基于微波雷达的特种车辆行进方法、装置、电子设备及介质与流程

1.本发明涉及车辆自动驾驶技术领域，尤其涉及一种基于微波雷达的特种车辆行进方法、装置、电子设备及介质。


背景技术：

2.随着交通行业不断向智能化、数字化、信息化发展，车辆与道路带来了极大便利，但是道路行驶过程中，对于一些特殊车辆，比如挂车，可能因为道路障碍物影响或者道路设计因素，很大可能会导致车辆行进过程中出现偏移，造成交通事故。
3.相关方案，通常是对车辆所行驶的道路进行清障处理，或者将道路设计的比较宽，以此来避免因车辆行进偏移造成的一系列连锁反应，尽可能避免不可估量的后果，但是上述方式并不能有效解决车辆发生行进偏移所造成的问题，只能做到尽可能缓解，且费时费力。


技术实现要素：

4.本发明提供了一种基于微波雷达的特种车辆行进方法、装置、电子设备及介质，以实现对车辆在道路上的行进过程进行及时引导，尽可能降低车辆行进偏移的发生。
5.根据本发明的一方面，提供了一种基于微波雷达的特种车辆行进方法，所述方法包括：
6.确定在目标车辆进入雷达检测区域时采集的目标雷达图像；所述雷达检测区域包括车辆行进过程中需要进行行进引导的目标道路；
7.依据所述目标雷达图像，确定目标车辆在所述目标道路行进时的目标车辆轮廓特征信息；其中，所述车辆轮廓特征信息用于描述车辆轮廓形状、车辆轮廓尺寸以及车辆轮廓位置；
8.依据所述目标车辆轮廓特征信息，确定目标车辆在所述目标道路行进时所要采用的目标行进引导标线；
9.依据所述目标行进引导标线，引导所述目标车辆在目标道路进行行进。
10.根据本发明的另一方面，提供了一种基于微波雷达的特种车辆行进装置，所属装置包括：
11.图像确定模块，用于确定在目标车辆进入雷达检测区域时采集的目标雷达图像；所述雷达检测区域包括车辆行进过程中需要进行行进引导的目标道路；
12.信息确定模块，用于依据所述目标雷达图像，确定目标车辆在所述目标道路行进时的目标车辆轮廓特征信息；其中，所述车辆轮廓特征信息用于描述车辆轮廓形状、车辆轮廓尺寸以及车辆轮廓位置；
13.引导标线确定模块，用于依据所述目标车辆轮廓特征信息，确定目标车辆在所述目标道路行进时所要采用的目标行进引导标线；
14.引导模块，用于依据所述目标行进引导标线，引导所述目标车辆在目标道路进行
行进。
15.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
16.至少一个处理器；以及
17.与所述至少一个处理器通信连接的存储器；其中，
18.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的基于微波雷达的特种车辆行进方法。
19.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于微波雷达的特种车辆行进方法。
20.本发明实施例的技术方案，通过确定在目标车辆进入雷达检测区域时采集的目标雷达图像，且雷达检测区域包括车辆行进过程中需要进行行进引导的目标道路；再依据目标雷达图像，确定目标车辆在目标道路行进时的目标车辆轮廓特征信息，进而依据目标车辆轮廓特征信息确定的目标车辆在目标道路行进时所要采用的目标行进引导标线引导目标车辆在目标道路进行行进。本技术技术方案通过对目标雷达图像进行处理获取准确的目标车辆的目标车辆轮廓特征信息，再对目标车辆轮廓特征信息进行分析计算，以获得准确的目标行进引导标线，实现对车辆在道路上的行进过程进行及时引导，尽可能降低车辆行进偏移的发生。
21.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
22.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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，还可以根据这些附图获得其他的附图。
23.图1是根据本发明实施例一提供的一种基于微波雷达的特种车辆行进方法的流程图；
24.图2是根据本发明实施例提供的一种基于微波雷达的特种车辆行进方法的流程图；
25.图3是本发明实施例中目标车辆的结构示意图；
26.图4是根据本发明实施例三提供的一种基于微波雷达的特种车辆行进装置的结构示意图；
27.图5是实现本发明实施例的基于微波雷达的特种车辆行进方法的电子设备的结构示意图。
具体实施方式
28.为了使本技术领域的人员更好地理解本发明方案，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
本发明一部分的实施例，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前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
29.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”和“目标”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。
30.实施例一
31.图1为本发明实施例一提供的一种基于微波雷达的特种车辆行进方法的流程图，本实施例可适用于对车辆(特别是大型车辆，如挂车、特种车辆等)进行准确引导的情况，该方法可以由基于微波雷达的特种车辆行进装置来执行，该基于微波雷达的特种车辆行进装置可以采用硬件和/或软件的形式实现，该基于微波雷达的特种车辆行进装置可配置于任何具有网络通信功能的电子设备中。如图1所示，该方法包括：
32.s110、确定在目标车辆进入雷达检测区域时采集的目标雷达图像。
33.其中，雷达检测区域包括车辆行进过程中需要进行行进引导的目标道路。
