CN115980693A - 目标检测方法、装置、电子设备及存储介质 - Google Patents

目标检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115980693A
CN115980693A CN202310037362.7A CN202310037362A CN115980693A CN 115980693 A CN115980693 A CN 115980693A CN 202310037362 A CN202310037362 A CN 202310037362A CN 115980693 A CN115980693 A CN 115980693A
Authority
CN
China
Prior art keywords
target
amplitude
preset
doppler
likelihood ratio
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.)
Pending
Application number
CN202310037362.7A
Other languages
English (en)
Inventor
薛高茹
江应怀
秦屹
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.)
Whst Co Ltd
Original Assignee
Whst 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 Whst Co Ltd filed Critical Whst Co Ltd
Priority to CN202310037362.7A priority Critical patent/CN115980693A/zh
Publication of CN115980693A publication Critical patent/CN115980693A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种目标检测方法、装置、电子设备及存储介质。该方法包括：获取车载雷达接收的回波数据；对回波数据进行快速傅里叶变换处理，得到距离‑多普勒二维数据；根据预设的检测前跟踪模型对距离‑多普勒二维数据进行检测处理，得到目标检测结果；其中，预设的检测前跟踪模型至少包括基于粒子滤波的检测前跟踪模型；预设的检测前跟踪模型采用第一预设似然比函数，第一预设似然比函数包括背景噪声的幅度项，以及目标的幅度与背景噪声的幅度的和值项。采用本发明能够减少基于粒子滤波的检测前跟踪算法进行目标检测时所消耗的计算资源，降低其计算成本。

Description

目标检测方法、装置、电子设备及存储介质
技术领域
本发明涉及雷达测控技术领域，尤其涉及一种目标检测方法、装置、电子设备及存储介质。
背景技术
雷达目标检测与跟踪是雷达系统的重要组成部分，其主要任务是在有噪声和其它干扰杂波的情况下对目标进行检测，然后通过对从雷达获取的数据进行处理，以得到目标的参数，如位置、速度等，进而预测目标下一刻的位置，形成稳定的目标航迹，实现对目标的实时跟踪。
目前，常用的检测跟踪算法有先检测后跟踪(Detection Before Tracking，DBT)算法和检测前跟踪(Track Before Detection，TBD)算法。先检测后跟踪是指先通过匹配滤波和相参积累来积累目标能量，然后设置门限对积累结果进行检测，并将检测结果送给独立的跟踪设备进行目标跟踪。检测前跟踪是指直接对匹配滤波后的雷达回波脉冲或者对经过相参积累后的多帧连续数据进行处理，可同时给出目标的检测结果和跟踪结果。
针对检测前跟踪算法，目前常用的是基于粒子滤波的检测前跟踪(ParticleFilter Track-Before-Detect，PF-TBD)算法。然而，对于车载雷达而言，当采用现有的基于粒子滤波的检测前跟踪算法进行目标检测时，存在计算成本高的问题。
发明内容
本发明实施例提供了一种目标检测方法、装置、电子设备及存储介质，以解决现有的基于粒子滤波的检测前跟踪算法存在计算成本高的问题。
第一方面，本发明实施例提供了一种目标检测方法，包括：
获取车载雷达接收的回波数据；
对回波数据进行快速傅里叶变换处理，得到距离-多普勒二维数据；
根据预设的检测前跟踪模型对距离-多普勒二维数据进行检测处理，得到目标检测结果；其中，预设的检测前跟踪模型至少包括基于粒子滤波的检测前跟踪模型；预设的检测前跟踪模型采用第一预设似然比函数，第一预设似然比函数包括背景噪声的幅度项，以及目标的幅度与背景噪声的幅度的和值项。
