一种基于雷达宽带特征的未知车辆目标识别方法技术

本发明专利技术提供了一种基于雷达宽带特征的未知车辆目标识别方法，属于未知车辆目标识别技术领域。首先，将已知车辆类别和未知车辆类别的雷达一维距离像作为待测样本集；利用自编码器对待测样本集进行编码；利用异常检测方法计算得到已知车辆类别和未知车辆类别的划分门限；计算得到待测样本集中每一个样本的判别概率；将判别概率与门限进行对比，根据对比结果剔除待测样本集。本发明专利技术基于数据结构较为简单且能全天候提供的一维雷达高分辨距离像数据进行运算，并组合使用自编码器、误差排序和异常检测算法对未知车辆类别进行识别和剔除，为后续的已知类别识别网络的训练作准备。

【技术实现步骤摘要】
一种基于雷达宽带特征的未知车辆目标识别方法
本专利技术属于未知车辆目标识别
，尤其涉及一种基于雷达宽带特征的未知车辆目标识别方法。
技术介绍
目前的车辆未知类识别方法的研究是以视频、图片为数据采样设备基础，机器学习方法为技术基础的研究。以基于视频图像机器学习的为之类识别方法为例，其主要思想为将待分类的车辆集合之外的未知类别车辆数据进行再采样和收集，并且输入到整个生成对抗网络(包括生成器和判别器)中对其进行训练，同时联合使用已知类别的车辆视频或图片数据进行生成对抗网络的判别器网络训练，在提升网络分类能力的同时保存能够极大概率甄别未知类别车辆的网络权重，让最终产生的判别器网络权重能够识别出不同类别的车辆并找出未知类别的车辆样本。但
技术介绍
的缺陷主要体现在两个方面：(1)
技术介绍
所采集的数据本身具有批量数据数量量大、数据预处理过程耗时长的缺陷。视频或图片数据本身携带的数据量较大，一张二维高清图片(一个数据样本)在预处理之后的大小大约在102KB左右，而深度学习网络训练的数据集样本数须保持在105数量级左右。可以预见，使用视频或图片为特征数据进行识别的方法从数据预处理到识别的过程消耗时间长，消耗资源多。且图片与视频数据只能在天气状况较好的日间提供，而夜晚或复杂天气情况下则无法提供。(2)
技术介绍
所使用的生成对抗网络(GAN)本身需要大量的数据样本进行识别，且为了达到识别未知类车辆目标的目的，还需要在道路上随机搜集若干未知类别(即无标签)车辆的样本数据，进而联合已知类别车辆样本数据对网络进行训练。搜集未知类别样本数据和训练的过程会进一步加长算法运行时间，增加运算资源的消耗。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的一种基于雷达宽带特征的未知车辆目标识别方法解决了上述所述的问题。为了达到以上目的，本专利技术采用的技术方案为：本方案提供一种基于雷达宽带特征的未知车辆目标识别方法，包括以下步骤：S1、分别获取已知车辆类别和未知车辆类别的雷达一维距离像，并将所述已知车辆类别和未知车辆类别的雷达一维距离像作为待测样本集，并分别对已知待测样本和未知待测样本打上标签；S2、利用自编码器对待测样本集进行编码，得到待测样本集中既满足已知车辆类别重构误差最小又满足未知车辆类别重构误差最大的通道；S3、分别设定待测样本集查准率和查全率对应的理想调和均值、初始门限值、门限概率步进值和总迭代次数；S4、根据门限概率步进值和初始门限值得到单次循环内已知车辆类别样本和未知车辆类别样本的第一划分门限，以及计算得到待测样本集中每一个样本的判别概率；S5、根据所述通道，判断待测样本集中的每个样本的判别概率是否小于第一划分门限，并根据判断结果计算得到待测样本集中查准率和查全率实际的调和均值；S6、根据所述实际的调和均值更新所述第一划分门限，得到当前门限；S7、判断所述实际的调和均值是否大于或等于预设的理想调和均值，若是，输出当前门限，并进入步骤S9，否则，进入步骤S8；S8、判断迭代次数是否达到总迭代次数，若是，则选择达到理想调和均值对应的门限或历史最大调和均值对应的门限，并根据理想调和均值对应的门限或历史最大调和均值对应的门限得到已知车辆类别样本和未知车辆类别样本的第二划分门限，并进入步骤S9，否则，返回步骤S4；S9、判断当前门限或第二划分门限是否大于实测样本的判别概率，若是，则标记为未知车辆类别，否则，标记为已知车辆类别，完成对未知车辆目标的识别。本专利技术的有益效果是：本专利技术基于数据结构较为简单且能全天候提供的一维雷达高分辨距离像数据进行运算，并组合使用自编码器(AE)、误差排序和异常检测算法对未知车辆类别进行识别和剔除，为后续的已知类别识别网络的训练作准备，且雷达一维距离像易获取易保存，全天候可用，且基于这种数据的自编码器权重少于生成对抗网络，能够加快系统未知类识别速度。同时，样本集中的已知车辆样本和未知车辆样本均已打上标签，便于迭代计算F1Score调和均值。进一步地，所述步骤S2包括以下步骤：S201、将已知车辆类别的雷达一维距离像作为训练集，并利用所述训练集对自编码器进行训练；S202、利用已训练的自编码器分别对待测样本集进行重构，得到已知车辆类别样本中每个维度的平均重构误差和未知车辆类别样本中每个维度的平均重构误差；S203、分别根据已知车辆类别样本中每个维度的平均重构误差和未知车辆类别样本中每个维度的平均重构误差，筛选出已知车辆类别样本中误差最小的维度和未知车辆类别样本中误差最大的维度；S204、将已知车辆类别样本中每个维度的平均重构误差以从小到大的顺序进行排序，以及将未知车辆类别样本中每个维度的平均重构误差以从大到小的顺序进行排序；S205、根据排序结果，提取的前m个维度中已知车辆类别样本和未知车辆类别样本维度集合的交集，并根据所述交集得到待测样本集中既满足已知车辆类别重构误差最小又满足未知车辆类别重构误差最大的通道。上述进一步方案的有益效果是是：本专利技术使用雷达一维距离像作为样本数据，提升了数据的可用性和应用场景的鲁棒性，同时使用自编码器进行误差提取，其速度明显快于生成对抗网络的生成器和判别器联合训练；对同时具有最小误差和最大误差的通道的筛选和排序能够极大减小未知类别的识别失败率，使得识别精度和耗时可通过排序通道个数控制。再进一步地，所述步骤S202中已知车辆类别样本中每个维度的平均重构误差的表达式如下：其中，Average(δ1j)表示已知车辆类别样本中第j个维度的平均重构误差，且j∈{1,2,3,...,M}，M表示待测样本集中每个样本的维度总数，δ1j表示已知车辆类别样本中总的重构误差，N1表示已知车辆类别的一维距离像训练数据总数；所述未知车辆类别样本中每个维度的平均重构误差的表达式如下：其中，表示未知车辆类别样本中第j个维度的平均重构误差，表示未知车辆类别样本中总的重构误差，N2表示未知车辆类别的一维距离像训练数据总数。上述进一步方案的有益效果是：自编码器的计算结果有一定随机性，通过每个通道取平均重构误差可以较好地控制这种随机性，使得待测样本集中已知类别和未知类别在不同通道中的误差差异能够有更客观的体现。再进一步地，所述步骤S205中已知车辆类别样本和未知车辆类别样本的维度集合交集的表达式如下：j∩＝j1∩j2j1∈{1,2,...,m1}j2∈{1,2,...,m2}其中，j∩表示已知车辆类别样本和未知车辆类别样本的维度集合交集，j1表示前m1个使已知车辆类别中第j个维度的平均重构误差最小的维度，j2表示前m2个使未知车辆类别中第j个维度的平均重构误差最大的维度。上述进一步方案的有益效果是：求维度集合交集能够最大限度地找出使得已知类别误差最小，未知类别误差最大的通道，在这些通道上，样本总体分布能够呈现鲜明的分别，即绝大部分已知类别样本的误差较小，而其余未知类别样本本文档来自技高网...

