基于车载毫米波雷达联合SVM和CNN多目标分类方法.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CN110443138A(43)申请公布日2019.11.12(21)申请号201910601880.0(22)申请日2019.07.05(71)申请人东南大学地址210096江苏省南京市江宁区东南大学路2号(72)发明人武其松高腾(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204代理人常虹(51)Int.Cl.G06K9/00(2006.01)权利要求书3页说明书8页附图4页(54)发明名称基于车载毫米波雷达联合SVM和CNN多目标分类方法(57)摘要本发明公开了一种基于车载毫米波雷达联合SVM和CNN多目标分类方法，首先对雷达获取到的不同目标的IF信号进行采样，转换为帧信号，对帧信号进行二维傅里叶变换，归一化后得到距离-多普勒图，提取距离-多普勒图中的特征向量，构建样本集；其次构建并训练SVM分类器，得到能够进行初步分类的SVM分类器；最后构建并训练卷积神经网络分类器，对SVM分类器无法分类的样本进行进一步分类，得到待测目标的分类结果。该方法联合SVM分类器和CNN分类器，弥补了CNN分类器对位置信息的不敏感，充分利用了样本的有效信息，提高了目标分类准确率。CN110443138ACN110443138A权利要求书1/3页1.基于车载毫米波雷达联合SVM和CNN多目标分类方法，其特征在于，包括：训练阶段和测试阶段；所述训练阶段包括如下步骤：(1)获取毫米波雷达系统对目标回波信号处理后的中频信号f(t)，并对每个获取到的中频信号f(t)标定分类标签；(2)对IF信号f(t)以采样频率Fs进行采样，一个调频连续波时宽T内采样点数为N，连续采集L个时宽；得到N×L个采样点，形成N×L维的帧信号；所述帧信号第n行l列元素f(n,l)为第l个时宽的第n个采样点，n＝1,2,…,N，l＝1,2,…,L；对所述帧信号进行二维傅里叶变换，可表示为：其中w(n)为高斯窗函数，p＝1,2,…,N，q＝1,2,…,L；将F(p,q)归一化处理，获得距离-多普勒图P；所述距离-多普勒图P中像素值为：其中，P(p,q)表示距离-多普勒图P在(p,q)位置处的像素值，|·|表示对复数取模；获取到的距离-多普勒图构成图像样本集Setmap；获取距离-多普勒图P中目标的距离扩展大小d、距离方差σd、径向速度扩展大小s、径向速度方差σs和径向速度特征ps，组成特征向量v＝(d,σd,s,σs,ps)，构成特征向量样本集Setvec；(3)构建SVM分类器，使用特征向量样本集Setvec对构建的SVM分类器进行训练；(4)构建卷积神经网络分类器，将SVM分类器未确定类别的特征向量所对应的距离-多普勒图作为卷积神经网络的训练集Setmap′，，使用Setmap′对构建的卷积神经网络分类器进行有监督的学习，获得卷积神经网络分类器的参数；所述测试阶段包括如下步骤：(5)采集待测目标的IF信号ftg(t)；对ftg(t)按照步骤(2)所述的方法采样，采样点构成帧信号ftg(n,l)，对ftg(n,l)进行二维傅里叶变换，得到距离-多普勒图Ptg，Ptg在(p,q)处的像素值为Ptg(p,q)；获取距离-多普勒图中目标的距离扩展大小d、距离方差σd、径向速度扩展大小s、径向速度方差σs和径向速度特征ps，组成特征向量vt＝(d,σd,s,σs,ps)；(6)将vt输入训练好的SVM分类器中，获取待测目标分类结果的置信度，如果置信度大于预设的置信度阈值Cth，得到待测目标的类别，结束分类；否则，将Ptg输入训练好的卷积神经网络分类器，得到待测目标的类别。2.根据权利要求1所述的基于车载毫米波雷达联合SVM和CNN多目标分类方法，其特征在于，所述步骤(2)中还包括对获取到的距离-多普勒图进行预处理，所述预处理为：计算所有距离-多普勒图中每个像素位置像素值的平均值，并将样本集中的每个像素点的像素值减去其对应位置像素值的平均值。3.根据权利要求1所述的基于车载毫米波雷达联合SVM和CNN多目标分类方法，其特征在于，所述步骤(2)中获取距离-多普勒图中目标的距离扩展大小d、距离方差σd、径向速度2CN110443138A权利要求书2/3页扩展大小s、径向速度方差σs和径向速度特征ps的步骤为：(2.1)对距离-多普勒图进行恒虚警检测，获取图中的信号点；根据像素位置对信号点进行聚类，获得图中目标所对应的簇；(2.2)距离扩展大小d表示簇中信号点纵坐标最大值与纵坐标最小值的差值，距离方差σd表示簇中信号点的纵坐标方差，径向速度扩展大小s表示簇中信号点横坐标最大值与横坐标最小值的差值，径向速度方差σs表示簇中信号点横坐标的方差，径向速度特征ps表示簇中像素值最大的信号点的横坐标。4.根据权利要求1