一种复杂环境下的毫米波雷达交通目标精准识别方法与流程

摘要: 本发明涉及毫米波雷达,尤其涉及一种复杂环境下的毫米波雷达交通目标精准识别方法。背景技术:1、随着智能交通系统的快速发展,毫米波雷达作为一种重要的感知传感器,在车...
一种复杂环境下的毫米波雷达交通目标精准识别方法与流程

本发明涉及毫米波雷达,尤其涉及一种复杂环境下的毫米波雷达交通目标精准识别方法。

背景技术:

1、随着智能交通系统的快速发展,毫米波雷达作为一种重要的感知传感器,在车辆自动驾驶、交通监控和安全预警等领域发挥着日益关键的作用。毫米波雷达工作在30ghz至300ghz的频段范围,具备全天候工作能力强、穿透性好、测距测速精度高等显著优势,能够在雨雪、雾霾等恶劣天气条件下保持稳定性能,不受光照条件变化的影响。相较于光学传感器,毫米波雷达对目标距离和速度的测量具有更高的精度和稳定性,且成本相对可控,体积易于集成,这使其成为交通目标检测与识别系统中不可或缺的核心感知组件。在智能交通领域,毫米波雷达通过对道路上行驶车辆、行人及其他交通参与者的检测与跟踪,为交通管理部门提供实时、准确的交通流量信息,同时为自动驾驶车辆的环境感知系统提供关键的目标信息支撑,对于提升道路交通安全性和通行效率具有重要的战略意义。

2、其中,复杂环境下的毫米波雷达交通目标精准识别是当前智能交通领域的研究重点与难点。复杂环境涵盖强电磁干扰场景、多目标密集场景以及恶劣天气场景等多种工况条件。在强电磁干扰场景下,周围电子设备产生的干扰信号会叠加在雷达回波中,导致接收信号的信噪比严重下降,目标回波被噪声和干扰所淹没;在多目标密集场景下,不同交通参与者之间的距离较近,雷达回波信号相互混叠,形成复杂的电磁耦合效应,使得目标边界模糊,难以准确区分各独立目标;在恶劣天气场景下,雨滴、雪花以及大气湍流等因素会引起雷达波的散射和衰减,改变电磁波的传播特性,造成目标反射强度不稳定、位置估计偏差增大等问题。交通目标精准识别要求系统在上述复杂环境下,能够准确判断目标类别、稳定跟踪目标轨迹并可靠估计目标运动状态,这对毫米波雷达信号处理和目标识别算法的性能提出了极高的要求。

3、现有技术中的毫米波雷达交通目标识别方法主要基于统计特征分析和深度学习两类技术路线,然而这些方法在复杂环境下的应用均存在明显局限,现有技术依赖于人工经验进行特征的选择和构建,特征工程的优劣直接影响识别性能的上限,难以适应复杂多变的交通环境,特征泛化能力有限,在面对非线性、高动态的交通场景时,模型的适应性较差,无法有效处理目标特征变化剧烈的情况,且该方法主要针对特定类型的交通目标,对于复杂环境中出现的异常目标或非标准目标,识别能力明显不足。

4、现有技术采用卷积神经网络对中等分辨率毫米波雷达数据进行目标分类,通过数据筛选、预处理和模型训练提升分类准确率,该方法对训练数据的质量和数量要求较高,在实际复杂交通环境中难以获得充足且具有代表性的标注数据,导致模型训练效果受限,模型泛化能力弱,该方法主要针对中等分辨率雷达数据设计,对于不同分辨率雷达设备的兼容性较差,应用范围受到限制,且深度学习模型的计算复杂度较高,在实时性要求较高的交通场景中,难以满足快速响应的需求。

5、上述问题表明,现有的毫米波雷达交通目标识别方法在复杂环境下的识别精度、环境适应性和实时性等方面仍存在显著不足,亟待解决复杂环境下交通目标精准识别的技术难题。本发明的目的在于提供一种复杂环境下的毫米波雷达交通目标精准识别方法,可以有效解决现有技术在复杂环境下识别精度不足、环境适应性差和实时性难以保障的问题。

