CN115586506B - 一种抗干扰目标分类方法及装置 - Google Patents

一种抗干扰目标分类方法及装置 Download PDF

Info

Publication number
CN115586506B
CN115586506B CN202211594912.7A CN202211594912A CN115586506B CN 115586506 B CN115586506 B CN 115586506B CN 202211594912 A CN202211594912 A CN 202211594912A CN 115586506 B CN115586506 B CN 115586506B
Authority
CN
China
Prior art keywords
point cloud
neural network
cloud information
classification
training
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
CN202211594912.7A
Other languages
English (en)
Other versions
CN115586506A (zh
Inventor
张军
陶征
章庆
程伟
宋清峰
王鹏立
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.)
Nanjing Hurys Intelligent Technology Co Ltd
Original Assignee
Nanjing Hurys Intelligent 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 Nanjing Hurys Intelligent Technology Co Ltd filed Critical Nanjing Hurys Intelligent Technology Co Ltd
Priority to CN202211594912.7A priority Critical patent/CN115586506B/zh
Publication of CN115586506A publication Critical patent/CN115586506A/zh
Application granted granted Critical
Publication of CN115586506B publication Critical patent/CN115586506B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S7/41—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
    • G01S7/414—Discriminating targets with respect to background clutter
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请提供了一种抗干扰目标分类方法及装置，包括：获取多个毫米波雷达点云信息；将所述多个毫米波雷达点云信息输入目标分类神经网络，得到多个分类结果；根据所述多个分类结果，得到目标分类结果。这样，由于毫米波雷达受自然环境影响小，所以利用毫米波雷达点云进行目标分类，可以缩短目标检测的时间，提高复杂情况下目标分类的工作性能，对复杂环境具有一定的抗干扰能力。同时，将多个毫米波雷达点云的分类结果结合，可以避免单个毫米波雷达点云受到干扰，导致的分类结果不准确的问题。

