CN111722195A - 一种雷达遮挡检测方法及计算机存储介质 - Google Patents
一种雷达遮挡检测方法及计算机存储介质 Download PDFInfo
- Publication number
- CN111722195A CN111722195A CN202010603856.3A CN202010603856A CN111722195A CN 111722195 A CN111722195 A CN 111722195A CN 202010603856 A CN202010603856 A CN 202010603856A CN 111722195 A CN111722195 A CN 111722195A
- Authority
- CN
- China
- Prior art keywords
- data
- radar
- neural network
- occlusion
- degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
- G01S7/4004—Means for monitoring or calibrating of parts of a radar system
- G01S7/4039—Means for monitoring or calibrating of parts of a radar system of sensor or antenna obstruction, e.g. dirt- or ice-coating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种雷达遮挡检测方法及计算机存储介质,该方法包括以下步骤:在同一场景下采集不同遮挡程度下的雷达回波信号,构建训练数据集;通过训练数据集对神经网络进行迭代优化训练,得到训练后的神经网络;基于训练后的神经网络对实时雷达回波信号进行测试,以对雷达的遮挡程度进行检测。本发明通过采用神经网络算法,准确的检测复杂坏境下的雷达表面遮挡程度,以用于提醒用户进行维护,为雷达目标识别的准确性和稳定性提供良好的保障。
Description
技术领域
本发明涉及雷达信号处理技术领域,尤其涉及一种雷达遮挡检测方法及计算机存储介质。
背景技术
近年来,车辆事故带来的死伤和财产损失的统计数据,以及技术辅助手段可以预防部分事故的估计数据,促进了车载雷达飞速的发展。特别是毫米波雷达的应用,其体积小、易集成、空间分辨率高以及全天候的特点,使其广泛应用于汽车电子、无人机、智能交通等领域。
因此,雷达应用的可靠性和稳定性是需要研究重点领域,一方面雷达目标的检测与分类广泛应用于军事和民用等领域,其受复杂环境产生的杂波或噪声以及目标类型多样化的影响,一定程度的影响其可靠性和稳定性。另一方面,本案申请人在实际应用中,发现雷达的自身的清洁度也在一定程度上影响其可靠性和稳定性,例如,在日常车辆行驶中,由于天气、周边环境或者人为因素,导致车载雷达表面附着一些诸如泥土、水、冰雪等物体,而雷达在被附着物遮挡的情形下,探测距离和探测可信度会下降。
而由于雷达本身的原因,比如发射天线和接收天线之间的干扰,雷达会存在近距盲区,雷达无法直接利用检测外部目标的算法去探测到雷达表面目标,对表面遮挡物的检测存在局限性。
发明内容
有鉴于此,本发明的目的在于提供一种雷达遮挡检测方法及计算机存储介质,通过采用神经网络算法,准确的检测复杂坏境下的雷达表面遮挡程度,以用于提醒用户进行维护,为雷达目标识别的准确性和稳定性提供良好的保障。
为实现上述目的,本发明实施例第一方面提供一种雷达遮挡检测方法,作为其中一种实施方式,该雷达遮挡检测方法包括以下步骤:
在同一场景下采集不同遮挡程度下的雷达回波信号,构建训练数据集;
通过所述训练数据集对神经网络进行迭代优化训练,得到训练后的神经网络;
基于训练后的神经网络对实时雷达回波信号进行测试,以对雷达的遮挡程度进行检测。
作为其中一种实施方式,所述在同一场景下采集不同遮挡程度下的雷达回波信号,构建训练数据集的步骤包括:
采集不同遮挡程度下的雷达回波信号,并对所述雷达回波信号进行傅里叶变换得到对应的频谱数据;
根据每个所述频谱数据得到对应的频谱能量,包括多个实验组频谱能量以及一组作为参考的对照组频谱能量;
根据每个所述实验组频谱能量和所述对照组频谱能量得到对应的遮挡程度数据;
以所述频谱数据和所述遮挡程度数据构建所述训练数据集。
作为其中一种实施方式,频谱能量的计算公式为:
其中,FSj=(x1j,x2j,x3j,…,xnj),j代表第j次遮挡实验,xij为频域中第i个频率值的辐值大小,Pj代表第j次遮挡实验的频谱能量,k的取值依据实际有效探测距离内的频谱能量确定。
