[發明專利]一種基于機器學習的成像毫米波雷達點云目標分類方法

有效

• 申請號: 202110556273.4
• 申請日: 2021-05-21
• 公開（公告）號: CN113516052B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 白傑;李森;黃李波;譚斌;鄭聯慶;龍凱;羅振剛
• 申請（專利權）人: 同濟大學;安徽豪勝智能科技有限公司
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/774;G06V10/764;G06N3/006;G06N5/01
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 丁云

1.一種基于機器學習的成像毫米波雷達點云目標分類方法，其特征在于，包括以下步驟：

S1：獲取成像毫米波雷達的輸入點云并進行預處理，獲取被測目標點云簇，并根據被測目標點云簇構建目標點云數據集；

S2：生成目標點云的最小立方體包絡框，計算和提取目標點云特征參數，生成目標分類的特征向量；

S3：將特征向量輸入到預先訓練完成的分類模型中，得到被測目標點簇對應的目標類型，所述的目標類型包括行人、自行車、摩托車、乘用車和大客車；

所述的目標點云特征參數包括7個特征參數：

特征x₁：最小立體包絡框的高度H；

特征x₂：最小立體包絡框的體積V＝W×L×H；

特征x₃：最小立體包絡框內中心點與y軸正方向的夾角θ；

特征x₄:最小立體包絡框的旋轉角α；

特征x₅：點云高度標準差z_std，并且，

其中，z_n為第n個點云的高度，為點云高度均值；

特征x₆：點云信噪比均值并且，

其中，s_n為第n個點云的信噪比；

特征x₇：點云信噪比標準差SNR_std，并且，

其中，為即點云信噪比均值；

所述的目標點云特征參數還包括12個特征參數：

特征x₈：最小立體包絡框的寬度W；

特征x₉：最小立體包絡框的長度L；

特征x₁₀：最小立體包絡框內點云的總數量N；

特征x₁₁：最小立體包絡框的面積S＝W×L；

特征x₁₂：最小立體包絡框內點云分布密度ρ＝N/V；

特征x₁₃：最小立體包絡框內中心點橫坐標X₀；

特征x₁₄：最小立體包絡框內中心點縱坐標Y₀；

特征x₁₅：點云橫向距離標準差x_std，并且，

其中，x_n為第n個點云的橫向距離，為點云橫向距離均值；

特征x₁₆：點云縱向距離標準差y_std，并且，

其中，y_n為第n個點云的縱向距離，為點云縱向距離均值；

特征x₁₇：點云的平均速度并且，

其中，v_n為第n個點云的速度；

特征x₁₈：點云的速度最大最小速度差ΔV，并且，

ΔV＝|v_max-v_min|

特征x₁₉：點云的速度標準差V_std，并且，

其中，v_n為第n個點云的速度。

2.根據權利要求1所述的一種基于機器學習的成像毫米波雷達點云目標分類方法，其特征在于，所述的特征向量為X[x₁,x₂,…,x₁₉]。

3.根據權利要求1所述的一種基于機器學習的成像毫米波雷達點云目標分類方法，其特征在于，所述的分類模型的訓練方法包括：

構建目標點云數據集，將目標點云數據集分為訓練集和測試集；

采用訓練集對分類器進行訓練優化；

對分類器進行評價，將分類準確性的平均得分作為分類器評價標準，選用得分最高的分類器作為分類模型；

對訓練好的分類模型在測試集上進行泛化能力測試。

4.根據權利要求3所述的一種基于機器學習的成像毫米波雷達點云目標分類方法，其特征在于，利用貝葉斯優化方法對分類器的超參數進行訓練優化。