[发明专利]一种基于雷达宽带特征的未知车辆目标识别方法

说明书

本发明提供了一种基于雷达宽带特征的未知车辆目标识别方法，属于未知车辆目标识别技术领域。首先，将已知车辆类别和未知车辆类别的雷达一维距离像作为待测样本集；利用自编码器对待测样本集进行编码；利用异常检测方法计算得到已知车辆类别和未知车辆类别的划分门限；计算得到待测样本集中每一个样本的判别概率；将判别概率与门限进行对比，根据对比结果剔除待测样本集。本发明基于数据结构较为简单且能全天候提供的一维雷达高分辨距离像数据进行运算，并组合使用自编码器、误差排序和异常检测算法对未知车辆类别进行识别和剔除，为后续的已知类别识别网络的训练作准备。

技术领域

本发明属于未知车辆目标识别技术领域，尤其涉及一种基于雷达宽带特征的未知车辆目标识别方法。

背景技术

目前的车辆未知类识别方法的研究是以视频、图片为数据采样设备基础，机器学习方法为技术基础的研究。以基于视频图像机器学习的为之类识别方法为例，其主要思想为将待分类的车辆集合之外的未知类别车辆数据进行再采样和收集，并且输入到整个生成对抗网络(包括生成器和判别器)中对其进行训练，同时联合使用已知类别的车辆视频或图片数据进行生成对抗网络的判别器网络训练，在提升网络分类能力的同时保存能够极大概率甄别未知类别车辆的网络权重，让最终产生的判别器网络权重能够识别出不同类别的车辆并找出未知类别的车辆样本。但背景技术的缺陷主要体现在两个方面：

(1)背景技术所采集的数据本身具有批量数据数量量大、数据预处理过程耗时长的缺陷。视频或图片数据本身携带的数据量较大，一张二维高清图片(一个数据样本)在预处理之后的大小大约在10²KB左右，而深度学习网络训练的数据集样本数须保持在10⁵数量级左右。可以预见，使用视频或图片为特征数据进行识别的方法从数据预处理到识别的过程消耗时间长，消耗资源多。且图片与视频数据只能在天气状况较好的日间提供，而夜晚或复杂天气情况下则无法提供。

(2)背景技术所使用的生成对抗网络(GAN)本身需要大量的数据样本进行识别，且为了达到识别未知类车辆目标的目的，还需要在道路上随机搜集若干未知类别(即无标签)车辆的样本数据，进而联合已知类别车辆样本数据对网络进行训练。搜集未知类别样本数据和训练的过程会进一步加长算法运行时间，增加运算资源的消耗。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于雷达宽带特征的未知车辆目标识别方法解决了上述所述的问题。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种基于雷达宽带特征的未知车辆目标识别方法，包括以下步骤：

S1、分别获取已知车辆类别和未知车辆类别的雷达一维距离像，并将所述已知车辆类别和未知车辆类别的雷达一维距离像作为待测样本集，并分别对已知待测样本和未知待测样本打上标签；

S2、利用自编码器对待测样本集进行编码，得到待测样本集中既满足已知车辆类别重构误差最小又满足未知车辆类别重构误差最大的通道；

S3、分别设定待测样本集查准率和查全率对应的理想调和均值、初始门限值、门限概率步进值和总迭代次数；

S4、根据门限概率步进值和初始门限值得到单次循环内已知车辆类别样本和未知车辆类别样本的第一划分门限，以及计算得到待测样本集中每一个样本的判别概率；

S5、根据所述通道，判断待测样本集中的每个样本的判别概率是否小于第一划分门限，并根据判断结果计算得到待测样本集中查准率和查全率实际的调和均值；

S6、根据所述实际的调和均值更新所述第一划分门限，得到当前门限；

S7、判断所述实际的调和均值是否大于或等于预设的理想调和均值，若是，输出当前门限，并进入步骤S9，否则，进入步骤S8；