黃李波 徐嘉

（同濟(jì)大學(xué) 上海市 201804）

近年來(lái)自動(dòng)駕駛成為汽車(chē)安全研究領(lǐng)域的熱點(diǎn)。毫米波雷達(dá)傳感器是自動(dòng)駕駛的核心部件之一，相比于其他感知傳感器，其在惡劣光線和雨霧天氣條件下，仍有較強(qiáng)的魯棒性，基于毫米波雷達(dá)的人車(chē)識(shí)別技術(shù)可以提高自動(dòng)駕駛系統(tǒng)[1]的性能。傳統(tǒng)汽車(chē)毫米波雷達(dá)無(wú)法測(cè)量高度信息而且點(diǎn)云稀疏，因此難以對(duì)行人、自行車(chē)等靜止物體進(jìn)行分類(lèi)，而成像毫米波雷達(dá)增加了高度的信息，并且可以輸出高密度的3 維立體點(diǎn)云，從而更加容易的實(shí)現(xiàn)目標(biāo)分類(lèi)。

1 目標(biāo)分類(lèi)算法

本文使用的基于成像毫米波雷達(dá)的分類(lèi)算法概述如圖1 所示。本節(jié)介紹該算法的兩個(gè)主要模塊：特征提取和目標(biāo)分類(lèi)器。

1.1 目標(biāo)特征提取

從成像毫米波雷達(dá)輸出的點(diǎn)云原始數(shù)據(jù)信息中提取出與目標(biāo)特征相關(guān)的信息，包括目標(biāo)點(diǎn)的縱向距離x、橫向距離y、高度z、徑向距離r、速度v 和信噪比SNR。由這些目標(biāo)點(diǎn)組成雷達(dá)點(diǎn)云，根據(jù)點(diǎn)云的空間分布、速度和電磁散射特征[2]，提取出16 個(gè)點(diǎn)云特征。這16 個(gè)特征的名稱(chēng)及描述如表1 所示。本節(jié)將詳細(xì)分析和解釋每個(gè)特征。

1.1.1 目標(biāo)點(diǎn)云的空間分布特征

將成像毫米波雷達(dá)輸出的3 維立體目標(biāo)點(diǎn)云，投影到x-y 平面，使用一個(gè)最小矩形邊框?qū)⑵浒饋?lái)。最小矩形邊框的長(zhǎng)寬如圖2 所示。將矩形的寬W 定義為第一個(gè)特征a1，將矩形的長(zhǎng)L 定義為第二個(gè)特征a2，矩形的面積S 定義為第三個(gè)特征a3，矩形面積S 計(jì)算公式如下：

將矩形框沿著z 軸拉伸，形成一個(gè)立方體，將目標(biāo)點(diǎn)云包住。該立方體以雷達(dá)3 維點(diǎn)云在z 軸坐標(biāo)上的最小值為下底，最大值為上底。立方體的體積V 被定義為第四個(gè)特征a4，立方體的體積V計(jì)算公式如下：

不同的目標(biāo)由于表面材質(zhì)、體積、形狀的不同，同一個(gè)目標(biāo)距離雷達(dá)遠(yuǎn)近，同一個(gè)目標(biāo)在靜態(tài)和動(dòng)態(tài)下，雷達(dá)探測(cè)到的目標(biāo)點(diǎn)云數(shù)量都不同。將雷達(dá)點(diǎn)云數(shù)量N 定義為第五個(gè)特征a5。目標(biāo)距離雷達(dá)近一些，采集到的目標(biāo)點(diǎn)云數(shù)量會(huì)相對(duì)多一些。將目標(biāo)距離雷達(dá)的徑向距離r 定義為第六個(gè)特征a6。由于不同目標(biāo)的高度以及形狀不同，將目標(biāo)點(diǎn)云的平均高度作為第七個(gè)特征a7。與行人相比，汽車(chē)表面材質(zhì)不同，雷達(dá)點(diǎn)云分布稀疏。將雷達(dá)目標(biāo)點(diǎn)云密度D 定義為第八個(gè)特征a8，雷達(dá)目標(biāo)點(diǎn)云密度D 計(jì)算公式如下：

目標(biāo)點(diǎn)云x 軸坐標(biāo)值的標(biāo)準(zhǔn)差XSD被定義為第九個(gè)特征a9。類(lèi)似地YSD被定義為第十個(gè)特征a10、ZSD被定義為第十一個(gè)特征a11。XSD、YSD和ZSD計(jì)算公式如下：

1.1.2 目標(biāo)點(diǎn)云的速度特征

由手臂和腿的擺動(dòng)產(chǎn)生的速度分量使行人的點(diǎn)云速度分布在一個(gè)很寬的范圍內(nèi)[3]。相比之下，車(chē)輛點(diǎn)云的速度分布相對(duì)較窄，因?yàn)檐?chē)輛的運(yùn)動(dòng)可以看作剛體的平移。將點(diǎn)云的速度范圍vL定義為第十三個(gè)特征a13。點(diǎn)云的速度范圍vL計(jì)算公式如下：

目標(biāo)點(diǎn)云速度的標(biāo)準(zhǔn)差vSD被定義為第十四個(gè)特征a14。vSD的計(jì)算公式如下：

圖1：分類(lèi)算法概述

圖2：外接矩形框示意圖

圖3：隨機(jī)森林的集成模型示意圖

表1：16 個(gè)點(diǎn)云特征

表2：常用核函數(shù)

表3：成像毫米波雷達(dá)系統(tǒng)配置參數(shù)

表4：不同分類(lèi)器的識(shí)別率

表5：沒(méi)有高度信息的識(shí)別率

圖4：實(shí)驗(yàn)用的成像毫米波雷達(dá)

圖5：采集靜態(tài)目標(biāo)的場(chǎng)景

圖6：采集動(dòng)態(tài)目標(biāo)的場(chǎng)景

1.1.3 目標(biāo)點(diǎn)云的電磁散射特征

雷達(dá)目標(biāo)的反射強(qiáng)度和目標(biāo)的形狀、尺寸、結(jié)構(gòu)及材料有關(guān)。隨著雷達(dá)目標(biāo)的RCS 隨著目標(biāo)尺寸的增大而增大，自行車(chē)、行人和有人自行車(chē)的RCS 波動(dòng)小于汽車(chē)[4]。 因此把目標(biāo)點(diǎn)云的平均信噪比SNRmean定義為第十五個(gè)特征a15。同時(shí)，將目標(biāo)點(diǎn)云信噪比的方差SNRSD定義為第十六個(gè)特征a16。SNRmean和SNRSD的計(jì)算公式如下：

1.2 目標(biāo)分類(lèi)器

根據(jù)雷達(dá)目標(biāo)點(diǎn)云的形狀、速度以及目標(biāo)反射強(qiáng)度特征，提取出了16 維特征向量。基于這16 維特征向量，對(duì)以下幾種分類(lèi)算法進(jìn)行了研究。

1.2.1 決策樹(shù)分類(lèi)算法

圖7：五類(lèi)目標(biāo)識(shí)別率的混淆矩陣

圖8：特征重要性排序

決策樹(shù)是一種用于分類(lèi)任務(wù)的模型。一棵決策樹(shù)由根結(jié)點(diǎn)、內(nèi)部結(jié)點(diǎn)以及葉結(jié)點(diǎn)組成。根結(jié)點(diǎn)和內(nèi)部結(jié)點(diǎn)代表問(wèn)題，每個(gè)問(wèn)題對(duì)應(yīng)一個(gè)二分類(lèi)器。所做的雷達(dá)人車(chē)分類(lèi)包括5 類(lèi)目標(biāo)，是多分類(lèi)問(wèn)題。決策樹(shù)的每個(gè)結(jié)點(diǎn)是個(gè)二分類(lèi)學(xué)習(xí)器，解決多分類(lèi)問(wèn)題就需要對(duì)問(wèn)題進(jìn)行拆分，將多分類(lèi)問(wèn)題拆分成多個(gè)二分類(lèi)問(wèn)題[4]。

