基于路侧毫米波雷达的决策树车型分类方法、电子设备技术

本发明专利技术公开了一种基于路侧毫米波雷达的决策树车型分类方法，先利用路侧雷达获取一定数量已知车辆类型的车辆数据作为样本数据；按照车辆相对雷达的距离，将样本数据划分至若干个距离段内；根据各个距离段中的样本数据分别进行学习训练，生成各个距离段的决策树模型。本发明专利技术在对道路上车辆进行实时车型分类时，利用路侧雷达实时接收车辆回波信号并提取车辆数据；根据车辆相对雷达的距离值，选择对应距离段的决策树模型进行车型分类。本发明专利技术具有实时性强、分类精度高、数据计算量小的优势。数据计算量小的优势。数据计算量小的优势。

【技术实现步骤摘要】
基于路侧毫米波雷达的决策树车型分类方法、电子设备


[0001]本专利技术涉及车型分类
，尤其是基于路侧毫米波雷达的决策树车型分类方法、电子设备。

技术介绍

[0002]作为智能交通系统的重要组成部分，路侧感知设备在车联网、车路协同过程中起着重要作用。作为路面信息精细化获取和交通管理智能化的核心，车型分类识别技术是实现交通状态智能感知与管理的基础。
[0003]基于光学的车型识别技术主要依托图像采集及处理技术，对于静止的目标能够获取到信息细节，但对于运动目标存在检测困难的问题，而路侧设备多用于捕捉运动车辆的信息。此为，基于光学的车型分类识别技术受路面状况、能见度等环境因素影响较大，在车辆图像捕捉不全、多目标车辆重叠或雨、雪、烟、雾等能见度不佳情况下，会遗漏部分车辆，且将车辆类型判断错误的概率较大。因此，利用光学技术很难准确、稳定地进行路面的车型识别。
[0004]基于雷达的车型分类识别是通过雷达发射电磁波，在雷达散射回波中获取不同类型车辆的目标特征信息，其中目标特征包括目标车辆的长度、宽度、速度、信号强度、距离等信息，并依据分类模型对车辆类型进行分类识别。
[0005]基于雷达的车型分类识别技术大致可分为超声波雷达、激光雷达和毫米波雷达三种。超声波雷达探测的有效距离仅为5至10米，探测距离有限，不适用于作为路侧感知设备使用。激光雷达的探测距离虽然可达300米，然而与光学类似，在大雨、烟雾天气状况下，激光衰减增大会导致传播距离受到很大影响；此外，激光雷达高达数万的成本也阻碍了激光雷达作为路侧设备的推广应用。相较于超声波和激光雷达，毫米波雷达的探测距离可达500米以上，不受光线等能见度因素的影响，具有全天时、全天候工作的能力。
[0006]同一车辆，相距雷达不同距离时，基于雷达探测的车辆宽度、长度、信号强度具有显著差异。车辆位于近处时，车辆的雷达信号反射强烈，信号强度值较大。受限于雷达的角度分辨率，以及同一车辆不同距离的反射角度，基于雷达测量的车辆长度存在远处短近处长、车辆宽度近处宽远处窄的特点，为车型分类带来了一定的难度。

