基于雷达的目标分类方法、系统及存储介质与流程

1.本技术涉及雷达识别技术领域，尤其涉及一种基于雷达的目标分类方法、系统及存储介质。


背景技术：

2.在现有技术中，毫米波雷达的实际应用场景中仅能够提供目标物的方位、速度等信息，而无法识别目标物的种类。换言之，在仅使用毫米波雷达的情况下，用户无法获取目标物的种类。造成以上问题的原因在于，毫米波雷达的目标物分类方案的分类准确率过低，以至于毫米波雷达的分类结果是不具备参考价值的，进而使得毫米波雷达在目标物分类领域中没有量产的可能，极大地限制了毫米波雷达的发展方向。
3.因此，亟需对现有技术中存在的问题提出一种解决方法。


技术实现要素：

4.本发明的目的在于，提供一种基于雷达的目标分类方法、系统及存储介质，以解决毫米波雷达的分类准确率过低的问题。
5.为实现上述目的，本发明实施例提供了一种基于雷达的目标分类方法，包括：通过所述雷达获取目标物的目标参数；输入所述目标参数于预设的分类模型，以获取所述目标物的参考类别；以及基于所述参考类别，并根据预设的输出策略，确定目标物的最终类别。
6.进一步地，所述通过所述雷达获取目标物的目标参数的步骤之前，包括：通过所述雷达获取至少两组训练样本；其中，每一组所述训练样本包括样本标识符，该样本标识符用于表示同一类别的参照物的参照参数；引入所述训练样本于预设的机器学习模型中进行训练，以构建成所述分类模型；以及所述输入所述目标参数于预设的分类模型，以获取所述目标物的参考类别的步骤，包括：通过所构建成的分类模型，并根据所述目标物的目标参数输出所述目标物的参考类别。
7.进一步地，所述通过所述雷达获取目标物的目标参数的步骤之前，包括：判断所述目标物的目标标识符是否表示为最终类别；当判定所述目标物的目标标识符表示为最终类别时，重新执行所述判断所述目标物是否标记有最终类别的步骤。
8.进一步地，所述目标参数包括：雷达反射点数量、目标物尺寸、信噪比、雷达散射截面积、目标物对地速度、目标物加速度、目标物方位中的至少一种。
9.进一步地，所述基于所述参考类别，并根据预设的输出策略，确定目标物的最终类别的步骤之前，包括：保存所述参考类别、与所述参考类别对应的信心分数中的至少一种至与所述目标物对应的目标位置中。
10.进一步地，所述基于所述参考类别，并根据预设的输出策略，确定目标物的最终类别的步骤，还包括：获取在所述目标位置中的参考类别的总数；判断所述参考类别的总数是否等于第一阈值；当判定参考类别的总数等于所述第一阈值时，获取在所述目标位置中属于同一类别的参考类别的总数；判断所述目标位置中属于同一类别的参考类别的总数是否
大于或等于第二阈值；当判定所述目标位置中属于同一类别的参考类别的总数大于或等于所述第二阈值时，确定目标物的最终类别的值为所述同一类别的参考类别的值。
11.进一步地，所述基于所述参考类别，并根据预设的输出策略，确定目标物的最终类别的步骤，还包括：获取在所述目标物对应的目标位置中与属于同一类别的参考类别对应的所有信心分数；计算与属于同一类别的参考类别对应的所有信心分数的平均值；比较与属于不同类别的参考类别对应的平均值，以得到最大平均值；获取与所述最大平均值对应的参考类别；确定目标物的最终类别的值为与所述最大平均值对应的参考类别的值。
12.进一步地，所述基于所述参考类别，并根据预设的输出策略，确定目标物的最终类别的步骤，还包括：判断与所述目标物对应的目标位置是否存在最终类别；当判定存在最终类别时，获取所述参考类别的优先级以及所述最终类别的优先级；判断所述参考类别的优先级是否大于所述最终类别的优先级；当判定所述参考类别的优先级大于所述最终类别的优先级时，替换所述最终类别的值为所述参考类别的值。
