一种检测方法、装置、电子设备、存储介质及车辆与流程

1.本发明实施例涉及目标检测技术领域，尤其涉及一种检测方法、装置、电子设备、存储介质及车辆。


背景技术：

2.恒虚警率(constant false alarm rate，cfar)检测技术一直是车载毫米波雷达目标筛选的主要手段之一，通过设置目标窗口、保护窗口和训练窗口组成滑动检测窗口来对背景杂波进行参数估计和概率建模，根据雷达杂波数据动态调整检测门限，在虚警率保持不变的情况下实现目标检测概率的最大化。
3.当前主要的cfar技术包括单元平均恒虚警率(cell averaging cfar，ca-cfar)、最小选择恒虚警率(smallest of cfar，so-cfar)、最大选择恒虚警率(greatest of cfar，go-cfar)和顺序统计恒虚警率(order statistic cfar，os-cfar)。但这些方法或恒虚警率损失大，或对边缘和多目标环境缺乏鲁棒性，或处理过程复杂，或对多目标环境缺乏自适应能力。这在一定程度上限制了雷达技术的应用。
4.综上所述，现有的毫米波雷达的cfar检测过程缺乏对距离和速度的自适应性，采用同一权重进行cfar检测会带来虚警或漏判的问题。


技术实现要素：

5.本发明提供了一种检测方法、装置、电子设备、存储介质及车辆，以解决现有的毫米波雷达的cfar检测过程缺乏对距离和速度的自适应性，采用同一权重进行cfar检测会带来虚警或漏判的问题。
6.根据本发明的一方面，提供了一种检测方法，包括：
7.获取当前场景对应的不同帧数据；
8.将所述不同帧数据按照隔帧策略输入语义分割网络模型中，自适应得到距离多普勒谱中各点对应的cfar权重；其中，一帧数据对应一个距离多普勒谱；
9.基于所述距离多普勒谱中各点的cfar权重确定不同帧数据的cfar权重；
10.将所述不同帧数据的cfar权重按照cfar检测算法进行计算得到检测结果。
11.根据本发明的另一方面，提供了一种检测装置，包括：
12.获取模块，用于获取当前场景对应的不同帧数据；
13.输入模块，用于将所述不同帧数据按照隔帧策略输入语义分割网络模型中，自适应得到距离多普勒谱中各点对应的cfar权重；其中，一帧数据对应一个距离多普勒谱；
14.确定模块，用于基于所述距离多普勒谱中各点的cfar权重确定不同帧数据的cfar权重；
15.计算模块，用于将所述不同帧数据的cfar权重按照cfar检测算法进行计算得到检测结果。
16.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：至少一个处理
器；以及
17.与所述至少一个处理器通信连接的存储器；其中，
18.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的检测方法。
19.根据本发明的另一方面，提供了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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的检测方法。
20.根据本发明的另一方面，提供了一种车辆，所述车辆包括本发明实施例所述的电子设备以及多个传感器。
21.本发明实施例的技术方案，通过获取当前场景对应的不同帧数据；将所述不同帧数据按照隔帧策略输入语义分割网络模型中，自适应得到距离多普勒谱中各点对应的cfar权重；其中，一帧数据对应一个距离多普勒谱；基于所述距离多普勒谱中各点的cfar权重确定不同帧数据的cfar权重；将所述不同帧数据的cfar权重按照cfar检测算法进行计算得到检测结果，解决了现有的毫米波雷达的cfar检测过程缺乏对距离和速度的自适应性，采用同一权重进行cfar检测会带来虚警或漏判的问题，取到了cfar检测过程对距离和速度具有自适应性，提高检测cfar检测结果的准确性的有益效果。
22.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
23.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
24.图1为本发明实施例一提供的一种检测方法的流程示意图；
25.图2为本发明实施例提供的多车联合信息获取的示意图；
26.图3为本发明实施例二提供的一种检测方法的流程示意图；
27.图4为本发明示例实施例提供一种检测方法的流程示意图；
