CN110531337B - 基于隶属度分析的目标可信度计算方法及装置 - Google Patents

Abstract

本发明提供一种基于隶属度分析的目标可信度计算方法及装置，方法包括对车载雷达接收的目标回波进行处理，得到影响目标的可信度的特征值，然后利用预先建立的可信度计算模型，计算得到特征值中部分或全部特征值的可信度值，并对计算得到的每个可信度值进行加权融合，得到目标的可信度值，最后将目标的可信度值与预设的可信度阈值进行比较来确定目标是否可信。本发明提供的基于隶属度分析的目标可信度计算方法，简化了目标可信度计算方法的实现方式，实现了目标可信度计算方法在实际应用中的可行性。

Description

基于隶属度分析的目标可信度计算方法及装置

技术领域

本发明涉及车载雷达领域，更具体地说，涉及基于隶属度分析的目标可信度计算方法及装置。

背景技术

雷达是利用电磁波探测目标的电子设备。具体地，雷达发射电磁波对目标进行照射并接收其回波，由此获得目标至电磁波发射点的距离、径向速度、方位、高度等信息，进而实现对目标的探测。雷达在进行目标探测时，无论是白天还是黑夜均能探测远距离的目标，且不受雾、云和雨的阻挡，具有全天候、全天时的特点，因此在需要进行目标探测的领域得到了广泛的应用。如基于车载雷达对目标较好的测速能力和对雨雾较好的穿透能力，在汽车智能驾驶领域车载雷达成为了常规选择。然而由于多种因素的干扰，如错误的参数测量、多目标的影响、多径散射、虚警等，车载雷达检测到的目标可能为虚假目标，那么认为检测到的这类目标的可信度较低，应当对其进行剔除。

为了对可信度较低的目标进行剔除，现有的目标可信度评估方法包括基于贝叶斯概率的评估方法、基于序贯的评估方法及基于机器学习评估方法等。但是，基于贝叶斯概率的估计方法需要建立目标特征值的严格概率分布函数，而这通常无法通过解析给出；基于序贯的评估方法需要获取多帧目标的信息，通常只适用于对目标进行了连续跟踪的情形；基于机器学习的评估方法需要获取大量的样本数据进行统计分析，其工作量非常大。此外，现有的目标可信度评估方法通常只针对某几类不可信目标情形进行设计，对实际场景中可能出现的各种不可信目标的适用性较差。这些原因导致现有的目标可信度评估方法在实际应用中不具有可行性。

发明内容

有鉴于此，本发明提出基于隶属度分析的目标可信度计算方法及装置，欲简化目标可信度计算方法的实现方式，实现目标可信度计算方法在实际应用中的可行性。

为了实现上述目的，现提出的方案如下：

第一方面，本发明的实施例提供一种基于隶属度分析的目标可信度计算方法，包括：

获取车载雷达接收的目标回波；

对所述目标回波进行处理，计算用于评估目标的可信度的特征值，所述特征值根据应用需求确定，且所述特征值的数量为至少两个；

利用预先建立的可信度计算模型，计算得到所述特征值中部分或全部特征值的可信度值，所述可信度计算模型和所述特征值对应，且为分段函数式的可信度计算模型；

针对计算得到的每个可信度值，将可信度值与相应特征值的预设权重值相乘，得到相应特征值的标准可信度值；

将计算得到的所有所述标准可信度值相加，得到目标可信度值；

判断所述目标可信度值是否大于预设的可信度阈值，若是，则确定所述目标为可信目标，若否，则确定所述目标为不可信目标。

可选的，在利用预先建立的可信度计算模型，计算得到部分或全部所述特征值的可信度值的步骤前，还包括：

分析所述目标所处的运动状态，根据所述运动状态确定需要计算可信度值的特征值。

可选的，所述可信度计算模型包括静止目标可信度计算模型和运动目标可信度计算模型，在所述获取车载雷达接收的目标回波的步骤后，还包括：

分析所述目标是否处于静止状态，若是，则利用所述静止目标可信度计算模型计算所述特征值中部分或全部特征值的可信度值，若否，则利用所述运动目标可信度计算模型计算所述特征值中部分或全部特征值的可信度值。

