本發(fā)明涉及雷達(dá)，尤其涉及一種用于雷達(dá)的雜波抑制方法、裝置及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、車載毫米波雷達(dá)(automotive?millimeter?wave?radar)是一種專用于感知外界環(huán)境、輔助高級駕駛輔助系統(tǒng)根據(jù)道路環(huán)境實(shí)時(shí)產(chǎn)生必要的駕駛指令的傳感器。和其它相似傳感器如照相機(jī)、激光雷達(dá)相比，車載毫米波雷達(dá)具有其全天時(shí)、全天候的工作特性，可以獲得目標(biāo)的距離、速度和角度等有用信息，且造價(jià)低廉，是一類重要的民用雷達(dá)系統(tǒng)。對于車載毫米波雷達(dá)，為提升車輛近處目標(biāo)的檢測準(zhǔn)確性，往往需要設(shè)定較低的檢測門限，隨之而來的是近處地面反射雜波及多徑等對雷達(dá)性能的影響。常用技術(shù)的解決方案主要通過調(diào)整濾波器階數(shù)或?qū)V波器參數(shù)做專門設(shè)計(jì)，再結(jié)合具體的場景調(diào)整距離維檢測門限。

2、通過設(shè)計(jì)濾波器抑制雜波的方式一般會(huì)面臨近處目標(biāo)檢測點(diǎn)和部分雜波難以區(qū)分的情況。尤其是待檢測目標(biāo)為近處靜態(tài)目標(biāo)，而雜波檢測點(diǎn)中還包含其他多徑等統(tǒng)計(jì)特征不明顯的雜波時(shí)，上述方法效果有限。而降低濾波器階數(shù)，再通過不斷測試驗(yàn)證設(shè)計(jì)檢測門限雖然能一定程度改善該問題，但效率較低，且該方法不具有普適性，不同的毫米波雷達(dá)需要重新進(jìn)行濾波器和檢測門限的優(yōu)化。

3、有鑒于此，亟需提供一種新的用于雷達(dá)的雜波抑制方法，以克服現(xiàn)有技術(shù)存在的缺陷。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種用于雷達(dá)的雜波抑制方法、裝置及存儲(chǔ)介質(zhì)，旨在有效解決現(xiàn)有技術(shù)中車輛近處的目標(biāo)檢測點(diǎn)的檢測準(zhǔn)確性較低，并且檢測效率不高的技術(shù)問題。

2、根據(jù)本發(fā)明的一方面，本發(fā)明提供一種用于雷達(dá)的雜波抑制方法，所述方法包括：

3、采集針對多個(gè)目標(biāo)的光學(xué)圖像，并獲取所述多個(gè)目標(biāo)針對所述雷達(dá)探測信號(hào)反饋的回波信號(hào)，以及根據(jù)所述回波信號(hào)獲取所述多個(gè)目標(biāo)對應(yīng)的多個(gè)檢測點(diǎn)的特征參數(shù)信息，以構(gòu)建檢測點(diǎn)數(shù)據(jù)集；

4、針對所述檢測點(diǎn)數(shù)據(jù)集中的每個(gè)檢測點(diǎn)，基于所述光學(xué)圖像的數(shù)據(jù)作為真值參考，篩選數(shù)據(jù)樣本，以構(gòu)建訓(xùn)練數(shù)據(jù)集；

5、基于線性判別分析對所述訓(xùn)練數(shù)據(jù)集進(jìn)行處理，以求解訓(xùn)練參數(shù)；

6、根據(jù)所述訓(xùn)練參數(shù)和每個(gè)檢測點(diǎn)對應(yīng)的特征參數(shù)信息，求解各個(gè)檢測點(diǎn)的置信度；

7、針對每個(gè)檢測點(diǎn)，判斷該檢測點(diǎn)的置信度是否大于或者等于預(yù)設(shè)的閾值，若是，則將該檢測點(diǎn)保留，反之，則濾除。

8、進(jìn)一步地，每個(gè)所述檢測點(diǎn)的特征參數(shù)信息包括：

9、每個(gè)所述檢測點(diǎn)對應(yīng)的距離、方位角、俯仰角、信噪比和雷達(dá)散射截面信息。

10、進(jìn)一步地，所述針對所述檢測點(diǎn)數(shù)據(jù)集中的每個(gè)檢測點(diǎn)，基于所述光學(xué)圖像的數(shù)據(jù)作為真值參考，篩選數(shù)據(jù)樣本，以構(gòu)建訓(xùn)練數(shù)據(jù)集，包括：

