[發明專利]一種基于神經網絡的雨水干擾檢測方法和裝置

在審

• 申請號: 202210648271.2
• 申請日: 2022-06-08
• 公開（公告）號: CN114937205A
• 公開（公告）日: 2022-08-23
• 發明（設計）人: 李鋼;王愷;李旭陽
• 申請（專利權）人: 賽恩領動（上海）智能科技有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 上海旭新專利代理事務所(普通合伙) 31474
• 代理人: 毛碧娟

本發明公開了一種基于神經網絡的雨水干擾檢測方法及裝置；其中，基于神經網絡的雨水干擾檢測方法包括步驟：獲取車輛參數信息及雷達掃描的點云數據；所述車輛參數信息包括車輛當前速度；基于預設的檢測閾值，從所述點云數據中選取符合所述檢測閾值的目標點云；所述檢測閾值包括空間位置區域；將選取出的目標點云、以及所述車輛參數信息輸入訓練好的雨水檢測神經網絡模型；識別輸出每個目標點云是否為雨水干擾點云。采用本申請基于神經網絡判斷點云特征方案可檢測近距離雨滴以及飛濺水花等雨水干擾，識別速度快，識別精度高，且人工消耗量低。

技術領域

本發明涉及雨水干擾檢測領域，尤其涉及一種基于神經網絡的雨水干擾檢測方法和裝置。

背景技術

為滿足當今汽車科技的需求，倒車雷達，雖具有對近距離非金屬目標物的偵測能力，然而在實際使用上，卻有些困擾存在，即在下雨時，倒車雷達會接收到下落雨滴或者飛濺積水反射的雷達波，還有附著在保險桿上水滴反射的雷達波，這些都有可能會產生誤報失準的情況，造成駕駛人的行車困擾。

雨水干擾檢測是毫米波雷達的高頻研究場景。目前常采用基于CFAR(ConstantFalse Alarm Rate Detector，恒定虛警概率下的檢測器)門限的方法做出判定，CFAR一般基于雷達信號能量頻譜判斷。

該基于CFAR門限的判定方法，一方面通過閥值判定的方法在量產車型中很難優化(如受到保險杠影響)，計算過程復雜，計算量也比較大；第二方面也容易與近距離目標發生混淆。

發明內容

有鑒于現有技術的上述缺陷，本發明提供了一種基于神經網絡的雨水干擾檢測方法及裝置，解決了倒車雷達由于雨水干擾造成誤報失準的技術問題，克服了現有技術計算量大、且容易將下落雨滴以及飛濺水花等雨水干擾，與近距離目標容易混淆的缺陷。

為實現上述目的，本發明提供了一種基于神經網絡的雨水干擾檢測方法，所述方法包括以下步驟：

獲取車輛參數信息及雷達掃描的點云數據；所述車輛參數信息包括車輛當前速度；

基于預設的檢測閾值，從所述點云數據中選取符合所述檢測閾值的目標點云；所述檢測閾值包括空間位置區域；

將選取出的目標點云、以及所述車輛參數信息輸入訓練好的雨水檢測神經網絡模型；

識別輸出每個目標點云是否為雨水干擾點云。

進一步地，在識別出每個目標點云是否為雨水干擾點云之后還包括：

統計識別為雨水干擾點云的數量；

判斷所述雨水干擾點云的數量在所述目標點云數量的占比是否達到預設的占比閾值，若是，則向所述雷達發送檢測到雨水干擾的提示。

進一步地，所述檢測閾值還包括：多普勒速度區間、和/或反射能量區間；所述基于預設的檢測閾值，從所述點云數據中選取符合所述檢測閾值的目標點云，具體包括：

從所述點云數據中選取落入預設的所述空間位置區域的點云，作為第一點云；

從所述第一點云中篩選處于預設的多普勒速度區間、和/或預設的反射能量區間的點云，作為目標點云。

進一步地，還包括訓練雨水檢測神經網絡模型的步驟，具體包括：

采集有雨水干擾場景的點云數據及車輛參數信息；

基于預設的空間位置區域，從所述有雨水干擾場景的點云數據中選取落入所述預設的空間位置區域的點云作為初始訓練樣本；

識別所述初始訓練樣本對應的場景是否為單純的雨水干擾場景；