CN116466338A - 基于雷达组网的目标检测方法、装置、电子设备以及介质 - Google Patents
基于雷达组网的目标检测方法、装置、电子设备以及介质 Download PDFInfo
- Publication number
- CN116466338A CN116466338A CN202310279586.9A CN202310279586A CN116466338A CN 116466338 A CN116466338 A CN 116466338A CN 202310279586 A CN202310279586 A CN 202310279586A CN 116466338 A CN116466338 A CN 116466338A
- Authority
- CN
- China
- Prior art keywords
- target
- radar
- point cloud
- radar point
- microwave radars
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 99
- 230000006855 networking Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009469 supplementation Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 239000000428 dust Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000013589 supplement Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/42—Simultaneous measurement of distance and other co-ordinates
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
- G01S13/874—Combination of several systems for attitude determination
-
- 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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于雷达组网的目标检测方法、装置、电子设备以及介质。所述方法包括:确定目标微波雷达在目标区域采集的候选雷达点云,所述目标区域配置有至少两个目标微波雷达组成的雷达组网进行探测;依据所述候选雷达点云,确定不同目标微波雷达之间的雷达点云相干性;依据所述雷达点云相干性对所述候选雷达点云中杂点进行剔除得到目标雷达点云;依据所述目标雷达点云对所述目标区域进行目标检测。通过不同雷达点云之间的时空相干性,将至少两个目标微波雷达采集的雷达点云中的杂点进行剔除,降低雷达点云中的噪声,以应对微波雷达中镜面反射导致微波雷达的点云性能较差的问题,同时通过多个雷达的雷达点云补充,解决雷达点云中稀疏性问题。
Description
技术领域
本发明涉及雷达检测技术领域,尤其涉及一种基于雷达组网的目标检测方法、装置、电子设备以及介质。
背景技术
随着目标检测逐步在成为不可或缺的技术,衍生出包括但不限于采用摄像头、激光雷达、毫米波雷达以及热成像等进行目标检测的方案。
相关方案中,考虑到激光雷达工作在接近可见光的红外波段,容易受空气中雾霾和镜头积灰影响,开始逐步使用微波雷达代替。
在实际应用过程中发现,虽然与激光雷达相比,微波雷达能够降低受不利天气条件的影响问题,能够轻易地穿过雾、灰尘和其他微小颗粒,但是雷达信号的多径效应会导致微波雷达的点云性能较差,从而降低微波雷达的目标检测效果。
发明内容
本发明提供了一种基于雷达组网的目标检测方法、装置、电子设备以及介质,以解决因无线信号的镜面反射导致微波雷达的点云性能较差,提高微波雷达的目标检测效果。
根据本发明的一方面,提供了一种基于雷达组网的目标检测方法,所述方法包括:
确定目标微波雷达在目标区域采集的候选雷达点云,所述目标区域配置有至少两个目标微波雷达组成的雷达组网进行探测;
依据所述候选雷达点云,确定不同目标微波雷达之间的雷达点云相干性;
依据所述雷达点云相干性对所述候选雷达点云中杂点进行剔除得到目标雷达点云;
依据所述目标雷达点云对所述目标区域进行目标检测。
