CN109375187B - 雷达目标的确定方法及装置 - Google Patents
雷达目标的确定方法及装置 Download PDFInfo
- Publication number
- CN109375187B CN109375187B CN201811436190.6A CN201811436190A CN109375187B CN 109375187 B CN109375187 B CN 109375187B CN 201811436190 A CN201811436190 A CN 201811436190A CN 109375187 B CN109375187 B CN 109375187B
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- radar
- recognition model
- video data
- 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
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
-
- 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
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
本发明公开了一种雷达目标的确定方法及装置。其中,该方法包括:利用雷达采集的雷达数据,同时利用视频采集设备采集视频数据;将雷达数据和视频数据作为识别模型的输入,其中,识别模型为使用多组训练数据通过机器学习得到的,多组训练数据中的每组训练数据均包括:历史雷达数据和历史视频数据以及与历史雷达数据和历史视频数据对应的历史雷达目标;获取识别模型的输出;将识别模型用于实时雷达***,从而高效识别目标,进而解决了相关技术中采用雷达对目标进行识别的开发过程及在实际产品中识别效率较低的技术问题。
Description
技术领域
本发明涉及雷达目标识别领域,具体而言,涉及一种雷达目标的确定方法及装置。
背景技术
雷达意思为无线电探测和测距,即用无线电的方法发现目标并测定它们的空间位置,其主要是利用电磁波探测目标的电子设备。雷达发射电磁波对目标对象进行照射并接收其回波,由此获得目标至电磁波发射点的距离、距离变化率、方位、高度等。现有技术中使用雷达对目标进行识别时,主要是将汽车雷达对目标进行作用后,例如,向目标投射雷达波,然后采集回波数据,对回波数据进行数据分析后需要采用人工标记,会需要大量的人力物力,同时也直接导致了对目标识别的效率较低。
针对上述相关技术中采用雷达对目标进行识别的开发过程及在实际产品中识别效率较低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种雷达目标的确定方法及装置,以至少解决相关技术中采用雷达对目标进行识别的开发过程及在实际产品中识别效率较低的技术问题。
根据本发明实施例的一个方面,提供了一种雷达目标的确定方法,包括:利用雷达采集的雷达数据,同时利用视频采集设备采集视频数据;将所述雷达数据和所述视频数据作为识别模型的输入,其中,所述识别模型为使用多组训练数据通过机器学习得到的,所述多组训练数据中的每组训练数据均包括:历史雷达数据和历史视频数据以及与所述历史雷达数据和所述历史视频数据对应的历史雷达目标;获取所述识别模型的输出;将所述识别模型的输出转换为雷达目标。
可选地,在将所述雷达数据和所述视频数据作为识别模型的输入之前,该雷达目标的确定方法还包括:训练得到所述识别模型;其中,训练得到所述识别模型包括:采集历史时间内的多个历史雷达数据,多个历史视频数据以及多个历史雷达目标,其中,所述多个历史雷达目标是根据所述多个历史雷达数据和所述多个历史视频数据确定的目标对象;对采集的包括所述多个历史雷达数据,所述多个历史视频数据以及多个历史雷达目标的多组数据进行训练,得到所述识别模型,其中,通过以下至少之一,对采集的包括所述多个历史雷达数据,所述多个历史视频数据以及多个历史雷达目标的多组数据进行训练:卷积神经网络、长短时记忆网络、循环神经网络、霍普菲尔网络。
可选地,对采集的包括所述多个历史雷达数据,所述多个历史视频数据以及多个历史雷达目标的多组数据进行训练,得到所述识别模型包括:对所述多个历史雷达数据分别从时域和频域进行特征提取,得到所述多个历史雷达数据分别对应的多个历史特征数据一;在所述多个历史视频数据中搜索与所述多个历史特征数据一的相似度大于阈值的多个历史特征数据二;分别确定所述多个历史特征数据一和所述多个历史特征数据二分别对应的历史雷达目标之间的映射关系;根据所述映射关系得到所述识别模型。
