基于毫米波雷达图像的车辆目标轻量化检测网络研究
这是一篇关于车辆目标检测,毫米波雷达,YOLOv5s,MobileNetV3,K-means,SENet的论文, 主要内容为基于二维毫米波雷达占据栅格图像(Two Dimensional Millimeter Wave Radar Occupancy Grid Image,2DMMWROGI)的车辆目标轻量化检测网络研究可以提高灾害应急救援人员在特长隧道等封闭空间发生灾情时的感知能力,加快救援速度,保障受灾群众的生命安全。基于运动载体的毫米波雷达可通过同时定位与构图技术(Simultaneous Localization and Mapping,SLAM)在封闭空间内实现自定位,并可穿透烟障、火障及高温场构建雷达占据栅格图像。该图像与单帧雷达点云相比具有更显著的目标轮廓语义特征,可辅助解决封闭空间火灾场景中的目标检测问题。本文研究了一种基于毫米波雷达图像的车辆目标轻量化检测网络,可在低成本边缘计算平台上部署使用。2D毫米波雷达占据栅格图像中的车辆目标特征以目标侧面与地面构成的二面角散射为主,与车辆的光学图像差异较大。以YOLOv5s为代表的轻量化车辆目标检测算法主要以光学图像为处理对象,尚未有针对毫米波雷达占据栅格图像目标检测的基线模型。针对该问题,本文采用迁移学习方法,利用已有的光学图像特征提取能力和少量雷达图像标注数据集,解决网络对雷达图像车辆目标检测的问题。此外,本研究基于NVIDIA Jetson Xavier NX平台要求对YOLOv5s模型进一步优化,提出了YOLOv5s-M(YOLOv5sMobile Net)模型。该模型采用MobileNetV3网络进一步减少了模型参数数量,但导致了精度下降的问题。针对该问题,本文采用K-means聚类算法改进先验框估计,并利用SENet(Squeeze-and-Excitation Network)注意力机制提升模型检测精度,完成YOLOv5s-MKS(YOLOv5s-Mobile Net-K-means-SENet)模型的搭建,具体的研究工作如下:(1)本文实现了一种利用2D毫米波雷达占据栅格地图进行目标检测的方法。首先对雷达图像进行标签标注,并将其转换为VOC格式的数据集,并完成了数据增广。其次,本文采用YOLOv5s深度学习网络作为基础模型,该模型已经利用光学图像的VOC数据集进行了预训练。最后,通过在雷达小样本数据上进行迁移学习,实现了模型的快速收敛和优化。(2)本文针对YOLOv5s网络在车辆目标检测任务中存在的网络参数数量过高的问题,提出了基于MobileNetV3的YOLOv5s-M网络。利用MobileNetV3替代YOLOv5s的部分主干网络,以降低计算复杂度和参数数量。本文在低成本边缘计算平台NVIDIA Jetson Xavier NX平台上部署网络并进行了实验,结果表明:本文的YOLOv5s-M模型相比原始YOLOv5s显著提升了检测速度,但降低了目标检测的准确率及召回率。(3)本文针对简化目标检测网络结构会导致检测精度及召回率下降的问题,提出了一种基于K-means和SENet的改进方法搭建的YOLOv5s-MKS模型。本文利用K-means算法对雷达图像数据的标签坐标进行聚类分析,以获取更符合2D雷达图像车辆目标分布的先验框。本文将轻量级注意力机制SENet应用到目标检测网络中,以增强特征通道间的相关性和区分度。本文在NVIDIA Jetson Xavier NX平台上进行了实验,结果表明:与YOLOv5s-M相比,本文改进的YOLOv5s-MKS在保持较低计算成本和参数数量的同时,显著提升了检测性能和速度。该方法能够达到36.29帧/秒的测试帧率,并且能够实时并准确地识别毫米波雷达图像中的静止车辆。
基于毫米波雷达的身体微动信息的提取技术研究
