本发明涉及雷达信号处理和目标识别，具体的说，涉及了一种基于稀疏阵列毫米波雷达的目标识别系统和方法。
背景技术：
1、随着社会科技的日益发展，人们对生活质量的需求日益提高，雷达于日常生活中的应用越来越广泛，毫米波雷达以其成本低、体积小、穿透力强和测量范围远的特点在自动驾驶和居家健康监测领域都得到了广泛的应用。在自动驾驶领域中毫米波雷达因为其不受光线条件和恶劣条件的影响的特性被普遍用来监测车辆周围环境的信息，对车周围进行目标识别以达到避障的作用。在工业领域中，毫米波雷达由于其相比于视觉传感器能在一些隐私场合中进行监测并能保证使用者的隐私，因此在居家健康监测领域也得到了广泛的使用。
2、当前主流的目标识别方式是使用视觉传感器进行监测，但因为视觉传感器易于受到光线条件的影响，很难进行全天候的监测，并且在一些隐私场合中，可能会侵犯用户的隐私，因此使用毫米波雷达的目标识别方法具有广泛的应用场景。
3、毫米波雷达由于其低成本的特点其发射和接收天线普遍是稀疏阵列条件，通常需要使用tdm技术使不同发射天线交替发射波形来虚拟创建更多的接收通道提高系统的角度分辨率，另外由于毫米波雷达生成的点云数据存在远疏近密密度不一的特点，一些目标和噪声无法进行区分导致很难在单帧数据的情况下对毫米波雷达点云进行处理。
4、因此，如何在稀疏阵列毫米波雷达下实现目标识别，是目前需要解决的一个难题，为了解决这个问题，人们一直在寻求一种可行的技术解决方案。
5、为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。
技术实现思路
1、本发明的目的是针对现有技术的不足，从而提供一种能够解决稀疏阵列毫米波雷达目标识别能力差问题的基于稀疏阵列毫米波雷达的目标识别系统和方法。
2、为了实现上述目的，本发明所采用的技术方案是：一种基于稀疏阵列毫米波雷达的目标识别系统，包括毫米波雷达模块、数据预处理模块、点云数据处理模块和目标识别网络；
3、所述毫米波雷达模块用于发射和接收毫米波信号，并将接收的毫米波信号发送至数据预处理模块；
4、所述数据预处理模块用于将毫米波信号转换为3d毫米波雷达点云数据；
5、所述点云数据处理模块依次通过：
6、点云数据预处理单元：为每一帧的数据赋予帧号属性，每当达到设定的多帧融合的帧数阈值时进行重置，将每个编号为1的帧设定为主帧，计算每个主帧所在点云数据组点云数量的方差，若方差值大于设定的阈值则将主帧舍弃，将该主帧所在数据组编号为2的帧设定为1并设定为主帧，依此规则设置所有帧，若剩余小于设定帧数阈值的帧则将其舍弃；计算主帧的点云数量，将数据组中的其它帧的点云数量进行随机去除或随机复制的方式处理，使其与主帧的点云数量保持一致；
7、多帧融合单元：将数据组主帧所在的笛卡尔坐标系设定为主坐标系，同组中其他帧的数据使用icp算法进行点云配准操作，将每个组中的所有帧的点云配准至主帧所在的坐标系中以获得一个多帧融合后具有目标更详细特征的点云数据集；
8、点云聚类单元：采用优化的基于密度的dbscan聚类算法对得到的点云数据集进行处理，确定目标点的簇和噪声点；
9、所述目标识别网络采用pointnet++网络，输入的数据为每个融合数据帧聚类后同一簇的点云数据，输出为一个n*1的向量，输出的向量经softmax操作后将其转换为概率值，根据所得的概率值选择最高的类别作为该簇所预测的结果。
10、基上所述，所述点云数据预处理单元中，进行处理后计算主帧的点云数量时，将数据组中的其他帧的点云数量进行处理，使其与主帧的点云数量保持一致，具体方法为:如果点云数量大于主帧点云数量则对点云数量进行随机去除，直至点的数量与主帧数量保持一致；如果数量小于主帧点云数量则对当前帧的点云进行随机复制，并加上设定的坐标补偿值，直至数量相等。
11、基上所述，所述多帧融合单元中，所述多帧融合算法为将数据组主帧所在的笛卡尔坐标系设定为主坐标系，同组中其他帧的数据使用icp算法进行点云配准操作，具体的，首先需要通过最小二乘法不断迭代计算最优的坐标变换即求最优的旋转矩阵r和平移矢量t，具体可表示为：
12、
13、其中n为点云个数，pi为需要点云配准的点，qi为主帧点云中的点，wi代表每个点的权重值；其中若||rpi+t-qi||>ω(ω为预先设定的阈值)则该点对(pi,qi)被舍弃；
14、上式对t求偏导后可以得到平移矢量的表达式：
15、
16、其中和为加权后的质心，将t代入后可推导得到旋转矩阵r的表达式：
17、
18、根据所求得的旋转矩阵和平移矢量将每个组中的所有帧的点云配准至主帧所在的坐标系中以获得一个多帧融合后具有目标更详细特征的点云数据集。
19、基上所述，采用的优化的dbscan算法的minpts根据距离毫米波雷达点云数据远疏近密的特点进行自适应变换具体可表示为：
20、
21、其中ρ1,ρ2,ρ3为设定的阈值系数，且ρ3<ρ2<ρ1，k为帧数据组的帧数值，r1,r2,r3为设定的距离阈值，其大小关系为r1<r2<r3，rd为选定的点距雷达的距离值具体可表示为：
22、
23、其中x,y,z分别为点在坐标系下的x轴坐标、y轴坐标和z轴坐标；
24、算法所采用的聚类半径ε自适应函数为：
25、
26、其中，v为选定点所在点的速度值，为核心点所在点云数据组平移矢量的模的均值，ω为计算所得的参数值；
27、两点间距离定义所使用的是欧几里得距离，具体表达式为：
28、
29、基上所述，使用的pointnet++网络包括3层setabstraction层和decoder操作；
30、所述setabstraction用于对点集进行处理，产生一个规模更小的点集，进行encoder操作；首先通过最远点采样方法使得采样的各个点的距离尽可能的远，对点集进行均匀的降采样，其次将上一步选取的采样点设定为中心点，设定一个半径值rk和一个点规模参数k，如果采样得到的点半径rk内大于k则取距离最近的k个点，如果小于k则对点进行重采样对点规模进行补充，直至每个点设定半径内点的数量均为k；decoder则是将经过三层setabstraction降采样处理后得到的global feature送入几层全连接层处理，最后将通过全连接层处理的结果通过softmax进行分类，得到目标识别的概率值，选取最大的概率值为该簇预测的结果。
31、基上所述，所述数据预处理模块用于将接收到的原始信号进行处理，经过2dfft后得到原始数据的距离-多普勒矩阵，对其进行多普勒相位补偿和使用去噪处理算法后在角度维使用角度估计算法在水平角和俯仰角方向进行角度估计，最终得到3d毫米波雷达点云数据。
32、一种基于稀疏阵列毫米波雷达的目标识别方法，包括所述的基于稀疏阵列毫米波雷达的目标识别系统，通过以下步骤执行：
33、首先，毫米波雷达模块发射的信号经目标反射后由接收天线接收，并将接收的信号发送至混频器与发射信号进行混频，混频后经过低通滤波器得到中频信号，中频信号经模数转换器采集后得到雷达的原始数据；
34、第二，将原始数据发送至数据预处理模块，数据预处理模块对数据进行处理后得到单帧的毫米波雷达点云数据；
35、第三，对点云数据进行多普勒相位补偿和去噪处理后，经点云数据预处理模块得到一个多帧融合后的点云数据集；
36、第四，将将多帧融合后的点云数据使用优化的dbscan聚类算法进行聚类，得到聚类后的点云数据集；
37、最后将聚类后的点云数据集输入至设定的神经网络中，经目标识别网络处理后得到最终的目标识别结果。
38、本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，本发明具有以下优点：
39、1.通过对雷达采集的点云数据进行预处理和使用设定算法实现了点云数据的多帧融合，大大提高了毫米波雷达点云数据的密度，降低了噪声对数据的影响，并能够获取目标更详细的点云信息。
40、2.优化的dbscan算法相对于普通的dbscan算法更能适应毫米波雷达点云数据远疏近密的特点，降低了距离雷达近的目标被识别为多个目标以及距离雷达远的目标被识别为噪声的概率，提高了点云数据聚类的精度。
41、3.将聚类后的数据送入优化的pointnet++网络，使得pointnet++网络只需进行分类任务而不用进行分割任务，大大减少了网络的复杂度，提高了网络的运行效率。
42、总的来说，本发明通过对毫米波雷达点云数据进行多帧融合处理，提高了毫米波雷达点云数据的密度，并能够包括目标更详细的信息，提高了后续聚类和目标识别的准确性，采用的dbscan算法能更好的适应毫米波点云远疏近密的特点，提高了聚类的精度，并通过设定的神经网络进行处理提高了目标识别的准确度。
1.一种基于稀疏阵列毫米波雷达的目标识别系统，其特征在于：包括毫米波雷达模块、数据预处理模块、点云数据处理模块和目标识别网络；
2.根据权利要求1所述的基于稀疏阵列毫米波雷达的目标识别系统，其特征在于：所述点云数据预处理单元中，进行处理后计算主帧的点云数量时，将数据组中的其他帧的点云数量进行处理，使其与主帧的点云数量保持一致，具体方法为:如果点云数量大于主帧点云数量则对点云数量进行随机去除，直至点的数量与主帧数量保持一致；如果数量小于主帧点云数量则对当前帧的点云进行随机复制，并加上设定的坐标补偿值，直至数量相等。
3.根据权利要求1或2所述的基于稀疏阵列毫米波雷达的目标识别系统，其特征在于：所述多帧融合单元中，所述多帧融合算法为将数据组主帧所在的笛卡尔坐标系设定为主坐标系，同组中其他帧的数据使用icp算法进行点云配准操作，具体的，首先需要通过最小二乘法不断迭代计算最优的坐标变换即求最优的旋转矩阵r和平移矢量t，具体可表示为：
4.根据权利要求3所述的基于稀疏阵列毫米波雷达的目标识别系统，其特征在于：采用的优化的dbscan算法的minpts根据距离毫米波雷达点云数据远疏近密的特点进行自适应变换具体可表示为：
5.根据权利要求4所述的基于稀疏阵列毫米波雷达的目标识别系统，其特征在于：优化后的pointnet++网络包括3层setabstraction和decoder。
6.根据权利要求1所述的基于稀疏阵列毫米波雷达的目标识别系统，其特征在于：所述数据预处理模块用于将接收到的原始信号进行处理，经过2dfft后得到原始数据的距离-多普勒矩阵，对其进行多普勒相位补偿和使用去噪处理算法后在角度维使用角度估计算法在水平角和俯仰角方向进行角度估计，最终得到3d毫米波雷达点云数据。
7.一种基于稀疏阵列毫米波雷达的目标识别方法，其特征在于：包括权利要求1-6任一项所述的基于稀疏阵列毫米波雷达的目标识别系统，通过以下步骤执行：
