CN116805062A - 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 PDFInfo
- Publication number
- CN116805062A CN116805062A CN202311058274.1A CN202311058274A CN116805062A CN 116805062 A CN116805062 A CN 116805062A CN 202311058274 A CN202311058274 A CN 202311058274A CN 116805062 A CN116805062 A CN 116805062A
- Authority
- CN
- China
- Prior art keywords
- function
- target
- probability
- state
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 170
- 239000011159 matrix material Substances 0.000 claims description 57
- 239000013598 vector Substances 0.000 claims description 22
- 230000007704 transition Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 36
- 238000006467 substitution reaction Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 238000013145 classification model Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001421235 Radara Species 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/21—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
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (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方法、装置及存储介质,针对每一个目标,旨在通过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,以得到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第一目标概率函数;针对各个状态的第一目标概率函数,对该第一目标概率函数求对数运算操作以得到第二目标概率函数,并基于所述第二目标概率函数中的部分构建分类器函数;根据所述分类器函数输出的最小值所对应的状态值,确定当前所述雷达的跟踪轨迹数据的类别。采用本发明实施例的技术方案大幅度降低了使用隐马尔科夫模型将雷达的轨迹数据进行分类的计算开销。
Description
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,并且雷达跟踪目标的轨迹数据是一种时序模式(所谓时序模式是指模式的特征空间分布在时间轴上的一种模式)。
隐马尔可夫模型是一个时间序列模型,其擅长处理时序数据,也即每一个时间节点都有一个数据集,因此可以应用在语音信号识别和分类模型中,但采用该模型对基于雷达跟踪轨迹数据进行分类时解码的计算十分复杂,增加了模型的计算开销。
发明内容
本申请的目的在于提供一种目标分类方法、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,以得到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第一目标概率函数;
针对各个状态的第一目标概率函数,对该第一目标概率函数求对数运算操作以得到第二目标概率函数,并基于所述第二目标概率函数中的部分构建分类器函数;
根据所述分类器函数输出的最小值所对应的状态值,确定当前所述雷达的跟踪轨迹数据的类别。
进一步地,所述针对每一个目标,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,以得到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第一目标概率函数包括:
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;
将模型中的转移概率矩阵设置为单位矩阵,以计算所有目标分类状态下的隐藏状态值。
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第一目标概率函数:
;
;
;
其中,表示各个状态的第一目标概率函数,/>,/>表示隐马尔可夫链的状态数,/>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,/>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/>。
针对各个状态的第一目标概率函数,对该第一目标概率函数求对数运算操作以得到第二目标概率函数的方法包括:
第一步,令,/>,/>表示隐马尔可夫链的状态数,则经由下式得到第二目标概率函数:
;
第二步,对所述第二目标概率函数进行处理,得到:
;
第三步,对所述第二目标概率函数进行进一步地处理,得到:
;
第四步,令,其中,
,其中,/>为常数项,/>;
其中,表示各个状态的第二目标概率函数,/>,/>表示隐马尔可夫链的状态数,/>为模型的初始状态概率,/>表示帧数,M表示每个状态对应的观测值数目,/>表示观测数据序列,/>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/>。
