基于雷达点云的目标识别方法、存储介质及设备技术

基于雷达点云的目标识别方法、存储介质及设备，属于雷达技术与目标判识技术领域。为了解决现有的基于雷达点云的目标识别方法存在雷达点云分割效果会严重影响目标识别准确率的问题。本发明专利技术首先获取待识别环境的雷达点云数据，并将雷达点云数据输入点云目标分割网络对三维点云数据进行目标分割，得到待识别目标的三维点云；然后将待识别目标对应的三维点云输入Occupancy Networks得到待识别目标对应的目标三维模型；将待识别目标的目标三维模型与数据库中的目标三维模型进行匹配，将匹配成功的数据库中的目标三维模型对应的结果作为识别结果。本发明专利技术用于辅助驾驶或者自动驾驶中的雷达点云目标识别。的雷达点云目标识别。的雷达点云目标识别。

【技术实现步骤摘要】
基于雷达点云的目标识别方法、存储介质及设备


[0001]本专利技术属于雷达技术与目标判识
，具体涉及一种基于雷达点云的目标识别方法、存储介质及设备。

技术介绍

[0002]高级辅助驾驶系统(ADAS)及无人驾驶系统中常用的环境传感器包括摄像头、雷达等。相比于摄像头，雷达的优势在于使用环境限制较小，例如其不受到光线的影响，即使针对雨雪天气，雷达也能够相对准确的获取到目标信息。
[0003]在自动驾驶中利用雷达对目标进行探测和识别的过程中，由于雷达所识别的空间可能涉及到物体相接或者重合的情况，例如人坐在街边的长椅上，或者人相当于汽车位于某标志指示牌立柱的后面。因此对应的雷达点云之间可能存在相互重叠或者影响的情况，因此先需要对雷达点云进行分割，然后基于分割的雷达点云进行目标识别。
[0004]基于分割雷达点云进行目标识别的一个主要方式是基于雷达点云的直接识别。基于雷达点云直接识别的方式是指：当得到分割后的雷达点云之后，利用神经网络模型等直接根据雷达点云进行目标识别，这种方式使用起来虽然更加方便，但是雷达点云的分割效果直接影响识别结果，因此准确率和适用性存在很大制约。
[0005]为了尽量解决这个问题，可以通过如何提高分割准确率来进行解决，因此有很多研究人员致力于研究雷达点云的分割模型。实际上经过研究发现，如果雷达点云分割模型越准确固然越好，但是实际上情况中不可能保证分割的雷达点云可以百分之百地还原真实目标，一定是存在分割误差的，因此还有一些学者通过提取分割雷达点云的特征，然后基于特征实现识别，其中一种方式是不直接利用雷达点云训练神经网络模型，而是通过提取的特征训练神经网络模型得到识别结果，例如申请号为202111591037.2的一种激光雷达目标识别方法、装置及电子设备等。当然也可以利用提取的特征，通过其他分类模型进行识别，如申请号为202210203259.0的基于激光雷达点云的路面场景目标识别方法，就是将提取的结构特征信息输入训练获得的支持向量机模型，进行目标雷达点云的分类。
[0006]这种方式可以在一定程度上避免分割效果的影响，从而提高识别准确率。但是不可否认的是，如果雷达点云分割的不准确，依然是会对基于雷达点云提取的特征产生影响，这也会间接影响到识别的准确率。
[0007]综上所述，上述方式存在雷达点云分割效果会严重影响目标识别准确率的问题，也就是最后的识别准确率直接或者间接取决于分割的效果，分割效果一旦不好，则识别的准确率就会出现严重下降的问题。

