毫米波雷达深度学习技术-1.6目标识别1_基于毫米波雷达的目标识别

1.6 目标识别

        利用检测和跟踪在距离、多普勒和角度这两个维度中的任意一个进行精确的目标定位后，将检测到的目标分类到所需的类别中。与检测类似，提出了多种框架来同时使用图像和点云进行目标分类。使用图像进行目标分类的最常见方法是从检测到的目标特征中沿距离-角度和距离-多普勒维提取手工设计的特征[32-34]。最常见的特征是距离、多普勒、到达方向的平均值，以及从唯一目标簇中检测到的所有峰值的归一化反射功率。此外，在特征集中增加了距离、径向多普勒和目标尺寸在x、y维度上的方差和偏差，增加了目标特征的丰富度。对于固定的网格大小，可以在检测到的目标区域上使用加速鲁棒特征(SURF)或尺度不变特征变换(SIFT)等特征描述符来替代手工制作的特征。然后，这些特征集可以传递给线性或非线性分类器，如决策树、支持向量机(SVM)或K近邻(KNN)。这种方法对传感器测量非常特别，并且容易产生噪声，因此，通常很难在不同位置或不同增益模式下对传感器的不同测量进行归纳。替代的最先进的方法涉及深度学习算法。后续将介绍引人注目的深度学习架构。

1.6.1 前馈网络

        前馈神经网络或多层感知机(MLP)近似某个函数f，该函数f进行映射y = f(x; 本文内容由网友自发贡献，转载请注明出处：https://www.wpsshop.cn/w/知新_RL/article/detail/704502