[發明專利]障礙物識別方法、裝置、設備及存儲介質

有效

• 申請號: 201810671244.0
• 申請日: 2018-06-26
• 公開（公告）號: CN108845324B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 史潤宇
• 申請（專利權）人: 北京小米移動軟件有限公司
• 主分類號: G01S15/88
• 分類號: G01S15/88;G06N3/04;G06N3/08
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 林錦瀾

1.一種障礙物識別方法，其特征在于，應用于設置有聲波發生器和聲波接收器的終端中，所述方法包括：

通過所述聲波發生器向預定方向發射帶通超聲信號；

通過所述聲波接收器接收混合信號，所述混合信號包括帶通超聲信號；

提取所述混合信號中的待處理信號；

將所述待處理信號中的歷史幀和當前幀進行頻域轉換得到頻域信號，所述歷史幀和所述當前幀中每個聲音幀的頻域信號包括n個頻域分量，n為正整數；所述歷史幀包括位于所述當前幀之前的M個聲音幀，M為正整數；

對所述當前幀中的n個頻域分量和所述歷史幀中的n個頻域分量進行差分，計算得到頻域時間差分值的一階時間差分值和N階時間差分值；

根據所述頻域時間差分值的一階時間差分值和N階時間差分值得到時間特征量；所述時間特征量包括當前幀和歷史幀之間的一階時間差分值和N階時間差分值，N為N≥2的正整數；

將所述時間特征量輸入神經網絡模型得到障礙物識別結果。

2.根據權利要求1所述的方法，其特征在于，所述將所述時間特征量輸入神經網絡模型得到障礙物識別結果，包括：

將所述當前幀和歷史幀之間的一階時間差分值和N階時間差分值輸入所述神經網絡模型，得到所述障礙物識別結果；所述障礙物識別結果包括：接近事件、遠離事件、無事件中的任意一種。

3.根據權利要求2所述的方法，其特征在于，所述神經網絡模型包括：

依次相連的三層全連接神經網絡和輸出層；

或，

依次相連的雙層循環神經網絡、一層所述全連接神經網絡和所述輸出層。

4.根據權利要求1所述的方法，其特征在于，所述對所述當前幀中的n個頻域分量和所述歷史幀中的n個頻域分量進行差分，計算得到頻域時間差分值的一階時間差分值，包括：

對第i幀中的n個頻域分量和第i-1幀中的n個頻域分量進行差分，計算得到所述一階時間差分值，i為i≤0的整數，其中，若i＝0，則為所述當前幀的一階時間差分值；

所述對所述當前幀中的n個頻域分量和所述歷史幀中的n個頻域分量進行差分，計算得到所述頻域時間差分值的N階時間差分值，包括：

對所述第i幀中的n個頻域分量和第i-N幀中的n個頻域分量進行差分，計算得到所述N階時間差分值，N為N≤M+i的正整數，其中，若i＝0，則為所述當前幀的N階時間差分值。

5.根據權利要求1所述的方法，其特征在于，所述提取所述混合信號中的待處理信號，包括：

將所述混合信號進行濾波處理，得到濾波后的聲音信號；

根據所述濾波后的聲音信號得到所述待處理信號。

6.根據權利要求5所述的方法，其特征在于，所述根據濾波后的聲音信號得到所述待處理信號，包括：

將所述濾波后的聲音信號進行移頻處理，得到移頻后的聲音信號；

將所述移頻后的聲音信號進行降采樣處理，將降采樣后的聲音信號確定為所述待處理信號。

7.根據權利要求1至4任一所述的方法，其特征在于，所述方法還包括：

對所述混合信號進行特征提取得到空間特征量；

根據所述空間特征量進行聲波干涉分析，得到所述預定方向上的障礙物距離；

當所述障礙物距離小于距離閾值且所述障礙物識別結果為接近事件時，確定所述障礙物正在接近；

當所述障礙物距離小于距離閾值且所述障礙物識別結果為遠離事件時，確定所述障礙物正在遠離；

當所述障礙物距離大于距離閾值時，確定不存在障礙物。

8.根據權利要求1至6任一所述的方法，其特征在于，所述帶通超聲信號包括如下信號形式中的任意一種：

帶通噪聲信號；

單頻/多頻正弦信號；

所述帶通噪聲信號和所述單頻/多頻正弦信號的組合信號。