CN114236488A - 目标分类方法、目标分类装置、终端设备及存储介质 - Google Patents
目标分类方法、目标分类装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN114236488A CN114236488A CN202111370083.XA CN202111370083A CN114236488A CN 114236488 A CN114236488 A CN 114236488A CN 202111370083 A CN202111370083 A CN 202111370083A CN 114236488 A CN114236488 A CN 114236488A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- target
- classified
- data
- matching 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000009826 distribution Methods 0.000 claims description 155
- 239000011159 matrix material Substances 0.000 claims description 128
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 description 18
- 239000013598 vector Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 208000035032 Multiple sulfatase deficiency Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 201000006033 mucosulfatidosis Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000007958 sleep Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
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
- G01S7/41—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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请适用于雷达技术领域，提供了一种目标分类方法、目标分类装置、终端设备及存储介质。所述目标分类方法包括：获取待分类目标的目标数据和至少一个待分类点云的点云数据；获取在所述毫米波雷达所处位置的当前天气状况下L个候选类型的典型数据；根据所述目标数据和所述L个候选类型的目标级典型数据，确定所述待分类目标与所述L个候选类型的目标级特征匹配度；根据所述点云数据和所述L个候选类型的点云级典型数据，确定所述待分类目标与所述L个候选类型的点云级特征匹配度；根据所述待分类目标与所述L个候选类型的目标级特征匹配度、点云级特征匹配度，确定所述待分类目标所属类型。通过本申请可以确定目标所属类型。
Description
技术领域
本申请属于雷达技术领域，尤其涉及一种目标分类方法、目标分类装置、终端设备及存储介质。
背景技术
毫米波雷达是测量目标相对距离、相对速度、方位等数据的高精度传感器，早期被应用于军事领域，随着雷达技术的发展与进步，毫米波雷达开始应用于汽车电子、无人机、智能交通等多个领域，毫米波雷达在这些领域，可以对场景中的目标进行识别，以确定目标所属类型。
发明内容
本申请实施例提供了一种目标识别方法、目标识别装置、终端设备及存储介质，以确定目标所属类型。
第一方面，本申请实施例提供了一种目标分类方法，所述目标分类方法包括：
获取待分类目标的目标数据和至少一个待分类点云的点云数据，所述待分类目标和所述待分类点云由毫米波雷达检测到，所述待分类点云是指聚类成所述待分类目标的点云；
获取在所述毫米波雷达所处位置的当前天气状况下L个候选类型的典型数据，L为大于零的整数，一个候选类型的典型数据包括与所述目标数据对应的目标级典型数据和与所述点云数据对应的点云级典型数据；
根据所述目标数据和所述L个候选类型的目标级典型数据，确定所述待分类目标与所述L个候选类型的目标级特征匹配度；
根据所述点云数据和所述L个候选类型的点云级典型数据，确定所述待分类目标与所述L个候选类型的点云级特征匹配度；
根据所述待分类目标与所述L个候选类型的目标级特征匹配度、点云级特征匹配度，确定所述待分类目标所属类型。
第二方面，本申请实施例提供了一种目标分类装置，所述目标分类装置包括：
数据获取模块，用于获取待分类目标的目标数据和至少一个待分类点云的点云数据，所述待分类目标和所述待分类点云由毫米波雷达检测到，所述待分类点云是指聚类成所述待分类目标的点云；
典型获取模块，用于获取在所述毫米波雷达所处位置的当前天气状况下L个候选类型的典型数据，L为大于零的整数，一个候选类型的典型数据包括与所述目标数据对应的目标级典型数据和与所述点云数据对应的点云级典型数据；
第一确定模块，用于根据所述目标数据和所述L个候选类型的目标级典型数据，确定所述待分类目标与所述L个候选类型的目标级特征匹配度；
第二确定模块，用于根据所述点云数据和所述L个候选类型的点云级典型数据，确定所述待分类目标与所述L个候选类型的点云级特征匹配度；
第三确定模块，用于根据所述待分类目标与所述L个候选类型的目标级特征匹配度、点云级特征匹配度，确定所述待分类目标所属类型。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述目标分类方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述目标分类方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当所述计算机程序产品在终端设备上运行时，使得所述终端设备执行如上述第一方面所述目标分类方法的步骤。
由上可见，本申请通过获取毫米波雷达检测到的待分类目标的目标数据和至少一个待分类点云的点云数据，并获取在毫米波雷达所处位置的当前天气状况下L个候选类型的典型数据，可以根据目标数据和L个候选类型的目标级典型数据，确定待分类目标与L个候选类型的目标级特征匹配度，根据点云数据和L个候选类型的点云级典型数据，确定待分类目标与L个候选类型的点云级特征匹配度，根据待分类目标与L个候选类型的目标级特征匹配度、点云级特征匹配度即可确定待分类目标所属类型。本申请根据目标数据和点云数据确定待分类目标所属类型，增加了目标分类过程中的参数数量，提高了目标分类准确率，且在计算特征匹配度时考虑当前天气状况，可以减少恶劣天气对目标分类准确率的影响。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的目标分类系统的应用场景；
图2是本申请实施例二提供的目标分类方法的实现流程示意图；
图3是本申请实施例三提供的目标分类方法的实现流程示意图；
图4是本申请实施例四提供的目标分类装置的结构示意图；