可选地,将所述雷达数据和所述视频数据作为识别模型的输入包括:对所述雷达数据分别从时域和频域进行分析,得到特征数据三;对所述视频数据进行分析,得到特征数据四;将所述特征数据三和所述特征数据四作为所述识别模型的输入。
根据本发明实施例的另外一个方面,还提供了一种雷达目标的确定装置,包括:采集单元,用于利用雷达采集的雷达数据,同时利用视频采集设备采集视频数据;输入单元,用于将所述雷达数据和所述视频数据作为识别模型的输入,其中,所述识别模型为使用多组训练数据通过机器学习得到的,所述多组训练数据中的每组训练数据均包括:历史雷达数据和历史视频数据以及与所述历史雷达数据和所述历史视频数据对应的历史雷达目标;获取单元,用于获取所述识别模型的输出;转换单元,用于将所述识别模型的输出转换为雷达目标。
可选地,该雷达目标的确定装置还包括:训练单元,用于在将所述雷达数据和所述视频数据作为识别模型的输入之前,训练得到所述识别模型;其中,所述训练单元包括:采集模块,用于采集历史时间内的多个历史雷达数据,多个历史视频数据以及多个历史雷达目标,其中,所述多个历史雷达目标是根据所述多个历史雷达数据和所述多个历史视频数据确定的目标对象;训练模块,用于对采集的包括所述多个历史雷达数据,所述多个历史视频数据以及多个历史雷达目标的多组数据进行训练,得到所述识别模型,其中,通过以下至少之一,对采集的包括所述多个历史雷达数据,所述多个历史视频数据以及多个历史雷达目标的多组数据进行训练:卷积神经网络、长短时记忆网络、循环神经网络、霍普菲尔网络。
可选地,所述训练模块包括:提取子模块,用于对所述多个历史雷达数据分别从时域和频域进行特征提取,得到所述多个历史雷达数据分别对应的多个历史特征数据一;搜索子模块,用于在所述多个历史视频数据中搜索与所述多个历史特征数据一的相似度大于阈值的多个历史特征数据二;确定子模块,用于分别确定所述多个历史特征数据一和所述多个历史特征数据二分别对应的历史雷达目标之间的映射关系;获取子模块,用于根据所述映射关系得到所述识别模型。
可选地,输入单元包括:第一分析模块,用于对所述雷达数据分别从时域和频域进行分析,得到特征数据三;第二分析模块,用于对所述视频数据进行分析,得到特征数据四;将所述特征数据三和所述特征数据四作为所述识别模型的输入。
根据本发明实施例的另外一个方面,还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序执行上述中任意一项所述的雷达目标的确定方法。
根据本发明实施例的另外一个方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的雷达目标的确定方法。
在本发明实施例中,采用利用雷达采集的雷达数据,同时利用视频采集设备采集视频数据;并将雷达数据和视频数据作为识别模型的输入,其中,识别模型为使用多组训练数据通过机器学习得到的,多组训练数据中的每组训练数据均包括:历史雷达数据和历史视频数据以及与历史雷达数据和历史视频数据对应的历史雷达目标;然后获取识别模型的输出;将识别模型的输出转换为雷达目标的方式识别雷达目标,通过本发明实施例提供的雷达目标的确定方法可以实现构建雷达目标的识别模型,将采集得到的雷达数据和视频采集设备采集的视频数据作为识别模型的输入以得到雷达目标的目的,达到了提高对雷达目标识别的效率以及精准度的技术效果,进而解决了相关技术中采用雷达对目标进行识别的开发过程及在实际产品中识别效率较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的雷达目标的确定方法的流程图;
图2是根据本发明实施例的雷达目标的确定装置的示意图。
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、***、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。
实施例1
根据本发明实施例,提供了一种雷达目标的确定方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的雷达目标的确定方法的流程图,如图1所示,该雷达目标的确定方法包括如下步骤:
步骤S102,利用雷达采集的雷达数据,同时利用视频采集设备采集视频数据。
其中,在步骤S102中,可以先将雷达以及视频采集设备(例如,摄像头)进行合理的设置,具体地,在雷达开发过程中可以利用角反射器作为标定目标,保证雷达的目标能正确反标到视频采集设备采集的视频数据中,进而实现反标的位置正好对应于视频中的角反射器,也即是,将雷达与摄像头进行融合,使得雷达目标的检测精度以及确信度大幅提高,同时也降低了误警率。然后,在车辆雷达路试过程中,同时使用雷达采集雷达数据,并利用视频采集设备采集视频数据。
上述角反射器又名雷达反射器,它是通过金属板材根据不同用途做成的不同规格的雷达波反射器,当雷达电磁波扫描到角反射后,电磁波会在金属角上产生折射放大,产生很强的回波信号,在雷达的屏幕上出现很强的回波目标。
步骤S104,将雷达数据和视频数据作为识别模型的输入,其中,识别模型为使用多组训练数据通过机器学习得到的,多组训练数据中的每组训练数据均包括:历史雷达数据和历史视频数据以及与历史雷达数据和历史视频数据对应的历史雷达目标。
步骤S106,获取识别模型的输出。
步骤S108,将识别模型的输出转换为雷达目标。
通过上述步骤,可以利用雷达采集的雷达数据,同时利用视频采集设备采集视频数据;然后将雷达数据和视频数据作为识别模型的输入,其中,识别模型为使用多组训练数据通过机器学习得到的,多组训练数据中的每组训练数据均包括:历史雷达数据和历史视频数据以及与历史雷达数据和历史视频数据对应的历史雷达目标;再获取识别模型的输出;并将识别模型的输出转换为雷达目标。相对于相关技术中使用雷达对目标进行识别时,主要是将汽车雷达对目标进行作用后,然后采集回波数据,对回波数据进行分析后需要采用人工标记,浪费大量的人力物力,也直接导致对目标识别的效率较低的弊端,通过本发明实施例提供的雷达目标的确定方法可以实现构建雷达目标的识别模型,将采集得到的雷达数据和视频采集设备采集的视频数据作为识别模型的输入以得到雷达目标的目的,达到了提高对雷达目标识别的效率以及精准度的技术效果,进而解决了相关技术中采用雷达对目标进行识别的开发过程及在实际产品中识别效率较低的技术问题。
作为一种可选的实施例,在将雷达数据和视频数据作为识别模型的输入之前,该雷达目标的确定方法还可以包括:训练得到识别模型;其中,训练得到识别模型包括:采集历史时间内的多个历史雷达数据,多个历史视频数据以及多个历史雷达目标,其中,多个历史雷达目标是根据多个历史雷达数据和多个历史视频数据确定的目标对象;对采集的包括多个历史雷达数据,多个历史视频数据以及多个历史雷达目标的多组数据进行训练,得到识别模型,其中,通过以下至少之一,对采集的包括多个历史雷达数据,多个历史视频数据以及多个历史雷达目标的多组数据进行训练:卷积神经网络、长短时记忆网络、循环神经网络、霍普菲尔网络。
例如,上述多个历史雷达目标中的每一个雷达目标分别与某个历史雷达数据以及某个历史视频数据具有对应关系。具体地,在对多个历史雷达数据和多个历史视频数据进行分析后,提取出多个历史雷达数据以及多个历史视频数据的特征,并将提取出的特征与历史雷达目标对应起来。这样识别模型中存储了大量的与雷达目标具有对应关系的特征,当将实时采集得到的雷达数据以及视频数据作为识别模型的输入,输入到识别模型中,识别模型可以对雷达数据以及视频数据得到该雷达数据以及视频数据的特征,在上述大量的特征中搜索与该特征相似度大于预定阈值的特征,进而得到搜索得到的特征对应的雷达目标,即可实现根据采集的雷达数据以及视频数据确定雷达明白的目的。
需要说明的是,对采集的包括多个历史雷达数据、多个历史视频数据以及多个历史雷达目标的多组数据进行训练的方式可以包括但不限于以上:卷积神经网络、长短时记忆网络、循环神经网络、霍普菲尔网络。另外,也可以包括其他的方式,例如,深度残差网络、回声状态网络等。
其中,对采集的包括多个历史雷达数据,多个历史视频数据以及多个历史雷达目标的多组数据进行训练,得到识别模型可以包括:对多个历史雷达数据分别从时域和频域进行特征提取,得到多个历史雷达数据分别对应的多个历史特征数据一;在多个历史视频数据中搜索与多个历史特征数据一的相似度大于阈值的多个历史特征数据二;分别确定多个历史特征数据一和多个历史特征数据二分别对应的历史雷达目标之间的映射关系;根据映射关系得到识别模型。
例如,可以将多个历史雷达数据对应的多个雷达目标与多个历史视频数据进行匹配,确认每一个雷达目标对应的目标物类型、形状以及大小。比如,雷达目标为汽车、摩托车等,则可以对雷达探测得到的雷达目标在多个历史视频数据中找到相应的目标对象。
