雷达与视觉特征融合的车辆检测方法

雷达与视觉特征融合的车辆检测方法

陈冬梅

唐山市计量测试所  河北省  唐山市  063000

摘要：在车辆检测中将雷达与视觉特征相互融合，一方面可以满足检测对车辆特征维度的要求，让车辆检测的结果更为准确，具备足够的参考价值。另一方面则能够切实的提高车辆检测效率，在较短的时间内呈现出理想化的车辆检测效果，让雷达与视觉特征融合的车辆检测方法可以获得更多的认可。基于此，本文将对雷达与视觉特征融合的车辆检测方法展开研究。

关键词：雷达与视觉特征融合；车辆检测；方法；研究

前言：

以往车辆检测大多采取较为传统的单一系统检测方法，在检测结果的准确性保证以及车辆检测结果的出示效率上存在着较大的缺陷。随着时代的发展和车辆检测需求的大幅提升，传统车辆检测方法存在的弊端越来越突出，这为计量测试所带来了新的压力，而雷达与视觉特征的融合车辆检测方法则对提高检测结果的准确性与提高车辆检测结果出示的效率性有着较大的帮助，十分符合车辆检测领域的实际需求。因此，想要满足车辆检测的多方需求，实现效率性和质量性的有效提升，就应当加强对雷达与视觉特征的融合分析。由此可见，对雷达与视觉特征融合的车辆检测方法进行探究是十分必要的，具体策略综述如下。

1毫米波雷达特征获取的方法研究

1.1真实目标的初选

毫米波雷达车辆识别方法主要的检测对象是沿道路纵向行驶中的机动车，在我国相关法律中规定，机动车的行驶最高速度为120千米每小时，当毫米波雷达车辆识别到目标对象的速度超过一限度值，则可以将目标对象判定为非车辆目标，自动进行过滤。另外，人在行走的过程中速度大约为1.8米每小时，使用毫米波雷达车辆识别方法探测到目标对象的速度小于这一限度值，则可以判定为非车辆目标，自动进行过滤。最后，在使用毫米波雷达车辆识别方法进行车辆检测时，可以根据现场的实际情况适当的放宽车辆检测标准和扩大探测范围，这一举措实施的主要原因在于无法保证所有车辆都位于车道的正中间行驶，此外对毫米波雷达车辆识别范围的扩大可以让传感器的检测效率性得到有效的提升，更好的发现检测目标。

1.2雷达特征选择

目前毫米波雷达在车辆检测中所输出的目标特征为17个，这些目标会在车辆检测的过程中增加计算，导致车辆检测的效率性变慢，车辆检测的复杂性提高。所以在使用毫米波雷达方法进行车辆检测时应当对特征的选择重视起来，从客观实际入手去除对最终车辆检测结果影响较小可以忽略不计的特征，进而在保证车辆检测结果准确性的同时让检测的效率性可以得到有效的提升。例如在毫米波雷达特征中对比横向加速度可以发现，其基本数值的变化不大，对于分类任务的开展而言没有明显帮助，因此可以将横向加速度特征从车辆检测中去除。以下可以按照上述距离，将统计特征、目标分类结果作为雷达特征选择的依据，对毫米波雷达特征的选择进行进一步的分析。

2视觉特征获取的方法研究

2.1HOG特征获取

HOG是方向梯度直方图的简称，其具有较为鲜明的特征，在计算机视觉、图像处理等多个领域发挥着较大的作用，能够有效的进行物体检测特征的描述。因此，在车辆检测中应当加强对HOG特征的获取研究，首先，在应用HOG时，需要先将捕捉的图像划分成多个单元，并保证这些单元在大小和规格上完全相等。而后，可以将这些小的单元命名为一个cell，通过对每一个cell的HOG检测合成更大的单元模块，使cell可以转化为更大的block。最后，检测人员应当采取函数计算的方式，并对cell的HOG的尺寸进行相应的调整，最终获得HOG特征，让视觉特征的获取更为高效和准确。

2.2视觉特征选择

视觉特征与雷达特征相同，都需要进行特征选择。首先，计量测试所需要进行统计视觉特征，并其与目标分类结果进行进一步的比对和计算。其次，在获得绝对值数据关系后应当按照从大到小的顺序依次排列，分别平均值、标准差和中位数。在视觉特征相关系数绝对值的分析中可以发现，其绝对值数值都相对较高，因此可以全部保留视觉特征。

3雷达与视觉特征融合的车辆检测方法应用策略

3.1毫米波雷达与视觉传感器的空间融合和时间融合

在视觉传感器车辆识别中感兴趣区域的提取涉及到了多个方面，如：雷达摄像头数据等都隶属其中，其中包含了对空间的融合和时间的融合两部分，以下将从这两个方面对视觉特征展开研究。第一，空间融合。从根本上来看，视觉特征感兴趣区域提取中的空间融合就是指以摄像头作为依托，将毫米雷达车辆检测中所获得的横纵坐标数据通过投影的方式投射到图片上。在具体的实施过程中，检测人员需要先将横纵坐标进行旋转和平移，使得摄像头坐标系和毫米雷达的坐标系能够在这一过程中实现有效的转换，为后续空间融合工作的推进打下良好的基础。在确定XC、YC、ZR三维坐标点后，技术人员需要利用位移矩阵与旋转矩阵获取相关参数数据，而后采取离散化透视投影的方式完成将摄像头坐标系进一步转化为图像像素坐标系的程序，最终达成以毫米波雷达坐标系为依托的空间融合任务。

第二，时间融合。计量测试所需要以时间融合方案为依托，完成雷达数据帧的顺序排列和进一步转化，在一个检测周期内设置标志帧，推动毫米波雷达摄像头数据和视觉特种证之间的时间融合，并以雷达点作为中心点进行图像的放大，使感兴趣区域目标能够得到科学比例的放大，完美完成时间融合任务。

3.2多特征融合检测网络

3.2.1网络架构

网络架构是多特征融合检测网络中十分重要的部分，计量测试所应当对此重视起来，首先，在多特征融合检测网络的架构构建中，应当先对整个网络权重的更新以及进一步修正重视起来，让多层前馈神经网络可以更好的辅助雷达与视觉特征融合，在车辆检测中发挥更大的作用价值。对此，工作人员可以先利用BP神经网络的功能结构，将神经元进行聚集，而后对其中存在的误差进行分析与提炼，并采取反向传播的方式将这些误差逐渐的划分到各个层次，使每一个层次的神经元都能够得到均匀划分，为神经元修正和更新提供可靠的支持。其次，R-V-DenseNet网络主要包含了三个构成部分，分别为隐藏层、输出层以及输入层。在进行网络架构时R-V-DenseNet网络是十分重要的构架过程部分，因此计量测试所应当对R-V-DenseNet网络的融合重视起来，采取堆叠的方式将各个层次相互结合，促进R-V-DenseNet网络参数的合理分布，同时让BP神经网络在反向误差传播上得到更大的助力。

3.2.2网络训练

网络训练与网络神经的构建在多特征融合检测网络建设中占据了同等重要的位置，对于雷达与视觉特征融合的车辆检测而言有着极大的帮助，因此计量测试所应当对多网络训练重视起来，在实现对网络神经的有效架构后及时的开启网络训练程序，落实各项要求。首先，计量测试所应当先从雷达摄像头入手，采集相关数据，并通过科学化的方式与计算机的依托进行预处理，逐步完善雷达与视觉特征融合特征数据集。其次，在融合数据集中计量测试所工作人员需要做好明确的标签分类，如：非车辆目标、机动车目标等，让网络训练工作的开展可以得到更好的依托，促进训练效率性的效果的提升。

结束语：

综上所述，采取将雷达与视觉特征融合的方法进行车辆检测，对于提高车辆检测结果的准确性和效率性有着较大的帮助，能够有效的缓解计量测试所在当今时代背景下的发展压力，让供给和需求之间达到有效的平衡，使雷达与视觉特征融合下的车辆检测可以得到更多的认可，创造出更多的良性影响力。

参考文献:

[1]  蒋新.车载毫米波雷达目标分类识别技术研究[D].2020.

[2]  宋伟杰.基于毫米波雷达与机器视觉融合的车辆检测技术研究[D]:2020.

[3]  康超.基于单目视觉的ADAS前方车辆目标识别研究[D].2020.