基于直方圖分析和自適應(yīng)遺傳的雷達(dá)道路目標(biāo)識(shí)別特征優(yōu)選方法

瓦其日體 李 剛 趙志純 則正華

①(清華大學(xué)電子工程系 北京 100084)

②(深圳北理莫斯科大學(xué) 深圳 518172)

③(廣東省智能感知與計(jì)算普通高校重點(diǎn)實(shí)驗(yàn)室 深圳 518172)

1 引言

近年來(lái)，毫米波雷達(dá)因其能夠穿透雨、霧、煙、灰塵，不受光照條件影響而全天時(shí)、全天候工作[1]，同時(shí)還具有體積小、重量輕、空間分辨能力高[2]等優(yōu)點(diǎn)而受到道路運(yùn)動(dòng)目標(biāo)識(shí)別領(lǐng)域的廣泛關(guān)注。道路目標(biāo)的運(yùn)動(dòng)特性使同一目標(biāo)的不同散射點(diǎn)的距離和速度信息更容易被毫米波雷達(dá)觀測(cè)到，因此距離多普勒(Range-Doppler,RD)譜被廣泛應(yīng)用于雷達(dá)道路目標(biāo)識(shí)別領(lǐng)域[3]。在得到目標(biāo)的RD譜之后，提取和目標(biāo)相關(guān)的微動(dòng)和微距特征對(duì)目標(biāo)進(jìn)行有效識(shí)別。雷達(dá)目標(biāo)識(shí)別領(lǐng)域特征提取時(shí)可依據(jù)自動(dòng)和手動(dòng)分為兩類，自動(dòng)特征提取一般是將RD譜、合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)圖像等直接輸入到神經(jīng)網(wǎng)絡(luò)中從而獲得大量的特征，比如文獻(xiàn)[3]提出了一種融合卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的方法對(duì)RD譜進(jìn)行特征提取從而完成對(duì)人體跌倒的檢測(cè)。文獻(xiàn)[4,5]利用深度學(xué)習(xí)方法對(duì)海上艦船的SAR圖像進(jìn)行檢測(cè)識(shí)別，實(shí)驗(yàn)表明RetinaNet及其改進(jìn)的網(wǎng)絡(luò)是近年來(lái)雷達(dá)目標(biāo)識(shí)別領(lǐng)域深度學(xué)習(xí)方法中性能較好的網(wǎng)絡(luò)之一。文獻(xiàn)[6]則將RD譜和改進(jìn)的RetinaNet網(wǎng)絡(luò)相結(jié)合，對(duì)自行車、汽車、行人和貨車等道路目標(biāo)進(jìn)行分類識(shí)別，實(shí)驗(yàn)表明相比于VGG16+FPN+BN+data enhancement,ResNet50+FPN+BN+data enhancement,ResNet101+FPN+BN+data enhancement等5種網(wǎng)絡(luò)，改進(jìn)RetinaNet的識(shí)別性能最優(yōu)。雖然深度學(xué)習(xí)網(wǎng)絡(luò)能夠自動(dòng)提取特征，但它們對(duì)抽象特征和大數(shù)據(jù)集的過(guò)度依賴，完全舍棄了傳統(tǒng)成熟的手動(dòng)特征，給特定目標(biāo)的針對(duì)性學(xué)習(xí)以及識(shí)別準(zhǔn)確性的進(jìn)一步提升帶來(lái)限制[7]。而手動(dòng)特征提取通過(guò)充分利用目標(biāo)的先驗(yàn)信息，對(duì)目標(biāo)的RD譜分布進(jìn)行統(tǒng)計(jì)分析提取具有針對(duì)性的特征，從而達(dá)到對(duì)特定目標(biāo)分類的效果。比如文獻(xiàn)[8]通過(guò)對(duì)RD譜提取散射點(diǎn)個(gè)數(shù)、目標(biāo)散射點(diǎn)占距離單元個(gè)數(shù)、目標(biāo)散射點(diǎn)占速度單元個(gè)數(shù)等特征完成對(duì)行人和汽車的有效識(shí)別。文獻(xiàn)[9]通過(guò)對(duì)RD譜提取徑向速度、距離維峰值信號(hào)方差和速度維峰值信號(hào)方差等特征完成對(duì)行人、橫向汽車以及縱向汽車的分類。上述方法利用較少數(shù)量的特征完成了對(duì)目標(biāo)的有效識(shí)別，但是在目標(biāo)種類多變且目標(biāo)特性相近時(shí)，上述方法的性能受限。針對(duì)上述問(wèn)題，通過(guò)增大特征數(shù)量來(lái)提高識(shí)別性能是一個(gè)常用的有效方法。然而特征維數(shù)的增多，不但會(huì)造成維數(shù)災(zāi)難[10]，有時(shí)甚至?xí)驗(yàn)樘卣飨蛄堪泻湍繕?biāo)無(wú)關(guān)的信息導(dǎo)致識(shí)別性能降低[11]。因此，從所提取的高維特征集中進(jìn)一步優(yōu)選得到使識(shí)別性能更高的特征組合，就顯得尤為重要。

目標(biāo)識(shí)別領(lǐng)域的特征選擇方法一般可分為過(guò)濾法和包裝法[12]兩類，其中過(guò)濾法是根據(jù)信息論[13]、主成分分析(Principal Component Analysis,PCA)[14]等特定的統(tǒng)計(jì)標(biāo)準(zhǔn)對(duì)特征進(jìn)行排序[15]，之后選取前N維特征作為新的特征集從而達(dá)到特征優(yōu)選的目的。文獻(xiàn)[16]針對(duì)人體目標(biāo)識(shí)別中人體微多普勒特征的優(yōu)選問(wèn)題，提出用互信息計(jì)算特征的貢獻(xiàn)值作為特征的物理相關(guān)性和估計(jì)質(zhì)量的函數(shù)，從而對(duì)特征重要度進(jìn)行排序，實(shí)現(xiàn)了特征優(yōu)選和對(duì)人體運(yùn)動(dòng)狀態(tài)的有效識(shí)別。文獻(xiàn)[17]針對(duì)5類飛機(jī)目標(biāo)的分類識(shí)別問(wèn)題，通過(guò)利用PCA對(duì)波形熵、中心矩和信號(hào)幅度方差等特征進(jìn)行降維，該方法雖然特征選擇時(shí)效較高，但是特征評(píng)估函數(shù)與學(xué)習(xí)器相互獨(dú)立，導(dǎo)致目標(biāo)總體識(shí)別率不高。過(guò)濾法具有計(jì)算量小、特征選擇時(shí)效較高的優(yōu)點(diǎn)[18]，但是由于此類方法的特征選擇操作和后續(xù)的分類模型是相互獨(dú)立的[19]，往往使得分類性能受限。包裝法則依賴于機(jī)器學(xué)習(xí)，利用篩選后的特征子集訓(xùn)練分類器，根據(jù)驗(yàn)證樣本在分類器中的學(xué)習(xí)性能來(lái)評(píng)價(jià)特征子集的優(yōu)劣[12]。遺傳算法(Genetic Algorithm,GA)是最常用的包裝式特征選擇算法之一，文獻(xiàn)[20]針對(duì)極化合成孔徑雷達(dá)(SAR)圖像分類提出了一種基于GA特征選擇的分層分類算法，得到了更好的識(shí)別效果。文獻(xiàn)[21]首次將GA應(yīng)用于SAR圖像的特征選擇中，用GA和貝葉斯鑒別器得到最優(yōu)特征組合。文獻(xiàn)[22]提出了一種基于GA的SAR圖像監(jiān)測(cè)系統(tǒng)，用于洪澇災(zāi)害的檢測(cè)。但是當(dāng)特征維數(shù)增多時(shí)，特征組合數(shù)呈指數(shù)型增長(zhǎng)，導(dǎo)致GA隨機(jī)搜索時(shí)無(wú)法快速收斂獲得最優(yōu)解[23]，這一缺陷限制了GA在高維特征集中特征選擇領(lǐng)域的應(yīng)用。針對(duì)這一問(wèn)題，文獻(xiàn)[24,25]提出了一種PCA和GA相結(jié)合(PCA-GA)的特征選擇算法，先利用PCA算法對(duì)原始特征集進(jìn)行降維，將降維后的特征輸入到GA加快特征選擇算法的收斂速度。然而該算法在特征集預(yù)降維階段僅考慮了特征間的相關(guān)性，未對(duì)特征組合與目標(biāo)類別的匹配度進(jìn)行考慮，從而使得識(shí)別性能受限。文獻(xiàn)[26,27]提出了一種基于ReliefF的改進(jìn)自適應(yīng)遺傳(ReliefF-IAGA)特征選擇算法，該算法首先使用ReliefF算法獲得特征重要性得分，并消除不相關(guān)的特征，接著利用自適應(yīng)遺傳算法(Adaptive Genetic Algorithm,AGA)得到優(yōu)選特征子集。文獻(xiàn)[28]提出了基于信息增益(Information Gain,IG)和GA (IG-GA)的特征選擇方法，首先利用IG得到每個(gè)特征的信息增益值作為預(yù)降維依據(jù)，設(shè)定閾值對(duì)待選特征集進(jìn)行預(yù)降維后利用GA得到最終的特征子集。然而上述方法在預(yù)降維階段僅考慮了單個(gè)特征與目標(biāo)類別的相關(guān)性或者信息增益，忽略了特征組合與目標(biāo)類別的相關(guān)性，導(dǎo)致優(yōu)選后的特征組合對(duì)目標(biāo)類別的區(qū)分度有限。

針對(duì)該問(wèn)題，本文通過(guò)在自適應(yīng)遺傳算法框架中引入直方圖分析[29]考慮不同特征組合與目標(biāo)類別的相關(guān)性，提出了一種基于直方圖分析和自適應(yīng)遺傳(Adaptive Genetic Algorithm via Histogram Analysis,HA-AGA)的雷達(dá)道路目標(biāo)識(shí)別特征優(yōu)選方法。該算法首先通過(guò)AGA迭代搜索得到由各代平均F測(cè)度最高的特征組合構(gòu)成的特征組合庫(kù)，接著引入直方圖分析統(tǒng)計(jì)該特征組合庫(kù)中各特征的分布頻次。頻次較高的特征構(gòu)成的特征組合與目標(biāo)類別匹配度更高，因此選取頻次最高的K維特征輸入到AGA優(yōu)選出使目標(biāo)識(shí)別精度更高的特征組合?；诤撩撞ɡ走_(dá)實(shí)測(cè)數(shù)據(jù)集和公共數(shù)據(jù)集CARRADA[30]上的實(shí)驗(yàn)表明，與PCA-GA[24,25]，ReliefF-IAGA[26,27]，IG-GA[28]3種方法相比，本文提出的方法選出的特征組合與目標(biāo)類別相關(guān)度更高，能夠得到更高的識(shí)別準(zhǔn)確率。

2 自適應(yīng)遺傳算法

自適應(yīng)遺傳算法[26]是對(duì)傳統(tǒng)遺傳算法[31]的遺傳操作步驟進(jìn)行改進(jìn)得到的具有隨機(jī)搜索特性的優(yōu)化方法，具體算法流程如下：

步驟1 參數(shù)初始化。將待優(yōu)選特征集中的各特征組合以“基因”的形式編碼成染色體x。編碼規(guī)則可根據(jù)實(shí)際情況選擇二進(jìn)制編碼、浮點(diǎn)數(shù)編碼以及符號(hào)編碼等方式。隨機(jī)生成M條染色體組成初始種群W1={x11x12...x1M}，染色體xij表示第i代的第j個(gè)特征組合。

步驟2 搜索迭代。假設(shè)迭代i-1次后得到第i代種群Wi={xi1xi2...xiM}，為判斷第i代種群Wi里各特征組合的優(yōu)劣，并給接下來(lái)的自適應(yīng)遺傳操作提供依據(jù)，由式(1)計(jì)算每個(gè)特征組合的適應(yīng)度：

其中，操作 F是將該特征組合輸入到機(jī)器學(xué)習(xí)分類器后得到相應(yīng)的適應(yīng)度f(wàn)itnessij，對(duì)Wi中的每一個(gè)特征組合都計(jì)算適應(yīng)度后得到第i代種群的適應(yīng)度向量FITi=[fitnessi1fitnessi2...fitnessiM]。接著對(duì)Wi進(jìn)行雙重輪盤(pán)賭選擇，將Wi={xi1xi2...xiM}中所有染色體根據(jù)適應(yīng)度向量FITi從大到小進(jìn)行排序得到={yi1yi2...yiM}，染色體yij被選擇的概率為

得到={yi1yi2...yiM}中所有染色體被選擇的概率后，將[0,1]根據(jù)中每條染色體被選擇的概率分成M段，接著隨機(jī)生成M個(gè)[0,1]之間的數(shù)，染色體被選擇的概率越大，對(duì)應(yīng)的區(qū)間長(zhǎng)度越長(zhǎng)，隨機(jī)產(chǎn)生的數(shù)字落入該區(qū)間的概率越大，統(tǒng)計(jì)落在各個(gè)片段的數(shù)量，并選擇數(shù)量最多的片段對(duì)應(yīng)的染色體zi1存入種群，則適應(yīng)度越大的染色體被選中的概率越大。重復(fù)選擇直到=M，選擇完成后得到={zi1zi2...ziM}。然后進(jìn)行自適應(yīng)交叉，對(duì)于Wi′′中的染色體zij(j依次取1,2,···,M)，在里剩下的染色體中隨機(jī)選取另一條染色體zim(m=j)，從zim中隨機(jī)選取一個(gè)基因與zij中相同位置的基因以概率Pc進(jìn)行互換得到新的染色體vij，遍歷所有染色體得到={vi1vi2...viM}。最后進(jìn)行自適應(yīng)變異，對(duì)于中的染色體vij(j依次取1,2,···,M)，隨機(jī)選取某個(gè)基因以概率Pm進(jìn)行突變得到新的染色體，遍歷所有染色體后得到下一代種群Wi+1。其中自適應(yīng)交叉概率Pc和變異概率Pm為

其中，Pa0為設(shè)定的初始交叉或變異概率，fitnessj(j=1,2,···,M)為各染色體對(duì)應(yīng)的適應(yīng)度，fitnessmax為當(dāng)代最優(yōu)適應(yīng)度，fitnessavg為當(dāng)代平均適應(yīng)度。

步驟3 重復(fù)步驟2直到進(jìn)化代數(shù)達(dá)到預(yù)設(shè)的最大代數(shù)I。當(dāng)?shù)Y(jié)束后適應(yīng)度最高的特征組合即為最終選擇結(jié)果。

3 基于直方圖分析的改進(jìn)自適應(yīng)遺傳特征優(yōu)選方法

3.1 RD譜特征集的構(gòu)建

為對(duì)道路目標(biāo)進(jìn)行有效識(shí)別，本文所提方法對(duì)目標(biāo)RD譜中的散射點(diǎn)分布特點(diǎn)進(jìn)行統(tǒng)計(jì)分析提取波形熵、能量密度等30個(gè)特征構(gòu)建RD譜特征集。在特征提取之前需要對(duì)雷達(dá)回波數(shù)據(jù)進(jìn)行預(yù)處理得到只包含單個(gè)目標(biāo)信息的RD譜，具體處理流程如圖1所示。在得到雷達(dá)回波后首先進(jìn)行2DFFT得到原始RD譜[3]，接著將RD譜中徑向速度小于某個(gè)預(yù)設(shè)的速度參數(shù)值v的速度單元置零，去除靜止或者低速度雜波。然后運(yùn)用2D-CFAR算法進(jìn)行目標(biāo)檢測(cè)，去除其他噪聲從而得到只包含目標(biāo)信息的RD譜。最后判斷目標(biāo)個(gè)數(shù)，若為單個(gè)目標(biāo)，則直接得到只包含單個(gè)目標(biāo)信息的RD譜；若為多個(gè)目標(biāo)，則利用DBSCAN算法對(duì)不同目標(biāo)的特征數(shù)據(jù)進(jìn)行切割，得到只包含單個(gè)目標(biāo)信息的RD譜，并根據(jù)雷達(dá)回波對(duì)應(yīng)的光學(xué)視頻對(duì)RD譜中的目標(biāo)進(jìn)行區(qū)分和標(biāo)注。預(yù)處理完成后，根據(jù)RD譜中散射點(diǎn)的分布特點(diǎn)，分別從RD譜的距離維、速度維和距離速度兩維聯(lián)合分布進(jìn)行統(tǒng)計(jì)分析提取平均距離、平均速度、能量密度、波形熵等30個(gè)特征構(gòu)建高維特征集F=[f1f2...f30]，如表1所示。其中，s表示RD譜的散射點(diǎn)個(gè)數(shù)，ri,vi和Ai(i=1,2,...,s)分別表示每個(gè)散射點(diǎn)對(duì)應(yīng)的距離、速度和幅值，N ×M為RD譜的尺寸，A(n,m)表示位于(n,m)點(diǎn)的散射點(diǎn)幅值，Ag(g=1,2,...,G)表示每個(gè)距離單元(或速度單元)里幅值最大的散射點(diǎn)的幅值，G表示某個(gè)目標(biāo)的RD譜中散射點(diǎn)占據(jù)的距離單元(或速度單元)個(gè)數(shù)，,表示距離(或速度)維峰值點(diǎn)所占的比重，AG=表示距離(或速度)維平均幅值，表示該點(diǎn)幅值占所有點(diǎn)幅值中的比重，和分別表示距離維方向和速度維方向上的質(zhì)心，Ai表示所有散射點(diǎn)的平均幅值。峰值點(diǎn)及其周圍T個(gè)點(diǎn)均為主分量，剩下的點(diǎn)為副分量。

圖1 數(shù)據(jù)預(yù)處理流程圖Fig.1 Data preprocessing flow chart

3.2 基于直方圖分析的特征優(yōu)選

為了加快AGA的收斂速度，通過(guò)充分考慮不同特征組合與目標(biāo)類別的匹配度對(duì)待選特征集進(jìn)行預(yù)降維并保留與目標(biāo)類別相關(guān)度較高的特征組合。該方法具體流程如圖2所示，描述如下：

圖2 基于直方圖分析的特征優(yōu)選流程圖Fig.2 Flow chart of feature optimization via histogram analysis

步驟1 根據(jù)AGA算法對(duì)特征組合進(jìn)行編碼，本文采用的編碼方式為二進(jìn)制編碼，假設(shè)待選特征集F=[f1f2...fN]總共有N個(gè)特征，則編碼后的特征組合x(chóng)由N個(gè)“0”,“1”構(gòu)成，且“0”,“1”的組合形式由特征組所包含的特征編號(hào)決定，比如x為“0101100”，代表該特征組合由第2號(hào)、第4號(hào)和第5號(hào)特征組成。編碼完成后，隨機(jī)生成M個(gè)特征組合作為接下來(lái)進(jìn)行搜索迭代的初始特征組合庫(kù)F1={x11x12...x1M}，其中xij表示第i代的第j個(gè)特征組合編碼之后的染色體。

步驟2 迭代搜索優(yōu)秀特征組合庫(kù)。假設(shè)迭代i-1次后得到第i代特征組合庫(kù)Fi={xi1xi2...xiM}，為對(duì)Fi中的每個(gè)特征組合的優(yōu)劣提供評(píng)價(jià)指標(biāo)，給各代最優(yōu)特征組合的選擇提供依據(jù)，進(jìn)行特征組合適應(yīng)度的計(jì)算。假設(shè)所有目標(biāo)同等重要，且本文所提算法旨在優(yōu)選出使目標(biāo)識(shí)別性能更好的特征組合，因此將xij對(duì)應(yīng)的數(shù)據(jù)集按一定比例隨機(jī)分成訓(xùn)練集和測(cè)試集，對(duì)分類器進(jìn)行訓(xùn)練和測(cè)試后分類器輸出的平均F測(cè)度作為該特征組合的適應(yīng)度f(wàn)itnessij，平均F測(cè)度的計(jì)算公式為

其中，T為目標(biāo)種類數(shù)，Pm=TPm/(TPm+TNm)和Rm=TPm/(TPm+FNm)分別為第m類目標(biāo)的精確率和召回率。TP,TN和FN分別為真正例、真反例和假反例[32]。適應(yīng)度越高，則該特征組合與目標(biāo)類別的匹配度越高，識(shí)別性能越好。對(duì)Fi中的所有特征組合依次計(jì)算適應(yīng)度得到Fi相應(yīng)的適應(yīng)度向量FITi=[fitnessi1fitnessi2...fitnessiM]，根據(jù)FITi找到Fi中適應(yīng)度最高的特征組合x(chóng)ib，將其存入優(yōu)秀特征組合庫(kù)Fbest中。存儲(chǔ)完成后，通過(guò)對(duì)Fi依次進(jìn)行雙重輪盤(pán)賭選擇、自適應(yīng)交叉和自適應(yīng)變異3個(gè)步驟得到下一代特征組合庫(kù)Fi+1，再對(duì)Fi+1重復(fù)執(zhí)行以上操作，不斷地進(jìn)行迭代搜索直到迭代次數(shù)達(dá)到預(yù)設(shè)的最大迭代次數(shù)I。迭代終止后，輸出迭代I次得到的優(yōu)秀特征組合庫(kù)Fbest={x1bx2b...xIb}。

