一种基于多样化样本回放的毫米波雷达点云类增量学习方法技术

本发明专利技术公开了一种基于多样化样本回放的毫米波雷达点云类增量学习方法，涉及目标识别技术领域，包括：采集雷达原始回波信号，并对雷达原始回波信号进行处理，得到切片级点云数据；将切片级点云数据输入至训练好的增量学习模型，对切片级点云数据中的目标进行识别；其中，训练好的增量学习模型以预设类别的数据作为训练数据，对初始增量学习模型进行训练得到，当训练好的增量学习模型需要识别新类别的数据时，更新训练好的增量学习模型；初始增量学习模型包括特征提取模块、分类识别模块、基于不确定性估计的旧类样本挑选模块和旧类模型更新模块。本发明专利技术提出的增量算法复杂度更低，对存储量的需求也低，同时能保持较好的增量学习性能。

【技术实现步骤摘要】

本专利技术属于目标识别，具体涉及一种基于多样化样本回放的毫米波雷达点云类增量学习方法。

技术介绍

1、近年来，汽车逐渐成为人们主要的出行工具，道路交通安全也越来越受到人们重视。目前，光学摄像头和毫米波雷达是最主要的道路交通监控方式。与光学摄像头相比，毫米波雷达抗干扰能力强、不受恶劣气候影响、能够全天时全天候工作，而且探测距离远、监控范围广，可实现超远距目标精确感知。毫米波雷达点云数据能同时反映目标的测量位置、速度、几何形状、散射强度等信息，还具有数据量小，能减轻雷达终端设备系统负载的优点，是雷达目标识别中常用的数据形式。因此，研究基于交通场景下的毫米波雷达点云目标识别方法，对于道路交通安全具有重要意义。而研究面向开放动态环境下的毫米波雷达点云类增量学习方法，对于推动毫米波交通雷达设备在实际环境中的应用具有重大价值。

2、近年来，类增量学习方法受到广大研究者的关注。早期的研究者研究了基于传统分类器的类增量学习方法。ristin m，guillaumin m，gall j，etal.(incrementallearning of random fo本文档来自技高网...

【技术保护点】

1.一种基于多样化样本回放的毫米波雷达点云类增量学习方法，其特征在于，包括：

2.根据权利要求1所述的基于多样化样本回放的毫米波雷达点云类增量学习方法，其特征在于，所述对所述雷达原始回波信号进行处理，得到切片级点云数据，包括：

3.根据权利要求1所述的基于多样化样本回放的毫米波雷达点云类增量学习方法，其特征在于，对所述初始增量学习模块进行训练的过程包括：

4.根据权利要求3所述的基于多样化样本回放的毫米波雷达点云类增量学习方法，其特征在于，所述将所述l维特征向量经过以最近邻均值的随机森林分类器为基础的分类识别模块进行分类识别，获取训练好的增量学习模型，...

【技术特征摘要】

1.一种基于多样化样本回放的毫米波雷达点云类增量学习方法，其特征在于，包括：

2.根据权利要求1所述的基于多样化样本回放的毫米波雷达点云类增量学习方法，其特征在于，所述对所述雷达原始回波信号进行处理，得到切片级点云数据，包括：

3.根据权利要求1所述的基于多样化样本回放的毫米波雷达点云类增量学习方法，其特征在于，对所述初始增量学习模块进行训练的过程包括：

4.根据权利要求3所述的基于多样化样本回放的毫米波雷达点云类增量学习方法，其特征在于，所述将所述l维特征向量经过以最近邻均值的随机森林分类器为基础的分类识别模块进行分类识别，获取训练好的增量学习模型，包括：

5.根据权利要求4所述的基于多样化样本回放的毫米波雷达点云类增量学习方法，其特征在于，所述将更新的所述子训练集和其对应的更新的子特征向量集输入至最近邻均值随机森林，获取决策树，包括：

6.根据权利要求1所述的基于多样化样本回放的毫米波雷达点云类增量...

【专利技术属性】
技术研发人员：杜兰，李顺虎，周宇，宋佳伦，陈健，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：