11、將“real”和“fake”作為分類的標(biāo)簽，以對所述訓(xùn)練集中的每個(gè)檢測點(diǎn)進(jìn)行分類。

12、進(jìn)一步地，所述基于線性判別分析對所述訓(xùn)練數(shù)據(jù)集進(jìn)行處理，以求解訓(xùn)練參數(shù)包括：

13、對所述訓(xùn)練數(shù)據(jù)集利用線性判別分析(lda)進(jìn)行降維處理，按照每個(gè)所述檢測點(diǎn)的標(biāo)簽屬性，將所述訓(xùn)練數(shù)據(jù)集的檢測點(diǎn)樣例各自投影到一條直線上，以求解訓(xùn)練參數(shù)。

14、進(jìn)一步地，所述訓(xùn)練參數(shù)包括：第一特征矩陣、先驗(yàn)概率、特征向量、第二特征矩陣以及特征對數(shù)。

15、進(jìn)一步地，按照如下流程獲得所述訓(xùn)練參數(shù)：

16、步驟1)基于所述訓(xùn)練數(shù)據(jù)集，并根據(jù)標(biāo)簽為“real”數(shù)據(jù)的索引、標(biāo)簽為“fake”數(shù)據(jù)的索引、標(biāo)簽為“real”的數(shù)據(jù)長度以及標(biāo)簽為“fake”的數(shù)據(jù)長度求解第一特征矩陣；

17、步驟2)根據(jù)標(biāo)簽為“real”的數(shù)據(jù)長度、并標(biāo)簽為“fake”的數(shù)據(jù)長度以及總數(shù)據(jù)長度，求解對應(yīng)標(biāo)簽為“real”以及標(biāo)簽為“fake”的先驗(yàn)概率；

18、步驟3)根據(jù)所述第一特征矩陣、根據(jù)標(biāo)簽為“real”數(shù)據(jù)的索引、標(biāo)簽為“fake”數(shù)據(jù)的索引以及總數(shù)據(jù)長度，求解第一過程矩陣、第二過程矩陣以及特征向量；

19、步驟4)根據(jù)所述第一特征矩陣、所述第一過程矩陣、所述特征向量以及總數(shù)據(jù)長度，求解第三過程矩陣和第二特征矩陣；

20、步驟5)根據(jù)所述第二過程矩陣和所述第三過程矩陣求解特征對數(shù)。

21、進(jìn)一步地，步驟1)包括：

22、針對所述訓(xùn)練數(shù)據(jù)集中的每一列，將所有標(biāo)簽為“real”的數(shù)據(jù)求和，然后除以標(biāo)簽為“real”的數(shù)據(jù)長度，以求解所述第一特征矩陣的第一行的向量，將所有標(biāo)簽為“fake”的數(shù)據(jù)求和，然后除以標(biāo)簽為“fake”的數(shù)據(jù)長度，以求解所述第一特征矩陣的第二行的向量。

23、進(jìn)一步地，根據(jù)下式求解所述第一特征矩陣的每一行的向量：

24、mu(1,:)＝sum(x(idx_real,:),1)/n_real；

25、mu(2,:)＝sum(x(idx_fake,:),1)/n_fake；

26、其中，mu()表示第一特征矩陣，mu(1,:)表示所述第一特征矩陣的第一行的向量，mu(2,:)表示所述第一特征矩陣的第二行的向量，x表示所述訓(xùn)練數(shù)據(jù)集，sum()為求和函數(shù)，idx_real表示標(biāo)簽為“real”數(shù)據(jù)的索引，idx_fake表示標(biāo)簽為“fake”數(shù)據(jù)的索引，n_real表示標(biāo)簽為“real”的數(shù)據(jù)長度，n_fake表示標(biāo)簽為“fake”的數(shù)據(jù)長度。

