一种毫米波雷达点迹的风险预测方法及装置与流程

1.本发明涉及到雷达系统技术领域，尤其涉及一种毫米波雷达点迹的风险预测方法及装置。


背景技术：

2.毫米波雷达的工作环境复杂，雷达回波中存在大量的杂波/虚假目标回波，造成虚假点云数量急剧上升，给毫米波雷达数据处理系统目标自动起始和跟踪带来较大挑战。
3.对于毫米波雷达点云数据会按照一定的规则进行聚类，而在现有的处理流程中对聚类后形成的点迹未进行处理，虚假点迹也会参与到数据处理系统中目标自动起始和跟踪的处理过程中，会影响目标航迹形成。因此，需要对聚类后形成的点迹的虚假性进行风险预测。


技术实现要素：

4.本发明的目的是提供一种毫米波雷达点迹的风险预测方法及装置，基于多个点迹各自对应的当前特征信息和历史特征信息，确定多个特征组合各自对应的概率信息，进而确定目标点迹在多个特征组合下的似然概率和权重，并基于其在多个特征组合下的似然概率和权重确定目标点迹的风险信息，实现风险预测，从而可以在目标航迹处理之前作为判断各点迹真假性的参考信息，以提高数据处理系统目标自动起始和跟踪的质量。
5.为实现上述目的，本发明提供了如下方案：
6.一种毫米波雷达点迹的风险预测方法，所述方法包括：
7.获取多个点迹各自对应的当前特征信息以及历史特征信息；
8.基于所述当前特征信息，获取多个特征组合各自对应的组合特征信息；
9.根据所述多个特征组合各自对应的组合特征信息和所述历史特征信息，确定所述多个特征组合各自对应的概率信息；
10.基于所述概率信息，确定目标点迹在所述多个特征组合下的似然概率和权重，所述目标点迹为所述多个点迹中的一个；
11.根据所述似然概率和所述权重，确定所述目标点迹的风险信息。
12.可选的，所述根据所述多个特征组合各自对应的组合特征信息和所述历史特征信息，确定所述多个特征组合各自对应的概率信息，包括：
13.根据所述多个特征组合各自对应的组合特征信息，生成多个组合特征信息各自对应的散点图；
14.根据所述组合特征信息以及所述历史特征信息，确定所述多个组合特征信息各自对应的真实目标点迹集合和虚假目标点迹集合；
15.基于所述真实目标点迹集合和所述虚假目标点迹集合，确定每个散点图中的真实目标点、虚假目标点以及中心点，所述中心点位于所述真实目标点和所述虚假目标点之间；
16.根据所述真实目标点、所述虚假目标点和所述中心点，确定所述概率信息。
17.可选的，所述根据所述组合特征信息以及所述历史特征信息，确定所述多个组合特征信息各自对应的真实目标点迹集合和虚假目标点迹集合，包括：
18.基于所述历史特征信息，确定真假目标点迹预测模型；
19.基于所述多个组合特征信息和所述真假目标点迹预测模型，确定所述真实目标点迹集合和所述虚假目标点迹集合。
20.可选的，所述历史特征信息包括样本特征信息和真假目标信息标签，所述基于所述历史特征信息，确定真假目标点迹预测模型，包括：
21.将所述样本特征信息输入预设机器学习模型，进行真假目标预测处理，得到预测真假目标信息；
22.根据所述真假目标信息标签和所述预测真假目标信息，得到真假目标损失信息；
23.根据所述真假目标损失信息和所述预设机器学习模型，得到所述真假目标点迹预测模型。
24.可选的，所述基于所述真实目标点迹集合和所述虚假目标点迹集合，确定每个散点图中的真实目标点、虚假目标点以及中心点，包括：
25.基于所述真实目标点迹集合和所述虚假目标点迹集合，获取所述真实目标点迹集合对应的第一特征信息和所述虚假目标点迹集合对应的第二特征信息；
26.对所述第一特征信息和所述第二特征信息进行均值处理，得到所述真实目标点迹集合对应的第一均值信息和所述虚假目标点迹集合对应的第二均值信息；
27.基于所述第一均值信息以及所述第二均值信息，确定多个散点图各自对应的真实目标点和虚假目标点；
