具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明的实施例以毫米波雷达为例，介绍一种基于追踪微多普勒图的行人识别方法和装置；如图1所示，一种毫米波雷达包括信号发射模块、信号接收模块、混频模块、处理器；信号发射模块用于向车辆发射雷达探测信号，雷达探测信号被目标反射后的雷达回波信号被信号接收模块所接收，然后通过混频模块处理得到雷达中频信号数据；处理器获取所述雷达中频信号数据进行处理；

本发明的实施例提出一种基于追踪微多普勒图的行人识别方法，如图2所示，包括以下步骤：

步骤S10，获取雷达信号数据；所述雷达信号数据为发射的雷达探测信号被反射后的雷达回波信号经处理得到的雷达中频信号数据；

步骤S20，对所述雷达信号数据进行处理得到雷达点云数据；

步骤S30，对所述雷达点云数据进行聚类和目标追踪，得到目标轨迹信息；

步骤S40，基于目标轨迹信息筛选得到稳定存在的目标，再对稳定存在的目标进行微多普勒数据的提取，累积多帧有效的微多普勒数据得到目标微多普勒图；

步骤S50，选取目标轨迹信息中的目标速度、距离、强度以及累积得到的目标微多普勒图作为有效特征；

步骤S60，根据不同类别目标的多组雷达信号数据获得的有效特征训练分类器；

步骤S70，利用分类器将各种类别目标的特征分类，筛选出具有行人属性的目标；

在本发明的实施例中，基于聚类和追踪之后的目标轨迹信息更加稳健，可以过滤一些随机出现的干扰目标和噪声信号，还能优化目标当前帧的位置信息和预测目标下一帧的位置信息；将目标轨迹信息中的目标速度、距离、强度以及累积得到的目标微多普勒图作为有效特征来训练分类器，能够使得分类器获得更好的分类效果，不仅提高了行人识别准确度，还可以进行不同种类的多目标识别；

具体地，步骤S20中，所述对所述雷达信号数据进行处理得到雷达点云数据，具体包括：对所述雷达信号数据进行一维傅里叶变换、二维傅里叶变换、恒虚警检测、数字波束形成（简称DBF）测角信号处理，得到雷达点云数据，所述雷达点云数据包括目标速度、距离、角度和强度信息；

具体地，步骤S40中，所述基于目标轨迹信息筛选得到稳定存在的目标，具体包括：根据目标轨迹存在长度筛选得到稳定存在的目标；例如可以根据目标轨迹存在长度是否大于设定阈值来判断是否为稳定存在的目标；

如图3所示，步骤S40中，所述对稳定存在的目标进行微多普勒数据的提取，累积多帧有效的微多普勒数据得到目标微多普勒图，具体包括：

步骤S401，初始化累积矩阵，所述累积矩阵用于保存累积的微多普勒数据和目标轨迹信息；

步骤S402，将追踪得到的目标轨迹信息与累积矩阵中累积的目标轨迹信息进行匹配，具体包括内循环操作与外循环操作；

在内循环操作中，将第i个目标追踪得到的目标轨迹信息与累积矩阵中第j个目标轨迹信息进行匹配；匹配结果分为三类：目标ID号匹配一致的作为第一类匹配结果，目标ID号不匹配但目标速度、距离和角度信息匹配一致的作为第二类匹配结果，目标ID号、目标速度、距离和角度信息均不匹配的作为第三类匹配结果；若匹配结果为前两类，则根据追踪得到的目标轨迹信息反推目标在雷达距离-速度图上的索引位置，根据索引位置提取有效的微多普勒数据以及当前追踪得到的目标轨迹信息存放在累积矩阵内当前帧位置处；并分别标记第一类匹配结果和第二类匹配结果为匹配状态1和匹配状态2；若匹配结果为第一类不再进行后续匹配操作，若匹配结果为第二类则在当前匹配结果上再进行当前目标追踪得到的目标轨迹信息与累积矩阵中的下一个目标轨迹信息的匹配，若匹配结果能够升级为第一类则更新累积矩阵内累积的微多普勒数据和目标轨迹信息，若无法升级为第一类则维持原有的微多普勒数据和目标轨迹信息；若匹配结果为第三类，则标记为匹配状态3并继续进行当前目标追踪得到的目标轨迹信息与累积矩阵中的下一个目标轨迹信息的匹配；

当当前目标追踪得到的目标轨迹信息与累积矩阵中所有的目标轨迹信息匹配完毕后，内循环结束，转入外循环操作；在外循环操作中，为匹配状态3的目标新建微多普勒数据和目标轨迹信息，在累积矩阵内新的一个位置处存放该目标的微多普勒数据和目标轨迹信息，以进行累积。

综上所述，本申请提出了一种能够消除环境干扰、提高识别准确度、高安全性、多目标适用的行人识别方法，不仅能有效实时检测目标位置，还能快速进行行人识别，且在工程上更具适用性。

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。