[發(fā)明專利]一種非機動車道目標識別與分類方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202310532811.5
• 申請日: 2023-05-12
• 公開（公告）號: CN116559864A
• 公開（公告）日: 2023-08-08
• 發(fā)明（設(shè)計）人: 朱翊晗;施佳佳;何家慶;施佺;花冰;儲柳;許致火;張永偉;張驥;章強
• 申請（專利權(quán)）人: 南通大學(xué)
• 主分類號: G01S13/88
• 分類號: G01S13/88;G01S13/931;G01S13/42
• 代理公司: 南京瑞弘專利商標事務(wù)所(普通合伙) 32249
• 代理人: 秦秋星

本發(fā)明公開了一種非機動車道目標識別方法及系統(tǒng)，包括如下步驟：用毫米波雷達采集非機動車道目標互相垂直的兩個方向的徑向速度；構(gòu)建目標的微多普勒圖像；對微多普勒圖像進行抑制固定雜波，對消靜止目標和低速目標等處理，提取運動目標信號；根據(jù)運動目標信號及其運動姿態(tài)分類標簽構(gòu)建數(shù)據(jù)集，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)；將新采集的目標的徑向速度輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，輸出對應(yīng)的運動姿態(tài)。本發(fā)明解決了當前數(shù)據(jù)特征的提取高度依賴于人類經(jīng)驗和領(lǐng)域知識；淺層人工特征訓(xùn)練的模型應(yīng)用于新數(shù)據(jù)集時，其性能總是不如原始數(shù)據(jù)集；單雷達識別范圍較窄導(dǎo)致準確率不高；傳統(tǒng)的機器學(xué)習方法無法在大規(guī)模動態(tài)數(shù)據(jù)情況下訓(xùn)練出一個魯棒的模型等一系列問題。

技術(shù)領(lǐng)域

本發(fā)明應(yīng)用于對非機動車道目標識別與分類，特別涉及了采用一種雙基地毫米波雷達的目標檢測方式及基于改進卷積神經(jīng)網(wǎng)絡(luò)的目標識別與分類方法及系統(tǒng)。

背景技術(shù)

由于非機動車道的擁擠，使得非機動車道事故頻發(fā)。傳統(tǒng)的監(jiān)管模式已很難提高復(fù)雜的非機動車道的識別效率，特別是在轉(zhuǎn)彎路口和非機動車交織區(qū)部分，該問題已經(jīng)嚴重影響了人們?nèi)粘５耐ㄐ行省ａ槍@一問題，由于雷達能夠不受強光，雨雪霧霾等復(fù)雜天氣條件的影響，具有較強的穿透作用，能在不同的時間里保持穩(wěn)定的狀態(tài)。因此，可以實現(xiàn)對交通環(huán)境全時、全天候的測量感知，且擁有較好的抗干擾能力。利用微多普勒特性，可以更精確地判斷出目標是否處于靜止或移動。與攝像頭相比，毫米波雷達在有遮擋的情況下仍具有較強的檢測性能，經(jīng)過對目標回波信號的處理，能夠獲得大量的目標電磁散射特性和運動特性，這為毫米波雷達能夠獨立實現(xiàn)目標識別奠定了理論基礎(chǔ)。本發(fā)明采用雙基地毫米波雷達同時對目標進行檢測，與現(xiàn)有的單毫米波雷達相比，可以獲取兩個方向的徑向速度，提高了識別的準確率。

發(fā)明內(nèi)容

為了克服所述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于雙基地毫米波雷達探測系統(tǒng)的非機動車道目標行為分類識別方法，解決了當前數(shù)據(jù)特征的提取高度依賴于人類經(jīng)驗和領(lǐng)域知識；淺層人工特征訓(xùn)練的模型應(yīng)用于新數(shù)據(jù)集時，其性能總是不如原始數(shù)據(jù)集；單雷達識別范圍較窄導(dǎo)致準確率不高；傳統(tǒng)的機器學(xué)習方法無法在大規(guī)模動態(tài)數(shù)據(jù)情況下訓(xùn)練出一個魯棒的模型等一系列問題。

為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種非機動車道目標識別方法，識別的目標包括行人、自行車與電動自行車三種。其中行人的分類包含多種運動姿態(tài)，如步行、跑步、邊走邊使用手機，拄拐杖，單腳跳，雙腳跳等，自行車與電動自行車分別包含一種姿態(tài)；該方法包括如下步驟：

用兩個毫米波雷達采集非機動車道目標互相垂直的兩個方向的徑向速度，并去除環(huán)境噪聲；

根據(jù)上一步驟所得數(shù)據(jù)構(gòu)建目標的橫坐標為時間，縱坐標為速度的微多普勒圖像；

將微多普勒圖像利用雜波對消器來抑制固定雜波，對消靜止目標和低速目標，從而提取運動目標信號；

根據(jù)運動目標信號及其運動姿態(tài)分類標簽構(gòu)建數(shù)據(jù)集，用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)；所述卷積神經(jīng)網(wǎng)絡(luò)包含Attention層和膨脹卷積層；可以使用TensorFlow搭建基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型，對網(wǎng)絡(luò)模型添加Attention機制，修改卷積核的膨脹率，得到多個基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型。可以使用目前市場較為主流的幾種基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型，例如GoogleNet、VGG16Net等對本項目的樣本數(shù)據(jù)進行分類訓(xùn)練。

將新采集的目標的徑向速度輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，輸出對應(yīng)的運動姿態(tài)。

優(yōu)選的，使用雙基地毫米波雷達進行數(shù)據(jù)檢測，兩塊雷達呈90°角，測得數(shù)據(jù)后作為一個雙通道的數(shù)據(jù)以供后續(xù)使用。雙基地毫米波雷達可以放置在目標所在的非機動車道兩側(cè)，以實現(xiàn)對目標的全方位監(jiān)測。在放置雙雷達時，需要考慮雷達之間的距離和角度，以確保雷達的信號不會相互干擾。在實際應(yīng)用中，具體的雷達放置位置和方式可能會因不同的道路情況和監(jiān)測目標類型而有所不同。