[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

说明书

本发明公开了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，解决了对存储资源和计算资源消耗较大和识别率较低的技术问题。实现包括：采集目标数据，预处理得到目标级点云数据集；分离单点和多点样本生成用于训练和测试的单点和多点样本集；分别提取单点和多点训练特征集并训练相应的分类器；获取单帧测试样本概率预测向量；融合多帧样本概率预测向量实现分类。本发明对单点和多点目标分别处理，对多点目标多域特征提取，对多帧样本决策融合。本发明提升了单点目标识别率和整体识别率、计算资源和存储资源的消耗较少、实时性好。可应用于自动驾驶中的路面目标分类任务。

技术领域

本发明属于雷达信号处理技术领域，更进一步涉及目标特征提取及分类，具体是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。可以在复杂环境下对于路面运动目标进行实时分类。

背景技术

当雷达分辨率足够高、目标体积较大时，可以为目标产生较为丰富的点云，雷达目标点云的形状、速度分布以及RCS分布可以较好的体现目标的实际几何形状、运动状态、运动姿态和表面材质等属性，但雷达的测量值也受到雷达和目标相对位置和其他测量值的影响，因此可通过提取点云形状、速度分布、RCS分布、相对位置、不同测量值的组合等相关特征对目标进行分类。

在实际应用场景下，受限于雷达性能与场景的复杂性，大量目标雷达点云极其稀疏且测量值准确度不高，这直接导致了后续特征提取与分类的困难；同时单点目标占有不可忽视的比例，因此对单点目标的分类不可避免。而单点目标形成的目标点云一方面无法体现出与形状相关的信息，另一方面也不能体现速度、RCS分布等统计信息，因此需要在尽可能地保证多点目标分类能力的同时提高对单点目标的分类能力。

西安电子科技大学在其专利申请“基于毫米波雷达回波的目标特征提取方法”(专利申请号：CN202011298444.X，公开号：CN112505648A)中提出了一种基于毫米波雷达回波的目标特征提取方法。该方法首先基于毫米波雷达的目标实测数据生成目标原始距离多普勒RD图，并利用CLEAN算法去除目标原始距离多普勒RD图中的地杂波和采用改进的单元平均CFAR算法对去杂波后的RD图进行目标检测，然后利用卡尔曼滤波方法对获得的连续多帧RD图进行目标跟踪，根据获得的跟踪轨迹，选择每张RD图上的候选区域并基于获得的候选区域提取单帧和多帧特征，最后将提取的特征送入分类器，获得分类结果。以常见路面目标分类为例，该方法采用的多帧RD数据更接近原始的雷达回波，信息损失少，可以更充分地反应目标在距离分布和速度分布上的特点，能在常见路面目标分类任务上取得较高的识别率，但是该方法需要对多帧数据进行特征提取，而保存多帧RD图数据对车载设备的存储和计算资源占用较大，很难满足自动驾驶系统实时性的需求。

Zhao Z等人在Point Cloud Features-Based Kernel SVM for Human-VehicleClassification in Millimeter Wave Radar中提出一种根据物体的物理特性在目标点云切片中提取目标相关特征的方法，包括目标不同方向的展宽、速度的均值方差、雷达散射截面积的均值方差等特征，并采用支持向量机完成目标分类。以常见路面目标分类为例，该方法能对常见路面目标进行分类，在提取少量特征的情况下对行人和汽车的二分类取得了较好的分类表现，但仅考虑了简单场景下对近距离的行人和汽车两类目标的分类，提取的少量特征不足以反映真实复杂场景下常见路面目标全面的物理特性，且提取的特征不适用于目标仅有单个反射点的情况。

现有技术中，采用RD数据时对存储和计算资源的占用较大，采用点云数据时传统方法提取的特征类型和数量较少，对目标特性描述不充分，进而导致对目标识别率低。

发明内容

本发明的目的在于克服现有技术的不足，提出一种单点、多点分别处理，识别率更高的基于毫米波雷达点云数据目标特征提取及分类方法。

本发明是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：