可选的，所述目标的每个特征值的预设权重值包括静止目标权重值和运动目标权重值，在所述获取车载雷达接收的目标回波的步骤后，还包括：

分析所述目标是否处于静止状态，若是，则利用所述静止目标权重值计算标准可信度值，若否，则利用所述运动目标权重值计算标准可信度值。

可选的，所述特征值为距离维信杂噪比、多普勒维信杂噪比、方向维信杂噪比、远场雷达散射截面、近场雷达散射截面和方位角中的至少两个。

可选的，根据近场雷达散射截面计算公式，得到所述近场雷达散射截面，所述近场雷达散射截面计算公式为：

σ_n＝K₀·K(θ)·P_d·R²

其中，K₀表示完成雷达散射截面标定后的固定补偿值，K(θ)表示天线方向图引入的补偿值，P_d表示所述目标在距离-多普勒域的功率，R表示雷达测量到的目标斜距。

第二方面，本发明的实施例提供一种基于隶属度分析的目标可信度计算装置，包括：

获取单元，用于获取车载雷达接收的目标回波；

特征值提取单元，用于对所述目标回波进行处理，计算用于评估目标的可信度的特征值，所述特征值根据应用需求确定，且所述特征值的数量为至少两个；

特征可信度计算单元，用于利用预先建立的可信度计算模型，计算得到所述特征值中部分或全部特征值的可信度值，所述可信度计算模型和所述特征值对应，且为分段函数式的可信度计算模型；

特征可信度转换单元，用于针对计算得到的每个可信度值，将可信度值与相应特征值的预设权重值相乘，得到相应特征值的标准可信度值；

目标可信度计算单元，用于将计算得到的所有所述标准可信度值相加，得到目标可信度值；

目标可信判断单元，用于判断所述目标可信度值是否大于预设的可信度阈值，若是，则确定所述目标为可信目标，若否，则确定所述目标为不可信目标。

可选的，上述目标可信度计算装置，还包括：

特征确定单元，用于在利用预先建立的可信度计算模型，计算得到部分或全部所述特征值的可信度值之前，分析所述目标所处的运动状态，根据所述运动状态确定需要计算可信度值的特征值。

可选的，所述可信度计算模型包括静止目标可信度计算模型和运动目标可信度计算模型，所述装置还包括：

模型选择单元，用于在所述获取车载雷达接收的目标回波后，分析所述目标是否处于静止状态，若是，则特征可信度计算单元利用所述静止目标可信度计算模型计算所述特征值中部分或全部特征值的可信度值，若否，则特征可信度计算单元利用所述运动目标可信度计算模型计算所述特征值中部分或全部特征值的可信度值。

可选的，所述目标的每个特征值的预设权重值包括静止目标权重值和运动目标权重值，所述装置，还包括：

权值选择单元，用于在所述获取车载雷达接收的目标回波后，分析所述目标是否处于静止状态，若是，则特征可信度转换单元利用所述静止目标权重值计算标准可信度值，若否，则特征可信度转换单元利用所述运动目标权重值计算标准可信度值。

