工程车辆和物体识别方法与流程

本发明涉及物体识别技术领域，具体而言，涉及一种工程车辆和物体识别方法。

背景技术：

车辆对复杂条件下的交通环境的感知能力对车辆行驶的安全性、智能性影响较大，因此，如何提高车辆对交通环境感知能力的准确性成为目前亟需解决的技术问题。

技术实现要素：

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的第一方面提出一种工程车辆。

本发明的第二方面提出一种物体识别方法。

有鉴于此，本发明的第一方面提供了一种工程车辆，包括：第一采集装置，被配置为适于采集位置参数和运行参数；第二采集装置，被配置为适于采集图像参数；存储器，存储器存储有计算机程序；处理器，处理器执行计算机程序时执行以下步骤：获取第一采集装置的第一采集数据和第二采集装置的第二采集数据；根据第一采集数据和第二采集数据构建线性集成模型；根据线性集成模型进行隶属度计算；根据隶属度计算结果计算并输出识别结果。

本发明提供的工程车辆，包括第一采集装置、第二采集装置、存储器和处理器，其中，第一采集装置被配置为适于采集位置参数和运行参数，第二采集装置被配置为适于采集图像参数，存储器存储有计算机程序，处理器执行计算机程序时执行如下控制策略。获取第一采集装置的第一采集数据和第二采集装置的第二采集数据，由于第一采集装置和第二采集装置可以采集不同种类的特征参数，即第一采集数据和第二采集数据包括不同类别的不同特征，进而使得对物体识别的特征元素的类别有所增多，通过根据第一采集数据和第二采集数据构建线性集成模型，并根据线性集成模型进行隶属度计算，根据隶属度计算结果输出识别结果，实现了将不同类别的特征元素通过线性集成方法融合后进行隶属度计算，由于线性集成方法(olc)具有较好的集成性能，其判决结果优于单特征的识别结构，且具有较强的鲁棒性，进而有利于提高隶属度计算结果的准确性，即提高物体识别的准确度，提高车辆对交通环境感知能力的准确性。

具体地，第二采集装置为视觉传感器，视觉传感器具有成本低、采集数据信息量丰富、易于目标识别分类等优点，广泛应用于工程车辆的前方目标检测。基于视觉传感器的目标检测可以分为基于单目视觉和基于双目(多目)视觉的目标检测。其中基于单目视觉的目标检测可分为检测与识别两个过程。首先通过初始检测来获得假设目标，利用目标特征和图像运动来形成假设的目标区域，然后通过基于模板与基于机器学习的方法对假设进行核定。基于视觉的检测方法易受环境(天气、光照等)影响，且无法获取目标的准确运动信息。

第一采集装置为毫米波雷达，毫米波雷达使用30ghz至300ghz频域的电磁波，穿透烟、尘等能力强，具有良好的环境适应性，可探测障碍物相对雷达的距离、速度等信息，是目前智能车辆广泛采用的传感器之一。但是，由于毫米波雷达传感器的工作原理，毫米波雷达探测噪声较大，杂波数据较多。现有雷达杂波剔除方法主要有阈值法与模型法，这类方法的参数设置通常不具有普适性与场景自适应性。此外，毫米波雷达无法获取目标的几何信息与类别信息。

因此，若单独以视觉传感器的采集数据进行物体识别，或单独以雷达的采集数据进行物体识别均会降低物体识别的准确度，因此，本申请通过根据第一采集数据和第二采集数据构建线性集成模型，利用线性集成模型将视觉传感器和雷达的采集数据中的特征集成后进行识别，由于线性集成模型具有权重矢量，有利于根据特征的类别以不同的权重来进行隶属度计算，进而有利于充分利用视觉传感器、雷达采集数据的置信度，提高融合结果的准确度，进而提高物体识别的准确度。

另外，本发明提供的上述技术方案中的工程车辆还可以具有如下附加技术特征：

在上述技术方案中，进一步地，处理器执行计算机程序时执行根据隶属度计算结果输出识别结果的步骤，具体包括：记录隶属度计算结果；对相邻的至少两个隶属度计算结果进行融合，或对间隔预设数量的两个隶属度计算结果进行融合；根据融合结果，计算识别结果并输出。

在该技术方案中，限定了根据隶属度计算结果输出识别结果的具体控制策略。通过记录隶属度计算结果，一方面，对相邻的至少两个隶属度计算结果进行融合，另一方面，对间隔预设数量的两个隶属度计算结果进行融合，并根据融合结果，计算识别结果并输出，引入了连续融合思想，利用前一时刻或前面任一时刻的隶属度计算结果对当前的隶属度计算结果进行校验，有利于进一步提高融合结果的准确度，进而提高物体识别的准确率和可靠性，有利于提高工程车辆行驶的安全性和智能性。

进一步地，相邻的至少两个隶属度计算结果可以为相邻的两个隶属度计算结果、相邻的三个隶属度计算结果、相邻的四个隶属度计算结果等，即对相邻的两个、或三个、或四个隶属度计算结果进行融合；预设数量可以为一个、两个或满足要求的其他数量，即对当前的隶属度计算结果和其之前的第二个隶属度计算结果进行融合，或对当前的隶属度计算结果和其之前的第三个隶属度计算结果进行融合。通过不同的方法对不同数量、不同位置的隶属度计算结果进行融合，能够扩大产品的使用范围。

