目标分类方法技术

本发明专利技术提供一种目标分类方法，包括：将雷达坐标系和图像坐标系进行标定；对雷达信号进行噪声滤除以得到点云信号，同时对图像数据进行去雾以得到精去雾图像；对点云信号进行聚类、去噪以得到多组点迹集合，同时利用深度学习模型对精去雾图像进行训练以获取视觉分类结果；获取点迹集合的参数信息；对点迹集合进行分类以获取雷达分类结果；将雷达分类结果与视觉分类结果进行融合以得到最终的分类结果。本申请提供的分类方法拥有多个数据源，对雷达信号去噪、分类以获取雷达分类结果，并对图像数据去雾、训练以获取视觉分类结果，最后将雷达分类结果和视觉分类结果融合，避免了误分类的情况，提高了目标识别的精度，提高了目标分类的可靠性和准确性。类的可靠性和准确性。类的可靠性和准确性。

【技术实现步骤摘要】
目标分类方法


[0001]本申请涉及目标检测和分类
，具体涉及一种目标分类方法。

技术介绍

[0002]传统的毫米波雷达数据仅包含距离、方位角和速度信息，这些信息可以用于辅助计算机视觉进行目标检测任务，但对于目标分类任务而言数据维度仍然不足以对目标进行分类，而4D毫米波雷达的出现使得使用雷达数据进行目标分类变为可能，这是因为4D毫米波雷达的探测信息包含距离、方位角、速度和俯仰角，对于探测目标来说，在空间上从平面空间拓展到立体空间，可以有效地判断目标的形状和空间特征。此外，4D毫米波雷达提供了更稠密的点云和点迹信息，可以基于这些信息进行目标分类。
[0003]4D毫米波雷达虽然相对于过去雷达有着明显进步，但仍存在点云数据稀疏、小目标识别精度不高等问题。对于目标分类任务而言，本领域有一些专家提出使用4D毫米波雷达的多帧点迹和目标长宽高信息进行概率计算并分类，但仅使用4D毫米波雷达数据进行分类，获取的数据具有一定局限性，对于相似目标的处理能力较差，并且其依靠经验调整阈值，会导致额外的不稳定因素；此外，在精度上仅依靠概率计算，还是存在误分类的风险。
[0004]所以当下亟需提出一种新的目标分类方法来解决数据源单一、目标识别精度不高、目标误分类等问题，从而为业界提供新的思路，具有重要意义且十分必要。

