[发明专利]一种抗干扰目标分类方法及装置

说明书

本申请提供了一种抗干扰目标分类方法及装置，包括：获取多个毫米波雷达点云信息；将所述多个毫米波雷达点云信息输入目标分类神经网络，得到多个分类结果；根据所述多个分类结果，得到目标分类结果。这样，由于毫米波雷达受自然环境影响小，所以利用毫米波雷达点云进行目标分类，可以缩短目标检测的时间，提高复杂情况下目标分类的工作性能，对复杂环境具有一定的抗干扰能力。同时，将多个毫米波雷达点云的分类结果结合，可以避免单个毫米波雷达点云受到干扰，导致的分类结果不准确的问题。

技术领域

本申请涉及人工智能的技术领域，特别是涉及一种抗干扰目标分类方法及装置。

背景技术

自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统等技术协同合作，让电脑在没有任何人类主动操作的情况下，自动安全地操作机动车辆。而自动驾驶的过程中，最重要的是主动安全防撞功能实现，例如，前车防撞预警、变道辅助、自适应巡航控制以及盲点监测等功能实现。

传统的自动驾驶功能，需要利用摄像头辅助进行目标种类的确认，例如确认目标物体是轿车、行人、自行车等分类中的哪一分类。由于在大雨、大雾天气下，摄像系统容易受到干扰，导致其无法正常工作，所以，利用摄像头辅助进行目标种类的确认，很容易影响主动安全防撞的性能。

因此，如何提供一种不易受干扰的目标分类方法，是本领域技术人员亟需解决的技术问题。

发明内容

有鉴于此，本申请实施例提供了一种抗干扰目标分类方法及装置，旨在提供一种受环境影响小的目标分类方法。

第一方面，本申请实施例提供了一种抗干扰目标分类方法，包括：

获取多个毫米波雷达点云信息；

将所述多个毫米波雷达点云信息输入目标分类神经网络，得到多个分类结果；

根据所述多个分类结果，得到目标分类结果。

可选的，在所述获取多个毫米波雷达点云信息之前，所述方法还包括：

构建预训练神经网络，所述预训练神经网络包括卷积层、最大池化层和全连接层；

利用训练样本训练所述预训练神经网络，得到所述目标分类神经网络，所述目标分类神经网络包括迭代卷积层、迭代最大池化层和迭代全连接层。

可选的，所述训练样本包括样本信息和结果信息；

所述利用训练样本训练所述预训练神经网络，得到所述目标分类神经网络，包括：

将所述样本信息输入所述预训练神经网络，得到训练结果；

根据所述训练结果与所述结果信息，得到所述预训练神经网络的收敛程度；

响应于所述预训练神经网络的收敛程度没有达到预设条件，利用梯度下降法修正所述预训练神经网络的权值，得到迭代神经网络；

以所述迭代神经网络替换所述预训练神经网络，返回执行所述将所述样本信息输入所述预训练神经网络，得到训练结果，直至所述预训练神经网络的收敛程度达到预设条件，确定所述迭代神经网络为所述目标分类神经网络。

可选的，所述将所述多个毫米波雷达点云信息输入目标分类神经网络，得到多个分类结果，包括：

将所述多个毫米波雷达点云信息输入所述迭代卷积层，得到多个升维点云信息；

将所述多个升维点云信息输入所述迭代最大池化层，得到多个池化点云信息；

将所述多个池化点云信息输入所述迭代全连接层，得到多个分类结果。

可选的，所述将所述多个毫米波雷达点云信息输入所述迭代卷积层，得到多个升维点云信息，包括：