(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210439476.X (22)申请日 2022.04.25 (71)申请人 江苏集萃深度感知技 术研究所有限 公司 地址 214135 江苏省无锡市新吴区菱湖大 道111号软件园天鹅座C座2 2层 (72)发明人 李保江　杨德钲　冯博询　王明明　 顾炎飚　岳玉涛　 (74)专利代理 机构 无锡市观知成专利商标代理 事务所 (特殊普通合伙) 32591 专利代理师 陆旦华 (51)Int.Cl. G06V 20/56(2022.01) G06V 10/30(2022.01)G06V 10/762(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 5/00(2006.01) G06T 5/40(2006.01) G01S 7/41(2006.01) (54)发明名称 目标分类方法 (57)摘要 本发明提供一种目标分类方法， 包括： 将雷 达坐标系和图像坐标系进行标定； 对 雷达信号进 行噪声滤除以得到点云信号， 同时对图像数据进 行去雾以得到精去雾图像； 对点云信号进行聚 类、 去噪以得到多组点迹集合， 同时利用深度学 习模型对精去雾图像进行训练以获取视觉分类 结果； 获取点迹集合的参数信息； 对点迹集合进 行分类以获取雷达分类结果； 将雷达分类结果与 视觉分类结果进行融合以得到最终的分类结果。 本申请提供的分类方法拥有多个数据源， 对雷达 信号去噪、 分类以获取雷达分类结果， 并对图像 数据去雾、 训练以获取视觉分类结果， 最后将雷 达分类结果和视觉分类结果融合， 避免了误分类 的情况， 提高了目标识别的精度， 提高了目标分 类的可靠性和准确性。 权利要求书4页 说明书10页 附图1页 CN 114821499 A 2022.07.29 CN 114821499 A 1.一种目标分类方法， 其特 征在于， 包括： 利用毫米波雷达获取检测区域中的待测目标的雷达信号， 同时， 利用摄像头获取检测 区域中的待测目标的图像数据； 将雷达坐标系和图像坐标系进行 标定， 统一 坐标系； 对所述雷达信号进行 噪声滤除以得到点云信号， 同时对所述图像数据进行处理以得到 精去雾图像； 对所述点云信号进行聚类、 去噪以得到多组点迹集合， 同时利用深度学习模型对所述 精去雾图像进 行训练以获取视觉 分类结果， 其中， 所述视觉分类结果包括： 视觉检测框和视 觉分类置信度； 获取所述点迹集合的参数信息， 其中， 所述参数信息包括： 待测目标的长度、 宽度、 高 度、 多普勒速度和雷达反射强度； 根据所述点迹集合的参数信 息和预设的参数阈值 区间， 对所述点迹集合进行分类以获 取雷达分类结果， 并计算待测目标的雷达分类置信度， 其中， 雷达分类结果包括： 雷达检测 框； 将所述雷达分类结果与所述视 觉分类结果进行融合以得到最终的分类结果。 2.根据权利要求1所述的目标分类方法， 其特征在于， 所述对毫米波雷达回传的雷达信 号进行噪声滤除以得到点云信号， 同时对摄像头回传的图像数据进行 处理以得到精去雾图 像的步骤 包括： 对所述雷达信号进行傅里叶变换以将所述雷达信号从时域 转换到频域； 利用OS‑CFAR算法对所述雷达信号进行自适应噪声 去除； 将所述雷达信号映射到三维坐标系中以得到点云信号； 对所述图像数据进行去雾处 理。 3.根据权利要求2所述的目标分类方法， 其特征在于， 所述对所述图像数据进行去雾处 理的步骤 包括： 对所述图像数据进行 大气光值估计以得到大气光的估计值； 对所述图像数据进行透射 率粗估计以得到粗去雾图像； 利用导向滤波方法对所述 粗去雾图像进行透射 率精估计以得到所述精去雾图像。 4.