[發明專利]非視域目標檢測方法、裝置和存儲介質

有效

• 申請號: 202110277501.4
• 申請日: 2021-03-15
• 公開（公告）號: CN113204010B
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 何良雨;劉彤;崔健
• 申請（專利權）人: 鋒睿領創（珠海）科技有限公司
• 主分類號: G01S11/12
• 分類號: G01S11/12;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 深圳眾鼎專利商標代理事務所(普通合伙) 44325
• 代理人: 譚果林

1.一種非視域目標檢測方法，其特征在于，所述非視域目標檢測方法包括：

發射相干光脈沖至所述非視域目標對應的中介面；

接收所述非視域目標返回的漫反射混合光脈沖，所述漫反射混合光脈沖包含非視域目標的形狀信息；

根據應用場景對所述漫反射混合光脈沖進行預處理，得到符合所需尺度的標準漫反射混合光脈沖；

將所述標準漫反射混合光脈沖的每個光脈沖轉換為離散數字序列；

將所述每個光脈沖轉換對應的離散數字序列進行組合，得到數字矩陣；

將所述數字矩陣輸入至深度學習網絡中進行特征提取，以得到所述非視域目標的特征信息；

其中，所述深度學習網絡包括多個不同膨脹率的并行分支膨脹卷積層和對應的并行分支多尺度融合特征提取網絡，每個所述并行分支多尺度融合特征提取網絡包括多級分辨率由大到小且依次相連的子網絡層，且所述子網絡層連接至相鄰分支的同級網絡層的上下級網絡層，所述子網絡層用于對本分支的上級網絡層輸出的特征圖與所述同級網絡層的上級網絡層輸出的特征圖進行融合，并從融合特征中提取新特征作為下一級輸入。

2.如權利要求1所述的非視域目標檢測方法，其特征在于，所述根據應用場景對所述漫反射混合光脈沖進行預處理，得到符合所需尺度的標準漫反射混合光脈沖，包括：

確定捕獲所述漫反射混合光脈沖的光電探測器的探測精度和所述非視域目標的大小；

根據所述非視域目標的大小確定所述光電探測器的探測精度是否足夠；

若所述光電探測器的探測精度為不夠，則通過光脈沖處理設備拉伸所述漫反射混合光脈沖，以得到所述標準漫反射混合光脈沖。

3.如權利要求2所述的非視域目標檢測方法，其特征在于，所述方法還包括：

若所述光電探測器的探測精度為足夠且非視域目標大于預設大小，則通過所述光脈沖處理設備壓縮所述漫反射混合光脈沖，得到所述標準漫反射混合光脈沖。

4.如權利要求1-3任一項所述的非視域目標檢測方法，其特征在于，所述將所述數字矩陣輸入至深度學習網絡中進行特征提取，以得到所述非視域目標的特征信息，包括：

通過所述多個不同膨脹率的并行分支膨脹卷積層對所述數字矩陣進行特征提取，以獲取多個不同感受野的特征圖；

將所述多個不同感受野的特征圖對應輸入至所述多個并行分支多尺度融合特征提取網絡中，以分別獲取每個并行分支多尺度融合特征提取網絡輸出的多尺度融合特征圖；

對所述每個并行分支多尺度融合特征提取網絡輸出的多尺度融合特征圖進行特征融合，得到所述非視域目標的特征信息。

5.如權利要求4所述的非視域目標檢測方法，其特征在于，所述深度學習網絡包括三個不同膨脹率的并行分支膨脹卷積層和三個并行分支多尺度融合特征提取網絡，其中，所述三個不同膨脹率的并行分支膨脹卷積層中，膨脹率自上而下依次為1、2和4。

6.如權利要求4所述的非視域目標檢測方法，其特征在于，所述對所述每個并行分支多尺度融合特征提取網絡輸出的多尺度融合特征圖進行特征融合，得到所述非視域目標的特征信息，包括：

采用如下公式對所述每個并行分支多尺度融合特征提取網絡輸出的多尺度融合特征圖進行特征融合，得到所述非視域目標的特征信息：

其中，表示各個并行分支膨脹卷積層的第c個通道對應的特征圖，H_c表示第c個通道對應的卷積核，*表示卷積操作，C表示卷積層的通道總數，D表示所述非視域目標的特征信息，所述M表示第M分支，所述N表示第N子網絡層。

7.如權利要求4所述的非視域目標檢測方法，其特征在于，所述子網絡層輸出的特征圖計算方式如下公式所示：

其中，d表示對應并行分支膨脹卷積層的空洞因子，ω表示卷積參數，x_n表示卷積采樣點，Δx_i表示卷積采樣點的間隔，G表示采樣網格，F_i表示所述子網絡層對上一級網絡層輸出的特征圖與所述同級網絡層的上級網絡層輸出的特征圖進行融合得到的融合特征圖。