Description

一种抗干扰目标分类方法及装置
技术领域
本申请涉及人工智能的技术领域，特别是涉及一种抗干扰目标分类方法及装置。
背景技术
自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统等技术协同合作，让电脑在没有任何人类主动操作的情况下，自动安全地操作机动车辆。而自动驾驶的过程中，最重要的是主动安全防撞功能实现，例如，前车防撞预警、变道辅助、自适应巡航控制以及盲点监测等功能实现。
传统的自动驾驶功能，需要利用摄像头辅助进行目标种类的确认，例如确认目标物体是轿车、行人、自行车等分类中的哪一分类。由于在大雨、大雾天气下，摄像系统容易受到干扰，导致其无法正常工作，所以，利用摄像头辅助进行目标种类的确认，很容易影响主动安全防撞的性能。
因此，如何提供一种不易受干扰的目标分类方法，是本领域技术人员亟需解决的技术问题。
发明内容
有鉴于此，本申请实施例提供了一种抗干扰目标分类方法及装置，旨在提供一种受环境影响小的目标分类方法。
第一方面，本申请实施例提供了一种抗干扰目标分类方法，包括：
获取多个毫米波雷达点云信息；
将所述多个毫米波雷达点云信息输入目标分类神经网络，得到多个分类结果；
根据所述多个分类结果，得到目标分类结果。
可选的，在所述获取多个毫米波雷达点云信息之前，所述方法还包括：
构建预训练神经网络，所述预训练神经网络包括卷积层、最大池化层和全连接层；
利用训练样本训练所述预训练神经网络，得到所述目标分类神经网络，所述目标分类神经网络包括迭代卷积层、迭代最大池化层和迭代全连接层。
可选的，所述训练样本包括样本信息和结果信息；
所述利用训练样本训练所述预训练神经网络，得到所述目标分类神经网络，包括：
将所述样本信息输入所述预训练神经网络，得到训练结果；
根据所述训练结果与所述结果信息，得到所述预训练神经网络的收敛程度；
响应于所述预训练神经网络的收敛程度没有达到预设条件，利用梯度下降法修正所述预训练神经网络的权值，得到迭代神经网络；
以所述迭代神经网络替换所述预训练神经网络，返回执行所述将所述样本信息输入所述预训练神经网络，得到训练结果，直至所述预训练神经网络的收敛程度达到预设条件，确定所述迭代神经网络为所述目标分类神经网络。
可选的，所述将所述多个毫米波雷达点云信息输入目标分类神经网络，得到多个分类结果，包括：
将所述多个毫米波雷达点云信息输入所述迭代卷积层，得到多个升维点云信息；
将所述多个升维点云信息输入所述迭代最大池化层，得到多个池化点云信息；
将所述多个池化点云信息输入所述迭代全连接层，得到多个分类结果。
可选的，所述将所述多个毫米波雷达点云信息输入所述迭代卷积层，得到多个升维点云信息，包括：
将所述多个毫米波雷达点云信息输入第一卷积层，得到多个基础升维点云信息；
将所述多个毫米波雷达点云信息输入第二卷积层，得到多个升维点云信息。
可选的，在所述将所述多个毫米波雷达点云信息输入第一卷积层，得到多个基础升维点云信息之后，所述方法还包括：
拼接所述多个基础升维点云信息，得到多个拼接点云信息；
将所述多个拼接点云信息输入第二卷积层，得到多个拼接升维点云信息；
将所述多个拼接升维点云信息输入所述迭代最大池化层，得到多个拼接池化点云信息；
将所述多个拼接池化点云信息输入所述迭代全连接层，得到多个拼接分类结果；
在所述根据所述多个分类结果，得到目标分类结果之后，所述方法还包括：
根据所述多个分类结果和所述多个拼接分类结果，得到综合目标分类结果。
可选的，所述根据所述多个分类结果，得到目标分类结果，包括：
响应于所述多个分类结果一致，确认所述目标分类结果为所述多个分类结果中的任一分类结果；
响应于所述多个分类结果不一致，确认所述目标分类结果为结果不可信。
第二方面，本申请实施例提供了一种抗干扰目标分类装置，包括：
获取模块，用于获取多个毫米波雷达点云信息；
第一分类模块，用于将所述多个毫米波雷达点云信息输入目标分类神经网络，得到多个分类结果；
第二分类模块，用于根据所述多个分类结果，得到目标分类结果。
第三方面，本申请实施例提供了一种设备，所述设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述设备执行前述第一方面任一项所述的抗干扰目标分类方法。
第四方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现前述第一方面任一项所述的抗干扰目标分类方法。