27、進(jìn)一步地，步驟2)包括：

28、根據(jù)下式求解所述先驗(yàn)概率：

29、piror＝[n_real/n_data,n_fake/n_data]；

30、其中，piror表示先驗(yàn)概率，n_real表示標(biāo)簽為“real”的數(shù)據(jù)長度，n_fake表示標(biāo)簽為“fake”的數(shù)據(jù)長度，n_data表示總數(shù)據(jù)長度。

31、進(jìn)一步地，步驟3)中求解第一過程矩陣的方法包括：

32、若所述訓(xùn)練數(shù)據(jù)集對應(yīng)行的標(biāo)簽為“real”，則選取所述第一特征矩陣的第一行的向量求解所述第一過程矩陣；

33、若所述訓(xùn)練數(shù)據(jù)集對應(yīng)行的標(biāo)簽為“fake”，則選取所述第一特征矩陣的第二行的向量求解所述第一過程矩陣。

34、進(jìn)一步地，根據(jù)下式求解所述第一過程矩陣：

35、gidx(idx_real)＝1；gidx(idx_fake)＝2；

36、x2＝(x-mu(gidx,:))/n_data；

37、其中，gidx(idx_real)＝1表示對應(yīng)為索引idx_real中的元素時(shí)gidx為1，gidx(idx_fake)＝2表示對應(yīng)為索引idx_fake中的元素時(shí)gidx為2；x2表示第一過程矩陣，mu(gidx,:)表示選取的第一特征矩陣的對應(yīng)行的向量，n_data表示總數(shù)據(jù)長度。

38、進(jìn)一步地，步驟3)中求解第二過程矩陣的方法包括：

39、根據(jù)下式求解第二過程矩陣：

40、d＝sqrt(sum(((x2-sum(x2,1)).^2)/n_data,1))；

41、其中，d表示第二過程矩陣，x2表示第一過程矩陣，sum()為求和函數(shù)，sqrt()為求平方根函數(shù)，n_data表示總數(shù)據(jù)長度。

42、進(jìn)一步地，步驟3)中求解特征向量的方法包括：

43、根據(jù)下式求解特征向量：

44、invd＝1./d；

45、其中，invd表示特征向量，d表示第二過程矩陣，“1./d”表示對d中的每個(gè)元素求倒數(shù)。

46、進(jìn)一步地，步驟4)中求解第三過程矩陣的方法包括：

47、根據(jù)下式求解第三過程矩陣：

48、[～,s,v]＝svd((x2-mu(gidx,:))/sqrt(n_data).*invd,0)；

49、s＝diag(s)；

50、其中，svd()為奇異值分解函數(shù)，diag()為對角矩陣函數(shù)，sqrt()為求平方根函數(shù)，x2表示第一過程矩陣，mu(gidx,:)表示選取的第一特征矩陣的對應(yīng)行的向量，invd表示特征向量，s表示第三過程矩陣，v表示第四過程矩陣，n_data表示總數(shù)據(jù)長度。

51、進(jìn)一步地，步驟4)中求解第二特征矩陣的方法包括：

52、根據(jù)下式求解第二特征矩陣：

53、invr＝v./s'；

54、其中，invr表示第二特征矩陣，v表示第四過程矩陣，x2表示第一過程矩陣，s’表示第三過程矩陣的共軛轉(zhuǎn)置，“v./s'”表示矩陣v中的每個(gè)元素除以矩陣s'的對應(yīng)的元素。

55、進(jìn)一步地，步驟5)中求解特征對數(shù)的方法包括：

56、根據(jù)下式求解特征對數(shù)：

57、logdetsigma＝2*sum(log(d(d>0)))+2*sum(log(abs(s(s～＝0))))；

58、其中，logdetsigma表示特征對數(shù)，d(d>0)表示第二過程矩陣中大于0的元素，類似地，s(s～＝0)表示第三過程矩陣中不等于0的元素，abs()表示求絕對值函數(shù)，sum()求和函數(shù)。

59、進(jìn)一步地，針對每個(gè)檢測點(diǎn)，根據(jù)所述目標(biāo)檢測模型和每個(gè)檢測點(diǎn)對應(yīng)的特征參數(shù)信息，求解各個(gè)檢測點(diǎn)的置信度的方法包括：

60、(1)根據(jù)輸入特征參數(shù)，訓(xùn)練所述第一特征矩陣、所述特征向量以及所述第二特征矩陣，以求得置信度矩陣，進(jìn)而得到第一置信度向量；

