毫米波雷达全FOV受限场景识别方法、存储介质及车载设备与流程

本发明涉及车载雷达的技术领域，尤其涉及毫米波雷达全fov受限场景识别方法、存储介质及车载设备。

背景技术：

毫米波雷达具有体积小、质量轻、空间分辨率高和全天候(大雨天除外)全天时等特点，尤其对于调频连续波(frequencymodulationcontinuouswave，fmcw)雷达，因其测距无盲区、易于实现小型化等优点，在汽车领域备受青睐，辅助驾驶员对汽车周围的环境进行实时感知，识别潜在的行车危险，故其成为重要的车载传感器之一。

对于工程应用，毫米波雷达应具备实时的自诊断功能，以保证毫米波雷达拥有实时的正确环境感知能力。其中，在行车过程中，由于电磁波传输路径上的车载毫米波雷达第二表面(保险杠/车标)易被湿雪、污泥等异物直接覆盖，导致电磁波传输受阻，最终导致毫米波雷达失去环境感知能力，因此毫米波雷达传输路径上的第二表面被异物覆盖是导致其失去对环境感知能力的最常见，也是最致命的原因之一，因此实现毫米波雷达的遮挡自检测功能成为毫米波雷达实时自诊断功能中尤为关键与重要的一项。然而，对于依据有、无异物覆盖的时域或频域信号表征来实现异物覆盖判断的遮挡检测算法，在实际行车过程中，易遇到影响遮挡检测正确率的“困难”场景，即毫米波雷达的全fov(fieldofview，视场)受限场景，在这种场景下，常规检测算法很容易将无遮挡场景误判成遮挡场景，进而引起误报。

全fov受限场景定义为，毫米波雷达的全部fov区域内，各个角度的近距离处均被物体包围的场景。其中，包围物体可以为具有电磁波强衰减性能与电磁波强反射性能的物体的组合，也可以为单独的具有电磁波强反射性能的物体。全fov受限场景对毫米波雷达检测的影响直接表现为，在该场景下，电磁波传输受到阻碍，无法进行远距离的目标检测，典型的全fov受限场景如，雷达四周被墙体和旁边车辆包围的停车场，在该场景下，电磁波传输的主要表现为，雷达全fov的电磁波在短距离内传输时就受到周围墙体物体衰减、被车辆反射并产生多径信号，导致雷达无法检测远距离目标，与此同时，远距离上无杂波进入接收端信号，此时的信号表征与常规场景下的信号表征存在差异。

毫米波雷达处于全fov受限场景时，即使其第二表面并非受到异物直接覆盖，但由于电磁波传输同样受阻，从时域或频域上看，此时的信号表征与雷达第二表面直接被异物覆盖时的表征几乎一致，表现出“伪”遮挡特征，导致遮挡检测算法无法区别出是真正的雷达第二表面保险杠被直接异物覆盖还是非直接异物覆盖的全fov受限场景，从而出现遮挡误报警，影响遮挡检测的算法鲁棒性，引起不良的用户体验。

技术实现要素：

本发明为解决当前毫米波雷达自诊断容易因处于全fov受限场景而出现遮挡误报警，影响遮挡检测的算法鲁棒性，导致用户体验差的技术问题，提供一种毫米波雷达全fov受限场景识别方法、存储介质及车载设备。

为解决上述技术问题，本发明的技术方案如下：

一种毫米波雷达全fov受限场景识别方法，所述方法包括：

获取毫米波雷达在非全fov受限场景下回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达在非全fov受限场景下一维fft谱线变化率统计边界值；

获取毫米波雷达在全fov受限场景下回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达在全fov受限场景下一维fft谱线变化率统计边界值；

根据毫米波雷达在非全fov受限场景下和在全fov受限场景下的一维fft谱线变化率统计边界值，计算得到毫米波雷达全fov受限场景的识别判定阈值；

识别过程中，获取当前毫米波雷达回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达当前一维fft谱线变化率统计边界值，并与识别判定阈值进行比对，得到当前毫米波雷达全fov受限场景识别结果。

进一步的，所述获取毫米波雷达在非全fov受限场景下回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达在非全fov受限场景下一维fft谱线变化率统计边界值包括：

