CN116776158B - 目标分类方法、装置及存储介质 - Google Patents

目标分类方法、装置及存储介质 Download PDF

Info

Publication number
CN116776158B
CN116776158B CN202311056597.7A CN202311056597A CN116776158B CN 116776158 B CN116776158 B CN 116776158B CN 202311056597 A CN202311056597 A CN 202311056597A CN 116776158 B CN116776158 B CN 116776158B
Authority
CN
China
Prior art keywords
probability
target
state
radar
data sequence
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
CN202311056597.7A
Other languages
English (en)
Other versions
CN116776158A (zh
Inventor
施雪松
蔡晔
谭俊杰
李仕贤
雷小平
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.)
Changsha Falcon Eye Software Technology Co ltd
Original Assignee
Changsha Falcon Eye Software 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 Changsha Falcon Eye Software Technology Co ltd filed Critical Changsha Falcon Eye Software Technology Co ltd
Priority to CN202311056597.7A priority Critical patent/CN116776158B/zh
Publication of CN116776158A publication Critical patent/CN116776158A/zh
Application granted granted Critical
Publication of CN116776158B publication Critical patent/CN116776158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种目标分类模型训练方法及目标分类方法、装置及存储介质，以解决现在技术中的雷达难以将探测目标进行分类的问题，以及对目标分类精度低等技术问题，其中，所述方法包括：获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；基于预设的规则对所述观测数据序列进行目标分类处理，并统计当前每个类别的实际出现概率，将每个类别的实际出现概率作为各个状态的初始状态概率；根据各个状态的初始状态概率，估算隐马尔可夫模型参数。采用本发明实施例的技术方案能够大幅度提升雷达目标分类的准确性。

Description

目标分类方法、装置及存储介质
技术领域
本申请属于雷达数据处理技术领域，具体涉及一种目标分类方法、装置及存储介质。
背景技术
路端毫米波雷达，工作频率范围79-81GHz，主要用于观测路面行驶的目标，例如车辆、非机动车、行人等。毫米波雷达在测距测角测速等方面性能优异，但由于其跟踪目标的特征数很少，存在难以将目标进行分类的技术问题。
发明内容
本申请的目的在于提供一种目标分类模型训练方法及目标分类方法、装置及存储介质，可以解决上述技术问题。
根据本发明的一方面，提供一种目标分类模型训练方法，所述方法包括：
获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；
基于预设的规则对所述观测数据序列进行目标分类处理，并统计当前每个类别的实际出现概率，将每个类别的实际出现概率作为各个状态的初始状态概率；
根据各个状态的初始状态概率，估算隐马尔可夫模型参数：，其中，/>为模型在初始时刻对应每一个类别的初始状态概率，A为转移概率矩阵，B为观测概率矩阵；并将所述转移概率矩阵设置为单位矩阵。
进一步地，所述特征向量包括RCS值、xSize值和ySize值；
其中，RCS值表示目标的雷达散射截面积值，xSize表示目标在雷达坐标系X轴上的尺寸估算值，ySize值表示目标在雷达坐标系Y轴上的尺寸估算值。
进一步地，所述基于预设的规则对所述观测数据序列进行目标分类处理，并统计当前每个类别的实际出现概率的方法包括：收集多个目标的跟踪轨迹数据并使用人工标注的方法对所述跟踪轨迹数据进行分类标注；其中，人工标注的类别信息包括大车、小车、行人和非机动车。
进一步地，所述方法还包括：
令概率密度函数为，则所述观测概率矩阵由下式表示：
；
其中，所述概率密度函数为采用多维高斯概率密度函数，并由下式定义：
；
