index information of the target based on the generated FFT data may include an index of a bin corresponding to the same range index with respect to the generated FFT data. performing constant false alarm rate (CFAR) detection to extract and obtaining target information including index (i, j, k) information of the target with respect to the presence or absence of the target, the distance, the speed, and the angle of the target based on the performance result.
또한, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 단계는, 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출하는 단계를 포함하며, 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출하는 단계는, 표적의 각도 축 k번째 ADC 데이터에서 거리의 변화량 정보를 갖는 i번째 빈의 열을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 거리 특징점을 도출하는 단계; 및 도출된 표적의 거리 특징점에 대하여 다중커널러닝을 수행하여 특성 C-D 평면의 특정 영역에 분포시키는 단계;를 포함하는 것을 특징으로 한다.In addition, the step of deriving the feature point of the target using ADC data and FFT data according to the angular axis of the target, and performing multi-kernel learning on the derived target feature point to extract the characteristic region, includes at least any one or more of the target. Including the step of deriving the distance feature point of the target with respect to the angular axis, and the step of deriving the distance feature point of the target with respect to at least one or more angular axes of the target, the distance change amount information in the k-th ADC data of the angular axis of the target extracting the column of the i-th bin, performing a feature point extraction algorithm, and deriving a distance feature point of the target according to a change in distance based on the execution result; and performing multi-kernel learning on the derived target distance feature points and distributing them in a specific region of the characteristic C-D plane.
또한, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 단계는, 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출하는 단계를 포함하며, 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출하는 단계는, 표적의 각도 축 k번째 ADC 데이터에서 속도의 변화량 정보를 갖는 j번째 빈의 행을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 속도 특징점을 도출하는 단계; 및 도출된 표적의 속도 특징점에 대하여 다중커널러닝을 수행하여 특성 A-B 평면의 특정 영역에 분포시키는 단계;를 포함하는 것을 특징으로 한다.In addition, the step of deriving the feature point of the target using ADC data and FFT data according to the angular axis of the target, and performing multi-kernel learning (SVM: Support Vector Machine) on the derived target feature point to extract the feature region , deriving the velocity characteristic point of the target with respect to at least any one or more angular axes of the target, wherein the deriving the velocity characteristic point of the target with respect to at least any one or more angular axes comprises: in the k-th ADC data of the angular axis of the target performing a feature point extraction algorithm by extracting a row of the j-th bin having information on the change amount of velocity, and deriving a velocity feature point of a target according to a change in distance based on the execution result; and performing multi-kernel learning on the derived target velocity feature points and distributing them in a specific area of the feature A-B plane.
또한, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 단계는, 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출하는 단계를 포함하며, 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출하는 단계는, 표적의 각도 축 k번째 FFT 데이터에서 노이즈의 분포 정보를 갖는 i±a, j±b번째 범위의 빈을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 노이즈 특징점을 도출하는 단계; 및 도출된 노이즈 특징점에 대하여 다중커널러닝을 수행하여 특성 E-F 평면의 특정 영역에 분포시키는 단계;를 포함하는 것을 특징으로 한다.In addition, the step of deriving the feature point of the target using ADC data and FFT data according to the angular axis of the target, and performing multi-kernel learning on the derived target feature point to extract the characteristic region, includes at least any one or more of the target. Deriving the noise feature points of the target with respect to the angular axis, wherein the step of deriving the noise feature points of the target with respect to at least any one or more angular axes of the target includes the noise distribution information in the k-th FFT data of the angular axis of the target performing a feature point extraction algorithm by extracting bins in the i±a and j±b-th ranges, and deriving a noise feature point based on the execution result; and performing multi-kernel learning on the derived noise feature points and distributing them in a specific region of the feature E-F plane.
또한, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 단계 이후에, 도출된 표적의 특징점과 추출된 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시키는 단계; 및 매칭 결과를 토대로 표적의 형상을 추정하는 단계;를 포함하는 것을 특징으로 한다.In addition, after deriving the feature point of the target using ADC data and FFT data according to the angular axis of the target, and extracting the feature region by performing multi-kernel learning on the derived target feature point, the derived target feature point and matching the extracted characteristic region to a pre-configured multi-dimensional table and index; and estimating the shape of the target based on the matching result.
상기의 목적을 달성하기 위한 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법은 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 거리 특징점, 속도 특징점 및 노이즈 특징점을 도출하고, 도출된 표적의 거리 특징점, 속도 특징점 및 노이즈 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하고, 도출된 표적의 거리 특징점, 속도 특징점 및 노이즈 특징점과 추출된 각각의 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시킴으로써, 표적의 형상을 추정할 수 있고, 데이터베이스화된 다차원 테이블 및 인덱스를 토대로 표적의 형상을 더욱 정확하게 식별할 수 있는 효과가 있다. The apparatus and method for estimating the shape of a target using the signal of the FMCW radar according to the present invention for achieving the above object are the distance characteristic point and the velocity characteristic point of the target using ADC data and FFT data according to the angular axis of the target. and deriving the noise feature point, performing multi-kernel learning (SVM: Support Vector Machine) on the derived target distance feature point, speed feature point, and noise feature point to extract the feature region, and the derived target distance feature point, speed feature point and By matching the noise feature points and each extracted characteristic area to a pre-configured multidimensional table and index, the shape of the target can be estimated, and the shape of the target can be more accurately identified based on the databased multidimensional table and index. have.
도 1은 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치의 구성을 설명하기 위한 도면이다.
도 2는 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치에서 생성되는 ADC 데이터 및 FFT 데이터의 형태를 설명하기 위한 도면이다.
도 3은 본 발명에 따른 표적 형상 추정부에서 표적의 형상을 추정하는 예시를 설명하기 위한 도면이다.
도 4는 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치에서 채용되는 표적 정보 도출부의 세부 구성을 설명하기 위한 도면이다.
도 5는 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치에서 채용되는 표적 특징 추출부의 세부 구성을 설명하기 위한 도면이다.
도 6은 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법의 순서를 설명하기 위한 순서도이다.
도 7은 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법에서 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 과정을 설명하기 위한 순서도이다.1 is a diagram for explaining the configuration of an apparatus for estimating the shape of a target by using a signal of an FMCW radar according to the present invention.
FIG. 2 is a diagram for explaining the types of ADC data and FFT data generated by the apparatus for estimating the shape of a target by using the signal of the FMCW radar according to the present invention.
3 is a view for explaining an example of estimating the shape of the target in the target shape estimator according to the present invention.