1.2.2 隨機(jī)森林分類(lèi)算法

集成學(xué)習(xí)是通過(guò)合并多個(gè)學(xué)習(xí)器，從而得到更加強(qiáng)大模型的方法。集成學(xué)習(xí)得到的模型，在泛化性能上優(yōu)于單一學(xué)習(xí)器。隨機(jī)森林是一種經(jīng)典的集成模型。隨機(jī)森林是包含多棵決策樹(shù)的模型，其中的每棵決策樹(shù)相互獨(dú)立。隨機(jī)森林的分類(lèi)結(jié)果由單個(gè)決策樹(shù)的輸出結(jié)果投票決定，將個(gè)別數(shù)輸出的類(lèi)別的眾數(shù)作為最終分類(lèi)結(jié)果[5]。隨機(jī)森林的集成模型示意圖如圖3 所示。

1.2.3 核SVM 分類(lèi)算法

SVM 的基本模型是一個(gè)二分類(lèi)模型，通過(guò)一個(gè)最大化間隔的劃分超平面，實(shí)現(xiàn)兩類(lèi)目標(biāo)的分類(lèi)。劃分超平面的數(shù)學(xué)描述：

分類(lèi)樣本通常不是線性可分的，我們使用核技巧進(jìn)行非線性分類(lèi)。對(duì)于SVM，常用的核函數(shù)如表2 所示。

1.3 目標(biāo)分類(lèi)器參數(shù)優(yōu)化

利用網(wǎng)格搜索和交叉驗(yàn)證的方法，自動(dòng)化的選擇分類(lèi)器模型的優(yōu)化參數(shù)。

考慮到數(shù)據(jù)集樣本量有限，采用K 折交叉驗(yàn)證的方法，對(duì)3 種分類(lèi)器模型的性能進(jìn)行評(píng)價(jià)，確定出最優(yōu)參數(shù)。收集的數(shù)據(jù)集被隨機(jī)均勻地分成K 個(gè)不同的分區(qū)。K-1 個(gè)分區(qū)用于訓(xùn)練，剩下1 個(gè)分區(qū)依次用于測(cè)試。通過(guò)這種方式，將操作K 個(gè)分類(lèi)循環(huán)。以K 種分類(lèi)結(jié)果的平均準(zhǔn)確率作為分類(lèi)精度的估計(jì)。

使用網(wǎng)格搜索的方法，不同參數(shù)可以取若干個(gè)間隔，在計(jì)算時(shí)可以窮舉參數(shù)空間的網(wǎng)格交叉點(diǎn)。因此可以確定網(wǎng)格的全局最優(yōu)參數(shù)，從而防止手動(dòng)調(diào)參的重大誤差[6]。

2 成像雷達(dá)數(shù)據(jù)集的建立

本文采用的是德州儀器公司生產(chǎn)的成像毫米波雷達(dá)開(kāi)發(fā)套件，該開(kāi)發(fā)套件采用四片級(jí)聯(lián)的AWR2243 芯片，如圖4(a)所示。單個(gè)AWR2243 芯片配置了3 個(gè)發(fā)射天線和4 個(gè)接收天線，四級(jí)聯(lián)的成像毫米波雷達(dá)系統(tǒng)配置了12 個(gè)發(fā)射天線和16 個(gè)接收天線。相比于單芯片系統(tǒng)，四級(jí)聯(lián)的雷達(dá)系統(tǒng)可實(shí)現(xiàn)較高的信噪比和角分辨率。四級(jí)聯(lián)成像毫米波雷達(dá)系統(tǒng)配置參數(shù)如表3 所示。雷達(dá)安裝在小車(chē)上，距離地面高度90 厘米，如圖4(b)所示。分別在靜態(tài)和動(dòng)態(tài)下采集了5 類(lèi)目標(biāo)的數(shù)據(jù)，5 類(lèi)目標(biāo)包括行人、自行車(chē)、摩托車(chē)、小轎車(chē)以及大巴車(chē)。根據(jù)采集的數(shù)據(jù)，制作了3 個(gè)數(shù)據(jù)集：靜態(tài)、動(dòng)態(tài)以及混合數(shù)據(jù)集。

