本发明专利技术公开了一种目标分类模型训练方法及目标分类方法、装置及存储介质，以解决现在技术中的雷达难以将探测目标进行分类的问题，以及对目标分类精度低等技术问题，其中，所述方法包括：获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；基于预设的规则对所述观测数据序列进行目标分类处理，并统计当前每个类别的实际出现概率，将每个类别的实际出现概率作为各个状态的初始状态概率；根据各个状态的初始状态概率，估算隐马尔可夫模型参数。采用本发明专利技术实施例的技术方案能够大幅度提升雷达目标分类的准确性。升雷达目标分类的准确性。升雷达目标分类的准确性。
【技术实现步骤摘要】
目标分类模型训练方法及目标分类方法、装置及存储介质
[0001]本申请属于雷达数据处理
，具体涉及一种目标分类模型训练方法及目标分类方法、装置及存储介质。
技术介绍
[0002]路端毫米波雷达，工作频率范围79
‑
81GHz，主要用于观测路面行驶的目标，例如车辆、非机动车、行人等。毫米波雷达在测距测角测速等方面性能优异，但由于其跟踪目标的特征数很少，存在难以将目标进行分类的技术问题。
技术实现思路
[0003]本申请的目的在于提供一种目标分类模型训练方法及目标分类方法、装置及存储介质，可以解决上述技术问题。
[0004]根据本专利技术的一方面，提供一种目标分类模型训练方法，所述方法包括：获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；基于预设的规则对所述观测数据序列进行目标分类处理，并统计当前每个类别的实际出现概率，将每个类别的实际出现概率作为各个状态的初始状态概率；根据各个状态的初始状态概率，估算隐马尔可夫模型参数：，其中，为模型在初始时刻对应每一个类别的初始状态概率，A为转移概率矩阵，B为观测概率矩阵；并将所述转移概率矩阵设置为单位矩阵。
[0005]进一步地，所述特征向量包括RCS值、xSize值和ySize值；其中，RCS值表示目标的雷达散射截面积值，xSize表示目标在雷达坐标系X轴上的尺寸估算值，ySize值表示目标在雷达坐标系Y轴上的尺寸估算值。
[0006]进一步地，所述基于预设的规则对所述观测数据序列进行目标分类处理，并统计当前每个类别的实际出现概率的方法包括：收集多个目标的跟踪轨迹数据并使用人工标注的方法对所述跟踪轨迹数据进行分类标注；其中，人工标注的类别信息包括大车、小车、行人和非机动车。
[0007]进一步地，所述方法还包括：令概率密度函数为，则所述观测概率矩阵由下式表示：；其中，所述概率密度函数为采用多维高斯概率密度函数，并由下式定义：；其中，，表示隐马尔可夫链的状态数，M表示每个状态对应的观测值数
目，为均值向量，，为协方差矩阵，是的逆矩阵，是的行列式，协方差矩阵的定义为，表示帧数。
[0008]根据本专利技术的又一方面，提供一种目标分类方法，所述方法包括：获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；针对每一个目标，将对应该目标的观测数据序列输入到隐马尔可夫模型中，利用隐马尔可夫模型对所述雷达的探测目标的跟踪轨迹数据进行解码，以获取当前所述雷达的跟踪轨迹数据中的概率最高的隐藏状态序列，并计算所有不同的初始状态下所对应的所述观测数据序列的值的概率，根据计算出的概率最大的值所对应的状态值，确定当前所述雷达的跟踪轨迹数据的类别；其中，所述隐马尔可夫模型是采用前述的方法训练得出的。
[0009]进一步地，所述方法还包括：令初始状态，，表示隐马尔可夫链的状态数，所述观测数据序列表示为时，其中，为一组特征向量，表示为[RCS,xSize,ySize]，，表示帧数；基于模型中的转移概率矩阵为单位矩阵，计算所有不同的初始状态下所对应的所述观测数据序列的值的概率。
[0010]进一步地，所述对所述雷达的探测目标的跟踪轨迹数据进行解码，以获取当前所述雷达的轨迹数据中的概率最高的隐藏状态序列，并计算所有不同的初始状态下所对应的所述观测数据序列的值的概率的方法包括：根据下式计算所有不同的初始状态下所对应的所述观测数据序列的值的概率：；；；其中，表示各个状态的概率密度值，表示条件概率，表示观测数据序列，表示模型在隐藏状态为H时，出现观测数据序列X的概率，为模型的初始状态概率，表示概率密度函数，M表示每个状态对应的观测值数目，，表示隐马尔可夫链的状态数，为均值向量，，为协方差矩阵，是的逆矩阵，是的行列式，协方差矩阵的定义为。
[0011]根据本专利技术的另一方面，提供一种目标分类模型训练装置，所述装置包括：获取模块，用于获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；分类及统计模块，用于基于预设的规则对所述观测数据序列进行目标分类处理，
并统计当前每个类别的实际出现概率，将每个类别的实际出现概率作为各个状态的初始状态概率；估算模块，用于根据各个状态的初始状态概率，估算隐马尔可夫模型参数：，其中，为模型在初始时刻对应每一个类别的初始状态概率，A为转移概率矩阵，B为观测概率矩阵；并将所述转移概率矩阵设置为单位矩阵。
[0012]进一步地，所述分类及统计模块用于收集多个目标的跟踪轨迹数据并使用人工标注的方法对所述跟踪轨迹数据进行分类标注；其中，人工标注的类别信息包括大车、小车、行人和非机动车。