28.根据所述第一特征信息和所述第二特征信息，获得多个组合特征信息各自对应的真实目标标准差和虚假目标标准差；
29.基于所述真实目标标准差、所述虚假目标标准差、所述真实目标点和虚假目标点，确定所述中心点。
30.可选的，所述根据所述似然概率和所述权重，确定所述目标点迹的风险信息，包括：
31.根据所述似然概率和所述权重，确定所述目标点迹的目标似然概率；
32.基于所述目标似然概率，获得所述风险信息。
33.可选的，所述基于所述当前特征信息，获取多个特征组合各自对应的组合特征信息，包括：
34.基于所述当前特征信息，将所述当前特征信息中每两个特征类型作为一个特征组合，获得多个特征组合；
35.基于所述多个特征组合，获取所述组合特征信息。
36.另一方面，本发明还提供了一种毫米波雷达点迹的风险预测装置，所述装置包括：
37.第一信息获取模块，用于获取多个点迹各自对应的当前特征信息以及历史特征信息；
38.第二信息获取模块，用于基于所述当前特征信息，获取多个特征组合各自对应的组合特征信息；
39.概率信息确定模块，用于根据所述多个特征组合各自对应的组合特征信息和所述
历史特征信息，确定所述多个特征组合各自对应的概率信息；
40.似然概率及权重确定模块，用于基于所述概率信息，确定目标点迹在所述多个特征组合下的似然概率和权重，所述目标点迹为所述多个点迹中的一个；
41.风险信息确定模块，用于根据所述似然概率和所述权重，确定所述目标点迹的风险信息。
42.另一方面，本发明还提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述毫米波雷达点迹的风险预测方法。
43.另一方面，本发明还提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述毫米波雷达点迹的风险预测方法。
44.本发明提供的一种毫米波雷达点迹的风险预测方法及装置，基于多个点迹各自对应的当前特征信息和历史特征信息，确定多个特征组合各自对应的概率信息，进而确定目标点迹在多个特征组合下的似然概率和权重，并基于其在多个特征组合下的似然概率和权重确定目标点迹的风险信息，实现风险预测，从而可以在目标航迹处理之前作为判断各点迹真假性的参考信息，以提高数据处理系统目标自动起始和跟踪的质量。
附图说明
45.为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还能够根据这些附图获得其它附图。
46.图1是本发明实施例提供的一种毫米波雷达点迹的风险预测方法的方法流程图；
47.图2是本发明实施例提供的一种根据多个特征组合各自对应的组合特征信息和历史特征信息，确定多个特征组合各自对应的概率信息的方法流程图；
48.图3是本发明实施例提供的一种根据组合特征信息以及历史特征信息，确定多个组合特征信息各自对应的真实目标点迹集合和虚假目标点迹集合的方法流程图；
49.图4是本发明实施例提供的一种基于历史特征信息，确定真假目标点迹预测模型的方法流程图；
50.图5是本发明实施例提供的一种基于真实目标点迹集合和虚假目标点迹集合，确定每个散点图中的真实目标点、虚假目标点以及中心点的方法流程图；
51.图6是本发明实施例提供的一种根据似然概率和权重，确定目标点迹的风险信息的方法流程图；
52.图7是本发明实施例提供的一种基于当前特征信息，获取多个特征组合各自对应的组合特征信息的方法流程图；
53.图8是本发明实施例提供的一种毫米波雷达点迹的风险预测装置的结构框图；
54.图9是本发明实施例提供的一种毫米波雷达点迹的风险预测方法中概率信息确定过程中的散点图；
55.图10是本发明实施例提供的基于毫米波雷达点迹的风险预测方法的改进后毫米波雷达处理流程图。
具体实施方式
56.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
