基于超声波传感器阵列的目标识别方法
【专利摘要】本发明提供一种基于超声波传感器阵列的目标识别方法，包括：步骤1、根于预设的目标物的形状，利用的超声波传感器阵列获取不同形状目标物的测试数据，其中所述测量数据为超声波传感器阵列中传感器与目标物的距离数据；步骤2、对所述测试数据进行预处理，以对超声波传感器阵列中传感器丢失距离数据的情况进行处理；步骤3、对不同形状的目标物的测试数据进行分类以获得不同形状目标物的测试数据的分类特征；将所述分类特征作为输入样本输入到分类器中以对分类器进行训练，获得分类模型。
【专利说明】
基于超声波传感器阵列的目标识别方法
技术领域
[0001] 本发明涉及传感器技术领域，特别是指一种基于超声波传感器阵列的目标识别方 法。
【背景技术】
[0002] 传感器技术从出现以来已经成为了自控等领域的基础，是一切控制机械的"眼 睛"，而一切智能控制都需要依靠传感器技术。以环境感知系统为例，其是先进驾驶辅助系 统(Advanced Automotive Driving System，ADAS)、智能汽车和无人驾驶汽车的基础。目 前，环境感知的主要方法是通过顶置旋转激光雷达、激光雷达、毫米波雷达、摄像头、超声波 传感器等传感器系统对环境进行感知，尤其是对环境中的静态和动态目标物进行定位和跟
[0003] 根据《2015年全球道路安全现状报告》称，尽管道路安全有所改善，但每年仍有大 约125万人死于道路交通事故，其中更值得引起注意的是:行人、骑摩托者和骑自行车者属 于最无保护的人群，分别占全球死亡人数的22%、23%和4%，报告中指出我们在严明交通 安全法的同时，需要更加对这些脆弱的道路使用者提高安全保护，并加强车辆安全性。研究 表明，先进的驾驶辅助系统(Advanced Driver Assistance System,ADAS)对于减少交通事 故以及减轻人员伤亡能够起到强大的作用。ADAS系统是利用通过布置在车辆周围传感器和 机器视觉技术，在第一时间收集车内外的环境数据，警惕驾驶员周围环境信息，从而提高道 路安全性。
[0004] 超声波传感器作为ADAS中传感器的一员，由于其探测角度范围大、价格低廉、信号 处理简单、不受光线电磁干扰等特点，可在车辆周围安装多个超声波传感器用于探测周围 环境和预警，对驾驶员提供安全指导。目前超声波传感器主要用于低速行驶的停车辅助和 自动泊车系统中，当传感器探测障碍物的距离小于设定的安全距离时提供预警信息。
[0005] 现有的很多车辆为了提高安全性，通常都设有用于对车辆的盲区内是否有物体进 行预警的盲区检测系统。目前在汽车领域最常用的基于超声波传感器的研究主要针对周围 环境的预警，大多采用K6Wer等人利用粒子滤波算法以及跟踪方法。该方法采用6个超声波 传感器系统对车辆的盲区进行预警，只要盲区中有物体就进行报警。在实际使用中发现，现 有的KWder等人利用粒子滤波算法的盲区检测技术无法区别目标，因此造成了一部分误预 警。
【发明内容】
[0006] 针对现有技术中存在的盲区检测系统不区分目标造成一部分误报的问题，提出了 一种基于超声波传感器阵列的目标识别方法，能够利用超声波传感器阵列区分出目标。
[0007] 为了解决上述问题，本发明实施例提出了一种基于超声波传感器阵列的目标识别 方法，包括：
[0008] 步骤1、根于预设的目标物的形状，利用的超声波传感器阵列获取不同形状目标物 的测试数据，其中所述测量数据为超声波传感器阵列中传感器与目标物的距离数据；
[0009] 步骤2、对所述测试数据进行预处理，以对超声波传感器阵列中传感器丢失距离数 据的情况进行处理；
[0010] 步骤3、对不同形状的目标物的测试数据进行分类以获得不同形状目标物的测试 数据的分类特征;将所述分类特征作为输入样本输入到分类器中以对分类器进行训练，获 得分类模型。
[0011] 其中，所述步骤1具体包括:将目标物分为平板、圆柱和角形，然后对这些形状利用 超声波传感器阵列获取不同形状目标物的测试数据;其中所述超声波传感器阵列包括n个 传感器，标识为di~d n，且2。