这是一篇关于毫米波雷达,微动特征,深度迁移学习,残差网络的论文, 主要内容为随着时代的进步,中国的老龄人口众多,对于居家老人或病人的日常监护问题日益受到重视。毫米波雷达相比于摄像头等检测设备,能够很好的保障隐私。同时毫米波雷达成本较低,且不受雨、雾等天气影响,因此应用越来越广泛。本文具体工作如下:(1)在雷达人体建模方面,首先基于Boulic模型对人体进行简化得到行人行走模型,构建相应的行走雷达回波数据。并通过Matlab平台进行调频连续波雷达仿真,得到行走模型对应的微多普勒特征图像。接着,根据卡耐基梅隆大学的动作捕捉数据库,对几种动作进行模型构建,并通过仿真得到相应的微多普勒特征图像,最后使用人工神经网络对三种典型动作进行分类。(2)在实测雷达数据提取方面,采用AWR1642+DCA1000进行人体运动的实际采集。根据实测雷达回波构建人体数学模型。同时设计了一种基于实测数据的微动信息提取系统,应用二维快速傅里叶算法(2D-FFT)得到目标运动过程中对应的距离-多普勒信息,接着使用MTI滤波和短时傅里叶变换(STFT)方法,得到目标运动时的时间-频率信息,即微动信息。(3)基于毫米波雷达的实测数据构建了身体动作数据集。选取八种居家老人或病人的日常动作,包括行走、坐下、站起、捡东西、喝水、弯腰,跌倒、跌倒后挥手求救。采用2D-FFT+MTI+STFT方法得到每种动作对应的微多普勒特征图像,并构建数据集,除行走为630张图片,其余每种动作600张图片,微多普勒图像数据集总数达到4830张图片。(4)采用深度迁移学习算法对数据集进行识别和分类的处理。首先介绍了典型的卷积神经网络,对典型的激活函数进行仿真得到相应图像。接着,对格拉斯哥大学公开的雷达动作数据集使用Res Net18算法进行分类,得到的准确率达到87.93%。最后采用迁移学习的方法分别使用VGG16、Res Net18、Res Net50和Res Net101对八种实测雷达动作数据集进行训练及分类,并将未预训练的四种网络与预训练后的四种网络的结果进行对比,得到结论,经预训练后的网络相比未经预训练的网络收敛快、准确率高,四种网络分类准确率最高可达99.79%。
一种采用毫米波雷达的自主室内定位技术研究
这是一篇关于自主室内定位,毫米波雷达,GraphSLAM算法,PointNet Auto-Encoder的论文, 主要内容为随着互联网技术的高速发展,人们对于基于位置服务(LBS,Location Based Services)的需求日益增长。同时,普适的自主室内定位已经成为一种新兴的需求,与室外定位相比,室内定位对精度的要求更高,并且精度更易受到多径传播的干扰。传统的室内定位技术通常依赖于Wi Fi、蓝牙、或可见光等信标设备。然而,这些室内定位技术需要铺设额外的相关信标设备和定期维护信标,不满足自主定位的普适性要求。因此,高精度的室内自主定位技术越来越被人们所关注。近年来,基于雷达的室内定位技术是室内自主定位技术研究的热点。同时,随着第五代移动网络(5G,Fifth Generation Mobile Communication Technology)的到来,毫米波雷达因其精度高、成本低及功耗低的特点而受到越来越多的关注。本文创新性地提出了一种基于毫米波雷达的室内行人自主定位算法。该算法利用毫米波雷达和手机内部的惯性测量单元(IMU,Inertial Measurement Unit),在不铺设和利用环境内的信标设施的情况下,自主地对行人进行定位。本文提出的定位算法首先利用IMU数据生成行人的原始轨迹,然后通过毫米波雷达采集到的点云位置信息和强度信息进行多信息融合的闭环检测,最后通过Graph SLAM算法的后端进行轨迹的优化。主要贡献如下:首先,本文提出了一种基于改进的点云自编码器的特征提取方法,用来解决毫米波雷达点云的无序性、非结构性和稀疏性的难点。毫米波雷达点云的无序性和非结构性会对闭环检测中的相似度计算带来困难,稀疏性会影响闭环检测的精度。改进的特征提取方法利用Point Net Auto-Encoder神经网络模型对毫米波雷达点云进行处理,从稀疏和非结构的点云中提取到更多的结构化特征,以此来计算点云的位置信息的相似度。其次,本文提出了一种基于改进的多信息融合的闭环检测方法。由于毫米波雷达易受到多径传播的干扰,产生较多的噪声,所以会导致闭环检测精度下降。多信息融合的闭环检测可以结合点云的强度信息和位置信息,并且进一步删除过匹配的闭环,提高闭环检测的精度。最后,本文提出了一种基于改进的Graph SLAM的后端优化方法。该方法能够根据不同闭环的相似度进行权值分配,从而增强了后端的准确性和鲁棒性。并且,本文提供了一组综合的实验结果来评估所提出的基于毫米波雷达的多信息融合Graph SLAM算法的性能。这些结果表明该自主室内定位系统在不铺设额外设施的情况下的绝对轨迹误差能够达到0.5m,相对姿态误差能够达到0.7m。