本申请实施例提供了一种抗干扰目标分类方法及装置，在执行所述方法时，先获取多个毫米波雷达点云信息；后将所述多个毫米波雷达点云信息输入目标分类神经网络，得到多个分类结果；最后根据所述多个分类结果，得到目标分类结果。这样，由于毫米波雷达受自然环境影响小，所以利用毫米波雷达点云进行目标分类，可以缩短目标检测的时间，提高复杂情况下目标分类的工作性能，对复杂环境具有一定的抗干扰能力。同时，将多个毫米波雷达点云的分类结果结合，可以避免单个毫米波雷达点云受到干扰，导致的分类结果不准确的问题。
附图说明
为更清楚地说明本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的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的抗干扰目标分类方法的一种方法流程图；
图2为本申请实施例提供的一种多个毫米波雷达点云信息示意图；
图3为本申请实施例提供的抗干扰目标分类方法的另一种方法流程图；
图4为本申请实施例提供的抗干扰目标分类方法的一种神经网络示意图；
图5为本申请实施例提供的抗干扰目标分类方法的又一种方法流程图；
图6为本申请实施例提供的抗干扰目标分类方法的另一种神经网络示意图；
图7为本申请实施例提供的抗干扰目标分类方法的一种特征拼接示意图；
图8为本申请实施例提供的抗干扰目标分类装置的一种结构示意图。
具体实施方式
自动驾驶的过程中，最重要的是主动安全防撞功能实现，例如，前车防撞预警、变道辅助、自适应巡航控制以及盲点监测等功能实现。而传统的自动驾驶功能，需要利用摄像头辅助进行目标种类的确认，例如确认目标物体是轿车、行人、自行车等分类中的哪一分类。由于在大雨、大雾天气下，摄像系统无法正常工作，所以，利用摄像头辅助进行目标种类的确认，很容易影响主动安全防撞的性能。
本申请实施例提供的方法由计算机设备执行，用于提供一种受环境影响小的目标分类方法。
显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
参见图1，图1为本申请实施例提供的抗干扰目标分类方法的一种方法流程图，包括：
步骤S101：获取多个毫米波雷达点云信息。
毫米波雷达一般会在每个脉冲周期内都发射调频连续波，并在接收端对回波进行混频，最终得到的结果是多个目标回波的叠加。对叠加的一维回波信号进行傅里叶变化，会得到一维回波像，也称为一维距离像。进一步地，对多个连续发射的回波所得到的一维距离像在另一个维度进行傅里叶变换，最终可以得到观测空间中的目标在距离－多普勒速度图像上的分布，如图2所示，图2为本申请实施例提供的抗干扰目标分类方法的多个毫米波雷达点云信息示意图。每个目标点在图上呈现为一个亮点，这个亮点的位置体现了目标自身的距离和速度，强度体现了目标的回波强度。多个目标点及其代表的信息共同组成了单个毫米波雷达点云信息。
现有的目标检测算法都是基于相机或者激光雷达，但是二者很容易受到恶劣天气或者光照条件的影响。毫米波雷达的波长一般在1-19mm之间，介于厘米波和光波之间，兼有微波制导和光电制导的优点，且其引导头具有体积小、质量轻和空间分辨率高的特点，穿透雾、烟、灰尘的能力强，不易受到恶劣天气或者光照条件的影响。但由于其精度较低，因此需要对其进行进一步处理，以使其达到较好的分类效果。
步骤S102：将所述多个毫米波雷达点云信息输入目标分类神经网络，得到多个分类结果。
目标分类神经网络可以包括卷积、升维、全连接等操作，用于对毫米波雷达信息进行特征提取，再对提取的特征进行分析，进而得到毫米波雷达的分类。作为一种可能的实施方式，可以通过pytorch进行目标分类神经网络的搭建，再对其进行测试迭代，使其收敛，提高其分类的准确度。
由于单个毫米波雷达点云信息的分辨率及精度可能较低，因此，需要将多个毫米波雷达的点云信息都输入目标分类神经网络，得到多个分类结果。再对所述分类结果进行分析比对，得到可信的分类结果。
步骤S103：根据所述多个分类结果，得到目标分类结果。
毫米波雷达点云分辨率较低，很有可能导致分类结果变成受干扰的结果，导致对同一目标，不同的分类结果不同。因此，需要通过对多个分类结果进行比对来得到完全相同的分类结果，作为可信的分类结果，予以采纳，实现分类结果抗干扰的目的。
综上所述，本实施例由于毫米波雷达受自然环境影响小，所以利用毫米波雷达点云进行目标分类，可以缩短目标检测的时间，提高复杂情况下目标分类的工作性能，对复杂环境具有一定的抗干扰能力。同时，将多个毫米波雷达点云的分类结果结合，可以避免单个毫米波雷达点云受到干扰，导致的分类结果不准确的问题。
在本申请实施例中，上述图1所述的步骤存在多种可能的实现方式，下面分别进行介绍。需要说明的是，下文介绍中给出的实现方式仅作为示例性的说明，并不代表本申请实施例的全部实现方式。