根据本发明的另一方面,提供了一种基于雷达组网的目标检测装置,所述装置包括:
采集模块,用于确定目标微波雷达在目标区域采集的候选雷达点云,所述目标区域配置有至少两个目标微波雷达组成的雷达组网进行探测;
确定模块,用于依据所述候选雷达点云,确定不同目标微波雷达之间的雷达点云相干性;
筛选模块,用于依据所述雷达点云相干性对所述候选雷达点云中杂点进行剔除得到目标雷达点云;
检测模块,用于依据所述目标雷达点云对所述目标区域进行目标检测。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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本发明任一实施例所述的基于雷达组网的目标检测方法。
根据本发明的另一方面,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指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于雷达组网的目标检测方法。
本发明实施例的技术方案,在使用雷达进行目标检测时配置了至少两个目标微波雷达,且保持配置的至少两个目标微波雷达对同一个目标区域进行探测采集获取雷达点云,通过充分利用不同雷达点云之间的时空相干性,将至少两个目标微波雷达采集的雷达点云中的杂点进行剔除,降低雷达点云中的噪声,以应对微波雷达中镜面反射导致微波雷达的点云性能较差的问题,同时通过多个雷达的雷达点云补充,解决雷达点云中稀疏性问题,通过降低雷达点云中噪声以及克服雷达点云稀疏性问题,从而提高雷达信号质量,提高雷达使用时的目标检测准确度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
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是根据本发明实施例提供的一种基于雷达组网的目标检测方法的流程图;
图2是根据本发明实施例提供的另一种基于雷达组网的目标检测方法的流程图;
图3是根据本发明实施例提供的又一种基于雷达组网的目标检测方法的流程图;
图4a是根据本发明实施例所适用的基于雷达组网的目标检测中的锚框示意图;
图4b是根据本发明实施例所适用的基于雷达组网的目标检测的原理图;
图5是根据本发明实施例提供的一种基于雷达组网的目标检测装置的结构示意图;
图6是实现本发明实施例的基于雷达组网的目标检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例提供了一种基于雷达组网的目标检测方法的流程图,本实施例可适用于使用微波雷达进行目标检测的情况,尤其是在存在雾、灰尘和其他微小颗粒环境中可能出现无线信号的镜面反射时采用微波雷达进行目标检测的情形。该方法可以由基于雷达组网的目标检测装置来执行,该基于雷达组网的目标检测装置可以采用硬件和/或软件的形式实现,该基于雷达组网的目标检测装置可配置于任何具有网络通信功能的电子设备中。如图1所示,该基于雷达组网的目标检测方法可以包括但不限于以下过程:
S110、确定目标微波雷达在目标区域采集的候选雷达点云,目标区域配置有至少两个目标微波雷达组成的雷达组网进行探测。
在使用微波雷达进行目标检测时,微波雷达虽不受天气条件影响,能轻易穿过雾、灰尘和其他微小颗粒,但是无线信号的镜面反射会导致雷达点云的性能较差。为此,在使用微波雷达时提出一种雷达感知框架,针对同一个目标区域预先配置至少两个目标微波雷达,保持不同目标微波雷达能够对同一个目标区域进行探测,针对同一个目标区域获取候选雷达点云。
在一个可选但非限定的实现方式中,针对同一个目标区域配置的至少两个目标微波雷达中目标微波雷达之间的安装距离大于预设距离,且不同目标微波雷达进行坐标系标定以及不同目标微波雷达之间预先进行时空同步。
示例性地,设置多台目标微波雷达,配置使得多台目标微波雷达用于探测同一目标区域,各微波雷达之间的距离保持至少1.5m。同时,将多台微波雷达输出的雷达点云进行点云坐标标定以及空间和时间上同步。
S120、依据候选雷达点云,确定不同目标微波雷达之间的雷达点云相干性。
对于微波雷达,属于噪声的点在不同空间分配的多个微波雷达中是独立的,相比之下,属于随机噪声的点对于每个微波雷达都是特定的。使用多个微波雷达融合来确定具有相干性的点云,给定多个目标和环境的场景几何结构,微波雷达将其映射到点云信息。通常情况下,如果三维空间的一个区域在多个微波雷达中产生响应,那么它很可能是由一个物体而非噪声产生的。为了捕捉这种效果,需要测量三维空间中来自多个微波雷达的点云之间的相干性。
