CN109977885A - 一种基于多普勒特征的人车自动识别方法及装置 - Google Patents

Abstract

本发明公开一种基于多普勒特征的人车自动识别方法及装置，该方法步骤包括：S1.使用雷达对探测范围内区域进行目标检测，每次检测到目标时得到一组目标检测结果；S2.获取雷达的连续多组目标检测结果并提取每组目标检测结果中目标的速度信息，得到目标的连续多组速度信息；S3.由步骤S2得到的连续多组速度信息获取目标的速度波动趋势，根据速度波动趋势识别目标是车辆还是行人。本发明能够自动识别行人与车辆，且具有实现方法简单、复杂度低、识别精度以及识别效率高等优点。

Description

一种基于多普勒特征的人车自动识别方法及装置

技术领域

本发明涉及雷达目标检测技术领域，尤其涉及一种基于多普勒特征的人车自动识别方法及装置。

背景技术

雷达具有出色的动目标检测能力，被广泛应用在如周界区域安防等领域中，但是雷达本身只能检测到目标并发出警报，并不能识别目标的类别，而在如周界区域安防等的应用场景中，通常需要能够快速区分出是移动的车辆还是行人，以执行针对性的处理。

雷达目标分类可以实现目标的类型识别，现有技术中雷达目标分类即是将模式识别和机器学习的相关知识应用到雷达目标探测中，通常都是先将目标的雷达回波信号采用短时傅里叶变换，提取出能够体现目标特性的特征信息(如微多普勒特征)，再利用支持向量机、卷积神经网络等分类器，将提取的特征代入分类器中，对输入的目标数据做出类别判定，但是该类方式需要提取如微多普勒特征等的特征信息，而微多普勒特征是在提取到多普勒特征的基础上进一步提取得到，提取过程较为复杂，会延长识别处理时间，同时采用支持向量机、卷积神经网络等分类器的计算量大、计算复杂度高，因而识别效率并不高，难以快速区分出车辆与行人。而若考虑直接提取多普勒特征来实现车辆与行人的区分，虽然可以降低特征提取复杂度，但识别精度非常差，极易产生误检，如人的速度通常较慢，但车辆也可能在某些情况下速度变慢，单纯使用速度就难以区分出车辆与行人。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、复杂度低、识别精度以及识别效率高的基于多普勒特征的人车自动识别方法及装置。

为解决上述技术问题，本发明提出的技术方案为：

一种基于多普勒特征的人车自动识别方法，步骤包括：

S1.使用雷达对探测范围内区域进行目标检测，每次检测到目标时得到一组目标检测结果；

S2.获取雷达的连续多组目标检测结果并提取每组目标检测结果中目标的速度信息，得到目标的连续多组速度信息；

S3.由所述步骤S2得到的连续多组速度信息获取目标的速度波动趋势，根据所述速度波动趋势识别目标是车辆还是行人。

作为本发明的进一步改进：所述步骤S2中提取每组目标检测结果中目标的速度信息时，还包括将提取到的速度信息使用盲速进行折算，得到最终的速度信息步骤。

作为本发明的进一步改进：所述使用盲速进行折算时，具体按照式[|v_k/v_m1|]进行折算，其中雷达的盲速区间为-v_m1～v_m1，v_k为第k次检测到目标的速度值，[·]为整除取余数操作。

作为本发明的进一步改进：所述步骤S3中根据所述速度波动趋势识别目标时，若判断到目标的速度在预设第一时长内呈持续增加或持续下降的波动趋势，或判断到目标的速度在两个以上的预设第二时长内呈持续增加或持续下降的波动趋势，判定为车辆，否则判定为行人。

作为本发明的进一步改进：所述步骤S3中获取目标的速度波动趋势时，使用预设大小的滑窗按照预设步长依次滑过目标的各组速度值，通过统计每个所述滑窗内前后两个速度值之间的波动状态，判断目标的速度在所述滑窗内的波动趋势。

