基于机器学习的毫米波雷达虚假目标判断方法及装置制造方法及图纸

本申请公开了一种基于机器学习的毫米波雷达虚假目标判断方法

【技术实现步骤摘要】
基于机器学习的毫米波雷达虚假目标判断方法及装置


[0001]本申请涉及目标检测分类
，特别涉及一种基于机器学习的毫米波雷达虚假目标判断方法
、
装置及介质
。

技术介绍

[0002]随着毫米波雷达技术的发展，其成本更低，不容易受天气影响，且相比摄像头具有更好的测速和测距效果，毫米波雷达在自动驾驶场景中的应用越来越广泛
。
[0003]毫米波雷达通过计算发射信号和接收信号的波程时间差，经过一系列的信号处理和数据处理方法，估计出目标的大小，类别以及航迹数据等，作为最终的目标信息传递给下级模块
。
[0004]但是在上述目标检测过程中，可能会存在多种虚假目标，例如，虚假目标可能因以下两种情况存在
。
[0005](1)
由于真实目标所在环境存在金属围栏
、
铁门
、
铁皮墙，金属护栏等强反射体，被目标散射出的电磁波信号与该强反射体产生二次以及多次反射后形成多径虚假目标
。
[0006](2)
在信号处理阶段，需要对目标进行多普勒解模糊处理，在此过程中可能会出现解模糊错误的点，这些错误点同样会形成虚假目标
。
[0007]这些虚假目标会干扰毫米波雷达对真实目标的检测，影响目标跟踪性能，并对下一级的自动驾驶系统产生干扰，因此必须对毫米波雷达检测中的虚假目标进行剔除处理
。
[0008]目前提出虚假目标的方法，大多存在漏检真实目标的可能性，而且算法复杂度高只能抑制单一情况的虚假目标
。
因而，迫切需要一种能适应多种场景，复杂度低，易于实现和扩展的方法来进行对目标进行分类，从而能准确将虚假目标剔除
。

技术实现思路

[0009]本申请实施例提供了一种基于机器学习的毫米波雷达虚假目标判断方法及装置，能够达到适用多种场景
、
降低复杂度
、
提高虚假目标判断准确性的效果
。
所述技术方案如下：
[0010]一方面，提供了一种基于机器学习的毫米波雷达虚假目标判断方法，所述方法包括：
[0011]基于毫米波雷达对各种场景进行采集，得到第一场景数据；
[0012]基于摄像头和激光雷达对所述各种场景进行采集，得到第二场景数据；
[0013]对所述第一场景数据进行目标识别，得到至少一个候选目标；
[0014]通过所述第二场景数据，对所述至少一个候选目标进行标注，得到标注数据，所述标注数据包括所述至少一个确定所述至少一个候选目标中每个候选目标为真实目标或虚假目标；
[0015]以所述第一场景数据作为训练样本数据，结合所述标注数据，对分类器进行训练，得到目标分类器，所述目标分类器用于分类目标为真实目标或虚假目标
。
[0016]在一些实施例中，所述第一场景数据包括发射信号和接收信号；
[0017]所述对所述第一场景数据进行目标识别，得到至少一个候选目标，包括：
[0018]对所述发射信号和所述接收信号进行信号处理，得到所述毫米波雷达的点云信息；
[0019]对所述点云信息进行数据处理，得到所述至少一个候选目标
。
[0020]在一些实施例中，所述对所述发射信号和所述接收信号进行信号处理，得到所述毫米波雷达的点云信息，包括：
[0021]对所述发射信号和所述接收信号依次进行模拟到数字
AD
采样
、
距离维快速傅里叶变换
Range FFT、
多普勒快速傅里叶变换
Doppler FFT、
非相干累加
Non
‑
coherent Combing、
恒虚警率
CFAR、
来波方向估计
DOAEstimation
，得到所述毫米波雷达的点云信息；
[0022]所述对所述点云信息进行数据处理，得到所述至少一个候选目标，包括：
[0023]对所述点云信息进行聚类
、
关联
、
卡尔曼滤波处理，得到所述至少一个候选目标
。
[0024]在一些实施例中，所述方法还包括下述至少一项：
[0025]在所述信号处理的阶段中，提取候选目标的微多普勒信息，基于所述微多普勒信息对所述至少一个候选目标进行标注，得到所述至少一个候选目标的第一候选标注数据；
[0026]通过能量谱峰
、
距离
‑
多普勒映射
Range
‑
Doppler Map
，对所述毫米波雷达的点云信息中点云进行标记，所述标记用于指示所述点云是否为峰值点和多径点，得到第二候选标注数据；
[0027]基于运动模型，在所述数据处理的阶段中，从所述至少一个候选目标中提取相似运动属性的候选目标，对提取的候选目标进行镜像判断，确定所述候选目标为真实目标或虚假目标，得到第三候选标注数据；
[0028]在所述数据处理的阶段中，通过路沿提取算法获取路沿信息，根据所述路沿信息，将路沿外侧的候选目标直接确定为虚假目标，得到第四候选标注数据；
[0029]所述通过所述第二场景数据，对所述至少一个候选目标进行标注，得到标注数据，包括：
[0030]通过所述第二场景数据，对所述至少一个候选目标进行标注，得到第五候选标注数据；
[0031]对所述第一候选标注数据
、
第二候选标注数据
、
第三候选标注数据和第四候选标注数据中的至少一项，以及所述第五候选标注数据进行融合，得到标注数据
。
[0032]在一些实施例中，所述以所述第一场景数据作为训练样本数据，结合所述标注数据，对分类器进行训练，得到目标分类器，包括：
[0033]将所述第一场景数据作为训练样本数据输入分类器中，由所述分类器对所述训练样本数据进行特征提取得到目标检测特征，基于所述目标检测特征对所述训练样本数据中每个目标进行分类，输出所述每个目标的预测分类结果，所述预测分类结果用于指示所述每个目标是真实目标或虚假目标；
[0034]根据所述标注数据，确定所述预测分类结果的误差；
[0035]根据所述误差对所述分类器的参数进行调整，基于调整后的分类器再次进行基于第一场景数据对每个目标进行分类的步骤和误差的确定步骤，直至符合条件时停止训练得到目标分类器
。
[0036]在一些实施例中，所述由所述分类器对所述训练样本数据进行特征提取得到目标检测特征，包括：
[0037]由所述分类器根据预定义目标检测特征，对所述训练样本数据进行特征提取得到目标检测特征集；
[0038]相应地，所述基于所述目标检测特征对所述训练样本数据中每个目标进行分类，输出所述每个目标的预测分类结果，包括：
[0039]基于所述目标检测特征集，对所述训练样本数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的毫米波雷达虚假目标判断方法，其特征在于，所述方法包括：基于毫米波雷达对各种场景进行采集，得到第一场景数据；基于摄像头和激光雷达对所述各种场景进行采集，得到第二场景数据；对所述第一场景数据进行目标识别，得到至少一个候选目标；通过所述第二场景数据，对所述至少一个候选目标进行标注，得到标注数据，所述标注数据包括所述至少一个确定所述至少一个候选目标中每个候选目标为真实目标或虚假目标；以所述第一场景数据作为训练样本数据，结合所述标注数据，对分类器进行训练，得到目标分类器，所述目标分类器用于分类目标为真实目标或虚假目标
。2.
根据权利要求1所述的方法，其特征在于，所述第一场景数据包括发射信号和接收信号；所述对所述第一场景数据进行目标识别，得到至少一个候选目标，包括：对所述发射信号和所述接收信号进行信号处理，得到所述毫米波雷达的点云信息；对所述点云信息进行数据处理，得到所述至少一个候选目标
。3.
根据权利要求2所述的方法，其特征在于，所述对所述发射信号和所述接收信号进行信号处理，得到所述毫米波雷达的点云信息，包括：对所述发射信号和所述接收信号依次进行模拟到数字
AD
采样
、
距离维快速傅里叶变换
Range FFT、
多普勒快速傅里叶变换
Doppler FFT、
非相干累加
Non
‑
coherent Combing、
恒虚警率
CFAR、
来波方向估计
DOAEstimation
，得到所述毫米波雷达的点云信息；所述对所述点云信息进行数据处理，得到所述至少一个候选目标，包括：对所述点云信息进行聚类
、
关联
、
卡尔曼滤波处理，得到所述至少一个候选目标
。4.
根据权利要求2所述的方法，其特征在于，所述方法还包括下述至少一项：在所述信号处理的阶段中，提取候选目标的微多普勒信息，基于所述微多普勒信息对所述至少一个候选目标进行标注，得到所述至少一个候选目标的第一候选标注数据；通过能量谱峰
、
距离
‑
多普勒映射
Range
‑
Doppler Map
，对所述毫米波雷达的点云信息中点云进行标记，所述标记用于指示所述点云是否为峰值点和多径点，得到第二候选标注数据；基于运动模型，在所述数据处理的阶段中，从所述至少一个候选目标中提取相似运动属性的候选目标，对提取的候选目标进行镜像判断，确定所述候选目标为真实目标或虚假目标，得到第三候选标注数据；在所述数据处理的阶段中，通过路沿提取算法获取路沿信息，根据所述路沿信息，将路沿外侧的候选目标直接确定为虚假目标，得到第四候选标注数据；所述通过所述第二场景数据，对所述至少一个候选目标进行标注，得到标注数据，包括：通过所述第二场景数据，对所述至少一个候选目标进行标注，得到第五候选标注数据；对所述第一候选标注数据
、
第二候选标注数据
、
第三候选标注数据和第四候选标注数据中的至少一项，以及所述第五候选标注数据进行融合，得到标注数据
。5.
根据权利要求1所述的方法，其特征在于，所述以所述第...

【专利技术属性】
技术研发人员：王俊杰，王恺，王宸，赵婉婉，李钢，李旭阳，
申请(专利权)人：赛恩领动上海智能科技有限公司，
类型：发明
国别省市：