参见图3，该图为本申请实施例提供的抗干扰目标分类方法的另一种方法流程图，包括：
步骤S301：构建预训练神经网络。
预训练神经网络可以包括卷积层、最大池化层和全连接层等，用于对点云信息进行特征提取后分类。参见图4，该图为本申请实施例提供的抗干扰目标分类方法的一种神经网络示意图，图中输入的二维数据右侧的三层处理分别代表卷积层h，最大池化层g和全连接层γ。
步骤S302：利用训练样本训练所述预训练神经网络，得到所述目标分类神经网络。
训练样本是包括样本信息和结果信息的样本。作为一种可能的实施方式，样本信息可以是数据集是nuscence公开数据集的实测数据，结果信息可以是利用标准框对目标进行标注的信息。作为另一种可能的实施方式，训练样本也可以是通过autocad建模、仿真之后得到的毫米波雷达点云数据。
具体的，利用训练样本训练所述预训练神经网络，得到所述目标分类神经网络的过程包括：
步骤S3021：将所述样本信息输入所述预训练神经网络，得到训练结果。
预训练神经网络可以完成分类的工作，但是泛化能力较差，需要先将样本信息输入所述预训练神经网络，得到训练结果，再基于训练结果对预训练神经网络进行调整。
步骤S3022：根据所述训练结果与所述结果信息，得到所述预训练神经网络的收敛程度。
比较训练结果与结果信息，可以利用实际值对神经网络的输出值进行评估，进而得到所述预训练神经网络的收敛程度。
步骤S3023：响应于所述预训练神经网络的收敛程度没有达到预设条件，利用梯度下降法修正所述预训练神经网络的权值，得到迭代神经网络。
当预训练神经网络的收敛程度没有达到预设条件时，说明预训练神经网络的精准度较低，可能得到的结果并不准确，需要调整相关权值，提高其精准度。作为一种可能的实施方式，可以通过梯度下降法修正所述预训练神经网络的权值。
调整后的预训练神经网络为迭代神经网络，即调整后的卷积层为迭代卷积层，调整后的最大池化层为迭代最大池化层，调整后的全连接层为迭代全连接层。
步骤S3024：以所述迭代神经网络替换所述预训练神经网络，返回执行所述将所述样本信息输入所述预训练神经网络，得到训练结果，直至所述预训练神经网络的收敛程度达到预设条件，确定所述迭代神经网络为所述目标分类神经网络。
以所述迭代神经网络替换所述预训练神经网络，重复执行以上步骤S3021-S3022，可以多次对神经网络进行迭代，神经网络的收敛程度和精准度也会逐渐提高。
当预训练神经网络的收敛程度达到预设条件，说明预训练神经网络的输出精准度较高，比较贴合实际，可以投入使用，且结果可信，此时，确定所述迭代神经网络为所述目标分类神经网络，以便后续使用。
步骤S303：获取多个毫米波雷达点云信息。
步骤S304：将所述多个毫米波雷达点云信息输入所述迭代卷积层，得到多个升维点云信息。
将所述多个毫米波雷达点云信息输入所述迭代卷积层，可以利用迭代卷积层对毫米波雷达点云信息进行特征提取。
作为一种可能的实施方式，当将输入的多个毫米波雷达点云信息表示为(N，Cin，L)，将输出的多个升维点云信息表示为(N，Cout，Lout)时，所述特征提取可以用公式表示为：
Figure 544659DEST_PATH_IMAGE001
其中，N为毫米波雷达点云信息或多个升维点云信息的数量，Cout为多个升维点云信息的通道数，bias为迭代卷积层的偏移量，Cin为多个毫米波雷达点云信息的通道数，weitght为迭代卷积层的权重，input为输入的卷积形状。
Figure 179908DEST_PATH_IMAGE002
其中，Lout为多个升维点云信息的数据长度，L为多个毫米波雷达点云信息的数据长度，Padding为多个毫米波雷达点云信息的填充大小，dilation为卷积核之间的大小，kernel_size为卷积核大小，stride为卷积核移动步长。
步骤S305：将所述多个升维点云信息输入所述迭代最大池化层，得到多个池化点云信息。
迭代最大池化层可以借鉴本领域常用的池化网络，在此不作限定。
步骤S306：将所述多个池化点云信息输入所述迭代全连接层，得到多个分类结果。
迭代全连接层可以借鉴本领域常用的全连接网络，在此不作限定。
作为一种可能的实施方式，步骤S304到步骤S306可以合并表示为：
Figure 225225DEST_PATH_IMAGE003
其中，f表示目标分类神经网络对毫米波雷达点云信息的计算，x1，x2，xn，
Figure 823696DEST_PATH_IMAGE004
，
Figure 903648DEST_PATH_IMAGE005
，
Figure 929373DEST_PATH_IMAGE006
分别为单个的毫米波雷达点云信息，γ表示迭代全连接层的计算，g表示迭代最大池化层 的计算，h表示迭代卷积层的计算。
