基于展宽计算的车载毫米波雷达目标识别方法技术

本申请属于雷达目标类型识别的技术领域，提供了一种基于展宽计算的车载毫米波雷达目标识别方法，该方法包括：获取接收到的雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离‑多普勒二维矩阵；对所述距离‑多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；根据所述距离‑多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据；根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型。本申请实施例解决由于毫米波雷达的点云数据稀疏造成目标特征提取困难的问题。

Target recognition method of vehicle borne millimeter wave radar based on broadening calculation

【技术实现步骤摘要】
基于展宽计算的车载毫米波雷达目标识别方法
本专利技术涉及雷达目标类型识别的
，尤其涉及一种基于展宽计算的车载毫米波雷达目标识别方法。
技术介绍
毫米波雷达自20世纪发展以来一直被广泛应用于汽车领域，而作为智慧交通的重要组成部分在辅助驾驶、自动驾驶应用上被大家熟知。BSD，即盲区检测从2017年一直保持最高的渗透率并且稳步增长。而作为(ADAS)高级驾驶辅助系统系统中重要的组成部分、毫米波雷达的基本功能已经表现出非常强劲的市场生命力，不仅在技术上成熟稳定，而且用户的接受程度也高。在BSD方案系统中，至关重要的一点是雷达能够有效识别盲区中的目标类型，以反馈给控制系统，进而做出正确的驾驶操作。行人和车辆目标是最为典型的路面目标，因此对于行人和车辆目标的正确识别对BSD系统来说不可或缺。现有技术中，将毫米波雷达的点云数据进行聚类，得到不同类别的目标点云数据，然后建立特征向量样本集，采用十折交叉验证的方法将特征样本集分为训练集和测试集，采用训练集对核支持向量机进行训练。但是由于毫米波雷达的点云通常比较稀疏，因此在实际使用时，检测目标很可能是个孤立的点，这种情况下该算法就会失效。
技术实现思路
有鉴于此，本专利技术实施例提供了一种基于展宽计算的车载毫米波雷达目标识别方法，以解决由于毫米波雷达的点云数据稀疏造成目标特征提取困难的问题。本专利技术实施例的第一方面提供了一种基于展宽计算的车载毫米波雷达目标识别方法，包括：获取接收到的雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵；对所述距离-多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据；其中，所述目标特征包括所述聚类数据中幅度最大点迹的多普勒展宽和所述聚类数据中幅度最大点迹的距离展宽；根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型。在一个实施示例中，所述目标特征还包括所述聚类数据的目标平均速度、所述聚类数据中不同点迹速度差值的最大值和所述聚类数据中不同点迹距离差值的最大值。在一个实施示例中，当从所述聚类数据中提取所述聚类数据中幅度最大点迹的多普勒展宽或所述聚类数据中幅度最大点迹的距离展宽时，所述根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据，包括：确定所述聚类数据中具有最大幅度的点迹为基准点迹；查找位于所述距离-多普勒二维矩阵中所述基准点迹对应的多普勒维和距离维的展宽计算范围内的点；其中，所述距离-多普勒二维矩阵中所述多普勒维的坐标为多普勒单元，所述距离维的坐标为距离单元；根据查找到的点计算所述基准点迹的多普勒展宽或距离展宽。在一个实施示例中，所述根据查找到的点计算所述基准点迹的多普勒展宽或距离展宽，包括：对于每一组多普勒单元或距离单元相同的若干所述查找到的点，若所述若干查找到的点的幅值均大于所述基准点迹的幅值，则根据所述基准点迹的幅值对所述若干查找到的点的幅值进行限制幅度计算，并计算幅度限制后的所述若干查找到的点的均值，将计算得到的均值累加至多普勒展宽或距离展宽中；对于每一组多普勒单元或距离单元相同的若干所述查找到的点，若所述若干查找到的点的幅值均小于所述基准点迹的幅值，则计算所述若干查找到的点的均值，将计算得到的均值累加至多普勒展宽或距离展宽中；遍历所有位于所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围内的点，得到所述基准点迹的多普勒展宽或距离展宽。在一个实施示例中，当从所述聚类数据中提取所述聚类数据中幅度最大点迹的多普勒展宽时，在所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围包括以所述基准点迹为中心在多普勒维以及距离维的点；且根据所述目标的特性限定所述展宽计算范围中所述多普勒维的范围。在一个实施示例中，当从所述聚类数据中提取所述聚类数据中幅度最大点迹的距离展宽时，在所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围包括以所述基准点迹为中心在多普勒维以及距离维的点；且根据所述目标的特性限定所述展宽计算范围中所述距离维的范围。在一个实施示例中，所述根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型，包括：通过交叉验证的方式将所述特征样本数据划分为训练数据和测试数据；根据所述训练数据对目标识别模型进行训练构建所述目标识别模型，以进行目标识别；将所述测试数据输入所述目标识别模型，以对所述目标识别模型进行测试。在一个实施示例中，在根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型之后，还包括：对于接收到的每帧雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵；对所述距离-多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，将所述目标特征输入所述目标识别模型，得到目标识别结果。在一个实施示例中，在根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，将所述目标特征输入所述目标识别模型，得到目标识别结果之后，还包括：若在连续三帧所述雷达回波信号中存在两帧所述雷达回波信号对应的目标识别结果相同，则雷达检测的目标为所述目标识别结果。在一个实施示例中，所述特征数据包括距离、速度、角度和幅度。本专利技术实施例提供的一种基于展宽计算的车载毫米波雷达目标识别方法，通过获取接收到的雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵；对所述距离-多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据；其中，所述目标特征包括所述聚类数据中幅度最大点迹的多普勒展宽和所述聚类数据中幅度最大点迹的距离展宽；根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型。实现在聚类数据中只具有单个点迹的情况下，能够根据距离-多普勒二维矩阵准确对聚类数据中目标的距离和多普勒展宽特征进行提取。解决由于毫米波雷达的点云数据稀疏造成目标特征提取困难的问题，实现对目标的有效识别区分。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例一提供的基于展宽计本文档来自技高网...

【技术保护点】
1.一种基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，包括：/n获取接收到的雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵；/n对所述距离-多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；/n根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；/n根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据；其中，所述目标特征包括所述聚类数据中幅度最大点迹的多普勒展宽和所述聚类数据中幅度最大点迹的距离展宽；/n根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型。/n

【技术特征摘要】
1.一种基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，包括：
获取接收到的雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵；
对所述距离-多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；
根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；
根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据；其中，所述目标特征包括所述聚类数据中幅度最大点迹的多普勒展宽和所述聚类数据中幅度最大点迹的距离展宽；
根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型。


2.如权利要求1所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，所述目标特征还包括所述聚类数据的目标平均速度、所述聚类数据中不同点迹速度差值的最大值和所述聚类数据中不同点迹距离差值的最大值。


3.如权利要求2所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，当从所述聚类数据中提取所述聚类数据中幅度最大点迹的多普勒展宽或所述聚类数据中幅度最大点迹的距离展宽时，所述根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据，包括：
确定所述聚类数据中具有最大幅度的点迹为基准点迹；
查找位于所述距离-多普勒二维矩阵中所述基准点迹对应的多普勒维和距离维的展宽计算范围内的点；其中，所述距离-多普勒二维矩阵中所述多普勒维的坐标为多普勒单元，所述距离维的坐标为距离单元；
根据查找到的点计算所述基准点迹的多普勒展宽或距离展宽。


4.如权利要求3所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，所述根据查找到的点计算所述基准点迹的多普勒展宽或距离展宽，包括：
对于每一组所述多普勒单元或所述距离单元相同的若干所述查找到的点，若所述若干查找到的点的幅值均大于所述基准点迹的幅值，则根据所述基准点迹的幅值对所述若干查找到的点的幅值进行限制幅度计算，并计算幅度限制后的所述若干查找到的点的均值，将计算得到的均值累加至多普勒展宽或距离展宽中；
对于每一组所述多普勒单元或所述距离单元相同的若干所述查找到的点，若所述若干查找到的点的幅值均小于所述基准点迹的幅值，则计算所述若干查找到的点的均值，将计算得到的均值累加至多普勒展宽或距离展宽中；
遍历所有位于所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围内的点，...

【专利技术属性】
技术研发人员：王玉桃，高才才，刘丽华，
申请(专利权)人：深圳市华讯方舟微电子科技有限公司，华讯方舟科技有限公司，
类型：发明
国别省市：广东;44