一种基于神经网络的毫米波雷达天气识别方法与流程

本发明涉及毫米波雷达，尤其涉及一种基于神经网络的毫米波雷达天气识别方法。

背景技术：

1、随着国民对机动车持有量逐年上升，促使智能停车场系统快速发展，布设道闸设备、准确感知进出车辆并顺畅无阻地安全进入停车场，对车辆监测传感器提出了更高要求；毫米波雷达具有高分辨率，能够精确检测车辆的位置、速度和运动方向，从而提高了停车场道闸系统的准确性，并且毫米波雷达可以探测较远的距离，适用于各种规模的停车场，对于快速进出车辆能够及时响应；毫米波雷达可以同时检测多个目标，对于车流量大的停车场也能有效管理车辆进出、避免拥堵；相对于其他传感器毫米波雷达维护需求较低、故障率也相对较低，维护成本更低；由于以上特点，毫米波雷达逐渐成为智能停车场系统的重要传感器。

2、然而，目前大部分停车场道闸都处于室外场景，而室外场景下的天气是影响道闸毫米波雷达性能的重要因素；在雨雪等天气下，道闸雷达发射的电磁波遇到雨雪目标反射回来，导致雷达检测到雨雪杂波目标，从而引起雷达虚警误报，使得道闸雷达识别准确率下降；因此，需要毫米波雷达对天气状态进行识别，为后续针对不同天气情况采用不同的杂波抑制参数提供信息，现有技术通常是通过经验对条件阈值进行赋值与加权操作进行天气识别操作，但天气是时刻变化且无法预测的，这就导致固定阈值过于片面、不具备普适性。

技术实现思路

1、有鉴于此，本发明提供一种基于神经网络的毫米波雷达天气识别方法，有效解决现有技术毫米波雷达使用固定阈值判断天气状态不具备普适性的问题，通过输入雷达采集的环境特征数据准确识别出在小雨、中雨和小雪、中雪等常规天气情况并且让雷达根据不同的天气情况作出调整。

2、为实现上述目的，本发明一种基于神经网络的毫米波雷达天气识别方法，包括以下步骤：

3、s1、获取当前天气的原始adc雷达信号；

4、s2、对原始雷达数据进行预处理得到距离-多普勒热图；

5、s3、将预处理得到的数据输入到天气识别模型进行天气分类识别；

6、s301、将所述距离-多普勒热图的序列按照时间顺序拆分，每一时刻对应的距离-多普勒热图分别进入卷积神经网络cnn，提取得到8通道特征向量序列；

7、s302、按照时间顺序依次将每个时刻对应的1通道特征向量输入到门控循环神经网络gru中，得到输出序列，其中；

8、s303、将所述输出序列输入到分类器网络，通过拆分多维向量网络拆分为多维向量进入全连接层，通过线性整流函数relu得到目标距离-多普勒热图数据；

9、s304、将所述目标距离-多普勒热图数据输入到预置的天气状态识别模型，每一个距离-多普勒热图对应一个天气分类标签输出；

10、s4、输出当前天气状态信息并对雷达参数进行自适应调整。

11、优选地，毫米波雷达在一个检测周期内通过发射天线发射电磁波、接天线接收反射回来的回波数据，混频器将发射信号和接收信号合并到一起生成一个中频信号，adc模块对中频信号进行采样得到当前天气的原始adc雷达信号。

12、优选地，采用数据预白化方法进行数据预处理，使用距离fft、多普勒fft处理得到雷达距离-多普勒热图。

13、优选地，所述卷积神经网络cnn包括两层结构，第一层包含4通道卷积核的卷积层和最大值池化层，第二层包含8通道卷积核的卷积层和最大值池化层。

14、优选地，所述门控循环神经网络gru包括单一隐藏层，隐藏层维度为208。

15、优选地，所述拆分多维向量网络包括3通道33卷积核的卷积层和22最大值池化层；所述线性整流函数relu计算方法为：

16、；

17、所述全连接层中dropout的比例设定为0.5。

18、优选地，步骤s4中雷达进行自适应调整包括：

19、当前天气为晴朗时，天气状态标志为0，传输给雷达后，cfar参数选用正常参数进行目标的有效检测；

20、当前天气为雨天时，天气状态标志为1，传输给雷达后，cfar参数中的阈值因子门限提高1db后对目标进行有效检测；

21、当前天气为雪天时，天气状态标志为2，传输给雷达后，cfar参数中的阈值因子门限提高2db后对目标进行有效检测。

22、优选地，当cfar检测出点云后，通过对雷达前方的区域进行门限限制，对点云数据结果进行二次过滤，

23、当天气状态标志为0时，区域门限参数固定；

24、当天气状态标志为1时，各区域能量值门限+50；

25、当天气状态标志为2时，各区域能量值门限+100。

26、与现有技术相比，本发明的有益效果是：

27、本发明通过单一毫米波雷达对周围环境进行检测、识别，不需要添加其他传感器辅助就能够完成天气识别，避免了系统的复杂性；采用2d-fft获取距离-多普勒热图并作为神经网络输入，无需其他处理和数据特征，敏感度较高能够快速准确地捕捉环境信息且数据复杂度低，提高了计算效率；

28、本发明利用cnn高效的特征提取能力，完成多普勒热图的特征提取，利用gru对时间序列数据的时间关联刻画作用，完成特征图序列的时间相关性描述，通过引入卷积结构提取多尺度组合特征，辅助高层特征学习，丰富了gru的特征输入，但不需要对输入数据进行复杂度特征提取与处理，只需要通过不同的网络运算来获取数据特征信息，实现高精度的天气识别；

29、本发明搭载的网络模型可以在经过数据训练后实时检测当前的天气的变换与识别，并通过当前的天气，实时调整毫米波雷达参数，提高雷达在天气下的适应性和稳定性。

技术特征：

1.一种基于神经网络的毫米波雷达天气识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于神经网络的毫米波雷达天气识别方法，其特征在于，毫米波雷达在一个检测周期内通过发射天线发射电磁波、接天线接收反射回来的回波数据，混频器将发射信号和接收信号合并到一起生成一个中频信号，adc模块对中频信号进行采样得到当前天气的原始adc雷达信号。

3.根据权利要求1所述的一种基于神经网络的毫米波雷达天气识别方法，其特征在于，采用数据预白化方法进行数据预处理，使用距离fft、多普勒fft处理得到雷达距离-多普勒热图。

4.根据权利要求1所述的一种基于神经网络的毫米波雷达天气识别方法，其特征在于，所述卷积神经网络cnn包括两层结构，第一层包含4通道卷积核的卷积层和最大值池化层，第二层包含8通道卷积核的卷积层和最大值池化层。

5.根据权利要求1所述的一种基于神经网络的毫米波雷达天气识别方法，其特征在于，所述门控循环神经网络gru包括单一隐藏层，隐藏层维度为208。

6.根据权利要求1所述的一种基于神经网络的毫米波雷达天气识别方法，其特征在于，所述拆分多维向量网络包括3通道33卷积核的卷积层和22最大值池化层；所述线性整流函数relu计算方法为：

7.根据权利要求1所述的一种基于神经网络的毫米波雷达天气识别方法，其特征在于，步骤s4中雷达进行自适应调整包括：

8.根据权利要求7所述的一种基于神经网络的毫米波雷达天气识别方法，其特征在于，当cfar检测出点云后，通过对雷达前方的区域进行门限限制，对点云数据结果进行二次过滤，

技术总结
本发明涉及一种基于神经网络的毫米波雷达天气识别方法，雷达向前发射电磁波，遇到雨雪目标反射回来，对雷达接收天线接收到带有前方环境信息的电磁波进行分析，将上述数据输入预置的天气状态识别模型内进行天气分类识别，得到当前天气状态信息；其中，所述天气状态识别模型包括卷积神经网络和门控循环神经网络；通过上述网络对雷达数据进行天气状态分类识别，得到目标分类标签即当前天气状态信息，根据当前状态信息，雷达进行相应地杂波滤除；本方法仅需单一毫米波雷达进行检测识别，不需要添加其他传感器辅助进行天气识别，避免了系统的复杂性，增强了雷达的适应性和稳定性。

技术研发人员：彭巍铭,杨博,杨凯,蒋啸
受保护的技术使用者：长沙莫之比智能科技有限公司
技术研发日：
技术公布日：2024/12/5