需要说明的是，因为毫米波雷达点云信息具有无序性，所以将所述多个毫米波雷达点云信息输入所述迭代卷积层，并不会受到顺序的影响，用公式可以表示为：
Figure 461985DEST_PATH_IMAGE007
其中，x1，x2，xn，
Figure 660885DEST_PATH_IMAGE008
，
Figure 533026DEST_PATH_IMAGE009
，
Figure 791969DEST_PATH_IMAGE010
分别为单个的毫米波雷达点云信息，f表示目标分类 神经网络对毫米波雷达点云信息的计算。
步骤S307：根据所述多个分类结果，得到目标分类结果。
毫米波雷达点云分辨率较低，很有可能导致分类结果变成受干扰的结果，导致对同一目标，不同的分类结果不同。因此，需要通过对多个分类结果进行比对来得到完全相同的分类结果，作为可信的分类结果，予以采纳，实现分类结果抗干扰的目的。
因此，响应于所述多个分类结果一致，确认所述目标分类结果为所述多个分类结果中的任一分类结果；响应于所述多个分类结果不一致，确认所述目标分类结果为结果不可信。
综上所述，本实施例通过对目标分类神经网络进行训练，可以得到分类效果较好的目标分类神经网络，提高分类结果的精准度和分类效率；对卷积网络进行细化，提供了一种特征提取效果较好的卷积网络，整个实施例不仅可以提高复杂情况下目标分类的工作性能，而且分类的精准度也大大增加，具有一定的抗干扰能力。
在本申请实施例中，上述图1所述的步骤存在多种可能的实现方式，下面分别进行介绍。需要说明的是，下文介绍中给出的实现方式仅作为示例性的说明，并不代表本申请实施例的全部实现方式。
参见图5，该图为本申请实施例提供的抗干扰目标分类方法的又一种方法流程图，包括：
步骤S501：构建预训练神经网络。
步骤S502：利用训练样本训练所述预训练神经网络，得到所述目标分类神经网络。
步骤S503：获取多个毫米波雷达点云信息。
步骤S504：将所述多个毫米波雷达点云信息输入第一卷积层，得到多个基础升维点云信息。
作为一种可能的实施方式，目标分类神经网络可以如图6所示，图6为本申请实施例提供的抗干扰目标分类方法的另一种神经网络示意图。
其中，迭代卷积层可以包括多个卷积层，为了将不同的毫米波雷达点云信息结合起来，获取点与点之间的关系，可以先通过第一卷积层，将所述多个毫米波雷达点云信息升维成多个基础升维点云信息，以便后续将其拼接到一起。
步骤S505：拼接所述多个基础升维点云信息，得到多个拼接点云信息。
将所述多个基础升维点云信息拼接到一起，可以得到多个拼接点云信息，对所述拼接点云信息进行后续操作，可以得到考虑到点与点之间关系的分类结果，进一步增加分类结果的抗干扰性能。例如，将卷积后的特征n*x与特征n*y进行拼接扩展，形成n*(x+y)的特征。
作为一种可能的实施方式，在进行拼接时，可以依据不同半径点云进行搜索，再将不同半径中的点云进行拼接。例如，参见图7，图7为本申请实施例提供的抗干扰目标分类方法的一种特征拼接示意图。如图，三个不同半径的圆将画面分成不同圆环，每个圆环内都有多个点云，将不同圆环内点云的基础升维点云信息拼接在一起，即可实现抗干扰的功能。
作为另一种可能的实施方式，可以通过kd-tree算法划分出不同的拼接方案。
步骤S506：基于神经网络，分类所述多个拼接点云信息。
具体包括，先将所述多个拼接点云信息输入第二卷积层，得到多个拼接升维点云信息；再将所述多个拼接升维点云信息输入所述迭代最大池化层，得到多个拼接池化点云信息；最后，将所述多个拼接池化点云信息输入所述迭代全连接层，得到多个拼接分类结果。
以上内容与上述实施例相同，在此不再赘述。
步骤S507：基于神经网络，分类所述多个毫米波雷达点云信息。
具体包括，先将所述多个毫米波雷达点云信息输入第二卷积层，得到多个升维点云信息；再将所述多个升维点云信息输入所述迭代最大池化层，得到多个池化点云信息；最后，将所述多个池化点云信息输入所述迭代全连接层，得到多个分类结果。
以上内容与上述实施例相同，在此不再赘述。
步骤S508：根据所述多个分类结果和所述多个拼接分类结果，得到综合目标分类结果。
毫米波雷达点云分辨率较低，很有可能导致分类结果变成受干扰的结果，导致对同一目标，不同的分类结果不同。再加上，只考虑各个毫米波雷达点云无法考虑点云之间的关系。
因此，将比对多个分类结果和多个拼接分类结果，当结果完全相同时，说明分类结果没有受到干扰，分类结果可信，否则认为分类结果不可信。即响应于所述多个分类结果和所述多个拼接分类结果一致，确认所述综合目标分类结果为所述多个分类结果和所述多个拼接分类结果中的任一分类结果；响应于所述多个分类结果和所述多个拼接分类结果不一致，确认所述综合目标分类结果为结果不可信。