步驟3 為給待選特征集F=[f1f2...fN]T的預(yù)降維提供有效的特征選擇依據(jù)，提高降維后的特征組合與目標(biāo)類別的匹配度，利用直方圖分析方法對(duì)步驟2得到的優(yōu)秀特征組合庫(kù)Fbest中每個(gè)特征出現(xiàn)的頻次進(jìn)行統(tǒng)計(jì)，將第i號(hào)特征fi(i=1,2,···,N)在優(yōu)秀特征組合庫(kù)Fbest中出現(xiàn)的頻次qi(i=1,2,···,N)作為該特征的權(quán)重，遍歷所有特征，最終得到待選特征集F=[f1f2...fN]對(duì)應(yīng)的權(quán)重向量Q=[q1q2...qN]。權(quán)重越大的特征，其組合與目標(biāo)類別的相關(guān)度越高，因此取權(quán)重最大的前K(K

步驟4 為進(jìn)一步去除預(yù)降維后的特征子集F′中的冗余特征，將F′輸入到AGA進(jìn)行優(yōu)選得到最終的特征組合。

通過(guò)HA-AGA得到優(yōu)選的特征組合后，將該特征組合的數(shù)據(jù)集劃分成訓(xùn)練集和測(cè)試集，并將訓(xùn)練集輸入分類器進(jìn)行模型訓(xùn)練和測(cè)試，得到最終的目標(biāo)分類識(shí)別結(jié)果。

4 實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證本文提出的算法的有效性，將本文所提的HA-AGA算法和PCA-GA[24,25],ReliefF-IAGA[26,27],IG-GA[28]3種兩階段特征選擇算法在毫米波雷達(dá)實(shí)測(cè)數(shù)據(jù)集和公開(kāi)數(shù)據(jù)集CARRADA[30]兩個(gè)不同的數(shù)據(jù)集上進(jìn)行比較，以驗(yàn)證本文所提算法的有效性和優(yōu)越性。

4.1 毫米波實(shí)測(cè)雷達(dá)數(shù)據(jù)實(shí)驗(yàn)

4.1.1 實(shí)驗(yàn)設(shè)置

在實(shí)驗(yàn)過(guò)程中，將毫米波雷達(dá)架設(shè)在路口、天橋(均為面向道路水平放置)等地方對(duì)行人、電動(dòng)車、自行車、小汽車、貨車和公交車6類道路目標(biāo)進(jìn)行測(cè)量采集，采集完成后首先進(jìn)行數(shù)據(jù)預(yù)處理，其中去除靜止或低速度雜波時(shí)的速度參數(shù)值v設(shè)為0.4 m/s，某個(gè)場(chǎng)景及其對(duì)應(yīng)的雷達(dá)回波預(yù)處理結(jié)果如圖3所示。雷達(dá)回波中包含有如圖3(a)場(chǎng)景所示的公交車和大貨車。圖3(b)為該場(chǎng)景對(duì)應(yīng)的原始RD譜，圖3(c)為去除靜止或低速度雜波后的RD譜，圖3(d)為經(jīng)2D-CFAR檢測(cè)并去噪后的RD譜，因?yàn)樵揜D譜包含有兩個(gè)目標(biāo)，利用DBSCAN算法將不同目標(biāo)分割開(kāi)，圖3(e)和圖3(f)分別為數(shù)據(jù)切割后只包含公交車和貨車信息的RD譜。預(yù)處理完成后得到有效數(shù)據(jù)共14607幀，將每類目標(biāo)的數(shù)據(jù)按7:3的比例分為訓(xùn)練集和測(cè)試集進(jìn)行特征選擇與識(shí)別實(shí)驗(yàn)。表2為各目標(biāo)類別的標(biāo)簽以及訓(xùn)練集和測(cè)試集的數(shù)量。具體的雷達(dá)參數(shù)如表3所示。該雷達(dá)體制為線性調(diào)頻連續(xù)鋸齒波，包含4個(gè)接收通道，載頻為24 GHz，帶寬為207.32 MHz，調(diào)頻斜率為0.80986，采樣率為1 MHz，每幀持續(xù)時(shí)間為32.768 ms且包含128個(gè)脈沖，每個(gè)脈沖采樣點(diǎn)數(shù)為256。各目標(biāo)實(shí)際場(chǎng)景以及相應(yīng)的RD譜如圖4所示，由圖可看出行人和自行車的散射點(diǎn)占據(jù)的距離單元的個(gè)數(shù)(距離寬)明顯比速度單元的個(gè)數(shù)(速度寬)少，而貨車和公交車的情況恰好相反，電動(dòng)車和小汽車的散射點(diǎn)占據(jù)的距離單元和速度單元的個(gè)數(shù)都很少。并且小汽車、貨車和公交車的徑向速度大于行人、電動(dòng)車和自行車的徑向速度，說(shuō)明各目標(biāo)的RD譜散射點(diǎn)分布存在差異，通過(guò)提取相應(yīng)的特征可對(duì)道路目標(biāo)進(jìn)行有效識(shí)別。

表2 實(shí)測(cè)數(shù)據(jù)集描述Tab.2 The real radar dataset description

表3 雷達(dá)參數(shù)Tab.3 Radar parameters

圖3 數(shù)據(jù)預(yù)處理各步驟實(shí)驗(yàn)結(jié)果Fig.3 Experimental results of each step of data preprocessing

圖4 各類目標(biāo)及其對(duì)應(yīng)的RD譜Fig.4 All kinds of targets and their corresponding RD spectrum

進(jìn)行特征選擇實(shí)驗(yàn)時(shí)首先從道路目標(biāo)RD譜提取如表1所示的高維特征集F=[f1f2...f30]作為待選特征集。HA-AGA的種群大小M，初始交叉概率Pc0和初始變異概率Pm0分別設(shè)為20,0.5和0.2，預(yù)降維階段和優(yōu)選階段的最大迭代次數(shù)M分別設(shè)為100和50。PCA-GA,ReliefF-IAGA,IG-GA 3種算法的種群大小和迭代次數(shù)均設(shè)為20和50。各算法取權(quán)重最大的前20維特征(K=20)作為預(yù)降維后的特征子集。

4.1.2 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文所提方法在特征優(yōu)選方面的優(yōu)越性，進(jìn)行了不同算法結(jié)合集成裝袋樹(shù)的特征預(yù)降維和優(yōu)選的對(duì)比實(shí)驗(yàn)，預(yù)降維實(shí)驗(yàn)中K的值從2取到20，得到的實(shí)驗(yàn)結(jié)果如圖5所示，可知HA-AGA在K取不同值時(shí)得到的平均F測(cè)度均最高，表明本文提出的特征權(quán)重計(jì)算方法更加合理有效。且PCA-GA方法和其他3種方法相比，識(shí)別性能較差，因此在接下來(lái)的對(duì)比實(shí)驗(yàn)中將不再比較PCA-GA算法。特征優(yōu)選實(shí)驗(yàn)結(jié)果如圖6所示，可知本文所提方法在第5代即收斂，收斂速度最快且識(shí)別效果最好，各算法最終選出的特征組合如表4所示，本文所提方法和ReliefF-IAGA方法均選出了14維特征，IG-GA選出了11維特征，但I(xiàn)G-GA選出的特征組合的識(shí)別效果最差。本文所提方法特征優(yōu)選前后的特征向量經(jīng)PCA降維后的可視化分布圖如圖7所示。其中圖7(a)為優(yōu)選前的特征分布圖，可知各目標(biāo)的特征分布混疊較為嚴(yán)重，對(duì)目標(biāo)的可分性較差。圖7(b)為優(yōu)選后的特征分布圖，可看出各目標(biāo)經(jīng)過(guò)特征優(yōu)選后的特征分布較分散，對(duì)目標(biāo)的可分性較好。將優(yōu)選前的特征集和各算法優(yōu)選得到的特征組合分別輸入到集成裝袋樹(shù)分類器進(jìn)行目標(biāo)識(shí)別實(shí)驗(yàn)，識(shí)別結(jié)果如表5所示，可知HA-AGA方法的識(shí)別效果最好，特別是平均精確率、平均召回率和平均F測(cè)度分別達(dá)到95.7%,93.0%和94.2%，分別比未進(jìn)行特征優(yōu)選時(shí)提高了1.8%,1.9%和2.0%，說(shuō)明原特征集中確實(shí)存在特征冗余；比IG-GA提高了1.9%,2.1%和2.0%；比ReliefF-IAGA提高了2.4%,2.0%和2.3%。由此可知HA-AGA方法選出了與類別相關(guān)度更高的特征組合，選擇效果更好。

表4 各算法優(yōu)選后的特征組合Tab.4 Feature combination of different algorithms after optimization

表5 各算法結(jié)合集成裝袋樹(shù)優(yōu)選后識(shí)別結(jié)果(實(shí)測(cè)數(shù)據(jù)集)(%)Tab.5 Recognition result of different algorithms combined with integrated bagging tree after optimization (Real radar dataset) (%)

圖5 各算法特征預(yù)降維結(jié)果Fig.5 Pre-dimensionality reduction results of different algorithms

圖6 各算法特征優(yōu)選結(jié)果Fig.6 Feature optimization results of different algorithms

圖7 由PCA降維得到的實(shí)測(cè)數(shù)據(jù)集特征優(yōu)選前后可視化分布圖Fig.7 Visual distribution of real data set features before and after optimization obtained by PCA dimension reduction

在利用集成裝袋樹(shù)分類器實(shí)驗(yàn)的基礎(chǔ)上，為進(jìn)一步分析和驗(yàn)證所提特征優(yōu)選算法結(jié)合不同分類器對(duì)于其他特征優(yōu)選算法的優(yōu)勢(shì)，將各算法分別與精細(xì)樹(shù)和K最近鄰(K-Nearest Neighbor,KNN)相結(jié)合進(jìn)行實(shí)驗(yàn)，優(yōu)選后的識(shí)別結(jié)果如表6和表7所示，可知與IG-GA,ReliefF-IAGA算法和未進(jìn)行特征優(yōu)選前相比，本文所提的HA-AGA算法結(jié)合不同分類器均具有不同程度的優(yōu)勢(shì)，表明所提算法具有一定的廣泛適用性。

表6 各算法結(jié)合精細(xì)樹(shù)優(yōu)選后識(shí)別結(jié)果(實(shí)測(cè)數(shù)據(jù)集)(%)Tab.6 Recognition result of different algorithms combined with fine tree after optimization (Real radar dataset) (%)

為進(jìn)一步驗(yàn)證本文所提方法的優(yōu)越性，將本文所提方法和深度學(xué)習(xí)方法即改進(jìn)的RetinaNet[6]進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)識(shí)別結(jié)果如表8所示。由表可看出本文所提方法與深度學(xué)習(xí)方法改進(jìn)的RetinaNet相比，得到的所有指標(biāo)均最高，表明了本文所提方法能得到更好的識(shí)別結(jié)果。

為驗(yàn)證本文所提方法的魯棒性，進(jìn)行了不同信噪比條件下各算法特征選擇對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如圖8所示，可知，在–10 dB和–5 dB條件下各算法識(shí)別精度都很差，但總體而言，在不同信噪比條件下本文所提的HA-AGA算法均獲得了最高的平均精確率，表明本文所提的HA-AGA特征優(yōu)選方法對(duì)噪聲具有更好的容忍性。

圖8 不同信噪比條件下各特征選擇算法識(shí)別結(jié)果Fig.8 The recognition results of feature selection algorithm in different SNR

4.2 公共數(shù)據(jù)集CARRADA實(shí)驗(yàn)

4.2.1 實(shí)驗(yàn)設(shè)置

公共數(shù)據(jù)集CARRADA[30]提供了包括兩個(gè)場(chǎng)景在內(nèi)的行人、自行車和小汽車3類目標(biāo)的RD譜，數(shù)據(jù)集所用雷達(dá)參數(shù)如表9[30]所示。該雷達(dá)載頻為77 GHz，帶寬為4 GHz，幀脈沖數(shù)為64，每個(gè)脈沖采樣點(diǎn)數(shù)為256，最大探測(cè)距離為50 m，距離分辨率為0.20 m，最大徑向速度為13.43 m/s，速度分辨率為0.42 m/s。首先通過(guò)對(duì)該數(shù)據(jù)集篩選并進(jìn)行數(shù)據(jù)預(yù)處理，去除靜止或低速度雜波時(shí)的速度參數(shù)v設(shè)為0.4 m/s。某個(gè)場(chǎng)景對(duì)應(yīng)的雷達(dá)回波預(yù)處理實(shí)驗(yàn)結(jié)果如圖9所示。雷達(dá)回波中包含有如圖9(a)場(chǎng)景所示的自行車和小汽車，自行車向遠(yuǎn)離雷達(dá)方向行駛，小汽車低速靠近。圖9(b)為該場(chǎng)景對(duì)應(yīng)的原始RD譜，圖9(c)為去除靜止或低速度雜波后的RD譜，圖9(d)為經(jīng)2D-CFAR檢測(cè)并去噪后的RD譜，因?yàn)樵揜D譜包含有兩個(gè)目標(biāo)，利用DBSCAN算法將不同目標(biāo)分割開(kāi)，圖9(e)和圖9(f)分別為數(shù)據(jù)切割后只包含小汽車或自行車信息的RD譜。預(yù)處理完成后得到有效數(shù)據(jù)8693幀，接著對(duì)每幀RD譜提取特征向量F=[f1f2...f30]構(gòu)成RD譜特征集。將每類目標(biāo)的數(shù)據(jù)按7:3的比例分為訓(xùn)練集和測(cè)試集，進(jìn)行實(shí)驗(yàn)時(shí)各目標(biāo)的類別標(biāo)簽以及訓(xùn)練集和測(cè)試集的數(shù)量如表10所示。特征選擇實(shí)驗(yàn)中各特征選擇算法的參數(shù)設(shè)置和4.1.1節(jié)一致。

表9 CARRADA數(shù)據(jù)集雷達(dá)參數(shù)[30]Tab.9 Radar parameters of CARRADA dataset[30]