其中，，/>表示隐马尔可夫链的状态数，M表示每个状态对应的观测值数目，/>为均值向量，/>，/>为协方差矩阵，/>是/>的逆矩阵，/>是/>的行列式，协方差矩阵的定义为/>，/>表示转置，/>表示一组观测状态值。
根据本发明的又一方面，提供一种目标分类方法，所述方法包括：
获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；
针对每一个目标，将对应该目标的观测数据序列输入到隐马尔可夫模型中，利用隐马尔可夫模型对所述雷达的探测目标的跟踪轨迹数据进行解码，以获取当前所述雷达的跟踪轨迹数据中的概率最高的隐藏状态序列，并计算所有不同的初始状态下所对应的所述观测数据序列的值的概率，根据计算出的概率最大的值所对应的状态值，确定当前所述雷达的跟踪轨迹数据的类别；其中，所述隐马尔可夫模型是采用前述的方法训练得出的。
进一步地，所述方法还包括：
令初始状态，/>，/>表示隐马尔可夫链的状态数，所述观测数据序列表示为/>时，
其中，为一组特征向量，/>表示为[RCS/>,xSize/>,ySize/>]，/>，/>表示帧数；
基于模型中的转移概率矩阵为单位矩阵，计算所有不同的初始状态下所对应的所述观测数据序列的值的概率。
进一步地，所述对所述雷达的探测目标的跟踪轨迹数据进行解码，以获取当前所述雷达的轨迹数据中的概率最高的隐藏状态序列，并计算所有不同的初始状态下所对应的所述观测数据序列的值的概率的方法包括：
根据下式计算所有不同的初始状态下所对应的所述观测数据序列的值的概率：
；
；
；
其中，表示各个状态的概率密度值，/>表示条件概率，/>表示观测数据序列，表示模型在隐藏状态为H时，出现观测数据序列X的概率，/>为模型的初始状态概率，/>表示概率密度函数，M表示每个状态对应的观测值数目，/>，/>表示隐马尔可夫链的状态数，/>为均值向量，/>，/>为协方差矩阵，/>是/>的逆矩阵，/>是/>的行列式，协方差矩阵的定义为/>，/>表示转置，/>表示帧数。
根据本发明的另一方面，提供一种目标分类模型训练装置，所述装置包括：
获取模块，用于获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；
分类及统计模块，用于基于预设的规则对所述观测数据序列进行目标分类处理，并统计当前每个类别的实际出现概率，将每个类别的实际出现概率作为各个状态的初始状态概率；
估算模块，用于根据各个状态的初始状态概率，估算隐马尔可夫模型参数：，其中，/>为模型在初始时刻对应每一个类别的初始状态概率，A为转移概率矩阵，B为观测概率矩阵；并将所述转移概率矩阵设置为单位矩阵。
进一步地，所述分类及统计模块用于收集多个目标的跟踪轨迹数据并使用人工标注的方法对所述跟踪轨迹数据进行分类标注；其中，人工标注的类别信息包括大车、小车、行人和非机动车。
进一步地，所述估算模块还用于估计概率密度，并通过所述概率密度来估算概率密度函数的参数，以构造所述观测概率矩阵。
令概率密度函数为，则所述观测概率矩阵由下式表示：
；
其中，所述概率密度函数为采用多维高斯概率密度函数，并由下式定义：
；
其中，，/>表示隐马尔可夫链的状态数，M表示每个状态对应的观测值数目，/>为均值向量，/>，/>为协方差矩阵，/>是/>的逆矩阵，/>是/>的行列式，协方差矩阵的定义为/>，/>表示转置，/>表示一组观测状态值。
根据本发明的另一方面，提供一种目标分类装置，所述装置包括：
获取模块，用于获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；
分类模块，用于针对每一个目标，将对应该目标的观测数据序列输入到隐马尔可夫模型中，利用隐马尔可夫模型对所述雷达的探测目标的跟踪轨迹数据进行解码，以获取当前所述雷达的跟踪轨迹数据中的概率最高的隐藏状态序列，并计算所有不同的初始状态下所对应的所述观测数据序列的值的概率，根据计算出的概率最大的值所对应的状态值，确定当前所述雷达的跟踪轨迹数据的类别；其中，所述隐马尔可夫模型是采用前述的装置训练得出的。
根据本发明的另一方面还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述目标分类模型训练方法。
根据本发明的另一方面还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述目标分类方法。
本发明的有益效果在于：相比现有技术，本发明提供的目标分类模型训练方法及目标分类方法、装置及存储介质，解决了现在技术中的雷达难以将探测目标进行分类的问题，以及对目标分类精度低等问题，通过利用每一个目标在雷达监测范围内的跟踪数据序列来进行分类，可以充分利用该目标历史过程中被雷达捕获的所有信息，因此，能够大幅度提升雷达目标分类的准确性。
进一步地，简化了隐马尔可夫模型，降低了模型解码时的计算量，使用连续HMM思路适配毫米波雷达数据的特性，应用于雷达目标的轨迹数据分类。使用隐马尔可夫模型后，交通毫米波雷达数据的分类效果非常好，分类召回率达到95%以上。
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分类模型训练方法流程示意图。
图2是本发明实施例提供的一种目标分类方法流程示意图。