综上所述，本实施例将卷积后的特征拼接，考虑到不同点云之间的联系，可以得到更为精准的目标分类结果，充分提高分类模型的抗干扰能力。
以上为本申请实施例提供抗干扰目标分类方法的一些具体实现方式，基于此，本申请还提供了对应的装置。下面将从功能模块化的角度对本申请实施例提供的装置进行介绍。
参见图8所示的抗干扰目标分类装置的结构示意图，该装置包括获取模块801、第一分类模块802和第二分类模块803。
获取模块801，用于获取多个毫米波雷达点云信息；
第一分类模块802，用于将所述多个毫米波雷达点云信息输入目标分类神经网络，得到多个分类结果；
第二分类模块803，用于根据所述多个分类结果，得到目标分类结果。
作为一种可能的实施方式，所述装置还包括：
网络构建模块，用于构建预训练神经网络，所述预训练神经网络包括卷积层、最大池化层和全连接层；
训练模块，用于利用训练样本训练所述预训练神经网络，得到所述目标分类神经网络，所述目标分类神经网络包括迭代卷积层、迭代最大池化层和迭代全连接层。
作为一种可能的实施方式，所述训练样本包括样本信息和结果信息；
所述训练模块，包括：
训练单元，用于将所述样本信息输入所述预训练神经网络，得到训果；
收敛判断单元，用于根据所述训练结果与所述结果信息，得到所述预训练神经网络的收敛程度；
修正单元，用于响应于所述预训练神经网络的收敛程度没有达到预设条件，利用梯度下降法修正所述预训练神经网络的权值，得到迭代神经网络；
迭代单元，用于以所述迭代神经网络替换所述预训练神经网络，返回执行所述将所述样本信息输入所述预训练神经网络，得到训练结果，直至所述预训练神经网络的收敛程度达到预设条件，确定所述迭代神经网络为所述目标分类神经网络。
作为一种可能的实施方式，所述第一分类模块302，包括：
升维单元，用于将所述多个毫米波雷达点云信息输入所述迭代卷积层，得到多个升维点云信息；
池化单元，用于将所述多个升维点云信息输入所述迭代最大池化层，得到多个池化点云信息；
全连接单元，用于将所述多个池化点云信息输入所述迭代全连接层，得到多个分类结果。
作为一种可能的实施方式，所述升维单元，包括：
第一升维组件，用于将所述多个毫米波雷达点云信息输入第一卷积层，得到多个基础升维点云信息；
第二升维组件，用于将所述多个毫米波雷达点云信息输入第二卷积层，得到多个升维点云信息。
作为一种可能的实施方式，所述装置还包括：
拼接组件，用于拼接所述多个升维点云信息，得到多个拼接点云信息；
拼接升维组件，用于将所述多个拼接点云信息输入第二卷积层，得到多个拼接升维点云信息；
拼接池化组件，用于将所述多个拼接升维点云信息输入所述迭代最大池化层，得到多个拼接池化点云信息；
拼接全连接组件，用于将所述多个拼接池化点云信息输入所述迭代全连接层，得到多个拼接分类结果；
综合分类结果组件，用于根据所述多个分类结果和所述多个拼接分类结果，得到综合目标分类结果。
作为一种可能的实施方式，所述第二分类模块303，包括：
第一确认单元，用于响应于所述多个分类结果一致，确认所述目标分类结果为所述多个分类结果中的任一分类结果；
第二确认单元，用于响应于所述多个分类结果不一致，确认所述目标分类结果为结果不可信。
本申请实施例还提供了对应的设备以及计算机存储介质，用于实现本申请实施例提供的方案。
其中，所述设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述设备执行本申请任一实施例所述的抗干扰目标分类方法。
所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现本申请任一实施例所述的抗干扰目标分类方法。
本申请实施例中提到的 “第一”、“第二”（若存在）等名称中的“第一”、“第二”只是用来做名字标识，并不代表顺序上的第一、第二。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如只读存储器（英文：read-only memory，ROM）/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者诸如路由器等网络通信设备）执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。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。
以上所述仅是本申请示例性的实施方式，并非用于限定本申请的保护范围。

Claims (8)

1.一种抗干扰目标分类方法，其特征在于，所述方法包括：
获取多个毫米波雷达点云信息；
将所述多个毫米波雷达点云信息输入第一卷积层，得到多个基础升维点云信息；
拼接所述多个基础升维点云信息，得到多个拼接点云信息；
将所述多个毫米波雷达点云信息和所述多个拼接点云信息输入目标分类神经网络，得到多个分类结果和多个拼接分类结果；
根据所述多个分类结果，得到目标分类结果；
根据所述多个分类结果和所述多个拼接分类结果，得到综合目标分类结果。
2.根据权利要求1所述的方法，其特征在于，在所述获取多个毫米波雷达点云信息之前，所述方法还包括：
构建预训练神经网络，所述预训练神经网络包括卷积层、最大池化层和全连接层；
利用训练样本训练所述预训练神经网络，得到所述目标分类神经网络，所述目标分类神经网络包括迭代卷积层、迭代最大池化层和迭代全连接层，所述迭代卷积层包括所述第一卷积层和第二卷积层。
3.根据权利要求2所述的方法，其特征在于，所述训练样本包括样本信息和结果信息；
所述利用训练样本训练所述预训练神经网络，得到所述目标分类神经网络，包括：
将所述样本信息输入所述预训练神经网络，得到训练结果；
根据所述训练结果与所述结果信息，得到所述预训练神经网络的收敛程度；
响应于所述预训练神经网络的收敛程度没有达到预设条件，利用梯度下降法修正所述预训练神经网络的权值，得到迭代神经网络；
以所述迭代神经网络替换所述预训练神经网络，返回执行所述将所述样本信息输入所述预训练神经网络，得到训练结果，直至所述预训练神经网络的收敛程度达到预设条件，确定所述迭代神经网络为所述目标分类神经网络。
4.根据权利要求2所述的方法，其特征在于，所述将所述多个毫米波雷达点云信息和所述多个拼接点云信息输入目标分类神经网络，得到多个分类结果和多个拼接分类结果，包括：
将所述多个毫米波雷达点云信息输入所述第二卷积层，得到多个升维点云信息；
将所述多个拼接点云信息输入所述第二卷积层，得到多个拼接升维点云信息；
将所述多个升维点云信息输入所述迭代最大池化层，得到多个池化点云信息；
将所述多个拼接升维点云信息输入所述迭代最大池化层，得到多个拼接池化点云信息；
将所述多个池化点云信息输入所述迭代全连接层，得到多个分类结果；
将所述多个拼接池化点云信息输入所述迭代全连接层，得到多个拼接分类结果。
5.根据权利要求1所述的方法，其特征在于，所述根据所述多个分类结果，得到目标分类结果，包括：
响应于所述多个分类结果一致，确认所述目标分类结果为所述多个分类结果中的任一分类结果；
响应于所述多个分类结果不一致，确认所述目标分类结果为结果不可信。
6.一种抗干扰目标分类装置，其特征在于，所述装置包括：
获取模块，用于获取多个毫米波雷达点云信息；
第一升维组件，用于将所述多个毫米波雷达点云信息输入第一卷积层，得到多个基础升维点云信息；
拼接组件，用于拼接所述多个升维点云信息，得到多个拼接点云信息；
分类模块，用于将所述多个毫米波雷达点云信息和所述多个拼接点云信息输入目标分类神经网络，得到多个分类结果和多个拼接分类结果；
第二分类模块，用于根据所述多个分类结果，得到目标分类结果；
综合分类结果组件，用于根据所述多个分类结果和所述多个拼接分类结果，得到综合目标分类结果。
7.一种设备，其特征在于，所述设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述设备执行权利要求1至5任一项所述的抗干扰目标分类方法。
8.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的计算机存储设备实现权利要求1至5任一项所述的抗干扰目标分类方法。
CN202211594912.7A 2022-12-13 2022-12-13 一种抗干扰目标分类方法及装置 Active CN115586506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211594912.7A CN115586506B (zh) 2022-12-13 2022-12-13 一种抗干扰目标分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211594912.7A CN115586506B (zh) 2022-12-13 2022-12-13 一种抗干扰目标分类方法及装置