4 is a view for explaining the detailed configuration of the target information derivation unit employed in the apparatus for estimating the shape of the target by using the signal of the FMCW radar according to the present invention.
5 is a diagram for explaining the detailed configuration of a target feature extraction unit employed in the apparatus for estimating the shape of a target by using a signal of the FMCW radar according to the present invention.
6 is a flowchart for explaining the sequence of a method for estimating a shape of a target by using a signal of an FMCW radar according to the present invention.
7 is a method for estimating the shape of a target by using the signal of the FMCW radar according to the present invention, using ADC data and FFT data along the angular axis of the target to derive the characteristic points of the target, and the derived target characteristic points This is a flowchart to explain the process of extracting feature regions by performing multi-kernel learning (SVM: Support Vector Machine).
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.Since the present invention can have various changes and can have various embodiments, specific embodiments are illustrated in the drawings and described in detail.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. However, this is not intended to limit the present invention to specific embodiments, and it should be understood to include all modifications, equivalents and substitutes included in the spirit and scope of the present invention. In describing each figure, like reference numerals have been used for like elements.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.When a component is referred to as being “connected” or “connected” to another component, it is understood that the other component may be directly connected or connected to the other component, but other components may exist in between. it should be On the other hand, when it is mentioned that a certain element is "directly connected" or "directly connected" to another element, it should be understood that the other element does not exist in the middle.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다." 또는 "가지다." 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. The singular expression includes the plural expression unless the context clearly dictates otherwise. In this application, "includes." Or "have." The term such as is intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other features or number, step, operation, component, part or It should be understood that it does not preclude the possibility of the existence or addition of combinations thereof.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 이하, 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다. Hereinafter, preferred embodiments of the present invention will be described in more detail with reference to the accompanying drawings. Hereinafter, the same reference numerals are used for the same components in the drawings, and repeated descriptions of the same components are omitted.
도 1은 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치의 구성을 설명하기 위한 도면이고, 도 2는 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치에서 생성되는 ADC 데이터 및 FFT 데이터의 형태를 설명하기 위한 도면이고, 도 3은 본 발명에 따른 표적 형상 추정부에서 표적의 형상을 추정하는 예시를 설명하기 위한 도면이다.1 is a diagram for explaining the configuration of an apparatus for estimating the shape of a target by using the signal of the FMCW radar according to the present invention, and FIG. 2 is a view for estimating the shape of the target by using the signal of the FMCW radar according to the present invention It is a view for explaining the form of ADC data and FFT data generated by the device, and FIG. 3 is a view for explaining an example of estimating the shape of the target by the target shape estimator according to the present invention.
도 1을 참조하여 설명하면, 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치(100)는 크게 ADC 데이터 생성부(110), FFT 데이터 생성부(120), 표적 정보 도출부(130), 표적 특징 추출부(140), 테이블 및 인덱스 구성부(150), 테이블 및 인덱스 매칭부(160) 및 표적 형상 추정부(170)를 포함한다.Referring to FIG. 1 , the
ADC 데이터 생성부(110)는 적어도 어느 하나의 송신 안테나를 통해 송신 레이다 신호가 표적에 의해 반사된 수신 레이다 신호를 적어도 어느 하나의 수신 안테나를 통해 수신하여 아날로그 디지털 변환(ADC:Analog Digital Converter)을 수행하여 ADC 데이터를 생성한다.The ADC
FFT 데이터 생성부(120)는 생성된 ADC 데이터에 대하여 고속푸리에변환(FFT; Fast Fourier Transform)을 수행하여 FFT 데이터를 생성한다.The
여기서, ADC 데이터 및 FFT 데이터는 거리(range), 속도(velocity) 및 각도(angle))에 대하여 도 2에 도시된 바와 같이, 3차원 큐브상의 데이터로 생성된다.Here, ADC data and FFT data are generated as data on a three-dimensional cube as shown in FIG. 2 with respect to distance (range, velocity, and angle).
표적 정보 도출부(130)는 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출한다. 여기서 표적의 인덱스 정보는 표적의 거리, 속도, 각도에 대한 정보이다. 이에 대해서는 이후 설명되는 도 4에서 자세하게 설명하기로 한다. The target
표적 특징 추출부(140)는 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출한다. 이를 통해, 표적 특징 추출부(140)는 각도별 표적의 특징점을 추출할 수 있게 된다.The target
이를 위해, 표적 특징 추출부(140)는 거리 특징점 추출부(141), 속도 특징점 추출부(144) 및 노이즈 특징점 추출부(147)를 포함한다.To this end, the
거리 특징점 추출부(141)는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출한다.The distance feature
속도 특징점 추출부(144)는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출한다.The velocity feature
노이즈 특징점 추출부(147)는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출한다.The noise feature
상기와 같은 거리 특징점 추출부(141), 속도 특징점 추출부(144) 및 노이즈 특징점 추출부(147)의 세부 구성을 이후 설명되는 도 5에서 자세하게 설명하기로 한다.The detailed configuration of the distance
테이블 및 인덱스 구성부(150)는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 도출된 표적의 특징점과 추출된 특성 영역을 반복적으로 누적하여 다차원 테이블 및 인덱스를 구성한다.The table and
즉, 테이블 및 인덱스 구성부(150)는 예를 들어, 표적의 각도 축 k번째 그리고 표적의 각도 축 m번째에 대하여 각각 도출된 표적의 특징점과 추출된 특성 영역을 누적하여 다차원 테이블 및 인덱스를 구성할 수 있다.That is, the table and
테이블 및 인덱스 매칭부(160)는 도출된 표적의 특징점과 추출된 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시킨다.The table and
즉, 테이블 및 인덱스 매칭부(160)는 도출된 표적의 특징점과 추출된 특성 영역이 어떤 테이블값과 최대값을 매칭되는지 확인하여 인덱스를 도출한다.That is, the table and
표적 형상 추정부(170)는 매칭 결과 즉, 도출된 인덱스를 통해 표적의 형상을 추정한다.The target
보다 자세하게, 표적 형상 추정부(170)는 어떤 임의 형상을 갖는 표적의 특징점을 추출하면 특징점 영역에서 어떤 위치에 분포를 갖게 되며, 도 3과 같은 원리로 다중커널러닝을 통해 형상이 다른 물체마다 분포 영역이 구분될 수 있으며 어떤 영역에 위치하는지 매핑을 통해 물체의 형상을 추정할 수 있게 되는 것이다.In more detail, when the target
도 4는 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치에서 채용되는 표적 정보 도출부의 세부 구성을 설명하기 위한 도면이다.4 is a view for explaining the detailed configuration of the target information derivation unit employed in the apparatus for estimating the shape of the target by using the signal of the FMCW radar according to the present invention.