技术实现思路

[0008]本专利技术为了解决现有的基于雷达点云的目标识别方法存在雷达点云分割效果会严重影响目标识别准确率的问题。
[0009]基于雷达点云的目标识别方法，包括以下步骤：
[0010]首先获取待识别环境的雷达点云数据，并将雷达点云数据输入点云目标分割网络对三维点云数据进行目标分割，得到待识别目标的三维点云；
[0011]然后将待识别目标对应的三维点云输入Occupancy Networks得到待识别目标对应的目标三维模型；将待识别目标的目标三维模型与数据库中的目标三维模型进行匹配，将匹配成功的数据库中的目标三维模型对应的结果作为识别结果；
[0012]所述的Occupancy Networks是通过以下步骤得到的：
[0013]S1、获取环境的雷达点云数据，并将雷达点云数据输入点云目标分割网络，对三维点云数据进行目标分割，得到各目标的三维点云；
[0014]基于分割的目标三维点云得到目标三维模型，构建目标三维模型数据库；
[0015]S2、利用目标三维模型训练Occupancy Networks，即占用网络；进而得到训练好的Occupancy Networks。
[0016]进一步地，所述的占用网络采用5个ResNet块的全连接神经网络来实现。
[0017]进一步地，利用目标三维模型训练Occupancy Networks的过程包括以下步骤：
[0018]在获取环境的雷达点云数据的同时还利用设置在车辆上的可见光图像采集设备获取环境的可见光图像，基于可见光图像得到目标可见光图像；
[0019]将目标可见光图像和每张目标可见光图像对应的目标的三维模型输入Occupancy Networks进行训练，直至Occupancy Networks的损失收敛，得到优化后的预训练参数模型。
[0020]进一步地，将待识别目标的目标三维模型与数据库中的目标三维模型进行匹配时，如果没有匹配成功，即没有在数据库中找到对应的目标三维模型，则基于可见光图像进行目标识别。
[0021]进一步地，基于可见光图像进行目标识别的过程是基于神经网络模型实现的。
[0022]进一步地，基于可见光图像进行目标识别前，在达获取环境的雷达点云数据的同时，利用设置在车辆上的可见光图像采集设备获取环境的可见光图像。
[0023]进一步地，所述的可见光图像采集设备与设置在车辆上的激光雷达采用一体化布置方式设置。
[0024]一种计算机存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于雷达点云的目标识别方法。
[0025]一种基于雷达点云的目标识别设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于雷达点云的目标识别方法。
[0026]进一步地，所述设备还包括设置在车辆上的激光雷达。
[0027]有益效果：
[0028]本专利技术将分割后的雷达点云通过Occupancy Networks确定其对应的三维模型，然后根据得到的三维模型与数据中的三维模型进行匹配，最终实现识别过程，这样即使分割的点云不是非常准确，也依然会得到一个对应的三维模型，而这种三维模型虽然是基于雷达点云得到的，但是在很大程度上可以减少分割误差的影响，也就是说即使分割存在一定误差，也不会倒是点云分割效果影响目标的识别准确率。所以本专利技术在分割时使得点云模型即使不是很准确，也依然可以取得相对较好的效果。
Networks的参数权重θ，在训练中，对目标可见光图像的三维边界进行随机采样，其中，目标可见光图像三维边界中第i个样本的K个采样点，Occupancy Networks的损失值通过如下公式计算：
[0046][0047]其中，L(θ)表示Occupancy Networks的损失值；N表示训练批次中模型的个数；K表示模型中的采样点个数；L(
·
,
·
)表示交叉熵分类损失；f
θ
(
·
)表示三维目标占用函数；P
ij
表示第i个目标可见光图像中的第j个采样点，o
ij
表示P
ij
处的真实空间占用概率，o
ij
≡o(P
ij
)。
[0048]步骤3、当训练完Occupancy Netw本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于雷达点云的目标识别方法，其特征在于，包括以下步骤：首先获取待识别环境的雷达点云数据，并将雷达点云数据输入点云目标分割网络对三维点云数据进行目标分割，得到待识别目标的三维点云；然后将待识别目标对应的三维点云输入Occupancy Networks得到待识别目标对应的目标三维模型；将待识别目标的目标三维模型与数据库中的目标三维模型进行匹配，将匹配成功的数据库中的目标三维模型对应的结果作为识别结果；所述的Occupancy Networks是通过以下步骤得到的：S1、获取环境的雷达点云数据，并将雷达点云数据输入点云目标分割网络，对三维点云数据进行目标分割，得到各目标的三维点云；基于分割的目标三维点云得到目标三维模型，构建目标三维模型数据库；S2、利用目标三维模型训练Occupancy Networks，即占用网络；进而得到训练好的Occupancy Networks。2.根据权利要求1所述的基于雷达点云的目标识别方法，其特征在于，所述的占用网络采用5个ResNet块的全连接神经网络来实现。3.根据权利要求2所述的基于雷达点云的目标识别方法，其特征在于，利用目标三维模型训练Occupancy Networks的过程包括以下步骤：在获取环境的雷达点云数据的同时还利用设置在车辆上的可见光图像采集设备获取环境的可见光图像，基于可见光图像得到目标可见光图像；将目标可见光图像和每张目标可见光图像对应的目标的三维模型输入Occupancy N...

【专利技术属性】
技术研发人员：田中山，王现中，杨昌群，吴小川，牛道东，张俊，梁珈铭，
申请(专利权)人：哈尔滨工业大学中仪知联无锡工业自动化技术有限公司，
类型：发明
国别省市：