技术实现思路

[0005]本申请提供了一种目标分类方法，可以解决目标分类的数据源单一、目标识别精度不高、目标误分类等问题中的至少一个问题。
[0006]一方面，本申请实施例提供了一种目标分类方法，包括：
[0007]利用毫米波雷达获取检测区域中的待测目标的雷达信号，同时，利用摄像头获取检测区域中的待测目标的图像数据；
[0008]将雷达坐标系和图像坐标系进行标定，统一坐标系；
[0009]对所述雷达信号进行噪声滤除以得到点云信号，同时对所述图像数据进行处理以得到精去雾图像；
[0010]对所述点云信号进行聚类、去噪以得到多组点迹集合，同时利用深度学习模型对所述精去雾图像进行训练以获取视觉分类结果，其中，所述视觉分类结果包括：视觉检测框和视觉分类置信度；
[0011]获取所述点迹集合的参数信息，其中，所述参数信息包括：待测目标的长度、宽度、高度、多普勒速度和雷达反射强度；
[0012]根据所述点迹集合的参数信息和预设的参数阈值区间，对所述点迹集合进行分类以获取雷达分类结果，并计算待测目标的雷达分类置信度，其中，雷达分类结果包括：雷达检测框；
[0013]将所述雷达分类结果与所述视觉分类结果进行融合以得到最终的分类结果。
[0014]可选的，在所述目标分类方法中，所述对毫米波雷达回传的雷达信号进行噪声滤除以得到点云信号，同时对摄像头回传的图像数据进行处理以得到精去雾图像的步骤包括：
[0015]对所述雷达信号进行傅里叶变换以将所述雷达信号从时域转换到频域；
[0016]利用OS
‑
CFAR算法对所述雷达信号进行自适应噪声去除；
[0017]将所述雷达信号映射到三维坐标系中以得到点云信号；
[0018]对所述图像数据进行去雾处理。
[0019]可选的，在所述目标分类方法中，所述对所述图像数据进行去雾处理的步骤包括：
[0020]对所述图像数据进行大气光值估计以得到大气光的估计值；
[0021]对所述图像数据进行透射率粗估计以得到粗去雾图像；
[0022]利用导向滤波方法对所述粗去雾图像进行透射率精估计以得到所述精去雾图像。
[0023]可选的，在所述目标分类方法中，所述对所述图像数据进行大气光值估计以得到大气光的估计值的步骤包括：
[0024]第一步骤：将所述图像数据均分成四个矩形区域；其中，所述图像数据满足如下大气散射模型：
[0025]I(p)＝t(p)J(p)+(1
‑
t(p))A
[0026]其中，I(p)为有雾图像，J(p)为无雾图像，t(p)为透射率，A为大气光；
[0027]第二步骤：根据各所述矩形区域的像素值的平均值和标准差，获取各所述矩形区域的像素值的平均值与各所述矩形区域的像素值的标准差的差值，选出差值最大的矩形区域；
[0028]第三步骤：以差值最大的矩形区域作为新的图像数据，并对新的图像数据重复执行所述第一步骤和所述第二步骤，直至当前差值最大的矩形区域的面积小于预设的面积阈值，此时，将面积小于预设的面积阈值的矩形区域最亮点的像素值作为大气光的估计值。
[0029]可选的，在所述目标分类方法中，所述对所述点云信号进行聚类、去噪以得到多组点迹集合，同时利用深度学习模型对所述精去雾图像进行训练以获取视觉分类结果的步骤包括：
[0030]利用DBSCAN算法对所述点云信号进行聚类以得到多个点迹集合；
[0031]对检测区域的边界位置的部分点迹集合进行剔除以滤除障碍物，其中，需要剔除的所述部分点迹集合包括至少20个信号点；
[0032]对所述点迹集合进行编组以给各所述点迹集合赋予对应的ID；
[0033]采用深度学习模型对所述精去雾图像进行训练以对待测目标进行检测与分类以获取所述视觉分类结果，其中，所述视觉分类结果包括：视觉目标检测框和视觉分类置信度；所述深度学习模型为YOLOX
‑
S模型。
[0034]可选的，在所述目标分类方法中，所述获取所述点迹集合的参数信息，其中，所述参数信息包括：长度、宽度、高度、速度和雷达反射强度的步骤包括：
[0035]将所述点迹集合从雷达坐标系映射到平面坐标系中；
[0036]在当前帧中，将各所述点迹集合的聚类中心设置为虚拟测量点，并以当前帧中的所述虚拟测量点为测量基点；
[0037]分别检测后两帧中的各所述虚拟测量点是否发生偏移；若后两帧中的任意一所述
虚拟测量点发生偏移，则对发生位移的所述虚拟测量点分别进行平移直至与当前帧中的测量基点的位置重合；
[0038]分别获取各所述点迹集合在x轴和y轴上的最大值和最小值，其中，在x轴上的最大值记为x
i
_max，在x轴上的最小值记为x
i
_min，在y轴上的最大值记为y
i
_max，在y轴上的最小值记为y
i
_min，其中，i为大于或者等于1的整数；
[0039]根据x
i
_max和x
i
_min，获取各所述点迹集合的宽度，同时根据y
i
_max和y
i
_min获取各所述点迹集合的长度；
