一种嵌入式轻量化的毫米波雷达目标识别方法与流程

1.本发明涉及目标识别技术领域，具体是一种嵌入式轻量化的毫米波雷达目标识别方法。


背景技术：

2.智能化时代的到来，将给人们带来越来越多的便利。而智能感知作为智能化生活的一部分，通过时刻感知周围环境，了解周围目标的状态信息，跟踪周围目标的运动轨迹，在行人跟踪，交通管控等方面，都将发挥重要的作用；
3.目前常用的传感器包括视觉传感器，激光雷达等，但视觉传感器无法测量目标的距离信息，易受天气影响；激光雷达价格昂贵，在雨雾天气下适用性较差，且数据以点云格式输出，计算量较大；而毫米波雷达测距精度较低，但是穿透性强，具有全天候、全天时的特点，适用于相对恶劣环境，且数据量小；为此，我们提出一种嵌入式轻量化的毫米波雷达目标识别方法。


技术实现要素：

4.为了解决上述方案存在的问题，本发明提供了一种嵌入式轻量化的毫米波雷达目标识别方法。
5.本发明的目的可以通过以下技术方案实现：
6.一种嵌入式轻量化的毫米波雷达目标识别方法，包括：
7.步骤一：毫米波雷达通过发射毫米波信号，接收物体在不同距离或不同速度下返回的电磁波包络信号，所述电磁波包络信号包括速度、角度、距离信息、信号强度、相位和幅度；
8.步骤二：数据预处理：通过小波阈值法对电磁波包络信号去噪，为去噪后的电磁波包络信号进行手动标记生成样本库，构建类别集合；
9.步骤三：使用样本库训练轻量化卷积网络模型，轻量化卷积网络模型的卷积层数范围为36-58，压缩层压缩因子范围为0.3-0.5；
10.步骤四：通过毫米波雷达采集待测目标返回的电磁波包络信号，通过小波阈值法去噪后输入至轻量化卷积网络模型，识别待测目标类别。
11.进一步地，其中数据预处理的具体步骤为：
12.通过小波阈值法对原始电磁波包络信号去噪；在去噪后的电磁波包络信号中筛选出周期能量值大于预设阈值的点作为有效点云，得到点云数据，并将其转化为空间坐标信息与速度信息；
13.通过最近邻聚类法对点云数据进行处理，得到目标聚类物；对得到的目标聚类物以监督学习方式进行手动标记，对于目标聚类物具有不同距离或不同速度的相同目标标记为一个样本，对每个样本进行分类划分阈值区间，构建类别集合，形成样本库。
14.进一步地，所述周期能量值是指对接收到的连续多个比特位数据的能量进行累加
并求平均所得到的值。
15.进一步地，所述轻量化卷积网络模型的具体训练步骤为：
16.获取样本库，从中随机选取80％的目标聚类物作为训练样本，10％的目标聚类物作为测试样本，其余目标聚类物作为交叉验证样本；
17.将训练样本、测试样本以及交叉验证样本输入轻量化卷积网络模型进行训练，迭代轻量化卷积网络模型参数。
18.进一步地，步骤四中，识别待测目标类别的具体步骤为：
19.通过毫米波雷达测量毫米波雷达到待测目标间的距离以及待测目标的速度，并记录此时返回电磁波包络信号中的信号强度、相位和幅度；
20.通过训练好的轻量化卷积网络模型将此时待测目标的信号强度、相位和幅度与数据库中对应距离和速度下的数据进行比对，输出待测目标识别结果。
21.进一步地，该方法还包括：对采集的待测目标返回的电磁波包络信号进行修正，具体为：
22.获取采集到的当前电磁波包络信号和环境数据，建立修正模型，将当前电磁波包络信号和环境数据输入到修正模型中，获得修正信号；
23.将修正信号输入至轻量化卷积网络模型，识别待测目标类别。
24.进一步地，其中修正模型的建立方法为：
25.获取历史识别数据，所述历史识别数据包括历史识别目标类别以及识别时的环境数据，获取对应的实际目标类别；
26.构建人工智能模型；所述人工智能模型包括误差逆向传播神经网络、rbf神经网络和深度卷积神经网络；
27.将历史识别数据以及对应的实际目标类别按照设定比例划分为训练集、测试集和校验集；所述设定比例包括4：2：2、3：2：1和3：1：1；通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将训练完成的人工智能模型标记为修正模型。
28.进一步地，所述环境数据包括风力数据、噪声数据、温度数据、湿度数据以及气压数据。
29.与现有技术相比，本发明的有益效果是：本发明的毫米波雷达目标识别方法，基于轻量化卷积网络模型并结合毫米波雷达传感器实现物体类别识别，该方法灵活性强更具有实用价值，能够更加有效揭示目标物体的物理特征，具有非常广阔的应用前景；同时考虑到外界环境影响，建立修正模块对采集到的电磁波包络信号进行修正，提高目标物体的识别效率和精度。
附图说明
30.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
31.图1为本发明的原理框图。
具体实施方式
32.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
33.如图1所示，一种嵌入式轻量化的毫米波雷达目标识别方法，包括如下步骤：
34.步骤一：毫米波雷达通过发射毫米波信号，接收物体在不同距离或不同速度下返回的电磁波包络信号，电磁波包络信号包括速度、角度、距离信息、信号强度、相位和幅度；
35.步骤二：数据预处理：通过小波阈值法对电磁波包络信号去噪，为去噪后的电磁波包络信号进行手动标记生成样本库，构建类别集合；具体为：
36.s21：通过小波阈值法对原始电磁波包络信号去噪；
37.s22：在去噪后的电磁波包络信号中筛选出周期能量值大于预设阈值的点作为有效点云，得到点云数据，并将其转化为空间坐标信息与速度信息；周期能量值是指对接收到的连续多个比特位数据的能量进行累加并求平均所得到的值；
38.s23：点云数据通过预定聚类算法即可得到目标聚类物，聚类算法有k-均值聚类法、最近邻聚类法，在本发明中，采用最近邻聚类法；
39.s24：对得到的目标聚类物以监督学习方式进行手动标记，对于目标聚类物具有不同距离或不同速度的相同目标标记为一个样本，对每个样本进行分类划分阈值区间，构建类别集合，形成样本库；
40.步骤三：使用样本库训练轻量化卷积网络模型，轻量化卷积网络模型的卷积层数范围为36-58，压缩层压缩因子范围为0.3-0.5；具体训练步骤为：
41.获取样本库，从中随机选取80％的目标聚类物作为训练样本，10％的目标聚类物作为测试样本，其余目标聚类物作为交叉验证样本；
42.将训练样本、测试样本以及交叉验证样本输入轻量化卷积网络模型进行训练，迭代轻量化卷积网络模型参数；
43.步骤四：通过毫米波雷达采集待测目标返回的电磁波包络信号，通过小波阈值法去噪后输入至轻量化卷积网络模型，识别待测目标类别；具体为：
44.通过毫米波雷达测量毫米波雷达到待测目标间的距离以及待测目标的速度，并记录此时返回电磁波包络信号中的信号强度、相位和幅度；
45.通过训练好的轻量化卷积网络模型将此时待测目标的信号强度、相位和幅度与数据库中对应距离和速度下的数据进行比对，输出待测目标识别结果；
46.该方法还包括：对采集的待测目标返回的电磁波包络信号进行修正，具体包括：
47.获取采集到的当前电磁波包络信号和环境数据，建立修正模型，将当前电磁波包络信号和环境数据输入到修正模型中，获得修正信号；
48.将修正信号输入至轻量化卷积网络模型，识别待测目标类别；
49.其中修正模型的建立方法为：
50.获取历史识别数据，历史识别数据包括历史识别目标类别以及识别时的环境数据，环境数据包括风力数据、噪声数据、温度数据、湿度数据以及气压数据；
51.获取对应的实际目标类别，构建人工智能模型；人工智能模型包括误差逆向传播
神经网络、rbf神经网络和深度卷积神经网络；
52.将历史识别数据和对应的实际目标类别按照设定比例划分为训练集、测试集和校验集；设定比例包括4：2：2、3：2：1和3：1：1；通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将训练完成的人工智能模型标记为修正模型；
53.本发明的毫米波雷达目标识别方法，基于轻量化卷积网络模型并结合毫米波雷达传感器实现物体类别识别，该方法灵活性强更具有实用价值，能够更加有效揭示目标物体的物理特征，具有非常广阔的应用前景；同时考虑到外界环境影响，建立修正模块对采集到的电磁波包络信号进行修正，提高目标物体的识别效率和精度。
54.本发明的工作原理：
55.一种嵌入式轻量化的毫米波雷达目标识别方法，在工作时，首先毫米波雷达通过发射毫米波信号，接收物体在不同距离或不同速度下返回的电磁波包络信号，通过小波阈值法对电磁波包络信号去噪，为去噪后的电磁波包络信号进行手动标记生成样本库，构建类别集合；然后使用样本库训练轻量化卷积网络模型，从中随机选取80％的目标聚类物作为训练样本，10％的目标聚类物作为测试样本，其余目标聚类物作为交叉验证样本；将训练样本、测试样本以及交叉验证样本输入轻量化卷积网络模型进行训练，迭代轻量化卷积网络模型参数；然后通过毫米波雷达测量毫米波雷达到待测目标间的距离以及待测目标的速度，通过小波阈值法去噪后记录此时返回电磁波包络信号中的信号强度、相位和幅度；通过训练好的轻量化卷积网络模型将此时待测目标的信号强度、相位和幅度与数据库中对应距离和速度下的数据进行比对，输出待测目标识别结果；
56.同时还包括对采集的待测目标返回的电磁波包络信号进行修正，获取采集到的当前电磁波包络信号和环境数据，建立修正模型，将当前电磁波包络信号和环境数据输入到修正模型中，获得修正信号；将修正信号输入至轻量化卷积网络模型，识别待测目标类别，提高目标物体的识别效率和精度。
57.在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
58.以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。