28.图5为本发明实施例三提供的一种检测装置的结构示意图；
29.图6为本发明实施例的检测方法的电子设备的结构示意图；
30.图7为本发明实施例五提供的一种车辆的结构示意图。
具体实施方式
31.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或
并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
32.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
33.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
34.需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
35.本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
36.可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
37.实施例一
38.车载毫米波雷达在行车检测过程中，会出现大量的不同场景，而且有很多不确定性，主要包括路面车辆不确定性，例如：车流量、车距、车向和车形等；车道不确定性，例如：路面平坦度、路面坡度、路面宽度、路面杂波反射强度和路线弯道曲率等；天气不确定性，例如：晴、雨、雾和雪等；空气湿度和温度不确定性；光照强度不确定性；其它偶然事件，例如：横穿马路、山体滑坡以及各种交通事件等。这些大量的场景对雷达的检测任务带来了极大挑战。
39.图1为本发明实施例一提供的一种检测方法的流程示意图，该方法可适用于多目标物检测的情况，特别适用于车辆在道路上行驶时进行多目标物检测的情况。该方法可以由检测装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在电子设备上，在本实施例中电子设备包括但不限于：车载控制器。
40.如图1所示，本发明实施例一提供的一种检测方法，包括如下步骤：
41.s110、获取当前场景对应的不同帧数据。
42.其中，当前场景可以理解为车辆的当前行驶场景。帧数据可以为距离多普勒谱rdm每帧内的脉冲，距离多普勒谱可以由车载毫米波雷达采集的原始信号经过处理后得到，通过对雷达发送的多个周期的chirp序列以及回波信息进行快时间维度和慢时间维度的处理，即可得到距离多普勒谱，进而可以提取多目标的距离和速度信息。
43.本实施例中，可以获得车载毫米波雷达在当前场景下采集的原始信号数据，并将原始信号数据经过混频处理和二维傅里叶变换可以得到距离多普勒谱，进而可以在距离多普勒谱中获取不同帧数据。
44.s120、将所述不同帧数据按照隔帧策略输入语义分割网络模型中，自适应得到距离多普勒谱中各点对应的cfar权重。
45.其中，一帧数据对应一个距离多普勒谱。
46.本实施例中，隔帧策略可以包括每间隔预设数量个帧数据获取一次帧数据。其中，预设数量可以根据电子设备的计算能力设置，此处不作具体限定。示例性的，若共有50个帧数据，则可以每间隔9帧数据获取一个帧数据，即获取第0个帧数据、第10个帧数据、第20个帧数据，
……
，第50个帧数据，将以上获取的6个帧数据输入语义分割网络模型中计算得到每个帧数据对应的cfar权重。
47.本实施例中，语义分割网络模型为经过模型训练后得到的卷积神经网络模型即cnn网络模型。语义分割技术是cnn的一个重要子类，近年来已广泛应用于图像级别自动驾驶，它是一种从粗到细推理的自然步骤，不仅可以提供预测类别，还能提供像素级的空间位置，通过为每个像素进行密集的预测推断标签来实现细粒度的推理。其中，语义分割网络模型可以为deeplabv3+。
48.本实施例中，通过基于大量不同场景的数据对距离多普勒谱的cfar检测参数进行语义分割训练，旨在实现不同场景下rdm的cfar权重参数自适应获得，而不是将其固化，以此将场景不同导致的各类底噪影响降到最低。
49.可以理解的是，将通过隔帧策略获取的不同帧数据输入语义分割网络模型中后，可以输出不同帧数据对应的距离多普勒谱中各点的cfar权重。不同场景的帧数据输入语义分割网络模型得到的距离多普勒谱中各点的cfar权重是不同的，不是固定不变的定值。s130、基于所述距离多普勒谱中各点的cfar权重确定不同帧数据的cfar权重。