도 4를 참조하여 설명하면, 본 발명에 따른 표적 정보 도출부(130)는 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출한다.Referring to FIG. 4 , the target
이를 위해, 표적 정보 도출부(130)는 CFAR 탐지 수행부(131) 및 표적 정보 획득부(132)를 포함한다.To this end, the target
CFAR 탐지 수행부(131)는 생성된 FFT 데이터에 대하여 동일한 레인지 인덱스에 해당하는 빈(Bin)의 인덱스를 추출하기 위하여 일정 오경보율(CFAR:Constant False Alarm Rate) 탐지를 수행한다.The CFAR
표적 정보 획득부(132)는 수행 결과를 토대로 표적의 존재 유무, 표적의 거리, 속도, 각도에 대한 표적의 인덱스(i,j,k) 정보를 포함하는 표적 정보를 획득한다. 여기서, 표적의 인덱스는 앞서 설명한 3차원 큐브상의 빈(Bin)의 위치를 나타낸다.The target
도 5는 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치에서 채용되는 표적 특징 추출부의 세부 구성을 설명하기 위한 도면이다.5 is a diagram for explaining the detailed configuration of a target feature extraction unit employed in the apparatus for estimating the shape of a target by using a signal of the FMCW radar according to the present invention.
도 5를 참조하여 설명하면, 본 발명에 따른 표적 특징 추출부(140)는 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출한다.Referring to FIG. 5 , the target
이를 위해, 표적 특징 추출부(140)는 거리 특징점 추출부(141), 속도 특징점 추출부(144) 및 노이즈 특징점 추출부(147)를 포함한다.To this end, the
거리 특징점 추출부(141)는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출한다.The distance feature
이에, 거리 특징점 추출부(141)는 거리 특징점 추출 수행부(142), 및 거리 영역 분포부(143)를 포함한다.Accordingly, the distance
거리 특징점 추출 수행부(142)는 표적의 각도 축 k번째 ADC 데이터에서 거리의 변화량 정보를 갖는 i번째 빈의 열을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 거리 특징점을 도출한다.The distance feature
거리 영역 분포부(143)는 도출된 표적의 거리 특징점에 대하여 다중커널러닝을 수행하여 앞서 설명한 도 2에 도시된 바와 같이 특성 C-D 평면의 특정 영역에 분포시킨다.The distance
속도 특징점 추출부(144)는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출한다.The velocity feature
이에, 속도 특징점 추출부(144)는 속도 특징점 추출 수행부(145) 및 속도 영역 분포부(146)를 포함한다.Accordingly, the velocity feature
속도 특징점 추출 수행부(145)는 표적의 각도 축 k번째 ADC 데이터에서 속도의 변화량 정보를 갖는 j번째 빈의 행을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 속도 특징점을 도출한다.The velocity characteristic point
속도 영역 분포부(146)는 도출된 표적의 속도 특징점에 대하여 다중커널러닝을 수행하여 앞서 설명한 도 2에 도시된 바와 같이 특성 A-B 평면의 특정 영역에 분포시킨다.The velocity
노이즈 특징점 추출부(147)는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출한다.The noise feature
이에, 노이즈 특징점 추출부(147)는 노이즈 특징점 추출 수행부(148) 및 노이즈 영역 분포부(149)를 포함한다.Accordingly, the noise
노이즈 특징점 추출 수행부(148)는 표적의 각도 축 k번째 FFT 데이터에서 노이즈의 분포 정보를 갖는 i±a, j±b번째 범위의 빈을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 노이즈 특징점을 도출한다.The noise feature
노이즈 영역 분포부(149)는 도출된 노이즈 특징점에 대하여 다중커널러닝을 수행하여 앞서 설명한 도 2에 도시된 바와 같이 특성 E-F 평면의 특정 영역에 분포시킨다.The noise
즉, 노이즈 특징점 추출부(147)는 앞서 설명한 도 2에서 ADC 데이터인 아날로그 관점에서 보면 표적의 위치(ith,jth)번째 bin을 중심으로 i번째 좌우 a만큼, j번째 위아래 b만큼의 bin 데이터를 가져와서 특징점 도출과 특정 영역 분포를 수행하면 표적 주변의 노이즈 분포를 알 수 있다. That is, the noise feature
도 6은 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법의 순서를 설명하기 위한 순서도이다.6 is a flowchart for explaining the sequence of a method for estimating a shape of a target by using a signal of an FMCW radar according to the present invention.
도 6을 참조하여 설명하면, 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법은 앞서 설명한 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치(100)를 이용하는 것으로, 이하 중복되는 설명은 생략하기로 한다.6, the method of estimating the shape of the target using the signal of the FMCW radar according to the present invention uses the
먼저, 적어도 어느 하나의 송신 안테나를 통해 송신 레이다 신호가 표적에 의해 반사된 수신 레이다 신호를 적어도 어느 하나의 수신 안테나를 통해 수신하여 아날로그 디지털 변환(ADC:Analog Digital Converter)을 수행하여 ADC 데이터를 생성한다(S100).First, through at least one transmitting antenna, the receiving radar signal reflected by the target is received through at least one receiving antenna, and analog-to-digital conversion (ADC) is performed to generate ADC data. do (S100).
다음, 생성된 ADC 데이터에 대하여 고속푸리에변환(FFT; Fast Fourier Transform)을 수행하여 FFT 데이터를 생성한다(S110).Next, a Fast Fourier Transform (FFT) is performed on the generated ADC data to generate FFT data (S110).
다음, 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출한다(S120). Next, based on the generated FFT data, target information including at least one of the presence or absence of the target and the index information of the target is derived ( S120 ).
다음, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출한다(S130).Next, the target feature points are derived using ADC data and FFT data according to the angular axis of the target, and multi-kernel learning (SVM: Support Vector Machine) is performed on the derived target feature points to extract a feature region (S130). ).
S130 단계는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점, 표적의 속도 특징점 및 노이즈 특징점을 도출한다.In step S130, a distance feature point of the target, a velocity feature point of the target, and a noise feature point are derived with respect to at least one or more angular axes of the target.