在上述任一技术方案中，进一步地，处理器执行计算机程序时执行根据第一采集数据和第二采集数据构建线性集成模型的步骤，具体包括：根据第一采集数据和第二采集数据建立样本后验判决概率输出矩阵；根据后验判决概率输出矩阵确认样本与任一目标相对应的后验判决概率输出量；根据后验判决概率输出量和集成权重矢量建立线性集成模型。

在该技术方案中，限定了根据第一采集数据和第二采集数据构建线性集成模型的具体控制策略。首先，通过第一采集数据和第二采集数据建立样本后验判决概率输出矩阵，然后，根据后验判决概率输出矩阵确认样本与任一目标相对应的后验判决概率输出量，接着，引入与任一目标相对应的集成权重矢量，根据后验判决概率输出量和集成权重矢量建立线性集成模型，由于集成权重矢量与任一目标相对应，进而有利于根据目标的类别设定不同的权重矢量，有利于进一步提高识别结果的准确性。

在上述任一技术方案中，进一步地，处理器执行计算机程序时执行根据第一采集数据和第二采集数据建立后验判决概率输出矩阵的步骤，具体包括：

采用公式(1)建立后验判决概率输出矩阵；

式中，表示具有m个特征(f1,f2,…,fm)的输入样本x的第n个特征属于ωi的概率，ωi为第i类目标；

在该技术方案中，限定了通过第一采集数据和第二采集数据建立后验证判决概率输出矩阵的具体控制策略。其中，公式(1)可以理解为：设(f1,f2,…,fm)为输入样本x的m个特征，ωi为第i类目标，表示输入样本x的第n个特征属于ωi的概率，也就是说，本申请直接采用第一采集数据和第二采集数据中各个特征与目标特征的隶属度作为线性集成的输入参数(权值)，具有权值意义清晰、计算简单的优点，进而有利于提高识别效率和对物体识别的准确率，提高工程车辆对行驶环境识别能力的准确性和及时性。

进一步地，可以采用最小均方错误准则(mse，meansquareerror)、最小分类错误准则(mce，minimumclassificationerror)等方法为输入样本中的各个特征分配合理的概率或权重。也可以采用其他方式为输入样本中的各个特征分配合理的概率或权重。具体地，以如下方式为输入样本中的各个特征分配合理的概率或权重：若当前可靠程度较高的特征应当被赋予较大的权重，而可靠程度的高低可用隶属度来判断，隶属度越接近0时，目标为真的可能性越低，隶属度越接近1，目标为真的可能性越高。

在上述任一技术方案中，进一步地，处理器执行计算机程序时执行根据后验判决概率输出矩阵确认样本与任一目标相对应的后验判决概率输出量的步骤，具体包括：

根据公式(1)确认输入样本x与第i类目标相对应的后验判决概率输出量为：

处理器执行计算机程序时执行根据后验判决概率输出量和集成权重矢量建立线性集成模型的步骤，具体包括：

采用公式(2)建立线性集成模型；

p(ωi)＝ω^tpⁱ(f)(2)；

式中，w＝[ω1，ω2，…，ωn]^t为第i类目标所对应的集成权重矢量，ωn为第n个特征的集成权重。

在该技术方案中，限定了建立线性集成模型的具体控制策略。首先，根据公式(1)确认参数与第i类目标相对应的后验判决概率输出量为：然后，引入第i类目标所对应的集成权重矢量w＝[ω1，ω2，…，ωm]^t，其中，ωn为第n个特征的集成权重，然后，根据公式(2)p(ωi)＝ω^tpⁱ(f)建立线性集成模型。由于线性集成判决的关键在于合理分配各个特征的权重，而pⁱ(f)为参数与第i类目标相对应的后验判决概率输出量，即直接采用第一采集数据和第二采集数据中各个特征与目标特征的隶属度作为线性集成的输入参数，具有权值意义清晰、计算简单的优点，进而有利于提高识别效率和识别的准确率，提高工程车辆对行驶环境的识别能力。

在上述任一技术方案中，进一步地，基于对相邻的两个隶属度计算结果进行融合的情况，处理器执行计算机程序时执行对相邻的两个隶属度计算结果进行融合的步骤，具体包括：

采用公式(3)对相邻的两个隶属度计算结果进行融合；

式中：d1，d2为隶属度判决门限，wv为控制收敛速度快慢的权重因子。

在该技术方案中，限定了对相邻的两个隶属度计算结果进行融合的具体控制策略。具体地，根据公式(3)对相邻的两个隶属度计算结果进行融合，其中，为前一个隶属度计算结果，p(ωj)(n)为当前的隶属度计算结果，为融合结果。也就是说，本申请考虑到前一次的隶属度计算结果和当前的隶属度计算结果的隶属度均反映了特征隶属于目标的真假可信程度的高低，可以直接比较它们和最难区分的情形的距离，则如果相邻的两个隶属度计算结果连续一致，则识别结果融合后得到结果可信程度应当比单次识别要高；如果相邻的两个隶属度计算结果不一致，这时的识别结果的可信度应当降低。本申请考虑到前一次隶属度计算结果和当前隶属度计算结果的隶属度均反映了目标属于真假可信程度的高低，可以直接比较它们和最难区分的情形的距离。具体来说，如果第i个目标第n次的当前隶属度集成输出结果为p(ωj)(n)，前一次连续识别融合结果隶属度为则通过公式(3)进行融合。

