原文传递
车载毫米波雷达盲区目标检测与分类算法研究
| 论文题名： | 车载毫米波雷达盲区目标检测与分类算法研究 |
| 关键词： | 车载毫米波雷达;盲区目标检测;ClusterCLEAN算法;OSMC算法;目标跟踪;IMM-JPDA-DUKF算法 |
| 摘要： | 近年来，随着高级驾驶辅助系统(AdvancedDrivingAssistanceSystem,ADAS)的快速发展，毫米波雷达由于其能在大雨、浓雾、夜晚等恶劣天气下具有优良的环境感知能力而受到广泛关注，相关技术也在近些年快速发展。本文研究内容主要为毫米波雷达对汽车盲区内目标点云的检测与跟踪以及毫米波雷达点云目标的分类。 为实现毫米波雷达对目标的点云快速检测并提取丰富的点云数据，本文首先利用恒虚警检测对目标回波的距离多普勒谱进行检测，以减小噪声影响，之后采用改进的ClusterCLEAN算法对距离多普勒谱的散射点信息进行提取，最后使用数字波束形成算法进行到达角估计后利用改进的基于有序统计的多维聚类(OrderStatisticsBasedMultidimensionalClustering,OSMC)算法对散射点的角度维信息进行聚类，通过该检测算法能够快速提取目标点云，且点云信息相较于峰值提取算法平均增加7.4倍。 为实现对点云的多目标跟踪，首先推导了匀速、匀加速和恒定转速与加速度模型的非线性形式以及过程噪声协方差矩阵。然后，基于三种运动模型，采用结合交互多模型(InteractingMultipleModel,IMM)算法、联合概率互联(theJointProbabilisticDataAssociation,JPDA)算法和带多普勒量测的不敏卡尔曼滤波器(UnscentedKalmanFilterwithDopplerMeasurements,DUKF)的IMM-JPDA-DUKF算法进行目标跟踪，相较于单模型算法，该算法的速度和距离跟踪精度分别提高了44.55%和6.02%。之后，为实现高刷新率情况下的航迹起始，本文使用修正的逻辑法进行航迹起始的同时，还提出了一种基于线性拟合的目标状态初始化方法，相较于经典目标状态初始化方法，所提方法在跟踪时间间隔为毫秒级数情况下对目标的加速度和偏航率的估计能够获得更为精确的结果。最后，本文采用了一种基于状态误差协方差矩阵快速航迹终结方法和基于状态向量的航迹合并方法，且对线性调频连续波雷达不同距离速度耦合系数情况下的目标跟踪性能做出了分析。经实测数据检验，上述算法目标跟踪效果良好，能够对实测数据中对应目标的点云进行关联与提取。 为实现毫米波雷达目标点云的快速分类，本文采用采样时间150ms内的目标点云数据，分析了改进注意力模块的序列雷达点网(SequenceRadarPointNetwork-ImprovedAttentionModule,SRPNet-IAM)等六种不同的神经网络结构以及支持向量机的分类效果，发现PointNet模块对稀疏的毫米波雷达目标点云特征提取效果最佳。因此，最后本文选取使用了PointNet模块并利用长短期记忆网络模块提取目标微多普勒特征的SRPNet-IAM网络对行人、骑行者和汽车目标进行分类，该网络分类准确率最高，高达99.63%，实现了对毫米波雷达点云目标的高准确率分类。 |
| 作者： | 黄帆 |
| 专业： | 通信与信息系统 |
| 导师： | 周建江 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京航空航天大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
