用于对象检测的方法和系统技术方案

本申请公开了一种用于对象检测的方法和系统。该计算机实现方法包括由计算机硬件组件执行的以下步骤：提供包括距离信息、速度信息和角度信息的信号表示数据；针对多个空间尺度中的各个空间尺度，基于信号表示数据确定相应空间尺度的相应尺度数据，以获得多个尺度数据；向多个检测器提供多个尺度数据；以及各个检测器基于多个尺度数据中的至少一个尺度数据执行对象检测。据执行对象检测。据执行对象检测。

【技术实现步骤摘要】
用于对象检测的方法和系统


[0001]本公开涉及用于例如使用雷达数据的对象检测的方法。

技术介绍

[0002]在线性调频(chirp)序列雷达的常规信号处理中，目标在于通过估计在测量环境中散布的物理点的距离、径向速度和角度来创建检测点，这些物理点将从雷达发射器发射的能量反射回接收器。反射能量的量非常依赖于对象的材料、取向、几何形状和尺寸。在这种情况下，通常使用傅立叶变换来将时域/空域数据转换成可以对人类解释的频率响应。一种常见的方法是创建多个距离多普勒图(range-Doppler map)，所述多个距离多普勒图分别指示场景中的对象的径向距离和速度。然后将这些响应设定为阈值，以滤除可能是噪声或干扰并因此不关注的任何响应。作为进一步的步骤，继续处理剩余的检测，以提取空域中的角度(利用接收器阵列)，然后将该角度与反射点的距离信息一起使用，以在场景中准确定位反射点。
[0003]该技术的问题在于，对于各个距离多普勒单元，空间信息会覆盖相当大的视场(例如，-75度至+75度)，该视场可能包含许多散射体。如果被测量的场景包含许多静止对象，则尤其如此。如果自主车辆(换言之：设置有雷达传感器的车辆)静止不动，则静止对象会导致第零多普勒通道(Doppler bin)中的许多点对应于非移动对象。在这种情况下，区分多个反射器变得非常困难，并且通常要部署计算上昂贵的高分辨率技术来解析多个反射点。
[0004]因此，需要提供用于有效的对象检测的系统和方法。