技术实现思路

[0007]为了克服上述现有技术中的缺陷，本专利技术提供一种基于路侧毫米波雷达的决策树车型分类方法，利用雷达回波信号提取车辆数据，对车辆类型进行分类识别，分类精度高。
[0008]为实现上述目的，本专利技术采用以下技术方案，包括：
[0009]一种基于路侧毫米波雷达的决策树车型分类方法，包括以下步骤：
[0010]S11，利用路侧雷达接收车辆回波信号进行车辆检测，并提取车辆数据，所述车辆数据包括：车辆的速度、长度、宽度、信号强度，以及车辆相对雷达的距离；
[0011]S12，根据车辆相对雷达的距离值，选择对应距离段的决策树模型进行车型分类，
将车辆的速度、长度、宽度、信号强度作为输入变量，输入至对应距离段的决策树模型中，预测车辆类型；
[0012]其中，车辆类型划分为大型车辆和小型车辆，将车长大于h的车辆作为大型车辆，将车辆小于等于h的车辆作为小型车辆。
[0013]优选的，决策树模型的生成方式如下所示：
[0014]S1，利用路侧雷达获取一定数量的已知车辆类型的车辆数据作为样本数据，构建样本集；样本数据包括：车辆的速度、长度、宽度、信号强度，车辆相对雷达的距离，已知车辆类型；
[0015]S2，按照车辆相对雷达距离从小到大的顺序对样本集中的样本数据进行排序，并对此排序的样本数据进行划分，划分为样本数量相等的N等份，此N等份对应N个距离段；
[0016]其中，第n等份的样本数据中，若车辆相对雷达距离的最大值为车辆相对雷达距离的最小值为则第n等份对应的距离段即为n＝1,2,3
…
N；
[0017]S3，从各个距离段中的样本数据中提取部分样本数据作为对应距离段的训练集，利用各个距离段的训练集进行学习训练，生成各个距离段的决策树模型。
[0018]优选的，决策树模型的学习训练方式，具体如下所示：
[0019]S31，定义决策树模型的输入变量包括车辆的长度x1、宽度x2、速度x3、信号强度x4，构成输入变量集{x1,x2,x3,x4}；输出变量即预测结果为车辆类型y，分为大型车辆y1和小型车辆y2两类；
[0020]S32，以训练集作为决策树的第一个节点，对第一个节点寻找当前节点的最优分裂点进行分裂，分裂得到两个节点；
[0021]对分裂得到的各个节点分别继续寻找当前节点的最优分裂点进行分裂，继续分裂得到两个节点；若某个节点已达到停止建树条件，则不对当前节点进行分裂；当所有节点均达到停止建树条件，则停止分裂，得到最终的决策树模型。
[0022]优选的，步骤S32中，当前节点的分裂方式如下所示：
[0023]S321，判断当前节点S是否满足继续分裂条件，若节点S的决策树深度小于预先设定的最大数深度maxDepth，且节点S的样本数大于节点要求的最小样本数minSamples时，则满足继续分裂条件，计算节点S的Gini系数值，由下式(1)计算得出：
[0024][0025]式(1)中，p
j
表示节点S中第j类车辆类型的分布概率，其中，j＝1表示大型车辆y1，j＝2表示小型车辆y2；Gini(S)表示节点S的Gini系数值；
[0026]初始化i＝1；初始化节点S的最优分裂点为空，最优分裂点的系数差值GiniDifference为0；
[0027]S322，从输入变量集{x1,x2,x3,x4}中选择第i个变量x
i
作为当前节点S的潜在分裂变量；
[0028]S323，选择分裂变量x
i
中的某个值作为分裂值[x
i
]，并以分裂值[x
i
]为界将节点S中的数据集分裂成S1、S2两个节点中的数据集，其中，节点S1对应为小于分裂值变量[x
i
]的数据集，节点S2对应为不小于分裂值[x
i
]的数据集；计算节点S分裂为节点S、S1后的Gini系数值，由下式(2)计算得出：
[0029][0030]式(2)中，[x
i
]表示分裂变量x
i
的分裂值；|S|、|S1|、|S2|分别表示节点S、S1、S2中包含的样本数量；Gini(S1)、Gini(S2)分别为节点S1、S2的Gini系数值，Gini(S1)、Gini(S2)由式(1)的方式计算得出；Gini(S1,S2)表示将节点S分裂为S1、S2两个节点后，节点S1和S2的Gini系数值；
[0031]计算以分裂值[x
i
]分裂节点S的带来的Gini系数差值，由下式(3)计算得出：
[0032]Gini(S,[x
i
])＝Gini(S)
‑
Gini(S1,S2)
ꢀꢀꢀ
(3)
