技术特征：
1.一种基于毫米波雷达的汽车尾门脚踢式感应方法，其特征在于：具体包括以下步骤：(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；(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；(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；(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；(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；(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。2.根据权利要求1所述的一种基于毫米波雷达的汽车尾门脚踢式感应方法，其特征在于：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。3.根据权利要求1所述的一种基于毫米波雷达的汽车尾门脚踢式感应方法，其特征在于：步骤(s2)中的雷达数据处理模型的处理过程具体为：(a)数据信号输入；(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；(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；(d)处理后的信号数据特征输出。4.根据权利要求3所述的一种基于毫米波雷达的汽车尾门脚踢式感应方法，其特征在于：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。5.根据权利要求3所述的一种基于毫米波雷达的汽车尾门脚踢式感应方法，其特征在于：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。6.根据权利要求1所述的一种基于毫米波雷达的汽车尾门脚踢式感应方法，其特征在于：步骤(s3)中深度学习网络的训练学习过程如下：(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；(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。7.根据权利要求1所述的一种基于毫米波雷达的汽车尾门脚踢式感应方法，其特征在于：毫米波雷达具体为77ghz fmcw四发四收毫米波雷达。
技术总结
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，包括以下步骤：基于聚类算法建立雷达数据处理模型，建立深度学习网络；通过毫米波雷达采集一组标准脚踢信号的数据信息，输入到雷达数据处理模型内进行处理，获得雷达信号的数据特征；将获得的雷达信号数据特征输入到深度学习网络内进行训练学习；通过毫米波雷达采集汽车尾门下信号的数据信息。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；相较于其他基于毫米波雷达的脚踢式尾门感应方法，本方法通过聚类算法实现对噪声的筛除，保证处理结果准确度的情况下极大的优化了处理速度。优化了处理速度。优化了处理速度。
技术研发人员：李铮 王征 王方正 刘雪 刘波 魏志强 罗畅安
受保护的技术使用者：芜湖易来达雷达科技有限公司
技术研发日：2022.05.30
技术公布日：2022/9/9