一种基于FPGA的毫米波雷达人车识别检测方法技术

本发明专利技术公开了一种基于FPGA的毫米波雷达人车识别检测方法，涉及雷达数据处理技术领域，包括以下步骤：预先采集雷达回波数据，并进行抽取滤波处理，去除信号的高频分量；对抽取滤波后的数据进行一维FFT运算，得到距离维数据；对距离维数据进行二维FFT运算，得到速度维数据；将预先训练好的卷积神经网络模型部署到FPGA中，并基于卷积神经网络对距离维数据和速度维数据进行判断，获得运动中的人和车的数据。本发明专利技术不仅可以准确、快速的识别人和车，而且避免其它运动目标的干扰，提高雷达检测的准确性以及提高雷达在人和车运动目标的识别精度。度。度。

【技术实现步骤摘要】
一种基于FPGA的毫米波雷达人车识别检测方法


[0001]本专利技术涉及雷达数据处理
，具体来说，涉及一种基于FPGA的毫米波雷达人车识别检测方法。

技术介绍

[0002]毫米波雷达是指工作在毫米波波段的雷达，毫米波雷达具有穿透能力强，全天时、全天候工作的特点，在汽车领域、无人机领域等物体检测领域得到了广泛的应用。
[0003]近年来，随着AI人工智能以及深度学习技术的快速发展，卷积神经网络在目标特征提取，目标的检测和识别方面的优势，在各个领域得到了广泛的应用。雷达的多普勒效应主要对于运动目标有较大的反应，但是雷达探测经常会出现漏报或者虚报的情况，较难采集到目标数据，尤其在其它运动目标的干扰情况下，漏报或者虚报的情况尤为显著，同时对目标数据提取的难度进步加大。
[0004]针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]针对相关技术中的问题，本专利技术提出一种基于FPGA的毫米波雷达人车识别检测方法，以克服现有相关技术所存在的上述技术问题。
[0006]本专利技术的技术方案是这样实现的：一种基于FPGA的毫米波雷达人车识别检测方法，包括以下步骤：预先采集雷达回波数据，并进行抽取滤波处理，去除信号的高频分量；对抽取滤波后的数据进行一维FFT运算，得到距离维数据；对距离维数据进行二维FFT运算，得到速度维数据；将预先训练好的卷积神经网络模型部署到FPGA中，并基于卷积神经网络对距离维数据和速度维数据进行判断，获得运动中的人和车的数据。
[0007]其中，预先训练所述卷积神经网络模型，包括以下步骤：预先搭建卷积神经网络模型；将预设数据集放入卷积神经网络模型中进行训练，得到训练好的卷积神经网络模型。
[0008]其中，预设所述数据集，包括以下步骤：预先采集人和车的数据，并对采集的数据进行标注；对标注的数据进行处理得到特征图，形成数据集。
[0009]其中，所述卷积神经网络模型为VGG16识别模型，包括：5个卷积模块、3个全连接层、5个池化层和1个Softmax输出层。
[0010]其中，步骤所述得到距离维数据，包括以下步骤：获取距离分辨率，表示为：其中，C表示光速，取值：3*108m/s，B表示调
频的有效带宽。
[0011]其中，步骤所述得到速度维数据，包括以下步骤：获取速度分辨率，表示为：其中，V
max
表示最大不模糊速度，N2‑
FFT
表示调频周期的个数。
[0012]其中，步骤所述获得运动中的人和车的数据，还包括以下步骤：将人和车的数据传输至ARM端进行处理，包括：CFAR检测、点迹分类和点迹凝聚，获取人和车的速度和距离信息。
[0013]本专利技术的有益效果：本专利技术基于FPGA的毫米波雷达人车识别检测方法，通过雷达接收回波数据，对回波数据进行抽取滤波，先后进行一维FFT运算和二维FFT运算，得到距离维数据和速度维数据，同时采集人和车的数据，将数据放入卷积神经网络进行训练得到卷积神经网络模型，并将卷积神经网络模型部署到FPGA中，从而判断雷达回波接收到的数据是否是人或者车，若当前数据是人或者车的数据，将数据发送到ARM端进行数据处理，不仅可以准确、快速的识别人和车，而且避免其它运动目标的干扰，提高雷达检测的准确性以及提高雷达在人和车运动目标的识别精度。
附图说明
[0014]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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。
[0015]图1是根据本专利技术实施例的一种基于FPGA的毫米波雷达人车识别检测方法的流程示意图；图2是根据本专利技术实施例的一种基于FPGA的毫米波雷达人车识别检测方法的卷积神经网络模型示意图。
具体实施方式
[0016]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本专利技术保护的范围。
[0017]根据本专利技术的实施例，提供了一种基于FPGA的毫米波雷达人车识别检测方法。
[0018]如图1所示，根据本专利技术实施例的基于FPGA的毫米波雷达人车识别检测方法，包括以下步骤：步骤S1，预先采集雷达回波数据，并进行抽取滤波处理，去除信号的高频分量；步骤S2，对抽取滤波后的数据进行一维FFT运算，得到距离维数据；本技术方案，FFT运算，表示为：雷达发射的每帧数据共
有128个chirp信号，对每一个chrip进行1024点FFT运算，得到距离维的信息，距离分辨率，表示为：其中，C表示光速，取值：3*108m/s，B表示调频的有效带宽。
[0019]步骤S3，对距离维数据进行二维FFT运算，得到速度维数据；本技术方案，获取速度分辨率，表示为：其中，V
max
表示最大不模糊速度，N2‑
FFT
表示调频周期的个数。
[0020]步骤S4，将预先训练好的卷积神经网络模型部署到FPGA中，并基于卷积神经网络对距离维数据和速度维数据进行判断，获得运动中的人和车的数据。
[0021]本技术方案，FPGA由于其并行处理数据的特性，将训练好的卷积神经网络模型部署到FPGA，可以加块卷积神经网络的运算速度，实现端到端的效果；所谓端到端的计算，就是通过输入二维矩阵数据，经过卷积神经网络模型之后可以得到人和车的输出数据。
[0022]步骤S5，将人和车的数据传输至ARM端进行数据处理，包括：CFAR检测、点迹分类和点迹凝聚。
[0023]借助于上述方案，通过对人和车点迹的处理，可以得到人和车的速度和距离信息，从而实现对人和车的观测。
[0024]另外，预设数据集，包括以下步骤：预先采集人和车的数据，并对采集的数据进行标注；对标注的数据进行处理得到特征图，形成数据集。
[0025]本技术方案，使用毫米波雷达采集人和车的数据，采用线性调频连续波体制。
[0026]此外，预先训练卷积神经网络模型，包括以下步骤：预先搭建卷积神经网络模型；将预设数据集放入卷积神经网络模型中进行训练，得到训练好的卷积神经网络模型。
[0027]本技术方案，在应用时，将人和车的数据集放入卷积神经网络模型中，从而得到可以识别人和车的卷积神经网络模型。
[0028]另外，如图2所示，卷积神经网络模型为VGG16识别模型，包括：5个卷积模块、3个全连接层、5个池化层和1个Softmax输出层，两个卷积模块之间通过池化层进行连接；另外，卷积层后面都采用激活函数，其中激活函数都为relu（x）函数，表示为：其中，每一个卷积模块的卷积核均为3*3，步长为1，池化层的池化核尺寸均为2*2，步长为2，池化层的输出通道数分别是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于FPGA的毫米波雷达人车识别检测方法，其特征在于，包括以下步骤：预先采集雷达回波数据，并进行抽取滤波处理，去除信号的高频分量；对抽取滤波后的数据进行一维FFT运算，得到距离维数据；对距离维数据进行二维FFT运算，得到速度维数据；将预先训练好的卷积神经网络模型部署到FPGA中，并基于卷积神经网络对距离维数据和速度维数据进行判断，获得运动中的人和车的数据。2.根据权利要求1所述的基于FPGA的毫米波雷达人车识别检测方法，其特征在于，预先训练所述卷积神经网络模型，包括以下步骤：预先搭建卷积神经网络模型；将预设数据集放入卷积神经网络模型中进行训练，得到训练好的卷积神经网络模型。3.根据权利要求2所述的基于FPGA的毫米波雷达人车识别检测方法，其特征在于，预设所述数据集，包括以下步骤：预先采集人和车的数据，并对采集的数据进行标注；对标注的数据进行处理得到特征图，形成数据集。4.根据权利要求3所述的基于FPGA的毫米波雷达人车识别检测方...

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