50.本实施例中，为了防止cfar权重突变，计算当前帧的cfar权重时需要在当前帧对应的距离多普勒谱中各点的cfar权重的基础上加上前k次的计算结果并计算均值。
51.其中，前k次的计算结果可以理解为前k个帧数据的cfar权重计算结果，前k个帧数据可以为通过隔帧策略获取的帧数据，示例性的，若当前帧为第40个帧数据，则前k个帧数据可以包括第0个帧数据、第10个帧数据、第20个帧数据以及第30个帧数据。
52.需要说明的是，前k个帧数据的cfar权重的计算方式与当前帧的cfar权重的计算方式相同。其中，由于环境变化是缓慢的，因此可以将当前帧数据的cfar权重沿用到后面多帧数据，这样可以结合算力和需要显示的帧率进一步调整。示例性的，第0帧数据的cfar权重可以沿用给第1帧数据到第9帧数据，即第1帧数据和第9帧数据的cfar权重与第0帧数据的cfar权重相同。
53.s140、将所述不同帧数据的cfar权重按照cfar检测算法进行计算得到检测结果。
54.其中，检测结果包括是否有目标物，此处对目标物的具体形式不作限制。
55.本实施例中，将不同帧数据的cfar权重代入传统的ca-cfar检测算法中计算可以得到检测图。传统ca-cfar检测算法一般先确定检测图上待检测点的参考单元tr的区域；然后计算该区域的均值，均值再加上偏置offset得到t；最后将t和待检测点的值rdm(i,j)进行比较，若待检测点的值大于t则确定该待检测点为目标点target。具体公式如下：
[0056][0057]
其中，n表示待检测点的数量。
[0058]
最后对每个点的检测结果可以描述为下式：
[0059][0060]
其中，cut表示被检测单元。
[0061]
本发明实施例一提供的一种检测方法，首先获取当前场景对应的不同帧数据；然后将所述不同帧数据按照隔帧策略输入语义分割网络模型中，自适应得到距离多普勒谱中各点对应的cfar权重；其中，一帧数据对应一个距离多普勒谱；之后基于所述距离多普勒谱中各点的cfar权重确定不同帧数据的cfar权重；最终将所述不同帧数据的cfar权重按照cfar检测算法进行计算得到检测结果。上述方法通过语义分割网络模型可以自适应得到不同帧数据对应的距离多普勒谱中各点的cfar权重，使得cfar检测过程对距离和速度具有自适应性，进而提高cfar检测结果的准确性。
[0062]
在上述实施例的基础上，提出了上述实施例的变型实施例，在此需要说明的是，为了使描述简要，在变型实施例中仅描述与上述实施例的不同之处。
[0063]
在一个实施例中，所述语义分割网络模型的参数基于数据集和样本标签进行训练后得到，所述语义分割网络模型中网络最后一层的特征图大小与距离多普勒谱的大小相同。
[0064]
进一步的，所述数据集的获取方式包括：
[0065]
获取车载毫米波雷达在多种场景下采集的原始信号数据；
[0066]
将所述原始信号数据经过混频处理和二维傅里叶变换得到距离多普勒谱；
[0067]
基于所述距离多普勒谱的矩阵数据构建数据集。
[0068]
本实施例中，当车辆行驶在高架、平原、道路或拥挤路段等不同场景下，可以从车载毫米波雷达处接收毫米波雷达采集的原始信号数据。其中，毫米波雷达安装在车身上，此处对毫米波雷达的数量不作限制。
[0069]
其中，对原始信号进行混频处理以及二维傅里叶变换得到距离多普勒谱的具体过程不作赘述。
[0070]
可以理解的是，可以将多个rdm的矩阵数据组建为一个数据集，即数据集中包括多个距离多普勒谱的矩阵数据。
[0071]
进一步的，所述样本标签的获取方式包括：
[0072]
将所述数据集通过cfar检测算法得到不同矩阵数据对应的检测结果；
[0073]
获取各场景下的车辆信息，所述车辆信息通过车身上安装的传感器进行多车联合得到，所述车辆信息包括道路信息、位置信息以及速度信息；
[0074]
根据所述车辆信息对所述不同矩阵数据对应的检测结果进行修正得到正确的检测结果，将所述正确的检测结果作为样本标签。
[0075]
本实施例中，将数据集中的矩阵数据通过传统的cfar检测算法进行计算可以得到不同场景对应的检测结果。其中，检测结果可以包括当前场景是否有目标物。
[0076]
需要说明的是，通过传统cfar检测算法得到的检测结果不一定准确，因此可以进一步结合多车联合得到的车辆信息对检测结果进行修正，以得到更加准确的检测结果。
[0077]
其中，车辆信息可以包括道路信息、位置信息以及速度信息。道路信息可以通过车身上安装的摄像头采集，位置信息可以通过车身上安装的雷达传感器采集，速度信息可以
