一种基于毫米波雷达点云特征的核支持向量机目标分类方法技术

本发明专利技术公开了一种基于毫米波雷达点云特征的核支持向量机目标分类方法，该方法首先对原始的雷达点云数据进行预处理，将雷达探测区域外的点云剔除。接着通过聚类算法将目标点云聚为一类，从而剔除噪声点云。然后结合目标的点云特点构建了由11个特征构成的特征向量，并采用核支持向量机分类器来进行训练和测试，从而实现目标分类。本发明专利技术比传统的基于毫米波雷达目标分类方法具有更高的识别准确率，对研究自动驾驶的感知能力具有重要的现实意义。

A target classification method based on point cloud feature of millimeter wave radar using kernel support vector machine

The invention discloses a nuclear support vector machine target classification method based on millimeter wave radar point cloud features. The method first preprocesses the original radar point cloud data and removes the point cloud outside the radar detection area. Then, through clustering algorithm, the target point cloud is clustered into one group, so as to eliminate the noise point cloud. Then combining the characteristics of the point cloud of the target, the feature vector composed of 11 features is constructed, and the kernel support vector machine classifier is used for training and testing, so as to achieve the target classification. The invention has higher recognition accuracy than the traditional target classification method based on millimeter wave radar, and has important practical significance for studying the perception ability of automatic driving.

【技术实现步骤摘要】
一种基于毫米波雷达点云特征的核支持向量机目标分类方法
本专利技术涉及目标分类领域，尤其涉及一种基于毫米波雷达点云特征的核支持向量机目标分类方法。
技术介绍
毫米波雷达传感器具有探测距离远，测距、测速精确，在极端恶劣天气(雾天、雪天等)能够稳定工作等优点，使得毫米波雷达传感器成为了高级驾驶辅助系统的重要传感器。但是由于毫米波雷达点云稀疏，包含的目标特征少等问题，基于毫米波雷达传感器的目标分类应用仍然是一个技术难题。现有的基于毫米波雷达的目标分类方法有三种，一种是基于目标在距离和速度的剖面特点实现了目标分类，第二种是从空间分布和多普勒信息中提取出五种显著的特征实现了对静止目标和行人的分类，第三种是利用目标反射的回波信号强度来实现目标分类。目前基于毫米波雷达的目标分类方法没有充分利用回波信号的方位角以及强度信息，导致基于毫米波雷达的目标分类方法准确率低，实用性不好。因此无法在实际应用中推广基于毫米波雷达的目标分类方法。这给毫米波雷达的发展与应用带来了极大的挑战。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提供一种基于毫米波雷达点云特征的核支持向量机目标分类方法。本专利技术的目的是通过以下技术方案来实现的：一种基于毫米波雷达点云特征的核支持向量机目标分类方法，包括以下步骤：S1：对原始的雷达点云预处理，将雷达探测区域外的点云剔除；S2：通过具有噪声的基于密度的聚类方法将目标点云聚为一类，从而剔除噪声点云；S3：提取目标的点云特征，组合成用于目标分类的特征向量；S4：将所有目标点云的特征向量组合成特征样本集，采用十折交叉验证的方法将特征样本集分为训练集和测试集，采用训练集对核支持向量机进行训练，采用测试集测试训练好的核支持向量机的分类效果。进一步地，所述步骤S2通过以下子步骤来实现：S2.1:通过下式计算预处理后的毫米波点云数据中任意两点之间的欧式距离：其中，(x，y，v，I)分别表示任意一点的x轴坐标、y轴的坐标、速度和回波强度，w1、w2为权重值。S2.3:确定所有的核心对象。先统计每个点Eps邻域内的点数，如果点数大于minpts，则该点为核心对象，否则为边界点或者噪声点；S2.4:确定核心对象之间的密度直达关系。如果点p在点q的Eps邻域内，且点p和点q均为核心对象，则点p对于点q密度直达；S2.5:确定核心对象之间的密度可达关系。对于任意两点p和q，如果存在关系序列X1,X2，…,XN，满足p＝X1，q＝XN，并且Xi+1是Xi的密度直达，则点q对于点p密度可达，从而密度可达的核心对象以及它们邻域的点聚成一类。进一步地，所述步骤S3的点云特征为11个，具体如下：(1)特征x1：目标点云的个数；(2)特征x2：目标点云矩形框的长度，即同一个目标点云的所有反射点在X轴的最大值与最小值的差；(3)特征x3：目标点云矩形框的宽，即同一个目标点云的所有反射点在Y轴的最大值与最小值的差；(4)特征x4：目标点云矩形框的面积，即目标点云矩形框的长与宽的乘积；(5)特征x5：目标点云矩形框的密度，即同一个目标点数除以目标框的面积的值；如果目标框面积为0，则该目标框的密度设为10000；(6)特征x6：同一个目标点云的所有反射点在X方向的方差；(7)特征x7：同一个目标点云的所有反射点在Y方向的方差；(8)特征x8：同一个目标点云的所有反射点的平均速度，即同一个目标点云的所有反射点的速度总和除以点的个数；(9)特征x9：同一个目标点云的所有反射点在速度维的长度，即同一个目标点云的所有反射点的速度最大值与最小值之差；(10)特征x10：同一个目标点云的所有反射点在速度维的方差；(11)特征x11：同一个目标点云的所有反射点的回波强度的最大值。进一步地，所述步骤S4通过以下子步骤来实现：S4.1：将所有提取完特征的目标点云数据组合成特征样本集，对每个特征进行归一化；S4.2：采用十折交叉验证的方法随机将特征样本集分为十份，轮流将其中九份作训练集对基于核函数的支持向量机进行训练，一份作测试集来测试训练好的核支持向量机分类器的分类准确率；S4.3:十次的测试结果的分类准确率的平均值作为对目标分类方法准确率的估计。进一步地，所述的核函数为多项式核函数。本专利技术的有益效果是，基于毫米波雷达点云的核支持向量机目标分类方法，研究基于毫米波雷达点云数据的特点，提取出11个特征全面的描述了目标点云，实现基于毫米波雷达的目标分类。本专利技术比传统的基于毫米波雷达目标分类方法具有更高的识别准确率，对研究自动驾驶的感知能力具有重要的现实意义。附图说明图1是基于毫米波雷达点云特征的核支持向量机目标分类方法流程图。具体实施方式下面根据附图和优选实施例详细描述本专利技术，本专利技术的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。一种基于毫米波雷达点云特征的核支持向量机目标分类方法，如图1所示，该方法包括以下步骤：S1：对原始的雷达点云预处理，将雷达探测区域外的点云剔除；S2：通过具有噪声的基于密度的聚类方法将目标点云聚为一类，从而剔除噪声点云；S2.1:通过下式计算预处理后的毫米波点云数据中任意两点之间的欧式距离：其中，(x，y，v，I)分别表示任意一点的x轴坐标、y轴的坐标、速度和回波强度，w1、w2为权重值；S2.3:确定所有的核心对象。先统计每个点Eps邻域内的点数，如果点数大于minpts，则该点为核心对象，否则为边界点或者噪声点；S2.4:确定核心对象之间的密度直达关系。如果点p在点q的Eps邻域内，且点p和点q均为核心对象，则点p对于点q密度直达；S2.5:确定核心对象之间的密度可达关系。对于任意两点p和q，如果存在关系序列X1,X2，…,XN，满足p＝X1，q＝XN，并且Xi+1是Xi的密度直达，则点q对于点p密度可达，从而密度可达的核心对象以及它们邻域的点聚成一类。S3：提取目标的点云特征，组合成用于目标分类的特征向量；其中点云特征具有11个，具体如下：(1)特征x1：目标点云的个数；(2)特征x2：目标点云矩形框的长度，即同一个目标点云的所有反射点在X轴的最大值与最小值的差；(3)特征x3：目标点云矩形框的宽，即同一个目标点云的所有反射点在Y轴的最大值与最小值的差；(4)特征x4：目标点云矩形框的面积，即目标点云矩形框的长与宽的乘积；(5)特征x5：目标点云矩形框的密度，即同一个目标点数除以目标框的面积的值；如果目标框面积为0，则该目标框的密度设为10000；(6)特征x6：同一个目标点云的所有反射点在X方向的方差；(7)特征x7：同一个目标点云的所有反射点在Y方向的方差；(8)特征x8：同一个目标点云的所有反射点的平均速度，即同一个目标点云的所有反射点的速度总和除以点的个数；(9)特征x9：同一个目标点云的所有反射点在速度维的长度，即同一个目标点云的所有反射点的速度最大值与最小值之差；(10)特征x10：同一个目标点云的所有反射点在速度维的方差；(11)特征x11：同一个目标点云的所有反射点的回波强度的最大值。S4：将所有目标点云的特征向量组合成特征样本集，采用十折交叉验证的方法将特征样本集分为训练集和测试集，采用训练集对核支持向量机进行训练，采用测试集测试训练好的核支持向量机的分类本文档来自技高网...