图3是本发明实施例提供的一种目标分类模型训练装置的结构框图。
图4是本发明实施例提供的一种目标分类装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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，本领域技术人员在没有作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。另外，在本申请的描述中，术语“包括”是指“包括但不限于”。用语第一、第二、第三等仅仅作为标示使用，并没有强加数字要求或建立顺序。本申请的各种实施例可以以一个范围的型式存在；应当理解，以一范围型式的描述仅仅是因为方便及简洁，不应理解为对本申请范围的硬性限制；因此，应当认为所述的范围描述已经具体公开所有可能的子范围以及该范围内的单一数值。例如，应当认为从1到6的范围描述已经具体公开子范围，例如从1到3，从1到4，从1到5，从2到4，从2到6，从3到6等，以及所数范围内的单一数字，例如1、2、3、4、5及6，此不管范围为何皆适用。另外，每当在本文中指出数值范围，是指包括所指范围内的任何引用的数字(分数或整数)。
根据本发明的一方面，提供一种目标分类模型训练方法。
图1是本发明实施例提供的一种目标分类模型训练方法流程示意图。
参考图1所示，本发明实施例提供的一种目标分类模型训练方法包括以下步骤：
步骤S11，获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；
步骤S12，基于预设的规则对所述观测数据序列进行目标分类处理，并统计当前每个类别的实际出现概率，将每个类别的实际出现概率作为各个状态的初始状态概率；
步骤S13，根据各个状态的初始状态概率，估算隐马尔可夫模型参数：，其中，/>为模型在初始时刻对应每一个类别的初始状态概率，A为转移概率矩阵，B为观测概率矩阵；并将所述转移概率矩阵设置为单位矩阵。
以下将具体描述步骤S11至步骤S13。
在步骤S11中，获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列。
交通毫米波雷达一般以固定的时间间隔采样，比如100ms，意味着，每隔100ms雷达将扫描当前监测区域，生成当前监测区域的点云数据，再根据点云数据以及历史数据，生成探测目标的跟踪轨迹数据。需要说明的是，跟踪轨迹数据由跟踪点数据组成，每一个跟踪点数据代表雷达监测区域中的一个移动目标，并标记唯一的ID标签，当前时间下的所有监测区域内的移动目标的跟踪点数据的集合即为当前帧的跟踪轨迹数据。当时间经过100ms后，雷达将继续生成一帧跟踪点数据，其中，若每一个移动目标的当前帧的ID标签与其前一帧的ID标签一致，则可以获取雷达监控范围内的每一个移动目标的移动轨迹数据。
虽然可以基于获取到的每一帧的跟踪数据，将每一个跟踪目标进行分类，但是由于数据中噪声很大，若仅依据一帧的跟踪数据来进行目标分类，则分类正确率会非常低。为了解决雷达对目标分类精度低的问题，在本发明实施例中，毫米波雷达在每次采样后，生成一帧跟踪数据，随着固定时间推移，则可生成对应若干帧的跟踪轨迹数据。在这个时间段内，同一个目标的所有跟踪点，按时间先后顺序排列，即可获得当前目标在这个时间段内的跟踪数据序列。通过利用每一个目标在雷达监测范围内的跟踪数据序列来进行分类，可充分利用该目标历史移动过程中被雷达捕获的所有信息，因此，雷达目标分类的正确率能够得到大幅度提高。
从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列。
由于每一个目标的跟踪数据序列是雷达跟踪目标的整个轨迹生成的，故采用此跟踪数据序列可以用于进行目标分类。该跟踪数据序列，即是从目标被雷达检测到的时间t1开始的雷达跟踪轨迹数据r1，到目标从雷达的监测范围丢失前的最后一帧的时间tF的雷达跟踪轨迹数据rF，总共F帧数据。即当前目标的轨迹可用来表示。
雷达的跟踪轨迹数据包含一系列雷达生成的特征，比如对应目标的位置信息x、y，对应目标的速度信息vx、vy。因此从雷达的跟踪轨迹数据中筛选出一部分适合于目标分类的特征向量，以构造观测数据序列；示例性地，在本发明实施例中，使用RCS（Radar CrossSection，散射截面积）值、xSize值和ySize值这3个特征作为观测状态值M（每个状态对应的可能的观察值数目，即，在本发明实施例中，/>），因此经过特征筛选后，使用当前目标的轨迹R生成了观测数据序列/>，其中，x1为一组特征向量，x1表示为[RCS1,xSize1,ySize1]，xF为一组特征向量，xF表示为[RCSF,xSizeF,ySizeF]，其中，/>表示帧数。
应理解，RCS值主要与目标散射回波信号的强弱与目标散射特性有关，影响RCS值的主要因素有目标的结构和表面介质、雷达频率、极化方法、雷达视线（目标的姿态角、电磁波的入射方向）等。同时雷达跟踪目标还可以获取对应目标的xSize值、ySize值，其中，xSize值和ySize值分别表示目标在雷达坐标系X轴上的尺寸估算值和雷达坐标系Y轴上的尺寸估算值，具体可由雷达算法输出，在此不再赘述。
