[发明专利]基于展宽计算的车载毫米波雷达目标识别方法

说明书

本申请属于雷达目标类型识别的技术领域，提供了一种基于展宽计算的车载毫米波雷达目标识别方法，该方法包括：获取接收到的雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离‑多普勒二维矩阵；对所述距离‑多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；根据所述距离‑多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据；根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型。本申请实施例解决由于毫米波雷达的点云数据稀疏造成目标特征提取困难的问题。

技术领域

本发明涉及雷达目标类型识别的技术领域，尤其涉及一种基于展宽计算的车载毫米波雷达目标识别方法。

背景技术

毫米波雷达自20世纪发展以来一直被广泛应用于汽车领域，而作为智慧交通的重要组成部分在辅助驾驶、自动驾驶应用上被大家熟知。BSD，即盲区检测从2017年一直保持最高的渗透率并且稳步增长。而作为(ADAS)高级驾驶辅助系统系统中重要的组成部分、毫米波雷达的基本功能已经表现出非常强劲的市场生命力，不仅在技术上成熟稳定，而且用户的接受程度也高。

在BSD方案系统中，至关重要的一点是雷达能够有效识别盲区中的目标类型，以反馈给控制系统，进而做出正确的驾驶操作。行人和车辆目标是最为典型的路面目标，因此对于行人和车辆目标的正确识别对BSD系统来说不可或缺。

现有技术中，将毫米波雷达的点云数据进行聚类，得到不同类别的目标点云数据，然后建立特征向量样本集，采用十折交叉验证的方法将特征样本集分为训练集和测试集，采用训练集对核支持向量机进行训练。但是由于毫米波雷达的点云通常比较稀疏，因此在实际使用时，检测目标很可能是个孤立的点，这种情况下该算法就会失效。

发明内容

有鉴于此，本发明实施例提供了一种基于展宽计算的车载毫米波雷达目标识别方法，以解决由于毫米波雷达的点云数据稀疏造成目标特征提取困难的问题。

本发明实施例的第一方面提供了一种基于展宽计算的车载毫米波雷达目标识别方法，包括：

获取接收到的雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵；

对所述距离-多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；

根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；

根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据；其中，所述目标特征包括所述聚类数据中幅度最大点迹的多普勒展宽和所述聚类数据中幅度最大点迹的距离展宽；

根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型。

在一个实施示例中，所述目标特征还包括所述聚类数据的目标平均速度、所述聚类数据中不同点迹速度差值的最大值和所述聚类数据中不同点迹距离差值的最大值。

在一个实施示例中，当从所述聚类数据中提取所述聚类数据中幅度最大点迹的多普勒展宽或所述聚类数据中幅度最大点迹的距离展宽时，所述根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据，包括：

确定所述聚类数据中具有最大幅度的点迹为基准点迹；

查找位于所述距离-多普勒二维矩阵中所述基准点迹对应的多普勒维和距离维的展宽计算范围内的点；其中，所述距离-多普勒二维矩阵中所述多普勒维的坐标为多普勒单元，所述距离维的坐标为距离单元；

根据查找到的点计算所述基准点迹的多普勒展宽或距离展宽。

在一个实施示例中，所述根据查找到的点计算所述基准点迹的多普勒展宽或距离展宽，包括：