[0033]式(3)中，Gini(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于路侧毫米波雷达的决策树车型分类方法，其特征在于，包括以下步骤：S11，利用路侧雷达接收车辆回波信号进行车辆检测，并提取车辆数据，所述车辆数据包括：车辆的速度、长度、宽度、信号强度，以及车辆相对雷达的距离；S12，根据车辆相对雷达的距离值，选择对应距离段的决策树模型进行车型分类，将车辆的速度、长度、宽度、信号强度作为输入变量，输入至对应距离段的决策树模型中，预测车辆类型；其中，车辆类型划分为大型车辆和小型车辆，将车长大于h的车辆作为大型车辆，将车辆小于等于h的车辆作为小型车辆。2.根据权利要求1所述的一种基于路侧毫米波雷达的决策树车型分类方法，其特征在于，决策树模型的生成方式如下所示：S1，利用路侧雷达获取一定数量的已知车辆类型的车辆数据作为样本数据，构建样本集；样本数据包括：车辆的速度、长度、宽度、信号强度，车辆相对雷达的距离，已知车辆类型；S2，按照车辆相对雷达距离从小到大的顺序对样本集中的样本数据进行排序，并对此排序的样本数据进行划分，划分为样本数量相等的N等份，此N等份对应N个距离段；其中，第n等份的样本数据中，若车辆相对雷达距离的最大值为车辆相对雷达距离的最小值为则第n等份对应的距离段即为则第n等份对应的距离段即为S3，从各个距离段中的样本数据中提取部分样本数据作为对应距离段的训练集，利用各个距离段的训练集进行学习训练，生成各个距离段的决策树模型。3.根据权利要求2所述的一种基于路侧毫米波雷达的决策树车型分类方法，其特征在于，决策树模型的学习训练方式，具体如下所示：S31，定义决策树模型的输入变量包括车辆的长度x1、宽度x2、速度x3、信号强度x4，构成输入变量集{x1,x2,x3,x4}；输出变量即预测结果为车辆类型y，分为大型车辆y1和小型车辆y2两类；S32，以训练集作为决策树的第一个节点，对第一个节点寻找当前节点的最优分裂点进行分裂，分裂得到两个节点；对分裂得到的各个节点分别继续寻找当前节点的最优分裂点进行分裂，继续分裂得到两个节点；若某个节点已达到停止建树条件，则不对当前节点进行分裂；当所有节点均达到停止建树条件，则停止分裂，得到最终的决策树模型。4.根据权利要求3所述的一种基于路侧毫米波雷达的决策树车型分类方法，其特征在于，步骤S32中，当前节点的分裂方式如下所示：S321，判断当前节点S是否满足继续分裂条件，若节点S的决策树深度小于预先设定的最大数深度maxDepth，且节点S的样本数大于节点要求的最小样本数minSamples时，则满足继续分裂条件，计算节点S的Gini系数值，由下式(1)计算得出：式(1)中，p
j
表示节点S中第j类车辆类型的分布概率，其中，j＝1表示大型车辆y1，j＝2表示小型车辆y2；Gini(S)表示节点S的Gini系数值；
初始化i＝1；初始化节点S的最优分裂点为空，最优分裂点的系数差值GiniDifference为0；S322，从输入变量集{x1,x2,x3,x4}中选择第i个变量x
i
作为当前节点S的潜在分裂变量；S323，选择分裂变量x
i
中的某个值作为分裂值[x
i
]，并以分裂值[x
i
]为界将节点S中的数据集分裂成S1、S2两个节点中的数据集，其中，节点S1对应为小于分裂值变量[x
i
]的数据集，节点S2对应为不小于分裂值[x
i
]的数据集；计算节点S分裂为节点S、S1后的Gini系数值，由下式(2)计算得出：式(2)中，[x
i
]表示分裂变量x
i
的分裂值；|S|、|S1|、|S2|分别表示节点S、S1、S2中包含的样本数量；Gini(S1)、Gini(S2)分别为节点S1、S2的Gini系数值，Gini(S1)、Gini(S2)由式(1)的方式计算得出；Gini(S1,S2)表示将节点S分裂为S1、S2两个节点后，节点S1和S2的Gini系数值；计算以分裂值[x
i
]分裂节点S的带来的Gini系数差值，由下式(3)计算得出：Gini(S,[x
i
])＝Gini(S)
‑
Gini(S1,S2)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式(3)中，Gini(S,[x
i
...

【专利技术属性】
技术研发人员：胡宗品，程小军，路同亚，秦胜贤，任刚，程腾，夏傲青，李开文，李昂，
申请(专利权)人：安徽隼波科技有限公司，
类型：发明
国别省市：