第二方面，本发明实施例提供了一种目标检测方法装置，包括：
获取模块，用于获取车载雷达接收的回波数据；
多普勒模块，用于对回波数据进行快速傅里叶变换处理，得到距离-多普勒二维数据；
检测模块，用于根据预设的检测前跟踪模型对距离-多普勒二维数据进行检测处理，得到目标检测结果；其中，预设的检测前跟踪模型至少包括基于粒子滤波的检测前跟踪模型；预设的检测前跟踪模型采用第一预设似然比函数，第一预设似然比函数包括背景噪声的幅度项，以及目标的幅度与背景噪声的幅度的和值项。
第三方面，本发明实施例提供了一种电子设备，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第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明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第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种目标检测方法、装置、电子设备及存储介质，首先获取车载雷达接收的回波数据，然后对获取的回波数据进行快速傅里叶变换处理，得到距离-多普勒二维数据。最后，根据预设的检测前跟踪模型对距离-多普勒二维数据进行检测处理，得到目标检测结果。由于预设的检测前跟踪模型采用了包括背景噪声的幅度项，以及目标的幅度与背景噪声的幅度的和值项的第一预设似然比函数，即修正似然比函数，因此，相比于现有的检测前跟踪模型所采用的似然比函数，其能够减少似然比函数所需的计算资源，进而可以减少基于粒子滤波的检测前跟踪算法进行目标检测时所消耗的计算资源，降低了其计算成本，从而解决了现有的基于粒子滤波的检测前跟踪算法存在的计算成本高的问题。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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是本发明实施例提供的一种目标检测方法的实现流程图；
图2是本发明实施例提供的目标检测装置的结构示意图；
图3是本发明实施例提供的电子设备的示意图。
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，以便透彻理解本发明实施例。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发明。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发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
如相关技术所介绍的，对于车载雷达而言，当采用现有的基于粒子滤波的检测前跟踪算法进行目标检测时，需要大量的计算量，存在计算成本高的问题。申请人发现，现有的基于粒子滤波的检测前跟踪算法中的似然比函数，占用了大部分目标检测所需的计算资源，对此，本发明实施例提供了一种修正似然比函数，其能够减少似然比函数所需的计算资源，进而可以减少基于粒子滤波的检测前跟踪算法进行目标检测时所消耗的计算资源，降低了计算成本。
为了解决现有技术问题，本发明实施例提供了一种目标检测方法、装置、电子设备及存储介质。下面首先对本发明实施例所提供的目标检测方法进行介绍。
首先对一些基础概念进行介绍。
1.粒子滤波：是指通过寻找一组在状态空间中传播的随机样本，来近似的表示概率密度函数，用样本均值代替积分运算，进而获得系统状态的最小方差估计的过程，这些样本被形象的称为“粒子”，故而叫粒子滤波。
2.基于粒子滤波的检测前跟踪算法：一般认为基于粒子滤波的检测前跟踪算法由Salmond在2001年提出，基于粒子滤波的检测前跟踪算法通过目标运动模型和传感器观测模型，完整地引入了跟踪的思想和算法，能对目标状态的后验概率进行较好的估计。
3.似然函数：似然函数是一种对状态估计与量测之间相似度进行评价的一个量。
4.似然比函数：似然比函数是将一种假设下求取的似然值与另一种假设下的似然值进行比较，用于选择可能性更大的状态估计。
5.瑞利分布：当一个随机二维向量的两个分量呈独立的、均值为0，有着相同的方差的正态分布时，这个向量的模呈瑞利分布。瑞利分布是最常见的用于描述平坦衰落信号接收包络或独立多径分量接受包络统计时变特性的一种分布类型。两个正交高斯噪声信号之和的包络服从瑞利分布，即：
Figure BDA0004049130370000041
瑞利分布的期望：
Figure BDA0004049130370000051
瑞利分布的方差：
Figure BDA0004049130370000052
6.莱斯分布：莱斯分布是一种连续概率分布，用在概率论与数理统计领域中。在随机过程中，正弦(余弦)信号加窄带高斯随机信号的包络服从莱斯分布。莱斯分布也称作广义瑞利分布。
莱斯分布的概率密度函数称为莱斯密度函数，即：
Figure BDA0004049130370000053
莱斯分布实际上可以理解为主信号与服从瑞利分布的多径信号分量的和，在概率密度函数公式中，R即为正弦(余弦)信号加窄带高斯随机信号的包络，参数A是主信号幅度的峰值，σ2是多径信号分量的功率，I0()是零阶修正贝塞尔函数。
莱斯分布常用参数K来描述，K定义为主信号的功率与多径分量功率之比，即
Figure BDA0004049130370000054
称为莱斯因子，由K可以完全确定莱斯分布。当A趋近0时，莱斯分布转变为瑞利分布。
需要说明的是，关于上述基础概念，相关文献中均有详细记载，本发明实施例是对基于粒子滤波的检测前跟踪算法中的似然比函数进行修正，修正后的似然比函数的输出值的处理，可以参见现有基于粒子滤波的检测前跟踪算法的处理过程，本发明实施例不对其做详细介绍。
图1为本发明实施例提供的一种目标检测方法的实现流程图，详述如下：
步骤110，获取车载雷达接收的回波数据。
在一些实施例中，车载雷达可以是安装在任意类型的具有目标检测跟踪功能的车辆上的雷达，如毫米波雷达、激光雷达等，车辆可以是汽油车、柴油车等传统燃油车辆，或者是EV(Electric Vehicle，电动汽车)、HEV(Hybrid Electric Vehicle，混合动力汽车)、PHEV(Plug-in Hybrid Electric Vehicle，插电式混合动力汽车)等新能源车辆。对于回波数据，其是车载雷达向外发射的电磁波信号经物体(目标)反射后再由车载雷达接收的电磁波信号，又称为回波信号。
步骤120，对回波数据进行快速傅里叶变换处理，得到距离-多普勒二维数据。
在一些实施例中，在获取回波数据后，可以对回波数据进行快速傅里叶变换(FastFourier Transform，FFT)处理，即进行多普勒维FFT处理和距离维FFT处理，以将回波信号处理成能够被检测前跟踪算法所处理的数据，即距离-多普勒二维数据。
步骤130，根据预设的检测前跟踪模型对距离-多普勒二维数据进行检测处理，得到目标检测结果。
在一些实施例中，预设的检测前跟踪模型可以是一种改进的基于粒子滤波的检测前跟踪模型，其改进之处在于采用了特定的似然比函数，即第一预设似然比函数，该第一预设似然比函数包括背景噪声的幅度项，以及目标的幅度与背景噪声的幅度的和值项。
为了便于理解第一预设似然比函数中各项的含义，下面通过对预设的检测前跟踪模型进行介绍，引出第一预设似然比函数中各项的介绍。
预设的检测前跟踪模型，采用的雷达原始数据为连续多帧的距离-多普勒二维数据，其中，单帧距离-多普勒二维数据可以是对M个连续回波脉冲的相参积累结果，M是单帧数据中包含的雷达回波脉冲数。
预设的检测前跟踪模型的系统模型包括状态模型和量测模型，下面根据对单帧距离-多普勒二维数据的推导过程，来建立预设的检测前跟踪模型的系统模型。
对于状态模型，其推导过程如下：
设第k帧距离-多普勒二维数据中的目标状态向量为：
Figure BDA0004049130370000061
其中，k是离散时间序号，Rk、Vk、Ak、
Figure BDA0004049130370000071
分别表示第k帧距离-多普勒二维数据中目标的距离、多普勒、加速度和幅度。
目标状态方程为：
xk＝Fxk-1+Gq
Figure BDA0004049130370000072
Figure BDA0004049130370000073
其中，F是状态转移矩阵，G是过程噪声转移矩阵，T为两帧距离-多普勒二维数据的间隔时间，
Figure BDA0004049130370000074
是过程噪声，通常建模为方差Q1的零均值高斯白噪声，即Q1＝G·q·GT。
为了表示目标的存在与否，引入表示目标是否存在的变量Ek，
Figure BDA0004049130370000075
其中，
Figure BDA0004049130370000076
表示k时刻目标不存在事件，ek表示k时刻目标存在事件。
变量Ek可以建模为一个二元马尔科夫过程，其传输矩阵为：
Figure BDA0004049130370000077
Figure BDA0004049130370000078
Figure BDA0004049130370000079
Figure BDA00040491303700000710
pee＝P{Ek＝ek|Ek-1＝ek-1}
其中，
Figure BDA00040491303700000711
和pee分别为无目标出现、目标消失、目标出现和目标继续存在这四种情况下的概率。
对于量测模型，其推导过程如下：
根据第k帧目标状态对应的观测数据，即第k帧距离-多普勒二维数据，来建立目标的量测模型，其量测方程为：
Figure BDA0004049130370000081
其中，nk(r,s)为背景噪声的幅度项，Ak(r,s)为目标的幅度，zk(r,s)为目标的幅度与背景噪声的幅度和值项，即目标的幅度和背景噪声的幅度之和，也就是从距离-多普勒二维数据的RD图中获取的值；r＝0,1,…,R-1,其中R为距离单元数，s＝0,1,…,S-1,其中S为多普勒通道数。
k时刻的观测数据可以表示为：
zk＝{zk(r,s):r＝0,1,…,R-1,s＝0,1,…,S-1}
直到k时刻的观测数据可以表示为：
Zk＝{zi,i＝1,…,k}
根据中心极限定理，多普勒滤波后的背景噪声的幅度nk(r,s)服从零均值的独立复高斯分布。当目标不存在时，|nk(r,s)|服从瑞利分布；当目标存在时，目标幅度的测量值服从以目标真实的幅度和背景噪声的幅度为变量的莱斯分布。
下面对现有的检测前跟踪模型的似然比函数进行介绍，以凸出本发明实施例提供的修正似然比函数的优势。
由前述目标的量测模型可知，当
Figure BDA0004049130370000082
|nk(r,s)|服从瑞利分布，其表达式为：
Figure BDA0004049130370000083
当Ek＝ek时，点zk(r,s)服从以目标的幅度和背景噪声的幅度为变量的莱斯分布，其表达式为：
Figure BDA0004049130370000084
其中，I0()是零阶修正贝塞尔函数，根据matlab数值实验，发现该I0()为大于或等于1的值，zk(r,s)对应的似然比函数为
Figure BDA0004049130370000091
Figure BDA0004049130370000092
如此，第k帧观测数据的似然比可以近似表示为：
Figure BDA0004049130370000093
Cr(xk)＝{r0-q',…,r0-1,r0,r0+1,…,r0+q'}
Cs(xk)＝{s0-q”,…,s0-1,s0,s0+1,…,s0+q”}
其中，r0和s0分别为状态变量距离和速度在测量数据中对应距离单元和多普单元的坐标，q'和q”都是常数。
需要说明的是，对于现有的检测前跟踪模型的似然比函数，申请人在用仿真数据或者实测数据验证时发现，现有的检测前跟踪模型的似然比函数并不能真正使用，主要面临两个问题。第一，目标幅度|Ak(r,s)|真实存在但不能被直接获取，这是因为雷达接收的目标能量或者幅度是带有噪声的，而噪声会带来误差，类似于人们用尺子去测量一个物体的长度，其测量得到的只是测量值，该测量值实质上还包含了测量误差，并不是物体真实的长度。其二，似然比函数的第一项是一个随着目标幅度增加的极小数，而零阶修正贝塞尔函数是一个随着目标幅度增加的极大数，如此，两者乘积的结果有时候趋于无穷，有时候又接近0，到导致无法正确衡量每个粒子的真实权重。
因此，为了获取能够用于工程的似然比函数，需要额外增加一些限制条件，这极大地增加了似然比函数所需的计算资源。
对此，本发明实施例提供一种修正似然比函数，即前述的第一预设似然比函数，其表达式为：
Figure BDA0004049130370000101
Figure BDA0004049130370000102
Cr(xk)＝{r0-q',…,r0-1,r0,r0+1,…,r0+q'}
Cs(xk)＝{s0-q”,…,s0-1,s0,s0+1,…,s0+q”}
其中，
Figure BDA0004049130370000103
为第k帧距离-多普勒二维数据的第一预设似然比函数，nk(r,s)为背景噪声的幅度项，zk(r,s)为目标的幅度与背景噪声的幅度的和值项，Ak(r,s)为目标的幅度，Ek为目标存在变量，
Figure BDA0004049130370000104
Figure BDA0004049130370000105
表示k时刻目标不存在事件，ek表示k时刻目标存在事件；r＝0,1,…,R-1，其中R为距离单元数，s＝0,1,…,S-1，其中S为多普勒通道数，r0和s0分别为状态变量距离和速度在测量数据中对应距离单元和多普单元的坐标，q'和q”为常数。
可见，第一预设似然比函数是依据距离-多普勒二维数据的RD图中每个量测的幅度进行似然更新，由于量测幅度越大，似然值越大，因此落入该区域的粒子的权重越高。值得一提的是，对于距离-多普勒二维数据的RD图，其是雷达经过2维FFT之后得到的一张能量图，该图的横坐标r代表距离，纵坐标s代表多普勒，图中每个栅格的值代表量测zk(r,s)，表示该栅格处能量的大小。