57.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
58.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
59.以下介绍本发明的一种毫米波雷达点迹的风险预测方法的实施例，图1是本发明实施例提供的一种毫米波雷达点迹的风险预测方法的方法流程图。需要说明的是，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。如图1所示，本实施例提供了一种毫米波雷达点迹的风险预测方法，该方法包括：
60.s101.获取多个点迹各自对应的当前特征信息以及历史特征信息。
61.其中，每个点迹可以是指雷达对同一个目标探测到的一系列点。当前特征信息可以是指雷达当前探测到的多个点迹在多种特征类型下的统计信息；当前特征信息可以包括多个点迹在多种特征类型下相应的特征值。具体地，特征类型可以包括回波数量、幅度、距离维宽度、速度维宽度的均值和标准差等等。历史特征信息可以包括预先存储的雷达探测的多个点迹在多种特征类型下的统计信息，还可以包括是属于真实目标或虚假目标的点迹的标签。历史特征信息可以用于确定当前特征信息中属于真实目标或属于虚假目标的点迹。
62.在实际应用中，可以通过雷达扫描得到当前雷达数据并对当前雷达数据进行聚类处理得到多个点迹各自对应的当前特征信息；并可以从存储器中读取得到历史特征信息。
63.s102.基于当前特征信息，获取多个特征组合各自对应的组合特征信息。
64.其中，组合特征信息可以包括多个点迹在每个特征组合所对应的特征类型下的特征值。具体地，一个特征组合可以对应两个特征类型，且每个特征组合与其他特征组合所对应的特征类型不同。
65.在实际应用中，可以先根据当前特征信息中特征类型的数量确定多个特征组合；具体地，可以是选择任意两个特征类型作为一个特征组合；根据当前特征信息，按照每个特征组合中的特征类型，得到所有点迹的对应于该特征类型的特征值，可以得到每个特征组合对应的组合特征信息。
66.s103.根据多个特征组合各自对应的组合特征信息和历史特征信息，确定多个特征组合各自对应的概率信息。
67.其中，多个特征组合各自对应的概率信息可以是指在多个特征组合下介于真实目标点迹集合和虚假目标点迹集合之间的点迹的概率函数；概率函数可以是指在某个确定的点迹附近的可能性的函数，上述概率函数可以用于计算点迹在每个特征组合下作为真实目标点迹的概率。真实目标点迹集合可以是指由多个真实目标点迹组成的集合，虚假目标点迹集合可以是指由多个虚假目标点迹组成的集合。真实目标点迹可以是指雷达在探测真实目标所生成的点迹；虚假目标点迹可以是指雷达在探测到虚假目标所生成的点迹。
68.在实际应用中，可以根据历史特征信息中具有真实目标标签以及虚假目标标签的点迹在多个特征类型下的特征值，确定真实目标阈值信息和虚假目标阈值信息。其中，真实目标阈值信息可以是指每个特征类型下属于真实目标的特征值范围；虚假目标阈值信息可以是指每个特征类型下属于虚假目标的特征值范围。根据组合特征信息并基于真实目标阈值信息和虚假目标阈值信息，可以进行匹配，得到每个组合特征对应的真实目标点迹集合、虚假目标点迹集合以及介于真实目标点迹和虚假目标点迹之间的点迹集合，上述介于真实目标点迹和虚假目标点迹之间的点迹集合可以理解为既不满足真实目标阈值信息的特征值范围也不满足虚假目标阈值信息的特征值范围。根据上述真实目标点迹集合、虚假目标点迹集合以及介于真实目标点迹和虚假目标点迹之间的点迹集合中各点迹在每个特征组合下的特征值，可以建立每个特征组合下介于真实目标点迹集合和虚假目标点迹集合之间的点迹的概率函数。
69.s104.基于概率信息，确定目标点迹在多个特征组合下的似然概率和权重。
