【技术实现步骤摘要】
本公开实施例涉及但不限于目标检测，尤其涉及一种目标检测的方法、集成电路、电磁波传感器、设备及计算机可读存储介质。
技术介绍
1、在对短距密封或相对密封的空间区域中进行目标检测时，例如针对汽车舱内进行目标检测时，由于强静态杂波和多径的影响，会存在诸如检测率较低、虚警目标较多、角度估计不准等技术问题。尤其对于小孩遗留车内的场景，小孩rcs(radar cross section，雷达散射截面)较低，检测难度更大；且基于预定规则的座位区域判断往往依赖于空间几何关系的测量、合适的规则设计及各类参数的调整优化，增加了设备的部署调试难度。
技术实现思路
1、本公开实施例提供了一种目标检测的方法、集成电路、电磁波传感器、设备及计算机可读存储介质，能够提高目标检测的准确率。
2、一方面，本公开实施例提供了一种目标检测方法，包括：
3、基于回波信号进行距离维fft处理后，得到1d-fft数据，对所述1d-fft数据进行多帧联合处理,得到rd图谱；
4、基于所述rd图谱得到目标点云数据，对所述目标点云数据进行基于机器学习的目标分类处理，以实现对感兴趣区域中目标的检测。
5、在示例性实施例中，所述对感兴趣区域中目标的检测包括以下操作至少之一：判断、定位、识别。
6、在示例性实施例中，所述基于回波信号进行距离维fft处理后，得到1d-fft数据，对所述1d-fft数据进行多帧联合处理，得到rd图谱，包括：对回波信号进行啁啾内的距离维fft处理后，
7、在示例性实施例中，所述基于所述rd图谱得到目标点云数据，包括：对各通道的rd图谱进行非相干积累，基于非相干积累结果进行基于噪声估计的恒虚警处理，得到候选目标检测点，对所述候选目标检测点进行方位中间角估计和俯仰角估计，根据方位中间角和俯仰角得到目标点云数据。
8、在示例性实施例中，对所述目标点云数据进行基于机器学习的目标分类处理，以实现对感兴趣区域中目标的检测，包括：将所述目标点云数据输入预先训练好的第一机器学习分类器，得到第一检测结果，所述第一检测结果表示候选目标检测点是否为有效候选目标检测点，所述目标点云数据包括坐标数据。
9、在示例性实施例中，输入所述第一机器学习分类器的数据还包括以下一种或多种：距离数据、恒虚警信噪比、幅度值、多普勒频率、方位中间角和俯仰角。
10、在示例性实施例中，对所述目标点云数据进行基于机器学习的目标分类处理，以实现对感兴趣区域中目标的检测，包括：对所述目标点云数据进行处理，提取候选目标检测点的区域信息，将所述区域信息输入预先训练好的第二机器学习分类器，得到第二检测结果，所述第二检测结果表示预设区域是否有目标。
11、在示例性实施例中，所述候选目标检测点的区域信息包括以下信息的一种或多种：每个预设区域的有效候选目标检测点数量、每个预设区域的有效候选目标检测点占总有效候选目标检测点的比例，每个预设区域所有有效候选目标检测点的距离的均值、距离的方差、方位中间角的均值、方位中间角的方差、俯仰角的均值、俯仰角的方差、恒虚警信噪比的均值与恒虚警信噪比的方差。
12、在示例性实施例中，所述第一机器学习分类器为以下分类器中的任意一种或多种：支持向量机、随机森林、决策树、混合高斯模型、knn、隐马尔科夫、多层感知机；所述第二机器学习分类器为以下分类器中的任意一种或多种：支持向量机、随机森林、决策树、混合高斯模型、knn、隐马尔科夫、多层感知机。
13、在示例性实施例中，所述积累至预设的数据量后，进行帧间的fft处理，包括：采用滑窗方式每次读取预设帧数的1d-fft数据进行帧间的fft处理。
14、在示例性实施例中，所述对各通道的rd图谱进行非相干积累，基于非相干累积结果进行基于噪声估计的恒虚警处理，包括：对各通道的rd图谱进行非相干积累，估计非相干积累后每个距离单元的噪底，得到每个距离单元的噪底估计值，利用所述噪底估计值进行非相干恒虚警处理，其中，估计非相干积累后每个距离单元的噪底时，利用全局噪底对每个距离单元的噪底进行修正。
15、在示例性实施例中，所述估计非相干积累后每个距离单元的噪底时，利用全局噪底对每个距离单元的噪底进行修正，包括：采用以下方式对每个距离单元的噪底进行修正：ni′＝min(ni,α*ng)，其中，ni为第i个距离单元原始的噪底估计值,而ng为多个距离单元的噪底估计值的均值，ni′为第i个距离单元修正后的噪底估计值，α＞1。
16、另一方面，本公开实施例还提供了一种目标检测的方法，应用于对特定目标区域进行目标检测，所述方法包括：将目标点云数据输入预先训练好的第一机器学习分类器得到有效候选目标检测点，提取所述有效候选目标检测点的区域信息，输入预先训练好的第二机器学习分类器以获取目标检测结果在示例性实施例中，所述感兴趣区域属于封闭或半封闭区域。
17、另一方面，本公开实施例还提供了一种集成电路，包括：信号发射模块，被配置为用于目标检测的电磁波；信号接收模块，被配置为用于接收所述电磁波被反射和/或散射所形成的回波；以及处理模块，被配置为用于根据如权利要求1-13任一项所述的方法对所述回波信号进行处理，以实现目标检测。
18、在示例性实施例中，所述目标检测包括对感兴趣区域中目标的以下操作至少之一：判断、定位和识别。
19、在示例性实施例中，所述处理模块包括基带单元和mcu单元；所述基带单元被配置为用于实现如权利要求1-13任一项所述方法中的距离维fft处理、多帧联合处理，所述mcu单元被配置为用于实现如权利要求1-13中任一项所述方法中的基于机器学习的目标分类处理。
20、在示例性实施例中，当所述方法包括数字波束合成和帧数据积累时，所述基带单元可被配置为用于实现所述数字波束合成，所述mcu单元可被配置为用于实现所述帧数据积累。
21、在示例性实施例中，所述集成电路为毫米波芯片或传感器芯片。
22、再一方面，本公开实施例还提供了一种电磁波传感器，包括：承载体；如前所述的集成电路，设置在所述承载体上；天线，设置在所述承载体上，或者所述天线与所述集成电路集成为一体器件设置在所述承载体上；其中，所述集成电路与所述天线连接，用于发射所述电磁波信号和/或接收所述回波信号。
23、再一方面，本公开实施例还提供了一种终端设备，包括：设备本体；以及设置于所述设备本体上的如前所述的电磁波传感器；其中，所述电磁波传感器用于目标检测和/或通信，以向所述设备本体的运行提供参考信息。
24、再一方面，本公开实施例还提供了一种非瞬时性计算机可读存储介质，其上存储有计算机可读指令，当所述指令被处理器执行时，使得所述处理器执行如权利要求1-13任一项所述的方法。
25、采用本公开实施例提供的本文档来自技高网...