34.其中，目标雷达图像可以是雷达发射机向雷达检测区域发射无线电波，接收机接收散射回波所形成的雷达图像。目标雷达图像可以分割成若干个小方格,每个小方格可被称为一个像素点，通过对每个像素点的信息进行分析处理，就可以获取各个像素点对应的雷达检测区域中对应的各个检测位置点的信息特征，进而确定目标车辆的信息，例如，通过对目标雷达图像中各个像素点的位置、颜色和亮度等信息进行分析处理后，进而准确获取目标车辆的目标行进引导标线。
35.在一个可行的实施例中，确定在目标车辆进入雷达检测区域时采集的目标雷达图像，包括：
36.通过微波雷达对进入雷达检测区域的目标车辆进行扫描，得到包括目标车辆的目标雷达图像；
37.其中，目标车辆可以是特种车辆，如挂车、油罐车、危险品车或公交车等。目标雷达图像中各个像素点取值用于描述雷达在检测位置点扫描时的雷达反射波的信号强度，目标雷达图像属于灰度图像。
38.其中，灰度图像可以是每个像素只有一个采样颜色的图像，通常显示为从最暗黑色到最亮的白色的灰度，灰度图像中的纯白，代表了该色光在此处为最高亮度，亮度级别是255，灰度图像中最暗黑色的亮度级别是0，即灰度图像的灰度值为0-255。
39.具体的，微波雷达的雷达检测区域配置于车辆行进过程中需要进行行进引导的目标道路上，则通过微波雷达对雷达检测区域进行扫描后，将每个像素点查表填充灰度值，以确定目标雷达图像中各个像素点对应的各个像素点取值，进而准确得到用灰度图像表示的目标雷达图像，以便于后续通过目标雷达图像中的不同像素点取值准确确定目标车辆的目标车辆轮廓特征信息。
40.本技术方案，通过微波雷达对进入雷达检测区域的目标车辆进行扫描，从而获得了准确的目标雷达图像，便于后续对目标雷达图像的处理，以实现引导目标车辆在目标道路上准确进行行进。
41.s120、依据目标雷达图像，确定目标车辆在目标道路行进时的目标车辆轮廓特征信息。
42.其中，车辆轮廓特征信息用于描述车辆轮廓形状、车辆轮廓尺寸以及车辆轮廓位置。车辆轮廓形状是用来描述车辆的外形特征。车辆轮廓尺寸是用来描述车辆的大小，如长、宽以及高的大小。车辆轮廓位置可以用来确定车辆的具体位置。
43.具体的，当目标车辆进入雷达检测区域，微波雷达迅速获取目标雷达图像，并通过对目标雷达图像进行分析处理，以准确获取目标车辆的目标车辆轮廓特征信息，以便于准确获取目标车辆在目标道路行进时所要采用的目标行进引导标线。
44.s130、依据目标车辆轮廓特征信息，确定目标车辆在目标道路行进时所要采用的目标行进引导标线。
45.其中，目标行进引导标线可以是引导目标车辆在目标道路上正确行进的指导线。
46.具体的，准确获取目标行进引导标线，才能确保目标车辆在目标道路上正确行进，以大大减少行车风险。
47.在一个可行的实施例中，依据目标车辆轮廓特征信息，确定目标车辆在所述目标道路行进时所要采用的目标行进引导标线，可包括如下步骤a1-a2：
48.步骤a1、依据所述目标车辆轮廓特征信息，从预设行进引导标线库中确定与所述目标车辆轮廓特征信息适配的行进引导标线。
49.步骤a2、将筛选适配的行进引导标线确定为目标车辆在所述目标道路行进时所要采用的目标行进引导标线。
50.其中，预设行进引导标线库可以是在目标道路上可以适配于不同车辆的行进引导标线的集合。
51.具体的，获取目标车辆轮廓特征信息，再依据目标车辆的车辆轮廓形状、车辆轮廓尺寸以及车辆轮廓位置，在预设行进引导标线库中选择引导目标车辆正确行进的目标行进引导标线，以确保目标车辆可以正常行驶在目标道路上，避免发生不必要的意外。
52.本技术方案，通过对目标车辆的目标车辆轮廓特征信息进行分析，从预设行进引导标线库中选择与目标车辆轮廓特征信息特征一致的行进引导标线，作为目标行进引导标线，以确保目标行进引导标线的准确性，避免因为目标行进引导标线的错误，导致目标车辆行车错误而发生不必要的危险。
53.在一个可行的实施例中，预设行进引导标线库的构建过程可包括如下步骤b1-b4：
54.步骤b1、确定历史时刻在雷达检测区域采集的至少两个历史雷达图像。
55.步骤b2、依据所述至少两个历史雷达图像，确定所述历史雷达图像中历史车辆在目标道路进行行进时的历史行驶轨迹以及历史车辆轮廓特征信息。
56.步骤b3、将历史车辆轮廓特征信息的相似度满足预设相似度条件的历史车辆的历史行驶轨迹进行拟合，生成历史车辆在目标道路行进时形成的行进轨迹区域。
57.步骤b4、依据各历史车辆轮廓特征信息对应的行进轨迹区域，生成在目标道路行进所需要使用的行进引导标线，用以构建预设行进引导标线库。
58.具体的，获取历史时刻在雷达检测区域采集的至少两个历史雷达图像，对历史雷达图像进行分析处理，以准确获取历史时刻目标道路上行驶的各个车辆的历史信息轨迹以及历史车辆轮廓特征信息，再依据预设相似度条件，将满足预设相似度条件的各个历史车辆轮廓特征信息所对应的车辆的历史行驶轨迹进行分析，以准确拟合生成各个车辆在目标道路上的行进轨迹区域，以对各车辆的行进轨迹区域通过分析处理生成目标道路的各个行进引导标线，将各个行进引导标线集合在一起，放在一个库内，以准确构建目标道路的预设行进引导标线库，同时，也要不断对预设行进引导标线库进行更新，以确保预设行进引导标线库的准确性和丰富性。
59.本技术方案，通过对历史雷达图像进行分析处理，准确获得历史雷达图像中历史车辆在目标道路进行行进时的历史行驶轨迹以及历史车辆轮廓特征信息，再通过对历史车辆轮廓特征信息所对应的车辆的历史行驶轨迹进行拟合，以准确生成目标道路上各个车辆的行进轨迹区域，进而依据行进轨迹区域可以准确得出目标道路上的各个行进引导标线，用以准确构建预设行进引导标线库，这样能够确保及时为目标车辆匹配目标行进引导标线，实现准确对目标车辆进行引导。
60.s140、依据目标行进引导标线，引导目标车辆在目标道路进行行进。
61.具体的，当目标车辆行驶在目标道路上时，会实时采集目标车辆的目标车辆轮廓特征信息，并从预设行进引导标线库选择合适的目标行进引导标线，以确保目标车辆可以在目标道路上安全行驶。
