本發(fā)明屬于神經網(wǎng)絡，涉及基于斜裝艙內毫米波雷達弱目標檢測與區(qū)域劃分方法及系統(tǒng)。

背景技術：

1、由于汽車成為家庭的標配，隨之而來的汽車安全事故也不斷增加，特別是高溫天氣下兒童滯留車內導致的嚴重后果。這項技術的目的在于通過高精度的檢測手段，避免因成人疏忽將兒童或寵物遺忘在車內而發(fā)生的悲劇。

2、艙內活體檢測技術旨在提供一種能在車輛停穩(wěn)落鎖后對車內物體進行感知的解決方案。毫米波雷達技術是實現(xiàn)這一目標的關鍵手段之一，它能夠通過感知車內人員的生命體征，如呼吸或肢體運動來探測車內是否存在生命體。然而，現(xiàn)有的活體檢測技術如紅外或熱成像技術、攝像頭等存在一些缺陷，無法及時準確的檢測車內是否存在生命體。

技術實現(xiàn)思路

1、本發(fā)明的目的在于解決現(xiàn)有技術中現(xiàn)有的活體檢測技術易受環(huán)境影響、可能引發(fā)隱私問題等，無法及時準確的檢測車內是否存在生命體的問題，提供基于斜裝艙內毫米波雷達弱目標檢測與區(qū)域劃分方法及系統(tǒng)。

2、為達到上述目的，本發(fā)明采用以下技術方案予以實現(xiàn)：

3、基于斜裝艙內毫米波雷達弱目標檢測與區(qū)域劃分方法，包括：

4、獲取雷達所采集的目標原始數(shù)據(jù)，并對目標原始數(shù)據(jù)進行預處理；

5、對預處理后的目標原始數(shù)據(jù)進行多普勒-fft變換，得到距離多普勒圖；

6、基于距離多普勒圖，獲取三維點云數(shù)據(jù)；

7、將三維點云數(shù)據(jù)輸入pointnet中，獲取后排三座位的分類情況；

8、基于三維點云數(shù)據(jù)中能量最大值的徑向距離和后排三座位的分類情況，獲取后排活體目標占座信息。

9、本發(fā)明的進一步改進在于：

10、進一步的，獲取雷達所采集的目標原始數(shù)據(jù)，具體為：基于雷達發(fā)射的電磁波數(shù)據(jù)以及反射回來的回波數(shù)據(jù)進行混頻，得到中頻信號；對中頻信號進行采樣，得到目標原始數(shù)據(jù)。

11、進一步的，對目標原始數(shù)據(jù)進行預處理，具體為：基于數(shù)據(jù)預白化方法進行數(shù)據(jù)預處理，消除數(shù)據(jù)冗余性；使用距離-fft后進行動目標顯示，通過使用單延遲線對消器來實現(xiàn)對靜止雜波的抑制，即利用相鄰兩次回波信號相減來消除靜止目標的回波，提取運動目標的回波。

12、進一步的，對預處理后的目標原始數(shù)據(jù)進行多普勒-fft變換，得到距離多普勒圖，具體為：目標原始數(shù)據(jù)包含多個脈沖；

13、對每個脈沖進行fft變換以獲取距離信息，然后對每個距離單元上的信號進行fft變換以獲取多普勒信息；

14、將距離處理后的數(shù)據(jù)組織成矩陣形式，其中每一行代表一個距離單元，每一列代表一個脈沖；

15、對每個距離單元進行fft變換，將脈沖的時域信號轉換到多普勒域；

16、將多普勒處理后的數(shù)據(jù)矩陣作為圖像數(shù)據(jù)輸入可視化工具中，得到距離多普勒圖。

17、進一步的，基于距離多普勒圖，獲取三維點云數(shù)據(jù)，具體為：

18、基于距離多普勒圖進行cfar目標提取，獲取強目標點；

19、基于每個強目標點，通過多通道數(shù)據(jù)進行陣列測角處理，獲得點目標的距離、速度、角度、散射強度信息；

20、對點目標的距離、速度、角度、散射強度信息進行幾何映射，將目標信息以點云形式輸出。

21、進一步的，將三維點云數(shù)據(jù)輸入pointnet中，獲取后排三座位的分類情況，具體為：pointnet的輸入為一幀的全部點云數(shù)據(jù)的集合，表示為一個n*3的2d?tensor，其中n代表點云數(shù)量，3代表對應的xyz坐標；首先，點云數(shù)據(jù)與一個t-net學習到的轉換矩陣進行相乘對齊；通過mlp多層感知機將其映射到64維的空間上，再使用t-net進行一次對齊，最后通過兩次卷積映射到1024維的空間；對于每一個點均存在一個1024維的向量表征；再進行一個池化操作得到一個1024維的全局變量；將全局特征通過mlp多層感知機輸出3個分類值分數(shù)的大小確定輸入點云的分類；最終選擇分數(shù)最高的類別作為預測結果。