具体地，公式(3)的识别融合原理解释如下：如果前一次融合判决与当前判决一致，且隶属度计算结果均大于d1，说明两次隶属度计算结果均表示特征x有较大的概率属于同一类目标，则x隶属于当前类别的隶属度在前次融合的基础上将增大，增大的幅度取决于当前得到的隶属度p(ωj)(n)及权重因子wv，p(ωj)(n)和wv越大，则融合结果隶属度接近1的速度越快；如果前一次判决与当前判决一致，且隶属度计算结果均小于d2，说明两次隶属度计算结果均认为特征x属于同一类目标的概率较小，则x隶属于当前类别的隶属度在前次融合的基础上将减小，即目标为该类别的隶属度将变小，变小的幅度也取决于当前的隶属度p(ωj)(n)及权重因子wv；如果两次判决不一致，则融合后的计算结果取决于相邻两侧隶属度计算结果的绝对大小。通过上述控制策略，有利于进一步提高物体识别的速度和准确度，进而提高物体识别的有效性，提高车辆运行的安全性和智能型，适于推广应用。

进一步地，根据公式(4)计算并输出识别结果，当时，即则判定x∈ωi，即当融合计算等于第i类目标的最大阈值时，说明特征x隶属于第i类目标，即特征x为第i类目标。否则，则说明特征x不隶属于第i类目标。

在上述任一技术方案中，进一步地，在根据第一采集数据和第二采集数据构建线性集成模型的步骤之前，处理器还被配置为用于执行计算机程序以实现：对第一采集数据和第二采集数据进行坐标系转换。

在该技术方案中，公开了在构建线性集成模型之前需求对第一采集数据和第二采集数据进行坐标系转化，有利于进一步提高识别结果的准确性和有效性。

具体地，公式(5)描述了第一采集装置的第一采集数据的坐标系中点云坐标(x,y,z)与第二采集装置的第二采集数据的图像坐标系下对应像素点(u,v)之间的转换关系：

其中，第二采集装置的内参矩阵第二采集装置和第一采集装置之间的外参是已知参数，匹配上第一采集装置三维点云对应的像素点后，得到像素点对应的空间中实际物体深度zc。

在上述任一技术方案中，进一步地，在根据第一采集数据和第二采集数据构建线性集成模型的步骤之前，处理器还被配置为用于执行计算机程序以实现：对第一采集数据和第二采集数据进行帧同步。

在该技术方案中，公开了在构建线性集成模型之前需求对第一采集数据和第二采集数据进行帧同步，有利于进一步提高识别结果的准确性和有效性。

具体地，第一采集装置和第二采集装置的采集数据除了在空间上需要进行融合，还需要在时间上同步采集数据，实现时间的融合。以第一采集装置为毫米波雷达为例，根据毫米波雷达功能工作手册，其采样周期为50ms，即采样帧速率为20帧/秒，以第二采集装置为摄像机为例，摄像机采样帧速率为25帧/秒。为了保证数据的同步性，采用时间戳做差值，以低帧率传感器(毫米波雷达)优先的方式，寻找对应差值最低的高帧率传感器(摄像机)数据帧，从而完成传感器数据间的帧同步匹配。

在上述任一技术方案中，进一步地，第一采集装置为雷达，第二采集装置为视觉传感器。

在该技术方案中，第一采集装置为雷达，可以理解的是，第一采集装置也可以为满足要求的其他采集装置。第二采集装置为视觉传感器，可以理解的是，第二采集装置可以为满足要求的其他采集装置。

具体地，第一采集装置为毫米波雷达使用30ghz至300ghz频域的电磁波，穿透烟、尘等能力强，具有良好的环境适应性，可探测障碍物相对雷达的距离、速度等信息，是目前智能车辆广泛采用的传感器之一。

第二采集装置为摄像机，摄像机具有成本低、采集数据信息量丰富、易于目标识别分类等优点，广泛应用于前方目标检测。

根据本发明的第二个方面，提供了一种物体识别方法，用于上述第一方面任一技术方案的工程车辆，物体识别方法包括：获取第一采集装置的第一采集数据和第二采集装置的第二采集数据；根据第一采集数据和第二采集数据构建线性集成模型；根据线性集成模型进行隶属度计算；根据隶属度计算结果输出识别结果。

本发明提供的物体识别方法，用于上述第一方面任一技术方案的工程车辆，物体识别方法包括：获取第一采集装置的第一采集数据和第二采集装置的第二采集数据，由于第一采集装置和第二采集装置可以采集不同种类的特征参数，即第一采集数据和第二采集数据包括不同类别的不同特征，进而使得对物体识别的特征元素的类别有所增多，通过根据第一采集数据和第二采集数据构建线性集成模型，并根据线性集成模型进行隶属度计算，根据隶属度计算结果输出识别结果，实现了将不同类别的特征元素通过线性集成方法融合后进行隶属度计算，由于线性集成方法(olc)具有较好的集成性能，其判决结果优于单特征的识别结构，且具有较强的鲁棒性，进而有利于提高隶属度计算结果的准确性，即提高物体识别的准确度，提高车辆对交通环境感知能力的准确性。

在上述技术方案中，进一步地，根据隶属度计算结果输出识别结果的步骤，具体包括：记录隶属度计算结果；对相邻的至少两个隶属度计算结果进行融合，或对间隔预设数量的两个所述隶属度计算结果进行融合；根据融合结果，计算识别结果并输出。