62.可选的，在目标道路上配置目标行进引导标线，以通过目标道路上配置的行进引导标线对目标车辆进行引导提示。示例的，如在厂区内道路行驶的车辆，车型一般比较固定，所以可以在厂区的道路上配置固定的目标行进引导标线，以引导进入厂区的车辆可以沿正确的道路行驶，确保车辆在目标道路上安全行驶。若发现为目标车辆匹配的引导线在目标道路上无法正常配置，说明目标道路可能不利于车辆行驶，需要对目标道路依照目标行进引导标线进行调整设计，确保目标车辆可以安全行进。
63.在一个可行的实施例中，依据目标行进引导标线，引导目标车辆在目标道路进行行进，可包括如下步骤c1-c3：
64.步骤c1、在显示界面上显示所述目标车辆的车辆模型。
65.步骤c2、按照所述目标行进引导标线在目标道路的位置，在显示界面上显示所述目标行进引导标线。
66.步骤c3、通过目标车辆的车辆模型与所述目标行进引导标线的相对位置对目标车辆进行引导行进。
67.具体的，上述实施例中提出了一种在厂区中比较常用的引导车辆行进的方式，但公路、高速公路以及隧道等道路并不适用，所以需要一种更有效的引导车辆行进的方式，具体过程如下：
68.首先，在显示界面上将目标车辆的车辆模型显示出来，同时依据目标车辆轮廓特征信息为目标车辆在预设行进引导标线库选择合适的目标行进引导标线，依据目标行进引导标线在目标道路上的位置，将目标行进引导标线显示在显示界面上，以在显示界面中依据车辆模型和目标行进引导标线的位置以及行进路线模拟出实际目标车辆在目标车道上行驶的路线，进而准确对目标车辆进行引导，确保目标车辆的行驶安全。
69.本技术方案，通过将目标行进引导标线和车辆模型结合，以模拟目标车辆在目标道路的行驶路线，确保了目标车辆可以安全行进。
70.在一个可行的实施例中，在显示界面上显示所述目标车辆的车辆模型，可包括如下步骤d1-d3：
71.步骤d1、依据所述目标车辆轮廓特征信息，确定目标车辆在所述目标道路行进时的行进位置。
72.步骤d2、按照目标车辆的车辆轮廓形状与车辆轮廓尺寸，生成所述目标车辆的车辆模型。
73.步骤d3、按照所述目标车辆在目标道路的行进位置和行进姿态，将所述目标车辆的车辆模型在显示界面上与所述目标行进引导标线进行同步显示。
74.具体的，获取目标车辆轮廓特征信息，通过对车辆轮廓形状、车辆轮廓尺寸以及车辆轮廓位置进行分析计算，以准确得出目标车辆在目标道路行进时的行进位置，同时依据对目标车辆的车辆轮廓形状与车辆轮廓尺寸的分析，生成准确的目标车辆的车辆模型，最后通过分析目标车辆在目标道路的行进位置和行进姿态，将目标车辆的车辆模型与目标行进引导标线在显示界面上同步显示在一起，进而可以通过显示界面上的车辆模型按照目标行进引导标线的行进路线，引导目标车辆行进。
75.本技术方案，通过依据目标车辆轮廓特征信息准确确定了目标车辆的行进位置和目标车辆的车辆模型，确保了模型的准确性，此外将车辆模型与目标行进引导标线同步在显示界面上显示，保障了显示界面与实际需要行进路线的准确性，避免因为显示界面中目标车辆模型的错误，导致对目标车辆的引导发生偏差。
76.本发明实施例的技术方案，通过确定在目标车辆进入雷达检测区域时采集的目标雷达图像，且雷达检测区域包括车辆行进过程中需要进行行进引导的目标道路；再依据目标雷达图像，确定目标车辆在目标道路行进时的目标车辆轮廓特征信息，进而依据目标车辆轮廓特征信息确定的目标车辆在目标道路行进时所要采用的目标行进引导标线引导目标车辆在目标道路进行行进。本技术技术方案通过对目标雷达图像进行处理获取准确的目标车辆的目标车辆轮廓特征信息，再对目标车辆轮廓特征信息进行分析计算，以获得准确的目标行进引导标线，实现对车辆在道路上的行进过程进行及时引导，尽可能降低车辆行进偏移的发生。
77.实施例二
78.图2为本发明实施例提供的一种基于微波雷达的特种车辆行进方法的流程图，本实施例实是对上述实施例中依据目标雷达图像，确定目标车辆在所述目标道路行进时的目标车辆轮廓特征信息的详细描述。如图2所示，该方法包括：
79.s210、确定在目标车辆进入雷达检测区域时采集的目标雷达图像，对目标雷达图像中背景与前景进行分离，得到处理后雷达图像。
80.其中，目标车辆由主车与挂车通过牵连组成或仅由主车独立组成。图3为本发明实施例中目标车辆的结构示意图，参见图3，目标车辆的主车是由车头1和车身2组成，图3a为由主车与挂车3通过牵连组成的目标车辆,图3b为仅由主车独立组成的目标车辆，也可以看出来目标车辆的车型是比较大的，而且目标车辆在行进过程中车辆车身变化会比较大，所以为了更准确的从目标雷达图像中获取目标车辆轮廓特征信息，需要通过自学习法将目标
雷达图像中的背景与前景进行分离，以获得准确的处理后雷达图像，进而可以准确确定目标车辆轮廓形状、车辆轮廓尺寸以及车辆轮廓位置。
81.在一个可行的实施例中，对目标雷达图像中背景与前景进行分离，得到处理后雷达图像，可包括如下步骤e1-e3：
82.步骤e1、针对目标雷达图像中各个待识别像素点，确定待识别像素点映射在雷达检测区域对应的目标检测位置点以及雷达在目标检测位置点扫描时对应的预设信号强度概率分布模型；雷达图像中各个像素点与所述雷达检测区域中各个检测位置点存在对应关系。
83.步骤e2、检测待识别像素点取值与目标检测位置点对应的预设信号强度概率分布模型的匹配结果；所述预设信号强度概率分布模型用于描述在雷达检测区域未包括前景情况下对目标检测位置点扫描时雷达反射波的信号强度概率分布。
84.步骤e3、依据各个待识别像素点的匹配结果对目标雷达图像中背景像素点与前景像素点进行分离得到处理后雷达图像。
85.其中，目标雷达图像中各个像素点取值用于描述雷达在检测位置点扫描时的雷达反射波的信号强度，目标雷达图像属于灰度图像。待识别像素点可以是目标雷达图像中需要进行检测的像素点。目标检测位置点可以是目标雷达图像中待识别像素点对应的雷达检测区域中的检测位置，目标雷达图像中各个像素点与雷达检测区域中的各个目标检测位置点存在一一对应关系。预设信号强度概率分布模型是通过对每个背景中目标检测位置点对应正态分布模型进行训练所获得正态分布模型集合，以确保满足背景中各个目标检测位置点对应正态分布模型。
