CN112861811B - 目标识别方法、装置、设备、存储介质及雷达 - Google Patents

目标识别方法、装置、设备、存储介质及雷达 Download PDF

Info

Publication number
CN112861811B
CN112861811B CN202110315255.7A CN202110315255A CN112861811B CN 112861811 B CN112861811 B CN 112861811B CN 202110315255 A CN202110315255 A CN 202110315255A CN 112861811 B CN112861811 B CN 112861811B
Authority
CN
China
Prior art keywords
target
sequence
signal
result
recognition
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.)
Active
Application number
CN202110315255.7A
Other languages
English (en)
Other versions
CN112861811A (zh
Inventor
杨威
鞠波
叶晓青
谭啸
孙昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110315255.7A priority Critical patent/CN112861811B/zh
Publication of CN112861811A publication Critical patent/CN112861811A/zh
Application granted granted Critical
Publication of CN112861811B publication Critical patent/CN112861811B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请公开了目标识别方法、装置、设备、存储介质及雷达，涉及人工智能领域，尤其涉及计算机视觉和深度学习技术，可应用于自动驾驶场景下。具体实现方案为：获取待处理的信号序列；信号序列包括目标传感器采集到的当前待识别的目标帧信号，以及在目标帧信号之前由目标传感器采集的多个历史帧信号；按照信号采集时间由后至前的顺序，将信号序列中的帧信号进行排列得到正序排列结果；按照信号采集时间由前至后的顺序，将信号序列中的帧信号进行排列得到逆序排列结果；基于正序排列结果和逆序排列结果，对目标帧信号进行目标识别，得到目标帧信号的目标识别结果。本申请可充分利用帧间信息，无需额外增加历史帧信息便可提升目标识别结果的鲁棒性。

