[发明专利]基于毫米波雷达点云数据的目标特征提取及分类方法

权利要求书

1.一种基于毫米波雷达点云数据的目标特征提取及分类方法，其特征在于，对单点目标和多点目标分别进行处理，对多点目标进行了多域特征提取，在测试过程中对多帧样本进行决策融合，包括以下步骤：

1)数据集预处理：毫米波雷达的数据采集系统采集获取带有类别编号、跟踪编号、场景编号的场景级点云数据集，根据类别编号保留关注目标的点云数据，重新调整剩余点云数据的编号，得到剩余场景级点云数据集，对其进行滑窗，数据融合，每个剩余场景级点云数据生成多个目标级点云样本，赋予具有相同跟踪编号的目标级点云样本具有随时间依次递增的帧号，所有的目标级点云样本构成带有帧号的目标级毫米波雷达点云数据集，根据场景编号将其随机划分为训练集和测试集；

2)单点/多点样本分离：将用于训练和测试的目标级毫米波雷达点云数据集再分别划分为单点和多点各自的训练/测试样本集，划分准则是当前样本中的目标点数，当样本仅有一个目标点时，该样本被定为单点样本，当该样本具有两个及两个以上目标点，该样本被定为多点样本；

3)训练样本特征提取：针对单点目标训练样本集的每个单点训练样本，每个样本从雷达的基础测量值和其组合中提取不同类型的特征；针对多点目标训练样本集的每个多点训练样本，进行多域特征提取，每个样本分别从五个不同域中手动提取五种对应的不同类型的特征，所有的特征用以反映目标形状、速度、姿态、材质、位置特性；对每个单点样本提取6维特征，总体生成单点训练特征集，对每个多点样本提取125维特征，总体生成多点训练特征集；

3.1)单点训练样本特征提取：对所有单点训练样本提取6维特征后，所有单点训练样本特征生成单点目标训练特征集其中fea_i,j表示第i个单点样本的第j个特征，表示所有单点训练样本的所有特征组成的单点特征矩阵，矩阵维数为N_o×M_o，N_o表示单点样本数量，M_o表示对单点样本提取特征的特征维度；

3.2)多点训练样本特征提取：对所有多点训练样本进行多域特征提取，提取125维特征后，所有多点训练样本特征形成多点目标训练特征集其中fea_i,j表示第i个单点样本的第j个特征，表示所有单点样本的所有特征组成的多点特征矩阵，矩阵维数为N_l×M_l，N_l表示多点样本数量，M_l表示对多点样本提取特征的特征维度；

4)分类器训练：针对单点目标和多点目标训练特征集分别训练相应的分类器，得到用于单点目标分类的单点分类器和用于多点目标分类的多点分类器；

4.1)单点分类器训练：将单点训练特征集合输入用于单点目标分类的随机森林分类器，随机森林分类器的输出是随机森林中每棵决策树的路面目标判定结果的综合；决策树的节点分裂属性选择基尼系数衡量；决策树的结束条件满足以下之一：决策树达到最大深度、叶节点纯度达到阈值、叶节点的样本数达到设定值；满足结束条件后得到用于单点目标分类的单点分类器；

4.2)多点分类器训练：将多点训练特征集合输入用于多点目标分类的随机森林分类器，随机森林分类器的输出是随机森林中每棵决策树的地面目标判定结果的综合；决策树的节点分裂属性选择基尼系数衡量；决策树的结束条件为满足以下之一：决策树达到最大深度、叶节点纯度达到阈值、叶节点的样本数达到设定值；满足结束条件后得到用于多点目标分类的多点分类器；

5)获取基于单帧样本的概率预测向量：调用目标级毫米波雷达点云测试集进行测试时，单点目标的目标级毫米波雷达点云测试集中每帧样本用单点分类器进行分类，多点目标的目标级毫米波雷达点云测试集中每帧样本用多点分类器进行分类；分别遍历所有的单点和多点测试样本，提取相应的单点目标和多点目标特征，并用相应的单点和多点分类器分别进行分类测试，得到每个样本对应的概率预测向量；

6)融合多帧样本的概率预测向量进行分类：无论在单点测试还是在多点测试中，根据测试样本的帧号查找与当前帧相邻的前2帧样本的概率预测向量，并将其与当前帧得到的概率预测向量进行累加，决策融合后得到当前帧最终的概率预测向量，当前帧最终概率预测向量中最大概率值对应的类别即为该样本的分类结果；遍历所有的单点和多点测试样本，均对当前帧和相邻前2帧样本的概率预测向量进行融合，得到每个样本的最终分类结果，测试过程结束，完成针对毫米波雷达点云数据的目标特征提取及分类。