可选的，特征值提取单元计算得到的用于评估目标的可信度的特征值具体为：

距离维信杂噪比、多普勒维信杂噪比、方向维信杂噪比、远场雷达散射截面、近场雷达散射截面和方位角中的至少两个。

可选的，特征值提取单元计算近场雷达散射截面的过程具体为：

根据近场雷达散射截面计算公式，得到所述近场雷达散射截面，所述近场雷达散射截面计算公式为：

σ_n＝K₀·K(θ)·P_d·R²

其中，K₀表示完成雷达散射截面标定后的固定补偿值，K(θ)表示天线方向图引入的补偿值，P_d表示所述目标在距离-多普勒域的功率，R表示雷达测量到的目标斜距。

与现有技术相比，本发明的技术方案具有以下优点：

上述技术方案提供的一种基于隶属度分析的目标可信度计算方法及装置，对车载雷达接收的目标回波进行处理，得到影响目标的可信度的特征值，然后利用预先建立的可信度计算模型，计算得到特征值中部分或全部特征值的可信度值，并对计算得到的每个可信度值进行加权融合，得到目标可信度值，最后将目标可信度值与预设的可信度阈值进行比较来确定目标是否可信。本发明提供的基于隶属度分析的目标可信度计算方法，在获取一帧目标的信息后就能计算出目标的可信度值，相比于基于序贯的评估方法应用范围更广；且可信度计算模型为根据统计和经验建立的分段函数模型，相比于机器学习模型建立过程比较简单。本发明提供的基于隶属度分析的目标可信度计算方法，简化了目标可信度计算方法的实现方式，实现了目标可信度计算方法在实际应用中的可行性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种基于隶属度分析的目标可信度计算方法的流程图；

图2为本发明实施例提供的另一种基于隶属度分析的目标可信度计算方法的流程图；

图3为本发明实施例提供的又一种基于隶属度分析的目标可信度计算方法的流程图；

图4为本发明实施例提供的又一种基于隶属度分析的目标可信度计算方法的流程图；

图5为本发明实施例提供的实测目标可信度直方图；

图6为本发明实施例提供的目标可信分析的效果示意图；

图7为本发明实施例提供的一种基于隶属度分析的目标可信度计算装置的示意图；

图8为本发明实施例提供的一种车载控制器的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1示出了本发明提供的一种基于隶属度分析的目标可信度计算方法的流程图。该方法可以包括步骤：

S11：获取车载雷达接收的目标回波。

车载雷达发射电磁波对目标进行照射，并接收目标回波。

S12：对目标回波进行处理，计算用于评估目标的可信度的特征值。

执行步骤S12，对目标回波进行处理，得到距离-多普勒域的二维数据。根据该二维数据，计算得到影响目标的可信度的至少两个特征值。具体计算哪些特征值根据应用需求预先确定。

车载雷达探测到目标为不可信时，主要分为两类，一是虚假目标，即该检测点在实际场景中并不存在；二是测量出现的较大偏差，导致雷达处理无法容忍。出现不可信目标的原因主要有以下几点：1)噪声过强超过检测门限造成的虚假目标；2)信号处理错误造成参数测量错误；3)多径散射影响目标参数测量精度；4)多个目标落入同一分辨单元，互相干扰导致参数测量错误；5)目标回波经过其他目标二次反射后被雷达接收到造成的虚假目标；6)系统误差，如天线加工偏差，导致参数测量错误；7)目标的微多普勒效应引起的虚假目标；8)雷达工作异常导致的错误。

综合考虑上述多种原因引起的不可信目标情况，发明人发现不可信目标的特征值上有一定的特点，具体的1)不可信目标的信杂噪比较低；2)不可信目标的雷达散射截面较低；3)方位角θ也会影响目标的可信度。发明人在实现本发明的过程中，进一步分析得到影响目标的可信度的特征值包括但不限于距离维信杂噪比η_r、多普勒维信杂噪比η_v、方向维信杂噪比η_a、远场雷达散射截面σ_f、近场雷达散射截面σ_n和方位角θ等。且在工程实现中，发现具体哪些特征值影响目标的可信度与具体的应用需求有关。

并且发明人分析得到影响目标的可信度的特征值与目标的可信度之间并不存在绝对的相关性，也就是说，根据单个特征值并不能完全确定目标的可信度大小；但是，如果对至少两个特征值的可信度进行综合，那么可以计算得到合理的目标可信度，并覆盖多种不可信目标的情况。