22、進一步的，基于三維點云數(shù)據(jù)中能量最大值的徑向距離和后排三座位的分類情況，獲取后排活體目標占座信息，具體為：將點云數(shù)據(jù)中能量值前三高的徑向距離取均值作為弱目標微動中心；若分類結果與點云數(shù)據(jù)中能量值前三高的徑向距離均值均值劃分結果一致，則輸出后排弱目標所在位置；若分類結果與能量值前三高的徑向距離均值判斷結果不一致，以座位左中右的中間位置計算最遠徑向距離并進行分類，以分類結果選擇相應的座位中心最遠徑向距離；分別對點云數(shù)據(jù)中能量值前三高的徑向距離均值和最遠徑向距離賦予不同的權重并求和；將落入?yún)^(qū)域范圍進行二次判斷，得到最終的弱目標所占區(qū)域。

23、進一步的，分類結果與點云數(shù)據(jù)中能量值前三高的徑向距離均值均值劃分結果一致，則輸出后排弱目標所在位置，具體為：將后排座椅長度進行三等分；毫米波雷達在艙內安裝高度為，進而得到毫米波雷達波束能夠照射到后排區(qū)域最遠徑向距離r分別為：、、；后排根據(jù)最遠徑向距離r的區(qū)域劃分為：后排左：1—、—、—-1；如果分類結果與點云數(shù)據(jù)中能量值前三高的徑向距離均值均值劃分結果一致，則輸出后排弱目標所在位置。

24、進一步的，若分類結果與能量值前三高的徑向距離均值判斷結果不一致，以座位左中右的中間位置計算最遠徑向距離并進行分類，具體為：以座位左中右的中間位置計算最遠徑向距離即、、以分類結果選擇相應的座位中心最遠徑向距離對點云數(shù)據(jù)中能量值前三高的徑向距離均值和最遠徑向距離賦予不同的權重并求和；將落入?yún)^(qū)域范圍進行二次判斷，得到最終的弱目標所占區(qū)域。

25、基于斜裝艙內毫米波雷達弱目標檢測與區(qū)域劃分系統(tǒng)，包括：

26、預處理模塊，所述預處理模塊獲取雷達所采集的目標原始數(shù)據(jù)，并對目標原始數(shù)據(jù)進行預處理；

27、傅里葉變換模塊，所述傅里葉變換模塊對預處理后的目標原始數(shù)據(jù)進行多普勒-fft變換，得到距離多普勒圖；

28、第一獲取模塊，所述第一獲取模塊基于距離多普勒圖，獲取三維點云數(shù)據(jù)；

29、第二獲取模塊，所述第二獲取模塊將三維點云數(shù)據(jù)輸入pointnet中，獲取后排三座位的分類情況；

30、第三獲取模塊，所述第三獲取模塊基于三維點云數(shù)據(jù)中能量最大值的徑向距離和后排三座位的分類情況，獲取后排活體目標占座信息。

31、與現(xiàn)有技術相比，本發(fā)明具有以下有益效果：

32、本發(fā)明通過對預處理后的目標原始數(shù)據(jù)進行多普勒-fft變換，得到距離多普勒圖，進而獲取三維點云數(shù)據(jù)；將三維點云數(shù)據(jù)輸入pointnet中，獲取后排三座位的分類情況；基于三維點云數(shù)據(jù)中能量最大值的徑向距離和后排三座位的分類情況，獲取后排活體目標占座信息。本發(fā)明通過使用pointnet，簡化了數(shù)據(jù)處理流程，提高了效率，且通過特征融合技術，pointnet能夠同時捕捉局部和全局信息，增強模型的性能。同時，本發(fā)明通過將pointnet網(wǎng)絡輸出的狀態(tài)標簽與能量最強點的徑向距離綜合判斷，借助能量最強點的徑向距離來對此情況進行可信度判斷。不單以分類輸出結果為準，根據(jù)實際情況進行綜合判定占座信息，降低誤判率。