[发明专利]一种基于神经网络的毫米波雷达探测目标成像方法

摘要

本发明涉及一种基于神经网络的毫米波雷达阵列成像方法，属于自动驾驶技术领域。本方法首先通过毫米波雷达阵列得到原始信号数据，通过激光雷达得到环境点云数据，对经过傅里叶变换后得到初始的特征矩阵，对点云数据做坐标变换后得到以毫米波雷达阵列的安装位置为坐标原点为的点云数据，利用卷积神经网络构建毫米波雷达阵列成像模型，使用毫米波雷达信号的特征矩阵和以毫米波雷达阵列的安装位置为坐标原点为的点云数据训练毫米波雷达阵列成像模型。本发明方法基于神经网络实现毫米波雷达阵列成像模型的构建，解决了传统雷达信号建模方法中很难对雷达天线旁瓣干扰信号解耦的问题。

主权项

1.一种基于神经网络的毫米波雷达探测目标成像方法，其特征在于，该方法包括以下步骤：(1)采集毫米波雷达数据，并进行数据预处理，得到一个毫米波雷达的特征矩阵R，具体包括以下步骤：(1‑1)设定毫米波雷达位于直角坐标系xyz的原点o，毫米波雷达上设有N组天线，设定毫米波雷达的第i组天线的探测方向与直角坐标系的平面xoy的夹角为α_i；(1‑2)采集由毫米波雷达的第i组天线发出的T次毫米波雷达的原始信号Z_i；(1‑3)对步骤(1‑2)的原始信号Z_i分别进行傅里叶变换，得到一个矩阵F_i，F_i为一个K×T维的矩阵，K为原始信号长度，对矩阵F_i进行二维傅里叶变换，得到特征矩阵r_i；(1‑4)遍历毫米波雷达中的N组天线，重复步骤(1‑3)，得到所有N组天线的特征矩阵，将所有特征矩阵组合成，得到一个毫米波雷达的特征矩阵R，即R＝{r₁；r₂；r₃；…；r_N}，R为一个K×T×N维矩阵；(2)设定一个数据采集点，采集探测目标的点云数据，构成一个三维点云矩阵P，具体包括以下步骤：(2‑1)设定数据采集点，使数据采集点H位于步骤(1‑1)的直角坐标系xyz中，H点的坐标为x＝0，y＝λ，z＝0，从H点采集探测目标的点云数据E，点云数据E中包含M个点云位置信息，M根据探测精度设定，M>100，M个点云位置信息中的第ε个点p_ε的位置信息用表示，其中，β_ε表示从H点到p_ε点的连线与直角坐标系xyz中平面xoy的夹角，ε＝1，2...，M，并设定β_ε的取值为夹角α_i中的任意一个值，i＝1，2，…，N，表示从H点到p_ε点的连线与直角坐标系中平面yoz的夹角，l_ε表示H点到p_ε点的距离；(2‑2)利用以下公式，分别对上述所有M个位置信息进行处理，得到M个新的位置信息β_newε＝β_ε(2‑3)根据步骤(2‑2)所述的M个新的位置信息由于B_newε＝β_ε，因此β_newε只有N种可能的取值，根据β_newε的不同取值，将步骤(2‑2)的M个新的位置信息分成N组，每组个数据，将个数据排列成三维点云矩阵P，即P为一个矩阵；(3)构建一个卷积神经网络，利用该卷积神经网络对步骤(1)中的三维特征矩阵R进行自动特征提取，最终输出维点云估数据计值构成毫米波雷达探测目标成像模型，具体包括以下步骤：(3‑1)构建卷积神经网络的输入层，卷积神经网络的输入矩阵为步骤(1)的尺寸为K×T×N的三维特征矩阵R，卷积神经网络的输入层卷积网络有100个卷积核，输入层的第g个卷积核用W_g0表示，g＝1，2，3…100，卷积核的尺寸为3×3×N，卷积步长为1，输入层卷积网络的激活函数为RELU函数，输入层卷积网络的输出矩阵的尺寸为K×T×100，每个卷积核的运算公式为：D_g＝RELU(R*W_g0)其中，*为卷积运算符，卷积核W_g0为待训练参数，D_g为利用每个卷积核做卷积运算后的输出，g＝1，2，…，100，所有的D_g组合成(3‑2)构建卷积神经网络的中间层，卷积神经网络的中间层包括Q层卷积网络，其中第q层卷积网络的输入矩阵为第q‑1层卷积网络的输出矩阵中间层中第1层卷积网络的输入矩阵为卷积神经网络输入层的输出矩阵每一层卷积网络有100个卷积核，第q层第g个卷积核用W_gq表示，卷积核尺寸为3×3×100，卷积步长为1，每一层卷积网络的激活函数为RELU函数，第q层卷积网络的输出矩阵用表示，尺寸为K×T×100，Q层卷积网络的每个卷积核的运算公式为：其中，*为卷积运算符，卷积核W_gq为待训练参数，为利用每个卷积核做卷积运算后的输出，g＝1，2，…，100，所有的按照顺序组合成(3‑3)构建卷积神经网络的输出层，卷积神经网络的输出层是一层卷积网络，输出层卷积网络的输入矩阵为卷积神经网络中间层的最后一层卷积网络的输出矩阵输出层卷积网络的卷积核有3M个，用W_e表示，e＝1，2，…，3M，每个卷积核的尺寸为K×T×100，每个卷积核的运算公式为：其中，*为卷积运算符，卷积核W_e为待训练参数，D_e为利用每个卷积核做卷积运算后的结果，e＝1，2，…，3M，所有的D_e组合成规模为的三维矩阵，该三维矩阵即为毫米波雷达探测目标成像模型，记为(4)重复步骤(1)和步骤(2)s次，得到s组特征矩阵R和点云矩阵P的样本，利用梯度下降方法，迭代训练步骤(3)中的卷积神经网络，得到毫米波雷达探测目标成像模型具体包括如下步骤：(4‑1)重复步骤(1)—步骤(2)s次，得到s组特征矩阵R和点云矩阵P的样本；(4‑2)采用梯度下降方法，遍历(4‑1)采集到的s组特征矩阵R和点云矩阵P的样本，重复步骤(3)，对步骤(4‑1)的训练集进行训练，得到步骤(3)中模型的所有待训练参数，即W_g0、W_gq和W_e，并得到与训练参数W_g0、W_gq和W_e相对应的毫米波雷达探测目标成像模型(4‑3)重复步骤(4‑2)η次，50≤η≤100，得到最后η训练参数W_g0、W_gq和W_e相对应的毫米波雷达探测目标成像模型即为最终的毫米波雷达阵列成像模型(5)利用(4)中得到的最终毫米波雷达探测目标成像模型，实现毫米波雷达探测目标的成像。