+7 (812) 670-9095

Главная → Статьи → Радиолокация → Инвариантная классификация пешеходов для диапазона частот радара

Полезный совет

Разбить данные по нескольким столбцам - легко. А как собрать их обратно - в один столбец? Поможет формула "СЦЕПИТЬ".Подробнее

Новости

8 мая 2020 С Днём Победы!

27 марта 2020 Проброс USB-портов из Windows 10 для удалённой работы

12 марта 2020 Практика в работе с нестандартными шинами комплекса Redd

Все новости

Инвариантная классификация пешеходов для диапазона частот радара

12 августа 2016

Аннотация: Изучена проблема классификации пешеходов радарами с различными рабочими частотами. Предложены решения, основанные на определении соотношений двух спектров Доплера, полученных в различных диапазонах частот. Во-первых, было установлено, что спектры, полученные радаром с меньшей рабочей частотой, являются приблизительными, масштабированными аналогами спектров, полученных на радаре большей частоты. Во-вторых, было установлено, что спектры Доплера, полученные на радарах с меньшей частотой аналогичны спектру, полученному при больших частотах под определенным углом. Предложены два новых подхода к классификации пешеходов при их наблюдении с помощью радаров. Первый подход использует новый тип функции, называемый локальная бинарная маска. Второй подход основан на использовании спектральных инвариантов более высокого порядка, получаемых из спектра Доплера. Методики оказались устойчивыми, вне зависимости от рабочей частоты, при проведении испытаний с использованием реального радара с рабочей частотой 24 ГГц и смоделированного радара с рабочей частотой 77 ГГц.

Введение
Устойчивый алгоритм классификации объектов (обычно пешеходов и наземного транспорта), работающий в режиме реального времени – ключевой компонент автомобильно-пешеходной системы защиты, основанной на радиолокации. Классификация основывается на извлекаемых характеристиках. Обычно в качестве такого признака выступает радиальная скорость объекта, позволяющая определять радиальное движение пешеходов и наземных транспортных средств с точностью 95% [1]. Для оценки скорости объектов, движущихся вбок, необходима дополнительная информация, такая как угловая позиция рассеивателей. Используя эти признаки, удается увеличить точность распознавания до 99% [1].

Тем не менее, использование радиальной скорости цели в виде признака для классификации имеет несколько недостатков:
- частотный сдвиг радиальной скорости цели во время движения транспортного средства, на котором установлен радиолокационный датчик (для компенсации данного недостатка необходимо знать скорость транспортного средства);
- транспортные средства, движущиеся в бок относительно радара, могут иметь низкую радиальную скорость и, если нет дополнительных данных измерений, могут быть неверно классифицированы как пешеход;
- для определения радиальной скорости цели должна быть известна рабочая частота радара.
В дополнение к желаемой инвариантности классификации скорости с использованием радара, одной из текущих задач является разработка системы с инвариантным свойством диапазона частот радиолокационного датчика [2], так как в связи с установленными нормами, автомобильные радары должны иметь два различных диапазона частот: 24 ГГЦ и 77ГГц [3].

Таким образом, целью работы является разработка схемы классификации пешеходов, которая будет инвариантна по отношению к диапазону частот радиолокационного датчика и скорости передвижения самого радара. Нами были предложены два метода решения проблемы. Данные подходы проверены на данных стационарных радаров с частотой 24 ГГЦ и смоделированных радиолокационных данных с частотой 77 ГГц.

Предлагаемый подход
1. Основные наблюдения
  Проведя предварительную оценку спектров Доплера пешеходов и наземного транспорта, полученных в различном диапазоне частот, мы пришли к следующим закономерностям.
  
  Закономерность 1. Спектр Доплера движущего объекта, полученный радаром с большей длинной волны идентичен спектру Доплера, собранного с радара, который имеет меньшую длину волны под определенным углом наблюдения.
  
  Закономерность 2. Спектры Доплера, полученные в различных диапазонах частот, упрощенно могут быть рассмотрены как масштабированные версии друг друга.
  
  Учитывая первую закономерность, доплеровский спектр долготы движущегося объекта, собранный радаром с рабочей частотой 24 ГГц аналогичен спектру, полученному при рабочей частоте 77 ГГц под углом наблюдения в 108 градусов. В соответствии со второй закономерностью, доплеровский спектр, полученный радаром с рабочей частотой 77 ГГц, аналогичен спектру на частоте 24 ГГц, масштабированного на коэффициент ≈ 0,31.
  
