一种车载毫米波雷达目标分类方法、装置、系统及存储介质

1.本发明涉及一种车载毫米波雷达目标分类方法、装置、系统及存储介质，属于雷达目标分类技术领域。


背景技术：

2.交通安全问题始终伴随着汽车产业的发展，高级驾驶辅助系统(advanced driver assistance system，adas)是降低交通事故率的重要手段，毫米波雷达具有全天时全天候的工作特点，是adas的核心传感器，目标分类技术是adas的重要技术组成部分。近年来，卷积神经网络(convolutional neural network，cnn)得到了广泛应用，其强大的图像特征提取能力为雷达目标分类提供了思路。
3.行人、自行车和汽车等不同目标具有不同的运动方式，具有不同的多普勒特征，将目标回波信号变换成雷达rd图像，使用神经网络对rd图像特征提取及分类可以实现雷达目标分类。例如，文献“single-frame vulnerable road users classification with a 77ghz fmcw radar sensor and a convolutional neural network”(2018 19th international radar symposium,2018,pp.1-10,doi:10.23919/irs.2018.8448126.)提出一种用于目标分类的雷达信号处理链，使用cnn替换了传统的雷达目标分类算法，实现了对目标的单帧rd图像进行分类，但在信号预处理方面存在不足，没有消除静止物体对目标多普勒或微多普勒特征产生的影响，当目标速度较慢时静止杂波会对目标造成干扰，甚至会湮没目标的微动多普勒特征，会导致分类准确率较低。文献“human detection based on time-varying signature on range-doppler diagram using deep neural networks”(ieee geoscience and remote sensing letters,vol.18,no.3,pp.426-430,march2021,doi:10.1109/lgrs.2020.2980320.)中使用alexnet+drnn的网络结构对多帧rd图像进行分类可取得较高的分类准确率，但存储模型参数文件需要占用较大的内存空间，运行模型时需要占用大量内存资源，不适用于车载移动设备。
4.因此，如何消除静止杂波对目标信号的干扰，并设计一个适用于雷达rd图像分类的轻量化网络，在保证分类准确率的同时降低网络复杂度是必须解决的关键问题。


技术实现要素：

5.本发明的目的在于提供一种车载毫米波雷达目标分类方法、装置、系统及存储介质，能够消除静止杂波对目标信号的干扰，在保证分类准确率的同时降低网络复杂度。
6.为达到上述目的，本发明提供如下技术方案：
7.第一方面，本发明提供一种车载毫米波雷达目标分类方法，包括：
8.对预获取的雷达目标回波信号进行向量均值相消，滤除静止杂波；
9.对滤除静止杂波的雷达目标回波信号进行速度维和距离维的快速傅里叶变换，获取雷达目标距离-多普勒图像；
10.将所述雷达目标距离-多普勒图像输入至预构建的轻量化目标分类模型进行特征
提取，并进行目标分类，获取目标分类结果；
11.其中，所述轻量化目标分类模型是根据预获取的ghost模块和mobilenetv3网络模型构建的。
12.结合第一方面，进一步的，对预获取的雷达目标回波信号进行向量均值相消，滤除静止杂波包括：
13.将预获取的雷达目标回波信号表示为矩阵；
14.对所述矩阵的各行值求平均值，获取包含所述矩阵的各行平均值的列向量；
15.将所述矩阵的每一列消去包含所述矩阵的各行平均值的列向量，完成对所述雷达目标回波信号的向量均值相消，滤除静止杂波。
16.结合第一方面，进一步的，根据预获取的ghost模块和mobilenetv3网络模型构建轻量化目标分类模型包括：
17.根据预获取的ghost模块，构建g-bottleneck模块；
18.对预获取的mobilenetv3网络模型进行删改，获取mobilenet11网络模型；
19.利用所述g-bottleneck模块替换所述mobilenet11网络模型中的bottleneck模块，并利用所述ghost模块替换所述mobilenet11网络模型中卷积核大小为1
×
1的conv2d卷积操作，获取轻量化目标分类模型。
20.结合第一方面，进一步的，根据预获取的ghost模块，构建g-bottleneck模块包括：