86.具体的，通过微波雷达扫描雷达检测区域，并获取雷达检测区域的目标雷达图像，再确定目标雷达图像中的各个待识别像素点在雷达检测区域对应的目标检测位置点，以确保目标图像的像素点与对应的目标检测点位置的准确性，进而保证了后续通过对待识别像素点的分析处理后可精准对应到目标检测位置点的位置，方便对目标检测位置点进行处理；同时也要准确学习目标检测位置点对应的正态分布模型，以获得准确的预设信号强度概率分布模型，进而将目标雷达图像中的待识别像素点取值带入到预设信号强度概率分布模型中的各个正态分布模型中，以判断待识别像素点取值是否与预设信号强度概率分布模型适配，只要符合预设信号强度概率分布模型中的一个正态分布模型，则待识别像素点取值与预设信号强度概率分布模型适配，则可以准确获取待识别像素点取值与目标检测位置点对应的预设信号强度概率分布模型的匹配结果，最后依据匹配结果可区分出各个待识别像素点属于背景像素或前景像素，进而可以实现目标雷达图像中的前景和背景的分离，获取处理后雷达图像。
87.本技术方案，通过自学习准确获取雷达在目标检测位置点扫描时对应的预设信号强度概率分布模型，再将目标雷达图像中的待识别像素点取值带入到预设信号强度概率分布模型中的各个正态分布模型中，以判断待识别像素点取值是否与预设信号强度概率分布模型适配，从而得到匹配结果，以实现准确对目标雷达图像中目标检测位置点像素的确定，即各个待识别像素点属于背景像素或前景像素，从而准确将目标雷达图像中的背景和前景进行分离实现了快速准确的获取处理后雷达图像。
88.在一个可行的实施例中，检测待识别像素点取值与目标检测位置点对应的预设信
号强度概率分布模型的匹配结果，可包括如下步骤f1-f3：
89.步骤f1、检测待识别像素点取值与目标检测位置点对应预设信号强度概率分布模型中至少一个正态分布模型是否满足预设匹配条件；其中所述预设匹配条件包括待识别像素点取值与正态分布模型的均值满足预设拉依达准则。
90.步骤f2、若存在至少一个满足预设匹配条件的正态分布模型，则确定待识别像素点在目标雷达图像中属于背景像素。
91.步骤f3、若不存在满足预设匹配条件的正态分布模型，则确定待识别像素点在目标雷达图像中属于前景像素。
92.其中，预设匹配条件可以是用来判断待识别像素点取值是否满足目标检测位置点对应的预设信号强度概率分布模型中至少一个正态分布模型。预设拉依达准则可以用如下公式表示：
[0093][0094]
公式中，x
ij
为待识别像素点取值，为目标检测位置点对应的预设信号强度概率分布模型中的均值，为目标检测位置点对应的预设信号强度概率分布模型中的方差。
[0095]
具体的，通过雷达扫描雷达检测区域获取目标雷达图像，并将目标雷达图像中待识别像素点取值输入到目标检测位置点对应预设信号强度概率分布模型中，判断目标检测位置点对应预设信号强度概率分布模型中至少一个正态分布模型是否满足预设匹配条件，若存在至少一个满足预设匹配条件的正态分布模型，则确定待识别像素点在目标雷达图像中属于背景像素；若不存在满足预设匹配条件的正态分布模型，则确定待识别像素点在目标雷达图像中属于前景像素。
[0096]
本技术方案，通过检测待识别像素点取值与目标检测位置点对应预设信号强度概率分布模型中至少一个正态分布模型是否满足预设匹配条件，可以精确的获得目标雷达图像中待识别像素点属于背景像素还是前景像素，实现了对目标雷达图像中的像素点准确判断，进而可准确对目标雷达图像中背景和前景进行分离。
[0097]
在一个可行的实施例中，所述预设信号强度概率分布模型的构建过程，可包括如下步骤g1-g3：
[0098]
步骤g1、确定待训练信号强度概率分布模型中包括的目标检测位置点对应正态分布模型。
[0099]
步骤g2、遍历检测参考雷达图像中所述目标检测位置点映射的参考像素点取值与所述目标检测位置点对应正态分布模型的匹配结果；参考雷达图像包括对目标道路封闭时采集的雷达图像，参考雷达图像不包括除了目标道路对应背景信息以外的前景信息；
[0100]
步骤g3、依据匹配结果，确定是否对所述目标检测位置点对应正态分布模型进行调整或新增构建所述目标检测位置点对应正态分布模型，用于对待训练信号强度概率分布模型更新来得到预设信号强度概率分布模型；其中，预设信号强度概率分布模型包括至少一个所述目标检测位置点对应正态分布模型以及正态分布模型权重值进行表示。
[0101]
其中，待训练信号强度概率分布模型可以用于描述在雷达检测区域未包括前景的情况下对目标检测位置点扫描时雷达反射波的可能信号强度概率分布。
[0102]
具体的，通过自学习获得预设信号强度概率分布模型，为了方便描述，可介绍f
ij
像素点的自学习过程，其它像素点按照同样的自学习过程进行处理。想要获得f
ij
像素点的预设信号强度概率分布模型，必须先确定待训练信号强度概率分布模型中包括的目标检测位置点对应的正态分布模型，以方便对f
ij
像素点进行训练。通过计算获得各个目标检测位置点对应正态分布模型，但并不确定目标检测位置点对应正态分布模型是否适配，那么就需要先将参考雷达图像中各个目标检测位置点对应的参考像素点取值输入到对应的正态分布模型中，检测正态分布模型是否满足预设匹配条件，并记录匹配结果，以便于对正态分布模型进行修正。最后通过对各个目标检测位置点对应正态分布模型依据匹配结果进行训练，实现对各个目标检测位置点对应正态分布模型的调整或者新增，得到最终的各个目标检测位置点对应正态分布模型，依据最终的各个目标检测位置点对应正态分布模型更新待训练信号强度概率分布模型，进而得到预设信号强度概率分布模型。
[0103]
本技术方案，通过确定待训练信号强度概率分布模型中包括的目标检测位置点对应正态分布模型，遍历检测参考雷达图像中目标检测位置点映射的参考像素点取值与目标检测位置点对应正态分布模型的匹配结果，依据匹配结果，确定是否对目标检测位置点对应正态分布模型进行调整或新增构建目标检测位置点对应正态分布模型，以对待训练信号强度概率分布模型更新获得预设信号强度概率分布模型，避免了因为正态分布模型的偶然性影响预设信号强度概率分布模型的准确性，实现了对预设信号强度概率分布模型的准确构建。