作为本发明的进一步改进：所述步骤S3中识别目标时，先使用第一滑窗进行判断，若判断到存在至少一个所述第一滑窗内呈持续增加或持续下降的波动趋势，判断为车辆，否则继续使用第二滑窗进行判断，若判断到存在至少两个所述第二滑窗内呈持续增加或持续下降的波动趋势，则判断为车辆，否则判定为行人，其中所述第二滑窗的长度小于所述第一滑窗的长度。

作为本发明的进一步改进：所述判断目标的速度在所述滑窗内的波动趋势时，具体通过分别计算所述滑窗内前后两个速度值之间的差值，若当前值-前一个值≥0，判定为增加波动状态，并对应设置第一波动标志；若当前值-前一个值＝0，判定为无波动状态，并对应设置第二波动标志；若当前值-前一个值<0，判定为下降波动状态，并对应设置第三波动标志，通过统计每个所述滑窗内各波动标志的数量，判定目标的速度在所述滑窗内的波动趋势。

作为本发明的进一步改进：所述步骤S3的具体步骤包括：

S31.获取雷达第1次到第n次检测到的速度值{v₁,...v_n}；

S32.使用长度为n₁的第一滑窗依次滑过各速度值{v₁,...v_n}，每次滑动时分别统计所述第一滑窗内各前后速度值之间的波动状态并设置对应的波动标志，得到多组第一滑窗的波动统计结果，判断是否存在所述第一滑窗是全为所述第一波动标志与所述第二波动标志的组合或全为所述第三波动标志与所述第二波动标志的组合，如果是，判定为车辆，退出识别，否则转入执行步骤S33；

S33.使用长度为n₂的第二滑窗依次滑过各速度值{v₁,...v_n}，每次滑动时分别统计所述第二滑窗内各前后速度值之间的波动状态并设置对应的波动标志，得到多组第二滑窗的波动统计结果，判断是否存在至少两个所述第二滑窗是全为所述第一波动标志与所述第二波动标志的组合或全为所述第三波动标志与所述第二波动标志的组合，如果是，判定为车辆，否则判定为行人，退出识别。

一种基于多普勒特征的人车自动识别装置，包括：

雷达检测模块，用于使用雷达对探测范围内区域进行目标检测，每次检测到目标时得到一组目标检测结果；

多普勒特征提取模块，用于获取雷达的连续多组目标检测结果并提取每组目标检测结果中目标的速度信息，得到目标的连续多组速度信息；

自动识别模块，用于根据所述多普勒特征提取模块得到的连续多组速度信息获取目标的速度波动趋势，根据所述速度波动趋势识别目标是车辆还是行人。

一种基于多普勒特征的行人车自动识别装置，包括存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序执行时实现上述的方法。

与现有技术相比，本发明的优点在于：

1、本发明基于多普勒特征的人车自动识别方法及装置，充分考虑行人与车辆之间的速度点波动特性，利用该特性来实现行人车自动识别，通过先提取雷达目标检测结果中速度信息的多普勒特征，特征提取简单且高效，在此基础上由连续速度信息获取速度波动趋势，利用速度波动趋势来实现车辆与行人的区分，实现简单，能够快速区分出车辆与行人，且充分利用了车辆与行人之间速度波动特性，识别精度高，尤其适用于如安防等仅需要区分移动的车辆和行人的领域。

2、本发明基于多普勒特征的人车自动识别方法及装置，通过判断是否存在在预设第一时长内呈持续增加或持续下降的波动趋势，或是否存在在两个以上的预设第二时长内呈持续增加或持续下降的波动趋势，利用车辆速度波动趋势的两种特性来识别目标是否为车辆，可以快速、准确的识别出车辆。

3、本发明基于多普勒特征的人车自动识别方法及装置，通过先使用较大的滑窗来判断目标的速度波动趋势是否满足车辆的第一种速度波动趋势，若不满足再使用较小的滑窗来判断目标的速度波动趋势是否满足车辆的第二种速度波动趋势，可以快速的查找出是否符合车辆两种速度波动趋势，从而高效的区分出车辆及行人。

