一种目标行为识别的方法、装置和雷达系统制造方法及图纸

本申请实施例公开了一种目标行为识别的方法、装置和雷达系统，可以应用在自动驾驶汽车场景。所述方法包括：接收目标反射的雷达回波信号；处理所述雷达回波信号得到时频域数据；处理所述时频域数据得到信号属性特征数据和线性预测系数LPC特征数据，其中，所述信号属性特征数据用于表征所述雷达回波信号属性的特征，所述LPC特征数据用于表征所述雷达回波信号的特征；将所述信号属性特征数据和所述线性预测系数LPC特征数据输入行为识别模型，输出所述目标的行为信息。采用本申请，可以提高目标行为识别的准确度。目标行为识别的准确度。目标行为识别的准确度。

【技术实现步骤摘要】
Transformation，FFT)，即可以得到M点的频域数据。每个点得到的频域数据可以以复数形式表示。对于得到的M点的频域数据，如果有频域数据对应的频谱图中存在信号幅度大于预设值，则认为该点的频域数据是由目标反射得到的雷达回波所得到的。那么，可以将该点的频域数据作为目标的频域数据。对一个行为识别周期内的频域数据进行积累，得到目标在一个行为识别周期的频域数据，目标在一个行为识别周期的频域数据是一维向量。然后，对于一个行为识别周期中目标的频域数据可以进行短时傅里叶变换，得到目标在一个行为识别周期内的时频域数据，目标在一个行为识别周期内的时频域数据是一个二维矩阵。
[0014]然后，根据目标在一个行为识别周期内的时频域数据，计算出该目标的信号属性特征数据和LPC特征数据，其中，信号属性特征数据用于表征雷达回波信号属性的特征，LPC特征数据用于表征雷达回波信号的特征。
[0015]最后，将得到的目标的信号属性特征数据和LPC特征数据，输入到行为识别模型中即可得到目标的行为信息。行为信息可以为跑步、步行、跳跃等。行为识别模型可以为经大量训练样本训练得到的机器学习模型。
[0016]本申请实施例中使用雷达检测目标，由于雷达发射电磁波的受光天气等因素的影响小的特性，使得雷达对目标的检测更准确，则基于雷达回波信号，所分析得到的目标的特征数据也就更准确。那么，最后所确定出的目标的行为信息准确度也就更高。
[0017]在一种可能的实现方式中，所述处理所述时频域数据得到信号属性特征数据和线性预测系数LPC特征数据，包括：
[0018]处理所述时频域数据得到信号属性特征数据；
[0019]将所述时频域数据输入到LPC函数中，得到所述LPC特征数据。
[0020]本申请实施例中所示的方案，雷达系统处理时频域数据，可以得到信号属性特征数据。然后，根据LPC函数可以得到LPC特征数据。该LPC函数可以为：
[0021][0022]其中，a
r
为LPC，u(n)为输入序列，即时频域数据的幅度值，x(n)为LPC函数的输出序列，x(n-r)为在本行为识别周期之前的P个行为识别周期得到的LPC函数的输出序列，，r＝1，2，3...P，为输出序列的线性预测值在该LPC函数中未知系数为a
r
。在求取a
r
时，可以采用最小均方误差准则。得到的a
r
即为LPC特征数据。
[0023]在一种可能的实现方式中，所述在处理所述时频域数据得到信号属性特征数据和线性预测系数LPC特征数据之前，所述方法还包括：对所述时频域数据进行降维。
[0024]本申请实施例中所示的方案，可以对目标的时频域数据进行降维，再基于降维后的时频域数据，计算特征数据。这样，可以减少时频域数据的数据量，加快特征数据的计算，提高目标行为识别的效率。
[0025]在一种可能的实现方式中，所述对每个目标的时频域数据进行降维处理，包括：
[0026]基于主成分分析PCA算法，对每个目标的时频域数据进行降维处理。
[0027]本申请实施例中所示的方案，对时频域数据进行降维采用主成分分析(Principal Component Analysis，PCA)算法。
[0028]在一种可能的实现方式中，信号属性特征数据包括最大频率值、幅度值均值、幅度
值标准差、幅度值平均绝对误差、幅度值四分位数、幅度值四分位距、谱熵、幅度值偏度和幅度值峰度中的一个或多个。
[0029]本申请实施例中所示的方案，最大频率值为时频域数据对应的时频谱图中最大的多普勒频率值。幅度值均值为时频域数据对应的各幅度值的平均值。幅度值标准差为时频域数据对应的各幅度值的标准差。幅度值平均绝对误差为时频域数据对应的各幅度值的平均绝对误差。幅度值四分位数，为把时频域数据对应的幅度值由小到大排列并分成四等份，处于三个分割点位置的幅度值，分别称为25％四分位数，50％四分位数和75％四分位数。幅度值四分位距，为75％四分位数与25％四分位数的差。幅度值偏度，为幅度值分布偏斜方向和程度的度量，是幅度值分布非对称程度的数字特征。幅度值峰度，为幅度值对应的概率密度分布曲线在平均值处峰值高低的数字特征。谱熵，表示时频域数据对应的功率谱与熵率之间的关系。