[0104]
在一个可行的实施例中，确定待训练信号强度概率分布模型中包括的目标检测位置点对应正态分布模型，可包括如下步骤h1-h2：
[0105]
步骤h1、确定对雷达检测区域中目标检测位置点进行连续扫描时，位于目标检测位置点的雷达反射波的信号强度均值与方差。
[0106]
步骤h2、依据在目标检测位置点进行雷达扫描时的信号强度均值与方差，构建所述目标检测位置点对应正态分布模型。
[0107]
具体的，在采集目标雷达图像之前，对雷达检测区域中目标检测位置点进行连续扫描，获取目标检测位置点的多个雷达反射波的信号强度，并计算目标检测位置点的雷达反射波的信号强度均值与方差，再依据在目标检测位置点进行雷达扫描时的信号强度均值与方差，构建目标检测位置点对应正态分布模型。
[0108]
本技术方案，通过计算获得的在目标检测位置点进行雷达扫描时的信号强度均值与方差，构建了目标检测位置点对应正态分布模型，以便于后续对正态分布模型的调整和更新。
[0109]
在一个可行的实施例中，确定对雷达检测区域中目标检测位置点进行连续扫描时，位于目标检测位置点的雷达反射波的信号强度均值与方差，可包括如下步骤i1-i2：
[0110]
步骤i1、在目标雷达图像之前采集的上一雷达图像的累加个数达到第一预设个数时，通过累加第一预设个数的上一雷达图像中对应目标检测位置点的像素点取值求均值，得到位于目标检测位置点进行雷达扫描时的信号强度均值。
[0111]
步骤i2、在目标雷达图像之前采集的上一雷达图像的累加个数达到第二预设个数
时，通过累加目标平方值后求均值得到朝向目标检测位置点进行雷达扫描时的信号强度方差。
[0112]
可选的，目标平方值为第一预设个数至第二预设个数之间的各个上一雷达图像中对应目标检测位置点的像素点取值与位于目标检测位置点进行雷达扫描时的信号强度均值之间的差平方。
[0113]
其中，第一预设个数和第二预设个数可以是在采集目标雷达图像之前根据训练需求所采集的雷达图像个数，第二预设个数是第一预设个数的两倍，例如当第一预设个数为n时，第二预设个数为2n。
[0114]
具体的，在采集目标雷达图像之前，连续扫描雷达检测区域获得第一预设个数的上一雷达图像，并将第一预设个数的上一雷达图像中对应目标检测位置点的像素点取值累加求平均值，进而获得位于目标检测位置点进行雷达扫描时的信号强度均值；再继续采集上一雷达图像并使采集的上一雷达图像达到第二预设个数，停止采集，通过累加目标平方值后求均值计算获得目标检测位置点进行雷达扫描时的信号强度方差。例如，通过连续扫描雷达检测区域获得第一预设个数的上一雷达图像，对上一雷达图像中的f
ij
像素点取值求平均值，获得位于f
ij
像素点对应的目标检测位置点进行雷达扫描时的信号强度均值μ
ij
，继续采集上一雷达图像至第二预设个数，停止采集，将第一预设个数到第二预设个数之间的各个上一雷达图像中的f
ij
像素点取值与信号强度均值μ
ij
的差平方，获得各个上一雷达图像的目标平方值，将目标平方值进行累加求平均值，以获得位于f
ij
像素点对应的目标检测位置点进行雷达扫描时的信号强度方差σ
ij
。
[0115]
本技术方案，通过求取位于目标检测位置点进行雷达扫描时的信号强度均值和方差，可以更加准确的构建目标检测位置点对应正态分布模型，此外，通过采集第一预设个数和第二预设个数的上一雷达图像来计算均值和方差，避免了数据的偶然性，使得均值和方差更加准确可信。
[0116]
在一个可行的实施例中，依据匹配结果，确定是否对所述目标检测位置点对应正态分布模型进行调整或新增构建所述目标检测位置点对应正态分布模型，可包括如下步骤j1-j3：
[0117]
步骤j1、若检测到正态分布模型满足预设匹配条件，则按照预设学习率对所述目标检测位置点对应正态分布模型的均值、方差以及在所述预设信号强度概率分布模型中的权重进行调整。
[0118]
步骤j2、若检测到正态分布模型不满足预设匹配条件，则按照预设学习率对所述目标检测位置点对应正态分布模型在所述预设信号强度概率分布模型中的权重进行调低。
[0119]
步骤j3、若遍历检测到全部正态分布模型都不满足预设匹配条件，则新增构建所述目标检测位置点对应正态分布模型；新增的目标检测位置点对应正态分布模型的均值为参考雷达图像中所述目标检测位置点映射的参考像素点取值，方差与其他正态分布模型一致，权重为学习率。
[0120]
其中，预设学习率可以用来表示对目标检测位置点对应正态分布模型的均值、方差以及在预设信号强度概率分布模型中的权重进行调整的调整幅度。
[0121]
具体的，通过计算获得各个目标检测位置点对应正态分布模型，将参考雷达图像中各个目标检测位置点对应的参考像素点取值输入到对应的正态分布模型中，检测正态分
布模型是否满足预设匹配条件。
[0122]
若检测到正态分布模型满足预设匹配条件，则按照预设学习率对目标检测位置点对应正态分布模型的均值方差以及在预设信号强度概率分布模型中的权重进行调整，并根据调整后的均值方差以及权重调整正态分布模型，调整公式可为：
[0123][0124][0125][0126]
公式中α为预设学习率，x
ij,t
为参考雷达图像中的参考像素点取值。
[0127]
若检测到正态分布模型不满足预设匹配条件，则按照预设学习率对目标检测位置点对应正态分布模型在预设信号强度概率分布模型中的权重进行调低，可利用下面公式进行调整：
[0128][0129]
若遍历检测到全部正态分布模型都不满足预设匹配条件，则新增构建目标检测位置点对应正态分布模型；新增的目标检测位置点对应正态分布模型的均值为参考雷达图像中所述目标检测位置点映射的参考像素点取值，方差与其他正态分布模型一致，权重为学习率。此外，由于加入了新的正态分布模型，所以需要对此时的每个正态分布模型的权重进行归一化处理，公式如下：
[0130][0131]
然后，依据权重和标准差的比值大到小，对正态分布模型进行排序，以方便建立预设信号强度概率分布模型。
[0132]
本技术方案，通过确定待训练信号强度概率分布模型中包括的目标检测位置点对应正态分布模型，遍历检测参考雷达图像中目标检测位置点映射的参考像素点取值与目标检测位置点对应正态分布模型的匹配结果，依据匹配结果，确定是否对所述目标检测位置点对应正态分布模型进行调整或新增构建目标检测位置点对应正态分布模型，以对待训练信号强度概率分布模型更新获得预设信号强度概率分布模型，避免了因为正态分布模型的偶然性影响预设信号强度概率分布模型的准确性，实现了对预设信号强度概率分布模型的准确构建。
[0133]
s220、依据处理后雷达图像，确定目标车辆在所述目标道路行进时的目标车辆轮廓特征信息。
[0134]
具体的，获取处理后雷达图像，并对处理后雷达图像上各个像素点进行分析处理分析，以准确获取目标车辆的目标车辆轮廓特征信息，进而确保可以准确获得目标行进引导标线。
[0135]
在一个可行的实施例中，依据处理后雷达图像，确定目标车辆在所述目标道路行进时的目标车辆轮廓特征信息，可包括如下步骤k1-k2：
[0136]
步骤k1、对所述处理后雷达图像进行边缘轮廓检测，得到所述处理后雷达图像中前景像素点描述的目标车辆的边缘轮廓位置信息。
[0137]
步骤k2、依据检测的所述目标车辆的边缘轮廓位置信息，确定目标车辆在所述目标道路行进时的目标车辆轮廓特征信息。
[0138]
具体的，获取处理后雷达图像，此过程中可能会出现目标车辆区域被分成不同子区域，所以为了消除目标车辆区域对应的不同子区域之间的内部空洞和/或近邻区域空隙，需对处理后雷达图像进行形态学膨胀运算获得膨胀后雷达图像。由于膨胀之后区域会变大，所以对膨胀后雷达图像进行形态学腐蚀运算得到腐蚀后雷达图像，可以让区域面积恢复到膨胀之前，这样使得处腐蚀后雷达图像能够更加准确的表征目标车辆区域，再对腐蚀后雷达图像进行高斯平滑处理，以消除因为雷达探测引起的噪声，最后对高斯平滑后的腐蚀后雷达图像进行边缘检测，以准确区分处理后雷达图像中的目标车辆的边缘，进而准确得到处理后雷达图像的边缘检测图，进而通过对边缘检测图进行分析后准确获取处理后雷达图像中前景像素点描述的目标车辆的边缘轮廓位置信息，再对目标车辆的边缘轮廓位置信息进过分析计算，可准确得到目标车辆在目标道路行进时的目标车辆轮廓特征信息，确保了目标车辆轮廓特征信息的准确性。
[0139]
本技术方案，通过对处理后雷达图像进行边缘轮廓检测，消除前景对应的不同子区域之间的内部空洞和/或近邻区域空隙，以及图像中可能存在的噪声点，且能够准确的确定目标车辆区域的边界位置，使得图像可以更加准确的表征目标车辆区域，则依据处理后雷达图像可以准确获取进入雷达检测区域的目标车辆的目标车辆轮廓特征信息，实现了对目标车辆轮廓特征信息的准确获取。
[0140]
在一个可行的实施例中，依据检测的所述目标车辆的边缘轮廓位置信息，确定目标车辆在所述目标道路行进时的目标车辆轮廓特征信息，可包括如下步骤l1-l4：
[0141]
步骤l1、依据检测的所述目标车辆的边缘轮廓位置信息，提取所述目标雷达图像的前景像素点描述的目标车辆区域的外边界拐点位置；所述外边界拐点位置通过外边界拐点对应的像素行列标识描述。
[0142]
步骤l2、依据所述处理后雷达图像的前景像素点描述的目标车辆区域的外边界拐点位置，确定目标车辆区域的几何中心位置。
[0143]
步骤l3、依据目标车辆区域的几何中心位置，确定目标车辆在所述目标道路行进时的目标车辆轮廓位置。
[0144]
步骤l4、依据所述处理后雷达图像的前景像素点描述的目标车辆区域的外边界拐点位置，确定目标车辆在所述目标道路行进时的目标车辆轮廓尺寸与目标车辆轮廓形状。
[0145]
具体的，获取处理后雷达图像中目标车辆的边缘轮廓位置信息，依据边缘轮廓位置信息获取处理后雷达图像的前景中目标车辆的外边界拐点，以获取外边界拐点的位置。其中，对于外边界拐点提取方法可以采用现有技术中的任一种方法，在本发明实施例中并
不限制。外边界拐点位置可如下表示：
[0146][0147]
其中，di表示第i个目标区域的外边界拐点坐标集合，表示第i个目标区域外边界的第m个拐点的行、列几何像素坐标。
[0148]
再依据处理后雷达图像的前景中目标车辆区域的外边界拐点位置，计算获得目标车辆区域的几何中心位置，例如，将第i个目标车辆区域外边界的m个拐点的行几何像素坐标中的最大值和最小值求和，再将求和结果的二分之一作为目标车辆区域的几何中心位置的几何中心点行像素坐标ri；同理，将第i个目标车辆区域外边界的m个拐点的列几何像素坐标中的最大值和最小值求和，再将求和结果的二分之一作为目标车辆区域的几何中心位置的几何中心点列像素坐标ci，即目标车辆区域的几何中心位置可表示为：
[0149][0150]
因为一个像素表示边长为δ米的正方形区域，而且笛卡尔坐标系原点位于图像中心，可计算出(ri,ci)对应的笛卡尔坐标系坐标：
[0151][0152]
则将目标车辆区域的几何中心位置转化为对应的笛卡尔坐标系坐标的集合为：
[0153]
x＝{(x1,y1),(x2,y2),
…
,(xn,yn)
[0154]
再将笛卡尔坐标系坐标的集合进行聚类处理，获取聚类后的目标车辆区域的几何中心位置对应的笛卡尔坐标系坐标的集合x
′
，避免了因为坐标位置不准确，导致目标车辆的目标车辆轮廓尺寸与目标车辆轮廓形状的不准确。
[0155]
本技术方案，依据处理后雷达图像中目标车辆的边缘轮廓位置信息准确获取的处理后雷达图像的前景中目标车辆区域的外边界拐点位置，确定了目标车辆区域的几何中心位置，再根据目标车辆区域的几何中心位置，准确获取了目标车辆的目标车辆轮廓尺寸与目标车辆轮廓形状，避免了因为目标车辆轮廓尺寸与目标车辆轮廓形状的误差，导致对目标车辆轮廓特征信息获取的不准确。
[0156]
s230、依据目标车辆轮廓特征信息，确定目标车辆在目标道路行进时所要采用的目标行进引导标线，进而依据目标行进引导标线，引导目标车辆在目标道路进行行进。