【技术保护点】
1.一种目标检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对感兴趣区域中目标的检测包括以下操作至少之一：判断、定位、识别。
3.根据权利要求1所述的方法，其特征在于，所述基于回波信号进行距离维FFT处理后，得到1D-FFT数据，对所述1D-FFT数据进行多帧联合处理，得到RD图谱，包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述RD图谱得到目标点云数据，包括：
5.根据权利要求1所述的方法，其特征在于，对所述目标点云数据进行基于机器学习的目标分类处理，以实现对感兴趣区域中目标的检测，包括：
6.根据权利要求5所述的方法，其特征在于，输入所述第一机器学习分类器的数据还包括以下一种或多种：距离数据、恒虚警信噪比、幅度值、多普勒频率、方位中间角和俯仰角。
7.根据权利要求1所述的方法，其特征在于，对所述目标点云数据进行基于机器学习的目标分类处理，以实现对感兴趣区域中目标的检测，包括：
8.根据权利要求7所述的方法，其特征在于，所述候选目标检测点的区域信息包括以
9.根据权利要求5或7所述的方法，其特征在于，
10.根据权利要求3所述的方法，其特征在于，所述积累至预设的数据量后，进行帧间的FFT处理，包括：
11.根据权利要求4所述的方法，其特征在于，所述对各通道的RD图谱进行非相干积累，基于非相干累积结果进行基于噪声估计的恒虚警处理，包括：
12.根据权利要求11所述的方法，其特征在于，所述估计非相干积累后每个距离单元的噪底时，利用全局噪底对每个距离单元的噪底进行修正，包括：
13.一种目标检测的方法，其特征在于，应用于对特定目标区域进行目标检测，所述方法包括：
14.一种集成电路，其特征在于，包括：
15.根据权利要求14所述的集成电路，其特征在于，所述目标检测包括对感兴趣区域中目标的以下操作至少之一：判断、定位和识别。
16.根据权利要求14所述的集成电路，其特征在于，
17.根据权利要求16所述的集成电路，其特征在于，当所述方法包括数字波束合成和帧数据积累时，所述基带单元可被配置为用于实现所述数字波束合成，所述MCU单元可被配置为用于实现所述帧数据积累。
18.根据权利要求14所述的集成电路，其特征在于，所述集成电路为毫米波芯片或传感器芯片。
19.一种电磁波传感器，其特征在于，包括：
20.一种终端设备，其特征在于，包括：
21.一种非瞬时性计算机可读存储介质，其上存储有计算机可读指令，当所述指令被处理器执行时，使得所述处理器执行如权利要求1-13任一项所述的方法。
...【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对感兴趣区域中目标的检测包括以下操作至少之一：判断、定位、识别。
3.根据权利要求1所述的方法，其特征在于，所述基于回波信号进行距离维fft处理后，得到1d-fft数据，对所述1d-fft数据进行多帧联合处理，得到rd图谱，包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述rd图谱得到目标点云数据，包括：
5.根据权利要求1所述的方法，其特征在于，对所述目标点云数据进行基于机器学习的目标分类处理，以实现对感兴趣区域中目标的检测，包括：
6.根据权利要求5所述的方法，其特征在于，输入所述第一机器学习分类器的数据还包括以下一种或多种：距离数据、恒虚警信噪比、幅度值、多普勒频率、方位中间角和俯仰角。
7.根据权利要求1所述的方法，其特征在于，对所述目标点云数据进行基于机器学习的目标分类处理，以实现对感兴趣区域中目标的检测，包括：
8.根据权利要求7所述的方法，其特征在于，所述候选目标检测点的区域信息包括以下信息的一种或多种：每个预设区域的有效候选目标检测点数量、每个预设区域的有效候选目标检测点占总有效候选目标检测点的比例，每个预设区域所有有效候选目标检测点的距离的均值、距离的方差、方位中间角的均值、方位中间角的方差、俯仰角的均值、俯仰角的方差、恒虚警信噪比的均值与恒虚警信噪比的方差。
9.根据权利要求5或7所述的方法，其特征在于...
【专利技术属性】
技术研发人员：王治飞，陈嘉澍，
申请(专利权)人：加特兰微电子科技上海有限公司，
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。