通过车身上安装的速度传感器采集。多车联合可以理解为联合多辆车采集的车辆信息得到一个信息集合。图2为本发明实施例提供的多车联合信息获取的示意图，如图2所示，可以联合多个车辆获取道路信息、多车精确坐标以及速度信息。
[0078]
本实施例中，通过结合多车联合得到的车辆信息集合可以对检测结果进行修正，将修正后得到的正确检测结果作为样本标签用于模型训练。
[0079]
进一步的，所述目标语义分割网络模型的训练过程包括：
[0080]
将数据集和样本标签输入语义分割网络模型；
[0081]
通过所述语义分割网络模型对数据集中的数据进行归一化后得到距离多普勒谱各点的cfar权重；
[0082]
将所述距离多普勒谱各点的cfar权重按照cfar检测算法进行计算得到所述数据集中每个矩阵数据的检测结果；
[0083]
根据所述每个矩阵数据的检测结果以及所述样本标签计算损失值；
[0084]
根据所述损失值调整模型参数，对参数调整后的语义分割网络模型继续进行训练，直到所述语义分割网络模型拟合。
[0085]
本实施例中，将数据集和样本标签输入语义分割网络模型中后，语义分割网络模型可以对数据集中的数据进行归一化得到距离多普勒谱各点的cfar权重。其中，此时语义分割网络模型的模型参数为初始化值。
[0086]
具体的，将数据集输入语义分割网络模型中后可以输出距离多普勒谱各点的cfar权重，将距离多普勒谱各点的cfar权重代入传统cfar检测算法进行计算可以得到数据集中每个矩阵数据的检测结果，根据数据集中每个矩阵数据的标签即样本标签和检测结果计算模型的损失函数，根据损失函数通过反向传播修改模型的参数，直至模型拟合，此时语义分割网络模型的参数与未进行模型训练前的语义分割网络模型参数值不同。
[0087]
其中，当模型输出的距离多普勒谱各点的cfar权重的代入cfar检测算法计算得到的检测结果与样本标签大部分一致，则表征拟合。
[0088]
本实施例中，使用多个场景的数据对语义分割网络模型的参数进行训练，可以使得语义分割网络模型能够自适应的输出不同场景的帧数据对应的距离多普勒谱中各点的cfar权重，避免了不同场景的cfar检测兼容问题，使得cfar检测可以适用于不同场景的检测。
[0089]
实施例二
[0090]
图3为本发明实施例二提供的一种检测方法的流程示意图，本实施例二在上述各实施例的基础上进行优化。本实施例尚未详尽的内容请参考实施例一。
[0091]
如图3所示，本发明实施例二提供的一种检测方法，包括如下步骤：
[0092]
s210、获取当前场景对应的不同帧数据。
[0093]
s220、从所述不同帧数据中，每间隔预设数量个帧数据获取一次帧数据，将获取的当前帧数据输入语义分割网络模型中，自适应得到距离多普勒谱中各点对应的cfar权重。
[0094]
其中，一帧数据对应一个距离多普勒谱
[0095]
s230、针对当前帧数据，将所述当前帧数据在距离多普勒谱中对应点的cfar权重与前k次的cfar权重计算结果相加后计算均值，得到所述当前帧数据的cfar权重；将所述当前帧数据的cfar权重作为所述预设数量个帧数据的cfar权重。
[0096]
其中，所述前k次的cfar权重计算结果包括k个帧数据的cfar权重计算结果，所述k个帧数据中的相邻两个帧数据之间间隔所述预设数量的帧数据。
[0097]
可以理解的是，当前帧数据可以为当前获取的一个帧数据，例如，当前帧数据可以为第30个帧数据。
[0098]
其中，步骤s230中的语义分割网络模型的参数已进行训练，可以理解为该语义分割网络模型已完成模型训练。
[0099]
示例性的，若预设数量为9，则设定每间隔9个帧数据获取一次帧数据即每间隔9个帧数据才重新计算一次cfar权重，可以理解为第0帧数据、第10帧数据、第20帧数据
……
等这些帧数据才计算cfar权重，其他帧数据不需要计算cfar权重。
[0100]
以当前帧数据的cfar权重的计算过程为例进行说明，若当前帧数据为第30个帧数据，则将第30个帧数据输入语义分割网络模型中输出当前帧数据在距离多普勒谱中对应点的cfar权重；将当前帧数据在距离多普勒谱中对应点的cfar权重与第20帧数据的cfar权重计算结果、第10帧数据的cfar权重计算结果以及第0帧数据的cfar权重计算结果相加后取平均值得到当前帧数据的cfar权重计算结果，具体的计算公式如下：
[0101][0102]
其中，i表示第i个帧数据；cnn(rdm)表示第i个帧数据输入语义分割网络模型中输出当前帧数据在距离多普勒谱中对应点的cfar权重；wj表示前k次的cfar权重计算结果。