13.本发明实施例还提供了一种基于雷达的目标分类系统，所述目标分类系统包括：目标参数获取单元，用以通过所述雷达获取目标物的目标参数；参考类别获取单元，用以输入所述目标参数于预设的分类模型，以获取所述目标物的参考类别；以及最终类别确定单元，用以基于所述参考类别，并根据预设的输出策略，确定目标物的最终类别。
14.本发明实施例还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，执行上述基于雷达的目标分类方法中的任一步骤。
15.本发明的有益效果在于，本发明实施例所提供的一种基于雷达的目标分类方法通过设定输出策略的方式，有效地提高雷达的分类准确率，而且也拓展了雷达的应用领域。本发明实施例所述基于雷达的目标分类系统亦是如此。
附图说明
16.下面结合附图，通过对本技术的具体实施方式详细描述，将使本技术的技术方案及其它有益效果显而易见。
17.图1为本技术一实施例提供的一种基于雷达的目标分类方法的流程图。
18.图2为本技术上述实施例提供的所述基于雷达的目标分类方法的前置流程图。
19.图3为图1所示步骤s300的第一流程图。
20.图4为图1所示步骤s300的第二流程图。
21.图5为图1所示步骤s300的第三流程图。
22.图6为本技术一实施例提供的一种基于雷达的目标分类系统的结构示意图。
23.图7为图6所示最终类别确定单元的第一结构示意图。
24.图8为图6所示最终类别确定单元的第二结构示意图。
25.附图标记说明：100、目标分类系统；110、目标参数获取单元；120、参考类别获取单元；130、最终类别确定单元；131a、类别总数获取单元；132a、第一阈值比对单元；133a、同一类别获取单元；134a、第二阈值比对单元；135a、最终类别设定单元；131b、信心分数获取单元；
132b、全部均值获取单元；133b、最大均值获取单元；134b、均值类别获取单元；135b、最终类别对应单元。
具体实施方式
26.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
27.参阅图1所示，本实施例提供了一种基于雷达的目标分类方法，包括以下步骤。
28.步骤s100、通过雷达获取目标物的目标参数。其中，目标物可为上述雷达检测范围内的任一物体或行人。所述目标参数包括：雷达反射点数量、目标物尺寸、信噪比、雷达散射截面积、目标物对地速度、目标物加速度、目标物方位中的至少一种。
29.参阅图2所示，进一步地，步骤s100之前可包括步骤s10、s20。
30.步骤s10、通过雷达获取至少两组训练样本。其中，每一组训练样本包括样本标识符，该样本标识符用于表示同一类别的参照物的参照参数。所述参照参数包括：雷达反射点数量、参照物尺寸、信噪比、雷达散射截面积、参照物对地速度、参照物加速度、参照物方位中的至少一种。具体地，每一样本标识符对应了一种目标物种类，该对应关系可由用户进行设定。示例性地，训练样本可包括：标记符用以标记行人的训练样本、标记符用以标记动车的训练样本、标记符用以标记机动车的训练样本、标记符用以标记非机动车的训练样本以及标记符用以标记无关物的训练样本。样本标识符的种类越多，训练后的机器学习模型可识别的目标物种类越多。
31.示例性地，参照参数为参照物对地速度时，根据不同参照物对地速度范围标记样本标识符。例如：第一对地速度范围的最大速度大于第二对地速度范围的最大速度，第二对地速度范围的最大速度大于第三对地速度范围的最大速度，第三对地速度范围的最大速度大于第四对地速度范围的最大速度。以样本标识符为动车、机动车、非机动车、行人为例，第一对地速度范围为动车可达到的对地速度范围，第二对地速度范围为动车、机动车可达到的对地速度范围、第三对地速度范围为动车、机动车、非机动车可达到的对地速度范围、第四对地速度范围为动车、机动车、非机动车、行人可达到的对地速度范围。即可参照第一、二、三、四对地速度范围生成参照物对应的样本标识符。