作为其中一种实施方式,遮挡程度数据的计算公式为:
其中,degreej表示第j次实验的遮挡程度数据,PA代表完全不遮挡实验的频谱能量,PB代表完全遮挡实验的频谱能量,PA和PB作为参考的对照组频谱能量。
作为其中一种实施方式,以所述频谱数据和所述遮挡程度数据构建所述训练数据集的步骤包括:
对所述频谱数据进行预处理得到预处理后的数据信息;
以预处理后的数据信息和所述遮挡程度数据构建所述训练数据集。
作为其中一种实施方式,对所述频谱数据进行预处理得到预处理后的数据信息的步骤包括:
将FS分为m个互不相交的频率区间FR1、FR2、…、FRm,然后获取每个频率区间的最值和/或均值,以及高频率段FRi和低频率段FR1的最大频值比例max(FRi)/max(FR1),i>1,以得到所述预处理后的数据信息,其中,FS为n维向量的频谱数据,FS=(x1,x2,x3,…,xn)。
作为其中一种实施方式,通过所述训练数据集对神经网络进行迭代优化训练,得到训练后的神经网络的步骤包括:
采用BP神经网络,在给定隐藏层和输出层的激活函数,损失函数和终止迭代条件下,将所述训练数据集导入BP神经网络中,经过多次训练,得到训练后的神经网络。
作为其中一种实施方式,基于训练后的神经网络对实时雷达回波信号进行测试,以对雷达的遮挡程度进行检测的步骤包括:
在预设时长内多次采集实时雷达回波信号,并进行快速傅里叶变化得到对应的频谱数据;
对所述频谱数据进行预处理得到输入数据,所述预处理包括提取所述频谱数据的统计特征;
将所述输入数据输入训练后的神经网络中得到多个数据结果;
对所述多个数据结果进行平滑处理,得到遮挡程度数据,以对雷达的遮挡程度进行检测。
作为其中一种实施方式,对所述多个数据结果进行平滑处理,得到遮挡程度数据,以对雷达的遮挡程度进行检测的步骤包括:
对所述多个数据结果进行平滑处理,得到所述遮挡程度数据,其中所述平滑处理包括取均值或众数;
对所述遮挡程度数据进行可信程度分析;
根据所述遮挡程度数据和所述遮挡程度数据的可信程度分析结果做出相应的处理,以对雷达的遮挡程度进行检测。
为实现上述目的,本发明实施例第二方面提供一种计算机存储介质,存储有计算机程序指令,所述计算机程序指令被处理器执行时,实现上述任一实施方式的雷达遮挡检测方法。
综上,本发明提供一种雷达遮挡检测方法及计算机存储介质,通过在同一场景下采集不同遮挡程度下的雷达回波信号,构建训练数据集;然后通过训练数据集对神经网络进行迭代优化训练,得到训练后的神经网络;最后基于训练后的神经网络对实时雷达回波信号进行测试,以对雷达的遮挡程度进行检测。本发明通过采用神经网络算法,准确的检测复杂坏境下的雷达表面遮挡程度,以用于提醒用户进行维护,为雷达目标识别的准确性和稳定性提供良好的保障。
附图说明
图1为本发明一实施例提供雷达遮挡检测方法的流程示意图。
图2为本发明另一实施例提供雷达遮挡检测方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例,仅仅用以解释本发明,并不用于限定本发明。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。
请参考图1,图1为本发明一实施例提供雷达遮挡检测方法的流程示意图。如图1所示,该雷达遮挡检测方法包括以下步骤:
步骤S11:在同一场景下采集不同遮挡程度下的雷达回波信号,构建训练数据集。
其中,同一场景指采集雷达回波信号时,周围的环境相同。从而通过在同一场景下改变雷达表面的遮挡程度,获取对应的多组信号数据,以确保采集数据样本的多样性,以构建用于训练神经网络的训练数据集。
作为其中一种实施方式,步骤S11:在同一场景下采集不同遮挡程度下的雷达回波信号,构建训练数据集包括:
采集不同遮挡程度下的雷达回波信号,并对雷达回波信号进行傅里叶变换得到对应的频谱数据;
根据每个频谱数据得到对应的频谱能量,包括多个实验组频谱能量以及一组作为参考的对照组频谱能量;
根据每个实验组频谱能量和对照组频谱能量得到对应的遮挡程度数据;
以频谱数据和遮挡程度数据构建所述训练数据集。
具体地,在采集不同遮挡程度下的雷达回波信号,并对雷达回波信号进行傅里叶变换得到对应的频谱数据时,在同一场景下,先做两组对照组实验。其中,一组为雷达表面完全不遮挡实验,记为A,其雷达回波信号经过傅里叶变换得到对应的频谱数据为FSA,另外一组为雷达表面完全遮挡实验(其中,雷达表面完全遮挡判断依据是在距离雷达法线方向一米处放置一个5dbsm的角反,若雷达无法探测到该位置存在目标,即可视为完全遮挡。当然,雷达表面完全遮挡判断依据不仅仅限于此实施方式),记为B,其雷达回波信号经过傅里叶变换得到对应的频谱数据为FSB。然后在该场景下,分别将水、泥等物体不同程度的覆盖在雷达表面,获取多组实验组雷达回波信号数据,并相应的进行傅里叶变化得到对应的频谱数据FSj,其中j代表第j次实验组遮挡实验。其中,假设频谱数据为n维向量FS,则FSA=(x1A,x2A,x3A,…,xnA),FSB=(x1B,x2B,x3B,…,xnB),FSj=(x1j,x2j,x3j,…,xnj),其中xiA,xiB,xij为频域中第i个频率值的辐值大小。
然后,根据每个频谱数据得到对应的频谱能量,即包括多个实验组频谱能量以及一组作为参考的对照组频谱能量。其中,一组作为参考的对照组频谱能量指雷达表面完全不遮挡实验和雷达表面完全遮挡实验下的频谱能量。
在一实施方式中,频谱能量的计算公式为:
其中,FSj=(x1j,x2j,x3j,…,xnj),j代表第j次遮挡实验,xij为频域中第i个频率值的辐值大小,Pj代表第j次遮挡实验的频谱能量,k的取值依据实际有效探测距离内的频谱能量确定。
具体地,PA、PB、Pj均由上述频谱能量的计算公式得出,其中k的取值依实际情况而定,即不考虑近距盲区处的能量,只考虑雷达实际有效探测距离内的频谱能量。对于上述频谱能量,因为雷达表面的附着物能够吸收或反射部分电磁波能量,因此实验组的频谱能量和对照组的频谱能量满足以下关系:PA大于或等于Pj,PA大于PB。
在得到各组数据的频谱能量后,通过频谱能量计算每组实验的遮挡程度标签,即遮挡程度数据,其中,计算公式并不进行限制,作为其中一种实施方式,遮挡程度标签的计算公式为:
其中,degreej表示第j次实验的遮挡程度数据,PA代表完全不遮挡实验的频谱能量,PB代表完全遮挡实验的频谱能量,PA和PB作为参考的对照组频谱能量。
值得一提的是,与雷达目标检测、识别或分类不同,本技术方案中只需获得不同遮挡程度实验的频谱能量,这一点与图像识别和分类的方法存在较大的差异。
在一实施方式中,以频谱数据和遮挡程度数据构建训练数据集的步骤包括:
对频谱数据进行预处理得到预处理后的数据信息;
以预处理后的数据信息和遮挡程度数据构建训练数据集。
具体地,训练数据集包括用于训练神经网络的输入数据和输出数据,其中输入数据可以是频谱数据,输出数据为每个频谱数据对应的遮挡程度标签。但是,如果直接将频谱数据作为神经网络的输入,虽然可以充分的保留原始数据的信息,但是会由于原始数据维度过高,从而导致计算量过大。因此,本实施方式中通过对原始频谱数据进行预处理以进行降维。
在一实施方式中,对频谱数据进行预处理得到预处理后的数据信息的步骤包括:
将频谱数据FS分为m个互不相交的频率区间FR1、FR2、…、FRm,然后获取每个频率区间的最值和/或均值,以及高频率段FRi和低频率段FR1的最大频值比例max(FRi)/max(FR1),i>1,以得到所述预处理后的数据信息,其中,FS为n维向量的频谱数据,FS=(x1,x2,x3,…,xn)。
具体地,原始频谱数据FS为n维向量,FS=(x1,x2,x3,…,xn)。将FS分为m个互不相交的频率区间FR1、FR2、…、FRm,然后分别对每个频率区间取最值或均值等特征,以及取高频率段FRi和低频率段FR1的最大频值比例max(FRi)/max(FR1),i>1。对原始频谱数据预处理完之后,可以得到一组统计信息,如c1、c2、…、cq,最后将这些统计信息作为神经网络的输入。
步骤S12:通过所述训练数据集对神经网络进行迭代优化训练,得到训练后的神经网络。
具体地,神经网络是机器学习中的一种模型,是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。神经网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。此处通过训练数据集对神经网络进行迭代优化训练时,训练数据可以是原始频谱数据,也可以是预处理之后的统计特征数据,利用训练数据对神经网络进行迭代优化训练,得到训练后的神经网络。
在一实施方式中,步骤S12:通过训练数据集对神经网络进行迭代优化训练,得到训练后的神经网络包括:
采用BP神经网络,在给定隐藏层和输出层的激活函数,损失函数和终止迭代条件下,将所述训练数据集导入BP神经网络中,经过多次训练,得到训练后的神经网络。
具体地,BP(back propagation)神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络,其算法称为BP算法,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。由于本技术方案中是通过频谱数据和由频谱能量得到的遮挡程度标签作为训练数据集对神经网络进行迭代优化训练,因此可通过采用普通的神经网络,如BP神经网络,在给定隐藏层和输出层的激活函数,损失函数和终止迭代条件下,将训练数据集导入BP神经网络中,经过多次训练,得到训练后的神经网络,而不涉及图像处理的复杂神经网络,如卷积神经网络。
步骤S13:基于训练后的神经网络对实时雷达回波信号进行测试,以对雷达的遮挡程度进行检测。
请参考图2,图2为本发明另一实施例提供雷达遮挡检测方法的流程示意图,如图2所示,在一实施方式中,雷达遮挡检测方法包括:
步骤S21:在同一场景下采集不同遮挡程度下的雷达回波信号,构建训练数据集;
步骤S22:通过所述训练数据集对神经网络进行迭代优化训练,得到训练后的神经网络;
步骤S23:在预设时长内多次采集实时雷达回波信号,并进行快速傅里叶变化得到对应的频谱数据;
步骤S24:对所述频谱数据进行预处理得到输入数据,所述预处理包括提取所述频谱数据的统计特征;
步骤S25:将所述输入数据输入训练后的神经网络中得到多个数据结果;
步骤S26:对所述多个数据结果进行平滑处理,得到遮挡程度数据,以对雷达的遮挡程度进行检测。
具体地,在本实施方式中,步骤S21、S22与前述步骤S11、S12内容相同,仅在后续利用训练好的神经网络对实时雷达回波信号进行测试时,存在不同。本实施例中,为了更好的完成雷达遮挡程度检测,通过在一定时长内多次采集实时雷达回波信号,经过处理及运算得到一组遮挡程度数据,然后对该组遮挡程度数据进行平滑处理,得到最终的雷达遮挡程度数据,使检测更加准确。
在一实施方式中,平滑处理包括取均值或众数。
具体地,在一定时长内通过神经网络计算得到多个结果,记为d1,d2,…,dt对这组数据取均值或众数,并将该结果作为最终的遮挡程度数据。当然,在取均值过程中也可以先去掉该组数据的最大值和最小值,然后进行均值处理,得到最终的雷达遮挡程度数据。
在一实施方式中,对多个数据结果进行平滑处理,得到遮挡程度数据,以对雷达的遮挡程度进行检测的步骤包括:
对多个数据结果进行平滑处理,得到遮挡程度数据;
对遮挡程度数据进行可信程度分析;
根据遮挡程度数据和该遮挡程度数据的可信程度做出相应的处理,以对雷达的遮挡程度进行检测。
具体地,在规定时间内利用训练好的神经网络计算出的一组结果值d1,d2,…,dt,以及做完平滑处理后的遮挡程度数据d,然后根据预先设置的阈值μ,统计d1,d2,…,dt落在区间[d-μ,d+μ]的个数t′,并将计算结果(t与t′的比值)作为遮挡程度数据的可信程度,雷达将根据遮挡程度数据d和可信程度综合考虑,然后做出相应的处理,以完成雷达的遮挡程度检测。例如,根据遮挡程度数据对遮挡程度分类为部分遮挡和完全遮挡时,通过预先设置两组预设值,如LEVEL1=(degree_1,confidence_1),LEVEL2=(degree_2,confidence_2),其中degree为遮挡程度数据,confidence为可信程度,当degree_2>遮挡程度数据>degree_1且可信程度>confidence_1时,雷达判断自身为部分遮挡;当遮挡程度数据>degree_2且可信程度>confidence_2时,雷达判断自身为完全遮挡,进行完成对雷达的遮挡程度检测。
在一实施方式中,步骤S13或步骤26后还包括:
在雷达遮挡程度数据达到预设值时,发送提醒信息。
在一实施方式中,步骤S13或步骤26后还包括:
根据雷达遮挡程度数据对雷达相应的功能进行降级处理。
具体地,根据雷达遮挡程度数据对雷达相应的功能进行降级处理之前可以先发送提醒信息,在发送提醒信息后的预设时长内,遮挡程度未变小,则对雷达的相应功能进行降级处理,以降低安全隐患,例如,雷达的一些安全功能等级降低,比如汽车盲区报警,在雷达被部分遮挡时,该报警的范围将缩小,在雷达被完全遮挡时,该报警将变的不可信。当然功能降级处理时还可以结合其它判断条件,例如车速、路段特征等。需要说明的是,根据雷达遮挡程度数据对雷达相应的功能进行降级处理时,可以根据遮挡程度数据,也可以通过雷达遮挡程度,即根据雷达遮挡程度数据和该遮挡程度数据的可信程度得出的雷达遮挡程度,包括部分遮挡和完全遮挡。当然遮挡程度分类不仅仅局限于两种,还可以进行细分,例如低程度覆盖、中程度覆盖和高程度覆盖。
综上,本发明提供一种雷达遮挡检测方法,通过在同一场景下采集不同遮挡程度下的雷达回波信号,构建训练数据集;然后通过训练数据集对神经网络进行迭代优化训练,得到训练后的神经网络;最后基于训练后的神经网络对实时雷达回波信号进行测试,以对雷达的遮挡程度进行检测。本发明通过采用神经网络算法,准确的检测复杂坏境下的雷达表面遮挡程度,以用于提醒用户进行维护,为雷达目标识别的准确性和稳定性提供良好的保障。
本申请还提供一种计算机存储介质,计算机存储介质上存储有计算机程序指令;计算机程序指令被处理器执行时实现如上所述的雷达遮挡检测方法。
本实施例的计算机存储介质存储的计算机程序指令被处理器执行时实现的具体步骤流程请参图1或图2所示实施例的描述,在此不再赘述。
综上,本发明提供一种计算机存储介质,通过在同一场景下采集不同遮挡程度下的雷达回波信号,构建训练数据集;然后通过训练数据集对神经网络进行迭代优化训练,得到训练后的神经网络;最后基于训练后的神经网络对实时雷达回波信号进行测试,以对雷达的遮挡程度进行检测。本发明通过采用神经网络算法,准确的检测复杂坏境下的雷达表面遮挡程度,以用于提醒用户进行维护,为雷达目标识别的准确性和稳定性提供良好的保障。
以上结合附图详细描述了本发明的优选实施方式,但是本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
Claims (10)
1.一种雷达遮挡检测方法,其特征在于,包括以下步骤:
在同一场景下采集不同遮挡程度下的雷达回波信号,构建训练数据集;
通过所述训练数据集对神经网络进行迭代优化训练,得到训练后的神经网络;
基于训练后的神经网络对实时雷达回波信号进行测试,以对雷达的遮挡程度进行检测。
2.根据权利要求1所述的雷达遮挡检测方法,其特征在于,所述在同一场景下采集不同遮挡程度下的雷达回波信号,构建训练数据集的步骤包括:
采集不同遮挡程度下的雷达回波信号,并对所述雷达回波信号进行傅里叶变换得到对应的频谱数据;
根据每个所述频谱数据得到对应的频谱能量,包括多个实验组频谱能量以及一组作为参考的对照组频谱能量;
根据每个所述实验组频谱能量和所述对照组频谱能量得到对应的遮挡程度数据;
以所述频谱数据和所述遮挡程度数据构建所述训练数据集。
5.根据权利要求2所述的雷达遮挡检测方法,其特征在于,以所述频谱数据和所述遮挡程度数据构建所述训练数据集的步骤包括:
对所述频谱数据进行预处理得到预处理后的数据信息;
以预处理后的数据信息和所述遮挡程度数据构建所述训练数据集。
6.根据权利要求5所述的雷达遮挡检测方法,其特征在于,对所述频谱数据进行预处理得到预处理后的数据信息的步骤包括:
将频谱数据FS分为m个互不相交的频率区间FR1、FR2、…、FRm,然后获取每个频率区间的最值和/或均值,以及高频率段FRi和低频率段FR1的最大频值比例max(FRi)/max(FR1),i>1,以得到所述预处理后的数据信息,其中,FS为n维向量的频谱数据,FS=(x1,x2,x3,…,xn)。
7.根据权利要求1所述的雷达遮挡检测方法,其特征在于,通过所述训练数据集对神经网络进行迭代优化训练,得到训练后的神经网络的步骤包括:
采用BP神经网络,在给定隐藏层和输出层的激活函数,损失函数和终止迭代条件下,将所述训练数据集导入BP神经网络中,经过多次训练,得到训练后的神经网络。
8.根据权利要求1所述的雷达遮挡检测方法,其特征在于,基于训练后的神经网络对实时雷达回波信号进行测试,以对雷达的遮挡程度进行检测的步骤包括:
在预设时长内多次采集实时雷达回波信号,并进行快速傅里叶变化得到对应的频谱数据;
对所述频谱数据进行预处理得到输入数据,所述预处理包括提取所述频谱数据的统计特征;
将所述输入数据输入训练后的神经网络中得到多个数据结果;
对所述多个数据结果进行平滑处理,得到遮挡程度数据,以对雷达的遮挡程度进行检测。
9.根据权利要求8所述的雷达遮挡检测方法,其特征在于,对所述多个数据结果进行平滑处理,得到遮挡程度数据,以对雷达的遮挡程度进行检测的步骤包括:
对所述多个数据结果进行平滑处理,得到所述遮挡程度数据,其中所述平滑处理包括取均值或众数;
对所述遮挡程度数据进行可信程度分析;
根据所述遮挡程度数据和所述遮挡程度数据的可信程度分析结果做出相应的处理,以对雷达的遮挡程度进行检测。
10.一种计算机存储介质,其特征在于,存储有计算机程序指令,所述计算机程序指令被处理器执行时,实现如权利要求1至9中任一项所述的雷达遮挡检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010603856.3A CN111722195B (zh) | 2020-06-29 | 2020-06-29 | 一种雷达遮挡检测方法及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010603856.3A CN111722195B (zh) | 2020-06-29 | 2020-06-29 | 一种雷达遮挡检测方法及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111722195A true CN111722195A (zh) | 2020-09-29 |
CN111722195B CN111722195B (zh) | 2021-03-16 |
Family
ID=72569747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010603856.3A Active CN111722195B (zh) | 2020-06-29 | 2020-06-29 | 一种雷达遮挡检测方法及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111722195B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926526A (zh) * | 2021-03-30 | 2021-06-08 | 矽典微电子(上海)有限公司 | 基于毫米波雷达的停车检测方法及系统 |
CN112986950A (zh) * | 2020-12-25 | 2021-06-18 | 南京理工大学 | 基于深度学习的单脉冲激光雷达回波特征提取方法 |
CN113030933A (zh) * | 2021-02-22 | 2021-06-25 | 上海蛮酷科技有限公司 | 雷达的目标方位角计算方法、雷达装置及可读存储介质 |
CN113064152A (zh) * | 2021-03-18 | 2021-07-02 | 江苏蛮酷科技有限公司 | 雷达波形设计方法、装置和计算机存储介质 |
CN113348663A (zh) * | 2021-03-23 | 2021-09-03 | 深圳市锐明技术股份有限公司 | 一种货箱监控方法、终端设备及存储介质 |
CN113625235A (zh) * | 2021-06-30 | 2021-11-09 | 惠州市德赛西威智能交通技术研究院有限公司 | 雷达视野受限场景识别方法、存储介质及车载设备 |
CN117148308A (zh) * | 2023-10-30 | 2023-12-01 | 南京航空航天大学 | 一种舱内生命体征雷达遮挡检测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011037579A1 (en) * | 2009-09-25 | 2011-03-31 | Hewlett-Packard Development Company, L.P. | Face recognition apparatus and methods |
CN106803069A (zh) * | 2016-12-29 | 2017-06-06 | 南京邮电大学 | 基于深度学习的人群高兴程度识别方法 |
CN108089186A (zh) * | 2018-01-08 | 2018-05-29 | 哈尔滨工程大学 | 基于航海雷达图像遮挡区多特性参数组合的雨强等级反演方法 |
CN108345021A (zh) * | 2018-01-19 | 2018-07-31 | 东南大学 | 一种多普勒雷达辅助gps/ins车辆测速方法 |
CN109061577A (zh) * | 2018-07-05 | 2018-12-21 | 西安电子科技大学 | 一种不同类型的遮盖式干扰和欺骗式干扰的识别方法 |
CN109186533A (zh) * | 2018-07-13 | 2019-01-11 | 南京理工大学 | 一种基于bp神经网络算法的地面防空雷达遮蔽角计算方法 |
CN109447000A (zh) * | 2018-10-31 | 2019-03-08 | 北京旷视科技有限公司 | 活体检测方法、污渍检测方法、电子设备及记录介质 |
CN109740533A (zh) * | 2018-12-29 | 2019-05-10 | 北京旷视科技有限公司 | 遮挡比例确定方法、装置和电子系统 |
CN110717480A (zh) * | 2019-10-25 | 2020-01-21 | 中国人民解放军国防科技大学 | 基于随机擦除图像融合的合成孔径雷达遮挡目标识别方法 |
CN110855976A (zh) * | 2019-10-08 | 2020-02-28 | 南京云计趟信息技术有限公司 | 摄像头异常检测方法、装置及终端设备 |
-
2020
- 2020-06-29 CN CN202010603856.3A patent/CN111722195B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011037579A1 (en) * | 2009-09-25 | 2011-03-31 | Hewlett-Packard Development Company, L.P. | Face recognition apparatus and methods |
CN106803069A (zh) * | 2016-12-29 | 2017-06-06 | 南京邮电大学 | 基于深度学习的人群高兴程度识别方法 |
CN108089186A (zh) * | 2018-01-08 | 2018-05-29 | 哈尔滨工程大学 | 基于航海雷达图像遮挡区多特性参数组合的雨强等级反演方法 |
CN108345021A (zh) * | 2018-01-19 | 2018-07-31 | 东南大学 | 一种多普勒雷达辅助gps/ins车辆测速方法 |
CN109061577A (zh) * | 2018-07-05 | 2018-12-21 | 西安电子科技大学 | 一种不同类型的遮盖式干扰和欺骗式干扰的识别方法 |
CN109186533A (zh) * | 2018-07-13 | 2019-01-11 | 南京理工大学 | 一种基于bp神经网络算法的地面防空雷达遮蔽角计算方法 |
CN109447000A (zh) * | 2018-10-31 | 2019-03-08 | 北京旷视科技有限公司 | 活体检测方法、污渍检测方法、电子设备及记录介质 |
CN109740533A (zh) * | 2018-12-29 | 2019-05-10 | 北京旷视科技有限公司 | 遮挡比例确定方法、装置和电子系统 |
CN110855976A (zh) * | 2019-10-08 | 2020-02-28 | 南京云计趟信息技术有限公司 | 摄像头异常检测方法、装置及终端设备 |
CN110717480A (zh) * | 2019-10-25 | 2020-01-21 | 中国人民解放军国防科技大学 | 基于随机擦除图像融合的合成孔径雷达遮挡目标识别方法 |
Non-Patent Citations (2)
Title |
---|
CHENFENG LIU ED AL.: "Spatio-temporal Active Learning for Visual Tracking", 《INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 * |
唐健仁 等: "用神经网络进行雷达辐射源识别研究", 《空军雷达学院学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112986950A (zh) * | 2020-12-25 | 2021-06-18 | 南京理工大学 | 基于深度学习的单脉冲激光雷达回波特征提取方法 |
CN113030933B (zh) * | 2021-02-22 | 2024-06-04 | 上海蛮酷科技有限公司 | 雷达的目标方位角计算方法、雷达装置及可读存储介质 |
CN113030933A (zh) * | 2021-02-22 | 2021-06-25 | 上海蛮酷科技有限公司 | 雷达的目标方位角计算方法、雷达装置及可读存储介质 |
CN113064152A (zh) * | 2021-03-18 | 2021-07-02 | 江苏蛮酷科技有限公司 | 雷达波形设计方法、装置和计算机存储介质 |
CN113064152B (zh) * | 2021-03-18 | 2024-06-04 | 江苏蛮酷科技有限公司 | 雷达波形设计方法、装置和计算机存储介质 |
CN113348663B (zh) * | 2021-03-23 | 2023-01-24 | 深圳市锐明技术股份有限公司 | 一种货箱监控方法、终端设备及存储介质 |
CN113348663A (zh) * | 2021-03-23 | 2021-09-03 | 深圳市锐明技术股份有限公司 | 一种货箱监控方法、终端设备及存储介质 |
CN112926526A (zh) * | 2021-03-30 | 2021-06-08 | 矽典微电子(上海)有限公司 | 基于毫米波雷达的停车检测方法及系统 |
CN112926526B (zh) * | 2021-03-30 | 2023-12-29 | 矽典微电子(上海)有限公司 | 基于毫米波雷达的停车检测方法及系统 |
CN113625235B (zh) * | 2021-06-30 | 2024-03-29 | 惠州市德赛西威智能交通技术研究院有限公司 | 雷达视野受限场景识别方法、存储介质及车载设备 |
CN113625235A (zh) * | 2021-06-30 | 2021-11-09 | 惠州市德赛西威智能交通技术研究院有限公司 | 雷达视野受限场景识别方法、存储介质及车载设备 |
CN117148308A (zh) * | 2023-10-30 | 2023-12-01 | 南京航空航天大学 | 一种舱内生命体征雷达遮挡检测方法及系统 |
CN117148308B (zh) * | 2023-10-30 | 2024-02-02 | 南京航空航天大学 | 一种舱内生命体征雷达遮挡检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111722195B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111722195B (zh) | 一种雷达遮挡检测方法及计算机存储介质 | |
CN112630768B (zh) | 一种改进调频连续波雷达目标检测的降噪方法 | |
CN101881826B (zh) | 扫描模式海杂波局部多重分形目标检测器 | |
CN109444820B (zh) | 杂波和干扰共存时多通道雷达先干扰抑制后目标检测方法 | |
CN111352102A (zh) | 一种基于调频连续波雷达的多目标个数检测方法及装置 | |
CN111679266B (zh) | 汽车毫米波雷达稀疏阵列栅瓣虚假目标识别方法及系统 | |
CN112731307B (zh) | 基于距离-角度联合估计的ratm-cfar检测器及检测方法 | |
CN112180361A (zh) | 一种基于动态联邦滤波的车载雷达目标跟踪方法 | |
CN114966589A (zh) | 一种基于毫米波雷达的多目标检测方法 | |
CN113376607B (zh) | 机载分布式雷达小样本空时自适应处理方法 | |
CN112034464B (zh) | 一种目标分类方法 | |
EP4158378A1 (en) | Clustering in automotive imaging | |
CN110488239B (zh) | 基于调频连续波雷达的目标检测方法 | |
CN109581366B (zh) | 一种基于目标导向矢量失配的离散旁瓣杂波识别方法 | |
CN111175715A (zh) | 可抑制雷达近距离谐波的辅助驾驶系统、方法 | |
CN109808492B (zh) | 一种车载雷达预警装置及预警方法 | |
CN110907930B (zh) | 一种基于角度估计的车载雷达目标检测估计方法及装置 | |
CN103913724B (zh) | 基于先验地形覆盖数据的杂波抑制方法 | |
JP7113878B2 (ja) | 電子機器、電子機器の制御方法、及びプログラム | |
JP7223197B2 (ja) | 電子機器、電子機器の制御方法、及びプログラム | |
Park et al. | Ground reflection-based misalignment detection of automotive radar sensors | |
Park et al. | Bi-directional LSTM-based Overhead Target Classification for Automotive Radar Systems | |
US20230393236A1 (en) | Radar communication with interference suppression | |
CN111175716B (zh) | 可抑制雷达近距离谐波的辅助驾驶方法 | |
CN110764085B (zh) | 联合最小均方误差估计的变分贝叶斯雷达关联成像方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210204 Address after: 224005 floor 1-4, north side of No.3 Factory building, gaochuangyuan, high tech Zone, Yandu District, Yancheng City, Jiangsu Province (d) Applicant after: Jiangsu Manku Technology Co.,Ltd. Address before: 200335 east side of 6F, building 7, 33 Guangshun Road, Changning District, Shanghai Applicant before: Shanghai Manku Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |