CN116299291A - 一种雷达目标的识别方法、装置、设备及存储介质 - Google Patents
一种雷达目标的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116299291A CN116299291A CN202310331724.3A CN202310331724A CN116299291A CN 116299291 A CN116299291 A CN 116299291A CN 202310331724 A CN202310331724 A CN 202310331724A CN 116299291 A CN116299291 A CN 116299291A
- Authority
- CN
- China
- Prior art keywords
- point
- determining
- target
- identification
- algorithm
- 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 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 137
- 238000001514 detection method Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007621 cluster analysis Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000006870 function 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
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 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
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
本发明公开了一种雷达目标的识别方法、装置、设备及存储介质,所述方法包括:获取至少一个识别点的雷达数据;根据至少一个识别点的雷达数据确定各识别点对应的算法参数;根据算法参数,结合设定算法,根据算法输出结果确定识别出的雷达目标。本发明提供的雷达目标的识别方法,通过根据各识别点的雷达数据适应性地调整算法参数的大小,解决了现有技术中固定算法参数带来目标的合并或***的问题,可以适用于不同类型、不同大小的目标识别,提高了目标识别的准确性。
Description
技术领域
本发明涉及智能汽车技术领域,尤其涉及一种雷达目标的识别方法、装置、设备及存储介质。
背景技术
随着自动驾驶技术的不断发展,毫米波雷达在汽车辅助驾驶领域的应用越来越广泛。毫米波雷达可以通过获取目标反射回的雷达数据对目标进行状态判断,然而,一个目标通常存在多个反射点,在目标识别时需要对识别到的多个反射点进行区别与划分。
现有技术中通常使用聚类算法对反射回的雷达数据进行处理,聚类算法需要预先设置对点迹数据进行聚类的邻域半径和该半径内存在的识别点的最小个数即密度阈值。但不同目标的反射面积和反射点数是不一样的,当邻域半径和密度阈值设置太大时容易将相邻的多个目标合并成一个目标;当邻域半径和密度阈值设置太小时则可能导致同一目标***成多个目标。
发明内容
本发明提供了一种雷达目标的识别方法、装置、设备及存储介质,以实现对雷达目标的准确识别。
根据本发明的一方面,提供了一种雷达目标的识别方法,包括:
获取至少一个识别点的雷达数据;
根据所述至少一个识别点的雷达数据确定各识别点对应的算法参数;
根据所述算法参数,结合设定算法,根据算法输出结果确定识别出的所述雷达目标。
进一步地,所述雷达数据包括幅值和探测距离。
进一步地,根据所述至少一个识别点的雷达数据确定各识别点对应的算法参数,包括:
根据所述至少一个识别点的幅值和探测距离确定各识别点对应的第一系数和第二系数;
获取所述算法参数对应的参数初始值;
将所述第一系数、所述第二系数与所述参数初始值的乘积的和确定为所述各识别点对应的算法参数。
进一步地,根据所述至少一个识别点的幅值和探测距离确定各识别点对应的第一系数和第二系数,包括:
针对所述至少一个识别点中的每个识别点,确定所述识别点对应的幅值和探测距离;
确定所述至少一个识别点的幅值中的最大幅值和最小幅值,根据所述识别点对应的幅值以及所述最大幅值和所述最小幅值,确定所述第一系数;
将所述探测距离与设定缩放因子的乘积确定为所述第二系数。
进一步地,所述设定算法包括聚类算法,根据所述算法参数,结合设定算法,根据算法输出结果确定识别出的所述雷达目标,包括:
根据所述各识别点对应的算法参数进行聚类分析,确定所述设定算法输出的聚类簇;
将所述聚类簇确定为所述雷达目标,所述聚类簇与所述雷达目标一一对应。
进一步地,所述算法参数包括邻域半径和密度阈值,根据所述各识别点对应的算法参数进行聚类分析,确定所述设定算法输出的聚类簇,包括:
将所述至少一个识别点中的任一识别点确定为第一目标点;
获取所述第一目标点对应的第一邻域半径和第一密度阈值,若所述第一目标点附近第一邻域半径范围内的识别点的个数大于等于所述第一密度阈值,则建立聚类簇,所述聚类簇中包括所述第一目标点及所述第一目标点附近第一邻域半径范围内的识别点;
根据所述第一目标点附近第一邻域半径范围内的各识别点对应的邻域半径和密度阈值确定所述聚类簇的最终大小;
输出所述聚类簇,将所述聚类簇以外的任一识别点确定为第一目标点,返回执行所述获取所述第一目标点对应的第一邻域半径和第一密度阈值,若所述第一目标点附近第一邻域半径范围内的识别点的个数大于等于所述第一密度阈值,则建立聚类簇的步骤,直到遍历所有识别点。
进一步地,根据所述第一目标点附近第一邻域半径范围内的各识别点对应的邻域半径和密度阈值确定所述聚类簇的最终大小,包括:
将所述第一目标点附近第一邻域半径范围内的识别点确定为第二目标点;
针对各所述第二目标点,获取所述第二目标点对应的第二邻域半径和第二密度阈值,若所述第二目标点附近第二邻域半径范围内的识别点的个数大于等于所述第二密度阈值,则将所述第二目标点附近第二邻域半径范围内的识别点添加到所述聚类簇中,直到遍历所有所述第二目标点。
根据本发明的另一方面,提供了一种雷达目标的识别装置,包括:
雷达数据获取模块,用于获取至少一个识别点的雷达数据;
算法参数确定模块,用于根据所述至少一个识别点的雷达数据确定各识别点对应的算法参数;
雷达目标确定模块,用于根据所述算法参数,结合设定算法,根据算法输出结果确定识别出的所述雷达目标。
可选的,所述雷达数据包括幅值和探测距离。
可选的,算法参数确定模块还用于:
根据所述至少一个识别点的幅值和探测距离确定各识别点对应的第一系数和第二系数;
获取所述算法参数对应的参数初始值;
将所述第一系数、所述第二系数与所述参数初始值的乘积的和确定为所述各识别点对应的算法参数。
可选的,算法参数确定模块还用于:
针对所述至少一个识别点中的每个识别点,确定所述识别点对应的幅值和探测距离;
确定所述至少一个识别点的幅值中的最大幅值和最小幅值,根据所述识别点对应的幅值以及所述最大幅值和所述最小幅值,确定所述第一系数;
将所述探测距离与设定缩放因子的乘积确定为所述第二系数。
可选的,所述设定算法包括聚类算法,雷达目标确定模块还用于:
根据所述各识别点对应的算法参数进行聚类分析,确定所述设定算法输出的聚类簇;
将所述聚类簇确定为所述雷达目标,所述聚类簇与所述雷达目标一一对应。
可选的,所述算法参数包括邻域半径和密度阈值,雷达目标确定模块还用于:
将所述至少一个识别点中的任一识别点确定为第一目标点;
获取所述第一目标点对应的第一邻域半径和第一密度阈值,若所述第一目标点附近第一邻域半径范围内的识别点的个数大于等于所述第一密度阈值,则建立聚类簇,所述聚类簇中包括所述第一目标点及所述第一目标点附近第一邻域半径范围内的识别点;
根据所述第一目标点附近第一邻域半径范围内的各识别点对应的邻域半径和密度阈值确定所述聚类簇的最终大小;
输出所述聚类簇,将所述聚类簇以外的任一识别点确定为第一目标点,返回执行所述获取所述第一目标点对应的第一邻域半径和第一密度阈值,若所述第一目标点附近第一邻域半径范围内的识别点的个数大于等于所述第一密度阈值,则建立聚类簇的步骤,直到遍历所有识别点。
可选的,雷达目标确定模块还用于:
将所述第一目标点附近第一邻域半径范围内的识别点确定为第二目标点;
针对各所述第二目标点,获取所述第二目标点对应的第二邻域半径和第二密度阈值,若所述第二目标点附近第二邻域半径范围内的识别点的个数大于等于所述第二密度阈值,则将所述第二目标点附近第二邻域半径范围内的识别点添加到所述聚类簇中,直到遍历所有所述第二目标点。
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雷达目标的识别方法。
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雷达目标的识别方法。
本发明公开的雷达目标的识别方法,首先获取至少一个识别点的雷达数据,然后根据至少一个识别点的雷达数据确定各识别点对应的算法参数,最后根据算法参数,结合设定算法,根据算法输出结果确定识别出的雷达目标。本发明提供的雷达目标的识别方法,通过根据各识别点的雷达数据适应性地调整算法参数的大小,解决了现有技术中固定算法参数带来目标的合并或***的问题,可以适用于不同类型、不同大小的目标识别,提高了目标识别的准确性。
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一提供的一种雷达目标的识别方法的流程图;
图2是根据本发明实施例二提供的一种雷达目标的识别方法的流程图;
图3是根据本发明实施例三提供的一种雷达目标的识别装置的结构示意图;
图4是实现本发明实施例四的雷达目标的识别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”以及它们的任何变形,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。
实施例一
图1为本发明实施例一提供的一种雷达目标的识别方法的流程图,本实施例可适用于利用雷达设备进行目标识别的情况,该方法可以由雷达目标的识别装置来执行,该雷达目标的识别装置可以采用硬件和/或软件的形式实现,该雷达目标的识别装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取至少一个识别点的雷达数据。
其中,在使用雷达进行目标识别时,雷达向外发射电磁波,并接收反射回的电磁波信号,进而对目标进行状态判断。然而,一个目标可能存在多个反射电磁波的反射点,因此,对同一个目标,雷达可能识别到多个点的电磁波信号,每个点为一个识别点。雷达数据为根据雷达发射与接收的电磁波信号进行分析处理得到的点迹数据,例如各识别点对应的幅值、距离等数据。
优选地,在汽车辅助驾驶领域通常使用毫米波雷达进行目标识别,其中,毫米波雷达是工作在毫米波波段(millimeter wave)探测的雷达,通常毫米波的频域为30~300GHz(波长为1~10mm)。毫米波的波长介于微波和厘米波之间,因此毫米波雷达兼有微波雷达和光电雷达的一些优点。
在本实施例中,获取至少一个识别点的雷达数据的方式可以是,利用车载的毫米波雷达设备进行电磁波的发送和接收,然后根据电磁波信号进行分析处理,得到附近的目标对应的至少一个识别点的雷达数据。
S120、根据至少一个识别点的雷达数据确定各识别点对应的算法参数。
在本实施例中,为了对各识别点对应的目标对象进行准确区分,需要通过算法对获取的雷达数据进行处理,判断出各识别点所属的目标对象。由于不同类型、不同大小的目标对象对应的雷达散射截面(RCS)不一样,所以各识别点的雷达数据也不一样。因此,在利用算法对各识别点的雷达数据进行处理时,可以根据各识别点各自的雷达数据自适应地调整相应的算法参数,以此达到动态检测目的,更准确地进行分析。
可选的,以聚类算法为例,当使用聚类算法进行雷达数据的处理时,相应的算法参数为邻域半径和密度阈值,基于这些参数,算法可以输出一个或多个聚类簇,每个聚类簇可以认为是一个目标对象。当根据各识别点的雷达数据自适应地确定相应的邻域半径和密度阈值时,算法输出的聚类簇可以更加准确,从而避免固定算法参数带来的目标的合并或***的问题。
S130、根据算法参数,结合设定算法,根据算法输出结果确定识别出的雷达目标。
在本实施例中,确定各识别点对应的算法参数之后,利用相应的算法进行计算,将雷达数据作为输入变量,可以获取算法的输出结果,进而根据算法输出结果可以确定识别出的雷达目标。
本发明实施例公开的雷达目标的识别方法,首先获取至少一个识别点的雷达数据,然后根据至少一个识别点的雷达数据确定各识别点对应的算法参数,最后根据算法参数,结合设定算法,根据算法输出结果确定识别出的雷达目标。本发明实施例提供的雷达目标的识别方法,通过根据各识别点的雷达数据适应性地调整算法参数的大小,解决了现有技术中固定算法参数带来目标的合并或***的问题,可以适用于不同类型、不同大小的目标识别,提高了目标识别的准确性。
实施例二
图2为本发明实施例二提供的一种雷达目标的识别方法的流程图,本实施例为上述实施例的细化。如图2所示,该方法包括:
S210、获取至少一个识别点的雷达数据。
在本实施例中,在使用雷达进行目标识别时,雷达向外发射电磁波,并接收反射回的电磁波信号,进而对目标进行状态判断。然而,一个目标可能存在多个反射电磁波的反射点,因此,对同一个目标,雷达可能识别到多个点的电磁波信号,每个点为一个识别点。雷达数据为根据雷达发射与接收的电磁波信号进行分析处理得到的点迹数据,例如各识别点对应的幅值、距离等数据。
可选的,雷达数据包括幅值和探测距离,获取至少一个识别点的雷达数据的方式可以是,利用雷达设备进行电磁波的发送和接收,然后根据电磁波信号进行分析处理,得到附近的目标对应的至少一个识别点各自对应的幅值和探测距离。
S220、根据至少一个识别点的幅值和探测距离确定各识别点对应的第一系数和第二系数。
其中,第一系数和第二系数为与用于雷达数据处理的算法参数的相关系数,通过确定第一系数和第二系数,可以确定各识别点各自对应的算法参数。
可选的,根据至少一个识别点的幅值和探测距离确定各识别点对应的第一系数和第二系数的方式可以是:针对至少一个识别点中的每个识别点,确定识别点对应的幅值和探测距离;确定至少一个识别点的幅值中的最大幅值和最小幅值,根据识别点对应的幅值以及最大幅值和最小幅值,确定第一系数;将探测距离与设定缩放因子的乘积确定为第二系数。
具体的,假设通过雷达设备采集到了N个识别点,并记录每个点的幅值和探测距离分别为{A1,A2,…,AN}和{D1,D2,…,DN},比较各点幅值大小,可以找出其中的最大幅值Amax和最小幅值Amin。对于任一识别点i(i=1,2,…N),相应的第一系数可以表示为:
第二系数可以表示为:
bi=cor2×Di
其中,cor1和cor2均为缩放因子。
S230、获取算法参数对应的参数初始值,将第一系数、第二系数与参数初始值的乘积的和确定为各识别点对应的算法参数。
在本实施例中,通过对算法进行初始化,可以得到参数初始值,再结合上一步骤中确定的各识别点对应的第一系数和第二系数,可以确定各识别点对应的算法参数。
可选的,以聚类算法为例,聚类算法相关的算法参数为邻域半径和密度阈值,分别表示为Eps和minPts,通过初始化操作,可以得到初始邻域半径和初始密度阈值,分别以R-eps和T-pts表示,则对于任一识别点i(i=1,2,...N),相应的邻域半径可以表示为:
Epsi=ai×R-eps+bi×R-eps
密度阈值可以表示为:
minPtsi=ai×T-pts+bi×T-pts
S240、根据各识别点对应的算法参数进行聚类分析,确定设定算法输出的聚类簇。
其中,设定算法包括聚类算法。聚类算法是研亢(样品或指标)分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。聚类(Cluster)分析是由若干模式(Pattern)组成的,通常,模式是一个度量(Measurement)的向量,或者是多维空间中的一个点。聚类分析以相似性为基础,在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。
优选地,可以采用聚类算法中的DBSCAN聚类算法进行数据处理,DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法,与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
在本实施例中,以聚类算法对各识别点的雷达数据进行处理,算法的输出为一个或多个聚类簇,在聚类分析中,各识别点对应的算法参数根据各点的雷达数据自适应地确定。
可选的,算法参数包括邻域半径和密度阈值,根据各识别点对应的算法参数进行聚类分析,确定设定算法输出的聚类簇的方式可以是:将至少一个识别点中的任一识别点确定为第一目标点;获取第一目标点对应的第一邻域半径和第一密度阈值,若第一目标点附近第一邻域半径范围内的识别点的个数大于等于第一密度阈值,则建立聚类簇,聚类簇中包括第一目标点及第一目标点附近第一邻域半径范围内的识别点;根据第一目标点附近第一邻域半径范围内的各识别点对应的邻域半径和密度阈值确定聚类簇的最终大小;输出聚类簇,将聚类簇以外的任一识别点确定为第一目标点,返回执行获取第一目标点对应的第一邻域半径和第一密度阈值,若第一目标点附近第一邻域半径范围内的识别点的个数大于等于第一密度阈值,则建立聚类簇的步骤,直到遍历所有识别点。
进一步地,根据第一目标点附近第一邻域半径范围内的各识别点对应的邻域半径和密度阈值确定聚类簇的最终大小的方式可以是:将第一目标点附近第一邻域半径范围内的识别点确定为第二目标点;针对各第二目标点,获取第二目标点对应的第二邻域半径和第二密度阈值,若第二目标点附近第二邻域半径范围内的识别点的个数大于等于第二密度阈值,则将第二目标点附近第二邻域半径范围内的识别点添加到聚类簇中,直到遍历所有第二目标点。
具体的,对于获取到的N个识别点,可以先将各点标记为未访问对象,即可以令各点的标志信息flag=“unvisited”。选定其中一个识别点i(i=1,2,...N)作为第一目标点,将其标记为访问对象,即flagi=″visited″,获取其邻域半径和密度阈值分别为Epsi和minPtsi,其中Epsi=ai×R-eps+bi×R-eps,minPtsi=ai×T-pts+bi×T-pts。如果以第一目标点i为圆心,以Epsi为半径的圆内的识别点个数大于等于minPtsi,则新建一个聚类簇M,并将第一目标点i及邻域半径Epsi内的识别点全部添加进M簇中;如果第一目标点i的邻域半径Epsi内目标点数少于minPtsi,则将第一目标点i标记为噪声点。
假设M簇中有K个识别点,则对于其中一个识别点j,判断其标志信息flagj是否等于“unvisited”,如果是,则将识别点j作为第二目标点,并令flagj=″visited″,确定其邻域半径和密度阈值分别为Epsj和minPtsj;如果不是,则重新在M簇中寻找标志信息为“unvisited”的点。其中,Epsj=aj×R-eps+bj×R-eps,minPtsj=aj×T-pts+bj×T-pts。判断第二目标点j的邻域半径Epsj内的识别点的个数是否大于minPtsj,如果是,则将该邻域中的点添加到M簇中。遍历所有K个识别点,直至M簇中的所有点均被标记为“visited”,输出M簇,重新将M簇以外的任一识别点确定为第一目标点,返回执行聚类簇的建立操作,直到遍历所有N个识别点均被标记为“visited”。
S250、将聚类簇确定为雷达目标,聚类簇与雷达目标一一对应。
在本实施例中,聚类算法的输出结果为一个或多个聚类簇,每个聚类簇对应一个雷达目标。通过上述步骤,即可将属于不同目标对象的识别点进行区分,并将属于同一目标对象的识别点统一起来,从而确定雷达最终识别出的目标。
本发明实施例公开的雷达目标的识别方法,首先获取至少一个识别点的雷达数据,然后根据至少一个识别点的幅值和探测距离确定各识别点对应的第一系数和第二系数,再获取算法参数对应的参数初始值,将第一系数、第二系数与参数初始值的乘积的和确定为各识别点对应的算法参数,再根据各识别点对应的算法参数进行聚类分析,确定设定算法输出的聚类簇,最后将聚类簇确定为雷达目标,聚类簇与雷达目标一一对应。本发明实施例提供的雷达目标的识别方法,采用聚类算法对雷达数据进行分析,并根据各识别点的雷达数据适应性地调整邻域半径和密度阈值的大小,解决了现有技术中固定算法参数带来目标的合并或***的问题,可以适用于不同类型、不同大小的目标识别,提高了目标识别的准确性。
实施例三
图3为本发明实施例三提供的一种雷达目标的识别装置的结构示意图。如图3所示,该装置包括:雷达数据获取模块310,算法参数确定模块320和雷达目标确定模块330。
雷达数据获取模块310,用于获取至少一个识别点的雷达数据。
算法参数确定模块320,用于根据至少一个识别点的雷达数据确定各识别点对应的算法参数。
雷达目标确定模块330,用于根据算法参数,结合设定算法,根据算法输出结果确定识别出的雷达目标。
可选的,雷达数据包括幅值和探测距离。
可选的,算法参数确定模块320还用于:
根据至少一个识别点的幅值和探测距离确定各识别点对应的第一系数和第二系数;获取算法参数对应的参数初始值;将第一系数、第二系数与参数初始值的乘积的和确定为各识别点对应的算法参数。
可选的,算法参数确定模块320还用于:
针对至少一个识别点中的每个识别点,确定识别点对应的幅值和探测距离;确定至少一个识别点的幅值中的最大幅值和最小幅值,根据识别点对应的幅值以及最大幅值和最小幅值,确定第一系数;将探测距离与设定缩放因子的乘积确定为第二系数。
可选的,设定算法包括聚类算法,雷达目标确定模块330还用于:
根据各识别点对应的算法参数进行聚类分析,确定设定算法输出的聚类簇;将聚类簇确定为雷达目标,聚类簇与雷达目标一一对应。
可选的,算法参数包括邻域半径和密度阈值,雷达目标确定模块330还用于:
将至少一个识别点中的任一识别点确定为第一目标点;获取第一目标点对应的第一邻域半径和第一密度阈值,若第一目标点附近第一邻域半径范围内的识别点的个数大于等于第一密度阈值,则建立聚类簇,聚类簇中包括第一目标点及第一目标点附近第一邻域半径范围内的识别点;根据第一目标点附近第一邻域半径范围内的各识别点对应的邻域半径和密度阈值确定聚类簇的最终大小;输出聚类簇,将聚类簇以外的任一识别点确定为第一目标点,返回执行获取第一目标点对应的第一邻域半径和第一密度阈值,若第一目标点附近第一邻域半径范围内的识别点的个数大于等于第一密度阈值,则建立聚类簇的步骤,直到遍历所有识别点。
可选的,雷达目标确定模块330还用于:
将第一目标点附近第一邻域半径范围内的识别点确定为第二目标点;针对各第二目标点,获取第二目标点对应的第二邻域半径和第二密度阈值,若第二目标点附近第二邻域半径范围内的识别点的个数大于等于第二密度阈值,则将第二目标点附近第二邻域半径范围内的识别点添加到聚类簇中,直到遍历所有第二目标点。
本发明实施例所提供的雷达目标的识别装置可执行本发明任意实施例所提供的雷达目标的识别方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4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4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,例如雷达目标的识别方法。
在一些实施例中,雷达目标的识别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雷达目标的识别的一个或多个步骤。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)而被配置为执行雷达目标的识别方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、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***的***(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***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***、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***、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***、装置或设备使用或与指令执行***、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***、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***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***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(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***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***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***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***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)
1.一种雷达目标的识别方法,其特征在于,包括:
获取至少一个识别点的雷达数据;
根据所述至少一个识别点的雷达数据确定各识别点对应的算法参数;
根据所述算法参数,结合设定算法,根据算法输出结果确定识别出的所述雷达目标。
2.根据权利要求1所述的方法,其特征在于,所述雷达数据包括幅值和探测距离。
3.根据权利要求2所述的方法,其特征在于,根据所述至少一个识别点的雷达数据确定各识别点对应的算法参数,包括:
根据所述至少一个识别点的幅值和探测距离确定各识别点对应的第一系数和第二系数;
获取所述算法参数对应的参数初始值;
将所述第一系数、所述第二系数与所述参数初始值的乘积的和确定为所述各识别点对应的算法参数。
4.根据权利要求3所述的方法,其特征在于,根据所述至少一个识别点的幅值和探测距离确定各识别点对应的第一系数和第二系数,包括:
针对所述至少一个识别点中的每个识别点,确定所述识别点对应的幅值和探测距离;
确定所述至少一个识别点的幅值中的最大幅值和最小幅值,根据所述识别点对应的幅值以及所述最大幅值和所述最小幅值,确定所述第一系数;
将所述探测距离与设定缩放因子的乘积确定为所述第二系数。
5.根据权利要求1所述的方法,其特征在于,所述设定算法包括聚类算法,根据所述算法参数,结合设定算法,根据算法输出结果确定识别出的所述雷达目标,包括:
根据所述各识别点对应的算法参数进行聚类分析,确定所述设定算法输出的聚类簇;
将所述聚类簇确定为所述雷达目标,所述聚类簇与所述雷达目标一一对应。
6.根据权利要求5所述的方法,其特征在于,所述算法参数包括邻域半径和密度阈值,根据所述各识别点对应的算法参数进行聚类分析,确定所述设定算法输出的聚类簇,包括:
将所述至少一个识别点中的任一识别点确定为第一目标点;
获取所述第一目标点对应的第一邻域半径和第一密度阈值,若所述第一目标点附近第一邻域半径范围内的识别点的个数大于等于所述第一密度阈值,则建立聚类簇,所述聚类簇中包括所述第一目标点及所述第一目标点附近第一邻域半径范围内的识别点;
根据所述第一目标点附近第一邻域半径范围内的各识别点对应的邻域半径和密度阈值确定所述聚类簇的最终大小;
输出所述聚类簇,将所述聚类簇以外的任一识别点确定为第一目标点,返回执行所述获取所述第一目标点对应的第一邻域半径和第一密度阈值,若所述第一目标点附近第一邻域半径范围内的识别点的个数大于等于所述第一密度阈值,则建立聚类簇的步骤,直到遍历所有识别点。
7.根据权利要求6所述的方法,其特征在于,根据所述第一目标点附近第一邻域半径范围内的各识别点对应的邻域半径和密度阈值确定所述聚类簇的最终大小,包括:
将所述第一目标点附近第一邻域半径范围内的识别点确定为第二目标点;
针对各所述第二目标点,获取所述第二目标点对应的第二邻域半径和第二密度阈值,若所述第二目标点附近第二邻域半径范围内的识别点的个数大于等于所述第二密度阈值,则将所述第二目标点附近第二邻域半径范围内的识别点添加到所述聚类簇中,直到遍历所有所述第二目标点。
8.一种雷达目标的识别装置,其特征在于,包括:
雷达数据获取模块,用于获取至少一个识别点的雷达数据;
算法参数确定模块,用于根据所述至少一个识别点的雷达数据确定各识别点对应的算法参数;
雷达目标确定模块,用于根据所述算法参数,结合设定算法,根据算法输出结果确定识别出的所述雷达目标。
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中任一项所述的雷达目标的识别方法。
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中任一项所述的雷达目标的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310331724.3A CN116299291A (zh) | 2023-03-30 | 2023-03-30 | 一种雷达目标的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310331724.3A CN116299291A (zh) | 2023-03-30 | 2023-03-30 | 一种雷达目标的识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116299291A true CN116299291A (zh) | 2023-06-23 |
Family
ID=86790361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310331724.3A Pending CN116299291A (zh) | 2023-03-30 | 2023-03-30 | 一种雷达目标的识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116299291A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821721A (zh) * | 2023-07-03 | 2023-09-29 | 上海金润联汇数字科技有限公司 | 一种跨城网约车的识别方法、装置、设备及介质 |
-
2023
- 2023-03-30 CN CN202310331724.3A patent/CN116299291A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821721A (zh) * | 2023-07-03 | 2023-09-29 | 上海金润联汇数字科技有限公司 | 一种跨城网约车的识别方法、装置、设备及介质 |
CN116821721B (zh) * | 2023-07-03 | 2024-04-02 | 上海金润联汇数字科技有限公司 | 一种跨城网约车的识别方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN116299291A (zh) | 一种雷达目标的识别方法、装置、设备及存储介质 | |
CN113177497B (zh) | 视觉模型的训练方法、车辆识别方法及装置 | |
CN115047419A (zh) | 一种毫米波雷达恒虚警率检测方法及装置 | |
CN117892174A (zh) | 一种基于多维域特征的快速机器学习多径识别方法及*** | |
CN115932773A (zh) | 基于谱形特征的目标角度检测方法、装置、设备及介质 | |
CN115877331A (zh) | 一种恒虚警检测方法、装置、设备及存储介质 | |
CN116309002B (zh) | 图数据存储、访问、处理方法、训练方法、设备及介质 | |
CN116563802A (zh) | 一种隧道场景判断方法、装置、设备及存储介质 | |
CN114966566A (zh) | 一种雷达干扰的抑制方法、装置以及设备 | |
CN114866437B (zh) | 一种节点检测方法、装置、设备及介质 | |
CN114691918B (zh) | 基于人工智能的雷达图像检索方法、装置以及电子设备 | |
CN115951344A (zh) | 雷达与相机的数据融合方法、装置、电子设备及存储介质 | |
CN115376105A (zh) | 可行驶区域的确定方法、装置、电子设备以及存储介质 | |
CN117471421B (zh) | 对象跌倒检测模型的训练方法及跌倒检测方法 | |
CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
CN117686986A (zh) | 车辆识别方法、装置、电子设备及存储介质 | |
CN114879175A (zh) | 面向主要目标识别应用的组合射频信号处理方法及装置 | |
CN116609731A (zh) | 基于毫米波雷达的虚假目标识别方法、装置、设备及介质 | |
CN116597209A (zh) | 一种图像分类方法、装置、设备及存储介质 | |
CN116883707A (zh) | 一种毫米波雷达点云聚类方法 | |
CN116520238A (zh) | 一种目标测角方法 | |
CN118112562A (zh) | 一种雷达目标检测方法、装置、电子设备以及存储介质 | |
CN116934779A (zh) | 一种激光点云的分割方法、装置、电子设备及存储介质 | |
CN116931083A (zh) | 一种方位角道集划分方案的确定方法 |
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 |