获取毫米波雷达在非全fov受限场景下回波对应的一维fft谱线；

根据非全fov受限场景下回波对应的一维fft谱线，计算得到其变化率；

统计前、后距离段的一维fft谱线变化率和值，根据变化率和值计算得到非全fov受限场景下一维fft谱线变化率统计边界值。

进一步的，所述根据非全fov受限场景下回波对应的一维fft谱线，计算得到其变化率具体包括：

对非全fov受限场景下回波对应的一维fft谱线进行差分计算，得到其变化率。

进一步的，所述获取毫米波雷达在全fov受限场景下回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达在全fov受限场景下一维fft谱线变化率统计边界值包括：

在全fov受限场景下，获取不同受限距离下的多个回波对应一维fft谱线；

对多个回波对应一维fft谱线分别进行差分运算，得到多个一维fft谱线对应的变化率；

根据多个一维fft谱线对应的变化率，分别计算得到各个一维fft谱线的统计边界值；

根据多个一维fft谱线的统计边界值，得到全fov受限场景下的变化率统计边界值。

进一步的，所述根据多个一维fft谱线对应的变化率，分别计算得到各个一维fft谱线的统计边界值包括：

分别统计各个一维fft谱线对应的变化率和值；

根据各个一维fft谱线对应的变化率和值，计算得到各个一维fft谱线的统计边界值。

进一步的，所述识别判断阈值为非全fov受限场景下和全fov受限场景下的一维fft谱线变化率统计边界值的平均值。

进一步的，所述识别过程中，获取当前毫米波雷达回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达当前一维fft谱线变化率统计边界值，并与识别判定阈值进行比对，得到当前毫米波雷达全fov受限场景识别结果包括：

识别过程中，实时获取毫米波雷达回波对应的一维fft谱线；

根据获取到的一维fft谱线，计算得到当前一维fft谱线的变化率统计边界值；

将当前变化率统计边界值与毫米波雷达全fov受限场景的识别判定阈值进行比对，得到当前毫米波雷达全fov受限场景识别结果。

进一步的，所述将当前变化率统计边界值与毫米波雷达全fov受限场景的识别判定阈值进行比对，得到当前毫米波雷达全fov受限场景识别结果包括：

判断当前变化率统计边界值是否小于毫米波雷达全fov受限场景的识别判定阈值；

若是，判定当前毫米波雷达处于非全fov受限场景；

若否，判定当前毫米波雷达处于全fov受限场景。

本发明还提供一种存储介质，所述存储介质包括指令，所述指令用于实现上述的毫米波雷达全fov受限场景识别方法。

本发明提供一种车载设备，其特征在于，所述车载设备包括处理器和存储介质，所述车载设备通过处理器调用存储介质，以执行以下步骤：

获取毫米波雷达在非全fov受限场景下回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达在非全fov受限场景下一维fft谱线变化率统计边界值；

获取毫米波雷达在全fov受限场景下回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达在全fov受限场景下一维fft谱线变化率统计边界值；

根据毫米波雷达在非全fov受限场景下和在全fov受限场景下的一维fft谱线变化率统计边界值，计算得到毫米波雷达全fov受限场景的识别判定阈值；

识别过程中，获取当前毫米波雷达回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达当前一维fft谱线变化率统计边界值，并与识别判定阈值进行比对，得到当前毫米波雷达全fov受限场景识别结果。

本发明通过将毫米波雷达回波对应的一维fft谱线作为输入，统计计算得到非全fov受限的常规行车场景下以及全fov受限场景下一维fft谱线变化率边界值，进而确定全fov受限场景识别的判定阈值，最后将该阈值作为全fov受限识别算法的输入，实现毫米波雷达的实时全fov场景自检测，完成毫米波雷达对真正直接异物覆盖而致遮挡与非直接异物覆盖而致“伪”遮挡的自适应判断。该方法鲁棒性强，对算力要求低，改善了车载毫米波雷达系统的自诊断能力，且满足车载毫米波雷达诊断应用的实时性，提高了车载毫米波雷达自诊断的可靠性，保证用户的使用体验，提高产品的市场竞争力。