附图说明

图1是本实施例基于多普勒特征的人车自动识别方法的实现流程示意图。

图2是在具体实施例中得到的人速度波动曲线示意图。

图3是在具体实施例中得到的车辆速度波动曲线示意图。

图4是本实施例使用滑窗滑过各速度值的实现原理示意图。

图5是本实施例中统计计算滑窗内波动变化的原理示意图。

图6是本发明具体应用实施例中步骤S3实现人车区分识别的实现流程示意图。

具体实施方式

以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。

如图1所示，本实施例基于多普勒特征的人车自动识别方法步骤包括：

S1.雷达检测：使用雷达对探测范围内区域进行目标检测，每次检测到目标时得到一组目标检测结果；

S2.多普勒特征提取：获取雷达的连续多组目标检测结果并提取每组目标检测结果中目标的速度信息，得到目标的连续多组速度信息；

S3.自动识别：根据步骤S2得到的连续多组速度信息获取目标的速度波动趋势，根据速度波动趋势识别目标是车辆还是行人。

本实施例预先使用雷达分别对行人以及车辆进行多次检测，将每次检测到的速度点值利用盲速折算后进行存储，检测到的行人与车辆的速度点波动曲线分别如图2和图3所示，其中纵轴代表利用盲速折算后的速度，横轴代表时间，每一帧对应每一次检测，为了方便分析，图3标注了其中五个速度点的横纵轴坐标值，从图2和图3中可以看出，行人的速度点波动较大，车的速度波动很小，且变化趋势比较一致，即行人和车辆的区别在于行人的速度点波动很大，呈现来回变化趋势，而车的速度点变化相对平稳。

本实施例充分考虑上述行人与车辆之间的速度点波动特性，利用该特性来实现行人车自动识别，通过先提取雷达目标检测结果中速度信息的多普勒特征，特征提取简单且高效，同时在此基础上由连续速度信息获取速度波动趋势，利用速度波动趋势来实现车辆与行人的区分，实现简单，能够快速区分出车辆与行人，且充分利用了车辆与行人之间速度波动特性，识别精度高，尤其适用于如安防等仅需要区分移动的车辆和行人的领域。

本实施例中，步骤S2中提取每组目标检测结果中目标的速度信息时，还包括将提取到的速度信息使用盲速进行折算，得到最终的速度信息步骤。通过在每次量测周期中测量出目标的速度后，将目标的速度折算到盲速区内，由折算后的速度点能够显化速度点波动，使得能够更为直观、明显的获取到速度点波动趋势。

本实施例中，使用盲速进行折算时，具体将每个速度值按照式[|v_k/v_m1|]进行折算，得到折算后的速度值，其中雷达的盲速区间为-v_m1～v_m1，v_k为第k次检测到目标的速度值，[·]为整除取余数操作。

本实施例中，步骤S3中根据速度波动趋势识别目标时，若判断到目标的速度在预设第一时长内呈持续增加或持续下降的波动趋势，或判断到目标的速度在两个以上的预设第二时长内呈持续增加或持续下降的波动趋势，判定为车辆，否则判定为行人。

本实施例预先充分分析车辆的速度点波动特性，得到车辆的速度点波动趋势具备以下特性：一、存在连续一段较长时长内有相同的向上(增加)或者向下(下降)变化趋势；二、存在两组以上连续一段较短时长内有相同的向上(增加)或者向下(下降)变化趋势，且各组之间存在间隔，即各组时长是不连续的。本实施例充分利用上述特性，通过判断目标的速度是否满足上述两特性，即是否存在在预设第一时长内呈持续增加或持续下降的波动趋势，或是否存在在两个以上的预设第二时长内呈持续增加或持续下降的波动趋势，从而依据速度波动趋势来识别目标是否为车辆，可以实现快速、准确的目标识别。