32.示例性地，参照参数为参照物尺寸时，根据不同参照物尺寸范围标记样本标识符。例如：第一尺寸范围的最大尺寸大于第二尺寸范围的最大尺寸，第二尺寸范围的最大尺寸大于第三尺寸范围的最大尺寸，第三尺寸范围的最大尺寸大于第四尺寸范围的最大尺寸。以样本标识符为动车、货车/商务车、小轿车/面包车、非机动车/行人为例。第一尺寸范围为动车可达到的尺寸范围，第二尺寸范围为货车/商务车可达到的尺寸范围，第三尺寸范围为小轿车/小面包车可达到的尺寸范围，第四尺寸范围为非机动车/行人可达到的尺寸范围。即可参照第一、二、三、四尺寸范围生成参照物对应的样本标识符。
33.步骤s20、引入训练样本于预设的机器学习模型中进行训练，以构建成分类模型。该分类模型应用于后续步骤s200。本实施例在此仅作出示例性地说明，且并不限定机器学习模型的种类，厂商可根据自身需求选取适合实际需求的机器学习模型。
34.示例性地，上述预设的机器学习模型可为svm（即支持向量机）算法模型。svm算法模型的训练样本可选用最具代表性的参照参数，例如：参照参数可选用检测点数量、目标尺寸、rcs（即雷达散射截面积）总量、对地纵向速度、纵向距离等。svm算法模型在应用于本实施例提供的基于雷达的目标分类方法时，得到的参考类别的正确率在80%至90%之间，得到参考类别的时间大约为70微秒。svm算法模型的泛化能力较强，换言之，svm算法模型能够很好地应对未训练过的目标参数。
35.示例性地，上述预设的机器学习模型可为随机森林算法模型。随机森林算法模型的训练样本可选用最具代表性的参照参数，例如：参照参数可选用检测点数量、目标尺寸、rcs（即雷达散射截面积）总量、对地纵向速度、纵向距离等。随机森林算法模型在应用于本实施例提供的基于雷达的目标分类算法时，得到的参考类别的正确率在80%至95%之间，得到参考类别的时间大约为60微秒。随机森林算法模型可应用于较大的参照参数集，且其抗拟合性较高、泛化能力较强，故随机森林算法模型可应用于大部分交通场景。
36.示例性地，上述预设的机器学习模型可为线性判别算法模型。线性判别算法模型的训练样本可选用最具代表性的参照参数，例如：参照参数可选用检测点数量、目标尺寸、rcs（即雷达散射截面积）总量、对地纵向速度、纵向距离等。线性判别算法模型在应用于本实施例提供的基于雷达的目标分类算法时，得到的参考类别的正确率在80%至90%之间，得到参考类别的时间大约为40微秒。由于线性判别算法模型的速度相较其他机器学习模型得到参考类别的速度较快，且准确率可以接受，故线性判别算法模型可应用于目标物数量较多的交通场景。
37.示例性地，上述预设的机器学习模型可为逐步增强算法模型。逐步增强算法模型的训练样本可选用最具代表性的参照参数，例如：参照参数可选用检测点数量、目标尺寸、rcs（即雷达散射截面积）总量、对地纵向速度、纵向距离等。逐步增强算法模型在应用于本实施例提供的基于雷达的目标分类算法时，得到的参考类别的正确率在80%至95%之间，得到参考类别的时间大约为80微秒。逐步增强算法模型的分类精度极高，故逐步增强算法模型可应用于目标物类别过多的交通场景。
38.示例性地，上述预设的机器学习模型可为knn算法模型（即k近邻算法模型）。knn算法模型的训练样本可选用最具代表性的参照参数，例如：参照参数可选用检测点数量、目标尺寸、rcs（即雷达散射截面积）总量、对地纵向速度、纵向距离等，也可选取代表性较小的参照参数。knn模型在应用于本实施例提供的基于雷达的目标分类算法时，得到的参考类别的正确率在80%至95%之间，得到参考类别的时间大约为35微秒。
39.进一步地，步骤s100之前还可包括如下步骤：判断目标物的目标标识符是否表示为最终类别；当判定目标物的目标标识符表示为最终类别时，重新执行所述判断所述目标物是否标记有最终类别的步骤。即当目标物标识符表示为最终类别时，不再判别目标物的类别，以保证系统的稳定性及运算的有效性。
