买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：航天科工深圳(集团)有限公司

摘要：本发明一种基于集成学习的毫米波雷达数据点分类方法及装置，通过采集一定数量时刻点的毫米波雷达扫描数据，然后提取各时刻点目标数据点的个体属性特征向量F1、相对位置关系特征向量F2、概率特征向量F3，作为该目标数据点最终的特征向量F，对所采集的各时刻点的目标扫描数据进行特征提取，形成毫米波雷达数据点训练集；然后按照静止和运动两种状态将训练集划分为两个子集合；对每一个子集合分别训练网络模型；获取当前时刻点的目标检测数据，根据各目标数据点的运动状态，对应调用训练好的网络模型，得到是否为目标对象的分类预测结果。由于特征向量综合模拟了人在识别目标时所需要考虑的各种特征，从而可以有效地对目标进行识别。

主权项：1.一种基于集成学习的毫米波雷达数据点分类方法，其特征在于，包括以下步骤：步骤1：将毫米波雷达安装在无人控制系统上，创建毫米波雷达历史时刻点目标检测数据保存数组，为当前时刻，为预设的数组中所保存的历史时刻点数量，并初始化为空；步骤2：开启所述毫米波雷达，设置雷达扫描参数，扫描毫米波雷达正前方空间，采集毫米波雷达当前时刻的目标检测数据，为第个目标对象，并保存在历史时刻点目标检测数据保存数组中；步骤3：提取毫米波雷达当前时刻目标检测数据中各目标数据点的个体属性特征向量、相对位置关系特征向量、概率特征向量，作为该目标数据点最终的特征向量；所述个体属性特征向量是指通过毫米波雷达进行检测时所获得的各目标数据点个体属性相关的特征形成的特征向量；所述个体属性特征向量包括雷达有效范围内目标数据点的ID号、横坐标、纵坐标、横向速度、纵向速度、雷达反射面积RCS、相对距离、状态值；所述相对位置关系特征向量是指通过对毫米波雷达所采集的数据进行处理，提取出与各目标数据点周围相关的其他目标之间的特征所形成的特征向量；每个目标数据点的相对位置关系特征向量的提取方法是：步骤3.1：构建一宽为毫米波雷达数据横向距离阈值两倍，高为毫米波雷达数据纵向距离阈值的RGB图像；并以图像纵向平分线所在直线为纵坐标轴，以图像最后一行所在直线为横坐标轴建立二维平面坐标系；步骤3.2：将毫米波雷达坐标系中的每一个目标数据点按照如下规则进行R、G、B值计算，计算出来的[R,G,B]填充在坐标系中对应位置，即图像对应位置处； 步骤3.3：在RGB图像上，以每个有对应毫米波雷达数据点的位置为中心，分别取若干个矩形先验框；步骤3.4：对所述RGB图像进行多次卷积操作，提取所述RGB图像特征图；步骤3.5：在所述特征图上找到每个数据点的每个矩形先验框对应的区域并提取像素值，组成该数据点的特征向量，所述特征向量表征了当前数据点与周围数据点的相对位置及距离关系；所述概率特征向量是指通过对毫米波雷达所采集的数据进行处理，提取出各目标数据点周围环境相关的固定几何元素的距离，计算各目标数据点属于固定几何元素的概率所形成的特征向量；所述概率特征向量的提取方法是指使用霍夫变换对所述RGB图像进行曲线和直线检测，拟合图像中具有几何特征的元素，并计算每个雷达目标数据点到被检测出的元素的距离，通过概率分布函数，表示一个趋于0的微小量，计算目标数据点属于各元素的概率，以所有概率值构成特征向量；步骤4：对数组中每一时刻点的所有毫米波雷达目标数据点的数据进行特征提取，得到各时刻点每个目标数据点的特征向量，形成毫米波雷达数据点训练集步骤5：将毫米波雷达数据点训练集数据按照静止和运动两种状态划分为两个子集合；对每一个子集合分别训练Lightgbm模型，得到训练好的Lightgbm模型；步骤6：获取当前时刻点毫米波雷达数据点的目标检测数据并进行预处理后，提取各目标数据点的特征向量，根据各目标数据点的运动状态，对应调用训练好的Lightgbm模型，得到毫米波雷达数据点是否为目标对象的分类预测结果。

全文数据：

权利要求：

百度查询： 航天科工深圳(集团)有限公司 一种基于集成学习的毫米波雷达数据点分类方法及装置