基于雷达点云的目标识别方法、存储介质及设备

1.本发明属于雷达技术与目标判识技术领域，具体涉及一种基于雷达点云的目标识别方法、存储介质及设备。


背景技术：

2.高级辅助驾驶系统(adas)及无人驾驶系统中常用的环境传感器包括摄像头、雷达等。相比于摄像头，雷达的优势在于使用环境限制较小，例如其不受到光线的影响，即使针对雨雪天气，雷达也能够相对准确的获取到目标信息。
3.在自动驾驶中利用雷达对目标进行探测和识别的过程中，由于雷达所识别的空间可能涉及到物体相接或者重合的情况，例如人坐在街边的长椅上，或者人相当于汽车位于某标志指示牌立柱的后面。因此对应的雷达点云之间可能存在相互重叠或者影响的情况，因此先需要对雷达点云进行分割，然后基于分割的雷达点云进行目标识别。
4.基于分割雷达点云进行目标识别的一个主要方式是基于雷达点云的直接识别。基于雷达点云直接识别的方式是指：当得到分割后的雷达点云之后，利用神经网络模型等直接根据雷达点云进行目标识别，这种方式使用起来虽然更加方便，但是雷达点云的分割效果直接影响识别结果，因此准确率和适用性存在很大制约。
5.为了尽量解决这个问题，可以通过如何提高分割准确率来进行解决，因此有很多研究人员致力于研究雷达点云的分割模型。实际上经过研究发现，如果雷达点云分割模型越准确固然越好，但是实际上情况中不可能保证分割的雷达点云可以百分之百地还原真实目标，一定是存在分割误差的，因此还有一些学者通过提取分割雷达点云的特征，然后基于特征实现识别，其中一种方式是不直接利用雷达点云训练神经网络模型，而是通过提取的特征训练神经网络模型得到识别结果，例如申请号为202111591037.2的一种激光雷达目标识别方法、装置及电子设备等。当然也可以利用提取的特征，通过其他分类模型进行识别，如申请号为202210203259.0的基于激光雷达点云的路面场景目标识别方法，就是将提取的结构特征信息输入训练获得的支持向量机模型，进行目标雷达点云的分类。
6.这种方式可以在一定程度上避免分割效果的影响，从而提高识别准确率。但是不可否认的是，如果雷达点云分割的不准确，依然是会对基于雷达点云提取的特征产生影响，这也会间接影响到识别的准确率。
7.综上所述，上述方式存在雷达点云分割效果会严重影响目标识别准确率的问题，也就是最后的识别准确率直接或者间接取决于分割的效果，分割效果一旦不好，则识别的准确率就会出现严重下降的问题。