S130、依据雷达点云相干性对候选雷达点云中杂点进行剔除得到目标雷达点云。
通过观察多个微波雷达点云中相同散射区域(即时间空间相干性)来定义从物体生成的点的置信度。通过配置不同目标微波雷达来针对同一个目标区域进行探测,这样可以利用多个雷达引起的空间多样性对雷达点云量不足的情况进行补充,同时利用多雷达点云的时空相干性,能将候选雷达点云中因为由于微波雷达接收了大量杂波引起的无效杂点进行剔除,降低雷达点云中的噪声,从而提高信号质量。
S140、依据目标雷达点云对目标区域进行目标检测。
通过本申请方案,在使用雷达进行目标检测时配置了至少两个目标微波雷达,且保持配置的至少两个目标微波雷达对同一个目标区域进行探测采集获取雷达点云,通过充分利用不同雷达点云之间的时空相干性,将至少两个目标微波雷达采集的雷达点云中的杂点进行剔除,降低雷达点云中的噪声,以应对微波雷达中镜面反射导致微波雷达的点云性能较差的问题,同时通过多个雷达的雷达点云补充,解决雷达点云中稀疏性问题,通过降低雷达点云中噪声以及克服雷达点云稀疏性问题,从而提高雷达信号质量,提高雷达使用时的目标检测准确度。
图2为本发明实施例提供了另一种基于雷达组网的目标检测方法的流程示意图,本实施例的技术方案在上述实施例的基础上对前述实施例中依据候选雷达点云确定不同目标微波雷达之间的雷达点云相干性的过程进一步优化,本实施例可与上述一个或多个实施例中各个可选方案结合。如图2所示,该基于雷达组网的目标检测方法还可以包括但不限于以下过程:
S210、确定目标微波雷达在目标区域采集的候选雷达点云,目标区域配置有至少两个目标微波雷达组成的雷达组网进行探测。
S220、针对至少两个目标微波雷达,对目标微波雷达的候选雷达点云进行聚类得到目标微波雷达关联的至少一个候选点云聚类簇。
对于至少两个目标微波雷达中包括的各个目标微波雷达,获取目标微波雷达的候选雷达点云,采用基于密度的空间聚类算法对候选雷达点云进行聚类,对于候选雷达点云中包括的点,若检测到其邻域中存在特定数量的点,则该点及其邻域被识别为一个簇,从而可以从候选雷达点云中搜索到至少一个候选点云聚类簇。
对于每个候选点云聚类簇i,质心ci将其点中的一个用作候选点云聚类簇的代表点。对于多个微波雷达情况,使用表示候选点云聚类簇的质心ci在点云中位置,通过这种方式可以为每个微波雷达的候选雷达点云单独创建多个候选点云聚类簇。
S230、确定不同目标微波雷达关联的候选点云聚类簇之间的点云簇相关性,点云簇相关性基于点云聚类簇之间的质心距离进行确定。
将来自两个不同微波雷达的候选雷达点云之间的相干性定义为置信度度量,如果这些雷达点云属于同一物体,那么候选雷达点云之间的相干性越大,否则如果雷达点云不属于同一物体,那么候选雷达点云之间的相干性越小。雷达点云之间的相干性与雷达点云的质心之间的距离成反比,点云簇相关性可以记为
可选地,雷达点云相干性通过不同目标微波雷达采集的雷达点云属于同一个目标的概率大小或置信度进行表示,雷达点云相干性大小与点云聚类簇之间的质心距离大小呈负相关。
S240、依据点云簇相关性确定不同目标微波雷达之间的雷达点云相干性。
利用点云簇相关性的计算函数,可以量化来自多个微波雷达的点云之间的空间相干性,将来自多个微波雷达点云的所有点合并,并向其添加置信信息,此时确保点云每个点的可能性目标的质心相同。这里以点云簇之间的质心距离计算点云簇之间的相干性,然后以点云簇之间的相干性来表征不同目标微波雷达之间的雷达点云相干性。可选地,计算不同微波雷达的两两候选雷达点云簇之间的相干性,然后将计算得到的多个点云簇相关性进行加权得到不同目标微波雷达之间的雷达点云相干性。
S250、依据雷达点云相干性对候选雷达点云中杂点进行剔除得到目标雷达点云。
可以利用相干性将相干性低的点进行过滤,以将具有高相干性的点云组合起来作为目标雷达点云。将雷达点云的SNR(信噪比)定义为实际点总数与噪声点的比率。噪声点定义为位于目标边界框外的点,阈值选择0.5作为操作点,以在SNR改善和漏检之间实现良好的权衡。
S260、依据目标雷达点云对目标区域进行目标检测。
通过本申请方案,在使用雷达进行目标检测时配置了至少两个目标微波雷达,且保持配置的至少两个目标微波雷达对同一个目标区域进行探测采集获取雷达点云,通过充分利用不同雷达点云之间的时空相干性,将至少两个目标微波雷达采集的雷达点云中的杂点进行剔除,降低雷达点云中的噪声,以应对微波雷达中镜面反射导致微波雷达的点云性能较差的问题,同时通过多个雷达的雷达点云补充,解决雷达点云中稀疏性问题,通过降低雷达点云中噪声以及克服雷达点云稀疏性问题,从而提高雷达信号质量,提高雷达使用时的目标检测准确度。