61、(2)根據(jù)所述先驗(yàn)概率、所述特征對數(shù)和所述置信度矩陣，求得第二置信度向量；

62、(3)根據(jù)所述第二置信度向量，求得第三置信度向量，進(jìn)而求得每個(gè)檢測點(diǎn)的置信度。

63、進(jìn)一步地，根據(jù)下式求解第三置信度向量：

64、p＝exp(logp-max(logp)；

65、根據(jù)下式計(jì)算每個(gè)檢測點(diǎn)的置信度：

66、confid＝(p:,2)/sum(p,2)；

67、其中，logp表示第二置信度向量，p表示第三置信度向量，exp()為指數(shù)函數(shù)，max()為求最大值函數(shù)，sum()為求和函數(shù)。

68、根據(jù)本發(fā)明的另一方面，本發(fā)明還提供了一種用于雷達(dá)的雜波抑制裝置，所述裝置包括：

69、數(shù)據(jù)獲取單元，用于采集針對多個(gè)目標(biāo)的光學(xué)圖像，并獲取所述多個(gè)目標(biāo)針對所述雷達(dá)探測信號(hào)反饋的回波信號(hào)，以及根據(jù)所述回波信號(hào)獲取所述多個(gè)目標(biāo)對應(yīng)的多個(gè)檢測點(diǎn)的特征參數(shù)信息，以構(gòu)建檢測點(diǎn)數(shù)據(jù)集；

70、訓(xùn)練數(shù)據(jù)集構(gòu)建單元，用于針對所述檢測點(diǎn)數(shù)據(jù)集中的每個(gè)檢測點(diǎn)，基于所述光學(xué)圖像的數(shù)據(jù)作為真值參考，篩選數(shù)據(jù)樣本，以構(gòu)建訓(xùn)練數(shù)據(jù)集；

71、訓(xùn)練參數(shù)求解單元，用于基于線性判別分析對所述訓(xùn)練數(shù)據(jù)集進(jìn)行處理，以求解訓(xùn)練參數(shù)；

72、置信度求解單元，用于根據(jù)所述訓(xùn)練參數(shù)和每個(gè)檢測點(diǎn)對應(yīng)的特征參數(shù)信息，求解各個(gè)檢測點(diǎn)的置信度；

73、判斷單元，針對每個(gè)檢測點(diǎn)，判斷該檢測點(diǎn)的置信度是否大于或者等于預(yù)設(shè)閾值，若是，則將該檢測點(diǎn)保留，反之，則濾除。

74、根據(jù)本發(fā)明的另一方面，本發(fā)明還提供了一種存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)中存儲(chǔ)有多條指令，所述指令適于由處理器加載以執(zhí)行如上所述的任一用于雷達(dá)的雜波抑制方法。

75、采用本發(fā)明所公開的技術(shù)方案，將線性判別分析引入到毫米波雷達(dá)的雜波抑制方法中，通過篩選數(shù)據(jù)樣本，構(gòu)建訓(xùn)練數(shù)據(jù)集，并基于線性判別分析對訓(xùn)練數(shù)據(jù)集進(jìn)行處理，以求解訓(xùn)練參數(shù)；隨之根據(jù)訓(xùn)練參數(shù)和每個(gè)檢測點(diǎn)對應(yīng)的特征參數(shù)信息，求解各個(gè)檢測點(diǎn)的置信度，最后通過各個(gè)檢測點(diǎn)的置信度與設(shè)定的閾值進(jìn)行判斷比較，以將置信度低于設(shè)定的閾值的檢測點(diǎn)標(biāo)記為雜波點(diǎn)，然后直接濾除。由于上述訓(xùn)練參數(shù)是在雷達(dá)探測之前求解完成的，因此，針對每個(gè)檢測點(diǎn)，只需基于距離、角度和信噪比等特征即可實(shí)時(shí)求解置信度進(jìn)行快速判別。采用本發(fā)明實(shí)施例提供的技術(shù)方案簡單易實(shí)現(xiàn)，能夠有效地提高車輛近處目標(biāo)檢測的準(zhǔn)確性，并且檢測效率高，而且對于不同型號(hào)不同功能的毫米波雷達(dá)均可適用。