图5是本申请实施例五提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本实施例中的雷达散射截面(Radar Cross Section，RCS)是雷达隐身技术中较为关键的概念，表征了目标在雷达波照射下所产生回波强度的一种物理量。
雷达散射截面又称后向散射截面，是雷达入射方向上目标散射雷达信号能力的度量，用入射场的功率密度归一化表示，即雷达散射截面是雷达入射方向上单位立体角内返回散射功率与目标截状的功率密度之比。
雷达散射截面的影响因素包括但不限于：目标材料的电性能、目标的几何外形、目标被雷达波照射的方位、入射波的波长、入射场极化形式和接收天线的极化形式。
智能交通系统(Intelligent Traffic System，ITS)是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
分段线性插值法：分段线性将每两个相邻的节点用直线连接，如此形成的一条折线即为分段线性插值函数。例如，计算x’*点的插值时，可以使用位于x’*点左右两个位置的节点，其计算量与节点个数无关。假设位于x*’点左右两个位置的节点分别为(x’1,y’1)和(x’2,y’2)，那么位于这两个节点之间的区间上的一次线性方程为：
平均误差平方和(Mean Square Differences，MSD)算法，又称均方差算法，是各数据偏离真实值的距离平方和的平均数，即误差平方和的平均数。
在对目标进行分类时，现有的一种方案是基于目标的速度、位置及RCS计算出经验特征，利用神经网络算法训练分类器，构建出目标识别模型，根据计算出的目标经验特征，利用目标识别模型进行分类。该方案对于速度、位置及RCS数据区别明显的目标具有较强的识别能力，但对于部分弱目标，速度、位置及RCS等数据的常见范围有重叠(比如非机动车的RCS取值范围包含了行人的RCS取值范围)，导致难以区分不同目标。且在利用神经网络算法构建目标识别模型时，利用的参数较少，导致精度难以保证，在恶劣天气下目标识别模型的分类准确率也会降低。
为了解决现有方案在对目标进行分类时，可利用的参数较少，且在恶劣天气下分类准确率降低的问题。本申请实施例提供了一种目标分类方法，通过获取待检测目标的目标数据和待分类点云的点云数据，增加了目标分类过程中的参数数量，提高了目标分类准确率，且在计算特征匹配度时考虑当前天气状况，可以减少恶劣天气对目标分类准确率的影响。
应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
参见图1，是本申请实施例一提供的目标分类系统的应用场景，该应用场景为高速公路上的一种应用场景。如图1所示该目标分类系统包括毫米波雷达、终端设备、数据处理装置、决策预警装置等。在实际部署时，可以在高速公路上每隔一定距离(如5千米)布置一个门架或侧杆，毫米波雷达部署在门架或侧杆(门架与侧杆可交替布置，也可以无规则布置)上，实现全路段全覆盖。
每个门架或侧杆部署一个终端设备，终端设备可以接收、处理对应门架或侧杆上所有毫米波雷达对道路和交通参与者(如车辆、入侵物等)的检测数据，并将对这些检测数据的处理结果上传给数据处理装置，数据处理装置可以接收所有终端设备对检测数据的处理结果，并将处理结果转发给决策预警装置。
其中，终端设备可以是ITS中的计算站。决策预警装置可以是云控平台。
在实际部署时，将每个门架或侧杆上的毫米波雷达与终端设备建立连接，以实现毫米波雷达与终端设备之间的指令/数据的传输，并保证目标分类系统中各设备之间的时空同步。
空间同步过程：各门架或侧杆的终端设备通过数据处理装置完成空间坐标系的同步(比如使用经纬度或路段起始段第一个终端设备的坐标系)，同步后的空间坐标系作为世界坐标系，并且，将毫米波雷达的局部坐标系基准(比如毫米波雷达安装位置的经纬度)，存储在终端设备中对应的雷达配置中，便于将毫米波雷达探测的目标的坐标从毫米波雷达的局部坐标系中统一到世界坐标系中进行处理。其中，雷达配置中包括但不限于终端设备连接的每个毫米波雷达安装位置的经纬度、俯仰角、水平角等。
时间同步过程：不同门架或侧杆上的终端设备的时间由决策预警平台统一进行授时，同一门架或侧杆上的毫米波雷达的时间由该门架或侧杆上的终端设备统一进行授时。
毫米波雷达包括射频模块、数据处理模块、跟踪模块、数据存储模块、数据上传模块等。
射频模块发出固定发射功率的调频连续波，电磁波在目标表面反射，射频模块接收到对应的回波信号。
数据处理模块对接收到的回波信号进行模数转换(Analogue-to-DigitalConversion，ADC)采样，并对采样数据进行一维快速傅里叶变换(Fast FourierTransformation，FFT)、二维FFT、三维FFT，以实现测距、测速以及测角，同时可以获取回波信号的功率强度，并将点云的距离、速度、角度及回波功率等数据存储到数据存储模块中。信号处理模块处理的实际上是点云的数据，目标的数据在跟踪模块中经过点云聚类才会生成。
跟踪模块从数据存储模块中提取点云的距离、速度、角度及回波功率等数据，经过轨迹的预测、点云与轨迹的匹配、点云的聚类、目标的分配、轨迹的更新过程，实现对目标的实时跟踪。此过程中，点云聚类成为目标后，将组成目标的点云均增加该目标的标签，比如A目标是由编号为1～20的点云聚类而成，则对编号为1～20的点云数据增加一个编号标签A，将A目标的距离、速度、尺寸、角度等数据和编号标签为A的点云的距离、速度、角度、回波功率等数据一起存储到数据存储模块中。
数据上传模块将数据存储模块中的数据按照预设的数据结构上传至终端设备。本申请对预设的数据结构的具体形式不作限定。
参见图2，是本申请实施例二提供的目标分类方法的实现流程示意图，该目标分类方法应用于终端设备。如图2所示，该目标分类方法可以包括以下步骤：
步骤201，获取待分类目标的目标数据和至少一个待分类点云的点云数据。
其中，待分类目标和待分类点云由毫米波雷达检测到，待分类点云是指聚类成待分类目标的点云。
待分类目标的目标数据可以是指待分类目标的相关数据，包括但不限于待分类目标的尺寸、待分类目标在第一设定距离上的回波功率和待分类目标的速度等。
待分类目标的尺寸包括待分类目标在预设坐标系的X轴方向的尺寸和在Y轴方向的尺寸，该预设坐标系可以是以毫米波雷达所处位置为原点建立的二维坐标系。可选地，X轴方向或者Y轴方向可以为道路方向。在X轴方向或者Y轴方向为道路方向时，毫米波雷达的天线发射方向通常正对目标的运动方向，可以提高测速的准确性。
在获取待分类目标在第一设定距离上的回波功率时，可以先获取待分类目标在预设坐标系中的坐标和待分类目标的回波功率，根据待分类目标在预设坐标系中的坐标信息可以计算待分类目标与毫米波雷达的距离，可以将该距离称之为第一实测距离，上述待分类目标的回波功率即为待分类目标在第一实测距离上的回波功率；再根据待分类目标在第一实测距离上的回波功率和第一设定距离，结合雷达方程，可以计算待分类目标在第一设定距离上的回波功率，将待分类目标的回波功率转换至目标级典型数据相同的距离环境，从而与目标级典型数据中的回波功率相关参数具有可匹配性。其中，上述雷达方程是指回波功率与距离的四次方成反比的方程。待分类目标在预设坐标系中的坐标包括待分类目标在X轴方向的坐标和在Y轴方向的坐标，将待分类目标在X轴方向的坐标和在Y轴方向的坐标进行合成，即可得到待分类目标与毫米波雷达的距离。
