一种基于机器学习的成像毫米波雷达点云目标分类方法技术

本发明专利技术涉及一种基于机器学习的成像毫米波雷达点云目标分类方法，包括以下步骤：S1：获取毫米波雷达的输入点云并进行预处理，获取被测目标点云簇，并根据被测目标点云簇构建目标点云数据集；S2：生成目标点云的最小立方体包络框，计算和提取目标点云特征参数，生成目标分类的特征向量；S3：将特征向量输入到预先训练完成的分类模型中，得到被测目标点簇对应的目标类型。与现有技术相比，本发明专利技术实用性强，能够实现多种类型的目标分类，大大增强了毫米波雷达的目标分类能力。雷达的目标分类能力。雷达的目标分类能力。

【技术实现步骤摘要】
一种基于机器学习的成像毫米波雷达点云目标分类方法


[0001]本专利技术涉及智能驾驶环境感知和毫米波雷达目标分类领域，尤其是涉及一种基于机器学习的成像毫米波雷达点云目标分类方法。

技术介绍

[0002]随着人工智能和智能化设备的快速发展，智慧城市和智能驾驶技术也取得巨大发展。毫米波雷达因具有全天候、全时段工作的优点和强大的测距和测速能力，在智能驾驶、智慧交通和智能安防等领域都得到了广泛的应用。虽然我们可以通过雷达获得目标的位置和速度信息，但是当前市场成熟的毫米波雷达产品无法准确识别和分辨目标的类型，限制了雷达的应用场景。
[0003]现有在毫米波雷达目标分类方法主要分为以下几类：1)利用雷达目标反射截面积强度直接进行粗略分类；2)利用雷达回波的中频信号进行二维傅里叶变化，获得距离
‑
多普勒图，然后利用图像处理和深度学习方法进行分类；3)利用回波信号，提取雷达回波的微多普勒特征进行分类；4)利用雷达的二维的稀疏点云可以进行人和车辆分类。以上方法存在了分类准确度低、可分类的种类少、算法的实时性和鲁棒性不足，因此无法在实际应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的成像毫米波雷达点云目标分类方法，其特征在于，包括以下步骤：S1：获取成像毫米波雷达的输入点云并进行预处理，获取被测目标点云簇，并根据被测目标点云簇构建目标点云数据集；S2：生成目标点云的最小立方体包络框，计算和提取目标点云特征参数，生成目标分类的特征向量；S3：将特征向量输入到预先训练完成的分类模型中，得到被测目标点簇对应的目标类型。2.根据权利要求1所述的一种基于机器学习的成像毫米波雷达点云目标分类方法，其特征在于，所述的目标点云特征参数包括7个特征参数：特征x1：最小立体包络框的高度H；特征x2：最小立体包络框的体积V＝W
×
L
×
H；特征x3：最小立体包络框内中心点与y轴正方向的夹角θ；特征x4:最小立体包络框的旋转角α；特征x5：点云高度标准差z
std
，并且，其中，z
n
为第n个点云的高度，为点云高度均值；特征x6：点云信噪比均值并且，其中，s
n
为第n个点云的信噪比；特征x7：点云信噪比标准差SNR
std
，并且，其中，为即点云信噪比均值。3.根据权利要求2所述的一种基于机器学习的成像毫米波雷达点云目标分类方法，其特征在于，所述的目标点云特征参数还包括12个特征参数：特征x8：最小立体包络框的宽度W；特征x9：最小立体包络框的长度L；特征x
10
：最小立体包络框内点云的总数量N；特征x
11
：最小立体包络框的面积S＝W
×
L；特征x
12
：最小立体包络框内点云分布密度ρ＝N/V；特征x
13
：最小立体包络框内中心点横坐标X0；特征x
14
：最小立体包络框内中心点纵坐标Y0；特征x
15
：点云横向距离标准差x
std
，并且，其中，x
n
为第n个点云的横向距离，为点云横向距离均值；
特征x
16
：点云纵向距离标准差y

【专利技术属性】
技术研发人员：白傑，李森，黄李波，谭斌，郑联庆，龙凯，罗振刚，
申请(专利权)人：安徽豪胜智能科技有限公司，
类型：发明
国别省市：