Description

目标识别方法、装置、设备、存储介质及雷达
技术领域
本申请涉及人工智能领域，具体为计算机视觉和深度学习技术，可应用于自动驾驶场景下，尤其涉及一种目标识别方法、装置、设备、存储介质及雷达。
背景技术
目标识别任务是采用诸如雷达、视觉传感器等可感测周边环境的传感器采集到的信号中识别出环境中的目标，得到诸如目标种类、目标位置等识别结果。
相关技术中，一般是通过结合传感器采集的历史帧信息来预测当前帧的目标识别结果，但是若要提升目标识别的鲁棒性，往往需要结合更多的历史帧信息，增加了处理复杂度。
发明内容
本申请提供了一种目标识别方法、装置、设备、存储介质及雷达。
根据本申请的一方面，提供了一种目标识别方法，包括：
获取待处理的信号序列；所述信号序列包括目标传感器采集到的当前待识别的目标帧信号，以及在所述目标帧信号之前由所述目标传感器采集的多个历史帧信号；
按照信号采集时间由后至前的顺序，将所述信号序列中的帧信号进行排列得到正序排列结果；以及，按照信号采集时间由前至后的顺序，将所述信号序列中的帧信号进行排列得到逆序排列结果；
基于所述正序排列结果和所述逆序排列结果，对所述目标帧信号进行目标识别，得到所述目标帧信号的目标识别结果。
根据本申请的第二方面，提供了一种目标识别装置，包括：
信号获取模块，用于获取待处理的信号序列；所述信号序列包括目标传感器采集到的当前待识别的目标帧信号，以及在所述目标帧信号之前由所述目标传感器采集的多个历史帧信号；
信号排列模块，用于按照信号采集时间由后至前的顺序，将所述信号序列中的帧信号进行排列得到正序排列结果；以及，按照信号采集时间由前至后的顺序，将所述信号序列中的帧信号进行排列得到逆序排列结果；
目标识别模块，用于基于所述正序排列结果和所述逆序排列结果，对所述目标帧信号进行目标识别，得到所述目标帧信号的目标识别结果。
根据本申请的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的目标识别方法。
根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本申请第一方面所述的目标识别方法。
根据本申请的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本申请第一方面所述的目标识别方法。
根据本申请的第六方面，提供了一种雷达，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的目标识别方法。
本申请实施例提供的上述目标识别方法、装置、设备、存储介质及雷达，能够按照时间顺序对当前待识别的目标帧信号以及之前的历史帧信号进行正序和逆序两个方向的排序，得到正序排列结果和逆序排列结果，进而结合正序排列结果和逆序排列结果对目标帧信号进行目标识别，可充分利用帧间信息，无需再额外增加历史帧信息便可提升目标识别结果的鲁棒性。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例的一种目标识别方法流程图；
图2是根据本申请实施例的另一种目标识别方法流程图；
图3是根据本申请实施例的一种目标识别示意图；
图4是根据本申请实施例的一种融合示意图；
图5是根据本申请实施例的一种目标识别装置的结构框图；
图6是用来实现本申请实施例的目标识别方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
目标识别任务目前已广泛应用于诸如人工智能领域中，在诸如机器识别等应用场景下大多需要执行目标识别任务，例如，在自动驾驶及辅助驾驶中，通过雷达、视觉传感器等可感测周边环境的传感器已成为必不可少的信息获取源，通过对传感器采集到的信号进行目标识别，可以获知当前环境下所存在的目标。
相关技术中主要有两种目标识别的处理方案，一种是基于人工先验的方案，另一种是基于深度学习的方案。基于人工先验的方案通常需要先后执行峰值点检测步骤和峰值点分类步骤，即先找出传感器采集的信号中可能存在目标的点，然后根据一些先验信息对这些点进行判断，从而得到这些点的类别来实现目标识别，但是这种方式由于依赖人工经验以及逻辑设计，因此其鲁棒性较差。而基于深度学习的方案则是将历史帧信号与当前待识别的帧信号在时序上进行联合，使用诸如3D卷积网络等神经网络模型对组合后的信号进行处理，最终输出目标识别结果。当前基于深度学习的方案在很大程度上已超越了基于人工先验的方案，从而成为业界主要采用的目标识别方式。
而基于深度学习的方案在对传感器采集的当前帧进行目标识别时，一般是通过结合历史帧信息来预测当前帧结果，若要提升目标识别的鲁棒性，则主要通过结合更多历史帧信息来实现，处理会更加复杂，具体而言，由于深度学习的特性，若要结合更多的历史帧信息则只能通过重新训练更大的神经网络模型来实现，不仅更为繁琐复杂，而且也带来了更多的显存消耗。基于此，本申请实施例提供了一种目标识别方法、装置、设备、存储介质及雷达，在不再额外增加历史帧信息的情况下可以进一步提升目标识别的鲁棒性。本申请实施例主要涉及计算机视觉和深度学习技术，可应用于自动驾驶场景下。为便于理解，本申请实施例详细说明如下。
首先本申请实施例提供了一种目标识别方法，参见图1所示的一种目标识别方法流程图，该方法可以由具有数据处理能力的电子设备执行，在此不进行限制，主要包括如下步骤S102～步骤S106：
步骤S102，获取待处理的信号序列；信号序列包括目标传感器采集到的当前待识别的目标帧信号，以及在目标帧信号之前由目标传感器采集的多个历史帧信号。
目标传感器诸如可以为雷达、视觉传感器等可感测周围环境的传感器，在此不进行限制。目标传感器可以在一段时间内采集多帧信号，形成信号序列，在一种实施方式中，信号序列中所包含的帧信号均为目标传感器在指定时间内连续采集得到的，以便后续通过对连续采集到的帧信号序列进行处理，可以得到更为准确可靠的目标识别结果。
其中，目标帧信号为当前待识别的帧信号，而在采集目标帧信号之前的时间所采集到的帧信号均为历史帧信号，历史帧信号通常是已经经过识别的帧信号，每个历史帧信号都对应有各自的目标识别结果。
步骤S104，按照信号采集时间由后至前的顺序，将信号序列中的帧信号进行排列得到正序排列结果；以及，按照信号采集时间由前至后的顺序，将信号序列中的帧信号进行排列得到逆序排列结果。
在本申请实施例中，按照信号采集时间由后至前的顺序对帧信号进行排序得到正序排列结果，在该正序排列结果中，待处理的目标帧信号排在首位；本申请实施例还会按照信号采集时间由前至后的顺序对帧信号进行排序得到逆序排列结果，在该逆序排列结果中，待处理的目标帧信号排在末位。也即，本申请实施例按照正逆两个方向来对帧信号进行排序，得到不同的排序结果。
步骤S106，基于正序排列结果和逆序排列结果，对目标帧信号进行目标识别，得到目标帧信号的目标识别结果。目标识别结果诸如可以包括目标种类、目标位置等目标信息。
本申请实施例通过对已有的帧信号按照不同时间方向进行排序，并对不同排序结果进行识别来充分提取帧间信息。在实际应用中，可以分别基于正序排列结果和逆序排列结果对目标帧信号进行目标识别，然后基于各个排列结果对应得到的识别结果来确定目标帧信号最终的识别结果，也可以直接基于正序排列结果和逆序排列结果相结合直接对目标帧信号进行目标识别，直接确定目标帧信号最终的识别结果，具体方式在此不进行限制。
本申请实施例提供的上述方法，能够按照时间顺序对当前待识别的目标帧信号以及之前的历史帧信号进行正序和逆序两个方向的排序，得到正序排列结果和逆序排列结果，进而结合正序排列结果和逆序排列结果对目标帧信号进行目标识别，可充分利用帧间信息，无需再额外增加历史帧信息便可提升目标识别结果的鲁棒性。
为了能够更为便捷地得到目标帧信号的目标识别结果，本申请实施例给出了上述步骤S106的一种具体实现方式，可以参照如下步骤a至步骤c执行：
步骤a，基于正序排列结果对目标帧信号进行目标识别，得到正序识别结果。
在一种实施方式中，可以将正序排列结果输入至预先训练好的深度学习网络，通过深度学习网络对正序排列结果进行识别，得到目标帧信号的正序识别结果。
步骤b，基于逆序排列结果对目标帧信号进行目标识别，得到逆序识别结果。
在一种实施方式中，可以将逆序排列结果输入至预先训练好的深度学习网络，通过深度学习网络对逆序排列结果进行识别，得到目标帧信号的逆序识别结果。该深度学习网络与上述步骤a中所提及的深度学习网络可以是同一网络，无需额外再训练更大的网络，通过同一网络对已有的信号序列按照时间顺序进行正序识别和逆序识别，从而充分提取帧间信息，以期能够更好的对目标帧信号进行目标识别，得到更准确的目标识别结果，从而在不增加额外帧信号的基础上提升目标识别的鲁棒性。
步骤c，基于正序识别结果和逆序识别结果得到目标帧信号的目标识别结果。
由于帧信号的排序方向不同，深度学习网络对其进行分析处理后得到的结果也有差异，诸如识别得到的目标种类或者目标位置可能存在差异，将两种识别结果综合起来确定目标帧信号的目标识别结果，可以使目标识别结果更准确。具体实现时，诸如可以将两种识别结果进行融合来得到最终的目标识别结果。
参见图2所示的一种目标识别方法流程图，主要包括如下步骤S202～步骤S206：
步骤S202，获取待处理的信号序列；信号序列包括目标传感器采集到的当前待识别的目标帧信号，以及在目标帧信号之前由目标传感器采集的多个历史帧信号。
步骤S204，按照信号采集时间由后至前的顺序，将信号序列中的帧信号进行排列得到正序排列结果；以及，按照信号采集时间由前至后的顺序，将信号序列中的帧信号进行排列得到逆序排列结果。
步骤S206，将正序排列结果输入至预先训练得到的深度学习网络，通过深度学习网络基于正序排列结果对目标帧信号进行目标识别，得到正序识别结果。
步骤S208，将逆序排列结果输入至深度学习网络，通过深度学习网络基于逆序排列结果对目标帧信号进行目标识别，得到逆序识别结果。
步骤S210，将正序识别结果和逆序识别结果按照预设融合算法进行融合，得到目标帧信号的目标识别结果。
本申请实施例对融合算法不进行限制，任何融合算法均可，诸如可以是信号加权融合算法、信号平均融合算法等等，通过融合，可以将正序识别结果和逆序识别结果进行充分综合，以便得到更为可靠的目标识别结果。
通过上述方式，可以采用同一深度学习网络对已有的帧信号进行正序处理以及逆序处理，从而尽可能充分利用帧间信息，得到更为可靠的目标识别结果。
在本申请实施例中提供的上述目标识别方法也可以按照如下步骤执行：将包含当前信号帧和以当前信号帧为基准的前N-1个历史信号帧的信号帧序列(也即一共包含N个信号帧)按照时域正向排序和逆向排序，分别得到正序列和逆序列；通过神经网络模型(具体可以为深度学习网络)对正序列进行目标识别，得到当前信号帧的正序识别结果；通过神经网络模型对逆序列进行目标识别，得到当前信号帧的逆序识别结果，将正序识别结果和逆序识别结果进行融合，得到针对当前信号帧的最终识别结果。
为便于理解，可参见图3所示的一种目标识别示意图，给深度学习网络输入长度为N的信号序列，Ft表示为待识别的目标帧信号，Ft-1为在目标帧信号的前一时刻采集的帧信号，依次类推至最早采集的帧信号Ft-N+1。如图3所示，正序排列为按照信号采集时间由后至前的顺序对N帧信号进行排序，得到的正序排列结果为{Ft Ft-1……F t-N+2 Ft-N+1},反之，逆序排列为按照信号采集时间由后至前的顺序对N帧信号进行排序，得到的逆序排列结果为{Ft-N+1Ft-N+2……Ft-1 Ft}，然后由深度学习网络对正序排列结果进行处理，输出的结果为{PtPt-1……Pt-N+2Pt-N+1}，也是正序的；该深度学习网络对逆序排列结果进行处理，输出的结果为{P’t-N+1P’t-N+2……P’t-1P’t}，也是逆序的。对于训练得到的深度学习网络而言，由于输入不同，输出结果也会相应呈现一定的差异，主要体现在识别出的目标种类、目标位置等。因此进一步如图4所示的融合示意图，将针对目标帧信号得到的正序识别结果Pt与逆序识别结果P’t采用融合算法进行融合，得到最终的目标识别结果Pt。
通过上述方式，可以无需额外增加新的历史帧信号就可以提升目标识别的准确性及鲁棒性，不需要因为引入更多的历史帧信号而额外训练更大的神经网络模型，通过改变已有的帧信号的排列方式，由已有的神经网络模型直接进行识别，再将识别结果进行融合，得到最终的目标识别结果，普适性也较强。
本申请实施例提供的上述目标识别方法可以应用于各种场合，诸如，可以应用于自动驾驶以及辅助驾驶场景中，目标传感器采用雷达，帧信号即为雷达采集的信号(简称雷达信号)。在驾驶场景中，雷达的表现往往比相机更加鲁棒。比如在强光、弱光以及恶劣天气条件下，相机获取的图像往往较差甚至会完全失效，而雷达获取到的信号则很难受到这些环境变化的干扰，因此可以作为必不可少的信息获取源而广泛应用于驾驶场景中。雷达本身的特点导致其所获取的信号通常没有什么语义信息，因此如何充分挖掘雷达信号中包含的信息，成为了雷达信号目标识别任务中的一项重要工作，通过本申请实施例提供的目标识别方法，可以较好地应用于雷达目标识别任务，本申请实施例对雷达的种类不进行限制，诸如该雷达可以为毫米波雷达等。
对应于前述目标识别方法，本申请实施例还提供了一种目标识别装置，参见图5所示的一种目标识别装置的结构框图，主要包括如下：
信号获取模块510，用于获取待处理的信号序列；信号序列包括目标传感器采集到的当前待识别的目标帧信号，以及在目标帧信号之前由目标传感器采集的多个历史帧信号；
信号排列模块520，用于按照信号采集时间由后至前的顺序，将信号序列中的帧信号进行排列得到正序排列结果；以及，按照信号采集时间由前至后的顺序，将信号序列中的帧信号进行排列得到逆序排列结果；
目标识别模块530，用于基于正序排列结果和逆序排列结果，对目标帧信号进行目标识别，得到目标帧信号的目标识别结果。
本申请实施例提供的上述装置，能够按照时间顺序对当前待识别的目标帧信号以及之前的历史帧信号进行正序和逆序两个方向的排序，得到正序排列结果和逆序排列结果，进而结合正序排列结果和逆序排列结果对目标帧信号进行目标识别，可充分利用帧间信息，无需再额外增加历史帧信息便可提升目标识别结果的鲁棒性。
在一些实施方式中，目标识别模块530具体用于：基于正序排列结果对目标帧信号进行目标识别，得到正序识别结果；基于逆序排列结果对目标帧信号进行目标识别，得到逆序识别结果；基于正序识别结果和逆序识别结果得到目标帧信号的目标识别结果。
在一些实施方式中，目标识别模块530具体用于：将正序识别结果和逆序识别结果按照预设融合算法进行融合，得到目标帧信号的目标识别结果。
在一些实施方式中，目标识别模块530具体用于：将正序排列结果输入至预先训练得到的深度学习网络，通过深度学习网络基于正序排列结果对目标帧信号进行目标识别，得到正序识别结果；将逆序排列结果输入至深度学习网络，通过深度学习网络基于逆序排列结果对目标帧信号进行目标识别，得到逆序识别结果。
在一些实施方式中，信号序列中所包含的帧信号均为目标传感器在指定时间内连续采集得到的。
在一些实施方式中，目标传感器包括雷达。
需要说明的是，前述对目标识别方法的解释说明，也适用于本申请实施例的目标识别装置，其实现原理及有益效果类似，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质、一种计算机程序产品及雷达。
首先，本申请实施例提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述任一项的目标识别方法。
图6示出了可以用来实施本申请实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如目标识别方法。例如，在一些实施例中，目标识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的目标识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标识别方法。
本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行前述任一项目标识别方法。
本申请实施例还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现前述任一项目标识别方法。
本申请实施例还提供了一种雷达，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述任一项目标识别方法。
本申请实施例对雷达种类不进行限制，诸如雷达可以为毫米波雷达。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (11)

1.一种目标识别方法，包括：
获取待处理的信号序列；所述信号序列包括目标传感器采集到的当前待识别的目标帧信号，以及在所述目标帧信号之前由所述目标传感器采集的多个历史帧信号；
按照信号采集时间由后至前的顺序，将所述信号序列中的帧信号进行排列得到正序排列结果；以及，按照信号采集时间由前至后的顺序，将所述信号序列中的帧信号进行排列得到逆序排列结果；
基于所述正序排列结果和所述逆序排列结果分别对所述目标帧信号进行目标识别，得到正序识别结果和逆序识别结果；
将所述正序识别结果和所述逆序识别结果按照预设融合算法进行融合，得到所述目标帧信号的目标识别结果。
2.根据权利要求1所述的方法，其中，所述基于所述正序排列结果对所述目标帧信号进行目标识别，得到正序识别结果，包括：
将所述正序排列结果输入至预先训练得到的深度学习网络，通过所述深度学习网络基于所述正序排列结果对所述目标帧信号进行目标识别，得到正序识别结果；
所述基于所述逆序排列结果对所述目标帧信号进行目标识别，得到逆序识别结果，包括：
将所述逆序排列结果输入至所述深度学习网络，通过所述深度学习网络基于所述逆序排列结果对所述目标帧信号进行目标识别，得到逆序识别结果。
3.根据权利要求1所述的方法，其中，所述信号序列中所包含的帧信号均为所述目标传感器在指定时间内连续采集得到的。
4.根据权利要求1至3任一项所述的方法，其中，所述目标传感器包括雷达。
5.一种目标识别装置，包括：
信号获取模块，用于获取待处理的信号序列；所述信号序列包括目标传感器采集到的当前待识别的目标帧信号，以及在所述目标帧信号之前由所述目标传感器采集的多个历史帧信号；
信号排列模块，用于按照信号采集时间由后至前的顺序，将所述信号序列中的帧信号进行排列得到正序排列结果；以及，按照信号采集时间由前至后的顺序，将所述信号序列中的帧信号进行排列得到逆序排列结果；
目标识别模块，用于基于所述正序排列结果和所述逆序排列结果分别对所述目标帧信号进行目标识别，得到正序识别结果和逆序识别结果；
所述目标识别模块，还用于将所述正序识别结果和所述逆序识别结果按照预设融合算法进行融合，得到所述目标帧信号的目标识别结果。
6.根据权利要求5所述的装置，其中，所述目标识别模块具体用于：
将所述正序排列结果输入至预先训练得到的深度学习网络，通过所述深度学习网络基于所述正序排列结果对所述目标帧信号进行目标识别，得到正序识别结果；
将所述逆序排列结果输入至所述深度学习网络，通过所述深度学习网络基于所述逆序排列结果对所述目标帧信号进行目标识别，得到逆序识别结果。
7.根据权利要求5所述的装置，其中，所述信号序列中所包含的帧信号均为所述目标传感器在指定时间内连续采集得到的。
8.根据权利要求5至7任一项所述的装置，其中，所述目标传感器包括雷达。
9. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
11. 一种雷达，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
CN202110315255.7A 2021-03-24 2021-03-24 目标识别方法、装置、设备、存储介质及雷达 Active CN112861811B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110315255.7A CN112861811B (zh) 2021-03-24 2021-03-24 目标识别方法、装置、设备、存储介质及雷达

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110315255.7A CN112861811B (zh) 2021-03-24 2021-03-24 目标识别方法、装置、设备、存储介质及雷达

Publications (2)

Publication Number Publication Date
CN112861811A CN112861811A (zh) 2021-05-28
CN112861811B true CN112861811B (zh) 2023-08-01

Family

ID=75992726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110315255.7A Active CN112861811B (zh) 2021-03-24 2021-03-24 目标识别方法、装置、设备、存储介质及雷达

Country Status (1)

Country Link
CN (1) CN112861811B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113593047B (zh) * 2021-06-28 2023-06-23 北京百度网讯科技有限公司 动作序列迁移的方法、装置及电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6628283B1 (en) * 2000-04-12 2003-09-30 Codehorse, Inc. Dynamic montage viewer
CN110019866A (zh) * 2017-09-30 2019-07-16 腾讯科技（深圳）有限公司 动态图片播放方法、装置及存储介质
CN110633598A (zh) * 2018-06-21 2019-12-31 北京京东尚科信息技术有限公司 用于确定环境图像中的行驶区域的方法和装置
CN110633718A (zh) * 2018-06-21 2019-12-31 北京京东尚科信息技术有限公司 用于确定环境图像中的行驶区域的方法和装置
CN111340711A (zh) * 2020-05-21 2020-06-26 腾讯科技（深圳）有限公司 一种超分辨率重建方法、装置、设备和存储介质
WO2020186914A1 (zh) * 2019-03-20 2020-09-24 北京沃东天骏信息技术有限公司 行人再识别方法、装置及存储介质
CN111739534A (zh) * 2020-06-04 2020-10-02 广东小天才科技有限公司 一种辅助语音识别的处理方法、装置、电子设备及存储介质
CN111860504A (zh) * 2020-07-20 2020-10-30 青岛科技大学 基于深度学习的视觉多目标跟踪方法及装置
WO2021017606A1 (zh) * 2019-07-29 2021-02-04 腾讯科技（深圳）有限公司 视频处理方法、装置、电子设备及存储介质
CN112380955A (zh) * 2020-11-10 2021-02-19 浙江大华技术股份有限公司 动作的识别方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6628283B1 (en) * 2000-04-12 2003-09-30 Codehorse, Inc. Dynamic montage viewer
CN110019866A (zh) * 2017-09-30 2019-07-16 腾讯科技（深圳）有限公司 动态图片播放方法、装置及存储介质
CN110633598A (zh) * 2018-06-21 2019-12-31 北京京东尚科信息技术有限公司 用于确定环境图像中的行驶区域的方法和装置
CN110633718A (zh) * 2018-06-21 2019-12-31 北京京东尚科信息技术有限公司 用于确定环境图像中的行驶区域的方法和装置
WO2020186914A1 (zh) * 2019-03-20 2020-09-24 北京沃东天骏信息技术有限公司 行人再识别方法、装置及存储介质
WO2021017606A1 (zh) * 2019-07-29 2021-02-04 腾讯科技（深圳）有限公司 视频处理方法、装置、电子设备及存储介质
CN111340711A (zh) * 2020-05-21 2020-06-26 腾讯科技（深圳）有限公司 一种超分辨率重建方法、装置、设备和存储介质
CN111739534A (zh) * 2020-06-04 2020-10-02 广东小天才科技有限公司 一种辅助语音识别的处理方法、装置、电子设备及存储介质
CN111860504A (zh) * 2020-07-20 2020-10-30 青岛科技大学 基于深度学习的视觉多目标跟踪方法及装置
CN112380955A (zh) * 2020-11-10 2021-02-19 浙江大华技术股份有限公司 动作的识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
融合生成模型和判别模型的双层RBM运动捕获数据语义识别算法;周兵;彭淑娟;柳欣;;计算机辅助设计与图形学学报(第04期);全文 *

Also Published As

Publication number Publication date
CN112861811A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN113033537B (zh) 用于训练模型的方法、装置、设备、介质和程序产品
CN112597837B (zh) 图像检测方法、装置、设备、存储介质和计算机程序产品
CN113191256B (zh) 车道线检测模型的训练方法、装置、电子设备及存储介质
CN113361710B (zh) 学生模型训练方法、图片处理方法、装置及电子设备
CN112560684B (zh) 车道线检测方法、装置、电子设备、存储介质以及车辆
CN112862006B (zh) 图像深度信息获取模型的训练方法、装置及电子设备
CN110675635B (zh) 相机外参的获取方法、装置、电子设备及存储介质
CN113570606B (zh) 目标分割的方法、装置及电子设备
CN110659600A (zh) 物体检测方法、装置及设备
CN113392794B (zh) 车辆跨线识别方法、装置、电子设备和存储介质
CN112529018A (zh) 图像局部特征的训练方法、装置及存储介质
CN113963327B (zh) 障碍物检测方法、装置、自动驾驶车辆、设备和存储介质
CN112861811B (zh) 目标识别方法、装置、设备、存储介质及雷达
CN115953434B (zh) 轨迹匹配方法、装置、电子设备和存储介质
CN116152702A (zh) 点云标签的获取方法、装置、电子设备和自动驾驶车辆
CN114429631B (zh) 三维对象检测方法、装置、设备以及存储介质
CN113205120B (zh) 数据标注方法、装置、电子设备及可读存储介质
CN110634155A (zh) 一种基于深度学习的目标检测方法和装置
CN111753960B (zh) 模型训练及图像处理方法、装置、电子设备、存储介质
CN114882334A (zh) 用于生成预训练模型的方法、模型训练方法及装置
CN114037965A (zh) 模型训练和车道线预测方法、设备及自动驾驶车辆
CN114093006A (zh) 活体人脸检测模型的训练方法、装置、设备以及存储介质
CN113570607B (zh) 目标分割的方法、装置及电子设备
CN116301361B (zh) 基于智能眼镜的目标选择方法、装置和电子设备
CN112700657B (zh) 用于生成检测信息的方法、装置、路侧设备和云控平台

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
GR01 Patent grant
GR01 Patent grant