从第一预设似然比函数的表达式上可以发现，其并不存在现有的检测前跟踪模型的似然比函数不能真正使用的两个问题，因此，本发明实施例提供的修正似然比函数可以直接根据距离-多普勒二维数据的RD图计算，无需增加限制条件，从而能够减少似然比函数所需的计算资源，进而可以减少基于粒子滤波的检测前跟踪算法进行目标检测时所消耗的计算资源，降低了计算成本。
在一些实施例中，目标检测跟踪主要是检测并跟踪微动目标或者低速目标，因此，需要排除静止目标的干扰。然而，在应用本发明实施例提供的第一预设似然比函数进行目标跟踪检测时，考虑到自车静止时，即车载雷达处于静止状态，静止目标会在RD图的零频区间产生较大的幅度，即处于0频附近的区间，此时，如果使用基于粒子滤波的检测前跟踪模型会导致很多虚警的产生，对此，可以进行如下处理：当检测到所述车载雷达处于静止状态时，去除所述距离-多普勒二维数据中处于零频区间的目标，如用噪声替代。
这样，可以在检测到自车静止时，提前去除所述距离-多普勒二维数据中处于零频区间的目标，从而解决了静止目标带来的虚警率高的问题，极大地降低了基于粒子滤波的检测前跟踪模型的虚警率。
在一些实施例中，当自车运动时，即车载雷达处于运动状态，前述第一预设似然比函数可能会引入虚假，对此，可以考虑增加行人运动的微动特征，即多普勒维的扩展，以进一步降低基于粒子滤波的检测前跟踪模型的虚警率。
具体的，当检测到车载雷达处于运动状态时，将第一预设似然比函数替换为第二预设似然比函数；其中，第二预设似然比函数至少包括背景噪声的幅度项、目标的幅度与背景噪声的幅度的和值项以及多普勒维扩展项，即：
Figure BDA0004049130370000111
Figure BDA0004049130370000112
Figure BDA0004049130370000113
其中，
Figure BDA0004049130370000114
为第k帧距离-多普勒二维数据的第二预设似然比函数，I(|zk(r，s)|为多普勒维扩展项。
如此，通过第二预设似然比函数中引入的行人运动的微动特征，进一步降低了基于粒子滤波的检测前跟踪模型的虚警率。
经过仿真测试发现，本发明实施例提供的预设的基于粒子滤波的检测前跟踪模型，可以快速检测出目标，通常为2-3帧，且可以稳定准确的跟踪半遮挡行人，尤其是在自车静止场景。另外，由于基于粒子滤波的检测前跟踪模型在信号处理环节进行跟踪的特性，其可以准确估计目标的多普勒的特性，能够辅助进行多普勒解模糊，从而可以在一定程度上解决现在信号处理端解模糊错误率高的问题。
在本发明实施例中，提供了一种基于修正似然比函数进行目标检测的方案，其首先获取车载雷达接收的回波数据，然后对获取的回波数据进行快速傅里叶变换处理，得到距离-多普勒二维数据。最后，根据预设的检测前跟踪模型对距离-多普勒二维数据进行检测处理，得到目标检测结果。由于预设的检测前跟踪模型采用了包括背景噪声的幅度项，以及目标的幅度与背景噪声的幅度的和值项的第一预设似然比函数，即修正似然比函数，因此，相比于现有的检测前跟踪模型所采用的似然比函数，其能够减少似然比函数所需的计算资源，进而可以减少基于粒子滤波的检测前跟踪算法进行目标检测时所消耗的计算资源，降低了其计算成本，从而解决了现有的基于粒子滤波的检测前跟踪算法存在的计算成本高的问题。
应理解，上述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，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的目标检测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图2所示，目标检测装置包括：
获取模块210，用于获取车载雷达接收的回波数据；
多普勒模块220，用于对回波数据进行快速傅里叶变换处理，得到距离-多普勒二维数据；
检测模块230，用于根据预设的检测前跟踪模型对距离-多普勒二维数据进行检测处理，得到目标检测结果；其中，预设的检测前跟踪模型至少包括基于粒子滤波的检测前跟踪模型；预设的检测前跟踪模型采用第一预设似然比函数，第一预设似然比函数包括背景噪声的幅度项，以及目标的幅度与背景噪声的幅度的和值项。
在一种可能的实现方式中，第一预设似然比函数为：
Figure BDA0004049130370000131
Figure BDA0004049130370000132
Cr(xk)＝{r0-q',…,r0-1,r0,r0+1,…,r0+q'}
Cs(xk)＝{s0-q”,…,s0-1,s0,s0+1,…,s0+q”}
