【技術實現步驟摘要】
本專利技術涉及目標檢測與識別領域，尤其涉及一種地下停車場動態目標的檢測和識別方法及系統。
技術介紹
1、作為公共交通的一部分，地下停車場是實現智能交通體系的重要一環。隨著人工智能和智能駕駛的持續發展，未來的地下停車場必定趨向數字化和智能化。然而在地下停車場環境中，由于遮擋物較多，對動態目標的感知能力往往較弱，因此如何解決地下停車場環境下的動態目標檢測與識別成了難題。
2、當前現有技術中，動態目標的檢測與識別主要通過無線傳感器、視覺傳感器等結合深度學習來實現。在采用無線傳感器的行人檢測方法中，通常基于wifi強度值rssi在室內環境中檢測動態目標，但其檢測定位的精度較低，為了對抗信號的干擾和衰減，引入信道狀態信息csi來提升檢測和定位的準確度，與rssi相比，csi提供了不同頻率子載波的幅度和相位信息，由于其穩定性強、空間分辨率高，易用于指紋定位技術，且部署成本較低。在采用視覺傳感器的行人檢測方法中，往往基于計算機視覺技術、深度學習技術來增強場景中目標檢測識別及定位能力，但所述方法實時性低，容易遮擋待檢測目標從而降低系統的魯棒性。基于現有技術的缺陷，本專利技術提供一種對地下停車場動態目標檢測和識別方法及系統。
技術實現思路
1、本專利技術主要目的是提供一種地下停車場動態目標的檢測和識別方法及系統，實現無線傳感和視覺數據的融合，提高地下停車場對動態目標的檢測和識別效率。
2、本專利技術所采用的技術方案是：一種地下停車場動態目標的檢測和識別方法，包括：構建孿生神經
3、將地下停車場的可通行區域劃分為多個網格點，得到網格集合[u,v]，其中u為縱向的網格數量，v為橫向的網格數量，并根據網格點的位置進行編碼，分別采集每個網格點無動態目標和有動態目標時的數據，形成離線感知地圖，所述離線感知地圖即為離線采集的遍歷網格的無線信號特征和圖像數據；
4、對采集的數據進行處理，將處理后的數據結合手工特征和卷積特征，共同用于訓練孿生神經網絡；
5、將待檢測網格點的數據輸入完成訓練的孿生神經網絡，判定該網格點或其周圍的網格點內是否存在動態目標，若存在，進一步判定動態目標的位置。進一步地，本專利技術提出的動態目標檢測和識別方法包括兩個階段：第一階段分類判定是否存在動態目標，為分類判定；第二階段判定當前動態目標所在的位置。
6、按上述技術方案，選取對動態目標具有魯棒性的信道，當網格點內無動態目標時，所述網格點的數據包括所述信道的信號狀態信息的幅度值和圖像數據；
7、當網格點內有動態目標時，所述網格點的數據包括所述信道的信號狀態信息的幅度值和動態目標的圖像數據，所述動態目標的圖像數據包括動態目標的類別和動態目標所在的位置。
8、按上述技術方案，所述對采集的數據進行處理的方法具體包括，對采集的數據進行數據同步，去除信號狀態信息的幅度值中的異常值，應用平滑濾波對信號狀態信息的原數據預處理，根據該網格點內有無動態目標，分別將該所述幅度值定義為[v1?v2?v3]或[v1'v2'v3']并預設取值范圍；將所述幅度值[v1?v2?v3]或[v1'v2'v3']映射為像素值。進一步地，將所述幅度值[v1?v2?v3]或[v1'v2'v3']映射為像素值的方法包括，以網格坐標為像素點坐標，以網格中三信道數值構建三元幅度空間，將三信道幅度值[v1?v2?v3]分別映射為rgb圖像的三個通道，對應地改變取值范圍，映射公式如下：
9、
10、其中，v1、v2、v3分別對應rgb圖像紅色(r)、綠色(g)、藍色(b)通道的幅度值，rgbchannel表示csi數據在該通道對應的rgb值，vchannel是幅度值。
11、按上述技術方案，所述結合的手工特征包括beblid特征，卷積特征包括mamba模型訓練的特征。進一步地，手工特征還可以選擇sift、orb等特征，卷積特征訓練器也可以使用yolo等深度學習模型。但是對于地下停車場環境下，傳統的深度學習方法并未考慮到動態障礙物的結構化特征，對于被遮擋和小體型目標的識別不理想，因此本專利技術選擇beblid特征和mamba模型來實現最佳的對動態目標的檢測和識別效果。
12、按上述技術方案，所述訓練孿生神經網絡的目標函數包括：其中，表示xj中的第p張圖像的特征，xj為有動態目標的網格點的數據樣本，xi為無動態目標的網格點的數據樣本，xk為該網格點無動態目標但其他網格點有動態目標的數據樣本，fb為手工特征，fm為卷積特征。進一步地，[v1v2v3]t代表轉置，對于多維度、多子載波的幅度值v，在每一個網格中，可以利用采集工具采集出30個子載波的csi幅度信息，因此采用轉置將幅度值v轉為列向量，便于與fb、fm特征進行融合。
13、按上述技術方案，利用完成訓練的孿生神經網絡判定待測網格點及其周圍的網格點內是否存在動態目標方法具體包括：利用分類判定算法，根據待測網格點的數據，計算該待測網格點與內部無動態目標的網格點、內部有動態目標的網格點和內部無動態目標但其他網格點內有動態目標的網格點的相似概率，所述分類判定算法包括其中，d(xn)表示待測網格點的數據與樣本xn的特征距離，fn為該特征距離的最大值，p(m|xn)表示當前待測網格點m與樣本xn的相似概率，αn為不同樣本下的高斯權重，其數值由樣本間距的分布獲得，n的選取范圍包括i、j、k；
14、根據相似概率的大小判定該待測網格點內是否存在動態目標。
15、按上述技術方案，所述若該網格點或其周圍的網格點內存在動態目標，判定距離動態目標最近的網格點的編碼和動態目標的位置的方法具體包括：選取特征距離最小的d(xn)所對應的離線感知地圖節點，該節點對應距離動態目標最近的網格點，獲取該待測網格點的編碼，根據該編碼對應地得到當前動態目標所在的位置，進一步地，由于已事先對動態目標的類別進標注，因此還可以輸出動態目標的屬類信息。
16、本專利技術的另一方面提供一種地下停車場動態目標的檢測和識別系統，包括無線傳感模塊、視覺感知模塊，路側模塊和電源模塊；其中：
17、所述無線傳感模塊用于產生無線信號；所述路側模塊用于接收無線信號，進行信號的處理和存儲；所述視覺感知模塊用于利用攝像機等攝影設備采集圖像數據；所述電源模塊用于為上述模塊提供能源支持。...