图3为本发明实施例提供了又一种基于雷达组网的目标检测方法的流程示意图,本实施例的技术方案在上述实施例的基础上对前述实施例中依据目标雷达点云对目标区域进行目标检测的过程进一步优化,本实施例可与上述一个或多个实施例中各个可选方案结合。如图3所示,该基于雷达组网的目标检测方法还可以包括但不限于以下过程:
S310、确定目标微波雷达在目标区域采集的候选雷达点云,目标区域配置有至少两个目标微波雷达组成的雷达组网进行探测。
S320、依据候选雷达点云,确定不同目标微波雷达之间的雷达点云相干性。
S330、依据雷达点云相干性对候选雷达点云中杂点进行剔除得到目标雷达点云。
S340、将不同目标微波雷达对应的目标雷达点云进行合并得到合并后雷达点云。
S350、依据合并后雷达点云对应的点属性信息对目标区域中目标对象进行分类与位置检测,点属性信息包括点的三维坐标、点的速度、点的峰值强度与点对应的雷达点云相干性。
给定目标区域内的合并后雷达点云,提取合并后雷达点云中对应每个点的三维坐标(包括x,y,z坐标)、点的速度、点的峰值强度与点对应的雷达点云相干性。利用合并后雷达点云的点属性信息检测目标区域中目标对象并对检测到的目标对象进行分类与位置检测。
在一个可选但非限定的实现方式中,依据合并后雷达点云对应的点属性信息对目标区域中目标对象进行分类与位置检测,可包括步骤A1-A4:
步骤A1、将合并后雷达点云对应的点属性信息输入到目标检测模型,在目标检测模型中对合并后雷达点云对应的点进行三维锚框标定。
参见图4a与4b,对于具有多个目标对象的目标区域场景,通过在场景中设置多个锚框来定义目标区域。基于目标几何和时空相干性引起的微波雷达响应,给定一个点,在该点周围使用五个不同的锚框位置(将该点称为这些锚框的锚点),使用方位角的时空相干为每个锚点导出的姿态值。
步骤A2、通过目标检测模型中多层感知机对每个三维锚框内的点进行特征提取与特征合并。
参见图4a与4b,采用目标检测模型进行目标检测时是通过从点云数据中学习有意义的特征表示来执行分类和3D边界框参数回归。目标检测模型分两个阶段提取这些特征,即在生成锚框之前和之后。一阶段首先使用共享多层感知机MLP的点网编码器从整个点云中提取特征。在第二阶段,每一个点云的锚框已经确定,感兴趣区域的特征池化层负责汇聚所有锚框内点云的特征,然后这些特征经过PointNet层,输出最能表示目标区域场景下单一特征。
步骤A3、将从三维锚框得到的合并特征输入到目标检测模型中全连接层对三维锚框进行分类预测与三维边界框位置预测。
参见图4a与图4b,前一块之后获得的锚框的整个代表性特征集通过由全连接层组成的分类网络。完全连接的层学习从锚框的代表性特征到每个框的置信值的映射。这种基于最大池化特征的感兴趣区域进行分类,将锚框内的点云的上下文信息纳入考虑,可以得到更好的分类效果。通过直接对锚框进行分类来解决分割问题。网络将学习以高置信度选择对应的锚框,该锚框包含属于目标对象的所有点。
步骤A4、依据分类预测与三维边界框位置预测结果确定目标区域中目标对象的分类与位置。
参见图4b,当使用固定大小的锚框时,锚框是对最终3D边界框的尺寸、中心和方向的粗略估计。仍然需要进一步细化这些参数以获得精确的边界框。可选地,对于估计边界框的准确尺寸和位置非常重要,在分类步骤之后,获得所有锚框的置信度分数。由于获得了每个点的锚框,因此可能存在属于同一对象的多个重叠的高置信度框。使用置信值对该集合执行非最大抑制(NMS)采样。NMS采样移除了与同一对象的另一个高置信度框具有高重叠的框。其余锚框的代表性特征通过三个完全连接的层来输出元组[h′,w′,l′,x′,y′,z′,θ′]分别对应于高度、宽度、长度、中心坐标和角度方向的细化。这些细化被添加到锚框参数以生成最终的3D边界框预测。
可选地,目标检测模型基于卷积神经网络框架采用交叉熵损失函数与平滑处理后的均方误差损失函数进行训练得到,目标检测模型用于对具有多个目标对象的雷达点云场景中出现的目标对象进行分类与位置检测。
目标检测模型的第一阶段的锚框分类是一个使用交叉熵损失的二进制分类问题,由下式给出:
其中,yi=[0,1],pi为预测置信值。边界框的细化是一个回归问题,为此,使用均方误差损失函数Smooth-L1损失函数,由下式给出:
通过本申请方案,在使用雷达进行目标检测时配置了至少两个目标微波雷达,且保持配置的至少两个目标微波雷达对同一个目标区域进行探测采集获取雷达点云,通过充分利用不同雷达点云之间的时空相干性,将至少两个目标微波雷达采集的雷达点云中的杂点进行剔除,降低雷达点云中的噪声,以应对微波雷达中镜面反射导致微波雷达的点云性能较差的问题,同时通过多个雷达的雷达点云补充,解决雷达点云中稀疏性问题,通过降低雷达点云中噪声以及克服雷达点云稀疏性问题,从而提高雷达信号质量,提高雷达使用时的目标检测准确度。
图5为本发明实施例提供了一种基于雷达组网的目标检测装置的结构示意图,本实施例可适用于使用微波雷达进行目标检测的情况,尤其是在存在雾、灰尘和其他微小颗粒环境中可能出现无线信号的镜面反射时采用微波雷达进行目标检测的情形。该基于雷达组网的目标检测装置可以采用硬件和/或软件的形式实现,该基于雷达组网的目标检测装置可配置于任何具有网络通信功能的电子设备中。如图5所示,该基于雷达组网的目标检测装置包括:采集模块510、确定模块520、筛选模块530以及检测模块540。其中:
采集模块510,用于确定目标微波雷达在目标区域采集的候选雷达点云,所述目标区域配置有至少两个目标微波雷达组成的雷达组网进行探测;
确定模块520,用于依据所述候选雷达点云,确定不同目标微波雷达之间的雷达点云相干性;
筛选模块530,用于依据所述雷达点云相干性对所述候选雷达点云中杂点进行剔除得到目标雷达点云;
检测模块540,用于依据所述目标雷达点云对所述目标区域进行目标检测。
在上述实施例的基础上,可选地,所述目标区域配置的至少两个目标微波雷达组成的雷达组网中目标微波雷达之间的安装距离大于预设距离,不同目标微波雷达进行坐标系标定以及不同目标微波雷达之间预先进行时空同步。
在上述实施例的基础上,可选地,依据所述候选雷达点云,确定不同目标微波雷达之间的雷达点云相干性,包括:
针对至少两个目标微波雷达,对所述目标微波雷达的候选雷达点云进行聚类得到所述目标微波雷达关联的至少一个候选点云聚类簇;
确定不同目标微波雷达关联的候选点云聚类簇之间的点云簇相关性,所述点云簇相关性基于点云聚类簇之间的质心距离进行确定;
依据所述点云簇相关性确定不同目标微波雷达之间的雷达点云相干性。
在上述实施例的基础上,可选地,所述雷达点云相干性通过不同目标微波雷达采集的雷达点云属于同一个目标的概率大小或置信度进行表示,所述雷达点云相干性大小与点云聚类簇之间的质心距离大小呈负相关。
在上述实施例的基础上,可选地,依据所述目标雷达点云对所述目标区域进行目标检测,包括:
将不同目标微波雷达对应的目标雷达点云进行合并得到合并后雷达点云;
依据合并后雷达点云对应的点属性信息对目标区域中目标对象进行分类与位置检测,所述点属性信息包括点的三维坐标、点的速度、点的峰值强度与点对应的雷达点云相干性。
在上述实施例的基础上,可选地,依据合并后雷达点云对应的点属性信息对目标区域中目标对象进行分类与位置检测,包括:
将合并后雷达点云对应的点属性信息输入到目标检测模型,在目标检测模型中对合并后雷达点云对应的点进行三维锚框标定;
通过目标检测模型中多层感知机对每个三维锚框内的点进行特征提取与特征合并;
将从三维锚框得到的合并特征输入到目标检测模型中全连接层对所述三维锚框进行分类预测与三维边界框位置预测;
依据所述分类预测与三维边界框位置预测结果确定目标区域中目标对象的分类与位置。
在上述实施例的基础上,可选地,所述目标检测模型基于卷积神经网络框架采用交叉熵损失函数与平滑处理后的均方误差损失函数进行训练得到,所述目标检测模型用于对具有多个目标对象的雷达点云场景中出现的目标对象进行分类与位置检测。
本发明实施例中所提供的基于雷达组网的目标检测装置可执行上述本发明任意实施例中所提供的基于雷达组网的目标检测方法,具备执行该基于雷达组网的目标检测方法相应的功能和有益效果,详细过程参见前述实施例中基于雷达组网的目标检测方法的相关操作。
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理,例如基于雷达组网的目标检测方法。
在一些实施例中,基于雷达组网的目标检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的基于雷达组网的目标检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于雷达组网的目标检测方法。