[0157]
本发明实施例的技术方案，通过确定在目标车辆进入雷达检测区域时采集的目标雷达图像，且雷达检测区域包括车辆行进过程中需要进行行进引导的目标道路；此外，要对目标雷达图像进行前景和背景的分离，准确获得小处理后雷达图像，同时对处理后雷达图像进行形态学处理、高斯平滑处理以及边缘检测，消除前景对应的不同子区域之间的内部空洞和/或近邻区域空隙，以及图像中可能存在的噪声点，且能够准确的确定目标车辆区域的边界位置，使得图像可以更加准确的表征目标车辆区域，则依据处理后雷达图像可以准确获取进入雷达检测区域的目标车辆的目标车辆轮廓特征信息，进而依据目标车辆轮廓特征信息确定的目标车辆在目标道路行进时所要采用的目标行进引导标线引导目标车辆在目标道路进行行进，实现对车辆在道路上的行进过程进行及时引导，尽可能降低车辆行进偏移的发生。
[0158]
实施例三
[0159]
图4为本发明实施例三提供的一种基于微波雷达的特种车辆行进装置的结构示意图。如图4所示，该装置包括：
[0160]
图像确定模块310，用于确定在目标车辆进入雷达检测区域时采集的目标雷达图像；所述雷达检测区域包括车辆行进过程中需要进行行进引导的目标道路。
[0161]
信息确定模块320，用于依据所述目标雷达图像，确定目标车辆在所述目标道路行进时的目标车辆轮廓特征信息；其中，所述车辆轮廓特征信息用于描述车辆轮廓形状、车辆轮廓尺寸以及车辆轮廓位置。
[0162]
引导标线确定模块330，用于依据所述目标车辆轮廓特征信息，确定目标车辆在所述目标道路行进时所要采用的目标行进引导标线。
[0163]
引导模块340，用于依据所述目标行进引导标线，引导所述目标车辆在目标道路进行行进。
[0164]
可选的，图像确定模块，具体用于：
[0165]
通过微波雷达对进入雷达检测区域的目标车辆进行扫描，得到包括目标车辆的目标雷达图像；
[0166]
其中，所述目标雷达图像中各个像素点取值用于描述雷达在检测位置点扫描时的雷达反射波的信号强度，所述目标雷达图像属于灰度图像。
[0167]
可选的，信息确定模块，具体用于：
[0168]
对目标雷达图像中背景与前景进行分离，得到处理后雷达图像；
[0169]
依据所述处理后雷达图像，确定目标车辆在所述目标道路行进时的目标车辆轮廓特征信息；
[0170]
其中，所述目标车辆由主车与挂车通过牵连组成或仅由主车独立组成。
[0171]
可选的，信息确定模块包括图像分离单元，具体用于：
[0172]
针对目标雷达图像中各个待识别像素点，确定待识别像素点映射在雷达检测区域对应的目标检测位置点以及雷达在目标检测位置点扫描时对应的预设信号强度概率分布模型；雷达图像中各个像素点与所述雷达检测区域中各个检测位置点存在对应关系；
[0173]
检测待识别像素点取值与目标检测位置点对应的预设信号强度概率分布模型的匹配结果；所述预设信号强度概率分布模型用于描述在雷达检测区域未包括前景情况下对目标检测位置点扫描时雷达反射波的信号强度概率分布；
[0174]
依据各个待识别像素点的匹配结果对目标雷达图像中背景像素点与前景像素点进行分离得到处理后雷达图像。
[0175]
可选的，图像分离单元包括匹配结果确定单元，具体用于：
[0176]
检测待识别像素点取值与目标检测位置点对应预设信号强度概率分布模型中至少一个正态分布模型是否满足预设匹配条件；其中所述预设匹配条件包括待识别像素点取值与正态分布模型的均值满足预设拉依达准则；
[0177]
若存在至少一个满足预设匹配条件的正态分布模型，则确定待识别像素点在目标雷达图像中属于背景像素；
[0178]
若不存在满足预设匹配条件的正态分布模型，则确定待识别像素点在目标雷达图像中属于前景像素。
[0179]
可选的，图像分离单元包括模型构建单元，具体用于：
[0180]
确定待训练信号强度概率分布模型中包括的目标检测位置点对应正态分布模型；
[0181]
遍历检测参考雷达图像中所述目标检测位置点映射的参考像素点取值与所述目标检测位置点对应正态分布模型的匹配结果；参考雷达图像包括对目标道路封闭时采集的雷达图像，参考雷达图像不包括除了目标道路对应背景信息以外的前景信息；
[0182]
依据匹配结果，确定是否对所述目标检测位置点对应正态分布模型进行调整或新增构建所述目标检测位置点对应正态分布模型，用于对待训练信号强度概率分布模型更新来得到预设信号强度概率分布模型；
[0183]
其中，预设信号强度概率分布模型包括至少一个所述目标检测位置点对应正态分布模型以及正态分布模型权重值进行表示。
[0184]
可选的，模型构建单元包括模型选择单元，具体用于：
[0185]
确定对雷达检测区域中目标检测位置点进行连续扫描时，位于目标检测位置点的雷达反射波的信号强度均值与方差；
[0186]
依据在目标检测位置点进行雷达扫描时的信号强度均值与方差，构建所述目标检测位置点对应正态分布模型。
[0187]
可选的，模型选择单元包括计算单元，具体用于：
[0188]
在目标雷达图像之前采集的上一雷达图像的累加个数达到第一预设个数时，通过累加第一预设个数的上一雷达图像中对应目标检测位置点的像素点取值求均值，得到位于目标检测位置点进行雷达扫描时的信号强度均值；
[0189]
在目标雷达图像之前采集的上一雷达图像的累加个数达到第二预设个数时，通过累加目标平方值后求均值得到朝向目标检测位置点进行雷达扫描时的信号强度方差；
[0190]
其中，目标平方值为第一预设个数至第二预设个数之间的各个上一雷达图像中对应目标检测位置点的像素点取值与位于目标检测位置点进行雷达扫描时的信号强度均值之间的差平方。
[0191]
可选的，模型构建单元包括结果确定单元，具体用于：
[0192]
若检测到正态分布模型满足预设匹配条件，则按照预设学习率对所述目标检测位置点对应正态分布模型的均值、方差以及在所述预设信号强度概率分布模型中的权重进行调整；
[0193]
若检测到正态分布模型不满足预设匹配条件，则按照预设学习率对所述目标检测位置点对应正态分布模型在所述预设信号强度概率分布模型中的权重进行调低；
[0194]
若遍历检测到全部正态分布模型都不满足预设匹配条件，则新增构建所述目标检测位置点对应正态分布模型；新增的目标检测位置点对应正态分布模型的均值为参考雷达图像中所述目标检测位置点映射的参考像素点取值，方差与其他正态分布模型一致，权重为学习率。
[0195]
可选的，信息确定模块包括信息获取单元，具体用于：
[0196]
对所述处理后雷达图像进行边缘轮廓检测，得到所述处理后雷达图像中前景像素点描述的目标车辆的边缘轮廓位置信息；
[0197]
依据检测的所述目标车辆的边缘轮廓位置信息，确定目标车辆在所述目标道路行进时的目标车辆轮廓特征信息。
[0198]
可选的，信息获取单元包括特征信息确定单元，具体用于：
[0199]
依据检测的所述目标车辆的边缘轮廓位置信息，提取所述目标雷达图像的前景像素点描述的目标车辆区域的外边界拐点位置；所述外边界拐点位置通过外边界拐点对应的像素行列标识描述；
[0200]
依据所述处理后雷达图像的前景像素点描述的目标车辆区域的外边界拐点位置，确定目标车辆区域的几何中心位置；
[0201]
依据目标车辆区域的几何中心位置，确定目标车辆在所述目标道路行进时的目标车辆轮廓位置；
[0202]
依据所述处理后雷达图像的前景像素点描述的目标车辆区域的外边界拐点位置，确定目标车辆在所述目标道路行进时的目标车辆轮廓尺寸与目标车辆轮廓形状。
[0203]
可选的，引导标线确定模块，具体用于：
[0204]
依据所述目标车辆轮廓特征信息，从预设行进引导标线库中确定与所述目标车辆轮廓特征信息适配的行进引导标线；
[0205]
将筛选适配的行进引导标线确定为目标车辆在所述目标道路行进时所要采用的目标行进引导标线。
[0206]
可选的，引导标线确定模块包括预设行进引导标线库的构建单元，具体用于：
[0207]
确定历史时刻在雷达检测区域采集的至少两个历史雷达图像；
[0208]
依据所述至少两个历史雷达图像，确定所述历史雷达图像中历史车辆在目标道路进行行进时的历史行驶轨迹以及历史车辆轮廓特征信息；
[0209]
将历史车辆轮廓特征信息的相似度满足预设相似度条件的历史车辆的历史行驶轨迹进行拟合，生成历史车辆在目标道路行进时形成的行进轨迹区域；
[0210]
依据各历史车辆轮廓特征信息对应的行进轨迹区域，生成在目标道路行进所需要使用的行进引导标线，用以构建预设行进引导标线库。
[0211]
可选的，引导模块包括第一引导单元，具体用于：
[0212]
在目标道路上配置所述目标行进引导标线，以通过目标道路上配置的行进引导标线对目标车辆进行引导提示。
[0213]
可选的，引导模块包括第二引导单元，具体用于：
[0214]
在显示界面上显示所述目标车辆的车辆模型；
[0215]
按照所述目标行进引导标线在目标道路的位置，在显示界面上显示所述目标行进引导标线；
[0216]
通过目标车辆的车辆模型与所述目标行进引导标线的相对位置对目标车辆进行引导行进。
[0217]
可选的，第二引导单元包括模型确定单元，具体用于：
[0218]
依据所述目标车辆轮廓特征信息，确定目标车辆在所述目标道路行进时的行进位置；
[0219]
按照目标车辆的车辆轮廓形状与车辆轮廓尺寸，生成所述目标车辆的车辆模型；
[0220]
按照所述目标车辆在目标道路的行进位置和行进姿态，将所述目标车辆的车辆模型在显示界面上与所述目标行进引导标线进行同步显示。
[0221]
本发明实施例中所提供的基于微波雷达的特种车辆行进装置可执行上述本发明
任意实施例中所提供的基于微波雷达的特种车辆行进方法，具备执行该基于微波雷达的特种车辆行进方法相应的功能和有益效果，详细过程参见前述实施例中基于微波雷达的特种车辆行进方法的相关操作。
[0222]
实施例四
[0223]
图5示出了可以用来实现本发明实施例的基于微波雷达的特种车辆行进方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0224]
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0225]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0226]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如基于微波雷达的特种车辆行进方法。
[0227]
在一些实施例中，基于微波雷达的特种车辆行进方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的基于微波雷达的特种车辆行进方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于微波雷达的特种车辆行进方法。
[0228]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至
少一个输出装置。
[0229]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0230]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0231]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0232]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0233]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0234]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0235]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。