在步骤S12中，基于预设的规则对所述观测数据序列进行目标分类处理，并统计当前每个类别的实际出现概率，将每个类别的实际出现概率作为各个状态的初始状态概率。
示例性地，在本发明实施例中，获取雷达的探测目标的跟踪轨迹数据，收集多个目标的跟踪轨迹数据并使用人工标注的方法对所述跟踪轨迹数据进行分类标注；其中，所述人工标注的类别信息包括大车、小车、行人和非机动车。从而得到隐马尔可夫链的状态数N=4，各个状态的初始状态概率，在本实施例中，/>等同于模型在初始时刻每一个类别实际出现的概率。具体计算方法：收集大量的雷达的探测目标的跟踪轨迹数据，并人工标注雷达的跟踪轨迹数据的类别，统计该跟踪轨迹数据中每一个类别出现的概率，作为模型在初始时刻对应每一个类别的初始状态概率。也就是说，基于当前交通场景下，可通过收集大量的雷达的探测目标的跟踪轨迹数据，来分类统计对应大车、小车、行人和非机动车实际出现的初始状态概率，例如大车、小车、行人和非机动车的初始状态概率分别为。
在步骤S13，根据各个状态的初始状态概率，估算隐马尔可夫模型（Hidden MarkovModel，HMM）参数：，其中，/>为模型在初始时刻对应每一个类别的初始状态概率，A为转移概率矩阵，B为观测概率矩阵；并将所述转移概率矩阵设置为单位矩阵。
常规的HMM链中，A表示隐藏状态之间的状态变化，在本实施例中，考虑到毫米波雷达跟踪目标的类别一般是固定的，即同一个目标的类别不会出现跳变，针对同一个目标，将初始隐藏状态设置为前面的大车、小车、行人、非机动车四种状态中的一个。故，当前模型下的转移概率矩阵可以简化为单位矩阵，即转移概率矩阵由下式表示：
。
本发明实施例中，示例性地，当转移概率矩阵A设置为单位矩阵时，此时，各个状态的隐藏状态值均等于初始状态值，即，初始状态，/>，/>表示隐马尔可夫链的状态数，隐藏状态序列为/>，其中，/>表示帧数；因此只需要计算N种初始状态值的概率，即完成了对所有可能的隐藏状态序列的估算。对所有可能的隐藏状态序列，估算当前观测数据序列出现的概率，概率最高的隐藏状态序列即当前观测序列所对应的隐藏状态序列。
假若转移概率矩阵A为非单位矩阵，即常规的概率分布，那么当初始状态，，/>表示隐马尔可夫链的状态数时，那么/>将可能是/>中的任意值，具体出现概率由转移概率矩阵A中对应第i行的概率分布决定。依此类推，直到隐藏状态序列的最后一个隐藏状态/>。考虑到初始状态也有N种可能性，那么整个隐藏状态序列总共有/>种可能性，此时需要分别计算/>种隐藏状态下对应的观测数据序列出现的概率，求取/>个概率中的最大值，其中，/>表示帧数。明显可见，此时模型解码时的计算方式将变得非常繁琐，由此带来的计算开销极其巨大，当然现存一些快速计算最大值概率所对应的隐藏状态序列的方法，但依然有一定的计算开销，此类快速计算方法属于行业基本知识，故在此处不再赘述。
应理解，在本发明实施例，将转移概率矩阵设置为单位矩阵，不仅可以省略转移概率矩阵A的估算过程，还可以降低后续分类时的计算开销，相比于原先解码的计算量很大，计算的一些方法也很复杂，能够简化模型解码的运算，使得模型的解码操作变得相对比较简单。
在本发明实施例中，由于观测数据序列中涉及的观测特征值（RCS值、xSize值、ySize值）均是连续数值，而并非离散值，故不能直接使用原本隐马尔可夫模型中的离散模型。因为原本的离散模型中的观测概率矩阵中的每一行/>都是隐藏状态为/>时观测特征值的概率分布。
进一步地，所述方法还包括：使用概率密度函数构造观测概率矩阵B；具体地，令概率密度函数为，则所述观测概率矩阵B由下式表示：
；
其中，所述概率密度函数为采用多维高斯概率密度函数，并由下式定义：
；
其中，，/>表示隐马尔可夫链的状态数，M表示每个状态对应的观测值数目，/>为均值向量，/>，/>为协方差矩阵，/>是/>的逆矩阵，/>是/>的行列式，协方差矩阵的定义为/>，/>表示转置，/>表示一组观测状态值。
应理解，上述的相当于概率密度函数的输入，即/>。表示一组观测状态值，目前使用RCS值、xSize、ySize值作为观测状态值，因此记/>，因此可记为/>，可理解/>为对应的时间节点下观测到的目标的RCS值，/>为观测到的目标的xSize值，/>为观测到的目标的ySize值。
在本实施例中，，隐马尔可夫链的状态数为4，/>，每个状态对应的可能的观察值数目为3个。
至此适用于雷达跟踪数据序列分类的隐马尔科夫模型参数估算方法均已定义清楚，收集大量的雷达的探测目标的跟踪轨迹数据，并人工标注类别信息，通过以上描述，即可估算隐马尔科夫模型参数。
根据本发明的又一方面，提供一种目标分类方法。
图2是本发明实施例提供的一种目标分类方法流程示意图。
如图2所示，本发明实施例提供的一种目标分类方法包括以下步骤：
步骤S21，获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；
步骤S22，针对每一个目标，将对应该目标的观测数据序列输入到隐马尔可夫模型中，利用隐马尔可夫模型对所述雷达的探测目标的跟踪轨迹数据进行解码，以获取当前所述雷达的跟踪轨迹数据中的概率最高的隐藏状态序列，并计算所有不同的初始状态下所对应的所述观测数据序列的值的概率，根据计算出的概率最大的值所对应的状态值，确定当前所述雷达的跟踪轨迹数据的类别；其中，所述隐马尔可夫模型是采用前述实施例的方法训练得到的。