在获取待分类目标的速度熵时，可以先获取待分类目标在X轴方向的速度和在Y轴方向的速度，再将待分类目标在X轴方向的速度和在Y轴方向的速度进行合成，即可得到待分类目标的速度。
待分类目标的点云数据是指待分类点云的相关数据，包括但不限于点云数据包括点云熵数据和点云分布矩阵。点云熵数据包括但不限于待分类点云与毫米波雷达的距离熵、待分类点云的速度熵和待分类点云在第二设定距离上的回波功率熵。点云分布数据包括但不限于待分类点云的回波功率分布矩阵和待分类点云的数量分布矩阵。待分类点云的回波功率分布矩阵中的元素为待分类点云在第二设定距离上的回波功率。待分类点云的数量分布矩阵中的元素为待分类目标中对应区域的点云数量。
在获取待分类点云与毫米波雷达的距离熵时，可以先获取待分类点云在预设坐标系中的坐标，根据待分类点云在预设坐标系中的坐标计算待分类点云与毫米波雷达的距离，根据待分类点云与毫米波雷达的距离确定待分类点云与毫米波雷达的距离熵。其中，待分类点云在预设坐标系中的坐标包括待分类点云在X轴方向的坐标和在Y轴方向的坐标，将待分类点云在X轴方向的坐标和在Y轴方向的坐标进行合成，即可得到待分类点云与毫米波雷达的距离。
在获取待分类点云的速度熵时，可以先获取待分类点云在X轴方向的速度和在Y轴方向的速度，再将待分类点云在X轴方向的速度和在Y轴方向的速度进行合成，可得到待分类点云的速度，根据待分类点云的速度可以确定待分类点云的速度熵。
在获取待分类点云在第二设定距离上的回波功率熵时，可以先获取待分类点云在第二实测距离(即待分类点云与毫米波雷达的距离)上的回波功率，再根据待分类点云在第二实测距离上的回波功率和第二设定距离，结合雷达方程，可以计算待分类点云在第二设定距离上的回波功率，根据待分类点云在第二设定距离上的回波功率可以确定待分类点云在第二设定距离上的回波功率熵。将待分类点云在第二实测距离上的回波功率转换至在第二设定距离上的回波功率，可以将待分类点云的回波功率转换至与点云级典型数据相同的距离环境，从而与点云级典型数据中的回波功率相关参数具有可匹配性。
在统计待分类目标中对应区域的点云数量时，可以先选取出待分类目标在X轴方向的尺寸和在Y轴方向的尺寸中的最大尺寸和最小尺寸，在最大尺寸对应的方向上划分出N个区间，以同样的区间长度在最小尺寸上划分出M个区间，可将划分好的区间看作一个M×N的矩阵SM×N，或者看作一个N×M的矩阵SN×M，矩阵SM×N或者矩阵SN×M中每个元素表示在对应区间内的点云数量。在最大尺寸为X轴方向的尺寸时，将划分好的区间看作一个M×N的矩阵SM×N；在最大尺寸为Y轴方向的尺寸时，将划分好的区间看作一个N×M的矩阵SN×M。
其中，通常情况下在最小尺寸上无法以同样的区间长度恰好等分，此处可以向上取整，即
以避免向下取整导致部分待分类点云丢失在区间外。
步骤202，获取在毫米波雷达所处位置的当前天气状况下L个候选类型的典型数据。
其中，L为大于零的整数，一个候选类型的典型数据可以是指能够表征该候选类型的标准数据。一个候选类型的典型数据包括与目标数据对应的目标级典型数据和与点云数据对应的点云级典型数据。一个候选类型的目标级典型数据包括类型为该候选类型的目标的目标数据，即如果一个目标的类型为该候选类型，那么该目标的目标数据位于该候选类型的目标级典型数据内。一个候选类型的点云级典型数据包括类型为该候选类型的目标的点云数据，即如果一个目标的类型为该候选类型，那么该目标的点云数据位于该候选类型的点云级典型数据内。
例如，针对L个候选类型中的第i个候选类型，第i个候选类型为L个候选类型中的任一候选类型，i为大于零且小于或等于L的整数，类型为第i个候选类型的目标的目标数据通常位于第i个候选类型的目标级典型数据内，类型为第i个候选类型的目标的点云数据通常位于第i个候选类型的点云级典型数据内。
终端设备可以向数据处理装置发送毫米波雷达所处位置的天气请求，数据处理装置接收到该天气请求之后，获取毫米波雷达所处位置的当前天气状况，并将该当前天气状况反馈至终端设备。
步骤203，根据目标数据和L个候选类型的目标级典型数据，确定待分类目标与L个候选类型的目标级特征匹配度。
通过将待分类目标的目标数据分别与L个候选类型的目标级典型数据进行匹配，可以计算得到待分类目标分别与L个候选类型的目标级特征匹配度。
可选地，待分类目标的尺寸对应的目标级典型数据为目标尺寸典型范围，待分类目标在第一设定距离上的回波功率对应的目标级典型数据为在第一设定距离上的目标回波功率典型范围，待分类目标的速度对应的目标级典型数据为目标速度典型范围；
针对第i个候选类型，第i个候选类型是L个候选类型中的任一候选类型，根据目标数据和第i个候选类型的目标级典型数据，确定待分类目标与第i个候选类型的目标级特征匹配度，包括：
根据第i个候选类型的目标级典型数据，确定第i个候选类型的目标级典型数据的均值和方差；
根据第i个候选类型的目标级典型数据的均值和方差，建立正态分布模型；
根据正态分布模型和目标数据，确定目标数据与第i个候选类型的目标级特征匹配度。
一个候选类型的目标尺寸典型范围可以是指类型为该候选类型的目标的尺寸的取值范围。一个候选类型在第一设定距离上的目标回波功率典型范围可以是指类型为该候选类型的目标在第一设定距离上的回波功率的取值范围。一个候选类型的目标速度典型范围可以是指类型为该候选类型的目标的速度的取值范围。
在目标级典型数据为目标尺寸典型范围时，目标级特征匹配度包括目标尺寸匹配度；在目标级典型数据为在第一设定距离上的目标回波功率典型范围时，目标级特征匹配度包括目标回波功率匹配度；在目标级典型数据为目标速度典型范围时，目标级特征匹配度包括目标速度匹配度。
待分类目标与第i个候选类型的目标尺寸匹配度、目标回波功率匹配度、目标速度匹配度，分别反映待分类目标与第i个候选类型在尺寸、RCS和速度上的整体相似程度。
将待分类目标与第i个候选类型的目标尺寸匹配度、目标回波功率匹配度、目标速度匹配度进行加权求和，可以得到待分类目标与第i个候选类型的目标级特征匹配度。
由于目标的尺寸通常包括X轴方向的尺寸和Y轴方向的尺寸，故目标尺寸典型范围包括X轴方向的目标尺寸典型范围和Y轴方向的目标尺寸典型范围。
以第i个候选类型的在X轴方向的目标尺寸典型范围[aLi,bHi]为例，第i个候选类型在X轴方向的目标尺寸典型范围的均值μ和方差σ可以表示如下：
故，根据第i个候选类型在X轴方向的目标尺寸典型范围的均值和方差，建立的正态分布模型可以表示如下：
其中，将待分类目标在X轴方向的尺寸作为xi代入上述正态分布模型，即可得到待分类目标与第i个候选类型在X轴方向的目标尺寸匹配度。
需要说明的是，待分类目标与第i个候选类型在Y轴方向的目标尺寸匹配度、目标回波功率匹配度、目标速度匹配度的计算方法可参见待分类目标与第i个候选类型在X轴方向的目标尺寸特征匹配度的计算方法，在此不再赘述。
对待分类目标与第i个候选类型在X轴方向的目标尺寸特征匹配度和在Y轴方向的目标尺寸特征匹配度进行加权求和，可以得到待分类目标与第i个候选类型的目标尺寸特征匹配度。其中，在加权求和，在X轴方向的目标尺寸特征匹配度与在Y轴方向的目标尺寸特征匹配度的权重可以相同，也可以不同，在此不作限定。
步骤204，根据点云数据和L个候选类型的点云级典型数据，确定待分类目标与L个候选类型的点云级特征匹配度。
通过将待分类目标的点云数据分别与L个候选类型的点云级典型数据进行匹配，可以计算得到待分类目标分别与L个候选类型的点云级特征匹配度。
可选地，点云熵数据对应的点云级典型数据为点云熵典型范围，点云分布矩阵对应的点云级典型数据为点云分布典型矩阵；
待分类点云与毫米波雷达的距离熵对应的点云熵典型范围为点云距离熵典型范围，待分类点云的速度熵对应的点云熵典型范围为点云速度熵典型范围，待分类点云在第二设定距离上的回波功率熵对应的点云熵典型范围为在第二设定距离上的点云回波功率熵典型范围，待分类点云的回波功率分布矩阵对应的点云分布典型矩阵为点云回波功率分布典型矩阵，待分类点云的数量分布矩阵对应的点云分布典型矩阵为点云数量分布典型矩阵；
针对第i个候选类型，第i个候选类型是L个候选类型中的任一候选类型，根据点云数据和第i个候选类型的点云级典型数据，确定待分类目标与第i个候选类型的点云级特征匹配度，包括：
根据点云熵数据和该点云熵数据对应的第i个候选类型的点云熵典型范围，确定待分类目标与第i个候选类型的点云级特征熵匹配度；
根据点云分布矩阵和该点云分布矩阵对应的第i个候选类型的点云分布典型矩阵，确定待分类目标与第i个候选类型的点云级特征分布匹配度；
根据待分类目标与第i个候选类型的点云级特征熵匹配度、点云级特征分布匹配度，确定待分类目标与第i个候选类型的点云级特征匹配度。
将点云熵数据和点云熵数据对应的第i个候选类型的点云熵典型范围进行匹配，可以计算得到待分类目标与第i个候选类型的点云级特征熵匹配度。需要说明的是，点云级特征熵匹配度的计算方法可参见待分类目标与第i个候选类型在X轴方向的目标尺寸特征匹配度的计算方法，在此不再赘述。
点云熵典型范围包括点云距离熵典型范围、点云速度熵典型范围和在第二设定距离上的回波功率熵典型范围，对应地，点云级特征熵匹配度包括点云距离熵匹配度、点云速度熵匹配度和点云回波功率熵匹配度。即，将待分类点云与毫米波雷达的距离熵与第i个候选类型的点云熵典型范围进行匹配，可以得到待分类目标与第i个候选类型的点云距离熵匹配度；将待分类点云与毫米波雷达的速度熵与第i个候选类型的点云速度熵典型范围进行匹配，可以得到待分类目标与第i个候选类型的点云速度熵匹配度；将待分类点云在第二设定距离上的回波功率熵与第i个候选类型在第二设定距离上的回波功率熵典型范围进行匹配，可以得到待分类点云与第i个候选类型的点云回波功率熵匹配度。
将待分类目标与第i个候选类型的点云距离熵匹配度、点云速度熵匹配度和点云回波功率熵匹配度进行加权求和，可以得到待分类目标与第i个候选类型的点云级特征熵匹配度。
点云分布典型矩阵包括点云回波功率分布典型矩阵、点云数量分布典型矩阵，对应地，点云级特征分布匹配度包括点云回波功率分布匹配度和点云数量分布匹配度。即，根据待分类点云的回波功率分布矩阵和第i个候选类型的点云回波功率分布典型矩阵，可以确定待分类目标与第i个候选类型的点云回波功率分布匹配度；根据待分类点云的数量分布矩阵和第i个候选类型的点云数量分布典型矩阵，可以确定待分类目标与第i个候选类型的点云数量分布匹配度。
将待分类目标与第i个候选类型的点云回波功率分布匹配度和点云数量分布匹配度进行加权求和，可以得到待分类目标与第i个候选类型的点云级特征分布匹配度。
可选地，待分类点云的点云熵数据的获取方式如下：
获取待分类点云与毫米波雷达的距离、待分类点云的速度和待分类点云在第二设定距离上的回波功率；
将点云候选数据的最大值和最小值构成的区间进行K等分，得到K个点云区间，K为大于1的整数，点云候选数据为待分类点云与毫米波雷达的距离、待分类点云的速度和待分类点云在第二设定距离上的回波功率中的任一项；
将所有的待分类点云划分到K个点云区间，并统计K个点云区间内的点云数量；
根据K个点云区间内的点云数量，确定待分类点云位于K个点云区间内的概率；
根据待分类点云位于K个点云区间内的概率，确定点云候选数据对应的点云熵数据。
在点云候选数据为待分类点云与毫米波雷达的距离时，可以通过上述获取方式得到待分类点云与毫米波雷达的距离熵；在点云候选数据为待分类点云的速度时，可以通过上述获取方式得到待分类点云的速度熵；在点云候选数据为待分类点云在第二设定距离上的回波功率时，可以通过上述获取方式得到待分类点云在第二设定距离上的回波功率熵。
以待分类点云与毫米波雷达的距离为例，聚类成待分类目标的待分类点云与毫米波雷达的距离都存在一个最大距离和最小距离，最大距离使用Rangmax表示，最小距离使用Rangmin表示，最大距离和最小距离构成的区间为[Rangmin,Rangmax]，对[Rangmin,Rangmax]进行K等分，得到K个点云区间。第j个点云区间可以表示如下：
其中，j∈[1,K]。
待分类目标的每个待分类点云的距离通常都在某个点云区间内，可以统计K个点云区间内的点云数量，待分类点云在一个点云区间内的概率可以是指该点云区间内的点云数量与待分类点云的点云总数量的比值。其中，待分类点云的点云总数量是指聚类成待分类目标的待分类点云的总数量。
可选地，根据点云分布矩阵和该点云分布矩阵对应的第i个候选类型的点云分布典型矩阵，确定待分类目标与第i个候选类型的点云级特征分布匹配度，包括：
将点云分布矩阵的每行元素与第i个候选类型的点云分布典型矩阵的每行中对应位置的元素进行匹配，得到第i个候选类型的点云分布典型矩阵中与点云分布矩阵中的每行相匹配的目标行；
根据目标行，对点云分布矩阵进行插值，得到目标分布矩阵；
根据目标分布矩阵和第i个候选类型的点云分布典型矩阵，确定待分类目标与第i个候选类型的点云级特征分布匹配度，目标分布矩阵和第i个候选类型的点云分布典型矩阵的行数和列数均相同。
在点云分布矩阵为待分类点云的回波功率分布矩阵，通过将待分类点云的回波功率分布矩阵的每行元素与第i个候选类型的点云回波功率分布典型矩阵的每行中相同位置的元素进行匹配，可以得到第i个候选类型的点云回波功率分布典型矩阵中与待分类点云的回波功率分布矩阵中的每行相匹配的目标行，根据该目标行，可以对待分类点云的回波功率分布矩阵进行插值，得到行数和列数均与第i个候选类型的点云回波功率分布典型矩阵相同的目标分布矩阵，将该目标分布矩阵和第i个候选类型的点云回波功率分布矩阵进行匹配，可以得到待分类目标与第i个候选类型的点云回波功率分布匹配度。
在点云分布矩阵为待分类点云的数量分布矩阵时，通过将待分类点云的数量分布矩阵的每行元素与第i个候选类型的点云数量分布典型矩阵的每行中相同位置的元素进行匹配，可以得到第i个候选类型的点云数量分布典型矩阵中与待分类点云的数量分布矩阵中的每行相匹配的目标行，根据该目标行，可以对待分类点云的数量分布矩阵进行插值，得到行数和列数均与第i个候选类型的点云数量分布典型矩阵相同的目标分布矩阵，将该目标分布矩阵和第i个候选类型的点云数量分布矩阵进行匹配，得到待分类点云与第i个候选类型的点云数量分布匹配度。
以待分类点云的数量分布矩阵SM×N为例，由于距离的原因，可能导致中数量分布矩阵SM×N存在位置无待分类点云的情况，需要对该位置进行插值补点，因待分类目标的轮廓一般较为完整，采用的插值补点方法可以是分段线性插值法。
在插值补点之前，需要先将数量分布矩阵SM×N与点云数量分布典型矩阵TN×N维度进行统一，即需要将M行插值补点成N行，在此基础上，再将数量分布矩阵SM×N与点云数量分布典型矩阵TN×N维度进行匹配，计算得到点云数量分布匹配度。