在该技术方案中，通过记录隶属度计算结果，一方面，对相邻的至少两个隶属度计算结果进行融合，另一方面，对间隔预设数量的两个隶属度计算结果进行融合，并根据融合结果，计算识别结果并输出，引入了连续融合思想，利用前一时刻或前面任一时刻的计算结果对当前的计算结果进行校验，有利于进一步提高物体识别的准确率和可靠性，有利于提高工程车辆行驶的安全性和智能性。

在上述技术方案中，进一步地，根据第一采集数据和第二采集数据构建线性集成模型的步骤，具体包括：根据第一采集数据和第二采集数据建立样本后验判决概率输出矩阵；根据后验判决概率输出矩阵确认样本与任一目标相对应的后验判决概率输出量；根据后验判决概率输出量和集成权重矢量建立线性集成模型。

在上述技术方案中，进一步地，根据第一采集数据和第二采集数据建立后验判决概率输出矩阵的步骤，具体包括：

采用公式(1)建立后验判决概率输出矩阵；

式中，表示具有m个特征(f1,f2,…,fm)的输入样本x的第n个特征属于ωi的概率，ωi为第i类目标；

在上述技术方案中，进一步地，根据后验判决概率输出矩阵确认样本与任一目标相对应的后验判决概率输出量的步骤，具体包括：

根据公式(1)确认输入样本x与第i类目标相对应的后验判决概率输出量为：

根据后验判决概率输出量和集成权重矢量建立线性集成模型的步骤，具体包括：

采用公式(2)建立线性集成模型；

p(ωi)＝ω^tpⁱ(f)(2)；

式中，w＝[ω1，ω2，…，ωm]^t为第i类目标所对应的集成权重矢量，ωn为第n个特征的集成权重。

在上述技术方案中，进一步地，基于对相邻的两个所述隶属度计算结果进行融合的情况，对相邻的两个隶属度计算结果进行融合的步骤，具体包括：

采用公式(3)对相邻的两个隶属度计算结果进行融合；

式中：d1，d2为隶属度判决门限，wv为控制收敛速度快慢的权重因子。

在上述技术方案中，进一步地，根据第一采集数据和第二采集数据构建线性集成模型的步骤之前，还包括：对第一采集数据和第二采集数据进行坐标系转换；和/或对第一采集数据和第二采集数据进行帧同步。

本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1示出了根据本发明的一个实施例提供的工程车辆的结构示意图；

图2示出了根据本发明的一个实施例提供的物体识别方法的流程示意图；

图3示出了根据本发明的第二个实施例提供的物体识别方法的流程示意图；

图4示出了根据本发明的第三个实施例提供的物体识别方法的流程示意图；

图5示出了根据本发明的一个实施例提供的物体识别方法中多特性的线性集成过程的示意图；

图6示出了根据本发明的一个实施例提供的物体识别方法的流程框图。

其中，图1中附图标记与部件名称之间的对应关系为：

100工程车辆，102第一采集装置，104第二采集装置，106存储器，108处理器。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1至图6描述根据本发明一些实施例的工程车辆和物体识别方法。

实施例1：

如图1所示，根据本发明的第一个方面，提供了一种工程车辆100，包括：第一采集装置102、第二采集装置104、存储器106和处理器108。

具体地，第一采集装置102被配置为适于采集位置参数和运行参数，第二采集装置104被配置为适于采集图像参数，存储器106存储有计算机程序，处理器108执行计算机程序时执行如下控制策略。获取第一采集装置102的第一采集数据和第二采集装置104的第二采集数据，由于第一采集装置102和第二采集装置104可以采集不同种类的特征参数，即第一采集数据和第二采集数据包括不同类别的不同特征，进而使得对物体识别的特征元素的类别有所增多，通过根据第一采集数据和第二采集数据构建线性集成模型，并根据线性集成模型进行隶属度计算，根据隶属度计算结果输出识别结果，实现了将不同类别的特征元素通过线性集成方法融合后进行隶属度计算，由于线性集成方法(olc)具有较好的集成性能，其判决结果优于单特征的识别结构，且具有较强的鲁棒性，进而有利于提高隶属度计算结果的准确性，即提高物体识别的准确度，提高车辆对交通环境感知能力的准确性。

具体地，第二采集装置104为视觉传感器，视觉传感器具有成本低、采集数据信息量丰富、易于目标识别分类等优点，广泛应用于工程车辆100的前方目标检测。基于视觉传感器的目标检测可以分为基于单目视觉和基于双目(多目)视觉的目标检测。其中基于单目视觉的目标检测可分为检测与识别两个过程。首先通过初始检测来获得假设目标，利用目标特征和图像运动来形成假设的目标区域，然后通过基于模板与基于机器学习的方法对假设进行核定。基于视觉的检测方法易受环境(天气、光照等)影响，且无法获取目标的准确运动信息。

第一采集装置102为毫米波雷达，毫米波雷达使用30ghz至300ghz频域的电磁波，穿透烟、尘等能力强，具有良好的环境适应性，可探测障碍物相对雷达的距离、速度等信息，是目前智能车辆广泛采用的传感器之一。但是，由于毫米波雷达传感器的工作原理，毫米波雷达探测噪声较大，杂波数据较多。现有雷达杂波剔除方法主要有阈值法与模型法，这类方法的参数设置通常不具有普适性与场景自适应性。此外，毫米波雷达无法获取目标的几何信息与类别信息。

因此，若单独以视觉传感器的采集数据进行物体识别，或单独以雷达的采集数据进行物体识别均会降低物体识别的准确度，因此，本申请通过根据第一采集数据和第二采集数据构建线性集成模型，利用线性集成模型将视觉传感器和雷达的采集数据中的特征集成后进行识别，由于线性集成模型具有权重矢量，有利于根据特征的类别以不同的权重来进行隶属度计算，进而有利于充分利用视觉传感器、雷达采集数据的置信度，提高融合结果的准确度，进而提高物体识别的准确度。