附图说明

图1为本发明实施例中毫米波雷达全fov受限场景识别方法的结构流程图。

图2为本发明实施例中识别方法步骤101的具体步骤流程图。

图3为本发明实施例中识别方法步骤102的具体步骤结构流程图。

图4为本发明实施例中识别方法步骤303的具体步骤结构流程图。

图5为本发明实施例中识别方法步骤104的具体步骤结构流程图。

图6为本发明实施例中识别方法步骤503的具体步骤结构流程图。

图7为本发明实施例中识别方法一个具体实施方式的流程图。

图8为本发明实施例中识别方法的典型全fov受限场景示意图。

图9为本发明实施例中识别方法检测结果示意图。

图10为本发明实施例中车载设备的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

图1示出了本实施例中毫米波雷达全fov(fieldofview，视场)受限场景识别方法的结构流程图。

如图1所示，本实施例提供一种毫米波雷达全fov受限场景识别方法，该方法主要用于对毫米波雷达是否处于全fov受限场景进行识别，防止出现因毫米波雷达处于全fov受限场景而出现遮挡误诊断，得出毫米波雷达第二表面被异物覆盖的结果，从而改善车载毫米波雷达的遮挡自诊断功能的鲁棒性，提高用户的用车体验。该识别方法具体包括：

101、获取毫米波雷达在非全fov受限场景下回波对应的一维fft(fastfouriertransform，快速傅立叶变换)谱线，根据该一维fft谱线，得到毫米波雷达在非全fov受限场景下一维fft谱线变化率统计边界值。

其中，在获取一维fft谱线的过程中，通过调整毫米波雷达的所处场景，进而使毫米波雷达处于非全fov受限场景进行测量。

其中，因为一维fft谱线会根据毫米波雷达的所处场景的变化而变化，因此，可以根据毫米波雷达回波一维fft谱线对毫米波雷达所处的场景进行识别。

其中，一维fft谱线变化率统计边界值根据其变化率统计并经过特定算法计算得到。例如，统计雷达可检测目标距离的前半段与后半段的一维fft谱线变化率和值，最后取前后半距离段变化率的和值之差作为非全fov受限场景的变化率统计边界值。

102、获取毫米波雷达在全fov受限场景下回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达在全fov受限场景下一维fft谱线变化率统计边界值。

其中，当毫米波雷达处于全fov受限场景之中，会导致雷达的电磁波传输受阻，产生遮挡检测误报警，影响毫米波雷达自诊断功能的诊断正确率。

其中，在统计全fov受限场景时，通过调节车辆位置，进而得到不同受限距离下的一维fft谱线，综合多个一维fft谱线，最终得到全fov受限场景下一维fft谱线变化率统计边界值。例如，统计不同全fov受限距离条件下的前后半距离段的变化率和值之差，最后取所有差值中的最小值作为全fov受限场景的变化率统计边界。

103、根据毫米波雷达在非全fov受限场景下和在全fov受限场景下的一维fft谱线变化率统计边界值，计算得到毫米波雷达全fov受限场景的识别判定阈值。

其中，识别判定阈值的确定，可以根据非全fov受限场景下和在全fov受限场景下的一维fft谱线变化率统计边界值进行特定算法计算得到，当然，该特定算法可以根据所需的场景识别敏感度或毫米波雷达的具体参数进行调节。

在一些实施例中，识别判断阈值为非全fov受限场景下和全fov受限场景下的一维fft谱线变化率统计边界值的平均值。

104、识别过程中，获取当前毫米波雷达回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达当前一维fft谱线变化率统计边界值，并与识别判定阈值进行比对，得到当前毫米波雷达全fov受限场景识别结果。

其中，识别判定阈值用于在全fov受限场景识别过程中，作为输入值，并与当前毫米波雷达所处场景的回波一维fft谱线变化率统计边界值进行比对，完成毫米波雷达全fov受限场景的识别。