另外,可以对多个历史雷达数据进行精细化的信号处理,其中,这里的多个历史雷达数据为通过雷达中模数转换器采集的一手数据。这里的精细化信号处理包括:分别从时域和频域对多个历史雷达数据进行特征提取。具体地,可以从时域对多个历史雷达数据进行特征分析,并对经过转换后的多个历史雷达数据从频域对信号谱进行分析。上述转换可以包括但不限于:傅里叶变换。
在对多个历史雷达数据以及多个历史视频数据进行特征提取之后,可以将提取得到的特征数据一和特征数据二相对应,例如,上述多个历史雷达数据中的某个历史雷达数据对应的是摩托车,则可以将对多个历史雷达数据进行精细化的信号处理之后处理结果和摩托车关联起来。
优选的,将雷达数据和视频数据作为识别模型的输入可以包括:对雷达数据分别从时域和频域进行分析,得到特征数据三;对视频数据进行分析,得到特征数据四;将特征数据三和特征数据四作为识别模型的输入。在将特征数据三和特征数据四作为识别模型的输入后,可以根据得到的识别模型的输出得到雷达目标。
实施例2
根据本发明实施例还提供了一种雷达目标的确定装置,需要说明的是,本发明实施例的雷达目标的确定装置可以执行本发明实施例所提供的雷达目标的确定方法。以下对本发明实施例提供的雷达目标的确定装置进行介绍。
图2是根据本发明实施例的雷达目标的确定装置的示意图,如图2所示,该雷达目标的确定装置包括:采集单元21,输入单元23,获取单元25以及转换单元27。下面对该雷达目标的确定装置进行详细说明。
采集单元21,用于利用雷达采集的雷达数据,同时利用视频采集设备采集视频数据。
输入单元23,用于将雷达数据和视频数据作为识别模型的输入,其中,识别模型为使用多组训练数据通过机器学习得到的,多组训练数据中的每组训练数据均包括:历史雷达数据和历史视频数据以及与历史雷达数据和历史视频数据对应的历史雷达目标。
获取单元25,用于获取识别模型的输出。
转换单元27,用于将识别模型的输出转换为雷达目标。
需要说明的是,该实施例中的采集单元21可以用于执行本发明实施例中的步骤S102,该实施例中的输入单元23可以用于执行本发明实施例中的步骤S104,该实施例中的获取单元25可以用于执行本发明实施例中的步骤S106,该实施例中的转换单元27可以用于执行本发明实施例中的步骤S108。上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。
在该实施例中,可以基于采集单元利用雷达采集的雷达数据,同时利用视频采集设备采集视频数据;然后利用输入单元将雷达数据和视频数据作为识别模型的输入,其中,识别模型为使用多组训练数据通过机器学习得到的,多组训练数据中的每组训练数据均包括:历史雷达数据和历史视频数据以及与历史雷达数据和历史视频数据对应的历史雷达目标;再利用获取单元获取识别模型的输出;并利用转换单元将识别模型的输出转换为雷达目标。相对于相关技术中使用雷达对目标进行识别时,主要是将汽车雷达对目标进行作用后,然后采集回波数据,对回波数据进行分析后需要采用人工标记,浪费大量的人力物力,也直接导致对目标识别的效率较低的弊端,通过本发明实施例提供的雷达目标的确定装置可以实现构建雷达目标的识别模型,将采集得到的雷达数据和视频采集设备采集的视频数据作为识别模型的输入以得到雷达目标的目的,达到了提高对雷达目标识别的效率以及精准度的技术效果,进而解决了相关技术中采用雷达对目标进行识别的开发过程及在实际产品中识别效率较低的技术问题。
作为一种可选的实施例,该雷达目标的确定装置还可以包括:训练单元,用于在将雷达数据和视频数据作为识别模型的输入之前,训练得到识别模型;其中,训练单元包括:采集模块,用于采集历史时间内的多个历史雷达数据,多个历史视频数据以及多个历史雷达目标,其中,多个历史雷达目标是根据多个历史雷达数据和多个历史视频数据确定的目标对象;训练模块,用于对采集的包括多个历史雷达数据,多个历史视频数据以及多个历史雷达目标的多组数据进行训练,得到识别模型,其中,通过以下至少之一,对采集的包括多个历史雷达数据,多个历史视频数据以及多个历史雷达目标的多组数据进行训练:卷积神经网络、长短时记忆网络、循环神经网络、霍普菲尔网络。
作为一种可选的实施例,训练模块可以包括:提取子模块,用于对多个历史雷达数据分别从时域和频域进行特征提取,得到多个历史雷达数据分别对应的多个历史特征数据一;搜索子模块,用于在多个历史视频数据中搜索与多个历史特征数据一的相似度大于阈值的多个历史特征数据二;确定子模块,用于分别确定多个历史特征数据一和多个历史特征数据二分别对应的历史雷达目标之间的映射关系;获取子模块,用于根据映射关系得到识别模型。
作为一种可选的实施例,输入单元可以包括:第一分析模块,用于对雷达数据分别从时域和频域进行分析,得到特征数据三;第二分析模块,用于对视频数据进行分析,得到特征数据四;将特征数据三和特征数据四作为识别模型的输入。
上述雷达目标的确定装置包括处理器和存储器,上述采集单元21,输入单元23,获取单元25以及转换单元27等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
上述处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数将识别模型的输出转换为雷达目标。
上述存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
根据本发明实施例的另外一个方面,还提供了一种存储介质,存储介质包括存储的程序,其中,程序执行上述中任意一项的雷达目标的确定方法。
根据本发明实施例的另外一个方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述中任意一项的雷达目标的确定方法。
在本发明实施例中还提供了一种设备,该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:利用雷达采集的雷达数据,同时利用视频采集设备采集视频数据;将雷达数据和视频数据作为识别模型的输入,其中,识别模型为使用多组训练数据通过机器学习得到的,多组训练数据中的每组训练数据均包括:历史雷达数据和历史视频数据以及与历史雷达数据和历史视频数据对应的历史雷达目标;获取识别模型的输出;将识别模型的输出转换为雷达目标。
在本发明实施例中还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:利用雷达采集的雷达数据,同时利用视频采集设备采集视频数据;将雷达数据和视频数据作为识别模型的输入,其中,识别模型为使用多组训练数据通过机器学习得到的,多组训练数据中的每组训练数据均包括:历史雷达数据和历史视频数据以及与历史雷达数据和历史视频数据对应的历史雷达目标;获取识别模型的输出;将识别模型的输出转换为雷达目标。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以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***,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信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种雷达目标的确定方法,其特征在于,包括:
利用雷达采集的雷达数据,同时利用视频采集设备采集视频数据,其中,所述雷达在开发过程中利用角反射器作为标定目标,以使得雷达目标反标到所述视频采集设备采集的所述视频数据中;
将所述雷达数据和所述视频数据作为识别模型的输入,其中,所述识别模型为使用多组训练数据通过机器学习得到的,所述多组训练数据中的每组训练数据均包括:历史雷达数据和历史视频数据以及与所述历史雷达数据和所述历史视频数据对应的历史雷达目标;
获取所述识别模型的输出;
将所述识别模型的输出转换为雷达目标;
其中,在将所述雷达数据和所述视频数据作为识别模型的输入之前,还包括:训练得到所述识别模型;
其中,训练得到所述识别模型包括:
采集历史时间内的多个历史雷达数据,多个历史视频数据以及多个历史雷达目标,其中,所述多个历史雷达目标是根据所述多个历史雷达数据和所述多个历史视频数据确定的目标对象;
对采集的包括所述多个历史雷达数据,所述多个历史视频数据以及多个历史雷达目标的多组数据进行训练,得到所述识别模型,其中,通过以下至少之一,对采集的包括所述多个历史雷达数据,所述多个历史视频数据以及多个历史雷达目标的多组数据进行训练:卷积神经网络、长短时记忆网络、循环神经网络、霍普菲尔网络。
2.根据权利要求1所述的方法,其特征在于,对采集的包括所述多个历史雷达数据,所述多个历史视频数据以及多个历史雷达目标的多组数据进行训练,得到所述识别模型包括:
对所述多个历史雷达数据分别从时域和频域进行特征提取,得到所述多个历史雷达数据分别对应的多个历史特征数据一;
在所述多个历史视频数据中搜索与所述多个历史特征数据一的相似度大于阈值的多个历史特征数据二;
分别确定所述多个历史特征数据一和所述多个历史特征数据二分别对应的历史雷达目标之间的映射关系;
根据所述映射关系得到所述识别模型。