进一步地，限定了根据第一采集数据和第二采集数据构建线性集成模型的具体控制策略。首先，通过第一采集数据和第二采集数据建立样本后验判决概率输出矩阵，然后，根据后验判决概率输出矩阵确认样本与任一目标相对应的后验判决概率输出量，接着，引入与任一目标相对应的集成权重矢量，根据后验判决概率输出量和集成权重矢量建立线性集成模型，由于集成权重矢量与任一目标相对应，进而有利于根据目标的类别设定不同的权重矢量，有利于进一步提高识别结果的准确性。

具体地，采用公式(1)建立后验判决概率输出矩阵；

式中，表示具有m个特征(f1,f2,…,fm)的输入样本x的第n个特征属于ωi的概率，ωi为第i类目标。

在该实施例中，限定了通过第一采集数据和第二采集数据建立后验证判决概率输出矩阵的具体控制策略。其中，公式(1)可以理解为：设(f1,f2,…,fm)为输入样本x的m个特征，ωi为第i类目标，表示输入样本x的第n个特征属于ωi的概率，也就是说，本申请直接采用第一采集数据和第二采集数据中各个特征与目标特征的隶属度作为线性集成的输入参数(权值)，具有权值意义清晰、计算简单的优点，进而有利于提高识别效率和对物体识别的准确率，提高工程车辆100对行驶环境识别能力的准确性和及时性。

进一步地，可以采用最小均方错误准则(mse，meansquareerror)、最小分类错误准则(mce，minimumclassificationerror)等方法为输入样本中的各个特征分配合理的概率或权重。也可以采用其他方式为输入样本中的各个特征分配合理的概率或权重。具体地，以如下方式为输入样本中的各个特征分配合理的概率或权重：若当前可靠程度较高的特征应当被赋予较大的权重，而可靠程度的高低可用隶属度来判断，隶属度越接近0时，目标为真的可能性越低，隶属度越接近1，目标为真的可能性越高。

具体地，根据公式(1)确认输入样本x与第i类目标相对应的后验判决概率输出量为：采用公式(2)建立线性集成模型；

p(ωi)＝ω^tpⁱ(f)(2)；

式中，w＝[ω1，ω2，…，ωm]^t为第i类目标所对应的集成权重矢量，ωn为第n个特征的集成权重。

在该实施例中，限定了建立线性集成模型的具体控制策略。首先，根据公式(1)确认参数与第i类目标相对应的后验判决概率输出量为：然后，引入第i类目标所对应的集成权重矢量w＝[ω1，ω2，…，ωm]^t，其中，ωn为第n个特征的集成权重，然后，根据公式(2)p(ωi)＝ω^tpⁱ(f)建立线性集成模型。由于线性集成判决的关键在于合理分配各个特征的权重，而pⁱ(f)为参数与第i类目标相对应的后验判决概率输出量，即直接采用第一采集数据和第二采集数据中各个特征与目标特征的隶属度作为线性集成的输入参数，具有权值意义清晰、计算简单的优点，进而有利于提高识别效率和识别的准确率，提高工程车辆100对行驶环境的识别能力。

实施例2：

如图1所示，本发明的一个实施例中，在上述实施例1的基础上，进一步地，处理器108执行计算机程序时执行根据隶属度计算结果输出识别结果的步骤，具体包括：记录隶属度计算结果；对相邻的至少两个隶属度计算结果进行融合，或对间隔预设数量的两个隶属度计算结果进行融合；根据融合结果，计算识别结果并输出。

在该实施例中，限定了根据隶属度计算结果输出识别结果的具体控制策略。通过记录隶属度计算结果，一方面，对相邻的至少两个隶属度计算结果进行融合，另一方面，对间隔预设数量的两个隶属度计算结果进行融合，并根据融合结果，计算识别结果并输出，引入了连续融合思想，利用前一时刻或前面任一时刻的隶属度计算结果对当前的隶属度计算结果进行校验，有利于进一步提高融合结果的准确度，进而提高物体识别的准确率和可靠性，有利于提高工程车辆行驶的安全性和智能性。

进一步地，相邻的至少两个隶属度计算结果可以为相邻的两个隶属度计算结果、相邻的三个隶属度计算结果、相邻的四个隶属度计算结果等，即对相邻的两个、或三个、或四个隶属度计算结果进行融合；预设数量可以为一个、两个或满足要求的其他数量，即对当前的隶属度计算结果和其之前的第二个隶属度计算结果进行融合，或对当前的隶属度计算结果和其之前的第三个隶属度计算结果进行融合。通过不同的方法对不同数量、不同位置的隶属度计算结果进行融合，能够扩大产品的使用范围。

具体地，基于对相邻的两个隶属度计算结果进行融合的情况，采用公式(3)对相邻的两个隶属度计算结果进行融合；

式中：d1，d2为隶属度判决门限，wv为控制收敛速度快慢的权重因子。

在该实施例中，限定了对相邻的两个隶属度计算结果进行融合的具体控制策略。具体地，根据公式(3)对相邻的两个隶属度计算结果进行融合，其中，为前一个隶属度计算结果，p(ωj)(n)为当前的隶属度计算结果，为融合结果。也就是说，本申请考虑到前一次的隶属度计算结果和当前的隶属度计算结果的隶属度均反映了特征隶属于目标的真假可信程度的高低，可以直接比较它们和最难区分的情形的距离，则如果相邻的两个隶属度计算结果连续一致，则识别结果融合后得到结果可信程度应当比单次识别要高；如果相邻的两个隶属度计算结果不一致，这时的识别结果的可信度应当降低。本申请考虑到前一次隶属度计算结果和当前隶属度计算结果的隶属度均反映了目标属于真假可信程度的高低，可以直接比较它们和最难区分的情形的距离。具体来说，如果第i个目标第n次的当前隶属度集成输出结果为p(ωj)(n)，前一次连续识别融合结果隶属度为则通过公式(3)进行融合。

具体地，公式(3)的识别融合原理解释如下：如果前一次融合判决与当前判决一致，且隶属度计算结果均大于d1，说明两次隶属度计算结果均表示特征x有较大的概率属于同一类目标，则x隶属于当前类别的隶属度在前次融合的基础上将增大，增大的幅度取决于当前得到的隶属度p(ωj)(n)及权重因子wv，p(ωj)(n)和wv越大，则融合结果隶属度接近1的速度越快；如果前一次判决与当前判决一致，且隶属度计算结果均小于d2，说明两次隶属度计算结果均认为特征x属于同一类目标的概率较小，则x隶属于当前类别的隶属度在前次融合的基础上将减小，即目标为该类别的隶属度将变小，变小的幅度也取决于当前的隶属度p(ωj)(n)及权重因子wv；如果两次判决不一致，则融合后的计算结果取决于相邻两侧隶属度计算结果的绝对大小。通过上述控制策略，有利于进一步提高物体识别的速度和准确度，进而提高物体识别的有效性，提高车辆运行的安全性和智能型，适于推广应用。

进一步地，根据公式(4)计算并输出识别结果，当时，即则判定x∈ωi，即当融合计算等于第i类目标的最大阈值时，说明特征x隶属于第i类目标，即特征x为第i类目标。否则，则说明特征x不隶属于第i类目标。

实施例3：

如图1所示，本发明的一个实施例中，在上述实施例1和实施例2的基础上，进一步地，在根据第一采集数据和第二采集数据构建线性集成模型的步骤之前，处理器108还被配置为用于执行计算机程序以实现：对第一采集数据和第二采集数据进行坐标系转换。

在该实施例中，公开了在构建线性集成模型之前需求对第一采集数据和第二采集数据进行坐标系转化，有利于进一步提高识别结果的准确性和有效性。

具体地，公式(5)描述了第一采集装置102的第一采集数据的坐标系中点云坐标(x,y,z)与第二采集装置104的第二采集数据的图像坐标系下对应像素点(u,v)之间的转换关系：

其中，第二采集装置104的内参矩阵第二采集装置104和第一采集装置102之间的外参是已知参数，匹配上第一采集装置102三维点云对应的像素点后，得到像素点对应的空间中实际物体深度zc。

实施例4：

如图1所示，本发明的一个实施例中，在上述实施例1和实施例2的基础上，进一步地，在根据第一采集数据和第二采集数据构建线性集成模型的步骤之前，处理器108还被配置为用于执行计算机程序以实现：对第一采集数据和第二采集数据进行帧同步。

在该实施例中，公开了在构建线性集成模型之前需求对第一采集数据和第二采集数据进行帧同步，有利于进一步提高识别结果的准确性和有效性。

具体地，第一采集装置102和第二采集装置104的采集数据除了在空间上需要进行融合，还需要在时间上同步采集数据，实现时间的融合。以第一采集装置102为毫米波雷达为例，根据毫米波雷达功能工作手册，其采样周期为50ms，即采样帧速率为20帧/秒，以第二采集装置104为摄像机为例，摄像机采样帧速率为25帧/秒。为了保证数据的同步性，采用时间戳做差值，以低帧率传感器(毫米波雷达)优先的方式，寻找对应差值最低的高帧率传感器(摄像机)数据帧，从而完成传感器数据间的帧同步匹配。

实施例5：

如图2所示，本发明的一个实施例中，提供了一种物体识别方法，用于第一方面任一实施例的工程车辆，图2示出了本发明的第一个实施例的物体识别方法，该方法包括：

步骤s202，获取第一采集装置的第一采集数据和第二采集装置的第二采集数据；

步骤s204，根据第一采集数据和第二采集数据构建线性集成模型；

步骤s206，根据线性集成模型进行隶属度计算；根据隶属度计算结果输出识别结果。

在该实施例中，通过获取第一采集装置的第一采集数据和第二采集装置的第二采集数据，由于第一采集装置和第二采集装置可以采集不同种类的特征参数，即第一采集数据和第二采集数据包括不同类别的不同特征，进而使得对物体识别的特征元素的类别有所增多，通过根据第一采集数据和第二采集数据构建线性集成模型，并根据线性集成模型进行隶属度计算，根据隶属度计算结果输出识别结果，实现了将不同类别的特征元素通过线性集成方法融合后进行隶属度计算，由于线性集成方法(olc)具有较好的集成性能，其判决结果优于单特征的识别结构，且具有较强的鲁棒性，进而有利于提高隶属度计算结果的准确性，即提高物体识别的准确度。

进一步地，限定了根据第一采集数据和第二采集数据构建线性集成模型的具体控制策略。首先，通过第一采集数据和第二采集数据建立样本后验判决概率输出矩阵，然后，根据后验判决概率输出矩阵确认样本与任一目标相对应的后验判决概率输出量，接着，引入与任一目标相对应的集成权重矢量，根据后验判决概率输出量和集成权重矢量建立线性集成模型，由于集成权重矢量与任一目标相对应，进而有利于根据目标的类别设定不同的权重矢量，有利于进一步提高识别结果的准确性。

具体地，采用公式(1)建立后验判决概率输出矩阵；

式中，表示具有m个特征(f1,f2,…,fm)的输入样本x的第n个特征属于ωi的概率，ωi为第i类目标。

具体地，根据公式(1)确认输入样本x与第i类目标相对应的后验判决概率输出量为：采用公式(2)建立线性集成模型；

p(ωi)＝ω^tpⁱ(f)(2)；

式中，w＝[ω1，ω2，…，ωm]^t为第i类目标所对应的集成权重矢量，ωn为第n个特征的集成权重。

实施例6：

图3示出了本发明的第二个实施例的物体识别方法，该方法包括：

步骤s302，获取第一采集装置的第一采集数据和第二采集装置的第二采集数据；

步骤s304，根据第一采集数据和第二采集数据构建线性集成模型；

步骤s306，记录隶属度计算结果；

步骤s308，对相邻的至少两个隶属度计算结果进行融合，或对间隔预设数量的两个所述隶属度计算结果进行融合；

步骤s310，根据融合结果，计算识别结果并输出。

在该实施例中，通过记录隶属度计算结果，一方面，对相邻的至少两个隶属度计算结果进行融合，另一方面，对间隔预设数量的两个隶属度计算结果进行融合，并根据融合结果，计算识别结果并输出，引入了连续融合思想，利用前一时刻或前面任一时刻的计算结果对当前的计算结果进行校验，有利于进一步提高物体识别的准确率和可靠性，有利于提高工程车辆行驶的安全性和智能性。

具体地，基于对相邻的两个隶属度计算结果进行融合的情况，采用公式(3)对相邻的两个隶属度计算结果进行融合；

式中：d1，d2为隶属度判决门限，wv为控制收敛速度快慢的权重因子。

在该实施例中，在上述实施例5的基础上，进一步限定了对相邻的两个隶属度计算结果进行融合的具体控制策略。具体地，根据公式(3)对相邻的两个隶属度计算结果进行融合，其中，为前一个隶属度计算结果，p(ωj)(n)为当前的隶属度计算结果，为融合结果。也就是说，本申请考虑到前一次的隶属度计算结果和当前的隶属度计算结果的隶属度均反映了特征隶属于目标的真假可信程度的高低，可以直接比较它们和最难区分的情形的距离，则如果相邻的两个隶属度计算结果连续一致，则识别结果融合后得到结果可信程度应当比单次识别要高；如果相邻的两个隶属度计算结果不一致，这时的识别结果的可信度应当降低。本申请考虑到前一次隶属度计算结果和当前隶属度计算结果的隶属度均反映了目标属于真假可信程度的高低，可以直接比较它们和最难区分的情形的距离。具体来说，如果第i个目标第n次的当前隶属度集成输出结果为p(ωj)(n)，前一次连续识别融合结果隶属度为则通过公式(3)进行融合。

具体地，公式(3)的识别融合原理解释如下：如果前一次融合判决与当前判决一致，且隶属度计算结果均大于d1，说明两次隶属度计算结果均表示特征x有较大的概率属于同一类目标，则x隶属于当前类别的隶属度在前次融合的基础上将增大，增大的幅度取决于当前得到的隶属度p(ωj)(n)及权重因子wv，p(ωj)(n)和wv越大，则融合结果隶属度接近1的速度越快；如果前一次判决与当前判决一致，且隶属度计算结果均小于d2，说明两次隶属度计算结果均认为特征x属于同一类目标的概率较小，则x隶属于当前类别的隶属度在前次融合的基础上将减小，即目标为该类别的隶属度将变小，变小的幅度也取决于当前的隶属度p(ωj)(n)及权重因子wv；如果两次判决不一致，则融合后的计算结果取决于相邻两侧隶属度计算结果的绝对大小。通过上述控制策略，有利于进一步提高物体识别的速度和准确度，进而提高物体识别的有效性，提高车辆运行的安全性和智能型，适于推广应用。

进一步地，根据公式(4)计算并输出识别结果，当时，即则判定x∈ωi，即当融合计算等于第i类目标的最大阈值时，说明特征x隶属于第i类目标，即特征x为第i类目标。否则，则说明特征x不隶属于第i类目标。

实施例7：

图4示出了本发明的一个实施例的物体识别方法，该方法包括：

步骤s402，获取第一采集装置的第一采集数据和第二采集装置的第二采集数据；

步骤s404，对第一采集数据和第二采集数据进行坐标系转换，和/或对第一采集数据和第二采集数据进行帧同步；

步骤s406，根据第一采集数据和第二采集数据构建线性集成模型；

步骤s408，记录隶属度计算结果；

步骤s410，对相邻的至少两个隶属度计算结果进行融合，或对间隔预设数量的两个所述隶属度计算结果进行融合；

步骤s412，根据融合结果，计算识别结果并输出。

在该实施例中，在上述实施例6的基础上，进一步公开了在构建线性集成模型之前需求对第一采集数据和第二采集数据进行坐标系转化，有利于进一步提高识别结果的准确性和有效性。