具体地，根据前述实施例建模的隐马尔科夫模型，当获得雷达跟踪数据序列之后，通过提取雷达跟踪数据序列的RCS值、xSize值、ySize值，生成观测数据序列，结合上述隐马尔科夫模型/>，即可开始对雷达的探测目标的跟踪轨迹数据进行解码，获取当前雷达的跟踪轨迹数据的概率最高的隐藏状态序列/>，因前述实施例建模的隐马尔科夫模型在建模时转移概率矩阵A为单位矩阵，即所有隐藏状态值均相等/>，任一时间的隐藏状态值即为该雷达的跟踪轨迹数据的类别；其中，/>表示帧数。
进一步地，将原本的观测概率矩阵更改成了观测概率密度矩阵，对于时间t时的观测值，使用当前值的概率密度值/>来近似其概率值。
进一步地，所述方法还包括：令初始状态，/>，/>表示隐马尔可夫链的状态数，所述观测数据序列表示为/>时，其中，/>为一组特征向量，/>表示为[RCS/>,xSize/>,ySize/>]，/>，/>表示帧数；
基于模型中的转移概率矩阵为单位矩阵，计算所有不同的初始状态下所对应的所述观测数据序列的值的概率。
在本发明实施例，使用单位矩阵作为转移概率矩阵，相比于原先解码的计算量很大，计算的一些方法也很复杂，能够简化模型解码的运算，使得模型的解码操作变得相对比较简单。
进一步地，所述对所述雷达的探测目标的跟踪轨迹数据进行解码，以获取当前所述雷达的轨迹数据中的概率最高的隐藏状态序列，并计算所有不同的初始状态下所对应的所述观测数据序列的值的概率的方法包括：
根据下式计算所有不同的初始状态下所对应的所述观测数据序列的值的概率：
；
；
；
其中，表示各个状态的概率密度值，/>表示条件概率，/>表示观测数据序列，表示模型在隐藏状态为H时，出现观测数据序列X的概率，/>为模型的初始状态概率，/>表示概率密度函数，M表示每个状态对应的观测值数目，/>，/>表示隐马尔可夫链的状态数，/>为均值向量，/>，/>为协方差矩阵，/>是/>的逆矩阵，/>是/>的行列式，协方差矩阵的定义为/>，/>表示转置，/>表示帧数。
至此，计算出所有不同的初始状态下所对应的观测数据序列的值的概率，找出概率最大的值的状态值/>，即为当前雷达探测目标的跟踪轨迹数据的类别。
根据本发明的另一方面提供一种目标分类模型训练装置。
图3是本发明实施例提供的一种目标分类模型训练装置的结构框图。
如图3所示，所述装置300包括：
获取模块310，用于获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征，以构造观测数据序列；
分类及统计模块320，用于基于预设的规则对所述观测数据序列进行目标分类处理，并统计当前每个类别的实际出现概率，将每个类别的实际出现概率作为各个状态的初始状态概率；
估算模块330，用于根据各个状态的初始状态概率，估算隐马尔可夫模型参数：，其中，/>为模型在初始时刻对应每一个类别的初始状态概率，A为转移概率矩阵，B为观测概率矩阵；并将所述转移概率矩阵设置为单位矩阵。
进一步地，所述分类及统计模块用于收集多个目标的跟踪轨迹数据并使用人工标注的方法对所述跟踪轨迹数据进行分类标注；其中，人工标注的类别信息包括大车、小车、行人和非机动车。
进一步地，所述估算模块330还用于估计概率密度，并通过所述概率密度来估算概率密度函数的参数，以构造所述观测概率矩阵。
示例性地，令概率密度函数为，则所述观测概率矩阵由下式表示：
；
其中，所述概率密度函数为采用多维高斯概率密度函数，并由下式定义：
；
其中，，/>表示隐马尔可夫链的状态数，M表示每个状态对应的观测值数目，/>为均值向量，/>，/>为协方差矩阵，/>是/>的逆矩阵，/>是/>的行列式，协方差矩阵的定义为/>，/>表示转置，/>表示一组观测状态值。
应当理解，目标分类模型训练装置中各个单元（模块）的执行原理、其他方面以及效果可参见前述实施例的内容，此处不再赘述。
根据本发明的另一方面提供一种目标分类装置。
图4是本发明实施例提供的一种目标分类装置的结构框图。
如图4所示，所述装置400包括：
获取模块410，用于获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一组特征向量，以构造观测数据序列；
分类模块420，用于针对每一个目标，将对应该目标的观测数据序列输入到隐马尔可夫模型中，利用隐马尔可夫模型对所述雷达的探测目标的跟踪轨迹数据进行解码，以获取当前所述雷达的跟踪轨迹数据中的概率最高的隐藏状态序列，并计算所有不同的初始状态下所对应的所述观测数据序列的值的概率，根据计算出的概率最大的值所对应的状态值，确定当前所述雷达的跟踪轨迹数据的类别；其中，所述隐马尔可夫模型是采用前述的装置300训练得出的。
应当理解，目标分类装置中各个单元（模块）的执行原理、其他方面以及效果可参见前述实施例的内容，此处不再赘述。
本发明实施例还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中存储有计算机程序，所述计算机程序被处理器执行时实现以上描述的任一实施例的目标分类模型训练方法。
对上述步骤的具体限定和实现方式可以参看用于目标分类的隐马尔可夫模型训练方法的实施例的步骤以及方法，在此不再赘述。
