[发明专利]一种基于车载毫米波雷达的多目标分类方法

权利要求书

1.一种基于车载毫米波雷达的多目标分类方法，其特征在于，包括：训练阶段和测试阶段，所述训练阶段包括如下步骤：

(1)获取毫米波雷达系统对目标回波信号处理后的中频信号f(t)，并对每个获取到的中频信号f(t)标定分类标签；

所述毫米波雷达系统安装于车辆上，所述毫米波雷达系统包括雷达发射机、雷达接收机和混频器；所述雷达发射机周期性发射线性调频信号，雷达接收机接收目标散射的回波信号，混频器利用雷达发射的线性调频信号对接收到的回波信号进行混频处理，得到中频信号；

(2)对IF信号f(t)以采样频率F_s进行采样，一个调频连续波时宽T内采样点数为N，连续采集L个时宽；得到N×L个采样点，形成N×L维的帧信号；所述帧信号第n行l列元素f(n,l)为第l个时宽的第n个采样点，n＝1,2,…,N，l＝1,2,…,L；

对所述帧信号进行二维傅里叶变换，可表示为：

其中w(n)为高斯窗函数，p＝1,2,…,N，q＝1,2,…,L；

将F(p,q)归一化处理，获得距离-多普勒图；所述距离-多普勒图中像素值为：

其中，P(p,q)表示距离-多普勒图的像素值，|·|表示绝对值；由此构建距离-多普勒图样本集；

(3)将样本集分为训练集TrainSet、验证集VerifySet；

(4)构建混合级联神经网络分类器，所述混合级联神经网络分类器包括行人检测支路、自行车检测支路，所述行人检测支路和自行车检测支路并联，所述行人检测支路和自行车检测支路均包含两个级联的卷积神经网络；

将训练集TrainSet中的数据输入到构建的混合级联神经网络分类器中，进行有监督的学习，获得各支路上分类器的网络参数；

所述测试阶段包括如下步骤：

(5)采集待测目标的IF信号f_tg(t)；对f_tg(t)按照步骤(2)所述的方法采样，采样点构成帧信号f_tg(n,l)，对f_tg(n,l)进行二维傅里叶变换，得到距离-多普勒图P_tg(p,q)；

将待测目标的距离-多普勒图输入训练好的混合级联神经网络分类器，分别得到行人检测支路和自行车检测支路的检测结果S_h和S_b，根据S_h和S_b的状态，得到目标的最终分类结果S_r：

其中S_h＝1表示行人检测支路的检测结果为行人；S_b＝1表示自行车检测支路的检测结果为自行车；S_r＝0表示最终分类结果为行人；S_r＝1表示最终分类结果为自行车；S_r＝2表示最终分类结果为汽车；

步骤(4)中对混合级联神经网络分类器进行有监督的学习，包括如下步骤：

(4.1)设置卷积神经网络的训练参数，所述训练参数包括一次训练所需样本数、测试间隔、优化方法选择、学习速率、梯度更新的权重；

(4.2)将训练集中标签为行人的样本设置为正样本，将标签为自行车或汽车的样本设置为负样本，对行人检测支路的卷积神经网络进行训练；

(4.3)将训练集中标签为自行车的样本设置为正样本，将标签为行人或汽车的样本设置为负样本，对自行车检测支路的卷积神经网络进行训练；

对行人检测支路或自行车检测支路的卷积神经网络进行训练的步骤为：

训练所述支路的第一级卷积神经网络：将带有标签的训练集样本数据按照步骤(4.1)设置的一次训练所需样本数分批送入所述支路的第一级卷积神经网络，记录并保存每次训练的学习率、快照，以及对应的状态，每次训练后用验证集中的样本进行验证，直到验证集样本的准确率达到某一阈值后，保存网络参数，并结束支路上第一级卷积神经网络训练；

构建所述支路的第二级训练样本集，所述第二级训练样本集包括训练所述支路的第一级卷积神经网络时训练集中所有正样本、训练所述支路的第一级卷积神经网络中分类错误的负样本；构建所述支路的第二级验证样本集，所述第二级验证样本集包括验证所述支路的第一级卷积神经网络时验证集中所有正样本、验证所述支路的第一级卷积神经网络中分类错误的负样本；

训练所述支路的第二级卷积神经网络：将带有标签的第二级训练样本集数据按照步骤(4.1)设置的一次训练所需样本数分批送入所述支路的第二级卷积神经网络，记录并保存每次训练的学习率、快照，以及对应的状态，每次训练后用第二级验证样本集中的样本进行验证，直到第二级验证样本集样本的准确率达到某一阈值后，保存网络参数，并结束支路上第二级卷积神经网络训练。