进一步地,所述基于所述第二目标概率函数中的部分构建分类器函数,包括:
令,其中,经由下式得到分类器函数:
;
其中,表示各个状态的分类器函数,/>为模型的初始状态概率,/>,/>表示隐马尔可夫链的状态数,/>表示帧数,/>为均值向量,M表示每个状态对应的观测值数目,/>,/>为协方差矩阵,/>是/>的逆矩阵,协方差矩阵的定义为。
进一步地,所述方法还包括:
将所述分类器函数的当前帧与所述分类器函数的前一帧相减,以构建所述分类器函数的相邻两帧之间的增值函数;
计算所有不同的初始状态的所述分类器函数的前一帧的值并缓存,以作为当前帧的基准值;
将所述基准值和经由所述增值函数计算的值相加,以实时输出所述分类器函数的值。
进一步地,所述方法还包括:
根据所述分类器函数输出的当前帧的最小值所对应的状态值,确定当前所述雷达的跟踪轨迹数据的类别。
进一步地,所述方法还包括:
缓存所有不同的初始状态的所述分类器函数的当前帧的值,并更新作为所述分类器函数的下一帧的基准值。
进一步地,所述将所述分类器函数的当前帧与所述分类器函数的前一帧相减,以构建所述分类器函数的相邻两帧之间的增值函数的方法包括:
定义所述分类器函数的前一帧为,所述分类器函数的前一帧由下式表示:
;
定义所述分类器函数的当前帧为,所述分类器函数的当前帧由下式表示:
;
对进行处理得到:
;
则转换为:
;
定义所述增值函数为,则/>,
;
其中,表示所述增值函数,/>,/>表示隐马尔可夫链的状态数,/>为模型的初始状态概率,/>表示帧数,/>表示观测数据序列,/>表示第一帧的观测数据序列,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/>。
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;
解码模块,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,以得到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第一目标概率函数;
分类器函数构建模块,用于针对各个状态的第一目标概率函数,对该第一目标概率函数求对数运算操作以得到第二目标概率函数,并基于所述第二目标概率函数中的部分构建分类器函数;
确定模块,用于根据所述分类器函数输出的最小值所对应的状态值,确定当前所述雷达的跟踪轨迹数据的类别。
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。
进一步地,本发明实施例大幅度降低了使用隐马尔科夫模型将雷达的轨迹数据进行分类的计算开销。
进一步地,本发明实施例可以在雷达跟踪目标轨迹的过程中,实时的计算更新目标的类别信息,而不用等目标跟踪轨迹结束后再分类。
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)。
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。
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tT的雷达跟踪轨迹数据rT,总共T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,/>为一组特征向量,/>表示为[RCS/>,xSize/>,ySize/>],/>,/>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/>,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。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,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。
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/>,/>表示帧数。
应理解,上述的相当于概率密度函数的输入,即。
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,以得到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第一目标概率函数;
步骤S23,针对各个状态的第一目标概率函数,对该第一目标概率函数求对数运算操作以得到第二目标概率函数,并基于所述第二目标概率函数中的部分构建分类器函数;
步骤S24,根据所述分类器函数输出的最小值所对应的状态值,确定当前所述雷达的跟踪轨迹数据的类别。
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,以构建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第一目标概率函数,因前述实施例建模的隐马尔科夫模型在建模时将转移概率矩阵A设置为单位矩阵,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。
示例性地,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,以构建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第一目标概率函数包括:
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,其中,为一组特征向量,/>表示为[RCS/>,xSize/>,ySize/>],/>,表示帧数;
将所述转移概率矩阵设置为单位矩阵,以构建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第一目标概率函数。
进一步地,所述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,以得到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第一目标概率函数的方法包括:
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第一目标概率函数:
;
;
;
其中,表示各个状态的第一目标概率函数,/>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/>。
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。
然而,在实际应用过程中,采用上述方法最终计算所有不同初始状态下的第一目标概率函数的概率时,计算开销较大,且计算后的数值过小,不利于工程应用。因此,本发明实施例主要从计算开销上大幅度降低该概率P的计算,另外将其应用到毫米波雷达轨迹数据的实时分类上,以进一步降低计算量。以下将进行示例性说明。
根据前述的第一目标概率函数的特性,原第一目标概率函数的公式主要是以累乘以及指数计算为主,自身存在很大的数值计算的风险,有可能数值计算非常大或者非常小,比如说,当指数为100次方、1000次方、10000次方,或者说指数的-100次方、-1000次方时,那么利用现有的计算机的计算能力,则难以计算,为此,可以对上述的第一目标概率函数取对数运算,以将累乘和指数的计算转换为累加运算,计算开销可以大幅减小。
示例性地,针对各个状态的第一目标概率函数,对该第一目标概率函数求对数运算操作以得到第二目标概率函数的方法包括:
第一步,令,/>,/>表示隐马尔可夫链的状态数,则经由下式得到第二目标概率函数:
;
第二步,对所述第二目标概率函数进行处理,得到:
;
第三步,对所述第二目标概率函数进行进一步地处理,得到:
;
第四步,令,其中,
,其中,/>为常数项,/>;
其中,表示各个状态的第二目标概率函数,/>,/>表示隐马尔可夫链的状态数,/>为模型的初始状态概率,/>表示帧数,M表示每个状态对应的观测值数目,/>表示观测数据序列,/>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/>。
至此,计算出所有不同的初始状态下所对应的第二目标概率函数的值,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。
进一步地,所述基于所述第二目标概率函数中的部分构建分类器函数,包括:
令,其中,经由下式得到分类器函数:
;
其中,表示各个状态的分类器函数,/>为模型的初始状态概率,/>,/>表示隐马尔可夫链的状态数,/>表示帧数,/>为均值向量,M表示每个状态对应的观测值数目,/>,/>为协方差矩阵,/>是/>的逆矩阵,协方差矩阵的定义为。
由此可见,本发明实施例的方法将隐马尔科夫模型的解码计算进行了等效替代。也即,将第一目标概率函数等效替代为第二目标概率函数,并基于第二目标概率函数中的部分构建分类器函数,可将原先计算第一目标概率函数的最大值的任务等效替代为计算分类器函数的最小值。经过替代后,由原本的累乘对数计算,替换为常数项加上累加乘法,其中的累乘替换为累加、并且省去了大量的求指数计算,计算量大幅度降低。原本累乘、指数计算,导致计算过程中的数值非常不稳定,容易出现非常接近于0的值,计算难度较大,经过等效替代后只需要常规的计算并且数据也是比较常规的值,适合计算机直接计算。
进一步地,所述方法还包括:
将所述分类器函数的当前帧与所述分类器函数的前一帧相减,以构建所述分类器函数的相邻两帧之间的增值函数;
计算所有不同的初始状态的所述分类器函数的前一帧的值并缓存,以作为当前帧的基准值;
将所述基准值和经由所述增值函数计算的值相加,以实时输出所述分类器函数的值。
进一步地,所述方法还包括:
根据所述分类器函数输出的当前帧的最小值所对应的状态值,确定当前所述雷达的跟踪轨迹数据的类别。
在本发明实施例中,相比将隐马尔可夫链中的一组观测值全部采集完毕再对观测数据序列进行分类,可以实现在雷达跟踪目标轨迹的过程中,实时的计算并更新目标的类别信息,而不用等目标跟踪轨迹结束后再分类。
进一步地,所述方法还包括:
缓存所有不同的初始状态的所述分类器函数的当前帧的值,并更新作为所述分类器函数的下一帧的基准值。
具体地,定义所述分类器函数的前一帧为,所述分类器函数的前一帧由下式表示:
;
定义所述分类器函数的当前帧为,所述分类器函数的当前帧由下式表示:
;
对进行处理得到:
;
则转换为:
;
定义所述增值函数为,则/>,
;
其中,表示所述增值函数,/>,/>表示隐马尔可夫链的状态数,/>为模型的初始状态概率,/>表示帧数,/>表示观测数据序列,/>表示第一帧的观测数据序列,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/>。
由上述公式论证,随着雷达轨迹数据的观察数据序列从时间T的增加到T+1的/>时,分类等效替代值/>可以使用前一时刻的等效替代值/>快速计算,仅需计算增值函数的增值和前一帧的基准值即可。
考虑毫米波雷达轨迹数据生成特性,当目标首次被雷达检测出之后,雷达会一直跟踪当前帧,每隔一定的时间(比如100ms)会生成当前时间T的观测数据。当想实时分类毫米波雷达轨迹数据时,需要在每个时间T对雷达轨迹数据计算一次隐马尔科夫模型分类的概率,并找出最大值。由本发明实施例的技术方案可知,在时间T+1进行分类时,仅需要计算增值函数的增量值即可,使用前一帧T的等效替代值(基准值)加上增值之后找出当前帧T+1的等效替代值中的最小值即可。
至此,采用本发明实施例提供的目标分类方法,能够实现使用隐马尔科夫模型将雷达轨迹数据实时进行分类,并且使用等效替代方案,仅需计算当前帧相比与前一帧的增值,并将增值加到前一帧的等效替代值(基准值)即可,之后通过找出当前帧的等效替代值中的最小值即可。相比每一时间求等效替代值的目标分类方法,此方法能够进一步降低计算量,将原本的求和计算简化到仅仅求其中的一项即可。
根据本发明的另一方面提供一种目标分类装置。
图3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组特征向量,以构造观测数据序列;