需要说明的是，不同雷达，由于其处理方式、芯片功能等差异，使得不同类型雷达可以获得的特征值可能不同。但是对于某个车辆，可以根据车辆经常行驶的工况，确定要获取的哪些特征值，并设置可以获取这些特征值的雷达。其中，近场雷达散射截面的设立是由于车载雷达探测目标距离较近，其参数测量分辨率较高，因此某些大型目标对车载雷达而言其能量可能分散到多个检测点中，导致其雷达散射截面不满足远场雷达散射截面的计算方式。

下面详细介绍各个特征值的具体计算过程。

距离维信杂噪比η_r的计算公式为：

其中，P_d表示目标在距离-多普勒域的功率，P_nr表示目标邻近距离单元的杂波/噪声功率的统计值，该统计值可以通过恒虚警检测得到。目标是位于距离-多普勒域的二维数据中的某个点，计算该点数据的模值平方即为P_d。目标临近距离单元表示多普勒维的序号与目标相同，且距离维的序号与目标相差在阈值以内的点，示例性的该阈值可以为20。对于杂波/噪声功率是车载雷达非感兴趣目标的信号单元内的能量，且能量值非零；该能量可能由热噪声等噪声引起，也可能由杂波引起，或由噪声和杂波二者共同引起。目标邻近距离单元的杂噪声功率的统计值是统计目标邻近距离单元的所有杂噪声功率的均值。

多普勒维信杂噪比η_v的计算公式为：

其中，P_nv表示目标邻近多普勒单元的杂波/噪声功率的统计值，该统计值也可以通过恒虚警检测得到。目标临近多普勒单元表示距离维的序号与目标相同，且多普勒维的序号与目标相差在阈值以内的点，示例性的该阈值可以为20。

方向维信杂噪比η_a的计算公式为：

其中，P_s表示测角后目标对应的空间谱功率，P_ns表示空间谱域上的目标邻域的杂波/噪声功率的统计值，该统计值也可以通过恒虚警检测得到。测角运算会得到一个序列，称为空间谱，其峰值强度为目标对应的空间谱功率。

远场雷达散射截面σ_f的计算公式为：

σ_f＝K₀·K(θ)·P_d·R⁴

其中，K₀表示完成雷达散射截面标定后的固定补偿值，K(θ)表示天线方向图引入的补偿值，R表示雷达测量到的目标斜距。K₀、K(θ)是预先标定和测试得到的值，然后在目标可信度计算过程中，根据实时测量的R和P_d计算σ_f。目标位于不同角度时，天线的增益不同，通过K(θ)补偿这种增益的差异。

本实施例中，近场雷达散射截面σ_n基于实测分析得出的计算公式为：

σ_n＝K₀·K(θ)·P_d·R²

距离维信杂噪比η_r、多普勒维信杂噪比η_v、方向维信杂噪比η_a、远场雷达散射截面σ_f和近场雷达散射截面σ_n的可信度计算模型的输入量与输出量之间正相关。方位角θ的可信度计算模型的输入量的绝对值与输出量之间负相关。

S13：利用预先建立的可信度计算模型，计算得到特征值中部分或全部特征值的可信度值，可信度计算模型和特征值对应，且为分段函数式的可信度计算模型。

预先基于统计分析和物理特性分析建立特征值与可信度值之间的对应关系，即建立特征值的可信度计算模型。可信度计算模型为分段函数式的可信度计算模型，具体的分段方式和在每个特征值区间对应的可信度值可以根据系统需求、统计分析和经验值等综合考虑来设定，采用分段函数式的可信度计算模型一方面计算可信度值的计算量小，另一方面可以解决可信目标与不可信目标的特征值之间分布重叠、很难建立严格的数学模型的问题。需要说明的是该步骤中可信度计算模型和特征值对应是指：不同的特征值对应有不同的可信度计算模型，每个特征值对应的可信度计算模型可以为一个，也可以根据目标运动状态的不同分别设置静止目标可信度计算模型和运动目标可信度计算模型。