其中，
Figure BDA0004049130370000133
为第k帧距离-多普勒二维数据的第一预设似然比函数，nk(r,s)为背景噪声的幅度项，zk(r,s)为目标的幅度与背景噪声的幅度的和值项，Ak(r,s)为目标的幅度，Ek为目标存在变量，
Figure BDA0004049130370000134
Figure BDA0004049130370000135
表示k时刻目标不存在事件，ek表示k时刻目标存在事件；r＝0,1,…,R-1，其中R为距离单元数，s＝0,1,…,S-1，其中S为多普勒通道数，r0和s0分别为状态变量距离xk(1)和速度xk(2)在测量数据中对应距离单元和多普单元的坐标，q'和q”为常数。
在一种可能的实现方式中，检测模块还用于：
当检测到车载雷达处于运动状态时，将第一预设似然比函数替换为第二预设似然比函数；第二预设似然比函数至少包括背景噪声的幅度项、目标的幅度与背景噪声的幅度的和值项以及多普勒维扩展项。
在一种可能的实现方式中，第二预设似然比函数为：
Figure BDA0004049130370000136
Figure BDA0004049130370000141
Figure BDA0004049130370000142
其中，
Figure BDA0004049130370000143
为第k帧距离-多普勒二维数据的第二预设似然比函数，I(|zk(r，s)|为多普勒维扩展项，δ(|zk(r,s)|)为zk(r,s)的零阶修正贝塞尔函数。
在一种可能的实现方式中，目标检测装置还包括：
去除模块，用于当检测到车载雷达处于静止状态时，去除距离-多普勒二维数据中处于零频区间的目标。
在本发明实施例中，相比于现有的检测前跟踪模型所采用的似然比函数，本发明实施例提供的修正似然比函数能够减少似然比函数所需的计算资源，进而可以减少基于粒子滤波的检测前跟踪算法进行目标检测时所消耗的计算资源，降低了其计算成本，从而解决了现有的基于粒子滤波的检测前跟踪算法存在的计算成本高的问题。
图3是本发明实施例提供的电子设备的示意图。如图3所示，该实施例的电子设备3包括：处理器30、存储器31以及存储在存储器31中并可在处理器30上运行的计算机程序32。处理器30执行计算机程序32时实现上述各个目标检测方法实施例中的步骤，例如图1所示的步骤110至步骤130。或者，处理器30执行计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块210至230的功能。
示例性的，计算机程序32可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器31中，并由处理器30执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序32在电子设备3中的执行过程。例如，计算机程序32可以被分割成图2所示模块210至230。
电子设备3可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是电子设备3的示例，并不构成对电子设备3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，例如所述电子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30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)、现场可编程门阵列(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31可以是所述电子设备3的内部存储单元，例如电子设备3的硬盘或内存。所述存储器31也可以是所述电子设备3的外部存储设备，例如所述电子设备3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31还可以既包括所述电子设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器31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，并不用于限制本发明的保护范围。上述系统中单元、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。
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发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元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。
