一种非机动车道目标识别与分类方法及系统

本发明应用于对非机动车道目标识别与分类，特别涉及了采用一种双基地毫米波雷达的目标检测方式及基于改进卷积神经网络的目标识别与分类方法及系统。

背景技术：

1、由于非机动车道的拥挤，使得非机动车道事故频发。传统的监管模式已很难提高复杂的非机动车道的识别效率，特别是在转弯路口和非机动车交织区部分，该问题已经严重影响了人们日常的通行效率。针对这一问题，由于雷达能够不受强光，雨雪雾霾等复杂天气条件的影响，具有较强的穿透作用，能在不同的时间里保持稳定的状态。因此，可以实现对交通环境全时、全天候的测量感知，且拥有较好的抗干扰能力。利用微多普勒特性，可以更精确地判断出目标是否处于静止或移动。与摄像头相比，毫米波雷达在有遮挡的情况下仍具有较强的检测性能，经过对目标回波信号的处理，能够获得大量的目标电磁散射特性和运动特性，这为毫米波雷达能够独立实现目标识别奠定了理论基础。本发明采用双基地毫米波雷达同时对目标进行检测，与现有的单毫米波雷达相比，可以获取两个方向的径向速度，提高了识别的准确率。

技术实现思路

1、为了克服所述现有技术的不足，本发明提供了一种基于双基地毫米波雷达探测系统的非机动车道目标行为分类识别方法，解决了当前数据特征的提取高度依赖于人类经验和领域知识；浅层人工特征训练的模型应用于新数据集时，其性能总是不如原始数据集；单雷达识别范围较窄导致准确率不高；传统的机器学习方法无法在大规模动态数据情况下训练出一个鲁棒的模型等一系列问题。

2、为实现上述目的，本发明采用如下技术方案：

3、一种非机动车道目标识别方法，识别的目标包括行人、自行车与电动自行车三种。其中行人的分类包含多种运动姿态，如步行、跑步、边走边使用手机，拄拐杖，单脚跳，双脚跳等，自行车与电动自行车分别包含一种姿态；该方法包括如下步骤：

4、用两个毫米波雷达采集非机动车道目标互相垂直的两个方向的径向速度，并去除环境噪声；

5、根据上一步骤所得数据构建目标的横坐标为时间，纵坐标为速度的微多普勒图像；

6、将微多普勒图像利用杂波对消器来抑制固定杂波，对消静止目标和低速目标，从而提取运动目标信号；

7、根据运动目标信号及其运动姿态分类标签构建数据集，用于训练卷积神经网络；所述卷积神经网络包含attention层和膨胀卷积层；可以使用tensorflow搭建基于卷积神经网络的网络模型，对网络模型添加attention机制，修改卷积核的膨胀率，得到多个基于卷积神经网络的网络模型。可以使用目前市场较为主流的几种基于卷积神经网络的网络模型，例如googlenet、vgg16net等对本项目的样本数据进行分类训练。

8、将新采集的目标的径向速度输入训练好的卷积神经网络中，输出对应的运动姿态。

9、优选的，使用双基地毫米波雷达进行数据检测，两块雷达呈90°角，测得数据后作为一个双通道的数据以供后续使用。双基地毫米波雷达可以放置在目标所在的非机动车道两侧，以实现对目标的全方位监测。在放置双雷达时，需要考虑雷达之间的距离和角度，以确保雷达的信号不会相互干扰。在实际应用中，具体的雷达放置位置和方式可能会因不同的道路情况和监测目标类型而有所不同。

10、双通道数据可以为目标识别算法提供更多的信息和特征，从而提高目标识别的准确性和可靠性。在使用双通道数据时，需要将两个雷达的数据进行合并，通常可以采用简单的矩阵拼接或者叠加的方式，以生成一个双通道的数据集。在后续的处理过程中，可以针对双通道数据进行不同的处理和优化，以实现更准确和高效的目标识别。

11、优选的，采用巴斯沃斯高通滤波去除环境噪声。

12、优选的，上一步骤所得数据进行短时傅里叶变换，得到目标的横坐标为时间，纵坐标为速度的微多普勒图像。

13、优选的，使用动目标显示器利用单延迟线对消器来抑制固定杂波。动目标显示器(moving target indicator，mti)是一种雷达信号处理技术，用于识别移动目标并抑制静止目标。在雷达信号处理中，mti技术通常被用于识别移动目标，因为移动目标在连续波雷达接收到的信号中会产生多普勒频移，而静止目标则不会产生多普勒频移。mti技术基于多普勒频移的原理，通过对连续波雷达接收到的信号进行处理，抑制静止目标并提取移动目标的信号，从而实现对移动目标的识别。

14、在本发明中，杂波对消器(clutter canceller)就是一种mti技术。它通过对雷达接收到的信号进行多普勒频移处理，抑制静止目标并提取移动目标的信号，从而实现对非机动车道目标的识别。杂波对消器一般由多普勒滤波器、延迟线和相位调制器等组成，可以实现对不同速度范围内的目标信号的提取。最终，经过杂波对消器处理后，仅剩下运动目标的信号被提取出来，从而可以用于目标分类和识别。

15、优选的，所述膨胀卷积层中卷积核的膨胀率为2。

16、优选的，所述卷积神经网络中除池化层上一层卷积层之外的卷积层使用膨胀。

17、本发明还提供一种非机动车道目标识别系统，包括两个毫米波雷达、信号处理单元、杂波对消器、卷积神经网络训练模块；所述两个毫米波雷达用于采集非机动车道上目标互相垂直的两个方向的径向速度；所述信号处理单元包括滤波器组模块、短时傅里叶变换模块和微多普勒成像模块；其中滤波器组模块用于采用巴斯沃斯高通滤波去除毫米波雷达采集的信号中的环境噪声；短时傅里叶变换模块用于将滤波处理后的信号进行短时傅里叶变换；微多普勒成像模块用于根据经根据短时傅里叶变换后的数据构建横坐标为时间，纵坐标为速度的微多普勒图像；所述杂波对消器用于对微多普勒图像抑制固定杂波，对消静止目标和低速目标，提取运动目标信号；所述卷积神经网络训练模块用于利用运动目标信号及其运动姿态分类标签构建的数据集训练卷积神经网络。

18、有益效果：

19、1、扩大识别范围：传统的单雷达识别范围较窄，而本发明使用双基地毫米波雷达可以将目标检测系统放置在目标所在的非机动车道两侧，实现对目标的全方位监测。双雷达呈90°角可以提供更多的数据信息和特征，从而提高目标识别的准确性和可靠性。

20、2、微多普勒提高数据特征的提取准确性：微多普勒对目标的运动状态比较敏感，即使在复杂的环境下，如车流、行人拥挤的情况下，也能够提取目标的速度信息，并实现目标的分类和识别。本发明经过预处理和杂波对消处理后，通过微多普勒特征提取出运动目标信号，用于训练卷积神经网络，从而提高了数据特征的提取准确性。

21、3、提高鲁棒性：传统的机器学习方法无法在大规模动态数据情况下训练出一个鲁棒的模型。而本发明采用卷积神经网络，通过添加attention机制和修改卷积核的膨胀率，可以增强卷积神经网络对目标的关注和感知能力，能够训练出鲁棒的模型，从而进一步提高非机动车道目标分类识别的准确性和可靠性。

22、4、目标姿态多样性分类：本发明对非机动车道目标进行了多姿态分类，包括行人的多种运动姿态和自行车、电动自行车的一种姿态。通过识别和分类不同的目标姿态，可以更准确地描述和监测非机动车道的交通情况，提高了道路交通监测的可靠性和准确性。