【技术保护点】
1.一种基于雷达宽带特征的未知车辆目标识别方法，其特征在于，包括以下步骤：/nS1、分别获取已知车辆类别和未知车辆类别的雷达一维距离像，并将所述已知车辆类别和未知车辆类别的雷达一维距离像作为待测样本集，并分别对已知待测样本和未知待测样本打上标签；/nS2、利用自编码器对待测样本集进行编码，得到待测样本集中既满足已知车辆类别重构误差最小又满足未知车辆类别重构误差最大的通道；/nS3、分别设定待测样本集查准率和查全率对应的理想调和均值、初始门限值、门限概率步进值和总迭代次数；/nS4、根据门限概率步进值和初始门限值得到单次循环内已知车辆类别样本和未知车辆类别样本的第一划分门限，以及计算得到待测样本集中每一个样本的判别概率；/nS5、根据所述通道，判断待测样本集中的每个样本的判别概率是否小于第一划分门限，并根据判断结果计算得到待测样本集中查准率和查全率实际的调和均值；/nS6、根据所述实际的调和均值更新所述第一划分门限，得到当前门限；/nS7、判断所述实际的调和均值是否大于或等于预设的理想调和均值，若是，输出当前门限，并进入步骤S9，否则，进入步骤S8；/nS8、判断迭代次数是否达到总迭代次数，若是，则选择达到理想调和均值对应的门限或历史最大调和均值对应的门限，并根据理想调和均值对应的门限或历史最大调和均值对应的门限得到已知车辆类别样本和未知车辆类别样本的第二划分门限，并进入步骤S9，否则，返回步骤S4；/nS9、判断当前门限或第二划分门限是否大于实测样本的判别概率，若是，则标记为未知车辆类别，否则，标记为已知车辆类别，完成对未知车辆目标的识别。/n...

【技术特征摘要】
1.一种基于雷达宽带特征的未知车辆目标识别方法，其特征在于，包括以下步骤：
S1、分别获取已知车辆类别和未知车辆类别的雷达一维距离像，并将所述已知车辆类别和未知车辆类别的雷达一维距离像作为待测样本集，并分别对已知待测样本和未知待测样本打上标签；
S2、利用自编码器对待测样本集进行编码，得到待测样本集中既满足已知车辆类别重构误差最小又满足未知车辆类别重构误差最大的通道；
S3、分别设定待测样本集查准率和查全率对应的理想调和均值、初始门限值、门限概率步进值和总迭代次数；
S4、根据门限概率步进值和初始门限值得到单次循环内已知车辆类别样本和未知车辆类别样本的第一划分门限，以及计算得到待测样本集中每一个样本的判别概率；
S5、根据所述通道，判断待测样本集中的每个样本的判别概率是否小于第一划分门限，并根据判断结果计算得到待测样本集中查准率和查全率实际的调和均值；
S6、根据所述实际的调和均值更新所述第一划分门限，得到当前门限；
S7、判断所述实际的调和均值是否大于或等于预设的理想调和均值，若是，输出当前门限，并进入步骤S9，否则，进入步骤S8；
S8、判断迭代次数是否达到总迭代次数，若是，则选择达到理想调和均值对应的门限或历史最大调和均值对应的门限，并根据理想调和均值对应的门限或历史最大调和均值对应的门限得到已知车辆类别样本和未知车辆类别样本的第二划分门限，并进入步骤S9，否则，返回步骤S4；
S9、判断当前门限或第二划分门限是否大于实测样本的判别概率，若是，则标记为未知车辆类别，否则，标记为已知车辆类别，完成对未知车辆目标的识别。


2.根据权利要求1所述的基于雷达宽带特征的未知车辆目标识别方法，其特征在于，所述步骤S2包括以下步骤：
S201、将已知车辆类别的雷达一维距离像作为训练集，并利用所述训练集对自编码器进行训练；
S202、利用已训练的自编码器分别对待测样本集进行重构，得到已知车辆类别样本中每个维度的平均重构误差和未知车辆类别样本中每个维度的平均重构误差；
S203、分别根据已知车辆类别样本中每个维度的平均重构误差和未知车辆类别样本中每个维度的平均重构误差，筛选出已知车辆类别样本中误差最小的维度和未知车辆类别样本中误差最大的维度；
S204、将已知车辆类别样本中每个维度的平均重构误差以从小到大的顺序进行排序，以及将未知车辆类别样本中每个维度的平均重构误差以从大到小的顺序进行排序；
S205、根据排序结果，提取的前m个维度中已知车辆类别样本和未知车辆类别样本维度集合的交集，并根据所述交集得到待测样本集中既满足已知车辆类别重构误差最小又满足未知车辆类别重构误差最大的通道。


3.根据权利要求2所述的基于雷达宽带特征的未知车辆目标识别方法，其特征在于，所述步骤S202中已知车辆类别样本中每个维度的平均重构误差的表达式如下：



其中，表示已知车辆类别样本中第j个维度的平均重构误差，且j∈{1,2,3,...,M}，M表示待测样本集中每个样本的维度总数，表示已知车辆类别样本中总的重构误差，N1表示已知车辆类别的一维距离像训练数据总数；
所述未知车辆类别样本中每个维度的平均重构误差的表达式如下：



其中，表示未知车辆类别样本中第j个维度的平均重构误差，表示未知车辆类别样本中总的重构误差，N2表示未知车辆类别的一...

【专利技术属性】
技术研发人员：冯皓宇，张瑛，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51