[0013]进一步地，所述估算模块还用于估计概率密度，并通过所述概率密度来估算概率密度函数的参数，以构造所述观测概率矩阵。
[0014]令概率密度函数为，则所述观测概率矩阵由下式表示：；其中，所述概率密度函数为采用多维高斯概率密度函数，并由下式定义：；其中，，表示隐马尔可夫链的状态数，M表示每个状态对应的观测值数目，为均值向量，，为协方差矩阵，是的逆矩阵，是的行列式，协方差矩阵的定义为，表示帧数。
[0015]根据本专利技术的另一方面，提供一种目标分类装置，所述装置包括：获取模块，用于获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；分类模块，用于针对每一个目标，将对应该目标的观测数据序列输入到隐马尔可夫模型中，利用隐马尔可夫模型对所述雷达的探测目标的跟踪轨迹数据进行解码，以获取当前所述雷达的跟踪轨迹数据中的概率最高的隐藏状态序列，并计算所有不同的初始状态下所对应的所述观测数据序列的值的概率，根据计算出的概率最大的值所对应的状态值，确定当前所述雷达的跟踪轨迹数据的类别；其中，所述隐马尔可夫模型是采用前述的装置训练得出的。
[0016]根据本专利技术的另一方面还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述目标分类模型训练方法。
[0017]根据本专利技术的另一方面还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述目标分类方法。
[0018]本专利技术的有益效果在于：相比现有技术，本专利技术提供的目标分类模型训练方法及目标分类方法、装置及存储介质，解决了现在技术中的雷达难以将探测目标进行分类的问题，以及对目标分类精度低等问题，通过利用每一个目标在雷达监测范围内的跟踪数据序
列来进行分类，可以充分利用该目标历史过程中被雷达捕获的所有信息，因此，能够大幅度提升雷达目标分类的准确性。
[0019]进一步地，简化了隐马尔可夫模型，降低了模本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种目标分类模型训练方法，其特征在于，所述方法包括：获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；基于预设的规则对所述观测数据序列进行目标分类处理，并统计当前每个类别的实际出现概率，将每个类别的实际出现概率作为各个状态的初始状态概率；根据各个状态的初始状态概率，估算隐马尔可夫模型参数：，其中，为模型在初始时刻对应每一个类别的初始状态概率，A为转移概率矩阵，B为观测概率矩阵；并将所述转移概率矩阵设置为单位矩阵。2.如权利要求1所述的目标分类模型训练方法，其特征在于，每个所述特征向量包括RCS值、xSize值和ySize值；其中，RCS值表示目标的雷达散射截面积值，xSize表示目标在雷达坐标系X轴上的尺寸估算值，ySize值表示目标在雷达坐标系Y轴上的尺寸估算值。3.如权利要求1所述的目标分类模型训练方法，其特征在于，所述基于预设的规则对所述观测数据序列进行目标分类处理，并统计当前每个类别的实际出现概率的方法包括：收集多个目标的跟踪轨迹数据并使用人工标注的方法对所述跟踪轨迹数据进行分类标注；其中，人工标注的类别信息包括大车、小车、行人和非机动车。4.如权利要求1所述的目标分类模型训练方法，其特征在于，所述方法还包括：令概率密度函数为，则所述观测概率矩阵由下式表示：；其中，所述概率密度函数为采用多维高斯概率密度函数，并由下式定义：；其中，，表示隐马尔可夫链的状态数，M表示每个状态对应的观测值数目，为均值向量，，为协方差矩阵，是的逆矩阵，是的行列式，协方差矩阵的定义为，表示帧数。5.一种目标分类方法，其特征在于，所述方法包括：获取雷达的探测目标的跟踪轨迹数据并生成跟踪数据序列，以及从所述跟踪数据序列中提取对应用于表征所述目标的至少一个特征向量，以构造观测数据序列；针对每一个目标，将对应该目标的观测数据序列输入到隐马尔可夫模型中，利用隐马尔可夫模型对所述雷达的探测目标的跟踪轨迹数据进行解码，以获取当前所述雷达的跟踪轨迹数据中的概率最高的隐藏状态序列，并计算所有不同的初始状态下所对应的所述观测数据序列的值的概率，根据计算出的概率最大的值所对应的状态值，确定当前所述雷达的跟踪轨迹数据的类别；其中，所述隐马尔可夫模型是采用如权利要求1至4中任一项所述的方法训练得出的。6.如权利要求5所述的目标分类方法，其特征在于，所述方法还包括：
令初始状态，，表示隐马尔可夫链的状态数，所述观测数据序列表示为时，其中，为一组特征向量，表示为[RCS,xSize,ySize]，，表示帧数；基于模型中的转移概率矩阵为单位矩阵，计算所有不同的初始状态下所对应的所述观测数据序列的值的概率。7.如权利要求6所述的目标分类方法，其特征在于，所述对所述雷达的探测目标的跟踪轨迹数据进行...
【专利技术属性】
技术研发人员：施雪松，蔡晔，谭俊杰，李仕贤，雷小平，
申请(专利权)人：长沙隼眼软件科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。