当前位置：网站首页>毫米波雷达数据集Scorp使用

毫米波雷达数据集Scorp使用

2022-08-10 05:30:00 【ensdio】

数据集下载

网址：https://sensorcortek.ai/paper-and-datasets/
在这里插入图片描述

数据集的特点及其具体应用

特点

（来自知乎“巫婆塔里的工程师”文章）
这是第一个包含了ADC数据（经过数模转换后的I-Q samples）的公开数据库。ADC数据经过多次FFT处理后才得到RAD Tensor。

SCORP数据库提供了三种数据表示，分别是Sample-Chirp-Angle (SCA) Tensor，Range-Azimuth-Doppler (RAD) Tensor以及Point Cloud。这三种数据来自雷达信号处理中的三个不同阶段。

SCORP数据库包含了同步的图像数据，也用来辅助标注Free Space。针对这对三种不同的数据形式，作者测试了三种神经网络结构来试验Free Space Segmentation的效果。总的来说，SCORP是一个相对全面的数据库，但依然还存在三点不足：1）数据量较少，只有来自11个序列的3913帧数据；2）没有BoundingBox标注，无法测试物体检测和跟踪算法。3）雷达和图像数据都来自于单个传感器，视场较窄，无法实现360度的感知。

数据集处理

数据集查看

一共包含下面这两个文件，其中第一个文件夹是包含了雷达和图像数据的11个驾驶场景的文件夹，第二个文件夹是对这些ADC数据进行处理的程序。
在这里插入图片描述

打开data_extraction_icmim.zip看一下

我觉得这个程序应该是在Ubuntu上跑的，因为在windows里pycharm要改动一些配置以及路径才能比较顺利地跑完，这是一个很大的坑，我花了很长时间，当然也可能是我第一次接触这种的原因。

改动方法

1.要改动radar_config.json
2.要改动一下配置
3.路径的‘/’或者‘\’不能变，一变就找不到路径了
第一次改是‘/’
第二次改是‘\’
在这里插入图片描述

各个文件的介绍

README.md

具体的配置，数据是由AWR1843+DAC1000设备采集。同时根据这个文件配置相应的python包。

Input和Output文件夹

这是相应的文件夹，负责数据的输入和输出
在这里插入图片描述

对radar数据进行处理的一系列文件

在这里插入图片描述
data_DoA.py: 进行到达角估计
data_DopplerFFTObj.py: 多普勒FFT，进行速度估计
data_rangeFFTObj.py :距离FFT，进行距离估计
get_range_azimuth_2D.py: 获取角度方位角
radarsp.py: 结合上述文件对这些数据统一进行处理

进行编译

radar_generator.py

将对雷达数据的文件进行包含，生成基本的Sample-Chirp-Angle (SCA) Tensor，Range-Azimuth-Doppler (RAD) Tensor等数据。

mask_generator.py

生成掩模特征，注意由于这数据集是为探测开放空间而服务，因为最后出来的结果也是在一定范围内的开放空间。这是该文件跑通后的结果。
在这里插入图片描述

数据格式转化

这个数据也是在MIMO_TDM的状态下进行的数据采集，我们需要把这些数据按帧进行处理，因此我根据本身的数据格式做了部分格式转化

import numpy as np
import cmath
import numpy as np
from scipy.fftpack import fft,ifft
import matplotlib.pyplot as plt
import seaborn
import scipy.io
import os

path = 'D://ADC//ADC'
filenames=os.listdir(r'D://ADC//ADC')
i=0
for filename in filenames:
    print(filename)
    addr=os.path.join(path,filename)
    test1=np.load(addr,encoding = "latin1")  #加载文件
    a=test1.T
    a=np.reshape(a,(8,64,256))
    a=a.swapaxes(0,1)
    scipy.io.savemat('D://ADC//40_19//' + str(i) + '.mat', mdict={
    'a': a})
    i=i+1