3.根据权利要求1所述的方法,其特征在于,将所述雷达数据和所述视频数据作为识别模型的输入包括:
对所述雷达数据分别从时域和频域进行分析,得到特征数据三;
对所述视频数据进行分析,得到特征数据四;
将所述特征数据三和所述特征数据四作为所述识别模型的输入。
4.一种雷达目标的确定装置,其特征在于,包括:
采集单元,用于利用雷达采集的雷达数据,同时利用视频采集设备采集视频数据,其中,所述雷达在开发过程中利用角反射器作为标定目标,以使得雷达目标反标到所述视频采集设备采集的所述视频数据中;
输入单元,用于将所述雷达数据和所述视频数据作为识别模型的输入,其中,所述识别模型为使用多组训练数据通过机器学习得到的,所述多组训练数据中的每组训练数据均包括:历史雷达数据和历史视频数据以及与所述历史雷达数据和所述历史视频数据对应的历史雷达目标;
获取单元,用于获取所述识别模型的输出;
转换单元,用于将所述识别模型的输出转换为雷达目标;
其中,还包括:训练单元,用于在将所述雷达数据和所述视频数据作为识别模型的输入之前,训练得到所述识别模型;
其中,所述训练单元包括:
采集模块,用于采集历史时间内的多个历史雷达数据,多个历史视频数据以及多个历史雷达目标,其中,所述多个历史雷达目标是根据所述多个历史雷达数据和所述多个历史视频数据确定的目标对象;
训练模块,用于对采集的包括所述多个历史雷达数据,所述多个历史视频数据以及多个历史雷达目标的多组数据进行训练,得到所述识别模型,其中,通过以下至少之一,对采集的包括所述多个历史雷达数据,所述多个历史视频数据以及多个历史雷达目标的多组数据进行训练:卷积神经网络、长短时记忆网络、循环神经网络、霍普菲尔网络。
5.根据权利要求4所述的装置,其特征在于,所述训练模块包括:
提取子模块,用于对所述多个历史雷达数据分别从时域和频域进行特征提取,得到所述多个历史雷达数据分别对应的多个历史特征数据一;
搜索子模块,用于在所述多个历史视频数据中搜索与所述多个历史特征数据一的相似度大于阈值的多个历史特征数据二;
确定子模块,用于分别确定所述多个历史特征数据一和所述多个历史特征数据二分别对应的历史雷达目标之间的映射关系;
获取子模块,用于根据所述映射关系得到所述识别模型。
6.根据权利要求4所述的装置,其特征在于,输入单元包括:
第一分析模块,用于对所述雷达数据分别从时域和频域进行分析,得到特征数据三;
第二分析模块,用于对所述视频数据进行分析,得到特征数据四;
将所述特征数据三和所述特征数据四作为所述识别模型的输入。
7.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至3中任意一项所述的雷达目标的确定方法。
8.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至3中任意一项所述的雷达目标的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811436190.6A CN109375187B (zh) | 2018-11-28 | 2018-11-28 | 雷达目标的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811436190.6A CN109375187B (zh) | 2018-11-28 | 2018-11-28 | 雷达目标的确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109375187A CN109375187A (zh) | 2019-02-22 |
CN109375187B true CN109375187B (zh) | 2021-09-10 |
Family
ID=65383098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811436190.6A Active CN109375187B (zh) | 2018-11-28 | 2018-11-28 | 雷达目标的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109375187B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490834A (zh) * | 2018-10-17 | 2019-03-19 | 北京车和家信息技术有限公司 | 一种声源定位方法、声源定位装置及车辆 |