解码模块320,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,以得到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第一目标概率函数;
分类器函数构建模块330,用于针对各个状态的第一目标概率函数,对该第一目标概率函数求对数运算操作以得到第二目标概率函数,并基于所述第二目标概率函数中的部分构建分类器函数;
确定模块340,用于根据所述分类器函数输出的最小值所对应的状态值,确定当前所述雷达的跟踪轨迹数据的类别。
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。
进一步地,本发明实施例大幅度降低了使用隐马尔科夫模型将雷达的轨迹数据进行分类的计算开销。
进一步地,本发明实施例可以在雷达跟踪目标轨迹的过程中,实时的计算更新目标的类别信息,而不用等目标跟踪轨迹结束后再分类。
以上对本申请实施例所提供的一种目标分类方法、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 (11)
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,以得到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第一目标概率函数;
针对各个状态的第一目标概率函数,对该第一目标概率函数求对数运算操作以得到第二目标概率函数,并基于所述第二目标概率函数中的部分构建分类器函数;
根据所述分类器函数输出的最小值所对应的状态值,确定当前所述雷达的跟踪轨迹数据的类别。
2.如权利要求1所述的目标分类方法,其特征在于,所述针对每一个目标,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,以得到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第一目标概率函数包括:
令初始状态,/>,/>表示隐马尔可夫链的状态数,所述观测数据序列为时,
其中,为一组特征向量,/>表示为[RCS/>,xSize/>,ySize/>],/>, />表示帧数;
将模型中的转移概率矩阵设置为单位矩阵,以构建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第一目标概率函数。
3.如权利要求2所述的目标分类方法,其特征在于,所述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,以得到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第一目标概率函数的方法包括:
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第一目标概率函数:
;
;
;
其中,表示各个状态的第一目标概率函数,/>,/>表示隐马尔可夫链的状态数,/>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,/>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/>。
4.如权利要求3所述的目标分类方法,其特征在于,针对各个状态的第一目标概率函数,对该第一目标概率函数求对数运算操作以得到第二目标概率函数的方法包括:
第一步,令,/>,/>表示隐马尔可夫链的状态数,则经由下式得到第二目标概率函数:
;
第二步,对所述第二目标概率函数进行处理,得到:
;
第三步,对所述第二目标概率函数进行进一步地处理,得到:
;
第四步,令,其中,
,其中,/>为常数项,;
其中,表示各个状态的第二目标概率函数,/>,/>表示隐马尔可夫链的状态数,/>为模型的初始状态概率,/>表示帧数,M表示每个状态对应的观测值数目,/>表示观测数据序列,/>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/>。
5.如权利要求4所述的目标分类方法,其特征在于,所述基于所述第二目标概率函数中的部分构建分类器函数,包括:
令,其中,经由下式得到分类器函数:
;
其中,表示各个状态的分类器函数,/>为模型的初始状态概率,/>,/>表示隐马尔可夫链的状态数,/>表示帧数,/>为均值向量,M表示每个状态对应的观测值数目,/>,/>为协方差矩阵,/>是/>的逆矩阵,协方差矩阵的定义为。
6.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:
将所述分类器函数的当前帧与所述分类器函数的前一帧相减,以构建所述分类器函数的相邻两帧之间的增值函数;
计算所有不同的初始状态的所述分类器函数的前一帧的值并缓存,以作为当前帧的基准值;
将所述基准值和经由所述增值函数计算的值相加,以实时输出所述分类器函数的值。
7.如权利要求6所述的目标分类方法,其特征在于,所述方法还包括:
根据所述分类器函数输出的当前帧的最小值所对应的状态值,确定当前所述雷达的跟踪轨迹数据的类别。
8.如权利要求7所述的目标分类方法,其特征在于,所述方法还包括:
缓存所有不同的初始状态的所述分类器函数的当前帧的值,并更新作为所述分类器函数的下一帧的基准值。
9.如权利要求6所述的目标分类方法,其特征在于,所述将所述分类器函数的当前帧与所述分类器函数的前一帧相减,以构建所述分类器函数的相邻两帧之间的增值函数的方法包括:
定义所述分类器函数的前一帧为,所述分类器函数的前一帧由下式表示:
;
定义所述分类器函数的当前帧为,所述分类器函数的当前帧由下式表示:
;
对进行处理得到:
;
则转换为:
;
定义所述增值函数为,则/>,
;
其中,表示所述增值函数,/>,/>表示隐马尔可夫链的状态数,/>为模型的初始状态概率,/>表示帧数,/>表示观测数据序列,/>表示第一帧的观测数据序列,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/>。
10.一种目标分类装置,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;