技术实现思路

[0005]本公开提供了计算机实现方法、计算机系统和非暂时性计算机可读介质。在说明书和附图中给出了实施方式。
[0006]在一个方面中，本公开涉及一种用于对象检测的计算机实现方法，该方法包括由计算机硬件组件执行的以下步骤：提供包括距离信息、速度信息和角度信息的信号表示数据；针对多个空间尺度中的各个空间尺度，基于信号表示数据确定相应空间尺度的相应尺度数据，以获得多个尺度数据；向多个检测器提供多个尺度数据；以及各个检测器基于该多个尺度数据中的至少一个尺度数据执行对象检测。
[0007]换言之，向多个检测器提供输入信号数据的多个尺度版本，并且各个检测器使用尺度版本中的至少一者进行对象检测。
[0008]向多个检测器提供各种尺度的尺度数据可以增强检测效率和检测精度，尤其是在处理关注区域中不同尺寸的对象时。尺度数据也可以被称为空间尺度金字塔。例如，深层金字塔层级可以包括更适合于检测大对象的信息，而浅层金字塔层级可以包含更适于检测小对象的信息。
[0009]根据另一方面，信号表示数据基于雷达信号和超声信号中的至少一者。例如，信号表示数据可以是基于所接收的发射信号的反射的信息(例如，能量或频率)。基于所接收的
反射的能量，并且基于所接收的反射(换言之：所接收的反射信号)的能量的时间分布，可以确定对发射信号进行反射的对象的距离(例如，通过确定信号的发射与反射信号的接收之间的时间)。根据另一方面，信号表示数据包括频域雷达数据。基于能够从所接收的信号及其频率得出的相移，可以确定对象的速度(例如，基于反射信号的频率的多普勒频移)。
[0010]根据另一方面，信号表示数据基于由天线阵列接收的信号。通过确定在各个天线处接收的反射信号之间的到达时间差，可以确定到达方向(换言之：角度)。
[0011]将理解的是，尽管信号表示数据包括距离信息、速度信息和角度信息，但是这些信息(距离信息、速度信息和角度信息)不一定在信号表示数据中明确地存在(换言之：所确定或解码的)，而是这些信息可以从信号表示数据中得出。
[0012]根据另一方面，基于稀疏输入数据将信号表示数据确定为密集数据，优选地，基于保留稀疏输入数据的空间顺序的变换，将信号表示数据确定为密集数据。已经发现的是，因为基于稀疏数据的处理可能会使对机器学习模型进行有效训练所需的训练数据量大大增加，所以基于稀疏数据的处理可以阻碍机器学习应用。因此，将稀疏数据转换成密集数据可以增强处理。
[0013]根据另一方面，以从精细空间分辨率到粗糙空间分辨率的层次结构提供多个空间尺度。根据各种实施方式，基于水平(即，在金字塔的一个层级内；换言之：在相同空间分辨率的数据之间)和垂直(即，从金字塔的一个层级到金字塔的另一层级；换言之：在不同空间分辨率的数据之间)地共享信息来确定各种空间尺度的数据(换言之：具有各种空间分辨率的数据)。根据各个实施方式的特征金字塔中的各个层级可以包括多个特征向量，各个特征向量描述来自不同距离(range)的雷达响应。当确定用于粗糙金字塔层级特征的数据时，可以将来自若干精细距离的特征组合成单个粗糙距离。可以组合来自不同距离的特征，即，在一个维度(1D)上组合数据。将理解的是，可以使用各种方法来确定不同金字塔层级的数据，例如平均、最大池化、神经网络或适合于将数据调整到较粗糙尺度或较精细尺度的任何其它方法。可以基于其它层级中的特征并基于接收到的雷达数据(例如，所接收的(例如，反射的)雷达信号的能量的模式)来确定各个层级中的特征。
[0014]根据另一方面，多个空间尺度可以与信号表示数据的距离信息相关。换言之：相对于距离信息来调整信号表示数据。已经发现的是，这可以增强具有变化的尺寸的对象的对象检测(例如，当要检测小尺寸的对象和尺寸远大于该小尺寸的对象时)。
[0015]根据另一方面，各个检测器在相应预定空间区域中执行对象检测。根据另一方面，在极角坐标中的预定范围上提供多个检测器的相应预定空间区域。
[0016]各个检测器的相应预定区域可以在尺寸上变化。例如，可能存在小预定区域和大预定区域。可能存在多个不同尺寸的区域。
[0017]根据另一方面，各个检测器提供所执行的对象检测的相应置信度。由于可以将具有高置信度的检测结果与具有低置信度的检测结果区别地对待，所以这可以增强检测结果的进一步处理。
[0018]根据另一方面，各个检测器在检测对象时预测所检测的对象的属性。所检测的对象的属性包括所检测的对象的位置、所检测的对象的尺寸、所检测的对象的取向、所检测的对象的速度、所检测的对象的形状或者所检测的对象的类别中的至少一者。对类别进行检测可以将所检测的对象分类成多个类别中的一个类别。例如，可以检测所检测的对象是卡
车、汽车、自行车还是行人。然后，这些属性可以用于进一步处理，例如，在控制自主驾驶汽车中。
[0019]根据另一方面，通过神经网络来执行步骤中的至少一个步骤。可以基于标记数据来训练该神经网络，标记数据包括参考对象信息和数据，基于该参考对象信息和数据，可以获得参考信号表示数据。这可以允许在无需手动设计特征、模块或编码的情况下自动学习完整的对象检测模型。该神经网络可以例如是卷积神经网络(CNN)，例如，深度卷积神经网络(deep CNN)。
[0020]在另一方面，本公开涉及一种计算机系统，所述计算机系统被配置为执行本文所描述的计算机实现方法的若干或全部步骤。
[0021]该计算机系统可以包括多个计算机硬件组件(例如，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于对象检测的计算机实现方法，所述计算机实现方法包括由计算机硬件组件执行的以下步骤：提供(302)包括距离信息、速度信息和角度信息的信号表示数据；针对多个空间尺度中的各个空间尺度，基于所述信号表示数据确定(304)相应空间尺度的相应尺度数据，以获得多个尺度数据；向多个检测器提供(306)所述多个尺度数据；以及各个检测器基于所述多个尺度数据中的至少一个尺度数据执行对象检测(308)。2.根据权利要求1所述的计算机实现方法，其中，所述信号表示数据基于雷达信号和超声信号中的至少一者。3.根据权利要求1所述的计算机实现方法，其中，所述信号表示数据包括频域雷达数据。4.根据权利要求1至3中至少一项所述的计算机实现方法，其中，所述信号表示数据基于由天线阵列接收的信号。5.根据权利要求1至4中至少一项所述的计算机实现方法，其中，基于稀疏输入数据将所述信号表示数据确定为密集数据，优选地，基于保留所述稀疏输入数据的空间顺序的变换，将所述信号表示数据确定为密集数据。6.根据权利要求1至5中至少一项所述的计算机实现方法，其中，以从精细空间分辨率到粗糙空间分辨率的层次结构提供所述多个空间尺度。7.根据权利要求1至6中至少一项所述的计算机实现方法，其中，所述多个空间尺度与所述信号表示数据的所述距离信息相关。8.根据权利要求1至7中至少一项所述的计算机实现方法，其中，各个检测器在相应预定...

【专利技术属性】
技术研发人员：朱维檬，苏煜，P，
申请(专利权)人：APTIV技术有限公司，
类型：发明
国别省市：