【技术实现步骤摘要】
本申请属于计算机视觉领域，具体涉及一种场景识别方法、模型、系统及存储介质。
技术介绍
1、在当代的“智能革命”中，高级驾驶辅助系统作为车辆自动驾驶技术的基础，近年来在全球范围内得到了高速发展，车载雷达信息处理技术凭借其对复杂交通环境的优异探测感知性能成为了adas的核心技术。在车辆雷达信息处理前，都要对驾驶车辆所处的当前场景进行识别，提前预知当前的场景为地下车库场景，并基于场景调整跟踪模型的参数以及跟踪的策略，将能够大大提升该场景下目标跟踪的准确性，但是现有的场景识别算法都是基于gps定位和高精地图来识别车辆所在的识别场景。但是这种方式会出现识别不准确的现象。
2、专利技术专利cn116643266 a提出了一种基于gps、高精地图、摄像头及毫米波雷达的场景识别方法及装置，能够基于高精地图及gps的先验信息初步判断场景，再基于摄像头及毫米波雷达的量测信息与场景进行关联，从而确定车辆的所在场景。但是gps、摄像头、毫米波雷达与高精度地图的组合都需要较大的硬件成本与算力成本开销；高精度地图及gps对面地面场景能够进行较好地定位与判断，但对地下场景的识别则欠佳。
技术实现思路
1、为解决上述技术问题，本申请提出一种场景识别方法、模型、系统及存储介质，根据场景识别模型对所采集的车辆当前的环境数据进行检测，获得当前帧预测结果；重复操作，直至累计获得了n帧的预测结果后，根据所述n帧预测结果构建线性列表，选取线性列表中出现频数大于预设值的预测结果作为本次场景识别结果。
2
3、s1：获得车辆当前的环境数据；
4、s2：采用场景识别模型对所述环境数据进行检测，获得当前帧预测结果；
5、s3：重复步骤s1-s2，直至累计获得n帧预测结果后，转s4；
6、s4：根据所述n帧预测结果构建线性列表，选取线性列表中出现频数大于预设值的预测结果作为本次场景识别结果。
7、本申请提到的方法能够预测当前的场景，与现有技术相比，实现了更好的对地下场景的识别，大大的降低了场景识别的成本开销，通过多步骤识别，多特征重构的方法，增强了场景识别结果的可靠性。
8、进一步的，在步骤s2中根据场景识别模型对所采集的车辆当前的环境数据进行检测，获得当前帧预测结果。其中，所述场景识别模型，具体包括以下步骤进行构建：
9、s21：获取历史环境数据和本车信息，所述历史环境数据包括分别从第一场景和第二场景中采集的环境数据；
10、s22：对所述历史环境数据和本车信息进行预处理，并进行特征重构，获得特征数据；
11、s23：采用机器学习模型对所述特征数据进行训练，获得数据一；
12、s24：判断所述机器学习模型的分类准确率是否达到预设阈值一或所述数据一是否小于或等于n，n为预设常数，若是，则获得初步的场景识别模型，否则，对所述数据一进行重要性排序，并剔除一个最不重要的特征，将剩余的所述数据一返回步骤s23。
13、通过将历史环境数据和本车信息进行预处理和特征重构后，根据机器学习模型对获得的特征数据进行训练，再通过筛选的方式对所述机器学习模型进行优化，获得了初步的场景识别模型。
14、进一步的，所述步骤s21中：
15、所述第一场景可以为地下车库场景，所述第二场景可以为正常开阔道路场景；
16、所采集到的环境数据可以是：通过毫米波雷达探测到的量测数据。其中，每一帧将探测到数十个点迹，每个点迹都包含距离、方位角、俯仰角、径向相对速度、信噪比、幅值、探测横截面积以及时间戳这几个维度的数据。
17、所述本车信息可以是：根据imu传感器测得的本车车速，本车的角速度，时间戳这几个维度的信息。
18、进一步的，所述步骤s22中所述预处理，具体为：
19、剔除无效历史环境数据，遍历每帧历史环境数据中的所有点迹，并将所述点迹坐标转换至笛卡尔坐标系，再根据所述本车信息与转换坐标系后的所述点迹进行计算，获得点迹对地速度。
20、其中，所述将所述点迹坐标转换至笛卡尔坐标系，具体是通过公式进行计算，获得每个点迹坐标相对应的笛卡尔坐标。具体的计算公式为：
21、x＝range*sinφ*sinθ；
22、y＝range*sinφ*cosθ；
23、z＝range*cosφ；
24、其中，x、y、z为笛卡尔坐标系中相对应的坐标，range为距离，φ为俯仰角，θ为方位角。
25、所述获得点迹对地速度，具体的计算公式可以是：
