CN110146865B - 用于雷达图像的目标识别方法及装置 - Google Patents

Abstract

本说明书实施例提供用于雷达图像的目标识别方法和装置。针对雷达图像通过信号点携带的信噪比信息进行目标识别的过程中，一方面通过较低的第一预设阈值对雷达图像中的信号点进行初始过滤得到初始点云图像，可以初步筛选减少数据处理量，另一方面，利用历史目标识别结果，通过各个目标的历史运动状态信息，预测各个目标在当前的雷达图像上的概率分布点云。进一步地，通过各个目标的概率分布点云，修正初始点云图像中各个信号点的信噪比信息，并通过筛除修正后的初始点云图像中信噪比低于所述标准阈值的信号点得到目标点云图像，以从目标点云图像识别当前的雷达图像中的目标。该实施方式可以提高目标识别的有效性。

Description

用于雷达图像的目标识别方法及装置

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及通过计算机对雷达图像中的目标进行识别的方法和装置。

背景技术

目标识别是通过计算机从一幅或多幅图像或者是视频中，识别出物体，还可以识别出物体状态，如方向、速度等。目标识别往往通过摄像头采集视觉图像，或者通过雷达(激光、微波等)的反射采集的点云图像等手段实现。常规技术中，在通过雷达采集的点云图像进行目标识别的情况下，往往设定阈值，对雷达接收到信号的信噪比进行过滤，对于反射信号的信噪比高于阈值的信号点簇，识别为目标的点云图像，并对目标进行识别、定位与追踪。对于反射信号的信噪比低于阈值的信号点，认为是噪声而过滤掉。

然而，在一些场景下，如果检测区域内物体密度过高等原因，待检测目标可能被其他物体遮挡，这时，即使雷达的穿透性可以穿透物体经过目标进行反射，然而真实目标反射信号的信噪比就会大大降低。在常规技术中，如果降低阈值，高噪声信号点可能被识别为目标；如果提高阈值，则可能过滤掉真实目标对应的信号点，导致目标无法被定位追踪。

发明内容

本说明书一个或多个实施例描述了一种用于雷达图像的目标识别的方法和装置，用于解决以上提到的一个或多个问题。

根据第一方面，提供了一种目标识别的方法，所述方法包括：获取预定区域当前的雷达图像，其中，所述雷达图像包含多个信号点，各个信号点携带相应的雷达反射信号的信噪比信息；从所述多个信号点中，筛除信噪比低于第一预设阈值的信号点，从而得到当前的雷达图像对应的初始点云图像，其中，所述第一预设阈值低于预设的标准阈值；针对所述预定区域内历史目标识别结果中的各个目标，利用相应的历史运动状态信息，预测各个目标在当前的雷达图像上的各个概率分布点云，各个概率分布点云分别通过多个概率点来描述各个目标在相应位置出现的概率；按照各个概率分布点云对所述初始点云图像中的相应信号点的信噪比信息进行修正；对经过修正后的初始点云图像，筛除信噪比低于所述标准阈值的信号点得到针对所述预定区域的目标点云图像，以从所述目标点云图像识别当前的雷达图像中的目标。

在一个实施例中，各个信号点对应的雷达反射信号的信噪比信息通过相应信号点的灰度值表示，其中，各个信号点的灰度值与对应的雷达反射信号成正比。

在一个实施例中，所述预定区域内历史目标识别结果中的各个目标包括第一目标；所述利用相应的历史运动状态信息，预测各个目标在当前的雷达图像上的各个概率分布点云包括：获取所述第一目标在前预定个历史目标识别结果中的各条运动状态信息；将所述各条运动状态信息输入预先训练的预测模型，根据所述预测模型的输出结果确定所述第一目标在当前雷达图像采集时刻的概率分布。

在一个实施例中，所述历史运动状态信息至少包括历史位置信息，还包括以下中的一项或多项：方向、角度、速度。

在一个实施例中，所述概率分布点云中各个概率点表示的概率呈高斯分布。

在一个实施例中，所述预定区域内历史目标识别结果中包含多个目标；所述按照各个概率分布点云对所述初始点云图像中的相应信号点进行信噪比信息进行修正包括：将各个目标对应的各个概率分布点云进行叠加，生成叠加点云；对所述初始点云图像中的第一信号点，确定所述叠加点云中与所述第一信号点位置一致的第一概率点，并基于所述第一概率点对应的第一概率，按照预定修正规则修正所述第一信号点对应的信噪比信息。

在一个实施例中，所述修正规则包括：在所述第一概率小于预设概率阈值的情况下，按照预设信噪比减小方式减小所述第一信号点对应的信噪比；在所述第一概率大于所述预设概率阈值的情况下，按照预设信噪比增加方式增加所述第一信号点对应的信噪比，所述预设信噪比增加方式中，信噪比增加值或修正后的值与所述第一概率正相关。

在一个实施例中，所述方法还包括：对所述目标点云图像中的信号点按照修正后的信噪比信息以及坐标位置信息进行聚类；将聚类得到的各个点簇分别识别为当前的雷达图像中的各个目标。

在一个实施例中，所述方法还包括：存储当前的雷达图像对应的目标识别结果，以用于后续雷达图像的目标识别。

根据第二方面，提供一种目标识别的装置，所述装置包括：

获取单元，配置为获取预定区域当前的雷达图像，其中，所述雷达图像包含多个信号点，各个信号点携带相应的雷达反射信号的信噪比信息；

第一处理单元，配置为从所述多个反射信号点中，筛除信噪比低于第一预设阈值的信号点，从而得到当前的雷达图像对应的初始点云图像，其中，所述第一预设阈值低于预设的标准阈值；

第二处理单元，配置为针对所述预定区域内历史目标识别结果中的各个目标，利用相应的历史运动状态信息，预测各个目标在当前的雷达图像上的各个概率分布点云，各个概率分布点云分别通过多个概率点来描述各个目标在相应位置出现的概率；

修正单元，配置为按照各个概率分布点云对所述初始点云图像中的相应信号点的信噪比信息进行修正；

识别单元，配置为对经过修正后的初始点云图像，筛除信噪比低于所述标准阈值的信号点得到针对所述预定区域的目标点云图像，以从所述目标点云图像识别当前的雷达图像中的目标。

根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。

根据第四方面，提供了一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。

通过本说明书实施例提供的雷达图像的目标识别方法和装置，针对雷达图像通过信号点携带的信噪比信息进行目标识别的过程中，一方面通过较低的第一预设阈值对雷达图像中的信号点进行初始过滤得到初始点云图像，可以初步筛选减少数据处理量，另一方面，利用历史目标识别结果，通过各个目标的历史运动状态信息，预测各个目标在当前的雷达图像上的概率分布点云。进一步地，通过各个目标的概率分布点云，修正初始点云图像中各个信号点的信噪比信息，并通过筛除修正后的初始点云图像中信噪比低于所述标准阈值的信号点得到目标点云图像，以从目标点云图像识别当前的雷达图像中的目标。如此，可以防止被遮挡的目标在雷达图像上对应信号点的信噪比较低，引起误删误判的情形，从而提高目标识别的有效性。

附图说明

为了更清楚地说明本发明实施例的技术方案，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它的附图。

图1示出本说明书实施例的实施场景示意图；

图2示出根据一个实施例的用于雷达图像的目标识别的方法的流程；

图3示出一个具体例子中目标为人体时的一个目标对应的概率分布点云示意图；

图4示出一个具体例子中概率分布点云中各个概率点的概率分布示意图；

图5示出根据一个实施例的用于雷达图像的目标识别的装置的示意性框图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

图1是本说明书实施例的一个实施场景示意图。在该实施场景中，包括预定区域、雷达信号采集平台、计算平台。其中，通过雷达信号采集平台采集预定区域内的雷达反射信号，并通过计算平台对这些信号进行处理，来识别预定区域内的目标，从而采集相应时刻的雷达图像。计算平台可以是具有一定运算能力的各种硬件设备或运行于硬件设备上的软件***等，例如台式计算机、服务器等等。可以理解，计算平台还可以是上述设备等组成的设备集群。计算平台可以设于预定区域内，也可以设于远程服务端，在此不做限定。

值得说明的是，雷达信号采集平台可以是能够采集雷达信号的任何设备。其与计算平台可以是一体的结构，也可以分开设置。雷达信号采集平台例如可以包括雷达发射器和接收器，通过发射器向预定区域发射激光雷达或微波(如毫米波)雷达，并通过接收器收集预定区域内的物体对雷达信号反射回来的信号。这里可以将该反射回来的信号称为雷达的反射信号。在某一时刻，预定区域内各种物体的反射信号形成雷达图像。

预定区域内的物体可能分散排布，也可能重叠排布。当物体重叠排布时，通过雷达的反射信号识别出的目标可能不够全面。因此，计算平台在进行目标识别时，先对当前雷达图像进行目标识别，通过设置较低阈值，得到包含噪音的较粗糙的初始点云图像，然后通过历史点云图像中相应目标的运动状态信息，对当前时刻的初始点云图像进行信号修正，并对修正后的点云图像进行目标识别，确定出预定区域的目标及目标运动状态等信息。

实践中，雷达图像可以有一定的采集时间间隔，该时间间隔通常和雷达的发射属性(如一帧的间隔)相关。雷达按照预定的发射间隔(如40毫秒)发射一定频率的电磁波，并接收经过预定区域内的物体的反射信号，形成雷达图像。该发射间隔同时也可以是雷达图像的采集间隔。对于各个时刻采集的雷达图像，可以由计算平台执行本说明书实施例提供的目标识别方法，识别其中的目标以及目标的运动状态信息。具体地，假如将当前雷达图像对应的采集时刻用t记录，t时刻的雷达图像经过粗粒度信号过滤得到t时刻的初始点云图像，则计算平台可以通过t-T至t时刻之间的历史点云图像对t时刻的初始点云图像进行信号修正。其中T是预先设定的时间间隔，可以包含预定帧数(如5帧)的点云图像。在一些实现中，也可以直接按照该预定帧数来确定用于进行信号修正的历史点云图像。这样，至少从第预定帧(该第预定帧之前可以包含预定帧数，如第6帧)点云图像开始，每一帧点云图像都可以经过前预定帧数的点云图像的修正，通过自适应的迭代过程进行目标识别。对于第预定帧之前的预定帧数(如5帧)的点云图像，可以按照预定方式处理，在此不再赘述。这种目标识别的方式可以有效避免物体对目标有遮挡等情况下，漏掉部分目标的情况。

一个值得说明的问题是，本说明书实施例的目标识别方法运用了历史运动状态信息，因此，本说明书的用于雷达图像的目标识别方法尤其适应于运动目标的识别过程。对于暂时静止的目标，也可以认为目标的运动状态是静止状态。

下面具体描述用于雷达图像的目标识别的过程。

图2示出根据一个实施例的目标识别的方法流程图。其中，图2示出的方法的执行主体例如是图1中的计算平台。如图2所示，目标识别的方法包括以下步骤：步骤202，获取预定区域当前的雷达图像，其中，雷达图像包含多个信号点，各个信号点携带相应的雷达反射信号的信噪比信息；步骤204，从上述多个信号点中，筛除信噪比低于第一预设阈值的信号点，从而得到当前的雷达图像对应的初始点云图像，其中，第一预设阈值低于预设的标准阈值；步骤206，针对预定区域内历史识别结果的各个目标，利用相应的历史运动状态信息，预测各个目标在当前的雷达图像上的各个概率分布点云，各个概率分布点云分别通过多个概率点来描述各个目标在相应位置出现的概率；步骤208，按照各个概率分布点云对初始点云图像中的相应信号点的信噪比信息进行修正；步骤210，对经过修正后的初始点云图像，筛除信噪比低于标准阈值的信号点得到针对预定区域的目标点云图像，以从目标点云图像识别当前的雷达图像中的目标。

首先，在步骤202中，获取预定区域当前的雷达图像。其中，预定区域可以是雷达监控范围内的区域，例如一个房间、雷达信号辐射的所有区域等。

可以理解，雷达可以通过发射电磁波对目标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(如径向速度等)、方位、高度等信息。这里的回波信息，也可以称为反射信号。当多个反射信号聚集在一起，就描绘出了雷达图像。一个反射信号可以对应雷达图像上的一个信号点。

信噪比(signal-to-noise ratio，SNR)是描述信号中有效成分与噪声成分的比例关系参数，例如是有效成分的功率与噪声成分功率之比。在雷达反射信号中，有效成分可以是经目标物体反射而来的信号成分，噪声成分可以是空气微粒反射信号、雷达到达目标的穿透物体产生的反射信号、诸如设备产生的其他信号之类的干扰信号成分。信噪比可以在0-1之间取值。信噪比越接近0，噪音信号的成分越大，信噪比越接近1，有效信号的比重越大。因此，可以通过合适的信噪比阈值过滤掉噪声信号成分大的信号点。

实践中，上述信噪比信息可以由雷达图像上的信号点携带。例如，可以通过信号点的灰度值描述相应雷达反射信号的信噪比。灰度值可以和信噪比成正比。例如，雷达图像上的信号点的灰度值范围是0-255，可以分别对应到信噪比0-1。在一个实现中，灰度值的确定方法例如为：对256×信噪比按照四舍五入取整后减1。

其中，当图2示出的流程用于对雷达图像的实时处理时，当前的雷达图像，可以是当前时刻的雷达图像。当图2示出的流程用于对历史雷达图像的批量处理时，当前的雷达图像，也可以是按照时间次序当前获取的雷达图像。

接着，通过步骤204，从上述多个信号点中，筛除信噪比低于第一预设阈值的信号点，从而得到当前的雷达图像对应的初始点云图像。可以理解，在通过雷达图像确定目标的点云图像时，可以根据预先设定的信噪比阈值进行筛选，在这里，将该预先设定的信噪比阈值称为标准阈值。也就是说，该标准阈值确定后，信噪比高于该标准阈值的信号点，被认为是形成目标点云的点，信噪比低于该标准阈值的信号点被认为是噪音点。本步骤204的目的在于，对雷达图像中的反射信号点进行初步筛选，过滤掉是噪音点的概率更大的信号点，而保留因为物体间的遮挡导致信噪比较低从而有可能被误判为噪音点的信号点，因此，可以选择较低的信噪比阈值。也就是说，上述的第一预设阈值低于预设的标准阈值。

其中，第一预设阈值可以通过人工根据经验确定，也可以通过机器学习方法确定。以机器学习方法为例，可以对历史被筛除的信号点的信噪比按照进行聚类，假设标准阈值为N，可以先以M和L为中心分别进行聚类，从而历史被筛除的信号点聚类为2个类别，其中，以M为中心的聚类类别对应因为信噪比较低被误判为噪音点的信号点，以L为中心的聚类类别对应噪音点。M的初始取值可以为N×3/4，L的初始取值可以为N×1/4。如果以M当前取值为中心的聚类类别中，真实被误判为噪音点的信号点低于一定比例(如90％)，则将M从初始取值向N移动预定步长(如0.01N)，并重新进行聚类。直至以M为中心的聚类类别中，真实被误判为噪音点的信号点达到上述的一定比例，取最后一次聚类结果。如果以M当前取值为中心的聚类类别中，真实被误判为噪音点的信号点高于上述的一定比例，则将M从初始取值向N/2移动预定步长(如0.01N)，并重新进行聚类。直至以M为中心的聚类类别中，真实被误判为噪音点的信号点低于上述的一定比例，取前一次的聚类结果。然后，针对所取的聚类结果，将以M为中心的聚类类别中各个信号点对应的最小信噪比，作为第一预设阈值。

另一方面，通过步骤206，针对预定区域内历史识别结果中的各个目标，利用相应的历史运动状态信息，预测各个目标在当前的雷达图像上的各个概率分布点云。这里的各个目标，可以是连续的前预定帧数的雷达图像的目标识别结果中的各个目标，也可以是前预定时间段内的雷达图像的目标识别结果中的各个目标，在此不作限定。各个雷达图像对应的目标识别结果中，可以包括一个或多个目标。

可以理解，对于各个目标，其可能出现在一个目标识别结果中，也可能出现在多个目标识别结果中。物体运动具有连续性，对于连续运动的物体，下一时刻的运动状态是可以根据历史运动状态预估的。

不同的物体，对雷达的反射特性也不同。因此，可以根据雷达图像中的信号点携带的不同信息来进行目标识别。例如可以通过诸如对信号点按照信噪比和信号点对应的坐标进行聚类等方式实现。其中，信号点对应的物体反射点的坐标通常可以是以雷达发射点为原点的极坐标，通过径坐标可以描述物体反射点与原点的距离，通过角坐标可以描述物体反射点相对于原点的角度。雷达图像的信号点中也可以携带坐标信息。这样，聚类结果中每个聚类得到的类簇对应的物体反射点在空间上都是连续的，并可以对应一个目标。这里的目标例如可以是人、车辆等等各种物体。

可以理解，同一目标的不同部位对雷达的反射特性也不同，在一些实现中，为了避免目标之间的相互干扰，还可以仅对目标的特殊部分进行识别。例如，当目标是人时，可以将雷达设置在较高位置(如房顶等)，通过对人的头部等位置反射的信号点进行采集和识别，从而区分不同的人。这样，能够避免人体之间部分相互遮挡等情况下，聚类出现偏差(如距离较近的不同的人体聚到一个类簇)，影响目标识别效果。

在雷达图像中，由于雷达信号具有周期性和连续性，因此，雷达图像中也可以确定各个信号点的运动状态，例如当前的速度、运动方向等。对于一个目标而言，也具有整体的运动状态。

在一个实施例中，可以预先训练历史运动状态与当前运动状态的预测模型。预测模型的训练样本可以是多组目标图像，每组目标图像对应一个目标，该组目标图像包括按照具有预定时间间隔连续排列的R个目标图像，依次将各组中的前R-1个目标图像中目标的运动状态输入选定的模型，并根据第R个目标图像中的目标运动状态调整模型参数，从而训练出预测模型。在图2示出的目标识别流程中，假设预定区域内历史目标识别结果中的任一目标为第一目标，可以获取该第一目标在预定个(如前5个)历史目标识别结果中的各条运动状态信息，将这些运动状态信息输入上述预先训练的预测模型，预测模型的输出结果就是该第一目标对应于当前雷达图像的估计位置。这些估计位置可以以概率分布的方式来描述。换句话说，第一目标可能对应出现在当前的雷达图像上的各个位置通过一定的概率描述。目标在相应位置出现的概率也可以称为概率点。多个概率点可以构成一个概率分布点云图像。

作为示例，请参考图3，是一个具体例子的一个目标在当前的雷达图像上的各个概率分布点云的示意图。如图3所示，是以人体为目标的场景中，一个人体在某个时刻的估计位置的概率分布。其中，颜色深浅代表概率，颜色最深的部分为该人体在该时刻的估计位置以及运动状态，对应的分布概率值越大。颜色最浅的部分分布概率接近0。该概率分布可以用于描述以目标整体估计位置为中心，目标在预定半径范围内的分布概率。

在另一个实施例中，可以根据目标的连续运动规律，按照方向、速度等参数预测目标的运动状态。例如，在一个具体例子中，根据历史运动状态，目标按照恒定的速度前进，假设目标中某一个点在T时刻的坐标为(r，θ)，预测T+t时刻的该点估计坐标为(r+V_rt，θ+V_θt)。其中，r、θ是T时刻该点的径坐标、角坐标，V_r、V_θ分别是该点在T时刻沿径向和周向的运动速度，t可以是雷达图像采集的时间间隔。通过目标对应的各个点的估计坐标，可以确定目标的预估位置及运动状态。在确定目标在预定位置的概率分布时，可以认为按照以上方式计算得到的各个点坐标是目标出现概率较大的点。

在第一目标的概率分布图像上，可以通过各个点的灰度值描述目标出现的概率，也可以用概率值描述目标出现的概率。当上述概率分布为高斯分布时，目标出现概率较高的点集中在预估位置附近。如图4所示，目标分布概率较大的概率点集中在区域401对应的概率点，而其他位置的概率点(如区域402对应的概率点)目标出现的概率较小。此时，第一目标的概率分布图像中在各个概率点描述的目标出现的概率总和还可以为1。通过以上方法，可以确定历史目标识别结果中各个目标在当前雷达图像上的概率分布点云。

进一步地，在步骤208中，可以利用步骤206中确定的各个目标的概率分布点云，对步骤204中得到的初始点云图像中的相应信号点的信噪比信息进行修正。可以理解，各个目标的概率分布点云描绘出了目标在当前雷达图像中各个位置点出现的概率，而目标识别过程是基于当前雷达图像中相应信号点的信噪比确定，因此，可以基于各个概率分布对初始点云图像中的相应信号点的信噪比进行修正。

在预定区域内历史目标识别结果中包含一个目标的情况下，可以按照该目标对应的概率分布点云，修正初始点云图像中的各个信号点的信噪比信息。在预定区域内历史目标识别结果中包含多个目标的情况下，还可以将各个概率分布点云叠加，用叠加后的概率分布点云修正初始点云图像中相应反射信号点的信噪比。在一些实现中，对于叠加后的概率分布点云，还可以进行归一化，以保证叠加后的概率分布图像中，各个点对应的概率之和为1。

以预定区域内历史目标识别结果中包含多个目标的情况为例，假设初始点云图像中的任一信号点为第一信号点，可以先确定叠加点云中与所述第一信号点位置一致的第一概率点，并基于第一概率点对应的第一概率，按照预定修正规则修正第一信号点对应的信噪比信息。

根据一个实施例，该修正规则可以是将概率分布点云中各个概率点对应的概率，转化成对初始点云图像中相应反射信号点的信噪比修正值。初始点云图像中相应信号点的信噪比值与该修正值的和，就可以作为修正后的信噪比值。例如，将以上概率值乘以一个系数，从而使得初始点云图像中的最大信噪比与概率分布图像中的最大概率值之和不超过1，各个点的概率值与该系数的乘积就可以作为相应反射信号点的信噪比修正值。

在另一个实施例中，该修正规则可以包括：在第一概率小于预设概率阈值的情况下，按照预设信噪比减小方式减小第一信号点对应的信噪比；在第一概率大于预设概率阈值的情况下，按照预设信噪比增加方式增加第一信号点对应的信噪比。其中，在预设信噪比增加方式中，信噪比增加值或修正后的值与第一概率正相关，在预设信噪比减小方式中，信噪比减小值或修正后的值与第一概率负相关。

以上述概率分布点云中，各概率点对应的概率呈高斯分布为例，此时目标在出现概率较大的概率点比较集中。如图4所示，此时的概率值分布在区域401和区域402之间具有明显落差。如果确定出区域401和区域402的分界线对应的概率值(预设概率阈值)，对区域401中各个概率值对应的概率点，增加相应信号点的信噪比，而对于区域402中各个概率值对应的概率点，减小相应信号点的信噪比。

这样，可以使得目标出现概率大于预设概率阈值的概率点对应的信号点的信噪比值，进一步增大，而目标出现概率小于预设概率阈值的概率点对应的信号点的信噪比值，进一步减小，从而拉大差距，减小高噪音点。

值得说明的是，由于概率分布点云是按照目标历史运动轨迹进行估计得到的，因此概率分布点云中的点和初始点云图像中的信号点不一定是严格对应。进一步地，在确定概率点和初始点云图像中的反射信号点的对应关系时，不一定是精确的点与点一一对应的关系。

在一个实施例中，可以先对概率分布点云中的点进行区域划分，对应同一概率的点划分为同一区域。以划分出的某个区域为例，按照该区域对应到初始点云图像的相应区域，并将相应区域内的信号点作为与该区域内的概率点相一致的信号点。可以按照该区域内的概率点对应的概率对这些信号点的信噪比信息进行修正。

在另一个实施例中，可以将初始点云图像中的各个信号点，映射到概率分布点云图像上。以某个信号点为例，在映射到概率分布点云的第一位置后，在概率分布点云图像上确定与该第一位置距离最近的概率点，将该概率点确定为与该信号点相一致的点，并按照该概率点对应的概率对该信号点的信噪比信息进行修正。

在更多实施例中，在确定概率分布点云中的概率点和初始点云图像中的信号点的对应关系时，还可以通过其他方式进行，在此不再赘述。

接着，在步骤210，对经过修正后的初始点云图像，筛除信噪比低于标准阈值的信号点得到针对预定区域的目标点云图像，以从目标点云图像识别当前的雷达图像中的目标。其中，标准阈值可以根据经验确定，也可以根据机器学习模型确定。以机器学习为例，可以将多个包含目标的雷达图像中的信号点作为样本，其中目标对应的信号点为正样本，其他信号点(噪音点)为负样本，通过聚类等方式对正负样本按照信噪比值进行包含两个聚类类别的聚类。两个聚类类别分别对应正样本类别和负样本类别。在聚类结果将真实正负样本按照一定准确率(如95％)区分开的情况下，可以将正样本对应的聚类类别中的最小信噪比值作为标准阈值。

在一些实施例中，由于初始点云图像中可能包含一个或多个目标，还可以对筛除信噪比低于标准阈值的反射信号点后的点云图像进一步进行目标识别。目标识别过程可以通过聚类方法进行。具体地，可以对目标点云图像中的信号点按照修正后的信噪比信息以及坐标位置信息进行聚类，并将聚类结果中的每个点簇识别为当前的雷达图像中的一个目标。

在进一步的实施例中，还可以存储当前的雷达图像对应的目标识别结果，以用于后续雷达图像的目标识别。

回顾以上过程，针对雷达图像通过信号点携带的信噪比信息进行目标识别的过程中，一方面通过较低的第一预设阈值对雷达图像中的信号点进行初始过滤得到初始点云图像，可以初步筛选减少数据处理量，另一方面，利用历史目标识别结果，通过各个目标的历史运动状态信息，预测各个目标在当前的雷达图像上的概率分布点云。进一步地，通过各个目标的概率分布点云，修正初始点云图像中各个信号点的信噪比信息，并通过筛除修正后的初始点云图像中信噪比低于所述标准阈值的信号点得到目标点云图像，以从目标点云图像识别当前的雷达图像中的目标。如此，可以防止被遮挡的目标在雷达图像上对应信号点的信噪比较低，引起误删误判的情形，从而提高目标识别的有效性。

根据另一方面的实施例，还提供一种用于雷达图像的目标识别装置。图5示出根据一个实施例的用于雷达图像的目标识别装置的示意性框图。如图5所示，用于雷达图像的目标识别装置500包括：

获取单元51，配置为获取预定区域当前的雷达图像，其中，雷达图像包含多个信号点，各个信号点携带相应的雷达反射信号的信噪比信息；

第一处理单元52，配置为从多个反射信号点中，筛除信噪比低于第一预设阈值的信号点，从而得到当前的雷达图像对应的初始点云图像，其中，第一预设阈值低于预设的标准阈值；

第二处理单元53，配置为针对预定区域内历史目标识别结果中的各个目标，利用相应的历史运动状态信息，预测各个目标在当前的雷达图像上的各个概率分布点云，各个概率分布点云分别通过多个概率点来描述各个目标在相应位置出现的概率；

修正单元54，配置为按照各个概率分布点云对初始点云图像中的相应信号点的信噪比信息进行修正；

识别单元55，配置为对经过修正后的初始点云图像，筛除信噪比低于标准阈值的信号点得到针对预定区域的目标点云图像，以从目标点云图像识别当前的雷达图像中的目标。

在一个实施例中，各个信号点对应的雷达反射信号的信噪比信息通过相应信号点的灰度值表示，其中，各个信号点的灰度值与对应的雷达反射信号成正比。

假设预定区域内历史识别结果中的各个目标包括第一目标，第二处理单元53还可以配置为：

获取第一目标在前预定个历史目标识别结果中的各条运动状态信息；

将各条运动状态信息输入预先训练的预测模型，根据预测模型的输出结果确定第一目标在当前雷达图像采集时刻的概率分布。

根据一个实施例，上述历史运动状态信息至少包括历史位置信息，还包括以下中的一项或多项：方向、角度、速度。

在一个实施例中，所述概率分布点云中各个概率点表示的概率呈高斯分布。

在预定区域内历史目标识别结果中包含多个目标的情况下，修正单元54还可以配置为：

将各个目标对应的各个概率分布点云进行叠加，生成叠加点云；

对初始点云图像中的第一信号点，确定叠加点云中与第一信号点位置一致的第一概率点，并基于第一概率点对应的第一概率，按照预定修正规则修正第一信号点对应的信噪比信息。

在进一步的实施例中，上述修正规则可以包括：

在第一概率小于预设概率阈值的情况下，按照预设信噪比减小方式减小第一信号点对应的信噪比；

在第一概率大于预设概率阈值的情况下，按照预设信噪比增加方式增加第一信号点对应的信噪比，预设信噪比增加方式中，信噪比增加值或修正后的值与第一概率正相关。

根据一个实施方式，识别单元55还可以配置为：

对目标点云图像中的信号点按照修正后的信噪比信息以及坐标位置信息进行聚类；

将各个聚类得到的各个点簇分别识别为当前的雷达图像中的各个目标。

根据一个可能的设计，装置500还可以包括更新单元，配置为：

存储当前的雷达图像对应的目标识别结果，以用于后续雷达图像的目标识别。

值得说明的是，图5所示的装置500是与图2示出的方法实施例相对应的装置实施例，图2示出的方法实施例中的相应描述同样适用于装置500，在此不再赘述。

根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。

根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所述的方法。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (20)

1.一种用于雷达图像的目标识别方法，所述方法包括：

获取预定区域当前的雷达图像，其中，所述雷达图像包含多个信号点，各个信号点携带相应的雷达反射信号的信噪比信息；

从所述多个信号点中，筛除信噪比低于第一预设阈值的信号点，从而得到当前的雷达图像对应的初始点云图像，其中，所述第一预设阈值低于预设的标准阈值；

针对所述预定区域内历史识别结果中的各个目标，利用相应的历史运动状态信息，预测各个目标在当前的雷达图像上的各个概率分布点云，各个概率分布点云分别通过多个概率点来描述各个目标在相应位置出现的概率；

按照各个概率分布点云对所述初始点云图像中的相应信号点的信噪比信息进行修正；

对经过修正后的初始点云图像，筛除信噪比低于所述标准阈值的信号点得到针对所述预定区域的目标点云图像，以从所述目标点云图像识别当前的雷达图像中的目标。

2.根据权利要求1所述的方法，其中，各个信号点对应的雷达反射信号的信噪比信息通过相应信号点的灰度值表示，其中，各个信号点的灰度值与对应的雷达反射信号成正比。

3.根据权利要求1所述的方法，其中，所述预定区域内的各个目标包括第一目标；

所述利用相应的历史运动状态信息，预测各个目标在当前的雷达图像上的各个概率分布点云包括：

获取所述第一目标在前预定个历史目标识别结果中的各条运动状态信息；

将所述各条运动状态信息输入预先训练的预测模型，根据所述预测模型的输出结果确定所述第一目标在当前雷达图像采集时刻的概率分布。

4.根据权利要求1或3所述的方法，其中，所述历史运动状态信息至少包括历史位置信息，还包括以下中的一项或多项：方向、角度、速度。

5.根据权利要求1所述的方法，其中，所述概率分布点云中各个概率点表示的概率呈高斯分布。

6.根据权利要求1所述的方法，其中，所述预定区域内历史目标识别结果中包含多个目标；

所述按照各个概率分布点云对所述初始点云图像中的相应信号点进行信噪比信息进行修正包括：

将各个目标对应的各个概率分布点云进行叠加，生成叠加点云；

对所述初始点云图像中的第一信号点，确定所述叠加点云中与所述第一信号点位置一致的第一概率点，并基于所述第一概率点对应的第一概率，按照预定修正规则修正所述第一信号点对应的信噪比信息。

7.根据权利要求6所述的方法，其中，所述修正规则包括：

在所述第一概率小于预设概率阈值的情况下，按照预设信噪比减小方式减小所述第一信号点对应的信噪比；

在所述第一概率大于所述预设概率阈值的情况下，按照预设信噪比增加方式增加所述第一信号点对应的信噪比，所述预设信噪比增加方式中，信噪比增加值或修正后的值与所述第一概率正相关。

8.根据权利要求1所述的方法，其中，所述方法还包括：

对所述目标点云图像中的信号点按照修正后的信噪比信息以及坐标位置信息进行聚类；

将聚类得到的各个点簇分别识别为当前的雷达图像中的各个目标。

9.根据权利要求1所述的方法，其中，所述方法还包括：

存储当前的雷达图像对应的目标识别结果，以用于后续雷达图像的目标识别。

10.一种用于雷达图像的目标识别装置，所述装置包括：

获取单元，配置为获取预定区域当前的雷达图像，其中，所述雷达图像包含多个信号点，各个信号点携带相应的雷达反射信号的信噪比信息；

第一处理单元，配置为从所述多个信号点中，筛除信噪比低于第一预设阈值的信号点，从而得到当前的雷达图像对应的初始点云图像，其中，所述第一预设阈值低于预设的标准阈值；

第二处理单元，配置为针对所述预定区域内历史目标识别结果中的各个目标，利用相应的历史运动状态信息，预测各个目标在当前的雷达图像上的各个概率分布点云，各个概率分布点云分别通过多个概率点来描述各个目标在相应位置出现的概率；

修正单元，配置为按照各个概率分布点云对所述初始点云图像中的相应信号点的信噪比信息进行修正；

识别单元，配置为对经过修正后的初始点云图像，筛除信噪比低于所述标准阈值的信号点得到针对所述预定区域的目标点云图像，以从所述目标点云图像识别当前的雷达图像中的目标。

11.根据权利要求10所述的装置，其中，各个信号点对应的雷达反射信号的信噪比信息通过相应信号点的灰度值表示，其中，各个信号点的灰度值与对应的雷达反射信号成正比。

12.根据权利要求10所述的装置，其中，所述预定区域内的各个目标包括第一目标；

所述第二处理单元进一步配置为：

获取所述第一目标在前预定个历史目标识别结果中的各条运动状态信息；

将所述各条运动状态信息输入预先训练的预测模型，根据所述预测模型的输出结果确定所述第一目标在当前雷达图像采集时刻的概率分布。

13.根据权利要求10或12所述的装置，其中，所述历史运动状态信息至少包括历史位置信息，还包括以下中的一项或多项：方向、角度、速度。

14.根据权利要求10所述的装置，其中，所述概率分布点云中各个概率点表示的概率呈高斯分布。

15.根据权利要求10所述的装置，其中，所述预定区域内历史目标识别结果中包含多个目标；

所述修正单元进一步配置为：

将各个目标对应的各个概率分布点云进行叠加，生成叠加点云；

对所述初始点云图像中的第一信号点，确定所述叠加点云中与所述第一信号点位置一致的第一概率点，并基于所述第一概率点对应的第一概率，按照预定修正规则修正所述第一信号点对应的信噪比信息。

16.根据权利要求15所述的装置，其中，所述修正规则包括：

在所述第一概率小于预设概率阈值的情况下，按照预设信噪比减小方式减小所述第一信号点对应的信噪比；

在所述第一概率大于所述预设概率阈值的情况下，按照预设信噪比增加方式增加所述第一信号点对应的信噪比，所述预设信噪比增加方式中，信噪比增加值或修正后的值与所述第一概率正相关。

17.根据权利要求10所述的装置，其中，所述识别单元还配置为：

对所述目标点云图像中的信号点按照修正后的信噪比信息以及坐标位置信息进行聚类；

将聚类得到的各个点簇分别识别为当前的雷达图像中的各个目标。

18.根据权利要求10所述的装置，其中，所述装置还包括更新单元：

存储当前的雷达图像对应的目标识别结果，以用于后续雷达图像的目标识别。

19.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-9中任一项的所述的方法。

20.一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-9中任一项所述的方法。

Images