本发明实施例还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中存储有计算机程序，所述计算机程序被处理器执行时实现以上描述的任一实施例的目标分类方法。
对上述步骤的具体限定和实现方式可以参看雷达目标分类方法的实施例的步骤以及方法，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本发明的有益效果在于：相比现有技术，本发明提供的目标分类模型训练方法及目标分类方法、装置及存储介质，解决了现在技术中的雷达难以将探测目标进行分类的问题，以及对目标分类精度低等问题，通过利用每一个目标在雷达监测范围内的跟踪数据序列来进行分类，可以充分利用该目标历史过程中被雷达捕获的所有信息，因此，能够大幅度提升雷达目标分类的准确性。
进一步地，简化了隐马尔可夫模型，降低了模型解码时的计算量，使用连续HMM思路适配毫米波雷达数据的特性，应用于雷达目标的轨迹数据分类。使用隐马尔可夫模型后，交通毫米波雷达数据的分类效果非常好，分类召回率达到95%以上。
以上对本申请实施例所提供的一种目标分类模型训练方法及目标分类方法、装置及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (6)

1.一种目标分类方法，其特征在于，所述方法包括：
获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；
针对每一个目标，将对应该目标的观测数据序列输入到隐马尔可夫模型中，利用隐马尔可夫模型对所述雷达的探测目标的跟踪轨迹数据进行解码，以获取当前所述雷达的跟踪轨迹数据中的概率最高的隐藏状态序列，并计算所有不同的初始状态下所对应的所述观测数据序列的值的概率，根据计算出的概率最大的值所对应的状态值，确定当前所述雷达的跟踪轨迹数据的类别；其中，根据下式计算所有不同的初始状态下所对应的所述观测数据序列的值的概率：
；；/>；
其中，表示各个状态的概率，/>，/>表示条件概率，X表示观测数据序列，表示模型在隐藏状态为H时，出现观测数据序列X的概率，H=[h1,h2…ht]为隐藏状态序列，/>为模型的初始状态概率，/>表示概率密度函数，M表示每个状态对应的观测值数目，/>表示隐马尔可夫链的状态数，/>为均值向量，/>，/>为协方差矩阵，/>是/>的逆矩阵，/>是/>的行列式，协方差矩阵的定义为/>，/>表示转置，/>表示帧数；
其中，所述隐马尔可夫模型参数的估算方法包括：
基于预设的规则对所述观测数据序列进行目标分类处理，并统计当前每个类别的实际出现概率；根据各个状态的初始状态概率得出隐马尔可夫模型在初始时刻对应每一个类别的初始状态概率，通过将隐藏状态设置成目标的类别，并且在初始状态选定之后，每个目标的类别不会发生改变，使得所有的隐藏状态均为固定，从而将隐藏状态之间的转移概率矩阵A设置为单位矩阵，B为观测概率矩阵。
2.如权利要求1所述的目标分类方法，其特征在于，
每个所述特征向量包括RCS值、xSize值和ySize值；
其中，RCS值表示目标的雷达散射截面积值，xSize表示目标在雷达坐标系X轴上的尺寸估算值，ySize值表示目标在雷达坐标系Y轴上的尺寸估算值。
3.如权利要求1所述的目标分类方法，其特征在于，所述方法还包括：
令概率密度函数为，则所述观测概率矩阵由下式表示：
；
其中，所述概率密度函数为采用多维高斯概率密度函数，并由下式定义：
；
其中，，/>表示隐马尔可夫链的状态数，M表示每个状态对应的观测值数目，为均值向量，/>，/>为协方差矩阵，/>是/>的逆矩阵，/>是/>的行列式，协方差矩阵的定义为/>，/>表示转置，/>表示一组观测状态值。
4.如权利要求2所述的目标分类方法，其特征在于，所述方法还包括：
令初始状态，/>，/>表示隐马尔可夫链的状态数，所述观测数据序列表示为/>时，
其中，为一组特征向量，/>表示为[RCS/>,xSize/>,ySize/>]，/>，/>表示帧数，其中，RCS/>值表示在/>时刻的目标的雷达散射截面积值，xSize/>表示在/>时刻的目标在雷达坐标系X轴上的尺寸估算值，ySize/>值表示在/>时刻的目标在雷达坐标系Y轴上的尺寸估算值；
基于模型中的转移概率矩阵为单位矩阵，计算所有不同的初始状态下所对应的所述观测数据序列的值的概率。
5.一种目标分类装置，其特征在于，所述装置包括：
获取模块，用于获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；
分类模块，用于针对每一个目标，将对应该目标的观测数据序列输入到隐马尔可夫模型中，利用隐马尔可夫模型对所述雷达的探测目标的跟踪轨迹数据进行解码，以获取当前所述雷达的跟踪轨迹数据中的概率最高的隐藏状态序列，并计算所有不同的初始状态下所对应的所述观测数据序列的值的概率，根据计算出的概率最大的值所对应的状态值，确定当前所述雷达的跟踪轨迹数据的类别；其中，根据下式计算所有不同的初始状态下所对应的所述观测数据序列的值的概率：
；；/>；
其中，表示各个状态的概率，/>，/>表示条件概率，X表示观测数据序列，表示模型在隐藏状态为H时，出现观测数据序列X的概率，H=[h1,h2…ht]为隐藏状态序列，/>为模型的初始状态概率，/>表示概率密度函数，M表示每个状态对应的观测值数目，/>表示隐马尔可夫链的状态数，/>为均值向量，/>，/>为协方差矩阵，/>是/>的逆矩阵，/>是/>的行列式，协方差矩阵的定义为/>，/>表示转置，/>表示帧数；