本实施例的好处在于，本方法通过将毫米波雷达回波对应的一维fft谱线作为输入，统计计算得到非全fov受限的常规行车场景下以及全fov受限场景下一维fft谱线变化率边界值，进而确定全fov受限场景识别的判定阈值，最后将该阈值作为全fov受限识别算法的输入，实现毫米波雷达的实时全fov场景自检测，完成毫米波雷达对真正直接异物覆盖而致遮挡与非直接异物覆盖而致“伪”遮挡的自适应判断。该方法鲁棒性强，对算力要求低，改善了车载毫米波雷达系统的自诊断能力，且满足车载毫米波雷达诊断应用的实时性，提高了车载毫米波雷达自诊断的可靠性，保证用户的使用体验，提高产品的市场竞争力。

以下为本实施例中毫米波雷达全fov受限场景识别方法的一些实施方式。

图2示出了本实施例中毫米波雷达全fov受限场景识别方法步骤101的具体步骤结构流程图。

如图2所示，步骤获取毫米波雷达在非全fov受限场景下回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达在非全fov受限场景下一维fft谱线变化率统计边界值具体包括：

201、获取毫米波雷达在非全fov受限场景下回波对应的一维fft谱线。

202、根据非全fov受限场景下回波对应的一维fft谱线，计算得到其变化率。

203、统计前、后距离段的一维fft谱线变化率和值，根据变化率和值计算得到非全fov受限场景下一维fft谱线变化率统计边界值。

其中，优选的，对非全fov受限场景下回波对应的一维fft谱线进行差分计算，得到其变化率。

其中，非全fov受限场景下一维fft谱线变化率统计边界值，根据前、后距离段的一维fft谱线变化率和值按照特定计算方式计算得到。例如，一维fft谱线变化率统计边界值等于前、后距离段的一维fft谱线变化率和值之差。

图3示出了本实施例中毫米波雷达全fov受限场景识别方法步骤102的具体步骤结构流程图。

如图3所示，步骤获取毫米波雷达在全fov受限场景下回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达在全fov受限场景下一维fft谱线变化率统计边界值包括：

301、在全fov受限场景下，获取不同受限距离下的多个回波对应一维fft谱线。

302、对多个回波对应一维fft谱线分别进行差分运算，得到多个一维fft谱线对应的变化率。

303、根据多个一维fft谱线对应的变化率，分别计算得到各个一维fft谱线的统计边界值。

304、根据多个一维fft谱线的统计边界值，得到全fov受限场景下的变化率统计边界值。

其中，在全fov受限场景下，设定多个不同的受限距离，形成多个测试组，最终通过对多个统计边界值进行比对，得到最终的全fov受限场景下的变化率统计边界值。例如，最终的全fov受限场景下的变化率统计边界值采用统计边界值中的最小值。

图4示出了本实施例中毫米波雷达全fov受限场景识别方法步骤303的具体步骤结构流程图。

如图4所示，步骤根据多个一维fft谱线对应的变化率，分别计算得到各个一维fft谱线的统计边界值具体包括：

401，分别统计各个一维fft谱线对应的变化率和值。

402、根据各个一维fft谱线对应的变化率和值，计算得到各个一维fft谱线的统计边界值。

其中，处理器分别计算在不同受限距离形成的一维fft谱线对应的统计边界值，从而得到多个统计边界值。

图5示出了本实施例中毫米波雷达全fov受限场景识别方法步骤104的具体步骤结构流程图。

如图5所示，步骤识别过程中，获取当前毫米波雷达回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达当前一维fft谱线变化率统计边界值，并与识别判定阈值进行比对，得到当前毫米波雷达全fov受限场景识别结果具体包括：

501、识别过程中，实时获取毫米波雷达回波对应的一维fft谱线。

502、根据获取到的一维fft谱线，计算得到当前一维fft谱线的变化率统计边界值。

503、将当前变化率统计边界值与毫米波雷达全fov受限场景的识别判定阈值进行比对，得到当前毫米波雷达全fov受限场景识别结果。

其中，识别判定阈值作为一个输入值，在获取到当前需要识别的毫米波雷达的一维fft谱线的变化率统计边界值后，将该统计边界值与识别判定阈值进行比对，最终判定其是否处于全fov受限场景。