40.步骤s200、输入目标参数于预设的分类模型，以获取目标物的参考类别。步骤s300、基于参考类别，并根据预设的输出策略，确定目标物的最终类别。进一步地，步骤s300之前可包括如下步骤：保存参考类别、与参考类别对应的信心分数中的至少一种至与目标物对应的目标位置中。示例性地，上述目标位置可为数据库。信心分数与机器学习模型得到的参考类别的准确率相关。换言之，某一参考类别的信心分数越高，机器学习模型认为该参
考类别的准确率（该准确率为机器学习模型自身认为的准确率，并不是客观的准确率）越高。上述预设的输出策略是可提高最终类别的准确率的策略，若无需提高最终类别的准确率，输出策略可为
‘
将目标物的参考类别作为目标物的最终类别’。关于其他输出策略，后文将予以详述。
41.进一步地，步骤s300之前，还包括以下步骤：保存参考类别、与参考类别对应的信心分数中的至少一种至与目标物对应的目标位置中。在本实施例中，一目标位置对应一目标物，以区别不同目标物的目标参数。
42.参阅图3所示，可选地，步骤s300包括步骤s3101至s3501，即上述预设的输出策略为步骤s3101至s3501所提供的输出策略。
43.步骤s3101、获取在目标位置中的参考类别的总数。
44.步骤s3201、判断参考类别的总数是否等于第一阈值。第一阈值的选取范围可根据实际的路况需求进行设定，示例性地，第一阈值越大，最终类别的准确率越高，但运算耗时更多。
45.步骤s3301、当判定参考类别的总数等于第一阈值时，获取在目标位置中属于同一类别的参考类别的总数。示例性地，当判定参考类别的总数小于第一阈值时，重新执行步骤s3101。
46.步骤s3401、判断目标位置中属于同一类别的参考类别的总数是否大于或等于第二阈值。第二阈值的选取范围可根据实际的路况需求进行设定。示例性地，第二阈值越大，最终类别的准确率越高，但运算耗时更多。可选地，也可比较目标位置中属于同一类别的参考类别的总数，以得到最大总数，并确定最大总数对应的参考类别为最终类别。
47.步骤s3501、当判定目标位置中属于同一类别的参考类别的总数大于或等于第二阈值时，确定目标物的最终类别的值为同一类别的参考类别的值。示例性地，当判定目标位置中属于同一类别的参考类别的总数小于第二阈值时，重置所述参考类别总数，并重新执行步骤s3101。
48.参阅图4所示，可选地，步骤s300包括步骤s3102至s3502。
49.步骤s3102、获取在目标物对应的目标位置中与属于同一类别的参考类别对应的所有信心分数。
50.步骤s3202、计算与属于同一类别的参考类别对应的所有信心分数的平均值。可选地，也可计算与属于同一类别的参考类别对应的所有信心分数的和值。
51.步骤s3302、比较与属于不同类别的参考类别对应的平均值，以得到最大平均值。可选地，也可比较与属于不同类别的参考类别对应的和值，以得到最大和值。
52.步骤s3402、获取与最大平均值对应的参考类别。可选地，也可获取与最大和值对应的参考类别。
53.步骤s3502、确定目标物的最终类别的值为与最大平均值对应的参考类别的值。可选地，也可确定目标物的最终类别的值为与最大和值对应的参考类别的值。
54.参阅图5所示，可选地，步骤s300包括步骤s3103至s3403。
55.步骤s3103、判断与目标物对应的目标位置是否存在最终类别。
56.步骤s3203、当判定存在最终类别时，获取参考类别的优先级以及最终类别的优先级。
57.步骤s3303、判断参考类别的优先级是否大于最终类别的优先级。