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、现场可编程门阵列(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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有: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电子设备。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)、区块链网络和互联网。
计算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服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种基于雷达组网的目标检测方法,其特征在于,所述方法包括:
确定目标微波雷达在目标区域采集的候选雷达点云,所述目标区域配置有至少两个目标微波雷达组成的雷达组网进行探测;
依据所述候选雷达点云,确定不同目标微波雷达之间的雷达点云相干性;
依据所述雷达点云相干性对所述候选雷达点云中杂点进行剔除得到目标雷达点云;
依据所述目标雷达点云对所述目标区域进行目标检测。
2.根据权利要求1所述的方法,其特征在于,所述目标区域配置的至少两个目标微波雷达组成的雷达组网中目标微波雷达之间的安装距离大于预设距离,不同目标微波雷达进行坐标系标定以及不同目标微波雷达之间预先进行时空同步。
3.根据权利要求1所述的方法,其特征在于,依据所述候选雷达点云,确定不同目标微波雷达之间的雷达点云相干性,包括:
针对至少两个目标微波雷达,对所述目标微波雷达的候选雷达点云进行聚类得到所述目标微波雷达关联的至少一个候选点云聚类簇;
确定不同目标微波雷达关联的候选点云聚类簇之间的点云簇相关性,所述点云簇相关性基于点云聚类簇之间的质心距离进行确定;
依据所述点云簇相关性确定不同目标微波雷达之间的雷达点云相干性。
4.根据权利要求3所述的方法,其特征在于,所述雷达点云相干性通过不同目标微波雷达采集的雷达点云属于同一个目标的概率大小或置信度进行表示,所述雷达点云相干性大小与点云聚类簇之间的质心距离大小呈负相关。
5.根据权利要求1所述的方法,其特征在于,依据所述目标雷达点云对所述目标区域进行目标检测,包括:
将不同目标微波雷达对应的目标雷达点云进行合并得到合并后雷达点云;
依据合并后雷达点云对应的点属性信息对目标区域中目标对象进行分类与位置检测,所述点属性信息包括点的三维坐标、点的速度、点的峰值强度与点对应的雷达点云相干性。
6.根据权利要求5所述的方法,其特征在于,依据合并后雷达点云对应的点属性信息对目标区域中目标对象进行分类与位置检测,包括:
将合并后雷达点云对应的点属性信息输入到目标检测模型,在目标检测模型中对合并后雷达点云对应的点进行三维锚框标定;
通过目标检测模型中多层感知机对每个三维锚框内的点进行特征提取与特征合并;
将从三维锚框得到的合并特征输入到目标检测模型中全连接层对所述三维锚框进行分类预测与三维边界框位置预测;
依据所述分类预测与三维边界框位置预测结果确定目标区域中目标对象的分类与位置。
7.根据权利要求6所述的方法,其特征在于,所述目标检测模型基于卷积神经网络框架采用交叉熵损失函数与平滑处理后的均方误差损失函数进行训练得到,所述目标检测模型用于对具有多个目标对象的雷达点云场景中出现的目标对象进行分类与位置检测。
8.一种基于雷达组网的目标检测装置,其特征在于,所述装置包括:
采集模块,用于确定目标微波雷达在目标区域采集的候选雷达点云,所述目标区域配置有至少两个目标微波雷达组成的雷达组网进行探测;
确定模块,用于依据所述候选雷达点云,确定不同目标微波雷达之间的雷达点云相干性;
筛选模块,用于依据所述雷达点云相干性对所述候选雷达点云中杂点进行剔除得到目标雷达点云;
检测模块,用于依据所述目标雷达点云对所述目标区域进行目标检测。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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1-7中任一项所述的基于雷达组网的目标检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于雷达组网的目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310279586.9A CN116466338A (zh) | 2023-03-21 | 2023-03-21 | 基于雷达组网的目标检测方法、装置、电子设备以及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310279586.9A CN116466338A (zh) | 2023-03-21 | 2023-03-21 | 基于雷达组网的目标检测方法、装置、电子设备以及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116466338A true CN116466338A (zh) | 2023-07-21 |