[0012] 其中，所述步骤2具体包括：
[0013]在超声波传感器阵列接收到距离数据时，判断逐一对每个传感器进行识别以判断 该传感器是否接收到距离数据;如果所有传感器都没有接收到距离数据则删除该组距离数 据;如果只有一个传感器接收到距离数据则保留该组距离数据;如果有多个传感器接收到 距离数据则对接收到的距离数据进行NAN处理以将非数值数据转化为数值数据。
[0014]其中，所述步骤2具体包括：
[0015]步骤21、在超声波传感器阵列接收到距离数据时，判断逐一对每个传感器进行识 别以判断该传感器是否接收到距离数据，如果接收到则将该传感器标识为〇，否则将该传感 器标识为1;
[0016] 步骤22、将所述传感器的标识相加得到标识和i，如果i=n则删除该组距离数据； 如果l<i<n则进行对距离数据进行NAN处理;如果则保留该组距离数据，判断丢失的 传感器组合，并对距离数据进行NAN数据计算。
[0017] 其中，所述步骤3具体包括：
[0018] 步骤31、对不同形状的目标物的测试数据进行分类以获得不同形状目标物的测试 数据的分类特征；
[0019] 步骤32、将所述分类特征作为输入样本输入到分类器中以对分类器进行训练，获 得分类模型。
[0020] 其中，所述步骤3中采用逐差法获取获得不同形状目标物的测试数据的分类特征， 所述逐差法为：
[0021 ] A di = di_di+i 其中（i = l，2，."，n_l);
[0022] 其中d表示传感器的数据；A cU是数据的逐差值，即相邻的两个传感器之间的数据 差。
[0023] 其中，所述步骤3中采用逐比法获取获得不同形状目标物的测试数据的分类特征， 所述逐比法为：
[0024] dj = di/di+i 其中（i = l，2,…，n_l);
[0025] 其中d表示传感器的数据；A山是数据的逐差值，即相邻的两个传感器之间的数据 差。
[0026]其中，所述方法还包括：
[0027]步骤4、将测试样本输入到分类模型中获取分类结果，然后根据一段时间内的每一 类形状的测试数据建立不同形状目标物的区分算法。
[0028] 本发明的上述技术方案的有益效果如下：
[0029] 本发明实施例提出了一种基于超声波传感器阵列的目标识别方法，其通过超声波 传感器阵列来对不同形状进行测试以获得测试数据，并以此构建了分类算法。这样可以对 不同形状的目标物达到很好的识别效果。
【附图说明】
[0030] 图1为本发明实施例的方法总体流程框图；
[0031] 图2a-图2c为超声波传感器阵列对典型形状进行探测的示意图；
[0032]图3a_图3b为是超声波传感器阵列接收到的距离数据中出现NAN的示意图；
[0033]图4为本发明实施例中的数据预处理的流程图；
[0034]图5为多分类算法的示意图；
[0035] 图6为平板形状的预测样本进行测试时的示意图；
[0036] 图7为圆柱形状的预测样本进行测试时的示意图；
[0037] 图8为角形形状的预测样本进行测试时的示意图；
【具体实施方式】
[0038] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具 体实施例进行详细描述。
[0039] 本发明实施例提出了一种基于超声波传感器阵列的目标识别方法，包括：
[0040] 步骤1、获取目标物的形状，并利用的超声波传感器阵列获取不同形状目标物的测 试数据;其中所述传感器阵列包括n个传感器，标识为cU~d n，且n多2。具体的，在高速公路、 城市道路、停车场以及乡村道路的道路环境信息中，主要的目标物有汽车、行人、树木、电线 杆和方柱。本发明实施例中基于目标物的形状进行近似，以获取目标物的形状。如图2a_图 2c所示的，在本发明实施例中将目标物分为:平板、圆柱和角形。如图2a_图2c所示的，对这 些目标物的模拟形状，可以利用超声波传感器阵列获取不同形状目标物的测试数据。