다음, 표적의 적어도 어느 하나 이상의 각도 축에 대하여 도출된 표적의 특징점과 추출된 특성 영역을 누적하여 다차원 테이블 및 인덱스를 구성한다(S140).Next, a multidimensional table and an index are constructed by accumulating the derived target feature points and the extracted feature regions with respect to at least one or more angular axes of the target ( S140 ).
S140 단계는 표적의 각도 축 k번째 그리고 표적의 각도 축 m번째에 대하여 각각 도출된 표적의 특징점과 추출된 특성 영역을 누적하여 차원 테이블 및 인덱스를 구성할 수 있다.In step S140 , a dimension table and an index may be configured by accumulating the extracted characteristic points and the extracted characteristic areas for the k-th angular axis of the target and the m-th of the angular axis of the target, respectively.
다음, 도출된 표적의 특징점과 추출된 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시킨다(S150).Next, the derived target feature points and the extracted feature regions are matched to the pre-configured multidimensional table and index (S150).
S150 단계는 도출된 표적의 특징점과 추출된 특성 영역이 어떤 테이블값과 최대값을 매칭되는지 확인하여 인덱스를 도출한다.In step S150, the index is derived by checking which table value and the maximum value of the derived target feature point and the extracted feature region match.
다음, 매칭 결과를 토대로 표적의 형상을 추정한다(S160).Next, the shape of the target is estimated based on the matching result ( S160 ).
도 7은 본 발명에 따른 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법에서 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 과정을 설명하기 위한 순서도이다.7 is a method for estimating the shape of a target by using the signal of the FMCW radar according to the present invention, using ADC data and FFT data along the angular axis of the target to derive the characteristic points of the target, and the derived target characteristic points This is a flowchart to explain the process of extracting feature regions by performing multi-kernel learning (SVM: Support Vector Machine).
도 7을 참조하여 설명하면, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 과정은 먼저 표적의 각도 축 k번째 FFT 데이터에서 거리의 변화량 정보를 갖는 i번째 빈의 열을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 거리 특징점을 도출한다(S200).Referring to FIG. 7 , the target feature points are derived using ADC data and FFT data according to the angular axis of the target, and multi-kernel learning (SVM: Support Vector Machine) is performed on the derived target feature points. In the process of extracting the region, first, the keypoint extraction algorithm is performed by extracting the column of the i-th bin having distance change information from the k-th FFT data of the angular axis of the target, and based on the result, the target distance keypoint according to the change in distance is derived (S200).
다음, 도출된 표적의 거리 특징점에 대하여 다중커널러닝을 수행하여 특성 C-D 평면의 특정 영역에 분포시킨다(S210).Next, multi-kernel learning is performed on the derived target distance feature points and distributed in a specific area of the characteristic C-D plane (S210).
다음, 표적의 각도 축 k번째 FFT 데이터에서 속도의 변화량 정보를 갖는 j번째 빈의 행을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 속도 특징점을 도출한다(S220).Next, the key point extraction algorithm is performed by extracting the j-th bin row having information on the amount of change in speed from the k-th FFT data of the angular axis of the target, and the speed key point of the target according to the change in distance is derived based on the execution result (S220) ).
다음, 도출된 표적의 속도 특징점에 대하여 다중커널러닝을 수행하여 특성 A-B 평면의 특정 영역에 분포시킨다(S230).Next, multi-kernel learning is performed on the derived target velocity feature points and distributed in a specific area of the characteristic A-B plane (S230).
다음, 표적의 각도 축 k번째 ADC 데이터에서 노이즈의 분포 정보를 갖는 i±a, j±b번째 범위의 빈을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 노이즈 특징점을 도출한다(S240).Next, the key point extraction algorithm is performed by extracting the bins in the i±a, j±b-th range having the distribution information of the noise from the k-th ADC data of the angular axis of the target, and the noise feature point is derived based on the result (S240) .
다음, 도출된 노이즈 특징점에 대하여 다중커널러닝을 수행하여 특성 E-F 평면의 특정 영역에 분포시킨다(S250).Next, multi-kernel learning is performed on the derived noise feature points and distributed in a specific area of the feature E-F plane (S250).
이상 본 명세서에서 설명한 기능적 동작과 본 주제에 관한 실시형태들은 본 명세서에서 개시한 구조들 및 그들의 구조적인 등가물을 포함하여 디지털 전자 회로나 컴퓨터 소프트웨어, 펌웨어 또는 하드웨어에서 혹은 이들 중 하나 이상이 조합에서 구현 가능하다. The functional operations described in this specification and the embodiments related to the present subject matter are implemented in a digital electronic circuit or computer software, firmware or hardware, including the structures disclosed herein and structural equivalents thereof, or in a combination of one or more of these It is possible.
본 명세서에서 기술하는 주제의 실시형태는 하나 이상이 컴퓨터 프로그램 제품, 다시 말해 정보 처리 장치에 의한 실행을 위하여 혹은 그 동작을 운용하기 위하여 유형의 프로그램 매체상에 인코딩되는 컴퓨터 프로그램 명령에 관한 하나 이상이 모듈로서 구현될 수 있다. 유형의 프로그램 매체는 전파형 신호이거나 컴퓨터로 판독 가능한 매체일 수 있다. 전파형 신호는 컴퓨터에 의한 실행을 위하여 적절한 수신기 장치로 전송하기 위한 정보를 인코딩하기 위하여 생성되는 예컨대 기계가 생성한 전기적, 광학적 혹은 전자기 신호와 같은 인공적으로 생성된 신호이다. 컴퓨터로 판독 가능한 매체는 기계로 판독 가능한 저장장치, 기계로 판독 가능한 저장 기판, 메모리 장치, 기계로 판독 가능한 전파형 신호에 영향을 미치는 물질의 조합 혹은 이들 중 하나 이상이 조합일 수 있다.Embodiments of the subject matter described herein relate to one or more computer program products, ie one or more computer program instructions encoded on a tangible program medium for execution by or operating an operation of a computer program product, ie, an information processing device. It can be implemented as a module. A tangible program medium may be a radio wave signal or a computer-readable medium. A radio wave signal is an artificially generated signal, eg a machine generated electrical, optical or electromagnetic signal, that is generated to encode information for transmission to an appropriate receiver device for execution by a computer. The computer-readable medium may be a machine-readable storage device, a machine-readable storage substrate, a memory device, a combination of materials that affect a machine-readable radio wave signal, or a combination of one or more of these.
컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 어플리케이션, 스크립트 혹은 코드로도 알려져 있음)은 컴파일되거나 해석된 언어나 선험적 혹은 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 혹은 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 전개될 수 있다. A computer program (also known as a program, software, software application, script or code) may be written in any form of any programming language, including compiled or interpreted language or a priori or procedural language, and may be written as a stand-alone program or module; It can be deployed in any form, including components, subroutines, or other units suitable for use in a computer environment.
컴퓨터 프로그램은 파일 장치의 파일에 반드시 대응하는 것은 아니다. 프로그램은 요청된 프로그램에 제공되는 단일 파일 내에, 혹은 다중의 상호 작용하는 파일(예컨대, 하나 이상이 모듈, 하위 프로그램 혹은 코드의 일부를 저장하는 파일) 내에, 혹은 다른 프로그램이나 정보를 보유하는 파일의 일부(예컨대, 마크업 언어 문서 내에 저장되는 하나 이상이 스크립트) 내에 저장될 수 있다. A computer program does not necessarily correspond to a file on a file device. A program may be placed in a single file provided to the requested program, or in multiple interacting files (eg, files that store one or more modules, subprograms, or portions of code), or in files holding other programs or information. It may be stored within some (eg, one or more scripts stored within a markup language document).
컴퓨터 프로그램은 하나의 사이트에 위치하거나 복수의 사이트에 걸쳐서 분산되어 통신 네트워크에 의해 상호 접속된 다중 컴퓨터나 하나의 컴퓨터상에서 실행되도록 전개될 수 있다.The computer program may be deployed to be executed on a single computer or multiple computers located at one site or distributed over a plurality of sites and interconnected by a communication network.
부가적으로, 본 특허문헌에서 기술하는 논리 흐름과 구조적인 블록도는 개시된 구조적인 수단의 지원을 받는 대응하는 기능과 단계의 지원을 받는 대응하는 행위 및/또는 특정한 방법을 기술하는 것으로, 대응하는 소프트웨어 구조와 알고리즘과 그 등가물을 구축하는 데에도 사용 가능하다. Additionally, the logic flows and structural block diagrams described in this patent document describe corresponding acts and/or specific methods supported by corresponding functions and steps supported by the disclosed structural means, and corresponding It can also be used to build software structures and algorithms and their equivalents.
본 명세서에서 기술하는 프로세스와 논리 흐름은 입력 정보 상에서 동작하고 출력을 생성함으로써 기능을 수행하기 위하여 하나 이상이 컴퓨터 프로그램을 실행하는 하나 이상이 프로그래머블 프로세서에 의하여 수행 가능하다.The processes and logic flows described herein may be performed by one or more programmable processors executing one or more computer programs to perform functions by operating on input information and generating outputs.
컴퓨터 프로그램의 실행에 적합한 프로세서는, 예컨대 범용 및 특수 목적의 마이크로프로세서 양자 및 어떤 종류의 디지털 컴퓨터의 어떠한 하나 이상이 프로세서라도 포함한다. 일반적으로, 프로세서는 읽기 전용 메모리나 랜덤 액세스 메모리 혹은 양자로부터 명령어와 정보를 수신할 것이다. Processors suitable for the execution of computer programs include, for example, both general and special purpose microprocessors and any one or more processors of any kind of digital computer. Typically, the processor will receive instructions and information from read-only memory, random access memory, or both.
컴퓨터의 핵심적인 요소는 명령어와 정보를 저장하기 위한 하나 이상이 메모리 장치 및 명령을 수행하기 위한 프로세서이다. 또한, 컴퓨터는 일반적으로 예컨대 자기, 자기광학 디스크나 광학 디스크와 같은 정보를 저장하기 위한 하나 이상이 대량 저장 장치로부터 정보를 수신하거나 그것으로 정보를 전송하거나 혹은 그러한 동작 둘 다를 수행하기 위하여 동작가능 하도록 결합되거나 이를 포함할 것이다. 그러나, 컴퓨터는 그러한 장치를 가질 필요가 없다.A key element of a computer is one or more memory devices for storing instructions and information and a processor for executing instructions. In addition, a computer is generally configured to be operable to receive information from, transmit information to, or perform both operations on one or more mass storage devices for storing information, such as, for example, magnetic, magneto-optical disks or optical disks. combined or will include. However, the computer need not have such a device.
본 기술한 설명은 본 발명의 최상의 모드를 제시하고 있으며, 본 발명을 설명하기 위하여, 그리고 당업자가 본 발명을 제작 및 이용할 수 있도록 하기 위한 예를 제공하고 있다. 이렇게 작성된 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하는 것이 아니다. The present description sets forth the best mode of the invention, and provides examples to illustrate the invention, and to enable any person skilled in the art to make or use the invention. This written specification does not limit the present invention to the specific terms presented.
따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다. 요컨대 본 발명이 의도하는 효과를 달성하기 위해 도면에 도시된 모든 기능 블록을 별도로 포함하거나 도면에 도시된 모든 순서를 도시된 순서 그대로 따라야만 하는 것은 아니며, 그렇지 않더라도 얼마든지 청구항에 기재된 본 발명의 기술적 범위에 속할 수 있음에 주의한다.Accordingly, although the present invention has been described in detail with reference to the above-described examples, those skilled in the art can make modifications, changes, and modifications to the examples without departing from the scope of the present invention. In short, in order to achieve the intended effect of the present invention, it is not necessary to separately include all the functional blocks shown in the drawings or follow all the orders shown in the drawings. Note that it may fall within the scope.