S14：针对计算得到的每个可信度值，将可信度值与相应特征值的预设权重值相乘，得到相应特征值的标准可信度值。

预先根据对各个特征值信任程度，设定相应的权重值。例如，认为方位角θ较大时会影响测角误差，而不会导致出现虚假目标，同时系统对测角误差的容忍度较高，因此，可以为方位角θ设置较小的权重值；认为多数虚假目标的远场雷达散射截面σ_f较小，则可以为远场雷达散射截面σ_f设置较大的权重值。

S15：将计算得到的所有标准可信度值相加，得到目标可信度值。

S16：判断目标可信度值是否大于预设的可信度阈值，若是，则确定目标为可信目标，若否，则确定目标为不可信目标。

其中，可信度阈值根据经验和统计设定。

本实施例提供的上述基于隶属度分析的目标可信度计算方法，先利用预先建立的分段函数式的可信度计算模型，对影响目标的可信度的特征值对应的可信度值进行计算，而后对各个特征值对应的可信度值进行加权融合，得到目标归属于真实目标且参数测量正确集合的隶属度，即得到目标可信度值，最后将目标可信度值与预设的可信度阈值进行比较来确定目标是否可信。本发明提供的基于隶属度分析的目标可信度计算方法，在获取一帧目标的信息后就能计算出目标的可信度值，相比于基于序贯的评估方法应用范围更广；且可信度计算模型为根据统计和经验建立的分段函数模型，相比于机器学习模型建立过程比较简单。

在一个具体实施例中，可根据目标的运动状态确定需要计算可信度的特征值。例如，若目标处于静止状态，则确定计算得到的特征值中部分特征值需要计算可信度；若目标处于运动状态，则确定计算得到的特征值中所有特征值需要计算可信度。在其他实施例中，还可以根据其它参数，如天气情况等确定需要计算可信度的特征值。进而提升目标可信度评价时的针对性，更有效的筛选出可信目标。

车载雷达在信号处理中，也会根据车速信息结合目标的多普勒速度、方位角测量值，判断目标相对地面是静止还是运动。目标被判别为静止时，说明其参数测量满足了一定条件，参数测量错误的概率较小。也就是说静止目标和运动目标的特征值相同时，对其可信度的影响程度也是不一样的，甚至某些特征值不会影响到目标的可信度。因此，在本发明的一些具体实施例中，可信度计算模型分为静止目标可信度计算模型和运动目标可信度计算模型两种，并根据目标的不同状态，进行不同处理。参见图2所示，在获取车载雷达接收的目标回波的步骤后，还包括：分析目标是否处于静止状态，若是，则利用静止目标可信度计算模型计算特征值中部分或全部特征值的可信度值，若否，则利用运动目标可信度计算模型计算特征值中部分或全部特征值的可信度值。

在本发明的另一些具体实施例中，目标的每个特征值的预设权重值包括静止目标权重值和运动目标权重值，参见图3所示，在获取车载雷达接收的目标回波的步骤后，还包括：分析目标是否处于静止状态，若是，则利用静止目标权重值计算标准可信度值，若否，则利用运动目标权重值计算标准可信度值。需要说明的是，在某些特征值不会影响到目标的可信度时，可将相应的权重值取值为0，如对于不会影响到静止目标的可信度的特征值，为该特征值的静止目标权重值取值0。

在本发明的又一些具体实施例中，可信度阈值包括静止目标可信度阈值和运动目标可信度阈值，参见图4所示，在获取车载雷达接收的目标回波的步骤后，还包括：分析所述目标是否处于静止状态，若是，则利用静止目标可信度阈值判断目标是否可信，若否，则利用运动目标可信度阈值判断目标是否可信。根据为不同运动状态的目标选择不同的可信度阈值，提升了目标可信度评价时的针对性，可更有效的筛选出可信目标。

下面通过实验数据说明本发明提供的基于隶属度分析的目标可信度计算方法的有效性。采用距离维SCNR(signal to clutter-noise ratio，信杂噪比)、远场RCS(Radar-Cross Section，雷达散射截面)、方位角和方向维SCNR四个特征值进行目标的可信度计算。分别建立的静止目标和运动目标的特征值的可信度计算模型如下表所示。

对权重值的设置，暂不区分目标运动状态，统一设置上述四个特征值的权重值分别为0.2、0.3、0.1和0.4。在车辆的左前角和右前角分别安装一个雷达。对这两个雷达得到的某一时刻的所有目标进行可信度值计算，并统计其直方图，结果如图5所示横坐标为可信度值，纵坐标为分布频数。可以看出多数目标的可信度值都大于0.7。在本实施例中认为可信度值小于0.65的目标是不可信的。图6示出了利用本发明提供的基于隶属度分析的目标可信度计算方法计算得到的可信目标和不可信目标的坐标示意图，横纵坐标的单位为米，图中方框表示可信目标，圆圈表示不可信目标。

车载雷达工作过程中，车辆两侧存在的护栏和车体可能引起多次反射，导致虚假目标或参数估计错误，可以看出利用本发明提供的基于隶属度分析的目标可信度计算方法计算得到的不可信目标，正是位于车体上的目标和护栏附近的虚假目标，且具体分析这些不可信目标的速度，都无法与实际场景中的目标真实速度对应，验证了本发明提供的基于隶属度分析的目标可信度计算方法的有效性。

对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

参见图7，为本实施例提供的一种基于隶属度分析的目标可信度计算装置的示意图，该装置包括：获取单元71、特征值提取单元72、特征可信度计算单元73、特征可信度转换单元74、目标可信度计算单元75和目标可信判断单元76。其中，

获取单元71，用于获取车载雷达接收的目标回波。

特征值提取单元72，用于对目标回波进行处理，计算用于评估目标的可信度的特征值，特征值根据应用需求确定，且特征值的数量为至少两个。

特征可信度计算单元73，用于利用预先建立的可信度计算模型，计算得到特征值中部分或全部特征值的可信度值，可信度计算模型和特征值对应，且为分段函数式的可信度计算模型。

特征可信度转换单元74，用于针对计算得到的每个可信度值，将可信度值与相应特征值的预设权重值相乘，得到相应特征值的标准可信度值。

目标可信度计算单元75，用于将计算得到的所有标准可信度值相加，得到目标可信度值。

目标可信判断单元76，用于判断目标可信度值是否大于预设的可信度阈值，若是，则确定目标为可信目标，若否，则确定目标为不可信目标。

可选的，目标可信度计算装置还包括：特征确定单元，用于在利用预先建立的可信度计算模型，计算得到部分或全部所述特征值的可信度值之前，分析目标所处的运动状态，根据运动状态确定需要计算可信度值的特征值。

可选的，可信度计算模型包括静止目标可信度计算模型和运动目标可信度计算模型，目标可信度计算装置还包括：模型选择单元，用于在获取车载雷达接收的目标回波后，分析目标是否处于静止状态，若是，则特征可信度计算单元73利用静止目标可信度计算模型计算特征值中部分或全部特征值的可信度值，若否，则特征可信度计算单元73利用运动目标可信度计算模型计算特征值中部分或全部特征值的可信度值。

可选的，目标的每个特征值的预设权重值包括静止目标权重值和运动目标权重值，目标可信度计算装置还包括：权值选择单元，用于在获取车载雷达接收的目标回波后，分析目标是否处于静止状态，若是，则特征可信度转换单元74利用静止目标权重值计算标准可信度值，若否，则特征可信度转换单元74利用运动目标权重值计算标准可信度值。

可选的，可信度阈值包括静止目标可信度阈值和运动目标可信度阈值，目标可信度计算装置还包括：阈值选择单元，用于在获取车载雷达接收的目标回波后，分析目标是否处于静止状态，若是，则目标可信判断单元76利用静止目标可信度阈值判断目标是否可信，若否，则目标可信判断单元76利用运动目标可信度阈值判断目标是否可信。

可选的，用于评估目标的可信度的特征值为距离维信杂噪比、多普勒维信杂噪比、方向维信杂噪比、远场雷达散射截面、近场雷达散射截面和方位角中的至少两个。

可选的，近场雷达散射截面计算公式为：

σ_n＝K₀·K(θ)·P_d·R²

其中，K₀表示完成雷达散射截面标定后的固定补偿值，K(θ)表示天线方向图引入的补偿值，P_d表示所述目标在距离-多普勒域的功率，R表示雷达测量到的目标斜距。

参见图8，为本发明车载控制器的较佳实施例的示意图。车载控制器的硬件结构可以包括：至少一个处理器81，至少一个通信接口82，至少一个存储器83和至少一个通信总线84；处理器81、通信接口82、存储器83通过通信总线84完成相互间的通信。

处理器81在一些实施例中可以是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本发明实施例的一个或多个集成电路等。

通信接口82可以包括标准的有线接口、无线接口(如WI-FI接口)。通常用于在数据校验设备与其他电子设备或系统之间建立通信连接。

存储器83包括至少一种类型的可读存储介质。可读存储介质可以为如闪存、硬盘、多媒体卡、卡型存储器等NVM(non-volatile memory，非易失性存储器)。可读存储介质还可以是高速RAM(random access memory，随机存取存储器)存储器。

其中，存储器83存储有计算机程序，处理器81可调用存储器83存储的计算机程序，所述计算机程序用于：

获取车载雷达接收的目标回波；

对目标回波进行处理，计算用于评估目标的可信度的特征值述特征值根据应用需求确定，且特征值的数量为至少两个；

利用预先建立的可信度计算模型，计算得到特征值中部分或全部特征值的可信度值，可信度计算模型和特征值对应，且为分段函数式的可信度计算模型；

针对计算得到的每个可信度值，将可信度值与相应特征值的预设权重值相乘，得到相应特征值的标准可信度值；

将计算得到的所有标准可信度值相加，得到目标可信度值；

判断目标可信度值是否大于预设的可信度阈值，若是，则确定目标为可信目标，若否，则确定目标为不可信目标。

所述程序的细化功能和扩展功能可参照上文描述。

图8仅示出了具有组件81～84的车载控制器，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本发明实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：

获取车载雷达接收的目标回波；

对目标回波进行处理，计算用于评估目标的可信度的特征值，特征值根据应用需求确定，且特征值的数量为至少两个；

利用预先建立的可信度计算模型，计算得到特征值中部分或全部特征值的可信度值，可信度计算模型和特征值对应，且为分段函数式的可信度计算模型；

针对计算得到的每个可信度值，将可信度值与相应特征值的预设权重值相乘，得到相应特征值的标准可信度值；

将计算得到的所有所述标准可信度值相加，得到目标可信度值；

判断目标可信度值是否大于预设的可信度阈值，若是，则确定目标为可信目标，若否，则确定目标为不可信目标。

所述程序的细化功能和扩展功能可参照上文描述。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对本发明所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于隶属度分析的目标可信度计算方法，其特征在于，包括：

获取车载雷达接收的目标回波；

对所述目标回波进行处理，计算用于评估目标的可信度的特征值，所述特征值根据应用需求确定，且所述特征值的数量为至少两个；

利用预先建立的可信度计算模型，计算得到所述特征值中部分或全部特征值的可信度值，所述可信度计算模型和所述特征值对应，且为分段函数式的可信度计算模型；

针对计算得到的每个可信度值，将可信度值与相应特征值的预设权重值相乘，得到相应特征值的标准可信度值；

将计算得到的所有所述标准可信度值相加，得到目标可信度值；

判断所述目标可信度值是否大于预设的可信度阈值，若是，则确定所述目标为可信目标，若否，则确定所述目标为不可信目标。

2.根据权利要求1所述的目标可信度计算方法，其特征在于，在利用预先建立的可信度计算模型，计算得到部分或全部所述特征值的可信度值的步骤前，还包括：

分析所述目标所处的运动状态，根据所述运动状态确定需要计算可信度值的特征值。

3.根据权利要求1所述的目标可信度计算方法，其特征在于，所述可信度计算模型包括静止目标可信度计算模型和运动目标可信度计算模型，在所述获取车载雷达接收的目标回波的步骤后，还包括：

分析所述目标是否处于静止状态，若是，则利用所述静止目标可信度计算模型计算所述特征值中部分或全部特征值的可信度值，若否，则利用所述运动目标可信度计算模型计算所述特征值中部分或全部特征值的可信度值。

4.根据权利要求1所述的目标可信度计算方法，其特征在于，所述目标的每个特征值的预设权重值包括静止目标权重值和运动目标权重值，在所述获取车载雷达接收的目标回波的步骤后，还包括：

分析所述目标是否处于静止状态，若是，则利用所述静止目标权重值计算标准可信度值，若否，则利用所述运动目标权重值计算标准可信度值。

5.根据权利要求1～4任意一项所述的目标可信度计算方法，其特征在于，所述特征值为距离维信杂噪比、多普勒维信杂噪比、方向维信杂噪比、远场雷达散射截面、近场雷达散射截面和方位角中的至少两个。

6.根据权利要求5所述的目标可信度计算方法，其特征在于，根据近场雷达散射截面计算公式，得到所述近场雷达散射截面，所述近场雷达散射截面计算公式为：

σ_n＝K₀·K(θ)·P_d·R²

其中，K₀表示完成雷达散射截面标定后的固定补偿值，K(θ)表示天线方向图引入的补偿值，P_d表示所述目标在距离-多普勒域的功率，R表示雷达测量到的目标斜距。

7.一种基于隶属度分析的目标可信度计算装置，其特征在于，包括：

获取单元，用于获取车载雷达接收的目标回波；

特征值提取单元，用于对所述目标回波进行处理，计算用于评估目标的可信度的特征值，所述特征值根据应用需求确定，且所述特征值的数量为至少两个；

特征可信度计算单元，用于利用预先建立的可信度计算模型，计算得到所述特征值中部分或全部特征值的可信度值，所述可信度计算模型和所述特征值对应，且为分段函数式的可信度计算模型；

特征可信度转换单元，用于针对计算得到的每个可信度值，将可信度值与相应特征值的预设权重值相乘，得到相应特征值的标准可信度值；

目标可信度计算单元，用于将计算得到的所有所述标准可信度值相加，得到目标可信度值；

目标可信判断单元，用于判断所述目标可信度值是否大于预设的可信度阈值，若是，则确定所述目标为可信目标，若否，则确定所述目标为不可信目标。

8.根据权利要求7所述的目标可信度计算装置，其特征在于，还包括：

特征确定单元，用于在利用预先建立的可信度计算模型，计算得到部分或全部所述特征值的可信度值之前，分析所述目标所处的运动状态，根据所述运动状态确定需要计算可信度值的特征值。

9.根据权利要求7所述的目标可信度计算装置，其特征在于，所述可信度计算模型包括静止目标可信度计算模型和运动目标可信度计算模型，所述装置还包括：

模型选择单元，用于在所述获取车载雷达接收的目标回波后，分析所述目标是否处于静止状态，若是，则所述特征可信度计算单元利用所述静止目标可信度计算模型计算所述特征值中部分或全部特征值的可信度值，若否，则所述特征可信度计算单元利用所述运动目标可信度计算模型计算所述特征值中部分或全部特征值的可信度值。

10.根据权利要求7所述的目标可信度计算装置，其特征在于，所述目标的每个特征值的预设权重值包括静止目标权重值和运动目标权重值，所述装置，还包括：

权值选择单元，用于在所述获取车载雷达接收的目标回波后，分析所述目标是否处于静止状态，若是，则所述特征可信度转换单元利用所述静止目标权重值计算标准可信度值，若否，则所述特征可信度转换单元利用所述运动目标权重值计算标准可信度值。

Images