70.其中，目标点迹可以是指风险待预测的点迹；具体地，目标点迹可以为多个点迹中的一个。目标点迹在每个特征组合下的似然概率可以是指目标点迹在每个特征组合下作为真实目标点迹的概率。每个特征组合对应的权重可以用于表征该特征组合对应的似然概率在所有特征组合中的相对重要程度。
71.在实际应用中，基于多个特征组合各自对应的概率信息，并根据目标点迹对应的当前特征信息，可以得到目标点迹在每个特征组合下的似然概率；基于目标点迹在每个特征组合下的似然概率，可以得到目标点迹在每个特征组合下的似然概率对应的权重。具体地，可以通过因子分析法、主成分分析法、优序图法和熵值法等方法计算权重，具体的权重计算方法本公开不作限定。
72.s105.根据似然概率和权重，确定目标点迹的风险信息。
73.其中，目标点迹的风险信息可以用于表征目标点迹不为真实目标的点迹的可能性。具体地，风险信息可以是风险系数。
74.在实际应用中，根据目标点迹在多个特征组合下的似然概率及其对应的权重，可以得到目标点迹的目标似然概率。目标似然概率可以是指目标点迹在所有特征类型下作为真实目标的点迹的概率。基于目标点迹的目标似然概率，可以得到目标点迹的风险信息。
75.需要说明的是，如图10所示，通过上述预测方法得到各点迹的风险系数后，可以将风险系数不满足预设的阈值的点迹剔除，保留风险系数满足预设的阈值的点迹；并基于上述风险系数满足预设的阈值的点迹，进行目标跟踪。或者还可以是，选出风险系数满足预设的阈值的点迹，进行航迹的处理。预设的阈值可以根据多次试验确定。可以理解的是，当点
迹的风险系数满足预设的阈值时，则说明该点迹是真实目标的点迹的可能性较高。
76.基于多个点迹各自对应的当前特征信息和历史特征信息，确定多个特征组合各自对应的概率信息，进而确定目标点迹在多个特征组合下的似然概率和权重，并基于其在多个特征组合下的似然概率和权重确定目标点迹的风险信息，实现风险预测，从而可以在目标航迹处理之前作为判断各点迹真假性的参考信息，以提高数据处理系统目标自动起始和跟踪的质量。
77.图2是本发明实施例提供的一种根据多个特征组合各自对应的组合特征信息和历史特征信息，确定多个特征组合各自对应的概率信息的方法流程图。在一个可能的实施方式中，如图2所示，上述步骤s103可以包括：
78.s201.根据多个特征组合各自对应的组合特征信息，生成多个组合特征信息各自对应的散点图。
79.其中，每个组合特征信息可以对应生成一个散点图。散点图的横坐标和纵坐标为组合特征对应的两个特征类型。
80.在实际应用中，组合特征信息中各个点迹在多个特征类型下相应的特征值，可以作为各个点迹在散点图中的坐标值。例如，假设点迹a的回波数量和幅度分别为a和b，则在组合特征为回波数量和幅度对应的散点图中，点迹a对应在散点图中的坐标为(a，b)。
81.s202.根据组合特征信息以及历史特征信息，确定多个组合特征信息各自对应的真实目标点迹集合和虚假目标点迹集合。
82.在实际应用中，基于由历史特征信息确定的真实目标阈值信息和虚假目标阈值信息，将组合特征信息中各点迹的每个特征类型对应的特征值与上述真实目标阈值信息或虚假目标阈值信息进行匹配。若点迹的特征组合中两个特征类型对应的特征值均满足真实目标阈值信息中真实目标在相同的特征类型下的特征值范围，则该点迹可以是真实目标点迹；若点迹的特征组合中两个特征类型对应的特征值均满足虚假目标阈值信息中虚假目标在相同的特征类型下的特征值范围，则该点迹可以是虚假目标点迹。将匹配得到的多个真实目标点迹作为真实目标点迹集合；将匹配得到的多个虚假目标点迹作为虚假目标点迹集合。
83.s203.基于真实目标点迹集合和虚假目标点迹集合，确定每个散点图中的真实目标点、虚假目标点以及中心点，中心点位于真实目标点和虚假目标点之间。
84.其中，真实目标点在散点图的位置可以用于表征真实目标点迹集合在散点图中所在范围的中心位置；虚假目标点在散点图的位置可以用于表征虚假目标点迹集合在散点图中所在范围的中心位置。中心点所在位置可以用于表征每个散点图中真实目标点和虚假目标点之间的中心位置。可以理解的是，中心点位于真实目标点和虚假目标点之间。
85.在实际应用中，如图5所示，上述步骤s203可以包括：
86.s501.基于真实目标点迹集合和虚假目标点迹集合，获取真实目标点迹集合对应的第一特征信息和虚假目标点迹集合对应的第二特征信息。
87.其中，第一特征信息可以是指多个特征组合对应的真实目标点迹集合分别在两个特征类型对应的多组特征值；第二特征信息可以是指多个特征组合对应的虚假目标点迹集合分别在两个特征类型对应的多组特征值。可以理解的是，每个特征组合按照两个特征类型可以对应两组特征值。
88.在实际应用中，每个特征组合可以对应一个真实目标点迹集合。根据每个特征组合对应的真实目标点迹集合以及每个特征组合所对应的特征类型，将每个真实目标点迹集合所包括的点迹在该特征类型下的特征值作为第一特征信息。可以理解的是，每个真实目标点迹集合可以对应得到一个第一特征信息；多个真实目标点迹集合可以对应得到多个不同的第一特征信息。虚假目标点迹集合对应的第二特征信息的获取方法可以参照上述第一特征信息的获取方法，在此不作赘述。
89.s502.对第一特征信息和第二特征信息进行均值处理，得到真实目标点迹集合对应的第一均值信息和虚假目标点迹集合对应的第二均值信息。
90.在实际应用中，将第一特征信息中同一特征类型的所有特征值进行均值处理；每个特征组合可以得到两个均值，将上述两个均值作为第一均值信息。可以理解的是，由于每个第一特征信息均对应一个特征组合，每个特征组合对应两个特征类型，对第一特征信息进行均值处理可以得到两个特征类型分别对应的两个均值。第二均值信息的获取方式可以参照上述第一均值信息的获取方式，在此不作赘述。
91.s503.基于第一均值信息以及第二均值信息，确定多个散点图各自对应的真实目标点和虚假目标点。
92.在实际应用中，根据上述步骤s502分别得到每个特征组合对应的真实目标点迹集合对应的两个特征类型的特征值均值x
t
和y
t
以及虚假目标点迹集合对应的两个特征类型的特征值均值xf和yf，则该特征组合对应的散点图的真实目标点t的坐标可以为(x
t
，y
t
)，虚假目标点f的坐标可以为(xf，yf)。
93.s504.根据第一特征信息和第二特征信息，获得多个组合特征信息各自对应的真实目标标准差和虚假目标标准差。
94.其中，每个特征组合对应的真实目标标准差可以是指该特征组合对应的两个特征类型相对应的两组特征值的标准差。每个特征组合对应的真实目标标准差可以包括分别在两个特征类型下的两个标准差值。每个特征组合对应的虚假目标标准差可以是指该特征组合对应的两个特征类型相对应的两组特征值的标准差。每个特征组合对应的虚假目标标准差可以包括分别在两个特征类型下的两个标准差值。
95.在实际应用中，根据第一特征信息，对每个特征类型对应的两组特征值分别计算标准差，可以得到该特征类型对应的真实目标标准差；根据第二特征信息，对每个特征类型对应的两组特征值分别计算标准差，可以得到该特征类型对应的虚假目标标准差。
96.s505.基于真实目标标准差、虚假目标标准差、真实目标点和虚假目标点，确定中心点。
97.在实际应用中，中心点k(xk，yk)可以通过以下公式确定：
[0098][0099]
其中，为特征类型x下真实目标标准差；为特征类型y下真实目标标准差；为特征类型x下虚假目标标准差；为特征类型y下虚假目标标准差；xk为k点在x上的坐
标；yk为k点在y上的坐标。
[0100]
s204.根据真实目标点、虚假目标点和中心点，确定概率信息。
[0101]
在实际应用中，根据每个散点图分别对应真实目标点、虚假目标点和中心点，可以确定该散点图对应的概率信息。以下将以单个散点图为例，介绍概率信息的确定方法。
[0102]
如图9所示，在散点图中过真实目标点t和虚假目标点f作直线d0；过中心点k作与d0垂直的分隔线d1，可以得到该分隔线的斜率为a1，与x轴的交点为x1＝a1*yk xk；左右等距平移直线d1，得到d
l
和dh,他们之间的宽度由α决定，可以得到：
[0103][0104]
其中，α为(0,1)之间的取值；x
l
为d1左移后的直线d
l
与x的交点；xr为d1右移后的直线dh与x的交点。
[0105]
对于特征组合(x,y)，可以在d
l
和dh之间建立一个线性的概率函数：
[0106]
l
p
＝a*z b
[0107]
其中，z为d
l
和dh之间的点迹在x轴上的投影，由α的限制条件可知：
[0108][0109]
经过计算可以得到：
[0110]
基于上述线性的概率函数，步骤s104中的似然概率还可以是d
l
和dh之间的点迹(x，y)的概率l
p
，具体可以通过以下公式计算得到：
[0111][0112]
每个特征组合下的似然概率对应的权重w
xy
可以通过以下公式计算得到：
[0113][0114]
对当前特征信息按照特征组合进行处理，将多个特征类型分成多个特征组合，并根据每个特征组合对应生成其相应的散点图进行处理，可以将存在多个特征类型的复杂模型简单化，便于后续对概率函数的分析处理以及进一步地得到目标点迹的风险信息。
[0115]
图3是本发明实施例提供的一种根据组合特征信息以及历史特征信息，确定多个组合特征信息各自对应的真实目标点迹集合和虚假目标点迹集合的方法流程图。在一个可能的实施方式中，历史特征信息可以包括样本特征信息和真假目标信息标签，如图3所示，上述步骤s202可以包括：
[0116]
s301.基于历史特征信息，确定真假目标点迹预测模型。
[0117]
在实际应用中，如图4所示，上述步骤s301可以包括：
[0118]
s401.将样本特征信息输入预设机器学习模型，进行真假目标预测处理，得到预测真假目标信息。
[0119]
其中，预设机器学习模型可以包括但不限于神经网络模型、回归模型、最小二乘法
模型、支持向量机、马尔可夫算法等中的一个，其中神经网络模型包括深度神经网络、循环神经网络、卷积神经网络等中的一个或多个。深度学习是对大量数据进行表征学习的一种算法。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习的特征提取不依靠人工，而是自动提取的，具有非常强的学习能力和适应能力，且由数据驱动，上限高。
[0120]
s402.根据真假目标信息标签和预测真假目标信息，得到真假目标损失信息。
[0121]
其中，真假目标损失信息的具体损失计算过程，本公开不作限定。
[0122]
s403.根据真假目标损失信息和预设机器学习模型，得到真假目标点迹预测模型。
[0123]
其中，真假目标点迹预测模型可以用于确定当前特征信息所包括的多个点迹中的真实目标点迹集合和虚假目标点迹集合。使用机器学习的方法进行真假目标点迹预测模型的生成，避免了复杂的标定计算与求解。
[0124]
s302.基于多个组合特征信息和真假目标点迹预测模型，确定真实目标点迹集合和虚假目标点迹集合。
[0125]
在实际应用中，将多个组合特征信息输入真假目标点迹预测模型，可以预测得到每个特征组合所对应的多个点迹中的多个真实目标点迹和多个虚假目标点迹。进而可以将每个特征组合所对应多个真实目标点迹和多个虚假目标点迹分别作为真实目标点迹集合和虚假目标点迹集合。
[0126]
图6是本发明实施例提供的一种根据似然概率和权重，确定目标点迹的风险信息的方法流程图。在一个可能的实施方式中，如图6所示，上述步骤s105可以包括：
[0127]
s601.根据似然概率和权重，确定目标点迹的目标似然概率。