100 : FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치
110 : ADC 데이터 생성부
120 : FFT 데이터 생성부
130 : 표적 정보 도출부
140 : 표적 특징 추출부
150 : 테이블 및 인덱스 구성부
160 : 테이블 및 인덱스 매칭부
170 : 표적 형상 추정부100: A device for estimating the shape of a target using the signal of the FMCW radar
110: ADC data generation unit
120: FFT data generator
130: target information derivation unit
140: target feature extraction unit
150: table and index component
160: table and index matching unit
170: target shape estimation unit
Claims (16)
생성된 ADC 데이터에 대하여 고속푸리에변환(FFT; Fast Fourier Transform)을 수행하여 FFT 데이터를 생성하는 FFT 데이터 생성부;
생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출하는 표적 정보 도출부; 및
표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 표적 특징 추출부;를 포함하며,
상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출하는 노이즈 특징점 도출부를 포함하며,
상기 노이즈 특징점 도출부는,
표적의 각도 축 k번째 ADC 데이터에서 노이즈의 분포 정보를 갖는 i±a, j±b번째 범위의 빈을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 노이즈 특징점을 도출하는 노이즈 특징점 추출 수행부; 및
도출된 노이즈 특징점에 대하여 다중커널러닝을 수행하여 특성 E-F 평면의 특정 영역에 분포시키는 노이즈 영역 분포부;
를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.ADC that generates ADC data by performing analog-to-digital conversion (ADC) by receiving a receiving radar signal reflected by a target through at least one transmitting antenna through at least one receiving antenna data generation unit;
an FFT data generator generating FFT data by performing Fast Fourier Transform (FFT) on the generated ADC data;
a target information derivation unit for deriving target information including at least one of the presence or absence of a target and index information of the target based on the generated FFT data; and
Target feature extraction unit that derives target feature points using ADC data and FFT data according to the angular axis of the target, and extracts feature regions by performing multi-kernel learning (SVM: Support Vector Machine) on the derived target feature points including;
The target feature extraction unit includes a noise characteristic point deriving unit for deriving a noise characteristic point of the target with respect to at least one or more angular axes of the target,
The noise feature point derivation unit,
A noise feature extraction performing unit that extracts bins in the i±a and j±b ranges having noise distribution information from the k-th ADC data on the angular axis of the target, performs a feature point extraction algorithm, and derives noise feature points based on the performance result ; and
a noise region distribution unit that performs multi-kernel learning on the derived noise feature points and distributes them in a specific region of the characteristic EF plane;
Apparatus for estimating the shape of the target using the signal of the FMCW radar, characterized in that it comprises a.
ADC 데이터 및 FFT 데이터는 거리(range), 속도(velocity) 및 각도(angle))에 대하여 3차원 큐브상의 데이터로 생성되는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.According to claim 1,
ADC data and FFT data is an apparatus for estimating the shape of a target using the signal of the FMCW radar, characterized in that it is generated as data on a three-dimensional cube with respect to distance (range), velocity (velocity) and angle (angle).
상기 표적 정보 도출부는,
생성된 FFT 데이터에 대하여 동일한 레인지 인덱스에 해당하는 빈(Bin)의 인덱스를 추출하기 위하여 일정 오경보율(CFAR:Constant False Alarm Rate) 탐지를 수행하는 CFAR 탐지 수행부; 및
수행 결과를 토대로 표적의 존재 유무, 표적의 거리, 속도, 각도에 대한 표적의 인덱스(i,j,k) 정보를 포함하는 표적 정보를 획득하는 표적 정보 획득부;
를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.According to claim 1,
The target information derivation unit,
a CFAR detection performing unit that detects a constant false alarm rate (CFAR) in order to extract a bin index corresponding to the same range index with respect to the generated FFT data; and
a target information acquisition unit for acquiring target information including target index (i, j, k) information on the presence or absence of a target, target distance, speed, and angle based on the execution result;
Apparatus for estimating the shape of the target using the signal of the FMCW radar, characterized in that it comprises a.
상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점, 표적의 속도 특징점 및 표적의 노이즈 특징점 중 적어도 어느 하나를 포함하는 표적의 특징점을 도출하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.According to claim 1,
FMCW radar signal, characterized in that the target feature extraction unit derives a feature point of the target including at least any one of a target distance feature point, a target velocity feature point, and a target noise feature point with respect to at least any one or more angular axes of the target A device that estimates the shape of a target using
상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출하는 거리 특징점 도출부를 포함하며,
상기 거리 특징점 도출부는,
표적의 각도 축 k번째 FFT 데이터에서 거리의 변화량 정보를 갖는 i번째 빈의 열을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 거리 특징점을 도출하는 거리 특징점 추출 수행부; 및
도출된 표적의 거리 특징점에 대하여 다중커널러닝을 수행하여 특성 C-D 평면의 특정 영역에 분포시키는 거리 영역 분포부;
를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.According to claim 1,
The target feature extracting unit includes a distance feature point deriving unit for deriving a distance feature point of the target with respect to at least one or more angular axes of the target,
The distance feature point derivation unit,
Perform a feature point extraction algorithm by extracting the i-th bin column having information on the amount of distance change from the k-th FFT data of the angular axis of the target, and perform distance feature point extraction to derive the distance feature points of the target according to the change in distance based on the execution result part; and
a distance region distribution unit that performs multi-kernel learning on the derived target distance feature points and distributes them in a specific region of the characteristic CD plane;
Apparatus for estimating the shape of the target using the signal of the FMCW radar, characterized in that it comprises a.
상기 표적 특징 추출부는 표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출하는 속도 특징점 도출부를 포함하며,
상기 속도 특징점 도출부는,
표적의 각도 축 k번째 FFT 데이터에서 속도의 변화량 정보를 갖는 j번째 빈의 행을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 속도 특징점을 도출하는 속도 특징점 추출 수행부; 및
도출된 표적의 속도 특징점에 대하여 다중커널러닝을 수행하여 특성 A-B 평면의 특정 영역에 분포시키는 속도 영역 분포부;
를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.According to claim 1,
The target feature extraction unit includes a velocity characteristic point deriving unit for deriving the velocity characteristic point of the target with respect to at least one or more angular axes of the target,
The speed characteristic point derivation unit,
Perform the feature point extraction algorithm by extracting the j-th bin row with the velocity change information from the k-th FFT data of the angular axis of the target, and perform velocity feature point extraction to derive the velocity feature point according to the change in distance based on the execution result part; and
a velocity region distribution unit that performs multi-kernel learning on the derived target velocity characteristic points and distributes them in a specific region of the characteristic AB plane;
Apparatus for estimating the shape of the target using the signal of the FMCW radar, characterized in that it comprises a.
표적의 적어도 어느 하나 이상의 각도 축에 대하여 도출된 표적의 특징점과 추출된 특성 영역을 누적하여 다차원 테이블 및 인덱스를 구성하는 테이블 및 인덱스 구성부를 더 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.According to claim 1,
Target using the signal of the FMCW radar, characterized in that it further comprises a table and index construction unit constituting a multi-dimensional table and index by accumulating the characteristic points of the target derived with respect to at least any one or more angular axes of the target and the extracted characteristic region A device for estimating the shape of
도출된 표적의 특징점과 추출된 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시키는 테이블 및 인덱스 매칭부를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.According to claim 1,
Apparatus for estimating the shape of a target using a signal of the FMCW radar, characterized in that it includes a table and an index matching unit for matching the derived characteristic point and the extracted characteristic region to a pre-configured multi-dimensional table and index.