[0103]
需要说明的是，第30帧数据的cfar权重计算结果可以作为第31帧数据到第39帧数据的权重计算结果。
[0104]
本实施例中，当检测到路况改变时，需要重新计算帧数据的cfar权重。其中，路况是否改变取决于车载各传感器的综合结果，如摄像头采集的视频和图像、雷达采集的信号波形以及gps定位信息等。
[0105]
s240、将所述不同帧数据的cfar权重按照cfar检测算法进行计算得到检测结果。
[0106]
本发明实施例二提供的一种检测方法，该方法具体化了隔帧策略以及确定当前帧数据的cfar权重的过程，该方法使用的隔帧策略可以在极大程度上减少计算量；该方法计算当前帧数据的cfar权重的方式可以极大的提高计算结果的准确性。
[0107]
本发明实施例在上述各实施例的技术方案的基础上，提供了一种具体的实施方式。
[0108]
作为本实施一种具体的实施方式，图4为本发明示例实施例提供一种检测方法的流程示意图，如图4所示，离线状态下对语义分割网络模型的模型参数进行训练，具体包括：将获取的数据集通过cfar检测获取粗略数据即将数据集通过cfar检测算法得到不同矩阵数据对应的检测结果；多车多机联合获取精确原始数据即获取各场景下的通过车身上安装的传感器进行多车联合得到的车辆信息；联合两个结果进行人工调整生成样本标签即根据所述车辆信息对所述不同矩阵数据对应的检测结果进行修正得到正确的检测结果，将所述正确的检测结果作为样本标签；将数据集和样本标签输入语义分割网络模型，调整模型最后一层特征与rdm尺寸一致，模型迭代训练直至拟合，输出权重即距离多普勒谱各点的cfar
权重。
[0109]
在线状态下载入语义分割网络模型以及离线训练好的模型参数，依据初始化隔帧条件即隔帧策略获取多帧数据，并计算cfar的多帧平均权重即将当前帧数据在距离多普勒谱中对应点的cfar权重与前k次的cfar权重计算结果相加后计算均值，得到当前帧数据的cfar权重；根据权重计算当前帧的cfar检测结果即将当前权重按照cfar检测算法进行计算得到检测结果；判断车辆是否继续行驶，若是，则判断路况是否改变或间隔帧数是否达到最大；若是，则重新获取多帧数据计算cfar的多帧平均权重；若否，则根据权重计算当前帧的cfar检测结果。
[0110]
实施例三
[0111]
图5为本发明实施例三提供的一种检测装置的结构示意图，该装置可适用于多目标物检测的情况，特别适用于车辆在道路上行驶时进行多目标物检测的情况，其中该装置可由软件和/或硬件实现，并一般集成在电子设备上。
[0112]
如图5所示，该装置包括：获取模块110、输入模块120、确定模块130以及计算模块140。
[0113]
获取模块110，用于获取当前场景对应的不同帧数据；
[0114]
输入模块120，用于将所述不同帧数据按照隔帧策略输入语义分割网络模型中，自适应得到距离多普勒谱中各点对应的cfar权重；其中，一帧数据对应一个距离多普勒谱；
[0115]
确定模块130，用于基于所述距离多普勒谱中各点的cfar权重确定不同帧数据的cfar权重；
[0116]
计算模块140，用于将所述不同帧数据的cfar权重按照cfar检测算法进行计算得到检测结果。
[0117]
在本实施例中，该装置首先通过获取模块110获取当前场景对应的不同帧数据；其次通过输入模块120将所述不同帧数据按照隔帧策略输入语义分割网络模型中，自适应得到距离多普勒谱中各点对应的cfar权重；其中，一帧数据对应一个距离多普勒谱；然后通过确定模块130基于所述距离多普勒谱中各点的cfar权重确定不同帧数据的cfar权重；最后通过计算模块140将所述不同帧数据的cfar权重按照cfar检测算法进行计算得到检测结果。
[0118]
本实施例提供了一种检测装置，能够使得cfar检测过程对距离和速度具有自适应性，进而提高cfar检测结果的准确性。
[0119]
进一步的，所述语义分割网络模型的参数基于数据集和样本标签进行训练后得到，所述数据集的获取方式包括：
[0120]
获取车载毫米波雷达在多种场景下采集的原始信号数据；
[0121]
将所述原始信号数据经过混频处理和二维傅里叶变换得到距离多普勒谱；
[0122]
基于所述距离多普勒谱的矩阵数据构建数据集。
[0123]
在上述优化的基础上，所述样本标签的获取方式包括：
[0124]
将所述数据集通过cfar检测算法得到不同矩阵数据对应的检测结果；
[0125]