上述预设第一时长、第二时长具体可根据实际所需的精度、效率考虑进行设定，需满足第一时长大于第二时长。

本实施例中，步骤S3中获取目标的速度波动趋势时，具体使用预设大小的滑窗按照预设步长依次滑过目标的各组速度值，通过统计每个滑窗内前后两个速度值之间的波动状态，判断目标的速度在滑窗内的波动趋势，从而由滑窗内各个速度值之间的波动状态可以有效表征连续一段时长内速度点的波动趋势。使用滑窗滑过各速度值如图4所示，其中每一个阴影格子代表一个速度点，第一个格子存放速度点v₁，第二个格子存放速度点v₂，以此类推。

本实施例中，步骤S3中识别目标时，先使用第一滑窗进行判断，若判断到存在至少一个第一滑窗内呈持续增加或持续下降的波动趋势，判断为车辆，否则继续使用第二滑窗进行判断，若判断到存在至少两个第二滑窗内呈持续增加或持续下降的波动趋势，则判断为车辆，否则判定为行人，其中第二滑窗的长度小于第一滑窗的长度。通过先使用较大的滑窗来判断目标的速度波动趋势是否满足上述车辆的第一种速度波动趋势，若不满足再使用较小的滑窗来判断目标的速度波动趋势是否满足上述车辆的第二种速度波动趋势，可以快速、准确的查找出是否符合车辆上述两种速度波动趋势，从而区分出车辆及行人。

本实施例中，判断目标的速度在滑窗内的波动趋势时，具体通过分别计算滑窗内前后两个速度值之间的差值，若当前值-前一个值≥0，判定为增加波动状态，即为上升波动，并对应设置第一波动标志(具体可配置为1)；若当前值-前一个值＝0，判定为无波动状态，即为无波动，并对应设置第二波动标志(具体可配置为0)；若当前值-前一个值<0，判定为下降波动状态，即为向下波动，并对应设置第三波动标志(具体可配置为-1)，通过统计每个滑窗内各波动标志的数量，可以方便、高效的判定出目标的速度在滑窗内的波动趋势。

如图6所示，本实施例中步骤S3的具体步骤包括：

S31.获取雷达第1次到第n次检测到的速度值{v₁，...v_n}；

S32.使用长度为n₁的第一滑窗依次滑过各速度值{v₁，...v_n}，每次滑动时分别统计第一滑窗内各前后速度值之间的波动状态并设置对应的波动标志，得到多组第一滑窗的波动统计结果，判断是否存在第一滑窗是全为第一波动标志与第二波动标志的组合或全为第三波动标志与第二波动标志的组合，如果是，判定为车辆，退出识别，否则转入执行步骤S33；

S33.使用长度为n₂的第二滑窗依次滑过各速度值{v₁，...v_n}，n₁＞n₂，每次滑动时分别统计第二滑窗内各前后速度值之间的波动状态并设置对应的波动标志，得到多组第二滑窗的波动统计结果，判断是否存在至少两个第二滑窗是全为第一波动标志与第二波动标志的组合或全为第三波动标志与第二波动标志的组合，如果是，判定为车辆，否则判定为行人，退出识别。

通过上述步骤，能够利用车辆速度波动趋势的两种特性，通过判断速度波动趋势中是否存在连续n₁次有相同的变化趋势(向上或者向下)，或者存在两组连续n₂次的有相同的变化趋势且两组之间存在间隔，高效的识别出车辆，识别效率可达3s以内。

在具体应用实施例中，每个滑窗计算时，若当前值-前一个值≥0，设置波动标志为1，若当前值-前一个值＝0，设置波动标志为0，若当前值-前一个值＜0，设置波动标志为-1，使用第一滑窗依次滑过各速度值{v₁，...v_n}时，若存在滑窗内为(1，1，1....00...)或(1，-1，-1....00...)，则判定为车辆，否则继续使用第二滑窗进行判断，若存在两组以上，滑窗内为(1，1，1....00...)或(1，-1，-1....00...)，则判定为车辆，否则可判定为行人。如图5所示，通过统计滑窗内1，0和-1的个数以判断速度的波动趋势。