基于毫米波雷达的室内定位预警系统的设计与实现
这是一篇关于智能安防,室内定位,毫米波雷达,多目标跟踪,轨迹压缩的论文, 主要内容为随着社会经济的发展和家庭收入的增加,人们对安防系统的要求越来越高。传统的安防主要依靠人工和硬件相结合来解决问题,其实时性低且成本过高。相比之下,室内定位预警系统实现的智能安防可以做到24小时全面监控和实时报警,同时不依赖人力资源。针对以上情况,本文设计实现了一个基于毫米波雷达的室内定位预警系统。系统的核心是室内定位技术,非绑定设备的定位技术因为其借助信号就可以完成定位与追踪任务,所以可以适应更多的复杂场景。本文选择毫米波雷达作为监控设备,通过雷达的无线射频信号实现对目标的精准定位。考虑到毫米波雷达在室内可以检测到多个目标的位置信息却无法区分这些目标,需要在软件层面上实现毫米波雷达的多目标追踪。多目标追踪的核心问题是目标与轨迹的数据关联。首先,本文研究了联合概率数据关联算法(JPDA)这种常见的数据关联算法。其次,针对该算法在密集多目标情况下时间复杂度过高的问题,通过改进的联合概率数据关联算法(IJPDA)来实现多目标跟踪的数据关联,IJPDA算法在保持了JPDA算法原有追踪精度的基础上,很好的降低了算法的计算量,具有精度高、实时性强的优点。然后,考虑到毫米波雷达的多目标追踪是一个非线性问题,本文将IJPDA算法与高斯粒子滤波算法(GPF)结合,提高了系统在非线性条件下的多目标跟踪精度。最后,为了解决轨迹中路径点冗余问题,本文采用基于节点重要性分段的Douglas-Peucker算法来实现轨迹压缩。在上述研究的基础上,本系统根据不同的业务功能进行了服务的拆分,应用扩展性强和耦合度低的微服务架构进行系统设计。系统主要由通信模块,数据处理模块,用户中心模块,数据展示模块和警报模块构成。系统的前端Web页面使用Vue框架实现,移动端通过小程序来实现。系统采用Spring Boot作为后端应用开发框架,毫米波雷达和服务器间的通信中采用了Netty框架,选用MySQL作为整个系统数据库,采用Redis来实现临时存储和缓存。开发完成后,通过实地场景部署相关设备完成了系统的测试,测试结果表明系统在功能性和非功能性方面均能满足实际需求。综上,本文在室内定位技术和多目标追踪技术研究的基础上,应用现在主流的软件开发技术,实现了一种布防简单、反应灵敏、全面监控、实时报警和运行可靠的室内定位预警系统,可以满足人们对于智能安防的需求。
基于深度学习的FMCW雷达步态识别算法研究
这是一篇关于步态识别,毫米波雷达,深度学习,小样本,孪生网络的论文, 主要内容为步态识别技术是通过分析人体步态特征对人员进行身份识别,具有可远距离获取、难伪造的特点。近年来,该技术已经被广泛应用在安全检查、健康监测和新型人机交互等领域。基于FMCW(Frequency Modulated Continuous Wave,调频连续波)毫米波雷达的步态识别方法具有独特的优势,能够在完成身份识别的同时保护用户的隐私。随着深度学习技术的飞速发展,不少研究人员将其应用于步态识别任务。研究表明,深度学习网络在解决步态识别问题方面具有良好的应用能力,但也存在一些待解决的缺陷。为了进一步提升识别准确率,本文利用深度学习网络对基于FMCW雷达的步态识别问题进行了研究,主要工作如下。(1)本文提出的步态识别方法都是基于毫米波雷达采集的点云数据。现有的基于毫米波雷达点云的步态识别算法没有充分考虑人体步态点云的所有属性,并且在特征提取的过程中忽略了其中的时序信息,网络提取的特征信息不够丰富,导致识别准确率不足。针对这一问题,本文提出了一种基于Point Net和时序卷积的步态识别算法。该算法充分考虑了人体步态点云的相关属性,聚合了点云的三维空间信息、速度和信噪比等特征,并且利用时序卷积提取其中的时序信息,增强算法对时序特征的感知能力,最后根据提取的特征进行分类识别。本文进行了仿真实验来测试该算法在不同的数据场景下的表现,实验结果表明该算法具有较高的鲁棒性,并且可以实现较高的识别精度。(2)针对样本较少的点云数据,直接使用深度学习模型可能会过拟合,导致识别性能降低。为解决该问题,对特征提取网络进一步进行了优化,提出了一种基于孪生网络和注意力机制的网络模型。通过基于权重共享的并行神经网络提取的特征向量来表示匹配和非匹配的步态点云对,然后利用相似性度量和对比损失函数使相同的步态点云对彼此接近,不同的步态点云对相互远离。针对不同场景,划分多个规模不同的小样本数据集,并在数据集上进行仿真实验,最后实验结果表明,该方法可以在监督样本量较少的情况下实现较高的识别精度。