매칭 결과를 토대로 표적의 형상을 추정하는 표적 형상 추정부를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치.10. The method of claim 9,
Apparatus for estimating the shape of the target by using the signal of the FMCW radar, characterized in that it comprises a target shape estimator for estimating the shape of the target based on the matching result.
FFT 데이터 생성부에 의해, 생성된 ADC 데이터에 대하여 고속푸리에변환(FFT; Fast Fourier Transform)을 수행하여 FFT 데이터를 생성하는 단계;
표적 정보 도출부에 의해, 생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출하는 단계; 및
표적 특징 추출부에 의해, 표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝(SVM:Support Vector Machine)을 수행하여 특성 영역을 추출하는 단계;를 포함하며,
표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 단계는,
표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출하는 단계를 포함하며,
표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 노이즈 특징점을 도출하는 단계는,
표적의 각도 축 k번째 ADC 데이터에서 노이즈의 분포 정보를 갖는 i±a, j±b번째 범위의 빈을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 노이즈 특징점을 도출하는 단계; 및
도출된 노이즈 특징점에 대하여 다중커널러닝을 수행하여 특성 E-F 평면의 특정 영역에 분포시키는 단계;
를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법.By the ADC data generator, the transmission radar signal through at least one transmission antenna receives the received radar signal reflected by the target through at least one reception antenna, and analog-to-digital conversion (ADC) is performed. to generate ADC data:
generating FFT data by performing Fast Fourier Transform (FFT) on the generated ADC data by the FFT data generator;
deriving, by the target information derivation unit, target information including at least one of the presence or absence of a target and index information of the target based on the generated FFT data; and
By the target feature extraction unit, the target feature points are derived using ADC data and FFT data according to the angular axis of the target, and multi-kernel learning (SVM: Support Vector Machine) is performed on the derived target feature points to perform a characteristic area. Including;
The step of deriving the target feature point using ADC data and FFT data according to the angular axis of the target, and performing multi-kernel learning on the derived target feature point to extract the feature region,
Deriving noise feature points of the target with respect to at least any one or more angular axes of the target,
The step of deriving the noise feature point of the target with respect to at least any one or more angular axes of the target,
performing a feature point extraction algorithm by extracting bins in the i±a and j±b-th ranges having noise distribution information from the k-th ADC data of the angular axis of the target, and deriving the noise feature points based on the performance result; and
performing multi-kernel learning on the derived noise feature points and distributing them in a specific area of the feature EF plane;
A method of estimating the shape of a target using the signal of the FMCW radar, comprising:
생성된 FFT 데이터를 토대로 표적의 존재 유무 및 표적의 인덱스 정보 중 적어도 어느 하나를 포함하는 표적 정보를 도출하는 단계는,
생성된 FFT 데이터에 대하여 동일한 레인지 인덱스에 해당하는 빈(Bin)의 인덱스를 추출하기 위하여 일정 오경보율(CFAR:Constant False Alarm Rate) 탐지를 수행하는 단계; 및
수행 결과를 토대로 표적의 존재 유무, 표적의 거리, 속도, 각도에 대한 표적의 인덱스(i,j,k) 정보를 포함하는 표적 정보를 획득하는 단계;
를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법.12. The method of claim 11,
The step of deriving target information including at least one of the presence or absence of the target and the index information of the target based on the generated FFT data,
performing constant false alarm rate (CFAR) detection to extract a bin index corresponding to the same range index with respect to the generated FFT data; and
Acquiring target information including target index (i, j, k) information on the presence or absence of the target, target distance, speed, and angle based on the execution result;
A method of estimating the shape of a target using the signal of the FMCW radar, comprising:
표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 단계는,
표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출하는 단계를 포함하며,
표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 거리 특징점을 도출하는 단계는,
표적의 각도 축 k번째 FFT 데이터에서 거리의 변화량 정보를 갖는 i번째 빈의 열을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 거리 특징점을 도출하는 단계; 및
도출된 표적의 거리 특징점에 대하여 다중커널러닝을 수행하여 특성 C-D 평면의 특정 영역에 분포시키는 단계;
를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법.12. The method of claim 11,
The step of deriving the target feature point using ADC data and FFT data according to the angular axis of the target, and performing multi-kernel learning on the derived target feature point to extract the feature region,
Deriving a distance feature point of the target with respect to at least any one or more angular axes of the target,
The step of deriving the distance feature point of the target with respect to at least any one or more angular axes of the target comprises:
extracting the column of the i-th bin having information on the amount of distance change from the k-th FFT data of the angular axis of the target, performing a feature point extraction algorithm, and deriving the distance feature point of the target according to the change in distance based on the execution result; and
performing multi-kernel learning on the derived target distance feature points and distributing them in a specific area of the feature CD plane;
A method of estimating the shape of a target using the signal of the FMCW radar, comprising:
표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 단계는,
표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출하는 단계를 포함하며,
표적의 적어도 어느 하나 이상의 각도 축에 대하여 표적의 속도 특징점을 도출하는 단계는,
표적의 각도 축 k번째 FFT 데이터에서 속도의 변화량 정보를 갖는 j번째 빈의 행을 추출하여 특징점 추출 알고리즘을 수행하고, 수행 결과를 토대로 거리의 변화에 따른 표적의 속도 특징점을 도출하는 단계; 및
도출된 표적의 속도 특징점에 대하여 다중커널러닝을 수행하여 특성 A-B 평면의 특정 영역에 분포시키는 단계;
를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법.12. The method of claim 11,
The step of deriving the target feature point using ADC data and FFT data according to the angular axis of the target, and performing multi-kernel learning on the derived target feature point to extract the feature region,
Deriving a velocity characteristic point of the target with respect to at least any one or more angular axes of the target,
The step of deriving the velocity characteristic point of the target with respect to at least any one or more angular axes of the target comprises:
performing a feature point extraction algorithm by extracting a j-th bin row having velocity change information from the k-th FFT data of the angular axis of the target, and deriving a velocity feature point according to a change in distance based on the execution result; and
performing multi-kernel learning on the derived target velocity feature points and distributing them in a specific area of the feature AB plane;
A method of estimating the shape of a target using the signal of the FMCW radar, comprising:
표적의 각도 축에 따라 ADC 데이터 및 FFT 데이터를 이용하여 표적의 특징점을 도출하고, 도출된 표적의 특징점에 대하여 다중커널러닝을 수행하여 특성 영역을 추출하는 단계 이후에,
도출된 표적의 특징점과 추출된 특성 영역을 기 구성된 다차원 테이블 및 인덱스에 매칭시키는 단계; 및
매칭 결과를 토대로 표적의 형상을 추정하는 단계;
를 포함하는 것을 특징으로 하는 FMCW 레이다의 신호를 활용하여 표적의 형상을 추정하는 방법.
12. The method of claim 11,
After deriving the feature point of the target using ADC data and FFT data according to the angular axis of the target, and extracting the feature region by performing multi-kernel learning on the derived feature point of the target,
matching the derived target feature point and the extracted feature region to a pre-configured multidimensional table and index; and
estimating the shape of the target based on the matching result;
A method of estimating the shape of a target using the signal of the FMCW radar, comprising:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180158850A KR102262197B1 (en) | 2018-12-11 | 2018-12-11 | Apparatus and method for estimating the shape of a target using fmcw radar signals |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180158850A KR102262197B1 (en) | 2018-12-11 | 2018-12-11 | Apparatus and method for estimating the shape of a target using fmcw radar signals |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200071289A KR20200071289A (en) | 2020-06-19 |
| KR102262197B1 true KR102262197B1 (en) | 2021-06-07 |
Family
ID=71137197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180158850A KR102262197B1 (en) | 2018-12-11 | 2018-12-11 | Apparatus and method for estimating the shape of a target using fmcw radar signals |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102262197B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230056180A (en) * | 2021-10-20 | 2023-04-27 | 엘아이지넥스원 주식회사 | System and method of testing target information extraction algorithm |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113009439B (en) * | 2021-01-29 | 2022-07-01 | 江苏集萃移动通信技术研究所有限公司 | Multi-target detection method based on frequency modulated continuous wave millimeter wave radar |
| KR102515757B1 (en) * | 2021-02-24 | 2023-03-31 | 국방과학연구소 | Apparatus for detecting targets and method thereof |
| KR102629691B1 (en) * | 2021-06-07 | 2024-01-29 | 엘아이지넥스원 주식회사 | Doppler signal processing sysem and method of processing doppler signal |
| KR102624874B1 (en) * | 2021-08-20 | 2024-01-15 | 포항공과대학교 산학협력단 | Apparatus for estimating length of vehicle using FMCW Radar and thereof method |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015088664A1 (en) | 2013-12-13 | 2015-06-18 | Utc Fire & Security Americas Corporation, Inc. | Selective intrusion detection systems |
| WO2016138238A1 (en) | 2015-02-27 | 2016-09-01 | Texas Instruments Incorporated | Gesture recognition using frequency modulated continuous wave radar |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101776703B1 (en) * | 2011-10-14 | 2017-09-08 | 한화테크윈 주식회사 | Ladar and Method for object detecting using ladar |
| KR102277478B1 (en) * | 2014-12-31 | 2021-07-14 | 현대모비스 주식회사 | Vehicle radar system |
| KR20180042052A (en) * | 2016-10-17 | 2018-04-25 | 한국전자통신연구원 | Target detection apparatus and method using fmcw radar |
| KR101984274B1 (en) * | 2017-08-30 | 2019-05-30 | 주식회사 한화 | Apparatus for detecting target and identifying shape in surveillance scout and method thereof |
-
2018
- 2018-12-11 KR KR1020180158850A patent/KR102262197B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015088664A1 (en) | 2013-12-13 | 2015-06-18 | Utc Fire & Security Americas Corporation, Inc. | Selective intrusion detection systems |
| WO2016138238A1 (en) | 2015-02-27 | 2016-09-01 | Texas Instruments Incorporated | Gesture recognition using frequency modulated continuous wave radar |
Non-Patent Citations (2)
| Title |
|---|
| Pavlo Molchanov. Radar target classification by micro-Doppler contributions. Ph.D thesis. Tampere University of Technology. 2014.10.* |
| SANOAL Machado 외 1명. Automotive FMCW radar development and verification methods. Master’s thesis. University of Gothenburg. 2018.07.* |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230056180A (en) * | 2021-10-20 | 2023-04-27 | 엘아이지넥스원 주식회사 | System and method of testing target information extraction algorithm |
| KR102651165B1 (en) | 2021-10-20 | 2024-03-26 | 엘아이지넥스원 주식회사 | System and method of testing target information extraction algorithm |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200071289A (en) | 2020-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102262197B1 (en) | Apparatus and method for estimating the shape of a target using fmcw radar signals | |
| US11874395B2 (en) | Radar processing chain for frequency-modulated continuous wave radar systems | |
| CN111521989B (en) | Deep learning for super resolution in radar systems | |
| US11907829B2 (en) | FMCW radar with interference signal suppression using artificial neural network | |
| EP3324205B1 (en) | Decentralised radar system | |
| EP2533069A1 (en) | Signal processing unit and method | |
| CN109407093A (en) | Solve the Doppler measurement of wide aperture radar angle of arrival fuzziness | |
| JP2019117055A (en) | Estimation method, estimation device and program | |
| US20230139751A1 (en) | Clustering in automotive imaging | |
| CN113504522B (en) | Space-time decoupling and super-resolution angle measurement method based on random switching of transmitting antennas | |
| JP2015514971A (en) | Target detection method | |
| CN116569062A (en) | Positioning method and device | |
| JP6355546B2 (en) | Target detection device | |
| Xiaofang et al. | Beamspace unitary ESPRIT algorithm for angle estimation in bistatic MIMO radar | |
| Singh et al. | Multi-target Range and Angle detection for MIMO-FMCW radar with limited antennas | |
| CN111316126A (en) | Target detection method, radar, vehicle, and computer-readable storage medium | |
| Olbrich et al. | New pre-estimation algorithm for FMCW radar systems using the matrix pencil method | |
| EP4160254A1 (en) | Determining reliability of a direction of arrival (doa) of a signal received by a radar system from a source and apparatus for determining reliability | |
| CN116148756A (en) | Method and device for determining a direction of arrival angle | |
| Ni et al. | Fast direct-position-determination based on PSO | |
| KR102471995B1 (en) | Method and apparatus for estimating the number of signals, by considering SML cost function and hypothesis test | |
| KR20210114199A (en) | Method and apparatus for radar target identification based on deep learning | |
| KR101052050B1 (en) | Method for detecting moving target and radar system thereof | |
| CN113030933B (en) | Target azimuth calculation method for radar, radar apparatus, and readable storage medium | |
| KR102713255B1 (en) | Method and apparatus for estimating indoor distance based on deep learning using fmcw radar |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |