[发明专利]一种基于车载毫米波雷达的多目标分类方法

说明书

本发明公开了一种基于车载毫米波雷达的多目标分类方法，首先对雷达获取到的不同目标的IF信号进行采样，转换为帧信号，对帧信号进行二维傅里叶变换，归一化后得到距离‑多普勒图；由此构建距离‑多普勒图样本集；其次构建混合级联神经网络分类器，用距离‑多普勒图样本集作为输入对混合级联神经网络分类器进行有监督的学习，获得各支路上分类器的网络参数，最后得到一个能够进行多目标分类的分类器，对雷达获取的目标IF信号进行分类。该方法通过混合级联分类器，克服了级联分类器应用场景的局限性，能够对多种目标类别进行分类。

技术领域

本发明涉及一种基于车载毫米波雷达的多目标分类方法，具体涉及一种基于混合级联神经网络的车载毫米波雷达多目标分类方法。

背景技术

近年来，随着市场对汽车主动安全和智能化需求的不断提高，无人驾驶巨大的社会和经济价值越发凸显，越来越多的企业与科研机构积极参与并推动无人驾驶领域的发展。由于汽车行业对于行人的安全保障有着极高的要求，所以行人和车辆分类逐渐成为无人驾驶中一项关键技术。在自动驾驶领域，无人驾驶车辆必须具备通过车载传感器识别行人和车辆及其所在位置的能力，以实现进一步的决策。一旦检测错误则会造成伤亡，后果严重，所以对于行人和车辆识别的准确性要求极高。因此行人和车辆分类是一个极富挑战性的研究课题。

传统的行人和车辆识别主要基于视觉传感器。就目前技术来说，视觉虽然可以提供丰富的图像信息，但是室外场景中的光照变化、遮挡、阴影等影响，导致视觉算法在复杂交通环境中鲁棒性较低。毫米波雷达作为无人驾驶中的重要传感器之一，已经被用于行人和车辆识别。与光学应用不同，毫米波雷达的使用不受光照条件限制。另外，雷达传感器可以嵌入到车辆内部，因此对设备的维护更容易，操作更稳定。

在实际场景中，行人和车辆所出现的比例相差较大，使得在训练分类器时，必须考虑样本不平衡性。这种样本不均衡特点往往会影响传统分类器的性能；类别“越不平衡”，效果越差。

级联分类器可以有效地解决样本不平衡的问题。通过使用多个分类器，可以有效的平衡样本比重。将平衡后的样本送入最终的分类器加以训练，从而提高分类准确率。但是级联分类器的应用范围有限，无法用于解决样本不平衡的多目标分类。

发明内容

发明目的：本发明旨在提供一种能够精确对行人、自行车和汽车进行分类的方法。

技术方案：本发明采用如下技术方案：

一种基于车载毫米波雷达的多目标分类方法，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P(p,q)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；