21.利用预获取的ghost模块对输入数据进行升维操作；
22.在所述ghost模块后连接深度可分离卷积，对经过所述升维操作的数据进行深度可分离卷积操作；
23.在所述深度可分离卷积后连接ghost模块，对经过所述深度可分离卷积操作的数据进行降维操作，获取输出数据；
24.由连接的ghost模块、深度可分离卷积、ghost模块构成g-bottleneck模块。
25.结合第一方面，进一步的，利用所述g-bottleneck模块替换所述mobilenet11网络模型中的bottleneck模块后，所述g-bottleneck模块的输入数据为其前一模块输出的图像特征，所述g-bottleneck模块的输出数据为进入其下一模块的图像特征。
26.结合第一方面，进一步的，所述深度可分离卷积的卷积核为3
×
3，所述深度可分离卷积操作的步长为1或2，若所述深度可分离卷积操作的步长为1，则所述g-bottleneck模块有残差连接，若所述深度可分离卷积操作的步长为2，则所述g-bottleneck模块无残差连接。
27.结合第一方面，进一步的，对预获取的mobilenetv3网络模型进行删改，获取mobilenet11网络模型包括：
28.对预获取的mobilenetv3网络模型进行删改，保留其conv2d卷积操作和池化操作以及conv2d卷积操作和池化操作之间的7个bottleneck模块，并将最后5个bottleneck模块的扩充倍数从6降为3，使用leakyrelu激活函数，获取mobilenet11网络模型。
29.第二方面，本发明提供一种车载毫米波雷达目标分类装置，包括：
30.数据预处理模块：用于对预获取的雷达目标回波信号进行向量均值相消，滤除静止杂波；
31.图像获取模块：用于对滤除静止杂波的雷达目标回波信号进行速度维和距离维的
快速傅里叶变换，获取雷达目标距离-多普勒图像；
32.目标分类模块：用于将所述雷达目标距离-多普勒图像输入至预构建的轻量化目标分类模型进行特征提取，并进行目标分类，获取目标分类结果；
33.其中，所述轻量化目标分类模型是根据预获取的ghost模块和mobilenetv3网络模型构建的。
34.第三方面，本发明提供一种系统，包括处理器及存储介质；
35.所述存储介质用于存储指令；
36.所述处理器用于根据所述指令进行操作以执行根据第一方面任一项所述方法的步骤。
37.第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面任一项所述方法的步骤。
38.与现有技术相比，本发明的有益效果是：
39.本发明提供的车载毫米波雷达目标分类方法，通过对雷达目标回波信号进行向量均值相消，消除了静止杂波信号对目标多普勒或微多普勒特征的影响。根据ghost模块和mobilenetv3网络模型构建的轻量化目标分类模型，参数量和浮点运算数量较现有模型少，节约了模型的存储空间和运行模型时所需的内存，在保证分类准确率的同时降低网络复杂度。
附图说明
40.图1是本发明实施例提供的车载毫米波雷达目标分类方法流程图；
41.图2是本发明实施例提供的线性调频连续波信号调制原理示意图；
42.图3是本发明实施例提供的向量均值相消算法原理示意图；
43.图4是本发明实施例提供的ghost模块的结构示意图；
44.图5是本发明实施例提供的g-bottleneck模块的结构示意图，其中，图5(a)为深度可分离卷积操作步长为1时的g-bottleneck模块的结构，图5(b)为深度可分离卷积操作的步长为2时的g-bottleneck模块的结构；
45.图6是本发明实施例提供的雷达目标距离-多普勒(rd)图像示意图，其中，图6(a)为未对目标回波信号进行向量均值相消的雷达目标距离-多普勒图像，图6(b)为对目标回波信号进行向量均值相消后的雷达目标距离-多普勒图像；
46.图7是本发明实施例提供的轻量化目标分类模型的测试准确率曲线示意图；
47.图8是本发明实施例提供的轻量化目标分类模型的损失曲线示意图；
48.图9是本发明实施例提供的对比网络dcnn的结构示意图。
具体实施方式
49.下面结合具体实施方式对本技术的技术方案作进一步详细地说明。
50.下面详细描述本技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能理解为对本技术的限制。在不冲突的情况下，本技术实施例以及实施例中的技术特征可以相互组合。
51.实施例一：