解码模块,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,以得到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第一目标概率函数;
分类器函数构建模块,用于针对各个状态的第一目标概率函数,对该第一目标概率函数求对数运算操作以得到第二目标概率函数,并基于所述第二目标概率函数中的部分构建分类器函数;
确定模块,用于根据所述分类器函数输出的最小值所对应的状态值,确定当前所述雷达的跟踪轨迹数据的类别。
11.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9中任一项所述的目标分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311058274.1A CN116805062A (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 |
---|---|---|---|
CN202311058274.1A CN116805062A (zh) | 2023-08-22 | 2023-08-22 | 目标分类方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116805062A true CN116805062A (zh) | 2023-09-26 |
Family
ID=88079635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311058274.1A Pending CN116805062A (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) | CN116805062A (zh) |
-
2023
- 2023-08-22 CN CN202311058274.1A patent/CN116805062A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105719312B (zh) | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统 | |
CN111476817A (zh) | 一种基于yolov3的多目标行人检测跟踪方法 | |
CN110991272A (zh) | 一种基于视频跟踪的多目标车辆轨迹识别方法 | |
CN107462882B (zh) | 一种适用于闪烁噪声的多机动目标跟踪方法及系统 | |
JP2017520029A (ja) | カルマンフィルタに基づく容量予測方法、システム及びコンピュータ機器 | |
CN104156984A (zh) | 一种不均匀杂波环境下多目标跟踪的概率假设密度方法 | |
Pinho et al. | Efficient approximation of the Mahalanobis distance for tracking with the Kalman filter | |
CN110349188B (zh) | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 | |
CN112986950A (zh) | 基于深度学习的单脉冲激光雷达回波特征提取方法 | |
CN115620518B (zh) | 基于深度学习的交叉口交通冲突判别方法 | |
CN112379393B (zh) | 一种列车碰撞预警方法及其装置 | |
Singh et al. | A deep learning based approach with adversarial regularization for Doppler weather radar ECHO prediction | |
CN107368802B (zh) | 基于kcf和人脑记忆机制的运动目标跟踪方法 | |
Yi et al. | Multi-Person tracking algorithm based on data association | |
Jung et al. | Sequential Monte Carlo filtering with long short-term memory prediction | |
CN117630860A (zh) | 一种毫米波雷达的手势识别方法 | |
Maharani et al. | Particle filter based single shot multibox detector for human moving prediction | |
CN116776158B (zh) | 目标分类方法、装置及存储介质 | |
CN116805062A (zh) | 目标分类方法、装置及存储介质 | |
CN116012421A (zh) | 目标跟踪方法及装置 | |
CN115657008A (zh) | 一种机载太赫兹雷达多目标跟踪方法和装置 | |
Rahmathullah et al. | A batch algorithm for estimating trajectories of point targets using expectation maximization | |
Zhu et al. | Dbu-net based robust target detection for multi-frame track-before-detect method | |
CN114384487A (zh) | 一种基于XGBoost的气象雷达地物回波识别方法 | |
Xu et al. | On the Cramér–Rao lower bound for biased bearings-only maneuvering target tracking |
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 |