本发明在具体应用实施例中实现人车自动识别的详细步骤为：

步骤1：设定雷达的盲速区间为-v_m1～v_m1，将雷达第1次到第n次检测到的速度值存储下来，记为{v₁，...v_n}，v_k为第k次检测到目标的速度；

步骤2：利用盲速对存储下来的速度进行折算，即对{v₁，...v_n}中的每个检测速度进行[|v_k/v_m1|]操作，记操作后的速度数组变为{v′₁，...v′_n}；

步骤3：以长度为n₁的较大滑窗统计{v′₁，...v′_n}内前后速度点变化波动情况，其中若当前值-前一个值≥0，Flag＝1，代表向上波动，若当前值-前一个值＝0，Flag＝0，表示无波动，若当前值-前一个值＜0，Flag＝-1，代表向下波动；统计完1到n₁滑窗格子内1，0和-1的个数后，滑窗向右移动一个，即再统计2到n₁+1格子内1，0和-1的个数后，以此类推，直到统计完长度为n整个格子计算统计完滑窗内1,0和-1的个数，如果出现滑窗内全为(1，1….0…)或全为(-1,-1….0…)或全为0的情况，则将目标判断为车，结束识别，否则继续执行下一步骤4。

步骤4：更改滑窗的长度，更改后窗的长度为n₂(n₁-3＜n₂＜n₁)，计算统计长度n₂滑窗内1,0和-1的个数，接下来以长度为n₂的滑窗末尾为起点，间隔L₁(通常取值2,3,4)个点，再次计算统计长度为n₂滑窗内1,0和-1的个数；若两个长度为n₂的滑窗内同时全为(1，1….0…)或全为(-1,-1….0…)或全为0，则判断为车辆，结束识别。否则继续执行且滑窗的起始点向后推移一个，重复执行步骤4直至完成所有计算；

步骤5：若当前仍未判断为车辆，则将目标分类成行人，结束识别。

本实施例基于多普勒特征的人车自动识别装置，包括：

雷达检测模块，用于使用雷达对探测范围内区域进行目标检测，每次检测到目标时得到一组目标检测结果；

多普勒特征提取模块，用于获取雷达的连续多组目标检测结果并提取每组目标检测结果中目标的速度信息，得到目标的连续多组速度信息；

自动识别模块，用于根据多普勒特征提取模块得到的连续多组速度信息获取目标的速度波动趋势，根据速度波动趋势识别目标是车辆还是行人。

本实施例基于多普勒特征的行人车自动识别装置，包括存储有计算机程序的计算机可读存储介质，计算机程序执行时实现如上述方法。

本实施例基于多普勒特征的行人车自动识别装置与上述基于多普勒特征的行人车自动识别方法为一一对应，在此不再一一赘述。

上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (10)

1.一种基于多普勒特征的人车自动识别方法，其特征在于，步骤包括：

S1.使用雷达对探测范围内区域进行目标检测，每次检测到目标时得到一组目标检测结果；

S2.获取雷达的连续多组目标检测结果并提取每组目标检测结果中目标的速度信息，得到目标的连续多组速度信息；

S3.由所述步骤S2得到的连续多组速度信息获取目标的速度波动趋势，根据所述速度波动趋势识别目标是车辆还是行人。

2.根据权利要求1所述的基于多普勒特征的人车自动识别方法，其特征在于，所述步骤S2中提取每组目标检测结果中目标的速度信息时，还包括将提取到的速度信息使用盲速进行折算，得到最终的速度信息步骤。