其中，所述分类模块中还包括估算所述隐马尔可夫模型参数的估算模块，所述估算模块用于基于预设的规则对所述观测数据序列进行目标分类处理，并统计当前每个类别的实际出现概率；根据各个状态的初始状态概率得出模型在初始时刻对应每一个类别的初始状态概率/>，通过将隐藏状态设置成目标的类别，并且在初始状态选定之后，每个目标的类别不会发生改变，使得所有的隐藏状态均为固定，从而将隐藏状态之间的转移概率矩阵A设置为单位矩阵，B为观测概率矩阵。
6.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中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的目标分类方法。
CN202311056597.7A 2023-08-22 2023-08-22 目标分类方法、装置及存储介质 Active CN116776158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311056597.7A CN116776158B (zh) 2023-08-22 2023-08-22 目标分类方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311056597.7A CN116776158B (zh) 2023-08-22 2023-08-22 目标分类方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN116776158A CN116776158A (zh) 2023-09-19
CN116776158B true CN116776158B (zh) 2023-11-14

Family

ID=87986290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311056597.7A Active CN116776158B (zh) 2023-08-22 2023-08-22 目标分类方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116776158B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7475014B2 (en) * 2005-07-25 2009-01-06 Mitsubishi Electric Research Laboratories, Inc. Method and system for tracking signal sources with wrapped-phase hidden markov models
KR20140033570A (ko) * 2012-09-03 2014-03-19 경희대학교 산학협력단 대응 추적 알고리즘을 적용한 패턴 인식 장치 및 방법
CN107967486A (zh) * 2017-11-17 2018-04-27 江苏大学 一种基于v2v通信与hmm-gbdt混合模型的周边车辆行为识别方法
CN111223126A (zh) * 2020-01-06 2020-06-02 西安理工大学 一种基于迁移学习的跨视角轨迹模型构建方法
CN112163510A (zh) * 2020-09-25 2021-01-01 电子科技大学 一种基于多观测变量hmm模型的人体动作分类识别方法
WO2021179715A1 (zh) * 2020-10-21 2021-09-16 平安科技（深圳）有限公司 基于隐马尔可夫模型的离职预测方法及相关装置
CN115356685A (zh) * 2022-07-27 2022-11-18 中国船舶重工集团公司第七二四研究所 一种基于概率修正的可能模型集分类与更新方法
CN115657002A (zh) * 2022-11-14 2023-01-31 西安电子科技大学 基于交通毫米波雷达的车辆运动状态估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019136479A1 (en) * 2018-01-08 2019-07-11 The Regents On The University Of California Surround vehicle tracking and motion prediction

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7475014B2 (en) * 2005-07-25 2009-01-06 Mitsubishi Electric Research Laboratories, Inc. Method and system for tracking signal sources with wrapped-phase hidden markov models