CN116089523B (zh) * | 2023-02-14 | 2023-12-15 | 黑龙江开源科技有限公司 | 基于低空雷达信息的大数据分析的处理*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700657A (zh) * | 2013-12-06 | 2015-06-10 | 大连东浦机电有限公司 | 一种基于人工神经网络的周边车辆行为预判*** |
CN103941254A (zh) * | 2014-03-03 | 2014-07-23 | 中国神华能源股份有限公司 | 一种基于地质雷达的土壤物性类别识别方法和装置 |
CN207232993U (zh) * | 2017-10-17 | 2018-04-13 | 北京汽车集团有限公司 | 车辆贴条提示***以及车辆 |
CN108196535B (zh) * | 2017-12-12 | 2021-09-07 | 清华大学苏州汽车研究院(吴江) | 基于增强学习和多传感器融合的自动驾驶*** |
CN108267172B (zh) * | 2018-01-25 | 2020-06-30 | 神华宁夏煤业集团有限责任公司 | 矿用智能机器人巡检*** |
CN108805112A (zh) * | 2018-09-18 | 2018-11-13 | 深圳大学 | 一种基于机器学习和雷达结合的动作识别*** |
-
2018
- 2018-11-28 CN CN201811436190.6A patent/CN109375187B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109375187A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
CN111340787B (zh) | 输电线路的导线缺陷检测识别方法、装置及计算机设备 | |
WO2018019194A1 (zh) | 图像识别方法、终端及非易失性存储介质 | |
CN110363076B (zh) | 人员信息关联方法、装置及终端设备 | |
CN109444839B (zh) | 目标轮廓的获取方法及装置 | |
CN109635657A (zh) | 目标跟踪方法、装置、设备及存储介质 | |
CN111045008B (zh) | 基于展宽计算的车载毫米波雷达目标识别方法 | |
CN110561416B (zh) | 一种激光雷达重定位方法及机器人 | |
CN109410238B (zh) | 一种基于PointNet++网络的枸杞识别计数方法 | |
CN108009466B (zh) | 行人检测方法和装置 | |
CN111461037B (zh) | 一种基于fmcw雷达的端到端手势识别方法 | |
CN111753757B (zh) | 一种图像识别处理方法及装置 | |
CN113658192B (zh) | 一种多目标行人的轨迹获取方法、***、装置及介质 | |
CN110458126B (zh) | 一种受电弓状态监测方法及装置 | |
CN109375187B (zh) | 雷达目标的确定方法及装置 | |
CN111368635A (zh) | 一种基于毫米波的多人步态识别方法及装置 | |
CN116091883A (zh) | 基于多源信息融合的目标检测识别方法、***及存储介质 | |
CN110765823A (zh) | 一种目标识别方法及装置 | |
CN110610123A (zh) | 一种多目标车辆检测方法、装置、电子设备及存储介质 | |
Feng et al. | A novel saliency detection method for wild animal monitoring images with WMSN | |
CN113076922A (zh) | 一种物体检测方法及装置 | |
CN110555348A (zh) | 一种指纹识别方法、设备及计算机可读存储介质 | |
CN114168768A (zh) | 图像检索方法及相关设备 | |
CN111027601B (zh) | 一种基于激光传感器的平面检测方法、装置 | |
CN111626313B (zh) | 一种特征提取模型训练方法、图像处理方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |