[发明专利]基于单频连续波雷达的车型分类方法

摘要

基于单频连续波雷达的车型分类方法，属于智能交通车辆检测领域。该方法以单频连续波雷达的时域雷达信号作为输入，进行时频分析得到随时间变化的雷达回波多普勒频谱图；通过哈夫变换将多普勒频谱图像映射为车辆散射中心位置参数图像；经过特征提取；Karhunen－Loeve(K－L)筛选和压缩得到特征样本，利用Fisher准则进行样本分类，得到车辆的车型分类。对于多类型情况使用多个两类型分类器分别进行两两分类，根据分类器结果进行投票，得到车型分类结果。单频连续波雷达结构简单可靠、成本低廉。本发明利用单频连续波雷达实现了在车辆检测、测速的同时进行车辆分类，实际应用中将车辆分为三类的平均分类正确率达到94.8％。

主权项

1.基于单频连续波雷达的车型分类方法，其特征在于，该方法步骤如下：步骤一，将时域雷达信号进行时频分析得到回波信号的多普勒频谱图t-f_d图像空间：采用短时傅立叶变换STFT：STFT{x[]}≡X(m,ω)=Σn=-∞+∞x[n]w[n-m]e-jωn]]>其中x[n]是离散时间信号，w[n]是窗函数，m是窗函数的滑动位置，ω是角频率；车辆散射中心产生的回波信号的多普勒频谱图t-f_d图像空间为：fd(t)=2vfcx0+xv-vt(x0+xv-vt)2+(h0-hv)2]]>其中，x_v为车辆散射中心横坐标，h_v为车辆散射中心纵坐标，x₀为车辆入场位置，h₀为雷达安装高度，f为雷达工作频率，c为光速，f_d为车辆散射中心反射回波的多普勒频率，v为车辆相对速度；步骤二，利用哈夫变换将多普勒频谱图t-f_d图像空间转换为参数x_v-h_v空间，得到参数x_v-h_v空间中车辆散射强度的分布，参数空间中的曲线为：hv(xv)=h0-(xv+x0-vt)(2vffdc)2-1;]]>在实现哈夫变换的过程中，通过映射的方法得到x_v-h_v平面中散射强度的分布R(x_v，h_v)，该分布由积分得到：R(xv,hv)=∫t0t1Xp(t,fd)dt=∫t1t1Xp(t,2vfcx0+xv-vt(x0+xv-vt)2+(h0-hv)2)dt,]]>其中，X_p是雷达回波的功率谱：Xp[m,k]=|FFT{x[m,i]w[i]}|2=|Σi=0N-1x[m,i]w[i]WNnk|2,]]>其中x[m，i]是雷达回波采样信号x[n]按一定步长截取，w[i]是窗函数；步骤三，特征提取：将R(x_v，h_v)离散化得到R[x_v，h_v]，取R[x_v，h_v]中每一列的最大值，然后进行归一化，将强度分布图像映射为一个一维特征向量r[x]：r[x]=maxhR[x,h]maxx,hR[x,h];]]>步骤四，特征筛选和压缩：采用Karhunen-Loeve(K-L)展开，将步骤三得到的一维特征向量r[x]投影到按方差大小排序的新的特征空间中，从中选取并得到能够反映特征并且保持较好分类效果的前N个特征向量；Karhunen-Loeve(K-L)展开过程如下：首先计算数据强度分布特征向量集合{r}的协方差矩阵∑：∑＝cov(r)＝E[(r-μ)(r-μ)^T]，其中μ是特征样本集的总体均值向量，然后采用奇异值分解(SVD)的方法计算矩阵∑的本征向量：Σ=UΛ12VT]]>，其中U、V为正交矩阵，由∑矩阵的本证向量组成，Λ为对角矩阵，对角线上元素为从大到小排列的∑矩阵的本征值；利用本证向量U作为正交基，将样本集投影到按方差大小排序的新的特征空间中：X＝U^Tr；步骤五，由判别准则对特征量进行比较，完成分类：利用Fisher判别准则下得到归一化的最优权向量，利用最优权向量将样本投影到一维空间并与平均的最优阈值权进行比较，判断样本的所属类型；两类线型分类的方法如下：对于N维特征空间的样本向量X，找到权向量w和阈值权w₀，使得判别函数：g(X)＝w^TX+w₀满足判别规则：其中L₁、L₂分别为两类的样本集合；确定权向量w的过程如下：定义m_i为样本均值向量，S_i为样本类内离散度矩阵，S_L为总类内离散度矩阵：mi=1NΣX∈LiX,i=1,2]]>Si=ΣX∈Li(X-mi)(X-mi)T,i=1,2]]>S_L＝S₁+S₂则Fisher准则下归一化的最优权向量w为：w=SL-1(m1-m2)||SL-1(m1-m2)||]]>得到最优权向量w之后即可将样本投影到一维空间Y，并利用平均的方法计算最优阈值权Y₀；Y_n＝w^TX_n，n＝1，2，…，N_imi=1NiΣX∈LiY,i=1,2]]>Y0=m~1+m~22]]>至此，对于任意样本X，都可以使用最优权向量w计算它的投影Y，然后对Y和Y₀的大小进行比较，即可对X的类型进行判决，得到车型分类。