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，本发明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，可实现上述各个目标检测方法实施例的步骤。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(Random Access 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是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种目标检测方法，其特征在于，所述方法包括：
获取车载雷达接收的回波数据；
对所述回波数据进行快速傅里叶变换处理，得到距离-多普勒二维数据；
根据预设的检测前跟踪模型对所述距离-多普勒二维数据进行检测处理，得到目标检测结果；其中，所述预设的检测前跟踪模型至少包括基于粒子滤波的检测前跟踪模型；所述预设的检测前跟踪模型采用第一预设似然比函数，所述第一预设似然比函数包括背景噪声的幅度项，以及目标的幅度与背景噪声的幅度的和值项。
2.根据权利要求1所述的目标检测方法，其特征在于，所述第一预设似然比函数为：
Figure FDA0004049130360000011
Figure FDA0004049130360000012
Cr(xk)＝{r0-q',…,r0-1,r0,r0+1,…,r0+q'}
Cs(xk)＝{s0-q”,…,s0-1,s0,s0+1,…,s0+q”}
其中，
Figure FDA0004049130360000015
为第k帧距离-多普勒二维数据的第一预设似然比函数，nk(r,s)为背景噪声的幅度项，zk(r,s)为目标的幅度与背景噪声的幅度的和值项，Ak(r,s)为目标的幅度，Ek为目标存在变量，
Figure FDA0004049130360000013
Figure FDA0004049130360000014
表示k时刻目标不存在事件，ek表示k时刻目标存在事件；r＝0,1,…,R-1，R为距离单元数，s＝0,1,…,S-1，S为多普勒通道数，r0和s0分别为状态变量距离xk(1)和速度xk(2)在测量数据中对应距离单元和多普单元的坐标，q'和q”为常数。
3.根据权利要求2所述的目标检测方法，其特征在于，所述方法还包括：
当检测到所述车载雷达处于运动状态时，将所述第一预设似然比函数替换为第二预设似然比函数；其中，所述第二预设似然比函数至少包括背景噪声的幅度项、目标的幅度与背景噪声的幅度的和值项以及多普勒维扩展项。
4.根据权利要求3所述的目标检测方法，其特征在于，所述第二预设似然比函数为：
Figure FDA0004049130360000021
Figure FDA0004049130360000022
Figure FDA0004049130360000023
其中，
Figure FDA0004049130360000024
为第k帧距离-多普勒二维数据的第二预设似然比函数，I(|zk(r，s)|)为多普勒维扩展项，δ(|zk(r,s)|)为zk(r,s)的零阶修正贝塞尔函数。
5.根据权利要求1至4中任一项所述的目标检测方法，其特征在于，所述方法还包括：
当检测到所述车载雷达处于静止状态时，去除所述距离-多普勒二维数据中处于零频区间的目标。
6.一种目标检测装置，其特征在于，包括：
获取模块，用于获取车载雷达接收的回波数据；
多普勒模块，用于对所述回波数据进行快速傅里叶变换处理，得到距离-多普勒二维数据；
检测模块，用于根据预设的检测前跟踪模型对所述距离-多普勒二维数据进行检测处理，得到目标检测结果；其中，所述预设的检测前跟踪模型至少包括基于粒子滤波的检测前跟踪模型；所述预设的检测前跟踪模型采用第一预设似然比函数，所述第一预设似然比函数包括背景噪声的幅度项，以及目标的幅度与背景噪声的幅度的和值项。
7.根据权利要求6所述的目标检测装置，其特征在于，所述检测模块还用于：
当检测到所述车载雷达处于运动状态时，将所述第一预设似然比函数替换为第二预设似然比函数；所述第二预设似然比函数至少包括背景噪声的幅度项、目标的幅度与背景噪声的幅度的和值项以及多普勒维扩展项。
8.根据权利要求6至7中任一项所述的目标检测装置，其特征在于，所述装置还包括：
去除模块，用于当检测到所述车载雷达处于静止状态时，去除所述距离-多普勒二维数据中处于零频区间的目标。
