基于线性调频连续波雷达的驾驶行为检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112883760A(43)申请公布日2021.06.01(21)申请号201911200564.9G01S13/91(2006.01)(22)申请日2019.11.29(71)申请人南京理工大学地址210094江苏省南京市玄武区孝陵卫街道200号(72)发明人洪弘徐小明李彧晟熊俊军丁传威马悦冯晨孙理顾陈朱晓华(74)专利代理机构南京理工大学专利中心32203代理人马鲁晋(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G01S7/41(2006.01)权利要求书3页说明书6页附图14页(54)发明名称基于线性调频连续波雷达的驾驶行为检测方法(57)摘要本发明公开了一种基于线性调频连续波雷达的驾驶行为检测方法，首先利用线性调频连续波雷达采集驾驶行为信息，对雷达信号进行预处理，之后提取驾驶行为雷达回波信号的时间多普勒时频图，接着利用卷积神经网络来确定驾驶行为和对应雷达回波信号的时间多普勒时频图之间的映射模型；最后根据映射模型，对受试者进行驾驶行为检测。本发明的方法性能可靠、可以准确地对驾驶行为进行检测。CN112883760ACN112883760A权利要求书1/3页1.一种基于线性调频连续波雷达的驾驶行为检测方法，其特征在于，包括以下步骤：步骤1、采集驾驶行为的动作回波信号；步骤2、对采集到的雷达回波信号进行预处理，具体为：对雷达信号进行去直流处理，然后在快时间域上作快速傅里叶变换得到驾驶行为的时间距离分布图；步骤3、在慢时间域上作快速傅里叶变换得到驾驶行为的时间多普勒分布图，根据对应的驾驶行为对时频图进行标记，建立驾驶行为的时频图数据库TF_Data；步骤4、将上述驾驶行为时频图数据库TF_Data分为两个互斥的集合，其中一个为驾驶行为训练集TF_train，另一个为驾驶行为测试集TF_test，每个集合中各种驾驶行为的比例一致；步骤5、构建卷积神经网络，确定网络结构，并使用卷积自编码器对网络进行预训练以使参数初始化，接着利用驾驶行为训练集TF_train和测试集TF_test对网络进行训练及调优，最终得到驾驶行为识别模型M；步骤6、对于驾驶行为的实测雷达回波信号，根据步骤3中提取驾驶行为的时间多普勒分布图，将其输入到识别驾驶行为识别映射模型M中，完成驾驶行为检测识别。2.根据权利要求1所述的基于线性调频连续波雷达的驾驶行为检测方法，其特征在于，步骤1所述驾驶行为的动作回波信号，具体通过线性调频连续波雷达进行采集，采集所得雷达数据以矩阵形式表示为：R[n,m]＝s(t＝mTf+nTs)，其中R为雷达矩阵信号，矩阵行数据为调频周期内的采样点，对应的时域为快时间域，矩阵列数据为调频周期间的采样点，对应的时域为慢时间域，s为雷达回波模拟信号，Tf为快时间域采样间隔，Ts为慢时间域采样间隔，t为矩阵中处于n行m列的数据点对应的采样时刻。3.根据权利要求1所述的基于线性调频连续波雷达的驾驶行为检测方法，其特征在于，步骤2中对采集到的雷达信号的预处理，具体为：步骤2-1、去直流处理，在快时域上计算回波信号的均值，将回波信号减去均值；步骤2-2、在快时域上作快速傅里叶变换处理，得到驾驶行为的时间距离分布图。4.根据权利要求3所述的基于线性调频连续波雷达的驾驶行为检测方法，其特征在于，步骤3中建立驾驶行为的时频图数据库TF_Data，具体为：步骤3-1、对步骤2-2所得驾驶行为的时间距离分布图，在慢时域上作FFT得到驾驶行为的时间多普勒时频图；步骤3-2、将所得时频图作灰度化处理，根据对应的驾驶行为对灰度化后的时频图进行标记，建立驾驶行为的时频图数据库TF_Data。5.根据权利要求1所述的基于线性调频连续波雷达的驾驶行为检测方法，其特征在于，步骤5中卷积神经网络的构建、训练以及调优，具体为：步骤5-1、构建卷积神经网络，使用驾驶行为训练集TF_train对卷积神经网络进行试训练，当测试集TF_test的分类准确率最高时，确定为最佳的网络卷积层数；步骤5-2、对于步骤5-1中构建完毕的卷积神经网络，在其卷积层和池化层后连接对应的反池化层和反卷积层，构成卷积自编码器，并将全连接层移除，对网络进行预训练以初始化网络权值参数；步骤5-3、将步骤5-2中网络的反卷积层和反池化层移除，保留卷积层及其权值参数值，添加全连接层，构成卷积神经网络，使用驾驶行为训练集TF_train训练卷积神经网络；2CN112883760A权利要求书2/3页步骤5-4、结合驾驶行为训练集TF_train和驾驶行为测试集TF_test的损失函数及驾驶行为识别准确率，对卷积神经网络进行调节优化，修改调节网络的超参数，最终得到驾驶行为识别模型。6.根据权利要求5