基于多角度LSTM神经网络的曲率识别方法技术

本申请涉及一种基于多角度LSTM神经网络的曲率识别方法，利用当雷达信号入射角变化时，雷达收集到的中频信号在IQ域的分布会周期性变化来完成物体表面曲率的识别；该方法结合了雷达定位技术，利用SVMD算法完成滤波操作，即使在复杂环境中也可以实现对目标物体表面曲率的识别；与现有技术相比，本申请的方法不存在隐私泄露问题，在雨雾和暗光等环境下也可以正常工作；另外本申请的方法可以做到5mm粒度的物体曲率识别，物体曲率识别精度较高。物体曲率识别精度较高。物体曲率识别精度较高。

【技术实现步骤摘要】
基于多角度LSTM神经网络的曲率识别方法


[0001]本申请涉及射频感知领域，具体地，涉及一种基于多角度LSTM神经网络的曲率识别方法。

技术介绍

[0002]无线物品识别技术发展到现在，为人们感知生活提供了新途径，并且成为如今的重要研究方向，在许多相关应用中发挥着关键作用，如自动驾驶、智能物流和盲人或类人机器人的辅助导航。然而，这种现实世界的应用往往需要快速和有效地区分高度相似的复杂细节。为了应对上述挑战，希望追求一个精确的结构特征，以更好的实现物体识别。而物体表面曲率包含了一个物体的复杂表面信息，可以帮助更好的实现物体识别。
[0003]现有物体表面曲率识别工作包括通过视觉实现曲率识别，但该方法存在隐私问题，并且在雨雾、暗光等环境下识别效果会下降。RSA和Ulysses工作都采用无线信号完成了物体曲率识别，虽然解决了视觉系统存在的隐私问题和雨雾等场景性能下降的问题，但曲率识别误差在5cm左右，没有实现细粒度的物体曲率识别。

技术实现思路

[0004]为了克服现有技术中的至少一个不足，本申请提供一种基于多角度LSTM神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多角度LSTM神经网络的曲率识别方法，其特征在于，包括：雷达向目标物体发射多个入射角度的信号，所述雷达接收所述目标物体反射的信号，根据所述目标物体反射的信号获取多个入射角度下的中频信号；对所述多个入射角度下的中频信号进行滤波处理，得到多个入射角度下的滤波后的中频信号；根据所述多个入射角度下的滤波后的中频信号计算多个入射角度下的中频信号的点密度特征；将所述多个入射角度下的中频信号的点密度特征按照入射角度从小到大进行排序，得到所述目标物体的点密度特征随雷达发射信号入射角度的变化序列；将所述变化序列输入到多角度LSTM神经网络模型中，输出所述目标物体的曲率半径。2.如权利要求1所述的方法，其特征在于，其中，对所述多个入射角度下的中频信号进行滤波处理，得到多个入射角度下的滤波后的中频信号，包括：确定所述目标物体在多径环境的频谱中对应的频率分量的频率值；对所述中频信号进行SVMD滤波处理，将所述中频信号分解为多个IMF信号；针对每个IMF信号包含的各频率分量的能量大小进行排序，确定所述IMF信号的主要能量所在的频率范围；选择所述主要能量所在的频率范围中包括所述目标物体对应的频率值的IMF信号作为筛选出的IMF信号；根据所述筛选出的IMF信号重构得到滤波后的中频信号。3.如权利要求2所述的方法，其特征在于，其中，确定所述目标物体在多径环境的频谱中对应的频率分量的频率值，包括：对所述中频信号采用FFT算法，得到距离
‑
能量谱；对所述距离
‑
能量谱采用CFAR算法，提取所述目标物体与雷达天线之间的距离信息d
ra
；频率值采用以下公式计算：其中，K为调频连续波的斜率，c为光速。4.如权利要求1所述的方法，其特征在于，根据所述多个入射角度下的滤波后的中频信号计算多个入射角度下的中频信号的点密度特征，采用以下公式计算：其中，F为每个入射角度下的中频信号的点密度特征，N为滤波后的中频信号的采样点数，S为滤波后的中频信号的信号簇在IQ域中所占的面积。5.如权利要求1所述的方法，其特征在于，所述多角度LSTM神经网络模型，包括：第一LSTM层、BatchNormalization层、第二LSTM层和全连接层。6...

【专利技术属性】
技术研发人员：陈晓江，陈少杰，贺国荣，徐丹，潘超逸，郑超，王夫蔚，王薇，
申请(专利权)人：西北大学，
类型：发明
国别省市：