具体地，公式(5)描述了第一采集装置的第一采集数据的坐标系中点云坐标(x,y,z)与第二采集装置的第二采集数据的图像坐标系下对应像素点(u,v)之间的转换关系：

其中，第二采集装置的内参矩阵第二采集装置和第一采集装置之间的外参是已知参数，匹配上第一采集装置三维点云对应的像素点后，得到像素点对应的空间中实际物体深度zc。

公开了在构建线性集成模型之前需求对第一采集数据和第二采集数据进行帧同步，有利于进一步提高识别结果的准确性和有效性。

具体地，第一采集装置和第二采集装置的采集数据除了在空间上需要进行融合，还需要在时间上同步采集数据，实现时间的融合。以第一采集装置为毫米波雷达为例，根据毫米波雷达功能工作手册，其采样周期为50ms，即采样帧速率为20帧/秒，以第二采集装置为摄像机为例，摄像机采样帧速率为25帧/秒。为了保证数据的同步性，采用时间戳做差值，以低帧率传感器(毫米波雷达)优先的方式，寻找对应差值最低的高帧率传感器(摄像机)数据帧，从而完成传感器数据间的帧同步匹配。

可以理解的是，对第一采集数据和第二采集数据进行坐标系转换的步骤，和第一采集数据和第二采集数据进行帧同步不分先后顺序，二者可以仅有一个，也可以同时执行。

具体实施例：

如图5和图6所示，在具体实施例中，本发明提供的工程车辆对物体的识别过程包括以下步骤：

步骤1：数据采集。采用yolo方法，分别使用采集相机和毫米波雷达实现图像物体检测和识别，提高速度。具体地，本申请采用yolo4方法采集数据，而相关技术中基于mask-rcnn的方法与yolo4方法相比较，耗时是后者的1000倍。

步骤2：坐标转换。通过传感器外参，把雷达和相机转换到同一坐标系下。

具体地，公式(5)描述了毫米波雷达的采集数据的坐标系中点云坐标(x,y,z)与采集相机的采集数据的图像坐标系下对应像素点(u,v)之间的转换关系：

其中，采集相机的内参矩阵采集相机和毫米波雷达之间的外参是已知参数，匹配上毫米波雷达三维点云对应的像素点后，得到像素点对应的空间中实际物体深度zc。

步骤3：时间同步。根据不同传感器的采样频率，通过时间同步处理，获取同一时刻的采样数据。

具体地，毫米波雷达和采集相机的采集数据除了在空间上需要进行融合，还需要在时间上同步采集数据，实现时间的融合。根据毫米波雷达功能工作手册，其采样周期为50ms，即采样帧速率为20帧/秒，摄像机采样帧速率为25帧/秒。为了保证数据的可靠性，以摄像机采样速率为基准，摄像机每采一帧图像，选取毫米波雷达上一帧缓存的数据，即完成共同采样一帧雷达与视觉融合的数据，从而保证了毫米波雷达数据和摄像机数据时间上的同步。

步骤4：线性集成。根据图5进行多特征的线性集成。

具体地，采用公式(1)建立后验判决概率输出矩阵；

式中，表示具有m个特征(f1,f2,…,fm)的输入样本x的第n个特征属于ωi的概率，即图5中数据元1、数据元2……数据元n的特征参数计算，ωi为第i类目标。其中，公式(1)可以理解为：设(f1,f2,…,fm)为输入样本x的m个特征，ωi为第i个目标，表示输入样本x的第n个特征属于ωi的概率。

进一步地，根据公式(1)确认参数与第i类目标相对应的后验判决概率输出量为：采用公式(2)建立线性集成模型；

p(ωi)＝ω^tpⁱ(f)(2)；

式中，w＝[ω1，ω2，…，ωm]^t为第i类目标所对应的集成权重矢量，ωn为第n个特征的集成权重。

步骤5：连续融合。将当前隶属度集成结果与前次融合结果按式(3)进行融合，将融合结果保存下来，用于下次融合。

具体地，采用公式(3)对相邻的两个计算结果进行融合；

式中：d1，d2为隶属度判决门限，wv为控制收敛速度快慢的权重因子。

步骤6：输出结果。对融合后的隶属度结果进行判决，输出判决结果。

本发明提供的工程车辆，获取毫米波雷达的采集数据和采集相机的采集数据，由于毫米波雷达和采集相机可以采集不同种类的特征参数，包括不同类别的不同特征，进而使得对物体识别的特征元素的类别有所增多，通过据构建线性集成模型，并根据线性集成模型进行隶属度计算，根据隶属度计算结果输出识别结果，实现了将不同类别的特征元素通过线性集成方法融合后进行隶属度计算，由于线性集成方法(olc)具有较好的集成性能，其判决结果优于单特征的识别结构，且具有较强的鲁棒性，进而有利于提高隶属度计算结果的准确性，即提高物体识别的准确度，提高车辆对交通环境的感知能力。

本申请基于最优线性集成理论对多传感器识别结果进行融合，融合识别结果置信度高于任一单一传感器识别结果，同时，采用连续融合思想，利用前一时刻识别结果对当前识别进行校验，提高融合识别结果的稳定性。

具体地，工程车辆为搅拌车，搅拌车包括视觉传感器和雷达传感器，通过上述识别方法，可利用搅拌车视觉传感器和雷达传感器对搅拌车的前方目标进行高置信度的识别，有利于本车做出更合理的路径规划和避障策略，具有识别效率高、识别准确率高的优点，适于推广应用。

本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为基于附图所述的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本发明中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。