Radar based on automotive pedestrian detection using the micro Doppler effects

Orientador: Prof. Dr. Alessandro ZimmerDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa : Curitiba, 29/08/2018Inclui referências: p.74-78Resumo: O desenvolvimento do carro autônomo é hoje em dia uma prática comum entre as maiores indústrias automotivas, e também em indústrias tecnológicas, como o Google e a Apple. Ao adicionar mais sensores, o veículo é capaz de se movimentar sozinho, identificar a trajetória correta, a distância para outros carros, e também a presença de objetos e seres vivos. Entretanto, existem muitos aspectos bloqueando o lançamento do carro autônomo. Como exemplo aspectos técnicos, como o caso do reconhecimento de pedestres. Embora, esse tópico seja abundantemente estudado para o uso de câmeras digitais, as mesmas não possuem confiabilidade nas medições de velocidade e distância, e ainda apresentam péssimos resultados quando há variação ou a falta de luz no ambiente. Baseado no que foi mencionado anteriormente, o foco dessa dissertação é de desenvolver e discutir a eficiência de um sistema de rápida identificação de pedestres, utilizando um novo radar de 79GHz de frequência. O principal objetivo é reconhecer o pedestre o mais rápido possível utilizando os efeitos micro Doppler do movimento humano em situações muito próximas de um acidente, junto com o método de classificação support vector machine (SVM). Objetivando essa meta algumas técnicas são usadas ao longo do trabalho. Primeiramente, a resolução de velocidade é melhorada com técnicas de otimização multiobjetivos, como algoritmos genéticos e random search para extrair o micro efeito Doppler. Então as informações de velocidade e distância são medidas pelo radar. Em sequência, um método de extração de características chamado de video temporal gradiente é aplicado. O método de machine learning SVM classifica os objetos em pedestre e não pedestres, com quadro diferentes métodos de treinamento. Por fim, é possível ver as vantagens do método de otimização que consegue atingir uma resolução de velocidade de 0,12 m/s. A comparação dos modelos de SVM mostra que o quarto modelo, utilizando kernel polinomial, apresenta os melhores resultados com uma acurácia de 99,5%. Entretanto, o tempo de processamento não é bom o suficiente, levando 72 ms para a classificação de um objeto. Palavras-Chaves: Carro autônomo. Reconhecimento de pedestres. Micro Doppler. Otimização multiobjectivos. Support vector machine.Abstract: The development of the autonomous car is nowadays a common practice in all the greatest automotive factories in the world, also in companies outside the automotive market, like Google and Apple. By adding more sensors, the vehicle is now capable of moving alone, identifying the correct path, the distance from another cars, also the presence of objects and people. However, there are still many issues blocking the autonomous car to be released. There are technical aspects to be solved, as the pedestrian recognition issues. Although, the recognition is widely studied and applied using cameras and digital images, there are issues to be improved. Like the distance and velocity reliability and the problems occurred because the lack of light in the environment. Based on the before mentioned, the focus in this presented work is to develop and discuss the efficiency of a pedestrian recognition system, using one automotive radar of 79 GHz. The main goal is to early detect the pedestrian using the micro Doppler characteristics of a human body in near to crash situations. Aiming this goal some techniques are used in the work. Firstly, the velocity resolution is improved, in order to extract the micro Doppler characteristics of the objects. The improvement of velocity resolution is reached by the use of multiobjective optimization techniques, as genetic algorithm and random search. The information about velocity and range is measured by the radar. In sequence a simple feature extraction method called video temporal gradient transform the data. The result is used in a machine learning technique called support vector machine (SVM). Which classifies the objects between pedestrians and non-pedestrians, with four different approaches. Concluding the work, it is possible to see the advantages of the multiobjective optimization in order to extract the micro Doppler effects. The optimization reached the velocity resolution of 0,12 m/s. The SVM comparison show that the fourth model with a polynomial kernel presented better result with accuracy 99,5%. However, the processing time of the system was not good enough taking 72 ms to identify an object. Keywords: Autonomous car. Pedestrian recognition. Micro Doppler. Multiobjective optimization. Support vector machine