毫米波雷达云回波的自动分类技术研究
这是一篇关于毫米波雷达,多参数阈值法,云观测,云分类,自动化,季节特征的论文, 主要内容为云的观测在天气监测预报、维持大气辐射收支平衡以及大气化学、人工影响天气等多方面有着重要的意义,毫米波雷达在云探测方面比厘米波天气雷达和激光雷达具有显著优势,不仅可以测量云底、云顶和云的垂直分布数据,还可以获得云的雷达反射率、垂直速度等定量数据,时空分辨率高,不受晴空湍流和地物回波的影响,穿云能力强,能够探测多层云的回波,此外,地基毫米波雷达可以进行无人值守的全天候连续观测,非常适合用于云观测业务的自动化。为了开展对毫米波雷达探测的云回波进行自动分类的研究,利用161次云回波的个例数据,统计得到了卷云、高层云、高积云、层云、层积云和积云6类云型的特征量和其它参量的数值范围,利用分级的多参数阈值判别方法,达到了自动分类的目标,通过与人工分类的初步验证,两种分类结果的一致性达到82%,其中,层云和积云的识别一致较低的原因在于样本数据有限,因为仅有10次层云和9次积云的个例样本数据。此外,基于不同季节对各类云的影响,在上述云回波样本数据和多参数阈值法的基础上,按季节不同对卷云、高层云、高积云、层积云4类云型进行分类,结果表明春、夏、秋、冬四季的分类命中率分别为95%、98%、83%和84%,春夏两季的准确率明显有所提高,由此说明按季节进行云回波的统计分类是可行且有效的。通过更多样本的处理,提取的特征参量更可靠,自动分类的准确率会得到提高,以便将基于毫米波雷达的云分类技术应用于将来的云观测自动化业务。
基于毫米波雷达的手势识别技术研究
这是一篇关于手势识别,毫米波雷达,特征融合,微多普勒,深度神经网络的论文, 主要内容为手势识别是新一代人机交互(Human Computer Interaction,HCI)技术中的一个重要研究方向,在汽车防撞、医疗、娱乐等方面有着广泛的应用前景。传统的手势识别方法局限于采集设备、场地以及其他环境因素的影响,且存在隐私泄露的风险。而基于雷达的手势识别技术,不受场地和环境因素的影响且易于安置等优势。本文对基于毫米波雷达手势识别技术进行了研究,具体研究内容如下:1.毫米波雷达手势识别系统设计及手势数据库的建立。定义了七种日常生活中常见手势动作,每种手势动作具有其实际意义。根据定义手势动作设计雷达参数,采集手势信息,建立手势动作数据库,使用动目标显示算法对数据集进行预处理,去除冗余信息。2.对手势回波信号进行特征提取,分析雷达中频信号,构建手势距离-时间图和多普勒-时间图,并对单一特征图进行归一化,利用加权平均融合方法将两种特征谱图进行融合,得到特征融合谱图,同时对手势动作的微多普勒特征进行提取。3.对手势识别分类进行研究,提出残差网络模型对手势特征图集进行识别分类。在识别分类实验中,对两种单一特征图进行识别分类测试,结果显示两种单一特征图能够达到85%以上的识别效果;之后将特征融合谱图进行分类识别,其准确率高达98.58%,与单一特征图相比,准确度提高了6%～7%,说明特征融合谱图能够完整表示手势动作。为验证特征融合谱图的优势,将微多普勒特征图进行分类测试,得到识别准确率为95.74%,与特征融合谱图的识别准确率相比有所下降,说明特征融合谱图在手势识别分类方面具有突出优势。此外,为验证残差网络层数之间的关系,使用Res Net18、Res Net50、Res Net101以及VGG16四种网络模型进行识别分类,结果显示Res Net101网络模型识别准确率最高,表明网络层数的增加,网络模型能达到更好识别分类效果。本文提出的基于毫米波雷达手势识别系统,实现了对七种预定义手势的识别与分类,且有良好的识别准确率,准确率达98.58%。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码货栈 ，原文地址：https://m.bishedaima.com/lunwen/48018.html