  Представленные выше закономерности подтверждены на Рис.1. Вторая закономерность подтверждается Рис. 1 (а) и (b), демонстрирующими сходство между доплеровскими спектрами, полученными радаром при частоте 24 ГГц под углом наблюдения 180 градусов, и данные радара при частоте 77 ГГц под углом наблюдения равным 105 градусам. Вторая закономерность так же подтверждена на Рис 1. (а) и (с), показывая, что спектрограмма, полученная с помощью данных из радара при частоте 24 ГГц, идентичная масштабированной спектрограмме из данных, полученных при частоте 77 ГГц.
2. Методика 1
  Полагаясь на первую закономерность, обучающий набор системы может содержать данные всех ракурсов максимально возможного рабочего диапазона частот, впоследствии система будет классифицировать данные с более низкой рабочей частотой. Тем не менее, это не подходит для многих ситуаций, и мы предлагаем схему генерации спектра Доплера под различными углами. После процедуры генерации, характеристики извлекаются из спектра Доплера с помощью подхода Локальных Бинарных Масок (ЛБМ). Обучающая и тестовая процедуры подхода 1 показаны на Рис.2.
  
  Генерация спектра Доплера с определенного угла представлена в следующем виде. Если объект, двигающийся по прямой, имеет скорость υ, тогда под углом θ радиальная скорость может быть рассчитана как . Учитывая линейную зависимость между скоростью и отклонения Доплера, можно отметить, что:
  
  Следовательно, мы можем написать:
  
  Теперь для фиксированной последовательности ракурсов мы можем сгенерировать спектры Доплера. Первый шаг для извлечения характеристик ЛБМ – кодирование входящей последовательности с помощью бинарной маски. Полученная логарифмическая шкала спектра Доплера кодируется как:
  
  где К длина интервала. После того, как спектр Доплера был закодирован, гистограмма вычисляется как:
  
  Где B -число интервалов, b -ширина интервалов.
  
  Основное преимущество характеристик ЛБМ- низкая вычислительная сложность, так как используются только логические операторы и суммирование. Зависимость эффективной площади расс
  еяния (ЭПР) на ракурсе не моделируется, потому что характеристики ЛБМ инвариантны к увеличению спектра Доплера.
3. Методика 2
  Данная методика основана на второй закономерности. Спектры Доплера, полученные из радаров с различной рабочей частотой, являются масштабированными версиями друг друга. Таким образом, изменение инвариантных характеристик может решить проблему использования различного диапазона частот. Мы выбираем спектр высшего порядка инвариантности (СВПИ) [4] в качестве изменения инвариантных характеристик. СВПИ характеристики извлекаются из спектральной плотности мощности. О более подробных деталях данного метода, пожалуйста, обратитесь к оригинальной работе [4]. Обучающие и тренировочные процедуры второй методики показаны на Рис.3.
  
  3. Сбор данных Была проведена серия наблюдений в рамках ряда сценариев с целью сбора отраженных эхо-сигналов радара от пешеходов и наземных транспортных средств. Все измерения проводились неподвижным радаром.
  
  Семь сценариев из жизни были рассмотрены для сбора данных:
  
  Сц.1) Пешеход идет по прямой. Считается одним и двумя идущими людьми;
  Сц.2) Пешеход идет или бежит вбок;
  Сц.3) Пешеход идет в случайном направлении;
  Сц.4) Транспортное средство движется по прямой;
  Сц.5) Транспортное средство движется вбок;
  Сц.6) Транспортное средство поворачивает налево и уезжает;
  Сц.7) Транспортное средство совершает маневр.
  
  Эхо-сигналы радара были собраны при помощи радара непрерывного излучения на частоте 24 ГГц. Радар имеет следующие параметры: выходная мощность составляет 18 дБм, ширина луча в горизонтальной и вертикальной областях равна 30 градусам, частота дискретизации имеет 4410 ГГц. Спектр Доплера оценивается с помощью интервала длинной 40 мс (176 выборок). Таким образом, частота решения будет равна

Классификация результатов

Инвариантность методик диапазона частот будет протестирована в данном разделе. Метод опорных векторов с мягким зазором и сеть радиально-базисных функций были выбраны в качестве классификатора.

К сожалению, настоящие данные из 77 ГГц радара не доступны для нас, и мы будем использовать смоделированные данные. Отчеты о передвижении человека при моделировании данных 77 ГГц радара используется для обучения системы. Модель, использованная при моделировании, в деталях описана в [5].