获取各场景下的车辆信息，所述车辆信息通过车身上安装的传感器进行多车联合得到，所述车辆信息包括道路信息、位置信息以及速度信息；
[0126]
根据所述车辆信息对所述不同矩阵数据对应的检测结果进行修正得到正确的检
测结果，将所述正确的检测结果作为样本标签。
[0127]
进一步的，所述目标语义分割网络模型的训练过程包括：
[0128]
将数据集和样本标签输入语义分割网络模型；
[0129]
通过所述语义分割网络模型对数据集中的数据进行归一化后得到距离多普勒谱各点的cfar权重；
[0130]
将所述距离多普勒谱各点的cfar权重按照cfar检测算法进行计算得到所述数据集中每个矩阵数据的检测结果；
[0131]
根据所述每个矩阵数据的检测结果以及所述样本标签计算损失值；
[0132]
根据所述损失值调整模型参数，对参数调整后的语义分割网络模型继续进行训练，直到所述语义分割网络模型拟合。
[0133]
进一步的，所述语义分割网络模型中网络最后一层的特征图大小与距离多普勒谱的大小相同。
[0134]
进一步的，输入模块120具体用于：从所述不同帧数据中，每间隔预设数量个帧数据获取一次帧数据，将获取的当前帧数据输入语义分割网络模型中。
[0135]
在上述优化的基础上，确定模块130具体用于：针对当前帧数据，将所述当前帧数据在距离多普勒谱中对应点的cfar权重与前k次的cfar权重计算结果相加后计算均值，得到所述当前帧数据的cfar权重；其中，所述前k次的cfar权重计算结果包括k个帧数据的cfar权重计算结果，所述k个帧数据中的相邻两个帧数据之间间隔所述预设数量的帧数据；将所述当前帧数据的cfar权重作为所述预设数量个帧数据的cfar权重。
[0136]
上述检测装置可执行本发明任意实施例所提供的检测方法，具备执行方法相应的功能模块和有益效果。
[0137]
实施例四
[0138]
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示例如车载控制器的控制设备。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0139]
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0140]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0141]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如检测
方法。
[0142]
在一些实施例中，检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的检测方法中的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行检测方法。
[0143]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0144]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0145]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0146]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0147]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数
字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0148]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0149]
实施例五
[0150]
图7为本发明实施例五提供的一种车辆的结构示意图，如图7所示，该车辆包括本发明实施例四提供的电子设备，以使车辆能够执行本发明任意实施例提供的检测方法。
[0151]
该车辆上包括多个车载传感器，例如：摄像头、雷达传感器以及速度传感器等。
[0152]
上述车辆可执行本发明任意实施例所提供的检测方法，具备执行方法相应的有益效果。