[0041] 步骤2、对数据进行预处理。由于传感器有角度和探测范围的限制，因此如图3所示 的，在某些位置有些传感器并没有探测到目标物，从而丢失距离数据出现NAN的情况。如图3 所示，在圆形目标物和矩形目标物的情况下，超声波传感器阵列的部分传感器会没有探测 信号，此时称为数据丢失(NAN)情况。由于超声波传感器阵列在正常工作时距离数据丢失 (NAN)会呈现连续性，即不会跳跃的丢失距离数据，因此可以当超声波传感器阵列丢失n个 数据时则剔除该n个数据。当超声波传感器阵列中只有1个传感器接收到距离数据时，保留 原始数据；当超声波传感器阵列中有2个或2个以上传感器接收到距离数据时，对数据进行 预处理以保持数据的均值和标准差不变。
[0042]具体的，如图4所示的，步骤2具体为：
[0043]在接收到距离数据时，判断逐一对每个传感器进行识别，如果该传感器接收到距 离数据则表示为0，如果否则表示为1;
[0044] 将所有标签相加得到i，如果i =n则删除该组距离数据;如果1 < i <n则进行对距 离数据进行NAN处理以将非数值数据转化为数值数据;如果1则保留该组距离数据，判断 丢失的传感器组合，并对距离数据进行NAN数据计算以将非数值数据转化为数值数据。
[0045] 其中，NAN(Not A Number)是MATLAB输出的无穷或非数值;NAN处理是指通过算法， 将非数值的数据转化为数值型的数据。
[0046] 步骤3、利用分类器对测试数据中不同形状的目标物构建出不同的分类特征，并设 计多分类问题，以建立用于区分目标物的目标物区分模型。
[0047] 其中，可以采用如公式（1-1)的逐差法
[0048] A di = di_di+i(i = 1，2，…，n_l) (1-1)
[0049] 其中d表示传感器的数据；A cU是数据的逐差值，即相邻的两个传感器之间的数据 差。
[0050] 或是采用如公式（1-2)的逐比法
[0051] dj = di/di+i(i = 1，2，…，n_l) (1-2)
[0052]其中d表示传感器的数据；A山是数据的逐差值，即相邻的两个传感器之间的数据 差。
[0053]具体的，将构造的分类特征作为分类器的输入，分类器可选取SVM、贝叶斯等分类 器；同时在分类器中将多分类问题转化为多个子分类问题，具体流程如图5所示的。然后将 预测样本输入前面的分类器中，在得到分类结果的基础上，对分类结果采用累加法，得到每 类在各个时间点上的百分比，以此建立出各类目标物的区分算法。
[0054]典型目标物的识别效果
[0055] 平板识别效果示例
[0056] 多超声波传感器和平板预测的参数设置如下：
[0057] 传感器参数设置：位置：（0,0); (50,0);( 100，0);( 150,0); (200,0); (250,0); (300.0) ; (350,0)，速度v=10km/h。平板参数设置：中心位置A: (800,180)，尺寸5cmX 450cm;平板中心距传感器的距离d = 180cm;
[0058] 预测设置如图6所示。
[0059] 圆柱识别效果示例
[0060] 多超声波传感器和圆柱的预测设置如下：
[0061] 传感器参数设置:传感器位置：（0,0) ;(50,0); (100,0); (150,0); (200,0); (250， 0); (300,0); (350，0)，速度v= 10km/h。柱参数设置：圆心位置（600，180)，圆柱半径r = 12cm；
[0062] 预测设置如图7所示。
[0063]角形识别效果示例
[0064] 多超声波传感器和角形预测参数设置如下：
[0065] 传感器设置:位置：（0,0); (50，0); (100，0); (150，0); (200，0);(250,0);(300,0); (350.0) ，速度v=10km/h。角形参数设置：中心位置(600，180)，角形的尺寸80*80〇11;角形中 心距传感器的距离d = 180cm，
[0066] 预测设置如图8所示。
[0067] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员 来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也 应视为本发明的保护范围。
【主权项】
1. 一种基于超声波传感器阵列的目标识别方法，其特征在于，包括： 步骤1、根于预设的目标物的形状，利用的超声波传感器阵列获取不同形状目标物的测 试数据，其中所述测量数据为超声波传感器阵列中传感器与目标物的距离数据； 步骤2、对所述测试数据进行预处理，以对超声波传感器阵列中传感器丢失距离数据的 情况进行处理； 步骤3、对不同形状的目标物的测试数据进行分类以获得不同形状目标物的测试数据 的分类特征;将所述分类特征作为输入样本输入到分类器中以对分类器进行训练，获得分 类模型。2. 根据权利要求1所述的基于超声波传感器阵列的目标识别方法，其特征在于，所述步 骤1具体包括:将目标物分为平板、圆柱和角形，然后对这些形状利用超声波传感器阵列获 取不同形状目标物的测试数据;其中所述超声波传感器阵列包括η个传感器，标识为Cl 1~dn， 且η彡2〇3. 根据权利要求1所述的基于超声波传感器阵列的目标识别方法，其特征在于，所述步 骤2具体包括： 在超声波传感器阵列接收到距离数据时，判断逐一对每个传感器进行识别以判断该传 感器是否接收到距离数据;如果所有传感器都没有接收到距离数据则删除该组距离数据； 如果只有一个传感器接收到距离数据则保留该组距离数据;如果有多个传感器接收到距离 数据则对接收到的距离数据进行NAN处理以将非数值数据转化为数值数据。4. 根据权利要求3所述的基于超声波传感器阵列的目标识别方法，其特征在于，所述步 骤2具体包括： 步骤21、在超声波传感器阵列接收到距离数据时，判断逐一对每个传感器进行识别以 判断该传感器是否接收到距离数据，如果接收到则将该传感器标识为O，否则将该传感器标 识为1; 步骤22、将所述传感器的标识相加得到标识和i，如果i=n则删除该组距离数据;如果1 <i<n则进行对距离数据进行NAN处理;如果则保留该组距离数据，判断丢失的传感器 组合，并对距离数据进行NAN数据计算。5. 根据权利要求1所述的基于超声波传感器阵列的目标识别方法，其特征在于，所述步 骤3具体包括： 步骤31、对不同形状的目标物的测试数据进行分类以获得不同形状目标物的测试数据 的分类特征； 步骤32、将所述分类特征作为输入样本输入到分类器中以对分类器进行训练，获得分 类模型。6. 根据权利要求1所述的基于超声波传感器阵列的目标识别方法，其特征在于，所述步 骤3中采用逐差法获取获得不同形状目标物的测试数据的分类特征，所述逐差法为： Δ di = di_di+i其中（i = 1，2,…，n_l); 其中d表示传感器的数据；△ Cl1是数据的逐差值，即相邻的两个传感器之间的数据差。7. 根据权利要求1所述的基于超声波传感器阵列的目标识别方法，其特征在于，所述步 骤3中采用逐比法获取获得不同形状目标物的测试数据的分类特征，所述逐比法为： dj = di/di+i其中（i = 1，2，…，η-I); 其中d表示传感器的数据；△山是数据的逐差值，即相邻的两个传感器之间的数据差。8.根据权利要求1所述的基于超声波传感器阵列的目标识别方法，其特征在于，所述方 法还包括： 步骤4、将测试样本输入到分类模型中获取分类结果，然后根据一段时间内的每一类形 状的测试数据建立不同形状目标物的区分算法。
【文档编号】G01S15/93GK105911554SQ201610390525
【公开日】2016年8月31日
【申请日】2016年6月6日
【发明人】李升波, 成波, 辛喆, 邹若冰, 李克强, 王建强, 俞佳莹, 陈海亮, 戴凡, 戴一凡
【申请人】清华大学