[0040]将各所述点迹集合从平面坐标系映射到三维坐标系中，获取各所述点迹集合在z轴上的最大值以作为各所述点迹集合的高度，其中，在z轴上的最大值记为z
i
_max；
[0041]获取各所述点迹集合的多普勒速度和雷达反射强度。
[0042]可选的，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标分类方法，其特征在于，包括：利用毫米波雷达获取检测区域中的待测目标的雷达信号，同时，利用摄像头获取检测区域中的待测目标的图像数据；将雷达坐标系和图像坐标系进行标定，统一坐标系；对所述雷达信号进行噪声滤除以得到点云信号，同时对所述图像数据进行处理以得到精去雾图像；对所述点云信号进行聚类、去噪以得到多组点迹集合，同时利用深度学习模型对所述精去雾图像进行训练以获取视觉分类结果，其中，所述视觉分类结果包括：视觉检测框和视觉分类置信度；获取所述点迹集合的参数信息，其中，所述参数信息包括：待测目标的长度、宽度、高度、多普勒速度和雷达反射强度；根据所述点迹集合的参数信息和预设的参数阈值区间，对所述点迹集合进行分类以获取雷达分类结果，并计算待测目标的雷达分类置信度，其中，雷达分类结果包括：雷达检测框；将所述雷达分类结果与所述视觉分类结果进行融合以得到最终的分类结果。2.根据权利要求1所述的目标分类方法，其特征在于，所述对毫米波雷达回传的雷达信号进行噪声滤除以得到点云信号，同时对摄像头回传的图像数据进行处理以得到精去雾图像的步骤包括：对所述雷达信号进行傅里叶变换以将所述雷达信号从时域转换到频域；利用OS
‑
CFAR算法对所述雷达信号进行自适应噪声去除；将所述雷达信号映射到三维坐标系中以得到点云信号；对所述图像数据进行去雾处理。3.根据权利要求2所述的目标分类方法，其特征在于，所述对所述图像数据进行去雾处理的步骤包括：对所述图像数据进行大气光值估计以得到大气光的估计值；对所述图像数据进行透射率粗估计以得到粗去雾图像；利用导向滤波方法对所述粗去雾图像进行透射率精估计以得到所述精去雾图像。4.根据权利要求3所述的目标分类方法，其特征在于，所述对所述图像数据进行大气光值估计以得到大气光的估计值的步骤包括：第一步骤：将所述图像数据均分成四个矩形区域；其中，所述图像数据满足如下大气散射模型：I(p)＝t(p)J(p)+(1
‑
t(p))A其中，I(p)为有雾图像，J(p)为无雾图像，t(p)为透射率，A为大气光；第二步骤：根据各所述矩形区域的像素值的平均值和标准差，获取各所述矩形区域的像素值的平均值与各所述矩形区域的像素值的标准差的差值，选出差值最大的矩形区域；第三步骤：以差值最大的矩形区域作为新的图像数据，并对新的图像数据重复执行所述第一步骤和所述第二步骤，直至当前差值最大的矩形区域的面积小于预设的面积阈值，此时，将面积小于预设的面积阈值的矩形区域最亮点的像素值作为大气光的估计值。5.根据权利要求1所述的目标分类方法，其特征在于，所述对所述点云信号进行聚类、
去噪以得到多组点迹集合，同时利用深度学习模型对所述精去雾图像进行训练以获取视觉分类结果的步骤包括：利用DBSCAN算法对所述点云信号进行聚类以得到多个点迹集合；对检测区域的边界位置的部分点迹集合进行剔除以滤除障碍物，其中，需要剔除的所述部分点迹集合包括至少20个信号点；对所述点迹集合进行编组以给各所述点迹集合赋予对应的ID；采用深度学习模型对所述精去雾图像进行训练以对待测目标进行检测与分类以获取所述视觉分类结果，其中，所述视觉分类结果包括：视觉目标检测框和视觉分类置信度；所述深度学习模型为YOLOX
‑
S模型。6.根据权利要求1所述的目标分类方法，其特征在于，所述获取所述点迹集合的参数信息，其中，所述参数信息包括：长度、宽度、高度、速度和雷达反射强度的步骤包括：将所述点迹集合从雷达坐标系映射到平面坐标系中；在当前帧中，将各所述点迹集合的聚类中心设置为虚拟测量点，并以当前帧中的所述虚拟测量点为测量基点；分别检测后两帧中的各所述虚拟测量点是否发生偏移；若后两帧中的任意一所述虚拟测量点发生偏移，则对发生位移的所述虚拟测量点分别进行平移直至与当前帧中的测量基点的位置重合；分别获取各所述点迹集合在x轴和y轴上的最大值和最小值，其中，在x轴上的最大值记为x
i
_max，在x轴上的最小值记为x
i
_min，在y轴上的最大值记为y
i
_max，在y轴上的最小值记为y
i
_min，其中，i为大于或者等于1的整数；根据x
i
_max和x
i
_min，获取各所述点迹集合的宽度，同时根据y
i
_max和y
i
_min获取各所述点迹集合的长度；将...

【专利技术属性】
技术研发人员：李保江，杨德钲，冯博询，王明明，顾炎飚，岳玉涛，
申请(专利权)人：江苏集萃深度感知技术研究所有限公司，
类型：发明
国别省市：