一种基于车载毫米波雷达的多目标分类方法技术

本发明专利技术公开了一种基于车载毫米波雷达的多目标分类方法，首先对雷达获取到的不同目标的IF信号进行采样，转换为帧信号，对帧信号进行二维傅里叶变换，归一化后得到距离‑多普勒图；由此构建距离‑多普勒图样本集；其次构建混合级联神经网络分类器，用距离‑多普勒图样本集作为输入对混合级联神经网络分类器进行有监督的学习，获得各支路上分类器的网络参数，最后得到一个能够进行多目标分类的分类器，对雷达获取的目标IF信号进行分类。该方法通过混合级联分类器，克服了级联分类器应用场景的局限性，能够对多种目标类别进行分类。

A multi-target classification method based on vehicle mounted millimeter wave radar

【技术实现步骤摘要】
一种基于车载毫米波雷达的多目标分类方法
本专利技术涉及一种基于车载毫米波雷达的多目标分类方法，具体涉及一种基于混合级联神经网络的车载毫米波雷达多目标分类方法。
技术介绍
近年来，随着市场对汽车主动安全和智能化需求的不断提高，无人驾驶巨大的社会和经济价值越发凸显，越来越多的企业与科研机构积极参与并推动无人驾驶领域的发展。由于汽车行业对于行人的安全保障有着极高的要求，所以行人和车辆分类逐渐成为无人驾驶中一项关键技术。在自动驾驶领域，无人驾驶车辆必须具备通过车载传感器识别行人和车辆及其所在位置的能力，以实现进一步的决策。一旦检测错误则会造成伤亡，后果严重，所以对于行人和车辆识别的准确性要求极高。因此行人和车辆分类是一个极富挑战性的研究课题。传统的行人和车辆识别主要基于视觉传感器。就目前技术来说，视觉虽然可以提供丰富的图像信息，但是室外场景中的光照变化、遮挡、阴影等影响，导致视觉算法在复杂交通环境中鲁棒性较低。毫米波雷达作为无人驾驶中的重要传感器之一，已经被用于行人和车辆识别。与光学应用不同，毫米波雷达的使用不受光照条件限制。另外，雷达传感器可以嵌入到车辆内部，因此对设备的维护更容易，操作更本文档来自技高网...

【技术保护点】
1.一种基于车载毫米波雷达的多目标分类方法，其特征在于，包括：训练阶段和测试阶段，所述训练阶段包括如下步骤：(1)获取毫米波雷达系统对目标回波信号处理后的中频信号f(t)，并对每个获取到的中频信号f(t)标定分类标签；所述毫米波雷达系统安装于车辆上，所述毫米波雷达系统包括雷达发射机、雷达接收机和混频器；所述雷达发射机周期性发射线性调频信号，雷达接收机接收目标散射的回波信号，混频器利用雷达发射的线性调频信号对接收到的回波信号进行混频处理，得到中频信号；(2)对IF信号f(t)以采样频率Fs进行采样，一个调频连续波时宽T内采样点数为N，连续采集L个时宽；得到N×L个采样点，形成N×L维的帧信号；所...

【技术特征摘要】
1.一种基于车载毫米波雷达的多目标分类方法，其特征在于，包括：训练阶段和测试阶段，所述训练阶段包括如下步骤：(1)获取毫米波雷达系统对目标回波信号处理后的中频信号f(t)，并对每个获取到的中频信号f(t)标定分类标签；所述毫米波雷达系统安装于车辆上，所述毫米波雷达系统包括雷达发射机、雷达接收机和混频器；所述雷达发射机周期性发射线性调频信号，雷达接收机接收目标散射的回波信号，混频器利用雷达发射的线性调频信号对接收到的回波信号进行混频处理，得到中频信号；(2)对IF信号f(t)以采样频率Fs进行采样，一个调频连续波时宽T内采样点数为N，连续采集L个时宽；得到N×L个采样点，形成N×L维的帧信号；所述帧信号第n行l列元素f(n,l)为第l个时宽的第n个采样点，n＝1,2,…,N，l＝1,2,…,L；对所述帧信号进行二维傅里叶变换，可表示为：其中w(n)为高斯窗函数，p＝1,2,…,N，q＝1,2,…,L；将F(p,q)归一化处理，获得距离-多普勒图；所述距离-多普勒图中像素值为：其中，P(p,q)表示距离-多普勒图的像素值，|·|表示绝对值；由此构建距离-多普勒图样本集；(3)将样本集分为训练集TrainSet、验证集VerifySet；(4)构建混合级联神经网络分类器，所述混合级联神经网络分类器包括行人检测支路、自行车检测支路，所述行人检测支路和自行车检测支路并联，所述行人检测支路和自行车检测支路均包含两个级联的卷积神经网络；将训练集TrainSet中的数据输入到构建的混合级联分类器中，进行有监督的学习，获得各支路上分类器的网络参数；所述测试阶段包括如下步骤：(5)采集待测目标的IF信号ftg(t)；对ftg(t)按照步骤(2)所述的方法采样，采样点构成帧信号ftg(n,l)，对ftg(n,l)进行二维傅里叶变换，得到距离-多普勒图Ptg(p,q)；将待测目标的距离-多普勒图输入训练好的混合级联神经网络分类器，分别得到行人检测支路和自行车检测支路的检测结果Sh和Sb，根据Sh和Sb的状态，得到目标的最终分类结果Sr：其中Sh＝1表示行人检测支路的检测结果为行人；Sb＝1表示自行车检测支路的检测结果为自行车；Sr＝0表示最终分类结果为行人；Sr＝1表示最终分类结果为自行车；Sr＝2表示最终分类结果为汽车。2.根据权利要求1所述的基于车载毫米波雷达的多目标分类方法，其特征在于，步骤(4)中对混合级联神经网络分类器进行有监督的学习，包括如下步骤：(4.1)设置卷积神经网络的训练参数，所述训练参数包括一次训练所需样本数、测试间隔、优化方法选择、学习速率、梯度更新的权重；(4.2)将训练集中标签为行人的样本设置为正样本，将标签为自行车或汽车的样本设置为负样本，对行人检测支路的卷积神经网络进行训练；(4.3)将训练集中标签为自行车的样本设置为正样本，将标签为行人或汽车的样本设置为负样本，对自行车检测支路的卷积神经网络进行训练；对行人检测支路或自行车检测支路的...

【专利技术属性】
技术研发人员：武其松，高腾，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32