在将M行插值补点成N行之前，需要确定已知的M行在预测的N行中的位置。具体地，可以将已知的M行中的每行元素与点云数量分布典型矩阵TN×N中的每行元素进行匹配，该匹配可以采用MSD算法，已知的M行中的每行均对应一个MSD，即，在一次匹配过程中，可以得到M个MSD，计算该次匹配过程中M个MSD的均值，在保证已知的M行中每行的先后顺序不变的前提下，通过改变点云数量分布典型矩阵TN×N中用于与已知的M行匹配的行，可以进行多次匹配，从而得到多次匹配过程分别对应的M个MSD的均值，均值最小的匹配为最佳匹配，根据最佳匹配即可得到目标行，根据目标行以分段线性插值法在空行进行插值，可以得到目标分布矩阵SN×N。
以第i个候选类型为例，将目标分布矩阵和第i个候选类型的点云数量分布典型矩阵分别展开为行向量，分别为第一行向量和第二行向量，计算第一行向量和第二行向量的夹角，根据第一行向量和第二行向量的夹角，可以计算得到待分类点云与第i个候选类型的点云数量分布匹配度。
可以根据第i个候选类型的点云数量分布典型矩阵对应的匹配度标准差σpoint-numi和均值为0，以正态分布构建匹配模型，该匹配模型可以表示如下：
其中，x表示正态随机变量。
待分类点云与第i个候选类型的点云数量分布匹配度的计算公式可以表示如下：
其中，angle表示第一行向量和第二行向量的夹角。
步骤205，根据待分类目标与L个候选类型的目标级特征匹配度、点云级特征匹配度，确定待分类目标所属类型。
根据待分类目标分别与L个候选类型的目标级特征匹配度、点云级特征匹配度，可以从L个候选类型中查找到与待分类目标的类型最相近的候选类型，该候选类型即为待分类目标所属类型。
本申请实施例根据目标数据和点云数据确定待分类目标所属类型，增加了目标分类过程中的参数数量，提高了目标分类准确率，且在计算特征匹配度时考虑当前天气状况，可以减少恶劣天气对目标分类准确率的影响。
参见图3，是本申请实施例三提供的目标分类方法的实现流程示意图，该目标分类方法应用于终端设备。如图3所示，该目标分类方法可以包括以下步骤：
步骤301，获取待分类目标的目标数据和至少一个待分类点云的点云数据。
该步骤与步骤201相同，具体可参见步骤201的相关描述，在此不再赘述。
步骤302，获取在毫米波雷达所处位置的当前天气状况下L个候选类型的典型数据。
该步骤与步骤202相同，具体可参见步骤202的相关描述，在此不再赘述。
步骤303，根据目标数据和L个候选类型的目标级典型数据，确定待分类目标与L个候选类型的目标级特征匹配度。
该步骤与步骤203相同，具体可参见步骤203的相关描述，在此不再赘述。
步骤304，根据点云数据和L个候选类型的点云级典型数据，确定待分类目标与L个候选类型的点云级特征匹配度。
该步骤与步骤204相同，具体可参见步骤204的相关描述，在此不再赘述。
步骤305，根据待分类目标与每个候选类型的目标级特征匹配度、点云级特征匹配度，确定待分类目标与对应候选类型的综合特征匹配度。
可以将待分类目标与第i个候选类型的目标级特征匹配度、点云级特征匹配度进行加权求和，所得值即为第i个候选类型的综合特征匹配度。
可选地，针对第i个候选类型，第i个候选类型是L个候选类型中的任一候选类型，根据待分类目标与每个候选类型的目标级特征匹配度和点云级特征匹配度，确定对应候选类型的综合特征匹配度，包括：
根据待分类点云的点云数量和第i个候选类型的点云级典型数据中的点云数量，确定第一权重和第二权重，第一权重是指第i个候选类型的目标级特征匹配度的权重，第二权重是指第i个候选类型的点云级特征匹配度的权重；
根据第一权重和第二权重，计算待分类目标与第i个候选类型的目标级特征匹配度和点云级特征匹配度的加权和，并确定该加权和为第i个候选类型的综合特征匹配度。
在不同的距离上，待分类目标返回的待分类点云的点云数量是不同的，待分类目标在远距离返回的待分类点云较少，而在近距离返回的待分类点云较多。在近距离的情况下，点云级特征匹配度更能反映待分类目标与候选类型的相似程度；在远距离的情况下，由于点云数量较少，目标级特征匹配度更能反映待分类目标与候选类型的相似程度。因此，利用待分类点云的点云数量和点云级典型数据中所使用的点云的点云数量的比值，可以自适应调整第一权重和第二权重。
第i个候选类型的综合特征匹配度的计算公式如下：
其中，Ptargeti表示待分类目标与第i个候选类型的目标级特征匹配度，Ppointi表示待分类目标与第i个候选类型的点云级特征匹配度，E表示待分类点云的点云数量，F表示第i个候选类型的点云级典型数据中的点云数量，
表示第一权重，
表示第二权重。
步骤306，根据待分类目标与L个候选类型的综合特征匹配度，确定待分类目标所属类型。
终端设备可以根据待分类目标分别与L个候选类型的综合特征匹配度，从L个候选类型中查找到与待分类目标的类型最相近的候选类型，该候选类型即为待分类目标所属类型，并生成待分类目标的最终决策报告，该最终决策报告至少包括待分类目标的目标数据、待分类目标所属类型和确定待分类目标所属类型的时间等。例如，可以将待分类目标分别与L个候选类型的综合特征匹配度中综合特征匹配度最大且综合特征匹配度高于预设阈值的候选类型作为待分类目标所属类型。
终端设备也可以将待分类目标的目标数据和待分类目标分别与L个候选类型的综合特征匹配度上传至数据处理装置，数据处理装置将待分类目标的目标数据和待分类目标分别与L个候选类型的综合特征匹配度转发给决策预警平台，决策预警平台可以对待分类目标的类型进行最终决策，确定待分类目标所属类型，并生成待分类目标的最终决策报告，将最终决策报告下发至终端设备。
如果待分类目标所属类型为预设类型(可设定，比如行人)，则请求警告，若待分类目标在决策预警平台中处于未警告状态且为新出现目标，则根据对应待分类目标的最终决策报告发出警告，并开启休眠计时器；若待分类目标在决策预警平台中处于警告状态且休眠计时器时间未达到警告间隔阈值(可设定)，则忽略警告请求；若待分类目标在决策预警平台中处于警告状态且休眠计时器时间达到警告间隔阈值，则根据待分类目标的最终决策报告发出警告。
本申请实施例在实施例二的基础上，通过根据待分类目标与每个候选类型的目标级特征匹配度、点云级特征匹配度，确定待分类目标与对应候选类型的综合特征匹配度，可以基于综合特征匹配度从L个候选类型中较为准确地查找到与待分类目标的类型最相近的候选类型。
对应于上文实施例所述的目标分类方法，图4示出了本申请实施例四提供的目标分类装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图4，该目标分类装置包括：
数据获取模块41，用于获取待分类目标的目标数据和至少一个待分类点云的点云数据，待分类目标和待分类点云由毫米波雷达检测到，待分类点云是指聚类成待分类目标的点云；
典型获取模块42，用于获取在毫米波雷达所处位置的当前天气状况下L个候选类型的典型数据，L为大于零的整数，一个候选类型的典型数据包括与目标数据对应的目标级典型数据和与点云数据对应的点云级典型数据；
第一确定模块43，用于根据目标数据和L个候选类型的目标级典型数据，确定待分类目标与L个候选类型的目标级特征匹配度；
第二确定模块44，用于根据点云数据和L个候选类型的点云级典型数据，确定待分类目标与L个候选类型的点云级特征匹配度；
第三确定模块45，用于根据待分类目标与L个候选类型的目标级特征匹配度、点云级特征匹配度，确定待分类目标所属类型。
可选地，目标数据包括待分类目标的尺寸、待分类目标在第一设定距离上的回波功率和待分类目标的速度，待分类目标的尺寸对应的目标级典型数据为目标尺寸典型范围，待分类目标在第一设定距离上的回波功率对应的目标级典型数据为在第一设定距离上的目标回波功率典型范围，待分类目标的速度对应的目标级典型数据为目标速度典型范围；
针对第i个候选类型，第i个候选类型是L个候选类型中的任一候选类型，第一确定模块43具体用于：
根据第i个候选类型的目标级典型数据，确定第i个候选类型的目标级典型数据的均值和方差；
根据第i个候选类型的目标级典型数据的均值和方差，建立正态分布模型；
根据正态分布模型和目标数据，确定目标数据与第i个候选类型的目标级特征匹配度。
可选地，点云数据包括点云熵数据和点云分布矩阵，点云熵数据对应的点云级典型数据为点云熵典型范围，点云分布矩阵对应的点云级典型数据为点云分布典型矩阵；
点云熵数据包括待分类点云与毫米波雷达的距离熵、待分类点云的速度熵和待分类点云在第二设定距离上的回波功率熵，点云分布数据包括待分类点云的回波功率分布矩阵和待分类点云的数量分布矩阵，待分类点云的回波功率分布矩阵中的元素为待分类点云在第二设定距离上的回波功率待分类点云的数量分布矩阵中的元素为待分类目标中对应区域的点云数量；
待分类点云与毫米波雷达的距离熵对应的点云熵典型范围为点云距离熵典型范围，待分类点云的速度熵对应的点云熵典型范围为点云速度熵典型范围，待分类点云在第二设定距离上的回波功率熵对应的点云熵典型范围为在第二设定距离上的点云回波功率熵典型范围，待分类点云的回波功率分布矩阵对应的点云分布典型矩阵为点云回波功率分布典型矩阵，待分类点云的数量分布矩阵对应的点云分布典型矩阵为点云数量分布典型矩阵；
针对第i个候选类型，第i个候选类型是L个候选类型中的任一候选类型，第二确定模块44包括：
第一确定单元，用于根据点云熵数据和和该点云熵数据对应的第i个候选类型的点云熵典型范围，确定待分类目标与第i个候选类型的点云级特征熵匹配度；
第二确定单元，用于根据点云分布矩阵和和该点云分布矩阵对应的第i个候选类型的点云分布典型矩阵，确定待分类目标与第i个候选类型的点云级特征分布匹配度；
第三确定单元，用于根据待分类目标与第i个候选类型的点云级特征熵匹配度、点云级特征分布匹配度，确定待分类目标与第i个候选类型的点云级特征匹配度。
可选地，上述数据获取模块41具体用于：
获取待分类点云与所述毫米波雷达的距离、待分类点云的速度和所述待分类点云在第二设定距离上的回波功率；
将点云候选数据的最大值和最小值构成的区间进行K等分，得到K个点云区间，K为大于1的整数，点云候选数据为待分类点云与毫米波雷达的距离、待分类点云的速度和待分类点云在所述第二设定距离上的回波功率中的任一项；
将所有的待分类点云划分到K个点云区间，并统计K个点云区间内的点云数量；
根据K个点云区间内的点云数量，确定待分类点云位于K个点云区间内的概率；
根据待分类点云位于K个点云区间内的概率，确定点云候选数据对应的点云熵数据。
可选地，第二确定单元具体用于：
将点云分布矩阵的每行元素与第i个候选类型的点云分布典型矩阵的每行中对应位置的元素进行匹配，得到第i个候选类型的点云分布典型矩阵中与点云分布矩阵中的每行相匹配的目标行；
根据目标行，对点云分布矩阵进行插值，得到目标分布矩阵；
根据目标分布矩阵和第i个候选类型的点云分布典型矩阵，确定待分类目标与第i个候选类型的点云级特征分布匹配度，目标分布矩阵和第i个候选类型的点云分布典型矩阵的行数和列数均相同。
可选地，第三确定模块45包括：
综合确定单元，用于根据待分类目标与每个候选类型的目标级特征匹配度、点云级特征匹配度，确定待分类目标对应候选类型的综合特征匹配度；
类型确定单元，用于根据待分类目标与L个候选类型的综合特征匹配度，确定待分类目标所属类型。
可选地，针对第i个候选类型，第i个候选类型是L个候选类型中的任一候选类型，类型确定单元具体用于：
根据待分类点云的点云数量和第i个候选类型的点云级典型数据中的点云数量，确定第一权重和第二权重，第一权重是指第i个候选类型的目标级特征匹配度的权重，第二权重是指第i个候选类型的点云级特征匹配度的权重；
根据第一权重和第二权重，计算待分类目标与第i个候选类型的目标级特征匹配度和点云级特征匹配度的加权和，并确定该加权和为第i个候选类型的综合特征匹配度。
本申请实施例提供的目标分类装置可以应用在前述方法实施例中，详情参见上述方法实施例的描述，在此不再赘述。
图5是本申请实施例五提供的终端设备的结构示意图。如图5所示，该实施例的终端设备5包括：一个或多个处理器50(图中仅示出一个)、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个目标分类方法实施例中的步骤
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例还提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种目标分类方法，其特征在于，所述目标分类方法包括：
获取待分类目标的目标数据和至少一个待分类点云的点云数据，所述待分类目标和所述待分类点云由毫米波雷达检测到，所述待分类点云是指聚类成所述待分类目标的点云；
获取在所述毫米波雷达所处位置的当前天气状况下L个候选类型的典型数据，L为大于零的整数，一个候选类型的典型数据包括与所述目标数据对应的目标级典型数据和与所述点云数据对应的点云级典型数据；
根据所述目标数据和所述L个候选类型的目标级典型数据，确定所述待分类目标与所述L个候选类型的目标级特征匹配度；
根据所述点云数据和所述L个候选类型的点云级典型数据，确定所述待分类目标与所述L个候选类型的点云级特征匹配度；
根据所述待分类目标与所述L个候选类型的目标级特征匹配度、点云级特征匹配度，确定所述待分类目标所属类型。
2.根据权利要求1所述的目标分类方法，其特征在于，所述目标数据包括所述待分类目标的尺寸、所述待分类目标在第一设定距离上的回波功率和所述待分类目标的速度，所述待分类目标的尺寸对应的目标级典型数据为目标尺寸典型范围，所述待分类目标在所述第一设定距离上的回波功率对应的目标级典型数据为在所述第一设定距离上的目标回波功率典型范围，所述待分类目标的速度对应的目标级典型数据为目标速度典型范围；
针对第i个候选类型，所述第i个候选类型是所述L个候选类型中的任一候选类型，根据所述目标数据和第i个候选类型的目标级典型数据，确定所述待分类目标与所述第i个候选类型的目标级特征匹配度，包括：
根据所述第i个候选类型的目标级典型数据，确定所述第i个候选类型的目标级典型数据的均值和方差；
根据所述第i个候选类型的目标级典型数据的均值和方差，建立正态分布模型；
根据所述正态分布模型和所述目标数据，确定所述目标数据与所述第i个候选类型的目标级特征匹配度。
3.根据权利要求1所述的目标分类方法，其特征在于，所述点云数据包括点云熵数据和点云分布矩阵，所述点云熵数据对应的点云级典型数据为点云熵典型范围，所述点云分布矩阵对应的点云级典型数据为点云分布典型矩阵；
所述点云熵数据包括所述待分类点云与所述毫米波雷达的距离熵、所述待分类点云的速度熵和所述待分类点云在第二设定距离上的回波功率熵，所述点云分布数据包括所述待分类点云的回波功率分布矩阵和所述待分类点云的数量分布矩阵，所述待分类点云的回波功率分布矩阵中的元素为所述待分类点云在所述第二设定距离上的回波功率，所述待分类点云的数量分布矩阵中的元素为所述待分类目标中对应区域的点云数量；
所述待分类点云与所述毫米波雷达的距离熵对应的点云熵典型范围为点云距离熵典型范围，所述待分类点云的速度熵对应的点云熵典型范围为点云速度熵典型范围，所述待分类点云在所述第二设定距离上的回波功率熵对应的点云熵典型范围为在所述第二设定距离上的点云回波功率熵典型范围，所述待分类点云的回波功率分布矩阵对应的点云分布典型矩阵为点云回波功率分布典型矩阵，所述待分类点云的数量分布矩阵对应的点云分布典型矩阵为点云数量分布典型矩阵；
针对第i个候选类型，所述第i个候选类型是所述L个候选类型中的任一候选类型，根据所述点云数据和所述第i个候选类型的点云级典型数据，确定所述待分类目标与所述第i个候选类型的点云级特征匹配度，包括：
根据所述点云熵数据和所述点云熵数据对应的所述第i个候选类型的点云熵典型范围，确定所述待分类目标与所述第i个候选类型的点云级特征熵匹配度；
根据所述点云分布矩阵和所述点云分布矩阵对应的所述第i个候选类型的点云分布典型矩阵，确定所述待分类目标与所述第i个候选类型的点云级特征分布匹配度；
根据所述待分类目标与所述第i个候选类型的点云级特征熵匹配度、点云级特征分布匹配度，确定所述待分类目标与所述第i个候选类型的点云级特征匹配度。
4.根据权利要求3所述的目标分类方法，其特征在于，获取所述待分类点云的所述点云熵数据，包括：
获取所述待分类点云与所述毫米波雷达的距离、所述待分类点云的速度和所述待分类点云在所述第二设定距离上的回波功率；
将点云候选数据的最大值和最小值构成的区间进行K等分，得到K个点云区间，K为大于1的整数，所述点云候选数据为所述待分类点云与所述毫米波雷达的距离、所述待分类点云的速度和所述待分类点云在所述第二设定距离上的回波功率中的任一项；
将所有的所述待分类点云划分到所述K个点云区间，并统计所述K个点云区间内的点云数量；
根据所述K个点云区间内的点云数量，确定所述待分类点云位于所述K个点云区间内的概率；
根据所述待分类点云位于所述K个点云区间内的概率，确定所述点云候选数据对应的所述点云熵数据。
5.根据权利要求3所述的目标分类方法，其特征在于，所述根据所述点云分布矩阵和所述点云分布矩阵对应的所述第i个候选类型的点云分布典型矩阵，确定所述待分类目标与所述第i个候选类型的点云级特征分布匹配度，包括：
将所述点云分布矩阵的每行元素与所述第i个候选类型的点云分布典型矩阵的每行中对应位置的元素进行匹配，得到所述第i个候选类型的点云分布典型矩阵中与所述点云分布矩阵中的每行相匹配的目标行；
根据所述目标行，对所述点云分布矩阵进行插值，得到目标分布矩阵；
根据所述目标分布矩阵和所述第i个候选类型的点云分布典型矩阵，确定所述待分类目标与所述第i个候选类型的点云级特征分布匹配度，所述目标分布矩阵和所述第i个候选类型的点云分布典型矩阵的行数和列数均相同。
6.根据权利要求1至5任一项所述的目标分类方法，其特征在于，所述根据所述待分类目标与所述L个候选类型的目标级特征匹配度、点云级特征匹配度，确定所述待分类目标所属类型，包括：
根据所述待分类目标与每个候选类型的目标级特征匹配度、点云级特征匹配度，确定所述待分类目标对应候选类型的综合特征匹配度；
根据所述待分类目标与所述L个候选类型的综合特征匹配度，确定所述待分类目标所属类型。
7.根据权利要求6所述的目标分类方法，其特征在于，针对第i个候选类型，所述第i个候选类型是所述L个候选类型中的任一候选类型，所述根据所述待分类目标与每个候选类型的目标级特征匹配度和点云级特征匹配度，确定所述待分类目标与对应候选类型的综合特征匹配度，包括：
根据所述待分类点云的点云数量和所述第i个候选类型的点云级典型数据中的点云数量，确定第一权重和第二权重，所述第一权重是指所述第i个候选类型的目标级特征匹配度的权重，所述第二权重是指所述第i个候选类型的点云级特征匹配度的权重；
根据所述第一权重和所述第二权重，计算所述待分类目标与所述第i个候选类型的目标级特征匹配度和点云级特征匹配度的加权和，并确定该加权和为所述第i个候选类型的综合特征匹配度。
8.一种目标分类装置，其特征在于，所述目标分类装置包括：
数据获取模块，用于获取待分类目标的目标数据和至少一个待分类点云的点云数据，所述待分类目标和所述待分类点云由毫米波雷达检测到，所述待分类点云是指聚类成所述待分类目标的点云；
典型获取模块，用于获取在所述毫米波雷达所处位置的当前天气状况下L个候选类型的典型数据，L为大于零的整数，一个候选类型的典型数据包括与所述目标数据对应的目标级典型数据和与所述点云数据对应的点云级典型数据；
第一确定模块，用于根据所述目标数据和所述L个候选类型的目标级典型数据，确定所述待分类目标与所述L个候选类型的目标级特征匹配度；
第二确定模块，用于根据所述点云数据和所述L个候选类型的点云级典型数据，确定所述待分类目标与所述L个候选类型的点云级特征匹配度；
第三确定模块，用于根据所述待分类目标与所述L个候选类型的目标级特征匹配度、点云级特征匹配度，确定所述待分类目标所属类型。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述目标分类方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述目标分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111370083.XA CN114236488B (zh) | 2021-11-18 | 2021-11-18 | 目标分类方法、目标分类装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111370083.XA CN114236488B (zh) | 2021-11-18 | 2021-11-18 | 目标分类方法、目标分类装置、终端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114236488A true CN114236488A (zh) | 2022-03-25 |
| CN114236488B CN114236488B (zh) | 2024-05-14 |
Family
ID=80749991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111370083.XA Active CN114236488B (zh) | 2021-11-18 | 2021-11-18 | 目标分类方法、目标分类装置、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114236488B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3506162A1 (en) * | 2017-12-29 | 2019-07-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for determining matching relationship between point cloud data |
| CN110361727A (zh) * | 2019-07-22 | 2019-10-22 | 浙江大学 | 一种毫米波雷达多目标跟踪方法 |
| WO2021008202A1 (zh) * | 2019-07-16 | 2021-01-21 | 浙江大学 | 一种基于毫米波雷达点云特征的核支持向量机目标分类方法 |
| CN112698301A (zh) * | 2020-12-11 | 2021-04-23 | 中国科学院微电子研究所 | 基于距离强度关联的激光雷达目标识别方法、装置及设备 |
| CN113537417A (zh) * | 2021-09-17 | 2021-10-22 | 南京隼眼电子科技有限公司 | 基于雷达的目标识别方法、装置、电子设备及存储介质 |
-
2021
- 2021-11-18 CN CN202111370083.XA patent/CN114236488B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3506162A1 (en) * | 2017-12-29 | 2019-07-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for determining matching relationship between point cloud data |
| WO2021008202A1 (zh) * | 2019-07-16 | 2021-01-21 | 浙江大学 | 一种基于毫米波雷达点云特征的核支持向量机目标分类方法 |
| CN110361727A (zh) * | 2019-07-22 | 2019-10-22 | 浙江大学 | 一种毫米波雷达多目标跟踪方法 |
| CN112698301A (zh) * | 2020-12-11 | 2021-04-23 | 中国科学院微电子研究所 | 基于距离强度关联的激光雷达目标识别方法、装置及设备 |
| CN113537417A (zh) * | 2021-09-17 | 2021-10-22 | 南京隼眼电子科技有限公司 | 基于雷达的目标识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王金霞;窦爱霞;王晓青;黄树松;张雪华;: "地震后机载LiDAR点云的地物区分方法研究", 震灾防御技术, no. 03, 15 September 2017 (2017-09-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114236488B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3767325A1 (en) | Methods and systems for processing radar reflections | |
| CN112859033A (zh) | 目标探测的方法、装置及相关设备 | |
| CN112926218A (zh) | 净空距离的获取方法、装置、设备和存储介质 | |
| CN112162283A (zh) | 一种全路段组网交通雷达多目标探测系统 | |
| Pandey et al. | Classification of automotive targets using inverse synthetic aperture radar images | |
| Toker et al. | mmWave radar based approach for pedestrian identification in autonomous vehicles | |
| CN115061113B (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
| CN113009441A (zh) | 一种雷达运动反射面多径目标的识别方法及装置 | |
| Sengupta et al. | Automatic radar-camera dataset generation for sensor-fusion applications | |
| Liu et al. | A two‐step abnormal data analysis and processing method for millimetre‐wave radar in traffic flow detection applications | |
| Kim et al. | Target classification using combined YOLO-SVM in high-resolution automotive FMCW radar | |
| CN113408504B (zh) | 基于雷达的车道线识别方法、装置、电子设备及存储介质 | |
| KR20220141748A (ko) | 레이더 신호로부터 표적 정보를 추출하는 방법 및 컴퓨터 판독가능 저장 매체 | |
| Huang et al. | Yolo-ore: A deep learning-aided object recognition approach for radar systems | |
| Lei et al. | Integrated sensor fusion based on 4D MIMO radar and camera: A solution for connected vehicle applications | |
| Wagner et al. | A fast grid-based clustering algorithm for range/Doppler/DoA measurements | |
| US20240118385A1 (en) | Data processing method and apparatus, and radar sensor | |
| Lim et al. | Radar sensor-based estimation of vehicle orientation for autonomous driving | |
| Xiong et al. | Power line detection in millimetre‐wave radar images applying convolutional neural networks | |
| CN114236488B (zh) | 目标分类方法、目标分类装置、终端设备及存储介质 | |
| WO2020133041A1 (zh) | 车速计算方法、系统、设备及存储介质 | |
| Kim et al. | Deep-learning based multi-object detection and tracking using range-angle map in automotive radar systems | |
| CN115754969A (zh) | 基于宽窄带结合和差单脉冲的识别雷达方法及系统 | |
| Kwak et al. | Multi‐view convolutional neural network‐based target classification in high‐resolution automotive radar sensor | |
| CN116027288A (zh) | 生成数据的方法、装置、电子设备及存储介质 |
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 |