技术实现要素：

8.本发明为了解决现有的基于雷达点云的目标识别方法存在雷达点云分割效果会严重影响目标识别准确率的问题。
9.基于雷达点云的目标识别方法，包括以下步骤：
10.首先获取待识别环境的雷达点云数据，并将雷达点云数据输入点云目标分割网络对三维点云数据进行目标分割，得到待识别目标的三维点云；
11.然后将待识别目标对应的三维点云输入occupancy networks得到待识别目标对应的目标三维模型；将待识别目标的目标三维模型与数据库中的目标三维模型进行匹配，将匹配成功的数据库中的目标三维模型对应的结果作为识别结果；
12.所述的occupancy networks是通过以下步骤得到的：
13.s1、获取环境的雷达点云数据，并将雷达点云数据输入点云目标分割网络，对三维点云数据进行目标分割，得到各目标的三维点云；
14.基于分割的目标三维点云得到目标三维模型，构建目标三维模型数据库；
15.s2、利用目标三维模型训练occupancy networks，即占用网络；进而得到训练好的occupancy networks。
16.进一步地，所述的占用网络采用5个resnet块的全连接神经网络来实现。
17.进一步地，利用目标三维模型训练occupancy networks的过程包括以下步骤：
18.在获取环境的雷达点云数据的同时还利用设置在车辆上的可见光图像采集设备获取环境的可见光图像，基于可见光图像得到目标可见光图像；
19.将目标可见光图像和每张目标可见光图像对应的目标的三维模型输入occupancy networks进行训练，直至occupancy networks的损失收敛，得到优化后的预训练参数模型。
20.进一步地，将待识别目标的目标三维模型与数据库中的目标三维模型进行匹配时，如果没有匹配成功，即没有在数据库中找到对应的目标三维模型，则基于可见光图像进行目标识别。
21.进一步地，基于可见光图像进行目标识别的过程是基于神经网络模型实现的。
22.进一步地，基于可见光图像进行目标识别前，在达获取环境的雷达点云数据的同时，利用设置在车辆上的可见光图像采集设备获取环境的可见光图像。
23.进一步地，所述的可见光图像采集设备与设置在车辆上的激光雷达采用一体化布置方式设置。
24.一种计算机存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于雷达点云的目标识别方法。
25.一种基于雷达点云的目标识别设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于雷达点云的目标识别方法。
26.进一步地，所述设备还包括设置在车辆上的激光雷达。
27.有益效果：
28.本发明将分割后的雷达点云通过occupancy networks确定其对应的三维模型，然后根据得到的三维模型与数据中的三维模型进行匹配，最终实现识别过程，这样即使分割的点云不是非常准确，也依然会得到一个对应的三维模型，而这种三维模型虽然是基于雷达点云得到的，但是在很大程度上可以减少分割误差的影响，也就是说即使分割存在一定误差，也不会倒是点云分割效果影响目标的识别准确率。所以本发明在分割时使得点云模型即使不是很准确，也依然可以取得相对较好的效果。
networks的参数权重θ，在训练中，对目标可见光图像的三维边界进行随机采样，其中，目标可见光图像三维边界中第i个样本的k个采样点，occupancy networks的损失值通过如下公式计算：
[0046][0047]
其中，l(θ)表示occupancy networks的损失值；n表示训练批次中模型的个数；k表示模型中的采样点个数；l(
·
,
·
)表示交叉熵分类损失；f
θ
(
·
)表示三维目标占用函数；p
ij
表示第i个目标可见光图像中的第j个采样点，o
ij
表示p
ij
处的真实空间占用概率，o
ij
≡o(p
ij
)。
[0048]
步骤3、当训练完occupancy networks之后，就可以利用occupancy networks进行真正的判识了。
[0049]
首先利用设置在车辆上的激光雷达获取环境的雷达点云数据。实际上可以直接利用雷达点云数据进行识别，但是考虑到前期建模的限制，以及在实际使用时可能存在的以外情况，所以需要结合辅助驾驶或者自动驾驶中实际场景，因此本发明考虑利用图像进行补充辅助识别。因此在达获取环境的雷达点云数据的同时，利用设置在车辆上的可见光图像采集设备(相机)获取环境的可见光图像，所述的可见光图像采集设备与设置在车辆上的激光雷达采用一体化布置方式，保证可见光图像前向(车辆行进方向)采集的视野范围和角度尽量与激光雷达在前向采集的数据视野范围尽量一致，至少保证可见光图像的视野范围在激光雷达在前向采集的数据视野范围内；这样可以有效的匹配激光雷达识别和可见光图像识别的一致性，从而提高辅助识别的一致性。
[0050]
步骤4、将雷达点云数据输入点云目标分割网络，对三维点云数据进行目标分割，得到待识别目标的三维点云。
[0051]
步骤5、将待识别目标对应的三维点云输入occupancy networks得到待识别目标对应的目标三维模型。
[0052]
将待识别目标的目标三维模型与数据库中的目标三维模型进行匹配，将匹配成功的数据库中的目标三维模型对应的结果作为识别结果。
[0053]
如果没有匹配成功，即没有在数据库中找到对应的目标三维模型，则基于可见光图像进行目标识别。需要说明的是可见光图像识别利用其它前人的成果即可，可以是基于神经网络的识别，也可以是其它方式的识别。还需要注意的是，图像识别仅仅是一种补充辅助手段，判识结果以匹配识别结果为主。
[0054]
与现有技术相比，本发明并没有基于分割得到的三维点云直接进行判识，或者直接对雷达点云记性特征提取，然后进行识别。而是将分割后的雷达点云通过occupancy networks确定其对应的三维模型，然后根据得到的三维模型与数据中的三维模型进行匹配，最终实现识别过程，这样即使分割的点云不是非常准确，也依然会得到一个对应的三维模型，而这种三维模型虽然是基于雷达点云得到的，但是在很大程度上可以减少分割误差的影响，也就是说即使分割存在一定误差，也不会倒是点云分割效果影响目标的识别准确率。所以本发明在分割时使得点云模型即使不是很准确，也依然可以取得相对较好的效果。
[0055]
同时本发明为了避免匹配失败情况，同时设置了预备方案，即通过可见光图像实
现辅助识别。当然相比三维模型识别的效果可见光图像识别结果为辅助驾驶技术提供的信息相对有限，但是可以有效避免三维点云判识失败而导致的问题，是一种行之有效的补充手段，大大提高了本发明的适用性和有效性。
[0056]
具体实施方式二：
[0057]
本实施方式为一种计算机存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于雷达点云的目标识别方法。。
[0058]
应当理解，包括本发明描述的任何方法对应的可以被提供为计算机程序产品、软件或计算机化方法，其可以包括其上存储有指令的非暂时性机器可读介质，所述指令可以用于编程计算机系统，或其他电子装置。存储介质可以包括但不限于磁存储介质，光存储介质；磁光存储介质包括：只读存储器rom、随机存取存储器ram、可擦除可编程存储器(例如，eprom和eeprom)以及闪存层；或者适合于存储电子指令的其他类型的介质。
[0059]
具体实施方式三：
[0060]
本实施方式为基于雷达点云的目标识别设备，所述设备包括处理器和存储器，应当理解，包括本发明描述的任何包括处理器和存储器的设备，设备还可以包括其他通过信号或指令进行显示、交互、处理、控制等以及其他功能的单元、模块；本实施方式中所述的设备还包括设置在车辆上的激光雷达和相机等。
[0061]
所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于雷达点云的目标识别方法。
[0062]
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。