В обучающий набор радаров пешеходного класса входят только 5 секунд для обработки данных о передвижении человека по направлению к нему, при моделировании радара с рабочей частотой 77 ГГц. В обучающий набор радаров транспортного класса входят 2 записи (вместе они занимают ≈ 19 с.), из Сц.4 и одна запись (≈ 6 с.) из Сц.7, все они получены с помощью 24 ГГц радара. Тестирующий набор содержит записи всех сценариев (Сц.1-Сц.7), собранных с помощью 24 ГГц радара.

Результаты классификации пешеходов и транспортных средств с помощью характеристик ЛБМ (Методика 1), приведены в Таблице 1. Классификация с применением схемы генерации спектра Доплера представлена первой. А результаты, полученные без генерирования спектров Доплера, приведены в скобках. Система без использования генерации ближе к классу транспортных средств. Результаты стали приемлемыми, когда применяется схема генерации спектров Доплера. Пешеходный класс распознается с вероятность 87%, класс транспортных средств с вероятность 73% из-за возможности неверной классификации транспортных средств, движущихся боком. Улучшение результатов после применения генерации подтверждает первую закономерность.

Классификация возможностей, полученных с помощью характеристик СВПИ (Методика 2), показаны в Таблице 2. Характеристики СВПИ обеспечивают распознавание движущихся пешеходов с вероятностью 96%; двигающихся по широте транспортных средств с вероятностью 97 %; движущихся поперек с вероятностью 20-44%; транспортные средства, совершающие маневр с вероятностью 84%. Результаты подтверждают вторую закономерность, что данные из радара с разными рабочими частотами успешно могут быть межклассовыми при изменении инвариантных характеристик.

Таблица 1. Классификация вероятностей, полученных с помощью характеристик ЛБМ (Методика 1) и с (в скобках без) генерацией спектров Доплера.

Решение	Входящая последовательность
	Пешеходы			Транспортные средства
	Сц. 1	Сц. 2	Сц. 3	Сц. 4	Сц. 5	Сц. 6	Сц. 7
Пешеходы	74(26)	99(15)	88(28)	10(1)	45(12)	25(1)	27(8)
Транспортные средства	26(74)	1(85)	12(72)	90(99)	55(88)	75(99)	73(92)

Таблица 2. Классификация вероятностей, полученных с помощью характеристик СВПИ (Методика 2).

Решение	Входящая последовательность
	Пешеходы			Транспортные средства
	Сц. 1	Сц. 2	Сц. 3	Сц. 4	Сц. 5	Сц. 6	Сц. 7
Пешеходы	93	100	95	3	57	8	16
Транспортные средства	7	0	5	97	44	92	84

Заключение

Была рассмотрена проблема распознавания пешеходов автомобильным радаром. Предложены две новые стратегии выделения свойств для рабочего диапазона частот радара с повышенной надежностью. Первый предлагаемый метод основан на локальных бинарных показателях, названных Локальной Бинарной Маской, и алгоритме генерации доплеровского спектра под различными углами. Второй метод основан на спектре высшего порядка инвариантности (СВПИ). Методики протестированы на расчетах с реального радара 24 ГГц и смоделированного радара 77ГГц. Результаты классификации показывают, что предложенные методики подходят для классификации данных радара, полученных в различном диапазоне частот.

Список литературы

[1] S. Heuel and H. Rohling, “Pedestrian classification in automotive radar systems,” in Radar Symposium (IRS), 2012 13th International, may 2012, pp. 39 - 44.
[2] A. Bartsch, F. Fitzek, and R. H. Rasshofer, “Pedestrian recognition using automotive radar sensors," Advances in Radio Science, vol. 10, pp. 45-55, 2012.
[3] M. Heuer, A. Al-Hamadi, M. Meinecke, and R. Mende, “Requirements on automotive radar systems for enhanced pedestrian protection," in Radar Symposium (IRS), 2012 13th International, may 2012, pp. 45-48.
[4] V. Chandran and S. L. Elgar, “Pattern recognition using invariants defined from higher order spectra-one dimensional inputs." IEEE Transactions on Signal Processing, vol. 41, no. 1, pp. 205-212, 1993.
[5] V. Chen, The Micro-Doppler Effect in Radar. London: Artech House, 2011.

Рисунок 1: Примеры спектрограммы, рассчитанные для одного идущего человека, с параметрами: (а) рабочая частота 24 ГГц под углом 180 градусов, (b) рабочая частота 77 ГГц под углом 105 градусов, (с) рабочая частота 77 ГГц под углом 180 градусов, масштабированная на 1/0,31~3.2.