26、abspeed＝rspeed*sinφ+vehicle*cosθ；
27、其中，abspeed为点迹的对地速度，rspeed为点迹的径向速度，vehicle为本车车速。
28、进一步的，所述步骤s22中所述特征重构，具体为：
29、根据特征提取方法对所有所述预处理后的特征数据进行提取；
30、其中，所述特征提取方法，具体为：离散化区块均值法、离散化区块标准差法、线性传播特性法或传播衰减特性法。
31、通过特征提取的方法，能够从众多的单一局部特征数据中提取出区块特征数据和全局总体特征数据。
32、其中，所述离散化区块均值法，具体的计算公式为：
33、
34、njk＝totalnumj[k]；
35、其中，njk表示当前帧所有点迹在第k个区块的个数，对于每一个特征j，该值都相同；
36、valueijk表示第k个区块第i个点迹的第j的特征值；
37、minj表示当前帧所有点迹第j的特征的极小值；
38、stepj表示第j的特征离散化处理时的步长，是一组预设的参数，其中steprange可以设置为一个车长，可以是5m；
39、meanjk表示第k个区块第j的特征值的均值。
40、所述离散化区块标准差法，具体的计算公式为：
41、
42、其中：sqrt()表示对值进行开根号；
43、stdjk表示第k个区块第j特征值的标准差。
44、所述线性传播特性提取法，具体的计算公式为：
45、
46、
47、
48、其中：n表示共有n个子区块；
49、qjk表示第k个区块第j特征值的传播特性。
50、所述传播衰减特性提取，具体的计算方式为：
51、
52、其中，attj表示第j特征值的传播衰减特性。
53、进一步的，所述步骤s23根据机器学习模型对所述特征数据进行训练之前，还包括：
54、根据预设阈值二对所述特征数据进行筛选，筛选出满足预设阈值二的样本数据；
55、其中，机器学习模型，具体为决策树、随机本文档来自技高网...
【技术保护点】
1.一种场景识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种场景识别方法，其特征在于，所述场景识别模型，包括：
3.根据权利要求2所述的一种场景识别方法，其特征在于，所述步骤S22中所述预处理，具体为：
4.根据权利要求3所述的一种场景识别方法，其特征在于，所述步骤S22中所述特征重构，具体为：
5.根据权利要求4所述的一种场景识别方法，其特征在于，所述步骤S23根据机器学习模型对所述特征数据进行训练之前，还包括：
6.根据权利要求5所述的一种场景识别方法，其特征在于，所述步骤S24之后，还包括对所述初步的场景识别模型进行优化，具体为：
7.根据权利要求6所述的一种场景识别方法，其特征在于，所述线性列表，可以为时间序列、数组、队列或链表其中的一种。
8.一种识别模型，其特征在于，所述识别模型如权利要求1-7任一所述的场景识别方法中采用的场景识别模型。
9.一种根据权利要求1-7任一所述的场景识别方法的系统，其特征在于，所述系统，包括：数据采集模块：用于对环境信息进行采
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，其特征在于，所述计算机可执行指令被控制处理器执行时实现如权利要求1-7任一所述的场景识别方法。
...【技术特征摘要】
1.一种场景识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种场景识别方法，其特征在于，所述场景识别模型，包括：
3.根据权利要求2所述的一种场景识别方法，其特征在于，所述步骤s22中所述预处理，具体为：
4.根据权利要求3所述的一种场景识别方法，其特征在于，所述步骤s22中所述特征重构，具体为：
5.根据权利要求4所述的一种场景识别方法，其特征在于，所述步骤s23根据机器学习模型对所述特征数据进行训练之前，还包括：
6.根据权利要求5所述的一种场景识别方法，其特征在于，所述步骤s24之后，还包括对所述初步的场景识别...
【专利技术属性】
技术研发人员：朱江，朱海洋，周琼峰，郭小娟，
申请(专利权)人：南京市德赛西威汽车电子有限公司，
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。