52.图1是本发明实施例一提供的一种车载毫米波雷达目标分类方法流程图，本流程图仅仅示出了本实施例方法的逻辑顺序，在互不冲突的前提下，在本发明其它可能的实施例中，可以以不同于图1所示的顺序完成所示出或描述的步骤。
53.本实施例提供的车载毫米波雷达目标分类方法可应用于终端，可以由车载毫米波雷达目标分类装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在终端中，例如：任一具备通信功能的平板电脑或计算机设备。
54.参见图1，本实施例的方法具体包括如下步骤：
55.步骤一：对预获取的雷达目标回波信号进行向量均值相消，滤除静止杂波；
56.本实施例中，首先根据如图2所示的线性调频连续波(fcmw)信号调制原理示意图，构建发射信号数学模型：
[0057][0058]
其中，x(t)表示信号波形，k∈[0,n-1]，n为在一个测量周期内调频连续波(frequency modulated continuous wave，fcmw)信号的个数；t为fcmw信号重复周期，包含发射周期和空闲周期。发射信号s
t
(t)是在慢时间域ts＝kt上周期重复的函数。表示发射信号的相位，表示为：
[0059][0060]
其中，f0、α和分别为fcmw信号的起始频率、调斜率和初始相位。
[0061]
定义快时间tf：
[0062]
tf＝t-ts＝t-kt
ꢀꢀ
(3)
[0063]
其中，发射信号s
t
(t)经过目标反射后被雷达接收机所接收，并进行混频和低通滤波处理，产生的基带信号可表示为：
[0064][0065]
其中，a表示信号经过传播和反射后的幅值变化，τ(t)指信号从发射天线被发射之后经过目标反射并被接收天线接收的双程时延，表达式为：
[0066][0067]
其中，r为目标与雷达之间的距离，v指目标的径向速度，c表示光速。联立式(4)和式(5)，可得接收信号sb(t)的相位：
[0068][0069]
由于c2＞＞2α(r+vt)2，所以式(6)的第三项可忽略不计。联立式(6)和式(3)可得：
[0070]
[0071]
由于所以式(7)的第三项可忽略不计，接收信号可表示为：
[0072][0073]
式(8)第一项指数因子中，表示恒定频率分量，为对应于距离的快时频率分量，是对应于相对径向速度的慢时频率分量，第二项指数因子对应于距离偏移和多普勒频移效应，在当前的汽车雷达系统中通常忽略距离偏移和多普勒频移效应。
[0074]
然后搭建实验平台采集数据，使用德州仪器(texas instruments，ti)公司生产的awr1843 boost雷达板和dca1000evm实时数据采集板完成目标回波数据的采集，通过60针高密度连接线将二者进行连接，通过usb数据线进行控制数据的传输，使用ti公司开发的mmwave studio平台配置毫米波雷达传感器，并且通过以太网将dca1000evm采集到的原始雷达数据传输到pc端。雷达主要配置参数如表1所示。
[0075]
表1雷达参数配置表
[0076][0077]
接着进行数据处理，对预获取的雷达目标回波信号进行向量均值相消，滤除静止杂波。
[0078]
对预获取的雷达目标回波信号进行向量均值相消，滤除静止杂波包括如下步骤：
[0079]
步骤
①
：将预获取的雷达目标回波信号表示为矩阵；
[0080]
步骤
②
：对矩阵的各行值求平均值，获取包含矩阵的各行平均值的列向量；
[0081]
步骤
③
：将矩阵的每一列消去包含矩阵的各行平均值的列向量，完成对雷达目标回波信号的向量均值相消，滤除静止杂波。
[0082]
将雷达接收信号ad采样数据表示为矩阵其中，m为快时间维度采样点数，即每个fmcw信号的采样点数，n表示慢时间维度采样点数，即每个观测周期内fmcw信号的个数，对所有fmcw信号求平均值：
[0083][0084]
其中，是对所有fmcw信号求平均得到得参考信号，均值相消的过程可表
示为：
[0085]
p＝r-q(10)
[0086]
其中，其中，为向量均值相消后得到的信号。
[0087]
图3为本实施例提供的向量均值相消算法原理示意图，如图3所示，为当n＝3时目标回波向量求和示意图，m1、m2、m3为运动目标的向量，由于目标运动会导致回波信号中每个调频信号间的相位不同，其相量求和累加后会出现抵消，n1、n2、n3为静止目标的向量，静止目标回波中每个调频信号间的相位相同，相量求和后累加得到的均值会很大。因此，参考信号q中运动目标回波信号分量较小，静止目标回波信号分量较大且与每个接收信号中静止分量相同，使接收信号r中的每一个fmcw信号都消去参考信号可消除静止目标回波信号分量，同时保留了运动目标回波信号分量。
