4D毫米波雷达分类和工程实现

       4D毫米波目标检测信息丰富，可获得目标3维位置信息、径向速度vr和rcs等，能够对目标准确分类。

        4D毫米波和激光做好时空同步，可以用激光目标给4D毫米波做标注，提升标注效率。

1 激光用做4D毫米波分类真值

        128线激光推理的结果作为4D毫米波雷达的真值，但不同类别的尺寸存在重叠，存在分类错误可能。

1.1 小车，类别0，点数0～70，长度2m~7m，宽度1.6m~2.7m

1.2 大车，类别1，点数0～120，长度4.5m～14m，宽度1.9m～3.3m

1.3 两轮车，类别4，点数0～24，长度1.4m～2.4m，宽度0.55m～1.1m

1.4 行人，类别5，点数0～14，长度0.5m～1.5m，宽度0.55m～0.9m

        总体来看，128线激光标注的真值可靠性较高，但仍存在一些小问题，会对4D雷达分类结果造成一定影响，如果要求更高的标注准确度和精度，则需要提升128线激光雷达目标检测的性能，或者人工辅助标注。

2 特征统计和分类验证

       对标注数据进行统计分析，部分统计结果如下：

2.1 行人特征

2.2 两轮车特征

2.3 运动小汽车特征

2.4 运动大巴特征

        从统计结果可以发现，不同目标的特征有明显差异，比如点云数量、RCS等，通过对这些特征数据的训练，则能对毫米波目标进行分类。

        实验使用了距离、朝向、点云数、最大rcs、最大snr做训练，使用了9000多组数据，80%用做训练集，20%用做测试集，验证两轮车和一般车辆的分类准确率。

        总共使用了3种机器学习方法，最近邻（KNN）、支持向量机（SVM）和决策树（Decision Tree），分类准确率均在95%以上。

3 决策树用作4D毫米波分类的实现方法

        使用4D毫米波雷达的一些特征，可以对其做准确的分类。这里使用点数、距离、方位角、长、宽作为特征，长宽通过估计目标朝向后将点云投影到朝向方向上计算得到。本文使用决策树算法来实现分类，下面是详细的实现过程。

        训练使用python的sklearn，直接导入即可。

from sklearn.tree import DecisionTreeClassifier

        这里使用了三个类别（小车、大车、自行车）8万多组数据，80%用做训练集，20%用做测试集。     

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2)

        然后调用函数进行训练。

decision_tree = DecisionTreeClassifier()       

decision_tree.fit(X_train, y_train)

        训练完成后在测试集上验证。

y_train_pred = decision_tree.predict(X_train)

y_test_pred = decision_tree.predict(X_test)

        再验证准确率。

from sklearn.metrics import accuracy_score

print('decision tree train accurary socre:', accuracy_score(y_train, y_train_pred), 'test accurary socre:', accuracy_score(y_test, y_test_pred))

train_error_score = 1 - accuracy_score(y_train, y_train_pred)

test_error_score = 1 - accuracy_score(y_test, y_test_pred)

print('decision tree train error socre:', train_error_score, 'test error socre:', test_error_score)

        如果使用默认参数，则训练集准确率为100%，测试集准确率为95%。

        获取决策树深度，发现有33层，叶子数有2179个，实在过于庞大。

tree_depth = decision_tree.get_depth()

tree_leaves = decision_tree.get_n_leaves()

print('depth',tree_depth,',leaves:',tree_leaves)

        调用决策树可视化工具，可以看到结果，由于叶子树太多，全屏显示只能看到一个个小点。

        将其放大到100%才能看清细节。

        这么多的层数和叶子树存在过拟合风险，而且实现的代码也非常复杂，因此考虑降低层数。

decision_tree = DecisionTreeClassifier(max_depth=9) 

在生成决策树模型的时候设置最大深度为9，则最后生成的决策树体量大幅减小，实测结果层数为9，叶子树为230。

训练集准确度有所降低，但测试集反而提升，表明降低了过拟合，提升了泛化性能。

        模型生成之后，代码编写费事费力，这里参考这位博主的方法，用代码自动生成。不过python脚本有点小问题，需要自行发现修改才能得到最后的结果。

        使用Python训练好的决策树模型生成C++代码_class=versicolor-CSDN博客

        使用m2cgen库也可以实现模型到c代码的转换，  详细信息可以查看m2cgen · PyPI

import m2cgen as m2c

code = m2c.export_to_c(decision_tree)

file = open('radar_tree_m2cgen_code.txt','w')

file.write(code)

file.close()

       最后得到可以运行的C语言代码。

        如果对效果不满意，可以使用不同的特征组合进行对比实验，以获得期望的结果。