一种应用于车载毫米波雷达目标检测方法及系统技术方案

本发明专利技术用于提供一种应用于车载毫米波雷达目标检测方法及系统，涉及毫米波雷达目标检测技术领域，通过建立目标检测模型，基于根据目标回波信号获取的雷达热图对目标检测模型进行自监督学习预训练和有监督学习训练，根据训练好的目标检测模型检测目标的类别和位置。相较于现有毫米波雷达目标检测技术，本发明专利技术通过引入自监督学习方法，将自监督学习得到的输出数据作为有监督学习的输入，在较少的数据支撑下仍然得到更高的检测效果，提高了目标检测的准确性。的准确性。的准确性。

【技术实现步骤摘要】
一种应用于车载毫米波雷达目标检测方法及系统


[0001]本专利技术涉及毫米波雷达目标检测
，特别是涉及一种应用于车载毫米波雷达目标检测方法及系统。

技术介绍

[0002]毫米波雷达目标检测任务是自动驾驶技术中不可或缺的一环，它在恶劣环境下可以实现稳定的检测任务。
[0003]然而，雷达数据集的标注工作较为困难。由于雷达图像语义信息模糊，采用人工标注的方式往往难以实现准确的标注工作。虽然采用相机与雷达联合半监督的方式进行自动标注可以解决该问题，但是仍然会出现大量错标和漏标的问题，从而导致基于此标注的训练样本训练得到的毫米波雷达目标检测模型精确度差。
[0004]因此，亟需提供一种基于自监督学习的毫米波雷达目标检测方法，在较少的数据支撑下仍然得到更高的检测效果，以更准确地检测目标。

技术实现思路

[0005]本专利技术的目的是提供一种应用于车载毫米波雷达目标检测方法及系统，通过对目标检测模型进行自监督学习，在较少的数据支撑下仍然得到更高的检测效果，提高目标检测的准确性。
[0006]为实现上述目的，本专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于车载毫米波雷达目标检测方法，其特征在于，所述目标检测方法包括：获取雷达热图；建立目标检测模型；将所述雷达热图作为所述目标检测模型的输入，采用自监督学习预训练方法和有监督学习训练方法对所述目标检测模型进行训练，得到训练好的目标检测模型；基于所述训练好的目标检测模型对目标的类别和位置进行检测。2.根据权利要求1所述的目标检测方法，其特征在于，所述获取雷达热图，具体包括：获取所述目标回波信号；对所述目标回波信号进行快速傅里叶变换，得到距离维信息；对包含距离维信息的目标回波信号进行低通滤波处理，得到平滑的雷达信号；对所述平滑的雷达信号进行快速傅里叶变换，分别得到多普勒维信息和角度维信息；根据所述距离维信息、所述多普勒维信息和所述角度维信息，分别得到距离
‑
多普勒热力图和距离
‑
角度热力图，所述雷达热图包括所述距离
‑
多普勒热力图和所述距离
‑
角度热力图。3.根据权利要求2所述的目标检测方法，其特征在于，所述将所述雷达热图作为所述目标检测模型的输入，采用自监督学习预训练方法和有监督学习训练方法对所述目标检测模型进行训练，得到训练好的目标检测模型，具体包括：所述目标检测模型包括预训练模型和目标检测网络；将所述雷达热图作为所述预训练模型的输入，采用MIM自监督学习方法训练所述预训练模型，输出预训练权重和包含目标类别和位置信息的热力图；将所述热力图作为所述目标检测网络的输入，将所述预训练权重作为所述目标检测网络的训练权重，采用有监督学习训练所述目标检测网络；基于训练好的目标检测网络检测目标的类别和位置。4.根据权利要求3所述的目标检测方法，其特征在于，所述将所述雷达热图作为所述预训练模型的输入，采用MIM自监督学习方法训练所述预训练模型，具体包括：对所述雷达热图进行遮掩操作，得到遮掩后雷达热图；构建基于Transformer结合3D卷积的预训练网络；将所述遮掩后雷达热图作为所述预训练网络的输入，采用自监督学习方法训练所述预训练网络。5.根据权利要求4所述的目标检测方法，其特征在于，所述对所述雷达热图进行遮掩操作，得到遮掩后雷达热图，具体包括：对多帧连续的所述雷达热图，分别进行空间遮掩和时间遮掩，得到所述遮掩后雷达热图；所述空间遮掩是指在空间维度对多帧连续的每一所述雷达热图的部分区域进行遮掩；所述时间遮掩是指在时间维度对多帧连续的所述雷达热图中任意几帧所述雷达热图的全部区域进行遮掩。6.根据权利要求4所述的目标检测...

【专利技术属性】
技术研发人员：蒋铁珍，庄龙，肖凯，李庆祝，谢小娜，王安琪，
申请(专利权)人：安徽大学，
类型：发明
国别省市：