Publications (2)

Publication Number Publication Date
CN115586506A CN115586506A (zh) 2023-01-10
CN115586506B true CN115586506B (zh) 2023-03-17

Family

ID=84782961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211594912.7A Active CN115586506B (zh) 2022-12-13 2022-12-13 一种抗干扰目标分类方法及装置

Country Status (1)

Country Link
CN (1) CN115586506B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117111013B (zh) * 2023-08-22 2024-04-30 南京慧尔视智能科技有限公司 一种雷达目标跟踪航迹起始方法、装置、设备及介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633220A (zh) * 2017-09-13 2018-01-26 吉林大学 一种基于卷积神经网络的车辆前方目标识别方法
CN109086679A (zh) * 2018-07-10 2018-12-25 西安恒帆电子科技有限公司 一种毫米波雷达安检仪异物检测方法
CN110826450A (zh) * 2019-10-30 2020-02-21 北京无线电计量测试研究所 一种基于毫米波图像的可疑物品自动检测方法
CN112348056A (zh) * 2020-10-16 2021-02-09 北京大学深圳研究生院 点云数据分类方法、装置、设备及可读存储介质
CN114994665A (zh) * 2021-03-01 2022-09-02 武汉智行者科技有限公司 一种毫米波雷达点云分类方法
CN113516052B (zh) * 2021-05-21 2023-04-18 同济大学 一种基于机器学习的成像毫米波雷达点云目标分类方法
CN113850308A (zh) * 2021-09-15 2021-12-28 温州大学大数据与信息技术研究院 一种面向复杂场景的目标分类方法
CN114818916B (zh) * 2022-04-25 2023-04-07 电子科技大学 一种基于毫米波雷达多帧点云序列的道路目标分类方法
CN114972788A (zh) * 2022-05-25 2022-08-30 江汉大学 一种三维点云的离群点提取方法及装置

Also Published As

Publication number Publication date
CN115586506A (zh) 2023-01-10

Similar Documents

Publication Publication Date Title
US11402494B2 (en) Method and apparatus for end-to-end SAR image recognition, and storage medium
Wheeler et al. Deep stochastic radar models
US20230099113A1 (en) Training method and apparatus for a target detection model, target detection method and apparatus, and medium
CN109087510B (zh) 交通监测方法及装置
US9286524B1 (en) Multi-task deep convolutional neural networks for efficient and robust traffic lane detection
DE102017119538A1 (de) Physikalische Modellierung für Radar- und Ultraschallsensoren
CN114022830A (zh) 一种目标确定方法以及目标确定装置
CN112824931A (zh) 使用参考数据改善雷达数据的方法和设备
CN116027324B (zh) 基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备
CN115586506B (zh) 一种抗干扰目标分类方法及装置
CN113076922A (zh) 一种物体检测方法及装置
CN117808689A (zh) 基于毫米波雷达与摄像头融合的深度补全方法
CN113624223B (zh) 一种室内停车场地图构建方法及装置
CN117576665A (zh) 一种面向自动驾驶的单摄像头三维目标检测方法及系统
CN116468950A (zh) 一种类别引导中心点邻域搜索半径的三维目标检测方法
US20220244383A1 (en) Object Detection with Multiple Ranges and Resolutions
CN112651405B (zh) 目标检测方法及装置
CN115965847A (zh) 交叉视角下多模态特征融合的三维目标检测方法和系统
CN116964472A (zh) 用于借助于雷达传感器系统的反射信号来探测环境的至少一个对象的方法
Wachtel et al. Convolutional neural network classification of vulnerable road users based on micro-doppler signatures using an automotive radar
CN115578608B (zh) 一种基于毫米波雷达点云的抗干扰分类方法及装置
Rangkuti et al. Development of Vehicle Detection and Counting Systems with UAV Cameras: Deep Learning and Darknet Algorithms
CN114994665A (zh) 一种毫米波雷达点云分类方法
Prasanna Sensor Fusion in Neural Networks for Object Detection
Subash Automatic road extraction from satellite images using extended Kalman filtering and efficient particle filtering

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