【技术保护点】
1.一种基于毫米波雷达点云特征的核支持向量机目标分类方法，其特征在于，包括以下步骤：S1：对原始的雷达点云预处理，将雷达探测区域外的点云剔除；S2：通过具有噪声的基于密度的聚类方法将目标点云聚为一类，从而剔除噪声点云；S3：提取目标的点云特征，组合成用于目标分类的特征向量；S4：将所有目标点云的特征向量组合成特征样本集，采用十折交叉验证的方法将特征样本集分为训练集和测试集，采用训练集对核支持向量机进行训练，采用测试集测试训练好的核支持向量机的分类效果。

【技术特征摘要】
1.一种基于毫米波雷达点云特征的核支持向量机目标分类方法，其特征在于，包括以下步骤：S1：对原始的雷达点云预处理，将雷达探测区域外的点云剔除；S2：通过具有噪声的基于密度的聚类方法将目标点云聚为一类，从而剔除噪声点云；S3：提取目标的点云特征，组合成用于目标分类的特征向量；S4：将所有目标点云的特征向量组合成特征样本集，采用十折交叉验证的方法将特征样本集分为训练集和测试集，采用训练集对核支持向量机进行训练，采用测试集测试训练好的核支持向量机的分类效果。2.根据权利要求1所述的目标分类方法，其特征在于，所述步骤S2通过以下子步骤来实现：S2.1:通过下式计算预处理后的毫米波点云数据中任意两点之间的欧式距离：其中，(x，yiv，I)分别表示任意一点的x轴坐标、y轴的坐标、速度和回波强度，w1、w2为权重值。S2.3:确定所有的核心对象。先统计每个点Eps邻域内的点数，如果点数大于minpts，则该点为核心对象，否则为边界点或者噪声点；S2.4:确定核心对象之间的密度直达关系。如果点p在点q的Eps邻域内，且点p和点q均为核心对象，则点p对于点q密度直达；S2.5:确定核心对象之间的密度可达关系。对于任意两点p和q，如果存在关系序列X1,X2，…,XN，满足p＝X1，q＝XN，并且Xi+1是Xi的密度直达，则点q对于点p密度可达，从而密度可达的核心对象以及它们邻域的点聚成一类。3.根据权利要求1所述的目标分类方法，其特征在于，所述步骤S3的点云特征为11个，具体如下：(1)特征x1：目标点云的个数；(2)特征...

【专利技术属性】
技术研发人员：宋春毅，赵自豪，陈钦，崔富城，宋钰莹，徐志伟，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33