根据权利要求3所述的目标分类方法， 其特征在于， 所述对所述图像数据进行大气光 值估计以得到大气光的估计值的步骤 包括： 第一步骤： 将所述图像数据均分成四个矩形区域； 其中， 所述图像数据满足如下大气散 射模型： I(p)＝t(p)J(p)+(1 ‑t(p))A 其中， I(p)为有雾图像， J(p)为无雾图像， t(p)为透射 率， A为大气光； 第二步骤： 根据各所述矩形区域的像素值的平均值和标准差， 获取各所述矩形区域的 像素值的平均值与各 所述矩形区域的像素值的标准差的差值， 选出差值 最大的矩形区域； 第三步骤： 以差值最大的矩形区域作为新的图像数据， 并对新的图像数据重复执行所 述第一步骤和所述第二步骤， 直至当前差值最大 的矩形区域的面积小于预设的面积 阈值， 此时， 将面积小于预设的面积阈值的矩形区域 最亮点的像素值作为大气光的估计值。 5.根据权利要求1所述的目标分类方法， 其特征在于， 所述对所述点云信号进行聚类、权　利　要　求　书 1/4 页 2 CN 114821499 A 2去噪以得到多组点迹集合， 同时利用深度学习模型对所述精去雾图像进 行训练以获取视觉 分类结果的步骤 包括： 利用DBSCAN 算法对所述 点云信号进行聚类以得到多个点迹集 合； 对检测区域的边界位置的部分点迹集合进行剔除以滤除障碍物， 其中， 需要剔除的所 述部分点迹集 合包括至少20个信号 点； 对所述点迹集合进行编组以给 各所述点迹集合赋予对应的ID； 采用深度学习模型对所述精去雾图像进行训练以对待测目标进行检测与分类以获取 所述视觉分类结果， 其中， 所述视觉分类结果包括： 视觉目标检测框和视觉分类置信度； 所 述深度学习模型为YOLOX ‑S模型。 6.根据权利要求1所述的目标分类方法， 其特征在于， 所述获取所述点迹集合的参数信 息， 其中， 所述 参数信息包括： 长度、 宽度、 高度、 速度和雷达反射强度的步骤 包括： 将所述点迹集合从雷达坐标系映射到平面 坐标系中； 在当前帧中， 将各所述点迹集合的聚类中心设置为虚拟测量点， 并以当前帧中的所述 虚拟测量 点为测量基点； 分别检测后两帧中的各所述虚拟测量点是否发生偏移； 若后两帧中的任意一所述虚拟 测量点发生偏移， 则对发生位移的所述虚拟测量点分别进 行平移直至与当前帧中的测量基 点的位置 重合； 分别获取各所述点迹集合在x轴和y轴上的最大值和最小值， 其中， 在x轴上的最大值记 为xi_max， 在x轴上的最小值记为xi_min， 在y轴上的最大值记为yi_max， 在y轴上的最小值记 为yi_min， 其中， i 为大于或者 等于1的整数； 根据xi_max和xi_min， 获取各所述点迹集合的宽度， 同时根据yi_max和yi_min获取各所 述点迹集合的长度； 将各所述点迹集合从平面坐标系映射到三维坐标系中， 获取各所述点迹集合在z轴上 的最大值以作为各 所述点迹集合的高度， 其中， 在z轴上的最大值记为zi_max； 获取各所述点迹集合的多普勒速度和雷达反射强度。 7.根据权利要求1所述的目标分类方法， 其特征在于， 所述根据 所述点迹集合的参数信 息和预设的参数阈值区间， 对待测目标进行分类以获取雷达分类结果， 并计算待测目标 的 雷达分类置信度的步骤 包括： 根据各所述点迹集合的长度、 宽度和高度， 获取各所述点迹集合的长宽比和宽高比， 所 述参数阈值区间包括： 第一阈值区间、 第二阈值区间、 第三阈值区间、 第四阈值区间、 第五 阈 值区间、 第六阈值区间和第七阈值区间； 将各所述点迹集合的长宽比分别与第 一阈值区间进行比较、 将各所述点迹集合的宽 高 比分别与第二阈值区间进行比较以及将各所述点迹集合的雷达反射强度分别与第三阈值 区间进行比较， 以区分所述 点迹集合为车辆目标还是 行人目标； 利用卡尔曼滤波器对所有点迹集合进行预测， 以对所述车辆目标和/或所述行人目标 保持跟踪； 根据当前帧图像以及前两帧图像， 获取待测目标的雷达分类置信度。 8.根据权利要求7所述的目标分类方法， 其特征在于， 所述根据当前帧图像以及前两帧 图像， 获取待测目标的雷达分类置信度的步骤 包括：权　利　要　求　书 2/4 页 3 CN 114821499 A 3