表10 CARRADA數(shù)據(jù)集描述Tab.10 CARRADA dataset description

4.2.2 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文所提方法的優(yōu)越性，進(jìn)行了不同算法結(jié)合集成裝袋樹(shù)特征預(yù)降維和優(yōu)選的對(duì)比實(shí)驗(yàn)，預(yù)降維實(shí)驗(yàn)中K的值從2取到20，實(shí)驗(yàn)結(jié)果如圖10所示，可知HA-AGA在K取不同值時(shí)得到的平均F測(cè)度均最高，表明本文提出的特征權(quán)重計(jì)算方法更加合理有效。特征優(yōu)選的實(shí)驗(yàn)結(jié)果如圖11所示，本文所提方法在第4代即收斂，收斂速度最快且識(shí)別效果最好，各算法最終選出的特征組合如表11所示。本文所提方法特征優(yōu)選前后的特征向量經(jīng)PCA降維后的可視化分布圖如圖12所示。其中圖12(a)為優(yōu)選前的特征分布圖，可看出各目標(biāo)的特征分布混為一簇，對(duì)目標(biāo)的可分性較差。圖12(b)為優(yōu)選后的特征分布圖，可知各目標(biāo)的特征分布較分散，對(duì)目標(biāo)的可分性有所提升。將優(yōu)選前的特征集和各算法優(yōu)選得到的特征組合分別輸入到集成裝袋樹(shù)分類器進(jìn)行目標(biāo)識(shí)別實(shí)驗(yàn)，識(shí)別結(jié)果如表12所示，可知HA-AGA方法的識(shí)別效果最好，平均精確率、平均召回率和平均F測(cè)度分別達(dá)到93.0%,92.4%和92.7%，分別比未進(jìn)行特征優(yōu)選時(shí)提高了2.0%,1.7%和1.8%；比IG-GA均提高了1.2%；比ReliefF-IAGA提高了1.5%,1.7%和1.6%。由此可知HA-AGA方法選出了與類別相關(guān)度更高的特征組合，驗(yàn)證了本文所提方法的優(yōu)越性。

表11 不同算法優(yōu)選后的特征組合Tab.11 Feature combination of different algorithms after optimization

表12 各算法結(jié)合集成裝袋樹(shù)優(yōu)選后識(shí)別結(jié)果(CARRADA)(%)Tab.12 Recognition result of different algorithms combined with integrated bagging tree after optimization (CARRADA) (%)

圖10 不同算法特征預(yù)降維結(jié)果Fig.10 Pre-dimensionality reduction results of different algorithms

圖11 不同算法特征優(yōu)選結(jié)果Fig.11 Feature optimization results of different algorithms

圖12 由PCA降維得到的CARRADA數(shù)據(jù)集特征優(yōu)選前后可視化分布圖Fig.12 Visual distribution of CARRADA data set features before and after optimization obtained by PCA dimension reduction

在利用集成裝袋樹(shù)分類器實(shí)驗(yàn)的基礎(chǔ)上，為進(jìn)一步分析和驗(yàn)證所提特征優(yōu)選算法結(jié)合不同分類器對(duì)于其他特征優(yōu)選算法的優(yōu)勢(shì)，將各算法分別與精細(xì)樹(shù)和KNN相結(jié)合進(jìn)行實(shí)驗(yàn)，優(yōu)選后的識(shí)別結(jié)果如表13和表14所示，可知與IG-GA,ReliefF-IAGA算法和未進(jìn)行特征優(yōu)選前相比，本文所提的HA-AGA算法結(jié)合不同分類器均具有不同程度的優(yōu)勢(shì)，表明所提算法具有一定的廣泛適用性。

表13 各算法結(jié)合精細(xì)樹(shù)優(yōu)選后識(shí)別結(jié)果(CARRADA)(%)Tab.13 Recognition result of different algorithms combined with fine tree after optimization (CARRADA) (%)

表14 各算法結(jié)合KNN優(yōu)選后識(shí)別結(jié)果(CARRADA)(%)Tab.14 Recognition result of different algorithms combined with KNN after optimization (CARRADA) (%)

在毫米波雷達(dá)實(shí)測(cè)數(shù)據(jù)集和公共數(shù)據(jù)集CARRADA上的實(shí)驗(yàn)表明，與ReliefF-IAGA,IG-GA，未進(jìn)行特征優(yōu)選前和改進(jìn)的RetinaNet網(wǎng)絡(luò)相比，本文所提的HA-AGA方法獲得了與目標(biāo)類別相關(guān)度更高的特征組合，提高了目標(biāo)的識(shí)別精度，且在實(shí)測(cè)數(shù)據(jù)集中的信噪比對(duì)比實(shí)驗(yàn)驗(yàn)證了本文所提算法具有更好的噪聲魯棒性。

5 結(jié)語(yǔ)

隨著自動(dòng)駕駛技術(shù)的不斷發(fā)展，道路目標(biāo)識(shí)別領(lǐng)域中的特征優(yōu)選技術(shù)受到社會(huì)各界的廣泛關(guān)注。本文針對(duì)現(xiàn)有改進(jìn)AGA特征優(yōu)選方法因未考慮不同特征組合與目標(biāo)類別的匹配度從而導(dǎo)致優(yōu)選得到的特征組合對(duì)目標(biāo)的區(qū)分度有限的問(wèn)題，提出了一種基于直方圖分析和自適應(yīng)遺傳的雷達(dá)道路目標(biāo)識(shí)別特征優(yōu)選方法。該方法在AGA框架中通過(guò)引入直方圖分析對(duì)優(yōu)秀特征組合庫(kù)中各特征的頻次進(jìn)行統(tǒng)計(jì)，并選取頻次最高的特征集輸入AGA優(yōu)選出與目標(biāo)類別相關(guān)度更高的特征組合，以提升特征優(yōu)選的效率和準(zhǔn)確度。基于毫米波雷達(dá)實(shí)測(cè)數(shù)據(jù)集和公共數(shù)據(jù)集CARRADA的一系列對(duì)比實(shí)驗(yàn)表明與PCA-GA,ReliefF-IAGA和IG-GA等特征選擇方法相比，本文所提方法結(jié)合不同分類器選出的特征組合與類別相關(guān)度最高，能夠得到更高的識(shí)別精度，且對(duì)噪聲的魯棒性更強(qiáng)，適用性更加廣泛。