[0088]
步骤二：对滤除静止杂波的雷达目标回波信号进行速度维和距离维的快速傅里叶变换，获取雷达目标距离-多普勒图像；
[0089]
在分别进行距离维度和速度维度的快速傅里叶变换(fft)之后所得的雷达目标距离-多普勒图像(rd图像)如图6所示，其中，图6(a)为未对目标回波信号进行向量均值相消的雷达目标距离-多普勒图像，由图6(a)可知，在未对雷达回波信号进行向量均值相消处理时，当目标速度较小或者目标速度扩展较大时，静止目标的回波信号会对目标的多普勒特征产生干扰。图6(b)为对目标回波信号进行向量均值相消后的雷达目标距离-多普勒图像，对比图6(a)和图6(b)可知，本实施例采用的目标回波信号处理流程能够很好的抑制静止杂波对目标多普勒特征的干扰，同时保留了用于车载雷达目标分类的多普勒特征和微多普勒特征。
[0090]
步骤三：将雷达目标距离-多普勒图像输入至预构建的轻量化目标分类模型进行特征提取，并进行目标分类，获取目标分类结果。
[0091]
本实施例中，轻量化目标分类模型是根据预获取的ghost模块和mobilenetv3网络模型构建的。
[0092]
根据预获取的ghost模块和mobilenetv3网络模型构建轻量化目标分类模型包括如下步骤：
[0093]
步骤ⅰ：根据预获取的ghost模块，构建g-bottleneck模块；
[0094]
ghost模块的结构如图4所示，图4中，φ
11
、φ
21
、
…
、φ
m1
表示深度可分离卷积操作，φ
i2
为保留固有特征图本身特征的身份映射。首先使用普通卷积生成输入图像m张固有特征图，再对每张固有特征图进行深度可分离卷积操作生成幻象特征图，最后与保留固有特征图本身特征的身份映射拼接得到输出特征图。
[0095]
本实施例构建的g-bottleneck模块的结构如图5所示，输入图像特征首先经过ghost模块进行升维操作，产生多个通道，然后再对升维之后的数据进行深度可分离卷积操作，深度可分离卷积的卷积核大小通常为3
×
3，最后再使用ghost模块对数据进行降维操作得到g-bottleneck模块的输出特征。如图5(a)所示，若深度可分离卷积操作的步长为1，则g-bottleneck模块带有残差连接；如图5(b)所示，若深度可分离卷积操作的步长为2，则g-bottleneck模块没有残差连接。
[0096]
根据预获取的ghost模块，构建g-bottleneck模块包括如下步骤：
[0097]
步骤
ⅰ
：利用预获取的ghost模块对输入数据进行升维操作；
[0098]
步骤
ⅱ
：在ghost模块后连接深度可分离卷积，对经过升维操作的数据进行深度可分离卷积操作；
[0099]
步骤
ⅲ
：在深度可分离卷积后连接ghost模块，对经过深度可分离卷积操作的数据进行降维操作，获取输出数据；
[0100]
步骤
ⅳ
：由连接的ghost模块、深度可分离卷积、ghost模块构成g-bottleneck模块。
[0101]
本实施例中，利用g-bottleneck模块替换mobilenet11网络模型中的bottleneck模块后，g-bottleneck模块的输入数据为其前一模块输出的图像特征，g-bottleneck模块的输出数据为进入其下一模块的图像特征。
[0102]
本实施例中，深度可分离卷积的卷积核为3
×
3，深度可分离卷积操作的步长为1或2，若深度可分离卷积操作的步长为1，则g-bottleneck模块有残差连接，若深度可分离卷积操作的步长为2，则g-bottleneck模块无残差连接。
[0103]
步骤ⅱ：对预获取的mobilenetv3网络模型进行删改，获取mobilenet11网络模型；
[0104]
对预获取的mobilenetv3网络模型进行删改，获取mobilenet11网络模型包括：对预获取的mobilenetv3网络模型进行删改，保留其conv2d卷积操作和池化操作以及conv2d卷积操作和池化操作之间的7个bottleneck模块，并将最后5个bottleneck模块的扩充倍数从6降为3，使用leakyrelu激活函数，获取mobilenet11网络模型。mobilenet11网络模型的结构如表2所示。
[0105]
表2mobilenet11网络模型的结构
[0106][0107]
步骤ⅲ：利用g-bottleneck模块替换mobilenet11网络模型中的bottleneck模块，并利用ghost模块替换mobilenet11网络模型中卷积核大小为1
×
1的conv2d卷积操作，获取轻量化目标分类模型。轻量化目标分类模型的结构如表3所示。
[0108]
表3轻量化目标分类模型的结构
[0109]
[0110][0111]
为验证本实施例构建的轻量化目标分类模型的性能，选取dcnn网络和mobilenet11网络作为对比网络，如图9所示，为对比网络dcnn的结构示意图。实验硬件平台为cpu：intel i5-12400f；内存：16gb；gpu：nvidia geforce gtx1660spuer 6gb。分别从分类准确率、空间复杂度、计算复杂度和网络对雷达目标距离-多普勒图像(rd图像)的推理时间四个方面进行了实验对比，对比结果如表4所示。由于dcnn网络深度比mobilenet11和轻量化目标分类模型深度更小，计算机运行dcnn时cpu访问内存的次数减少，耗时减少，所以dcnn的推理时间比mobilenet11和轻量化目标分类模型的推理时间短。但dcnn的空间复杂度较大，即参数量较多，需要较大的存储空间；计算复杂度较高，即浮点运算数量较多，网络运行时需要占用大量的内存，并且分类准确率较低。如图7所示，为本实施例提供的轻量化目标分类模型的测试准确率曲线示意图，如图8所示，为本实施例提供的轻量化目标分类模型的损失曲线示意图。
[0112]
表4网络模型对比表
[0113][0114][0115]
由表4可知，本实施例提供的轻量化目标分类模型分类准确率高于对比网络dcnn和mobilenet11，并且其空间复杂度较dcnn和mobilenet11分别减少了95.51％和41.59％，可节约大量存储模型所需的内存空间；其计算复杂度分别比dcnn和mobilenet11减少了72.33％和42.3％，减少了网络运行时占用的运行内存。
[0116]
本实施例提供的车载毫米波雷达目标分类方法，通过对雷达目标回波信号进行向量均值相消，消除了静止杂波信号对目标多普勒或微多普勒特征的影响。根据ghost模块和mobilenetv3网络模型构建的轻量化目标分类模型，参数量和浮点运算数量较现有模型少，节约了模型的存储空间和运行模型时所需的内存，在保证分类准确率的同时降低网络复杂
度。
[0117]
实施例二：
[0118]
本实施例提供一种车载毫米波雷达目标分类装置，包括：
[0119]
数据预处理模块：用于对预获取的雷达目标回波信号进行向量均值相消，滤除静止杂波；
[0120]
图像获取模块：用于对滤除静止杂波的雷达目标回波信号进行速度维和距离维的快速傅里叶变换，获取雷达目标距离-多普勒图像；
[0121]
目标分类模块：用于将雷达目标距离-多普勒图像输入至预构建的轻量化目标分类模型进行特征提取，并进行目标分类，获取目标分类结果；
[0122]
其中，轻量化目标分类模型是根据预获取的ghost模块和mobilenetv3网络模型构建的。
[0123]
本发明实施例所提供的车载毫米波雷达目标分类装置可执行本发明任意实施例所提供的车载毫米波雷达目标分类方法，具备执行方法相应的功能模块和有益效果。
[0124]
实施例三：
[0125]
本实施例提供一种系统，包括处理器及存储介质；
[0126]
存储介质用于存储指令；
[0127]
处理器用于根据指令进行操作以执行实施例一中方法的步骤。
[0128]
实施例四：
[0129]
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一中方法的步骤。
[0130]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0131]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0132]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0133]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0134]
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

技术特征：
1.一种车载毫米波雷达目标分类方法，其特征在于，包括：对预获取的雷达目标回波信号进行向量均值相消，滤除静止杂波；对滤除静止杂波的雷达目标回波信号进行速度维和距离维的快速傅里叶变换，获取雷达目标距离-多普勒图像；将所述雷达目标距离-多普勒图像输入至预构建的轻量化目标分类模型进行特征提取，并进行目标分类，获取目标分类结果；其中，所述轻量化目标分类模型是根据预获取的ghost模块和mobilenetv3网络模型构建的。2.根据权利要求1所述的车载毫米波雷达目标分类方法，其特征在于，对预获取的雷达目标回波信号进行向量均值相消，滤除静止杂波包括：将预获取的雷达目标回波信号表示为矩阵；对所述矩阵的各行值求平均值，获取包含所述矩阵的各行平均值的列向量；将所述矩阵的每一列消去包含所述矩阵的各行平均值的列向量，完成对所述雷达目标回波信号的向量均值相消，滤除静止杂波。3.根据权利要求1所述的车载毫米波雷达目标分类方法，其特征在于，根据预获取的ghost模块和mobilenetv3网络模型构建轻量化目标分类模型包括：根据预获取的ghost模块，构建g-bottleneck模块；对预获取的mobilenetv3网络模型进行删改，获取mobilenet11网络模型；利用所述g-bottleneck模块替换所述mobilenet11网络模型中的bottleneck模块，并利用所述ghost模块替换所述mobilenet11网络模型中卷积核大小为1
×
1的conv2d卷积操作，获取轻量化目标分类模型。4.根据权利要求3所述的车载毫米波雷达目标分类方法，其特征在于，根据预获取的ghost模块，构建g-bottleneck模块包括：利用预获取的ghost模块对输入数据进行升维操作；在所述ghost模块后连接深度可分离卷积，对经过所述升维操作的数据进行深度可分离卷积操作；在所述深度可分离卷积后连接ghost模块，对经过所述深度可分离卷积操作的数据进行降维操作，获取输出数据；由连接的ghost模块、深度可分离卷积、ghost模块构成g-bottleneck模块。5.根据权利要求4所述的车载毫米波雷达目标分类方法，其特征在于，利用所述g-bottleneck模块替换所述mobilenet11网络模型中的bottleneck模块后，所述g-bottleneck模块的输入数据为其前一模块输出的图像特征，所述g-bottleneck模块的输出数据为进入其下一模块的图像特征。6.根据权利要求4所述的车载毫米波雷达目标分类方法，其特征在于，所述深度可分离卷积的卷积核为3
×
3，所述深度可分离卷积操作的步长为1或2，若所述深度可分离卷积操作的步长为1，则所述g-bottleneck模块有残差连接，若所述深度可分离卷积操作的步长为2，则所述g-bottleneck模块无残差连接。7.根据权利要求3所述的车载毫米波雷达目标分类方法，其特征在于，对预获取的mobilenetv3网络模型进行删改，获取mobilenet11网络模型包括：
对预获取的mobilenetv3网络模型进行删改，保留其conv2d卷积操作和池化操作以及conv2d卷积操作和池化操作之间的7个bottleneck模块，并将最后5个bottleneck模块的扩充倍数从6降为3，使用leakyrelu激活函数，获取mobilenet11网络模型。8.一种车载毫米波雷达目标分类装置，其特征在于，包括：数据预处理模块：用于对预获取的雷达目标回波信号进行向量均值相消，滤除静止杂波；图像获取模块：用于对滤除静止杂波的雷达目标回波信号进行速度维和距离维的快速傅里叶变换，获取雷达目标距离-多普勒图像；目标分类模块：用于将所述雷达目标距离-多普勒图像输入至预构建的轻量化目标分类模型进行特征提取，并进行目标分类，获取目标分类结果；其中，所述轻量化目标分类模型是根据预获取的ghost模块和mobilenetv3网络模型构建的。9.一种系统，其特征在于，包括处理器及存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。

技术总结
本发明公开了一种车载毫米波雷达目标分类方法、装置、系统及存储介质，属于雷达目标分类技术领域，方法包括：对预获取的雷达目标回波信号进行向量均值相消，滤除静止杂波；对滤除静止杂波的雷达目标回波信号进行速度维和距离维的快速傅里叶变换，获取雷达目标距离-多普勒图像；将所述雷达目标距离-多普勒图像输入至预构建的轻量化目标分类模型进行特征提取，并进行目标分类，获取目标分类结果；其中，所述轻量化目标分类模型是根据预获取的Ghost模块和MobileNetV3网络模型构建的。该方法能够消除静止杂波对目标信号的干扰，在保证分类准确率的同时降低网络复杂度。分类准确率的同时降低网络复杂度。分类准确率的同时降低网络复杂度。


技术研发人员：李家强 任梦豪 危雨萱 杨志豪 曹红
受保护的技术使用者：南京信息工程大学
技术研发日：2023.06.30
技术公布日：2023/8/24