【技術保護點】
1.一種地下停車場動態目標的檢測和識別方法，其特征在于，包括：
2.根據權利要求1所述的地下停車場動態目標檢測和識別方法，其特征在于，選取對動態目標具有魯棒性的信道，當網格點內無動態目標時，所述網格點的數據包括所述信道的信號狀態信息的幅度值和圖像數據；
3.根據權利要求2所述的地下停車場動態目標檢測和識別方法，其特征在于，所述對采集的數據進行處理的方法具體包括：對采集的數據進行同步，去除信號狀態信息的幅度值中的異常值，應用平滑濾波對信號狀態信息的原數據進行預處理，根據該網格點內有無動態目標，分別將該所述幅度值定義為[v1?v2?v3]或[v1'v2'v3']并預設取值范圍，將所述幅度值[v1?v2?v3]或[v1'v2'v3']映射為像素值。
4.根據權利要求1所述的地下停車場動態目標檢測和識別方法，其特征在于，所述結合的手工特征包括BEBLID特征，卷積特征包括Mamba模型訓練的特征。
5.根據權利要求3所述的地下停車場動態目標檢測和識別方法，其特征在于，訓練孿生神經網絡的目標函數包括：其中，表示xj中的第p張圖像的特征，xj為
6.根據權利要求5所述的地下停車場動態目標檢測和識別方法，其特征在于，利用完成訓練的孿生神經網絡判定待測網格點及其周圍的網格點內是否存在動態目標方法具體包括：利用分類判定算法，根據待測網格點的數據，計算該待測網格點與內部無動態目標的網格點、內部有動態目標的網格點和內部無動態目標但其他網格點內有動態目標的網格點的相似概率，所述分類判定算法包括其中，d(xn)表示待測網格點的數據與樣本xn的特征距離，Fn為該特征距離的最大值，p(mXn)表示當前待測網格點m與樣本xn的相似概率，αn為不同樣本下的高斯權重，其數值由樣本間距的分布獲得，n的選取范圍包括i、j、k；
7.根據權利要求6所述的地下停車場動態目標檢測和識別方法，其特征在于，所述進一步判定動態目標的位置的方法具體包括：選取最小的d(xn)對應的待測網格點，作為距離動態目標最近的網格點，獲取該待測網格點的編碼，對應地得到當前動態目標所在的位置。
8.一種地下停車場動態目標的檢測和識別系統，其特征在于，該系統執行權利要求1中所述的地下停車場動態目標檢測和識別方法，包括無線傳感模塊、視覺感知模塊，路側模塊和電源模塊；其中：
9.根據權利要求8所述的地下停車場動態目標的檢測和識別系統，其特征在于，所述無線傳感模塊包括無線信號發射器和增益天線，所述無線信號發射器用于產生無線信號，所述增益天線用于對產生的無線信號進行增強。
10.根據權利要求9所述的地下停車場動態目標的檢測和識別系統，其特征在于，所述路側模塊包括無線信號接收器、數據同步單元、數據計算單元和數據存儲單元；其中：
...【技術特征摘要】
1.一種地下停車場動態目標的檢測和識別方法，其特征在于，包括：
2.根據權利要求1所述的地下停車場動態目標檢測和識別方法，其特征在于，選取對動態目標具有魯棒性的信道，當網格點內無動態目標時，所述網格點的數據包括所述信道的信號狀態信息的幅度值和圖像數據；
3.根據權利要求2所述的地下停車場動態目標檢測和識別方法，其特征在于，所述對采集的數據進行處理的方法具體包括：對采集的數據進行同步，去除信號狀態信息的幅度值中的異常值，應用平滑濾波對信號狀態信息的原數據進行預處理，根據該網格點內有無動態目標，分別將該所述幅度值定義為[v1?v2?v3]或[v1'v2'v3']并預設取值范圍，將所述幅度值[v1?v2?v3]或[v1'v2'v3']映射為像素值。
4.根據權利要求1所述的地下停車場動態目標檢測和識別方法，其特征在于，所述結合的手工特征包括beblid特征，卷積特征包括mamba模型訓練的特征。
5.根據權利要求3所述的地下停車場動態目標檢測和識別方法，其特征在于，訓練孿生神經網絡的目標函數包括：其中，表示xj中的第p張圖像的特征，xj為有動態目標的網格點的數據樣本，xi為無動態目標的網格點的數據樣本，xk為該網格點無動態目標但其他網格點有動態目標的數據樣本，fb為手工特征，fm為卷積特征。
6.根據權利要求5所述的地下停車場動態目標檢測和識別方法，其特征在于，利用完成訓練的孿生神經網絡判定待測網格點及...
【專利技術屬性】
技術研發人員：黃剛，陳珍玲，張藝豪，陸永妹，劉思博，
申請(專利權)人：武漢科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。