Family
ID=87177932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310279586.9A Pending CN116466338A (zh) | 2023-03-21 | 2023-03-21 | 基于雷达组网的目标检测方法、装置、电子设备以及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116466338A (zh) |
-
2023
- 2023-03-21 CN CN202310279586.9A patent/CN116466338A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220383535A1 (en) | Object Tracking Method and Device, Electronic Device, and Computer-Readable Storage Medium | |
CN113902897A (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN107016682B (zh) | 一种自然图像显著对象自适应分割方法 | |
CN110390706B (zh) | 一种物体检测的方法和装置 | |
EP3073443A1 (en) | 3D Saliency map | |
WO2023155387A1 (zh) | 多传感器目标检测方法、装置、电子设备以及存储介质 | |
CN107742113A (zh) | 一种基于目标数量后验的sar图像集群目标检测方法 | |
CN116503803A (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN114973057B (zh) | 基于人工智能的视频图像检测方法及相关设备 | |
Huang et al. | Random sampling-based background subtraction with adaptive multi-cue fusion in RGBD videos | |
CN117036457A (zh) | 一种屋顶面积的测量方法、装置、设备及存储介质 | |
CN116466338A (zh) | 基于雷达组网的目标检测方法、装置、电子设备以及介质 | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
CN116091450A (zh) | 一种障碍物检测方法、装置、设备、介质和产品 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115170523A (zh) | 一种基于局部对比度的低复杂度红外弱小目标检测方法 | |
CN117789200B (zh) | 果实点云提取方法、装置、电子设备及存储介质 | |
CN114037865B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN117647852B (zh) | 天气状态检测方法、装置、电子设备及存储介质 | |
CN117392631B (zh) | 一种道路边界提取方法、装置、电子设备及存储介质 | |
CN117372988B (zh) | 道路边界检测方法、装置、电子设备及存储介质 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN118112562A (zh) | 一种雷达目标检测方法、装置、电子设备以及存储介质 | |
CN116309587A (zh) | 一种布料瑕疵检测方法、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 |