一种利用胶囊网络进行毫米波雷达点云识别的方法及系统与流程

1.本发明涉及智能驾驶技术领域，更具体地，涉及一种利用胶囊网络进行毫米波雷达点云识别的方法及一种利用胶囊网络进行毫米波雷达点云识别的系统。


背景技术：

2.随着科学技术的不断发展和人们对生活水平的不断追求，对智能驾驶领域的研究也越来越多，智能驾驶主要分为感知系统、决策系统、控制系统，感知系统主要通过传感器感知和探测道路环境中的运动目标(车辆、非机动车辆、行人)和静止目标(电线杆、红绿灯、马路水泥路沿、铁栅栏、高架隔音板)来获得环境中的信息。
3.胶囊网络是geoffrey hinton提出的一种神经网络结构，为了解决卷积神经网络的一些缺陷。首先，卷积神经网络对物体之间的空间关系的识别能力不强，而4d毫米波雷达的优势就在于对于空间的感知。此外，卷积神经网络对物体旋转之后的识别能力不强，而雷达由于收发无线电波的工作原理，天生就需要处理物体旋转过程中产生的数据信息。通过改进胶囊网络中动态路由算法部分运算步骤，加入multi-head attention机制，对雷达产生的信号进行识别，相比于卷积神经网络准确率更高。


技术实现要素：

4.为了解决现有技术中存在的不足，本发明提供了一种利用胶囊网络进行毫米波雷达点云识别的方法及系统，通过胶囊网络这种更加适合于雷达特点的深度学习算法，提升雷达点云识别的效果。
5.作为本发明的第一个方面，提供一种利用胶囊网络进行毫米波雷达点云识别的方法，包括：
6.获取毫米波雷达的点云数据；
7.对所述毫米波雷达的点云数据进行识别，以得到所述毫米波雷达点云数据的分类结果；
8.输出所述毫米波雷达点云数据的分类结果。
9.进一步地，所述对所述毫米波雷达的点云数据进行识别，以得到所述毫米波雷达点云数据的分类结果，还包括：
10.步骤s1：开始；
11.步骤s2：设定所述毫米波雷达点云数据的长宽高，截取所设定长宽高空间内的点云数据存为高维度向量u；
12.步骤s3：将所述高维度向量u乘上权重w得到加权后的向量u，公式如下(1)所示；
13.u＝w
tuꢀꢀꢀꢀꢀ
(1)
14.步骤s4：对所述加权后的向量u进行求和，得到求和后的向量z，公式如下(2)所示；
15.z＝∑u
ꢀꢀꢀꢀꢀꢀ
(2)
16.步骤s5：使用非线性函数将所述求和后的向量z转化成向量v，公式如下(3)所示；
17.v＝unlinear(z)
ꢀꢀꢀꢀ
(3)
18.步骤s6：预设迭代次数r以及层间向量b；
19.步骤s7：判断所述层间向量b是否达到所述预设迭代次数r，若是，执行步骤s14，若否，执行步骤s8；
20.步骤s8：利用softmax函数对当前层间向量b进行运算，得到运算后的向量c，公式如下(4)所示；
21.c＝softmax(b)
ꢀꢀꢀꢀꢀ
(4)
22.步骤s9：利用所述运算后的向量c乘以所述向量v得到更新后的向量z，然后分别执行步骤s10和s11；
23.步骤s10：利用squash函数对所述更新后的向量z进行运算，结果记为向量z1，公式如下(5)所示；
24.z1＝squash(z)
ꢀꢀꢀꢀ
(5)
25.步骤s11：利用multi-headattention对所述更新后的向量z进行运算，结果记作向量z2；
26.步骤s12：将向量z1和向量z2相加形成再次更新后的向量z，公式如下(6)所示；
27.z＝z1 z2
ꢀꢀꢀꢀꢀꢀꢀ
(6)
28.步骤s13：将当前层间向量b加上所述再次更新后的向量z和向量v的乘积，形成更新后的向量b，公式如下(7)所示，然后执行步骤s7；
29.b＝b zv
ꢀꢀꢀꢀꢀꢀꢀ
(7)
30.步骤s14：返回迭代完成的向量z；
31.步骤s15：将所述迭代完成的向量z利用交叉熵函数，求取得到所述毫米波雷达点云数据的分类结果；
32.步骤s16：结束。
33.进一步地，所述毫米波雷达包括4d毫米波雷达。
34.作为本发明的第二个方面，提供一种利用胶囊网络进行毫米波雷达点云识别的系统，用于实现前文所述的利用胶囊网络进行毫米波雷达点云识别的方法，包括：
35.获取模块，用于获取毫米波雷达的点云数据；
36.识别模块，用于对所述毫米波雷达的点云数据进行识别，以得到所述毫米波雷达点云数据的分类结果；
37.输出模块，用于输出所述毫米波雷达点云数据的分类结果。
38.本发明提供的利用胶囊网络进行毫米波雷达点云识别的方法及系统具有以下优点：
39.1、改进的胶囊网络对于物体的空间关系识别能力更为敏感；
40.2、改进的胶囊网络对于物体平移旋转之后的识别能力更为敏感；
41.3、改进的胶囊网络还有一个好处，就是当它只用了一小部分数据时，它可以获得和用了全部数据的卷积神经网络一样好的效果，降低了数据采集的数量。
附图说明
42.附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具
体实施方式一起用于解释本发明，但并不构成对本发明的限制。
43.图1为本发明利用胶囊网络进行毫米波雷达点云识别的方法的流程图。
44.图2为本发明利用胶囊网络进行毫米波雷达点云识别的方法的具体实施方式流程图。
具体实施方式
45.为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的利用胶囊网络进行毫米波雷达点云识别的方法及系统其具体实施方式、结构、特征及其功效，详细说明如后。显然，所描述的实施例为本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
46.在本实施例中提供了一种利用胶囊网络进行毫米波雷达点云识别的方法，如图1所示，利用胶囊网络进行毫米波雷达点云识别的方法包括：
47.获取毫米波雷达的点云数据；
48.对所述毫米波雷达的点云数据进行识别，以得到所述毫米波雷达点云数据的分类结果；
49.输出所述毫米波雷达点云数据的分类结果。
50.优选地，如图2所示，所述对所述毫米波雷达的点云数据进行识别，以得到所述毫米波雷达点云数据的分类结果，还包括：
51.步骤s1：开始；
52.步骤s2：设定所述毫米波雷达点云数据的长宽高，截取所设定长宽高空间内的点云数据存为高维度向量u；
53.步骤s3：将所述高维度向量u乘上权重w得到加权后的向量u，公式如下(1)所示；
54.u＝w
tuꢀꢀꢀꢀ
(1)
55.步骤s4：对所述加权后的向量u进行求和，得到求和后的向量z，公式如下(2)所示；
56.z＝∑u
ꢀꢀꢀꢀꢀꢀ
(2)
57.步骤s5：使用非线性函数将所述求和后的向量z转化成向量v，公式如下(3)所示；
58.v＝unlinear(z)
ꢀꢀꢀꢀ
(3)
59.步骤s6：预设迭代次数r以及层间向量b；
60.步骤s7：判断所述层间向量b是否达到所述预设迭代次数r，若是，执行步骤s14，若否，执行步骤s8；
61.步骤s8：利用softmax函数对当前层间向量b进行运算，得到运算后的向量c，公式如下(4)所示；
62.c＝softmax(b)
ꢀꢀꢀꢀꢀ
(4)
63.步骤s9：利用所述运算后的向量c乘以所述向量v得到更新后的向量z，然后分别执行步骤s10和s11；
64.步骤s10：利用squash函数对所述更新后的向量z进行运算，结果记为向量z1，公式如下(5)所示；
65.z1＝squash(z)
ꢀꢀꢀꢀꢀ
(5)
66.步骤s11：利用multi-headattention对所述更新后的向量z进行运算，结果记作向量z2；
67.步骤s12：将向量z1和向量z2相加形成再次更新后的向量z，公式如下(6)所示；
68.z＝z1 z2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
69.步骤s13：将当前层间向量b加上所述再次更新后的向量z和向量v的乘积，形成更新后的向量b，公式如下(7)所示，然后执行步骤s7；
70.b＝b zv
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
71.步骤s14：返回迭代完成的向量z；
72.步骤s15：将所述迭代完成的向量z利用交叉熵函数，求取得到所述毫米波雷达点云数据的分类结果；
73.步骤s16：结束。
74.优选地，所述毫米波雷达包括4d毫米波雷达。
75.作为本发明的另一实施例，提供一种利用胶囊网络进行毫米波雷达点云识别的系统，其中，包括：
76.获取模块，用于获取毫米波雷达的点云数据；
77.识别模块，用于对所述毫米波雷达的点云数据进行识别，以得到所述毫米波雷达点云数据的分类结果；
78.输出模块，用于输出所述毫米波雷达点云数据的分类结果。
79.本发明提供了一种利用胶囊网络进行毫米波雷达点云识别的方法，能够通过胶囊网络提升识别的性能，减少需要的数据量。
80.以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。