2.1 靜態(tài)數(shù)據(jù)集

使用成像毫米波雷達(dá)開(kāi)發(fā)套件在空曠的場(chǎng)地，分別采集了5 類(lèi)目標(biāo)在靜止?fàn)顟B(tài)下的數(shù)據(jù)，場(chǎng)景如圖5 所示。采集靜止的人、靜止的自行車(chē)以及靜止的摩托車(chē)的數(shù)據(jù)時(shí)，雷達(dá)距離目標(biāo)在1 米到20米的范圍內(nèi)，以1 米為間隔，分別采用正面、45 度傾斜、側(cè)面以及背面朝向雷達(dá)。采集靜止的小轎車(chē)、靜止的大巴的數(shù)據(jù)時(shí)，雷達(dá)距離目標(biāo)在1 米到40 米的范圍內(nèi)，以5 米為間隔，分別采用正面、45 度傾斜、側(cè)面以及背面朝向雷達(dá)。5 類(lèi)目標(biāo)，在靜態(tài)下，分別采集了2000 幀的數(shù)據(jù)。

2.2 動(dòng)態(tài)數(shù)據(jù)集

如圖6 所示，在空曠的場(chǎng)地上，采集運(yùn)動(dòng)的行人、自行車(chē)、摩托車(chē)、小轎車(chē)和大巴。其中行人、自行車(chē)和摩托車(chē)在距離雷達(dá)0 到20 米的范圍內(nèi)，以5 米為間隔采集數(shù)據(jù)；而小轎車(chē)和大巴在距離雷達(dá)0 到40 米的范圍內(nèi)，以5 米為間隔采集數(shù)據(jù)。采集數(shù)據(jù)時(shí)，目標(biāo)的運(yùn)動(dòng)狀態(tài)分為橫穿、接近、遠(yuǎn)離、和以固定徑向距離環(huán)繞的方式，以及較快和較慢的速度。5 類(lèi)目標(biāo)，在運(yùn)動(dòng)狀態(tài)下，分別采集了2000 幀的數(shù)據(jù)。

2.3 混合數(shù)據(jù)集

將靜態(tài)數(shù)據(jù)集合動(dòng)態(tài)數(shù)據(jù)集混合，形成混合數(shù)據(jù)集。5 類(lèi)目標(biāo)，分別有4000 幀的數(shù)據(jù)。

3 分類(lèi)結(jié)果與分析

本文使用平均識(shí)別率來(lái)評(píng)價(jià)分類(lèi)結(jié)果。分別使用機(jī)器學(xué)習(xí)的決策樹(shù)模型、隨機(jī)森林模型以及SVM 模型，完成對(duì)行人、自行車(chē)、摩托車(chē)、小轎車(chē)和大巴車(chē)，這5 類(lèi)目標(biāo)的分類(lèi)。

3.1 機(jī)器學(xué)習(xí)模型的比較

基于提出的16 維特征向量，比較了不同機(jī)器學(xué)習(xí)分類(lèi)器模型的分類(lèi)效果。在確定三種機(jī)器學(xué)習(xí)的分類(lèi)模型的最優(yōu)參數(shù)時(shí)，使用了網(wǎng)格搜索的方法，其中SVM 模型使用了核技巧，效果最好的是高斯核。將5 類(lèi)人車(chē)目標(biāo)的識(shí)別率的平均值作為分類(lèi)結(jié)果，不同分類(lèi)器的識(shí)別率如表4 所示。隨機(jī)森林和SVM 分類(lèi)器模型，對(duì)靜態(tài)、動(dòng)態(tài)以及混合數(shù)據(jù)集的分類(lèi)識(shí)別率都在95%以上，其中隨機(jī)森林模型對(duì)靜態(tài)數(shù)據(jù)集識(shí)別率較高，超過(guò)97%，SVM 模型對(duì)動(dòng)態(tài)和混合數(shù)據(jù)集的分類(lèi)識(shí)別率較高。三類(lèi)分類(lèi)器中，決策樹(shù)的綜合識(shí)別率最低。

