一种基于毫米波雷达的汽车尾门脚踢式感应方法与流程

1.本发明涉及雷达电子技术领域，具体为一种基于毫米波雷达的汽车尾门脚踢式感应方法。


背景技术：

2.随着科学技术的发展,汽车电子技术经过多轮的技术革新已愈发成熟,并逐步引领汽车向智能,舒适便捷,环保健康等方向发展。汽车尾门作为汽车的重要组件，其传统的启闭方式比如钥匙按钮开启、车内按钮开启、尾门外侧按钮开启等按压式的开关方式虽然可以安全有效的对尾门进行操作，但是在某些特定的场景下回遇到无法方便快捷实现的问题，比如当用户双手拿满东西而腾不出手，或者用户因身高等问题触摸不到尾门开关时。
3.为了解决现有技术存在的不足，人们进行了长期的探索，提出了利用脚踢传感器控制尾门启闭的方法。目前汽车尾门脚踢式感应装置的传感方式有很多种，如超声波式传感器、红外式传感器、电容式传感器以及毫米波雷达传感器。电容式尾门传感器，由于其实现简单，成本低等特点，被广泛使用。但电容传感器存在抗干扰能力差，误触率高等一些不足。
4.为了提高抗干扰能力，减少误触率，有人提出了以毫米波雷达作为传感器的方案，申请号202020612155.1“一种基于毫米波雷达的汽车电动尾门系统”，该系统包括：系统待机过程中关闭毫米波雷达收发模块，降低待机功耗。当多功能车钥匙及模块在有效感应范围内时，无钥匙感应收发模块产生车钥匙感应信号，发送给电子控制总成模块。电子控制总成模块判断有效后，启动毫米波雷达收发模块发射毫米波信号并接收一脚踢动作产生的毫米波回波信号。毫米波回波信号符合一脚踢动作的判别特征时，产生雷达感应预设信号，发送给电子控制总成模块。电子控制总成模块发出信号给尾门控制报警模块产生尾门控制报警信号，提示注意开门动作。电子控制总成模块延迟delta秒后发出信号给电动尾门控制模块开启车门。虽然上述方案在一定程度上解决了电容传感器抗干扰能力差，误触率高以及待机功耗较大等问题，但是该方案依然存在着诸多不足，例如，稳定性差，智能程度低，处理时间与处理精度无法保证等。


技术实现要素：

5.针对上述技术问题，本发明提出了一种基于毫米波雷达的汽车尾门脚踢式感应方法。该方法利用聚类算法对信号进行处理，并结合深度学习算法，实现脚踢识别，以解决现有稳定性差，智能程度低，处理时间与处理精度无法保证等问题。
6.本发明所要解决的技术问题采用以下技术方案来实现：
7.一种基于毫米波雷达的汽车尾门脚踢式感应方法，具体包括以下步骤：
8.(s1)基于聚类算法建立雷达数据处理模型，建立深度学习网络；
9.(s2)通过毫米波雷达采集一组标准脚踢信号的数据信息，输入到步骤(s1)中的雷达数据处理模型内进行处理，获得雷达信号的数据特征；
10.(s3)将步骤(s2)中获得的雷达信号数据特征输入到步骤(s1)中的深度学习网络内进行训练学习；
11.(s4)通过毫米波雷达采集汽车尾门下信号的数据信息，输入到步骤(s1)中的雷达数据处理模型内进行处理，获得雷达信号的数据特征；
12.(s5)将步骤(s4)中获得的雷达信号数据特征输入到步骤(s3)中训练好的深度学习网络内进行处理并分类识别；
13.(s6)经过分类识别后判断汽车尾门下信号是否为脚踢信号，并根据判断结果控制汽车尾门是否开关。
14.优选地，步骤(s2)和步骤(s4)中采集的数据信息均包括目标的水平角数据、俯仰角数据、距离数据和速度数据。
15.优选地，步骤(s2)中的雷达数据处理模型的处理过程具体为：
16.(a)数据信号输入；
17.(b)对输入的信号数据进行聚类，并保留聚类结果中每一帧数据图中包含点数最多的一类；
18.(c)对保留的点进行空间分割，计算每部分的质心并连线，构成动目标运动轨迹简图；
19.(d)处理后的信号数据特征输出。
20.优选地，步骤(b)中的聚类算法为基于传统二维聚类算法的三维衍生聚类算法，扫描半径从二维距离扩展到空间三维距离。
21.优选地，步骤(d)中输出的信号数据特征包括基于时间序列的各帧中全部质心的相对空间位置数据、信号强度数据和速度数据。
22.优选地，步骤(s3)中深度学习网络的训练学习过程如下：
23.(a)采集含有标准踢腿动作在内的动作组，并处理后获得数据集；
24.(b)将数据集基于时间序列的cnn卷积神经网络深度学习算法进行学习。
25.优选地，毫米波雷达具体为77ghz fmcw四发四收毫米波雷达。
26.本发明的有益效果是：
27.1)相较于基于电容传感器的脚踢式尾门感应方法，本方法具有误触率低，抗干扰能力强，安装方便，便于控制雷达开关降低功耗等优点；
28.2)相较于其他基于毫米波雷达的脚踢式尾门感应方法，本方法采用了将聚类算法与深度学习结合的方法，通过聚类算法实现对噪声的筛除，通过对保留的点进行空间分割的方法简化特征输出的数量，保证处理结果准确度的情况下极大的优化了处理速度。最后通过深度学习网络提高识别率，实现了更高的稳定性，更好的识别精度，更快的识别速度。
附图说明
29.下面结合附图和实施例对本发明进一步说明：
30.图1为本发明的流程示意图。
具体实施方式
31.为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结
合附图以及实施例对本发明进一步阐述。
32.如图1所示，一种基于毫米波雷达的汽车尾门脚踢式感应方法，具体包括以下步骤：
33.(s1)基于聚类算法建立雷达数据处理模型，建立深度学习网络。
34.(s2)通过毫米波雷达采集一组标准脚踢信号的数据信息，输入到步骤(s1)中的雷达数据处理模型内进行处理，获得雷达信号的数据特征。
35.步骤(s2)中采集的数据信息包括有目标的水平角数据、俯仰角数据、距离数据和速度数据，所使用的毫米波雷达为77ghz fmcw四发四收毫米波雷达。
36.雷达数据处理模型的处理过程具体为：
37.(a)数据信号输入，包括目标的水平角数据、俯仰角数据、距离数据和速度数据。
38.(b)对输入的信号数据进行聚类，并保留聚类结果中每一帧数据图中包含点数最多的一类。
39.本发明中的聚类算法为基于传统二维聚类算法的三维衍生聚类算法，其核心原理相同，仅扫描半径从二维距离扩展到空间三维距离。该聚类算法的目的是通过聚类的方式找到信号最密集的簇，以此来滤除信号的噪声干扰，其原理是通过给定一个扫描半径和最小包含点数。从任选一个未被访问的点开始，找出与其距离在扫描半径之内的所有附近点。如果附近点的数量大于最小包含点数，则当前点与其附件点形成一个簇，并且出发点被标记为已访问。然后递归，以相同的方法处理该簇内所有未被标记为已访问的点，从而对簇进行扩展。如果附近点的数量小于最小包含点数，则该点暂时被标记为噪声点。如果簇充分的被扩展，即簇内的所有点被标记为已访问，然后用同样的算法去处理未被访问的点。
40.(c)对保留的点进行空间分割，计算每部分的质心并连线，构成动目标运动轨迹简图，将无数个目标点精炼为一个个质心组成，在保证处理结果不失真的前提下，减少了输出的特征数量，降低了深度学习网络学习成本，提高了系统运行速度。
41.(d)处理后的信号数据特征输出，包括基于时间序列的各帧中全部质心的相对空间位置数据、信号强度数据和速度数据。
42.(s3)将步骤(s2)中获得的雷达信号数据特征输入到步骤(s1)中的深度学习网络内进行训练学习。
43.步骤(s3)中的深度学习网络由包含有标准踢腿动作在内的动作组经过步骤(s2)采集，并由步骤(s2)处理之后获得数据集，再由基于时间序列的cnn卷积神经网络深度学习算法学习构成。
44.(s4)通过毫米波雷达采集汽车尾门下信号的数据信息，输入到步骤(s1)中的雷达数据处理模型内进行处理，获得雷达信号的数据特征。
45.步骤(s4)中采集的数据信息包括目标的水平角数据、俯仰角数据、距离数据和速度数据，所采用的毫米波雷达为77ghz fmcw四发四收毫米波雷达。
46.(s5)将步骤(s4)中获得的雷达信号数据特征输入到步骤(s3)中训练好的深度学习网络内进行处理并分类识别。
47.(s6)经过分类识别后判断汽车尾门下信号是否为脚踢信号，并根据判断结果控制汽车尾门是否开关。
48.以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术
人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。