[发明专利]一种4D毫米波雷达点云处理和目标分类的方法

说明书

本发明公开了一种4D毫米波雷达点云处理和目标分类的方法。该方法包括点迹输入、点迹预处理、卡尔曼滤波预测、点迹与航迹的关联、点迹的聚类、航迹的起始、航迹的更新和航迹管理。本发明实现从二维平面到三维平面的转变，目标的点迹特性更为明显。以信噪比加权方式构造目标量测虚拟点迹，将关联点迹投影到xoy平面上，以虚拟点迹为原点顺时针旋转xoy平面航向角，同时采用多帧滑窗的方式以多帧之间虚拟点位置关系位移计算目标的尺寸信息，改善了由于毫米波点云稀疏导致目标尺寸不明显特征，根据目标的特征给予单帧目标的类概率，结合历史概率和单帧概率加权形式得出本帧目标分类概率，采用本帧概率最大的类作为本帧最后的分类结果。

技术领域

本发明涉及4D毫米波雷达点云处理和目标分类的方法技术领域，具体涉及一种4D毫米波雷达点云处理和目标分类的方法。

背景技术

目前由于毫米波雷达点云稀疏，包含的目标的特征较少，并且在运用点迹特征的分类方法中没有充分考虑到目标在行驶过程中不同方位对于目标分类的影响，导致基于毫米波雷达的目标分类方法准确率低、实用性不好，因此在实际应用中给毫米波雷达的发展带来了极大的挑战，现有的基于毫米波雷达目标分类主要应用于区分行人和车辆，而市场对于目标分类的需求不仅仅于此。而4D毫米波雷达在原有的距离、水平角度、速度上增加了俯仰角度信息，对于目标来说，在空间上从二维平面拓展成三维立体，目标的形状特征更为明显。面对传统毫米波雷达点云稀疏以及现实中各种目标不同方位角度影响目标分类判断的情况下，4D雷达进一步提高点迹数量和质量，同时在三维空间上进行点云处理提取目标的航向信息，通过多帧滑窗目标关联点迹信息，根据航向角信息进行点迹旋转，基于多帧虚拟点迹位置关系进行点迹位移计算出目标长宽高形状特征，改善了目标尺寸不明显特征，提高目标在不同方位行驶中的分类的适用性。同时采用目标的长、宽、高、RCS，体积等作为目标的特征，给与单帧目标的各个类的概率，结合历史概率和单帧概率加权形式得出本帧目标分类概率，采用本帧概率最大的类作为本帧最后的分类结果，能更好的实时区分出行人、二轮车、小车、商用车，进一步提高目标分类的准确性和普适性。

发明内容

本发明的目的是针对现有技术存在的不足，提供一种4D毫米波雷达点云处理和目标分类的方法。

为实现上述目的，本发明提供了一种4D毫米波雷达点云处理和目标分类的方法，包括：

输入4D毫米波雷达获取的目标的点迹，并对所述点迹进行预处理，所述点迹的量测包括目标的距离、水平角度、俯仰角度和径向速度；

对所有存在的航迹进行卡尔曼滤波预测，然后将所有航迹的预测后的丢失次数以及所有航迹的生存周期都分别加1，将航迹的外推时间加上雷达周期T；

将预处理后的点迹与本帧之前已存在的航迹关联；

采用密度聚类的方式将未关联上航迹的预处理的点迹进行聚类；

对聚类的结果进行起始航迹；

进行航迹更新，所述航迹更新包括卡尔曼滤波更新，所述卡尔曼滤波更新的方式如下：遍历所有的有效的航迹，判断每一航迹在本帧是否存在关联点迹，若存在，且有效航迹处于第二帧，则对该航迹初始化卡尔曼滤波器，若航迹为两帧以上，则进行卡尔曼滤波更新；然后对所有在本帧有关联点迹的航迹做以下操作：将航迹的雷达散射截面积更新为本帧关联点迹中雷达散射截面积最大值，航迹关联点迹个数重置为0，航迹的丢失次数减1，航迹的外推时间重置为0；

对非真实目标的航迹或者目标已不在雷达探测范围不能稳定跟踪的航迹进行删除。

进一步的，所述预处理包括角度矫正，经角度矫正后的水平角度、俯仰角度分别为：

其中，分别为标定出的雷达的水平角度和俯仰安装角度。

进一步的，所述预处理还包括动静分离，所述动静分离的方式如下：