3.2 成像毫米波雷達(dá)與傳統(tǒng)汽車(chē)?yán)走_(dá)的比較

由于傳統(tǒng)汽車(chē)毫米波雷達(dá)沒(méi)有高度信息，將成像毫米波雷達(dá)點(diǎn)云數(shù)據(jù)集中的高度信息去掉，形成二維雷達(dá)數(shù)據(jù)點(diǎn)。使用SVM 模型，分別使用二維數(shù)據(jù)點(diǎn)和三維數(shù)據(jù)點(diǎn)云進(jìn)行人和車(chē)的多分類(lèi)。本文提出的16 維特征中的a4、a7、a8和a11和點(diǎn)云的高度信息有關(guān)，去掉這4 個(gè)特征。基于剩下的12 維特征，我們分別使用三種機(jī)器學(xué)習(xí)的分類(lèi)模型進(jìn)行分類(lèi)。沒(méi)有高度信息的分類(lèi)識(shí)別率如表5 所示，分類(lèi)的結(jié)果普遍低于表4 中的結(jié)果。

3.3 不同目標(biāo)的分類(lèi)結(jié)果

對(duì)行人、自行車(chē)、摩托車(chē)、小轎車(chē)和大巴車(chē)進(jìn)行了分類(lèi)。為了比較這5 類(lèi)目標(biāo)的分類(lèi)難易程度，使用混淆矩陣的方法輸出決策樹(shù)模型的分類(lèi)結(jié)果，如圖7 所示。其中大巴車(chē)的識(shí)別率最高，自行車(chē)和摩托車(chē)的識(shí)別率相對(duì)低一些，這兩類(lèi)目標(biāo)相似度較高，容易相互誤識(shí)別，因此識(shí)別率相對(duì)低一些。

3.4 不同特征的重要性

使用隨機(jī)森林模型，比較了提出的16 個(gè)特征的重要性。對(duì)于靜態(tài)、動(dòng)態(tài)和混合的目標(biāo)，最重要的特征是a3，即點(diǎn)云在XY 平面投影得到的矩形框的面積。重要性排名前三的特征還有a4和a10，其中a4表示點(diǎn)云外接立方體的體積，a10表示目標(biāo)點(diǎn)云Y 軸坐標(biāo)值的標(biāo)準(zhǔn)差。重要性排名前三的特征都屬于目標(biāo)點(diǎn)云的形狀特征。如圖8 所示。

4 結(jié)論

本文使用了成像毫米波雷達(dá)傳感器，從成像毫米波雷達(dá)三維點(diǎn)云的形狀、速度以及信號(hào)強(qiáng)度中提取了16 維特征向量，采用機(jī)器學(xué)習(xí)的決策樹(shù)、隨機(jī)森林以及核SVM 模型，實(shí)現(xiàn)了人車(chē)的多類(lèi)分類(lèi)。三種分類(lèi)器模型中，隨機(jī)森林以及SVM 模型，對(duì)三種數(shù)據(jù)集的分類(lèi)識(shí)別率都達(dá)到了95%以上，其中隨機(jī)森林模型對(duì)靜態(tài)目標(biāo)分類(lèi)效果最好，高斯核SVM 模型對(duì)動(dòng)態(tài)目標(biāo)和混合目標(biāo)分類(lèi)效果較好。相比于傳統(tǒng)汽車(chē)?yán)走_(dá)的二維數(shù)據(jù)點(diǎn)，成像毫米波雷達(dá)三維立體點(diǎn)云的人車(chē)分類(lèi)識(shí)別率更高。五類(lèi)人車(chē)目標(biāo)中，大型車(chē)輛最容易識(shí)別，自行車(chē)和摩托車(chē)的識(shí)別率最低。由隨機(jī)森林模型可知，提出的16維特征中，對(duì)于靜態(tài)、動(dòng)態(tài)和混合的目標(biāo)，最重要的特征是a3，即點(diǎn)云在XY 平面投影得到的矩形框的面積。重要性排名前三的特征還有a4和a10，其中a4表示點(diǎn)云外接立方體的體積，a10表示目標(biāo)點(diǎn)云Y 軸坐標(biāo)值的標(biāo)準(zhǔn)差。重要性排名前三的特征都屬于目標(biāo)點(diǎn)云的形狀特征。