KR20140033570A (ko) * 2012-09-03 2014-03-19 경희대학교 산학협력단 대응 추적 알고리즘을 적용한 패턴 인식 장치 및 방법
CN107967486A (zh) * 2017-11-17 2018-04-27 江苏大学 一种基于v2v通信与hmm-gbdt混合模型的周边车辆行为识别方法
CN111223126A (zh) * 2020-01-06 2020-06-02 西安理工大学 一种基于迁移学习的跨视角轨迹模型构建方法
CN112163510A (zh) * 2020-09-25 2021-01-01 电子科技大学 一种基于多观测变量hmm模型的人体动作分类识别方法
WO2021179715A1 (zh) * 2020-10-21 2021-09-16 平安科技（深圳）有限公司 基于隐马尔可夫模型的离职预测方法及相关装置
CN115356685A (zh) * 2022-07-27 2022-11-18 中国船舶重工集团公司第七二四研究所 一种基于概率修正的可能模型集分类与更新方法
CN115657002A (zh) * 2022-11-14 2023-01-31 西安电子科技大学 基于交通毫米波雷达的车辆运动状态估计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Malware Classification with GMM-HMM Models;Jing Zhao等;《arXiv:2103.02753v1》;第1-15 *
何龙.《深入理解XGBoost 高效机器学习算法与进阶》.机械工业出版社,2020,第98页. *
连续隐马尔科夫模型在多基地目标识别中的应用;温涛等;《应用声学》，;第36卷(第6期);第512-520页 *
陆渊章，吉训生.基于雷达RCS序列HMM目标识别分类算法研究.2022,第45卷(第5期),第1089-1093页. *

Also Published As

Publication number Publication date
CN116776158A (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN110991272B (zh) 一种基于视频跟踪的多目标车辆轨迹识别方法
CN111476817A (zh) 一种基于yolov3的多目标行人检测跟踪方法
Pruteanu-Malinici et al. Infinite hidden Markov models for unusual-event detection in video
CN107462882B (zh) 一种适用于闪烁噪声的多机动目标跟踪方法及系统
CN110555870B (zh) 基于神经网络的dcf跟踪置信度评价与分类器更新方法
CN114022847A (zh) 一种智能体轨迹预测方法、系统、设备和存储介质
CN110349188B (zh) 基于tsk模糊模型的多目标跟踪方法、装置及存储介质
CN115620518B (zh) 基于深度学习的交叉口交通冲突判别方法
CN112986950A (zh) 基于深度学习的单脉冲激光雷达回波特征提取方法
CN107368802B (zh) 基于kcf和人脑记忆机制的运动目标跟踪方法
CN113256690A (zh) 一种基于视频监控的行人多目标跟踪方法
CN115546705A (zh) 目标识别方法、终端设备及存储介质
CN110751670B (zh) 一种基于融合的目标跟踪方法
CN114648547A (zh) 用于反无人机红外探测系统的弱小目标检测方法和装置
Fang et al. An improved moving target detecting and tracking based on optical flow technique and kalman filter
CN113033356B (zh) 一种尺度自适应的长期相关性目标跟踪方法
Yi et al. Multi-Person tracking algorithm based on data association
Jung et al. Sequential Monte Carlo filtering with long short-term memory prediction
CN116776158B (zh) 目标分类方法、装置及存储介质
Du et al. Particle filter based object tracking of 3D sparse point clouds for autopilot
CN109615007B (zh) 基于粒子滤波的深度学习网络目标检测方法
CN116681730A (zh) 一种目标物追踪方法、装置、计算机设备和存储介质
CN116012421A (zh) 目标跟踪方法及装置
CN116805062A (zh) 目标分类方法、装置及存储介质
CN112614158B (zh) 一种采样框自适应的多特征融合在线目标跟踪方法

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