9.一种电子设备，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至5中任一项所述的目标检测方法的步骤。
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上的权利要求1至5中任一项所述的目标检测方法的步骤。
CN202310037362.7A 2023-01-10 2023-01-10 目标检测方法、装置、电子设备及存储介质 Pending CN115980693A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310037362.7A CN115980693A (zh) 2023-01-10 2023-01-10 目标检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310037362.7A CN115980693A (zh) 2023-01-10 2023-01-10 目标检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115980693A true CN115980693A (zh) 2023-04-18

Family

ID=85967961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310037362.7A Pending CN115980693A (zh) 2023-01-10 2023-01-10 目标检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115980693A (zh)

Similar Documents

Publication Publication Date Title
CN111045008B (zh) 基于展宽计算的车载毫米波雷达目标识别方法
CN108680918B (zh) 应用于雷达的测速方法、测速装置及电子设备
CN112859014B (zh) 基于雷达信号分选的雷达干扰抑制方法、装置及介质
CN113376613B (zh) 用于雷达探测的恒虚警检测方法、装置及电子设备
CN113219462B (zh) 基于时频图的目标识别方法、装置和终端设备
CN112731307B (zh) 基于距离-角度联合估计的ratm-cfar检测器及检测方法
CN113009441B (zh) 一种雷达运动反射面多径目标的识别方法及装置
CN104021289A (zh) 一种非高斯非稳态噪声建模方法
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
CN115061113B (zh) 用于雷达的目标检测模型训练方法、装置及存储介质
CN111044987B (zh) 基于汽车雷达的环境目标速度解模糊方法、系统及介质
CN115047419A (zh) 一种毫米波雷达恒虚警率检测方法及装置
CN106772357B (zh) 信噪比未知条件下的ai-phd滤波器多目标跟踪方法
CN115980693A (zh) 目标检测方法、装置、电子设备及存储介质
CN113567946B (zh) 一种毫米波雷达真实目标和虚像检测方法
CN113806920B (zh) 一种无人机集群电磁散射仿真方法、装置、设备及介质
Voccola et al. On the relationship between the generalized likelihood ratio test and backprojection for synthetic aperture radar imaging
CN110766005B (zh) 目标特征提取方法、装置和终端设备
CN114384524A (zh) 一种去除速度模糊假目标的方法、装置、终端和可读介质
KR102211844B1 (ko) Ir-uwb 레이더 시스템에서의 벽 후방 다중표적위치 추정 방법 및 장치
CN116224280B (zh) 雷达目标检测方法、装置、雷达设备及存储介质
CN116469041B (zh) 一种目标对象的运动轨迹预测方法、系统及设备
CN118759480A (zh) 道路雷达多径虚警处理方法、系统、电子装置和存储介质
CN113625244B (zh) 一种基于lstm的多源域的高重频雷达目标检测方法
CN115170601A (zh) 雷达测量数据处理方法及装置

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