3.根据权利要求2所述的基于多普勒特征的人车自动识别方法，其特征在于：所述使用盲速进行折算时，具体按照式[|v_k/v_m1|]进行折算，其中雷达的盲速区间为-v_m1～v_m1，v_k为第k次检测到目标的速度值，[·]为整除取余数操作。

4.根据权利要求1或2或3所述的基于多普勒特征的人车自动识别方法，其特征在于，所述步骤S3中根据所述速度波动趋势识别目标时，若判断到目标的速度在预设第一时长内呈持续增加或持续下降的波动趋势，或判断到目标的速度在两个以上的预设第二时长内呈持续增加或持续下降的波动趋势，判定为车辆，否则判定为行人。

5.根据权利要求4所述的基于多普勒特征的人车自动识别方法，其特征在于，所述步骤S3中获取目标的速度波动趋势时，使用预设大小的滑窗按照预设步长依次滑过目标的各组速度值，通过统计每个所述滑窗内前后两个速度值之间的波动状态，判断目标的速度在所述滑窗内的波动趋势。

6.根据权利要求5所述的基于多普勒特征的人车自动识别方法，其特征在于，所述步骤S3中识别目标时，先使用第一滑窗进行判断，若判断到存在至少一个所述第一滑窗内呈持续增加或持续下降的波动趋势，判断为车辆，否则继续使用第二滑窗进行判断，若判断到存在至少两个所述第二滑窗内呈持续增加或持续下降的波动趋势，则判断为车辆，否则判定为行人，其中所述第二滑窗的长度小于所述第一滑窗的长度。

7.根据权利要求6所述的基于多普勒特征的人车自动识别方法，其特征在于，所述判断目标的速度在所述滑窗内的波动趋势时，具体通过分别计算所述滑窗内前后两个速度值之间的差值，若当前值-前一个值≥0，判定为增加波动状态，并对应设置第一波动标志；若当前值-前一个值＝0，判定为无波动状态，并对应设置第二波动标志；若当前值-前一个值<0，判定为下降波动状态，并对应设置第三波动标志，通过统计每个所述滑窗内各波动标志的数量，判定目标的速度在所述滑窗内的波动趋势。

8.根据权利要求7所述的基于多普勒特征的人车自动识别方法，其特征在于，所述步骤S3的具体步骤包括：

S31.获取雷达第1次到第n次检测到的速度值{v₁,...v_n}；

S32.使用长度为n₁的第一滑窗依次滑过各速度值{v₁,...v_n}，每次滑动时分别统计所述第一滑窗内各前后速度值之间的波动状态并设置对应的波动标志，得到多组第一滑窗的波动统计结果，判断是否存在所述第一滑窗是全为所述第一波动标志与所述第二波动标志的组合或全为所述第三波动标志与所述第二波动标志的组合，如果是，判定为车辆，退出识别，否则转入执行步骤S33；

S33.使用长度为n₂的第二滑窗依次滑过各速度值{v₁,...v_n}，每次滑动时分别统计所述第二滑窗内各前后速度值之间的波动状态并设置对应的波动标志，得到多组第二滑窗的波动统计结果，判断是否存在至少两个所述第二滑窗是全为所述第一波动标志与所述第二波动标志的组合或全为所述第三波动标志与所述第二波动标志的组合，如果是，判定为车辆，否则判定为行人，退出识别。

9.一种基于多普勒特征的人车自动识别装置，其特征在于，包括：

雷达检测模块，用于使用雷达对探测范围内区域进行目标检测，每次检测到目标时得到一组目标检测结果；

多普勒特征提取模块，用于获取雷达的连续多组目标检测结果并提取每组目标检测结果中目标的速度信息，得到目标的连续多组速度信息；

自动识别模块，用于根据所述多普勒特征提取模块得到的连续多组速度信息获取目标的速度波动趋势，根据所述速度波动趋势识别目标是车辆还是行人。

10.一种基于多普勒特征的人车自动识别装置，包括存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序执行时实现如权利要求1～8中任意一项所述的方法。