[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

本發明涉及一種基于機器學習的成像毫米波雷達點云目標分類方法，包括以下步驟：S1：獲取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。與現有技術相比，本發明實用性強，能夠實現多種類型的目標分類，大大增強了毫米波雷達的目標分類能力。

技術領域

本發明涉及智能駕駛環境感知和毫米波雷達目標分類領域，尤其是涉及一種基于機器學習的成像毫米波雷達點云目標分類方法。

背景技術

隨著人工智能和智能化設備的快速發展，智慧城市和智能駕駛技術也取得巨大發展。毫米波雷達因具有全天候、全時段工作的優點和強大的測距和測速能力，在智能駕駛、智慧交通和智能安防等領域都得到了廣泛的應用。雖然我們可以通過雷達獲得目標的位置和速度信息，但是當前市場成熟的毫米波雷達產品無法準確識別和分辨目標的類型，限制了雷達的應用場景。

現有在毫米波雷達目標分類方法主要分為以下幾類：1)利用雷達目標反射截面積強度直接進行粗略分類；2)利用雷達回波的中頻信號進行二維傅里葉變化，獲得距離-多普勒圖，然后利用圖像處理和深度學習方法進行分類；3)利用回波信號，提取雷達回波的微多普勒特征進行分類；4)利用雷達的二維的稀疏點云可以進行人和車輛分類。以上方法存在了分類準確度低、可分類的種類少、算法的實時性和魯棒性不足，因此無法在實際應用中直接進行推廣。

另外，隨著毫米波雷達產品的發展，新一代成像毫米波雷達采用多發多收、多天線陣列級聯、波束成型、超帶寬等技術，進一步提高了雷達的距離、角度分辨率，同時可以獲得目標的高度信息，現有技術并不能應用于該種成像毫米波雷達進行目標分類。

根據中國專利CN201910640745.7公開的一種基于毫米波雷達點云特征的核支持向量機目標分類方法，該專利是針對傳統二維雷達點云設計了11維特征向量，該特征向量沒有考慮雷達點云的高度信息以及點云反射強度的分布，不能應用于新型的成像毫米波雷達產品，該專利僅完成了人與車的二分類，無法涵蓋道路交通的大部分目標類型。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于機器學習的成像毫米波雷達點云目標分類方法。

本發明的目的可以通過以下技術方案來實現：

一種基于機器學習的成像毫米波雷達點云目標分類方法，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。

優選地，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；