58.步骤s3403、当判定参考类别的优先级大于最终类别的优先级时，替换所述最终类别的值为所述参考类别的值。示例性地，优先级与体积大小呈正相关，即行人类别的优先级为1，非机动车的优先级为2，机动车的优先级为3。若目标物的最终类别被确认为行人，但是其参考类别包括了非机动车，由于非机动车类别的优先级大于行人类别的优先级（即非机动车的体积正常情况下大于行人的体积），则目标物的最终类别替换为非机动车。若目标物的最终类别被确认为机动车，其参考类别包括了非机动车，由于非机动车的类别优先级小于机动车类别的优先级（即机动车的体积正常情况下大于非机动车的体积），则不更改目标物的最终类别。进一步地，步骤s3403包括以下步骤：当判定参考类别的优先级大于最终类别的优先级时，判断所述参考类别的信心分数是否大于或等于门限值。当判定所述参考类别的信心分数大于或等于门限值时，替换所述最终类别的值为所述参考类别的值，以提高最终类别的准确率。
59.本实施例提供的基于雷达的目标分类方法通过设定输出策略的方式，有效地提高雷达的分类准确率，而且也拓展了雷达的应用领域。
60.参阅图6所示，基于同一发明构思，本实施例还提供了一种基于雷达的目标分类系统100，目标分类系统100包括：目标参数获取单元110、参考类别获取单元120、最终类别确定单元130。
61.目标参数获取单元110用以通过雷达获取目标物的目标参数。其中，目标物可为上述雷达检测范围内的任一物体或行人。所述目标参数包括：雷达反射点数量、目标物尺寸、信噪比、雷达散射截面积、目标物对地速度、目标物加速度、目标物方位中的至少一种。参考类别获取单元120用以输入目标参数于预设的分类模型，以获取目标物的参考类别。最终类别确定单元130用以基于参考类别，并根据预设的输出策略，确定目标物的最终类别。进一步地，目标分类系统100包括参考类别存储单元，参考类别存储单元用以保存参考类别、与参考类别对应的信心分数中的至少一种至与目标物对应的目标位置中。示例性地，上述目标位置可为数据库。信心分数与机器学习模型得到的参考类别的准确率相关。换言之，某一参考类别的信心分数越高，机器学习模型认为该参考类别的准确率（该准确率为机器学习模型自身认为的准确率，并不是客观的准确率）越高。上述预设的输出策略是可提高最终类别的准确率的策略，若无需提高最终类别的准确率，输出策略可为
‘
将目标物的参考类别作为目标物的最终类别’。关于其他输出策略，后文将予以详述。
62.进一步地，目标分类系统100还包括训练样本获取单元、分类模型构建单元。
63.训练样本获取单元用以通过雷达获取至少两组训练样本。其中，每一组训练样本包括样本标识符，该样本标识符用于表示同一类别的参照物的参照参数。所述参照参数包括：雷达反射点数量、参照物尺寸、信噪比、雷达散射截面积、参照物对地速度、参照物加速度、参照物方位中的至少一种。具体地，每一样本标识符对应了一种目标物种类，该对应关系可由用户进行设定。示例性地，训练样本可包括：标记符用以标记行人的训练样本、标记符用以标记动车的训练样本、标记符用以标记机动车的训练样本、标记符用以标记非机动车的训练样本以及标记符用以标记无关物的训练样本。样本标识符的种类越多，训练后的机器学习模型可识别的目标物种类越多。
64.示例性地，参照参数为参照物对地速度时，根据不同参照物对地速度范围标记样
本标识符。例如：第一对地速度范围的最大速度大于第二对地速度范围的最大速度，第二对地速度范围的最大速度大于第三对地速度范围的最大速度，第三对地速度范围的最大速度大于第四对地速度范围的最大速度。以样本标识符为动车、机动车、非机动车、行人为例，第一对地速度范围为动车可达到的对地速度范围，第二对地速度范围为动车、机动车可达到的对地速度范围、第三对地速度范围为动车、机动车、非机动车可达到的对地速度范围、第四对地速度范围为动车、机动车、非机动车、行人可达到的对地速度范围。即可参照第一、二、三、四对地速度范围生成参照物对应的样本标识符。
65.示例性地，参照参数为参照物尺寸时，根据不同参照物尺寸范围标记样本标识符。例如：第一尺寸范围的最大尺寸大于第二尺寸范围的最大尺寸，第二尺寸范围的最大尺寸大于第三尺寸范围的最大尺寸，第三尺寸范围的最大尺寸大于第四尺寸范围的最大尺寸。以样本标识符为动车、货车/商务车、小轿车/面包车、非机动车/行人为例。第一尺寸范围为动车可达到的尺寸范围，第二尺寸范围为货车/商务车可达到的尺寸范围，第三尺寸范围为小轿车/小面包车可达到的尺寸范围，第四尺寸范围为非机动车/行人可达到的尺寸范围。即可参照第一、二、三、四尺寸范围生成参照物对应的样本标识符。
66.分类模型构建单元用以引入训练样本于预设的机器学习模型中进行训练，以构建成分类模型。本实施例在此仅作出示例性地说明，且并不限定机器学习模型的种类，厂商可根据自身需求选取适合实际需求的机器学习模型。
67.示例性地，上述预设的机器学习模型可为svm（即支持向量机）算法模型。svm算法模型的训练样本可选用最具代表性的参照参数，例如：参照参数可选用检测点数量、目标尺寸、rcs（即雷达散射截面积）总量、对地纵向速度、纵向距离等。svm算法模型在应用于本实施例提供的基于雷达的目标分类方法时，得到的参考类别的正确率在80%至90%之间，得到参考类别的时间大约为70微秒。svm算法模型的泛化能力较强，换言之，svm算法模型能够很好地应对未训练过的目标参数。
68.示例性地，上述预设的机器学习模型可为随机森林算法模型。随机森林算法模型的训练样本可选用最具代表性的参照参数，例如：参照参数可选用检测点数量、目标尺寸、rcs（即雷达散射截面积）总量、对地纵向速度、纵向距离等。随机森林算法模型在应用于本实施例提供的基于雷达的目标分类算法时，得到的参考类别的正确率在80%至95%之间，得到参考类别的时间大约为60微秒。随机森林算法模型可应用于较大的参照参数集，且其抗拟合性较高、泛化能力较强，故随机森林算法模型可应用于大部分交通场景。
69.示例性地，上述预设的机器学习模型可为线性判别算法模型。线性判别算法模型的训练样本可选用最具代表性的参照参数，例如：参照参数可选用检测点数量、目标尺寸、rcs（即雷达散射截面积）总量、对地纵向速度、纵向距离等。线性判别算法模型在应用于本实施例提供的基于雷达的目标分类算法时，得到的参考类别的正确率在80%至90%之间，得到参考类别的时间大约为40微秒。由于线性判别算法模型的速度相较其他机器学习模型得到参考类别的速度较快，且准确率可以接受，故线性判别算法模型可应用于目标物数量较多的交通场景。
70.示例性地，上述预设的机器学习模型可为逐步增强算法模型。逐步增强算法模型的训练样本可选用最具代表性的参照参数，例如：参照参数可选用检测点数量、目标尺寸、rcs（即雷达散射截面积）总量、对地纵向速度、纵向距离等。逐步增强算法模型在应用于本
实施例提供的基于雷达的目标分类算法时，得到的参考类别的正确率在80%至95%之间，得到参考类别的时间大约为80微秒。逐步增强算法模型的分类精度极高，故逐步增强算法模型可应用于目标物类别过多的交通场景。
71.示例性地，上述预设的机器学习模型可为knn算法模型（即k近邻算法模型）。knn算法模型的训练样本可选用最具代表性的参照参数，例如：参照参数可选用检测点数量、目标尺寸、rcs（即雷达散射截面积）总量、对地纵向速度、纵向距离等，也可选取代表性较小的参照参数。knn模型在应用于本实施例提供的基于雷达的目标分类算法时，得到的参考类别的正确率在80%至95%之间，得到参考类别的时间大约为35微秒。
72.进一步地，目标分类系统100还包括最终类别判断单元，最终类别判断单元用以判断目标物的目标标识符是否表示为最终类别。即当目标物标识符表示为最终类别时，不再判别目标物的类别，以保证系统的稳定性及运算的有效性。
73.参阅图7所示，可选地，最终类别确定单元130包括类别总数获取单元131a、第一阈值比对单元132a、同一类别获取单元133a、第二阈值比对单元134a、最终类别设定单元135a。