[0030]在一种可能的实现方式中，所述行为识别模型为支持向量机SVM分类器模型。
[0031]本申请实施例中所示的方案，行为识别模型可以为支持向量机(Support Vector Machine，SVM)分类模型。支持向量机分类模型在对行为信息进行分类时，只能将其分成两类，如果要最终得到目标的多类行为信息的组合，可以对多个支持向量机分类模型联合使用，即第一个支持向量机可以将目标的行为信息先分为两类，第二个支持向量机再对这两类进行划分，得到每类对应的子类，以此类推，便可以得到多类行为信息的组合。可见，采用多个支持向量机分类模型联合的方式，可以得到目标的多类行为信息的组合，即获得的目标的行为信息更加全面。
[0032]第二方面，提供了一种目标行为识别的装置，该装置包括：
[0033]接收模块，用于接收目标反射的雷达回波信号；
[0034]处理模块，用于处理所述雷达回波信号得到时频域数据，处理所述时频域数据得到信号属性特征数据和线性预测系数LPC特征数据，其中，所述信号属性特征数据用于表征所述雷达回波信号属性的特征，所述LPC特征数据用于表征所述雷达回波信号的特征；
[0035]识别模块，用于将所述信号属性特征数据和所述线性预测系数LPC特征数据输入行为识别模型，输出所述目标的行为信息。
[0036]在一种可能的实现方式中，所述处理模块，用于：
[0037]处理所述时频域数据得到信号属性特征数据；
[0038]将所述时频域数据输入到LPC函数中，得到所述LPC特征数据。
[0039]在一种可能的实现方式中，其特征在于，所述处理模块，还用于：
[0040]对所述时频域数据进行降维。
[0041]在一种可能的实现方式中，所述处理模块，用于：
[0042]基于主成分分析PCA算法，对每个目标的时频域数据进行降维处理。
[0043]在一种可能的实现方式中，所述信号属性特征数据包括最大频率值、幅度值均值、幅度值标准差、幅度值平均绝对误差、幅度值四分位数、幅度值四分位距、谱熵、幅度值偏度和幅度值峰度中的一个或多个。
[0044]在一种可能的实现方式中，所述行为识别模型为支持向量机SVM分类器模型。
[0045]第三方面，提供了一种雷达系统，其特征在于，所述雷达系统包括信号发射装置、信号接收装置和信号处理装置，其中，所述信号发射装置用于发射雷达信号，所述信号接收
装置用于接收所述雷达信号触碰到目标反射回来的雷达回波信号，其特征在于，所述信号处理装置用于处理所述信号接收装置接收的所述雷达回波信号，得到时频域数据；处理所述时频域数据得到信号属性特征数据和线性预测系数LP本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标行为识别的方法，其特征在于，所述方法包括：接收目标反射的雷达回波信号；处理所述雷达回波信号得到时频域数据；处理所述时频域数据得到信号属性特征数据和线性预测系数LPC特征数据，其中，所述信号属性特征数据用于表征所述雷达回波信号属性的特征，所述LPC特征数据用于表征所述雷达回波信号的特征；将所述信号属性特征数据和所述线性预测系数LPC特征数据输入行为识别模型，输出所述目标的行为信息。2.根据权利要求1所述的方法，其特征在于，所述处理所述时频域数据得到信号属性特征数据和线性预测系数LPC特征数据，包括：处理所述时频域数据得到信号属性特征数据；将所述时频域数据输入到LPC函数中，得到所述LPC特征数据。3.根据权利要求1或2所述的方法，其特征在于，所述在处理所述时频域数据得到信号属性特征数据和线性预测系数LPC特征数据之前，所述方法还包括：对所述时频域数据进行降维。4.根据权利要求3所述的方法，其特征在于，所述对时频域数据进行降维，包括：基于主成分分析PCA算法，对所述时频域数据进行降维。5.根据权利要求1-4任一项所述的方法，其特征在于，所述信号属性特征数据包括最大频率值、幅度值均值、幅度值标准差、幅度值平均绝对误差、幅度值四分位数、幅度值四分位距、谱熵、幅度值偏度和幅度值峰度中的一个或多个。6.根据权利要求1-5任一项所述的方法，其特征在于，所述行为识别模型为支持向量机SVM分类器模型。7.一种目标行为识别的装置，其特征在于，所述装置包括：接收模块，用于接收目标反射的雷达回波信号；处理模块，用于处理所述雷达回波信号得到时频域数据，处理所述时频域数据得到信号属性特征数据和线性预测系数LPC特征数据，其中，所述信号属性特征数据用于表征所述雷达回波信号属性的特征，所述LPC特征数据用于表征所述雷达回波信号的特征；识别...

【专利技术属性】
技术研发人员：冯向兵，余月琴，彭学明，陈奇，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：