技术实现思路

1、本发明的目的是提供一种复杂环境下的毫米波雷达交通目标精准识别方法,以解决现有技术在复杂环境下识别精度不足、环境适应性差和实时性难以保障的问题。

2、为解决上述技术问题,本发明提供了如下技术方案:

3、一种复杂环境下的毫米波雷达交通目标精准识别方法,包括:

4、步骤1,获取毫米波雷达回波信号:采用调频连续波毫米波雷达进行目标探测,获取目标的距离信息、速度信息和角度信息,其中雷达工作于预设频段,发射信号具有预设的信号带宽,距离分辨率优于预设距离分辨率阈值,速度分辨率优于预设速度分辨率阈值,角度分辨率优于预设角度分辨率阈值;

5、步骤2,信号预处理与干扰抑制:对获取的雷达回波信号进行自适应滤波处理,采用空域滤波与频域滤波相结合的干扰抑制算法,其中空域滤波采用自适应波束形成算法,频域滤波采用陷波滤波器,陷波深度不低于预设深度阈值,陷波带宽不超过预设带宽阈值,输出信噪比提升不低于预设信噪比提升量的预处理信号;

6、步骤3,特征自适应提取:对预处理后的雷达信号进行多维度特征提取,包括时域特征提取、频域特征提取和空域特征提取,其中时域特征包括峰值功率、平均功率、功率方差和峰值因子,频域特征包括功率谱密度中心频率、谱带宽、谱峰数和频域熵,空域特征包括角度扩展、角度方差和角度峰值,提取的特征维度经过主成分分析进行降维处理,保留累计贡献率不低于预设贡献率阈值的主成分;

7、步骤4,多特征融合:采用基于注意力机制的特征融合方法,计算时域特征注意力权重、频域特征注意力权重和空域特征注意力权重,根据所述注意力权重对各类特征进行加权融合,得到融合特征向量;

8、步骤5,目标分类识别:基于所述融合特征向量,采用轻量级卷积神经网络进行目标分类识别,模型参数量不超过预设参数量阈值,计算量不超过预设计算量阈值,输出目标的类别概率分布。

9、所述步骤1中雷达系统采用调频连续波体制,发射功率为预设发射功率,天线采用相控阵天线,阵元数量为预设数量,阵元间距为半波长,波束扫描范围为预设扫描角度范围,波束宽度为预设波束宽度,接收链路采样率为预设采样率,中频带宽为预设带宽。

10、所述步骤2中自适应滤波处理包括时域滤波和空域滤波两个阶段,时域滤波采用有限长单位冲击响应滤波器进行杂波抑制和噪声过滤,空域滤波采用最小方差无畸变响应波束形成算法进行干扰对消,干扰对消模块还包括谱估计子模块和干扰定位子模块。

11、所述步骤2中自适应波束形成算法根据干扰信号的来波方向动态调整波束赋形权值,干扰信号来波方向的估计精度优于预设角度估计精度,干扰对消比不低于预设对消比阈值。

12、所述步骤3中时域特征提取针对每个目标分别计算峰值功率与平均功率的比值用于评估目标信号强度,计算功率方差用于评估目标信号稳定性,峰值因子用于评估目标信号的动态范围。

13、所述步骤3中频域特征提取针对每个目标计算功率谱密度中心频率用于评估目标回波的主频率位置,计算谱带宽用于评估目标的多径散射程度,计算谱峰数用于评估目标的微多普勒特征,计算频域熵用于评估目标信号的复杂度。

14、所述步骤3中空域特征提取针对每个目标计算角度扩展用于评估目标的空间分布特性,计算角度方差用于评估目标的角度稳定性,计算角度峰值用于评估目标的强散射点位置。

15、所述步骤4中注意力权重的计算过程为:构建特征矩阵,将时域特征、频域特征和空域特征按列拼接得到融合特征矩阵,计算查询向量与融合特征矩阵中各元素的相似度,通过归一化指数函数进行权重归一化,得到各类特征的注意力权重。

16、所述步骤4中融合特征向量的计算公式为:,其中表示融合特征向量,表示时域特征注意力权重,表示时域特征向量,表示频域特征注意力权重,表示频域特征向量,表示空域特征注意力权重,表示空域特征向量,且。

17、所述步骤5中轻量级卷积神经网络结构包括输入层、预设数量的卷积层、预设数量的全连接层和输出层,输入层接收融合特征向量的维度数据,卷积层分别采用预设数量的卷积核,卷积核尺寸均为预设核尺寸,步长为预设步长,采用整流线性单元激活函数,每个卷积层后接批量归一化层和最大池化层,池化窗口尺寸为预设窗口尺寸,步长为预设池化步长。

18、所述步骤5中全连接层分别包含预设数量的神经元,均采用整流线性单元激活函数,输出层包含目标类别数的神经元,采用软最大激活函数输出各类别的概率。

19、所述步骤5中模型训练采用迁移学习方法,利用预训练模型参数对网络层进行初始化,在毫米波雷达交通目标数据集上进行微调训练,学习率设定为预设学习率,批量大小为预设批量,训练轮次为预设轮次,损失函数采用交叉熵损失函数。

20、还包括目标跟踪模块,对识别后的目标进行轨迹跟踪,采用卡尔曼滤波器预测目标运动状态,结合数据关联算法将当前帧检测结果与历史轨迹进行匹配,更新目标跟踪列表,目标跟踪的漏检率不超过预设漏检率阈值,虚警率不超过预设虚警率阈值。

21、所述目标跟踪模块中卡尔曼滤波器采用恒速运动模型,状态向量包含目标的位置、速度和加速度信息,过程噪声协方差矩阵和观测噪声协方差矩阵根据实际交通场景自适应调整。

22、还包括系统架构模块,包括雷达感知单元、信号处理单元、特征提取单元、特征融合单元、目标分类单元和结果输出单元,各单元通过高速数据总线连接,采用流水线处理方式,系统端到端处理延迟不超过预设延迟阈值。

23、所述系统架构模块支持多雷达协同工作,最多支持预设数量的雷达同步运行,雷达间时间同步精度满足预设同步精度要求,各雷达采集数据通过时间戳对齐后进行联合处理,提升目标检测的覆盖范围和定位精度。

24、所述雷达感知单元集成温度补偿模块,工作温度范围为预设工作温度范围,相对湿度范围为预设相对湿度范围,确保雷达系统在极端环境条件下稳定工作。

25、所述信号处理单元采用多核数字信号处理器作为主控芯片,主频不低于预设主频阈值,配备专用加速器模块,算力不低于预设算力阈值,支持神经网络的实时推理运算。

26、与现有技术相比,本发明的有益技术效果为:

27、本发明采用多频段协同探测与自适应干扰对消技术相结合,有效应对强电磁干扰场景、多目标密集场景和恶劣天气场景,在强电磁干扰环境下采用空域滤波与频域滤波相结合的干扰抑制算法,干扰抑制比不低于预设抑制比阈值,在多目标密集场景下目标正确识别率不低于预设识别率阈值,在恶劣天气场景下目标检测概率不低于预设检测概率阈值,显著优于现有技术。

28、本发明采用多维度特征自适应提取方法,综合考虑目标的时域、频域和空域特征,基于注意力机制进行特征融合,充分利用各类特征的互补性,结合轻量级卷积神经网络进行目标分类,整体识别准确率不低于预设准确率阈值,较现有技术得到显著提升。

29、本发明在模型训练阶段采用迁移学习方法,利用预训练模型参数进行初始化,显著降低了对大规模标注训练数据的依赖,在标注数据量大幅减少的条件下仍能保持不低于预设准确率阈值的识别准确率,有效解决了复杂交通环境下标注数据获取困难的问题。

30、本发明采用轻量级网络结构和模型量化技术,模型参数量不超过预设参数量阈值,计算量不超过预设计算量阈值,系统端到端处理延迟不超过预设延迟阈值,可满足智能交通系统对实时性的严格要求,适合部署于车载计算平台和路侧边缘计算设备。

31、本发明的各技术环节形成完整的技术方案,各算法模块采用标准化接口设计,便于集成到智能交通系统的感知层,可与其他感知设备如视觉传感器、激光雷达等进行融合应用,构建多传感器融合的目标识别系统。