[0128]
在实际应用中，目标似然概率lk可以通过以下公式计算得到：
[0129][0130]
s602.基于目标似然概率，获得风险信息。
[0131]
在实际应用中，目标点迹的风险信息可以是风险系数。目标点迹的风险系数r可以通过以下公式计算得到：
[0132]
r＝1-lk
[0133]
可以理解的是，风险系数越大，则表示该目标点迹作为虚假目标的可能性越高；风险系数越小，则表示该目标点作为真实目标的可能性越高。
[0134]
图7是本发明实施例提供的一种基于当前特征信息，获取多个特征组合各自对应的组合特征信息的方法流程图。在一个可能的实施方式中，如图7所示，上述步骤s102可以包括：
[0135]
s701.基于当前特征信息，将当前特征信息中每两个特征类型作为一个特征组合，获得多个特征组合。
[0136]
在实际应用中，当前特征信息中可以包含多个特征类型的特征值。将所有特征类型中每任意两个特征类型为一组作为一个特征组合，直到所有特征类型都有至少一个特征组合。具体地，每个特征组合所包括的两个特征类型与其他特征组合所包括的特征类型不同。
[0137]
s702.基于多个特征组合，获取组合特征信息。
[0138]
在实际应用中，根据当前特征信息，按照每个特征组合中的特征类型，得到所有点迹的对应于该特征类型的特征值，可以得到每个特征组合对应的组合特征信息。
[0139]
图8是本发明实施例提供的一种毫米波雷达点迹的风险预测装置的结构框图。另一方面，如图8所示，本实施例还提供了一种毫米波雷达点迹的风险预测装置，该装置包括：
[0140]
第一信息获取模块10，用于获取多个点迹各自对应的当前特征信息以及历史特征信息；
[0141]
第二信息获取模块20，用于基于当前特征信息，获取多个特征组合各自对应的组合特征信息；
[0142]
概率信息确定模块30，用于根据多个特征组合各自对应的组合特征信息和历史特征信息，确定多个特征组合各自对应的概率信息；
[0143]
信息确定模块40，用于基于概率信息，确定目标点迹在多个特征组合下的似然概率和权重，目标点迹为多个点迹中的一个；
[0144]
风险信息确定模块50，用于根据似然概率和权重，确定目标点迹的风险信息。
[0145]
另一方面，本发明实施例还提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为执行上述毫米波雷达点迹的风险预测方法。
[0146]
另一方面，本发明实施例还提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，计算机程序指令被处理器执行时实现上述毫米波雷达点迹的风险预测方法。
[0147]
要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为二系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。同样地，上述毫米波雷达点迹的风险预测装置的各模块是指计算机程序或者程序段，用于执行某一项或多项特定的功能，此外，上述各模块的区分并不代表实际的程序代码也必须是分开的。此外，还可对上述实施例进行任意组合，得到其他的实施例。
[0148]
在上述实施例中，对各实施例的描述都各有侧重，某各实施例中没有详述的部分，可以参见其它实施例的相关描述。本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
[0149]
上述说明已经充分揭露了本发明的具体实施方式。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地，本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。