74.类别总数获取单元131a用以获取在目标位置中的参考类别的总数。
75.第一阈值比对单元132a用以判断参考类别的总数是否等于第一阈值。第一阈值的选取范围可根据实际的路况需求进行设定，示例性地，第一阈值越大，最终类别的准确率越高，但运算耗时更多。
76.同一类别获取单元133a用以获取在目标位置中属于同一类别的参考类别的总数。
77.第二阈值比对单元134a用以判断目标位置中属于同一类别的参考类别的总数是否大于或等于第二阈值。第二阈值的选取范围可根据实际的路况需求进行设定。示例性地，第二阈值越大，最终类别的准确率越高，但运算耗时更多。可选地，也可比较目标位置中属于同一类别的参考类别的总数，以得到最大总数，并确定最大总数对应的参考类别为最终类别。
78.最终类别设定单元135a用以确定目标物的最终类别的值为同一类别的参考类别的值。
79.参阅图8所示，可选地，最终类别确定单元130包括信心分数获取单元131b、全部均值获取单元132b、最大均值获取单元133b、均值类别获取单元134b、最终类别对应单元135b。
80.信心分数获取单元131b用以获取在目标物对应的目标位置中与属于同一类别的参考类别对应的所有信心分数。
81.全部均值获取单元132b用以计算与属于同一类别的参考类别对应的所有信心分数的平均值。可选地，全部均值获取单元132b用以计算与属于同一类别的参考类别对应的所有信心分数的和值。
82.最大均值获取单元133b用以比较与属于不同类别的参考类别对应的平均值，以得到最大平均值。可选地，最大均值获取单元133b用以比较与属于不同类别的参考类别对应的和值，以得到最大和值。
83.均值类别获取单元134b用以获取与最大平均值对应的参考类别。可选地，均值类别获取单元134b用以获取与最大和值对应的参考类别。
84.最终类别对应单元135b用以确定目标物的最终类别的值为与最大平均值对应的参考类别的值。可选地，最终类别对应单元135b用以确定目标物的最终类别的值为与最大和值对应的参考类别的值。
85.可选地，最终类别确定单元130包括类别存在单元、优先级获取单元、优先级比对单元、最终类别替换单元。
86.类别存在单元用以判断与目标物对应的目标位置是否存在最终类别。优先级获取单元用以获取参考类别的优先级以及最终类别的优先级。优先级比对单元用以判断参考类别的优先级是否大于最终类别的优先级。最终类别替换单元用以替换所述最终类别的值为所述参考类别的值。
87.示例性地，优先级与体积大小呈正相关，即行人类别的优先级为1，非机动车的优先级为2，机动车的优先级为3。若目标物的最终类别被确认为行人，但是其参考类别包括了非机动车，由于非机动车类别的优先级大于行人类别的优先级（即非机动车的体积正常情况下大于行人的体积），则目标物的最终类别替换为非机动车。若目标物的最终类别被确认为机动车，其参考类别包括了非机动车，由于非机动车的类别优先级小于机动车类别的优先级（即机动车的体积正常情况下大于非机动车的体积），则不更改目标物的最终类别。
88.可选地，最终类别确定单元130包括门限判断单元，用以判断所述参考类别的信心分数是否大于或等于门限值，以及替换所述最终类别的值为所述参考类别的值，以提高最终类别的准确率。
89.本实施例提供的基于雷达的目标分类系统通过设定输出策略的方式，有效地提高雷达的分类准确率，而且也拓展了雷达的应用领域。
90.基于同一发明构思，本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，执行上述基于雷达的目标分类方法中的任一步骤。
91.以上对本技术实施例所提供的一种基于雷达的目标分类方法、系统及存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例的技术方案的范围。