[0153]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0154]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.一种检测方法，其特征在于，所述方法包括：获取当前场景对应的不同帧数据；将所述不同帧数据按照隔帧策略输入语义分割网络模型中，自适应得到距离多普勒谱中各点对应的cfar权重；其中，一帧数据对应一个距离多普勒谱；基于所述距离多普勒谱中各点的cfar权重确定不同帧数据的cfar权重；将所述不同帧数据的cfar权重按照cfar检测算法进行计算得到检测结果。2.根据权利要求1所述的方法，其特征在于，所述语义分割网络模型的参数基于数据集和样本标签进行训练后得到，所述数据集的获取方式包括：获取车载毫米波雷达在多种场景下采集的原始信号数据；将所述原始信号数据经过混频处理和二维傅里叶变换得到距离多普勒谱；基于所述距离多普勒谱的矩阵数据构建数据集。3.根据权利要求2所述的方法，其特征在于，所述样本标签的获取方式包括：将所述数据集通过cfar检测算法得到不同矩阵数据对应的检测结果；获取各场景下的车辆信息，所述车辆信息通过车身上安装的传感器进行多车联合得到，所述车辆信息包括道路信息、位置信息以及速度信息；根据所述车辆信息对所述不同矩阵数据对应的检测结果进行修正得到正确的检测结果，将所述正确的检测结果作为样本标签。4.根据权利要求1所述的方法，其特征在于，所述目标语义分割网络模型的训练过程包括：将数据集和样本标签输入语义分割网络模型；通过所述语义分割网络模型对数据集中的数据进行归一化后得到距离多普勒谱各点的cfar权重；将所述距离多普勒谱各点的cfar权重按照cfar检测算法进行计算得到所述数据集中每个矩阵数据的检测结果；根据所述每个矩阵数据的检测结果以及所述样本标签计算损失值；根据所述损失值调整模型参数，对参数调整后的语义分割网络模型继续进行训练，直到所述语义分割网络模型拟合。5.根据权利要求2所述的方法，其特征在于，所述语义分割网络模型中网络最后一层的特征图大小与距离多普勒谱的大小相同。6.根据权利要求1所述的方法，其特征在于，将所述不同帧数据按照隔帧策略输入语义分割网络模型中包括：从所述不同帧数据中，每间隔预设数量个帧数据获取一次帧数据，将获取的当前帧数据输入语义分割网络模型中。7.根据权利要求6所述的方法，其特征在于，所述基于所述距离多普勒谱中各点的cfar权重确定不同帧数据的cfar权重，包括：针对当前帧数据，将所述当前帧数据在距离多普勒谱中对应点的cfar权重与前k次的cfar权重计算结果相加后计算均值，得到所述当前帧数据的cfar权重；其中，所述前k次的cfar权重计算结果包括k个帧数据的cfar权重计算结果，所述k个帧数据中的相邻两个帧数据之间间隔所述预设数量的帧数据；
将所述当前帧数据的cfar权重作为所述预设数量个帧数据的cfar权重。8.一种检测装置，其特征在于，所述装置包括：获取模块，用于获取当前场景对应的不同帧数据；输入模块，用于将所述不同帧数据按照隔帧策略输入语义分割网络模型中，自适应得到距离多普勒谱中各点对应的cfar权重；其中，一帧数据对应一个距离多普勒谱；确定模块，用于基于所述距离多普勒谱中各点的cfar权重确定不同帧数据的cfar权重；计算模块，用于将所述不同帧数据的cfar权重按照cfar检测算法进行计算得到检测结果。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的检测方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的检测方法。11.一种车辆，其特征在于，所述车辆包括如权利要求9所述的电子设备和多个传感器。

技术总结
本发明公开了一种检测方法、装置、电子设备、存储介质及车辆。所述方法包括：获取当前场景对应的不同帧数据；将所述不同帧数据按照隔帧策略输入语义分割网络模型中，自适应得到距离多普勒谱中各点对应的CFAR权重；其中，一帧数据对应一个距离多普勒谱；基于所述距离多普勒谱中各点的CFAR权重确定不同帧数据的CFAR权重；将所述不同帧数据的CFAR权重按照CFAR检测算法进行计算得到检测结果。该方法通过语义分割网络模型可以自适应得到不同帧数据对应的距离多普勒谱中各点的CFAR权重，使得CFAR检测过程对距离和速度具有自适应性，进而提高CFAR检测结果的准确性。CFAR检测结果的准确性。CFAR检测结果的准确性。


技术研发人员：邓智超
受保护的技术使用者：惠州市德赛西威汽车电子股份有限公司
技术研发日：2023.02.08
技术公布日：2023/7/12