图6示出了本实施例中毫米波雷达全fov受限场景识别方法步骤503的具体步骤结构流程图。

如图6所示，步骤将当前变化率统计边界值与毫米波雷达全fov受限场景的识别判定阈值进行比对，得到当前毫米波雷达全fov受限场景识别结果具体包括：

601、判断当前变化率统计边界值是否小于毫米波雷达全fov受限场景的识别判定阈值。

602、若是，判定当前毫米波雷达处于非全fov受限场景。

603、若否，判定当前毫米波雷达处于全fov受限场景。

其中，识别结果可用于遮挡检测算法，以用于识别当前雷达是否为遮挡的依据之一。

例如，当识别结果为否的情况下，即当前雷达fov未受限，此时，不会出现因全fov受限而导致的遮挡检测误判，可以正常进行遮挡检测识别。当识别结果为是的情况下，即当前雷达fov受限，此状态已经明确，既可以暂时取消遮挡检测识别。也可以直接将此状态作为遮挡检测识别算法区别于遮挡与非遮挡的第三种结果状态输出。

为了更好的操作体验，提供本实施例的一个具体实施方式。

图7示出了该实施方式的具体流程图，请参阅图7，具体实施步骤如下：

1)基于非全fov受限场景下雷达回波的一维fft谱线，通过差分与求和运算，统计雷达可检测目标距离r_max的前半段r_b与后半段r_e的一维fft谱线变化率和值，分别记作sum_b、sum_e，最后取前后半距离段变化率的和值之差作为非全fov受限场景的变化率统计边界值diff_no，即diff_no＝sum_b-sum_e；

2)基于全fov受限场景下，不同全fov受限距离对应雷达回波的一维fft谱线，统计不同全fov受限距离条件下的前后半距离段的变化率和值之差，记为diff_fovtemp(i)，其中，i＝1…n，n为同一场景下，全fov受限距离范围内的不同距离取值个数，最后取所有差值中的最小值作为全fov受限场景的变化率统计边界值diff_fov，也即是diff_fov＝min(diff_fovtemp)；

3)基于步骤1)和2)的结果，将所得非全fov受限条件下的一维fft变化率统计边界diff_no作为全fov受限识别阈值的上限，将全fov受限条件下的一维fft变化率统计边界diff_fov作为全fov受限识别阈值的下限，依据该下限与上限确认全fov受限场景识别的判定阈值thrd，确认方法可为取二者中间值，即thrd＝(diff_no+diff_fov)/2，同时，也可以依据该上下限，并结合系统对检测灵敏性的需求，选取其他方式确认最终阈值，最后将该已确认阈值作为全fov受限场景识别算法的输入条件；

4)在进行实时地全fov受限场景识别时，对当前回波的一维fft谱线，计算其前后半距离段的变化率和值之差，并将计算所得变化率和值之差与步骤3)中确定的阈值thrd进行比较，基于阈值判断，即可确定当前雷达所处环境是否为雷达的全fov受限场景，最后将场景识别结果信息通过can进行上传，最终提供给遮挡检测算法使用。

其中，为了更好的操作体验，典型全fov受限场景示意图如图8所示，而其检测结果如图9所示。

本实施例还提供一种存储介质，存储介质包括指令，该指令用于实现上述的毫米波雷达全fov受限场景识别方法。

图10示出了本实施例中车载设备的结构框图。

如图10所示，本实施例还提供一种车载设备，该车载设备包括处理器701和存储介质702，具体的，该车载设备通过处理器701调用存储介质702，从而执行以下步骤：

获取毫米波雷达在非全fov受限场景下回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达在非全fov受限场景下一维fft谱线变化率统计边界值；

获取毫米波雷达在全fov受限场景下回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达在全fov受限场景下一维fft谱线变化率统计边界值；

根据毫米波雷达在非全fov受限场景下和在全fov受限场景下的一维fft谱线变化率统计边界值，计算得到毫米波雷达全fov受限场景的识别判定阈值；

识别过程中，获取当前毫米波雷达回波对应的一维fft谱线，根据该一维fft谱线，得到毫米波雷达当前一维fft谱线变化率统计边界值，并与识别判定阈值进行比对，得到当前毫米波雷达全fov受限场景识别结果。

本实施例中的车载设备通过上述方法及步骤，可以改善车载毫米波雷达系统的自诊断能力，满足车载毫米波雷达诊断应用的实时性，提高车载设备的可靠性，保证其市场竞争力。

显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。