(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211041342.9 (22)申请日 2022.08.29 (71)申请人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 (72)发明人 胡卫东　杜小勇　吴佩璇　 (74)专利代理 机构 长沙国科天河知识产权代理 有限公司 432 25 专利代理师 唐品利 (51)Int.Cl. G06K 9/62(2022.01) G06F 16/2458(2019.01) G06N 3/04(2006.01) (54)发明名称 基于微波与激光雷达观测数据关联特征的 分类方法及装置 (57)摘要 本申请涉及一种基于微波与激光雷达观测 数据关联特征的分类方法及装置。 所述方法包 括： 通过根据P3S网络的特征分解自编码器结构 以及孪生神经网络构建得到关联特征学习网络， 并对其进行训练， 使其能够对多传感器针对多个 目标获取的观测数据提取其关联特征， 并基于多 个观测数据的关联特征进行目标分类。 采用本方 法能够有效的提高目标分类的精准度。 权利要求书2页 说明书11页 附图6页 CN 115423011 A 2022.12.02 CN 115423011 A 1.基于微波与激光雷达观测数据关联特征的分类方法， 其特征在于， 从数据关联性的 角度进行 数据处理和目标分类， 所述方法包括： 获取目标回波数据集， 并对所述目标回波数据集中的回波数据进行预处理， 所述回波 数据包括由微波与激光雷达针对多个目标进行检测和切片处理得到的微波雷达回波数据 以及激光雷达回波数据； 根据预处理后的目标回波数据集构建孪生数据集， 所述孪生数据集中包括多个训练样 本， 各所述训练样本中包括一对微波雷达回波数据以及激光雷达回波数据， 且所述训练样 本分为正样本以及负 样本； 根据P3S网络的特征分解自编码器结构以及孪生神经网络构建得到关联特征学习网 络， 将所述孪生数据集输入所述关联特征学习网络中进行训练， 得到训练好的关联特征学 习网络； 其中， 所述训练样本中的微波雷达回波数据以及激光雷达回波数据分别被所述关 联特征学习网络中的共享特征编码器分解为对应的共享特征， 则得到的共享特征即为该对 微波雷达回波数据与激光雷达回波数据的关联 特征； 将所述训练样本 中的正样本输入所述训练好的关联特征学习网络 中以提取关联特征， 根据所述关联 特征对所述多个目标进行分类。 2.根据权利要求1所述的分类方法， 其特征在于， 所述微波雷达回波数据以及激光雷达 回波数据为目标的一维距离像回波。 3.根据权利要求2所述的分类方法， 其特征在于， 所述对所述 回波数据集中的回波数据 进行预处理包括： 对所述微波雷达回波数据以及激光雷达回波数据 取相同的序列长度， 并针对不同目标 的微波雷达回波数据以及激光雷达回波数据进行归一 化处理。 4.根据权利要求1所述的分类方法， 其特征在于， 在根据 预处理后的回波数据集构建孪 生数据集时： 当所述训练样本 中的微波雷达回波数据以及激光雷达回波数据符合匹配要求 时， 则该 训练样本为 正样本； 当所述训练样本 中的微波雷达回波数据以及激光雷达回波数据不符合匹配要求时， 则 该训练样本为负 样本； 所述匹配要求为： 所述训练样本 中的微波雷达回波数据以及激光雷达回波数据由微波 雷达与激光雷达针对同一目标在相同方位角以及俯仰角下探测得到 。 5.根据权利要求1所述的分类方法， 其特征在于， 所述根据P3S网络的特征分解自编码 器结构以及孪生神经网络构建得到关联 特征学习网络包括： 将所述特征分解自编码器结构嵌入所述孪生神经网络中构建得到所述关联特征学习 网络， 所述关联特征学习网络包括分别对微波雷达回波数据以及激光雷达回波数据进 行处 理的两个特 征分解自编码器结构； 各所述特征分解自编码器结构包括所述共享特征编码器、 私有特征编码器以及解码 器。 6.根据权利要求5所述的分类方法， 其特征在于， 将所述孪生数据集输入所述关联特征 学习网络中时： 所述训练样本中的一对微波雷达回波数据以及激光雷达回波数据分别被对应的共享权　利　要　求　书 1/2 页 2 CN 115423011 A 2特征编码器以及私有 特征编码器分解为共享特征以及私有 特征， 再将所述私有特征以及对 应的共享特征相加后作为对应解码器的输入得到所述微波雷达回波数据以及激光雷达回 波数据的重构特 征。 7.根据权利要求6所述的分类方法， 其特征在于， 将所述孪生数据集输入所述关联特征 学习网络中进行训练， 得到训练好的关联 特征学习网络还 包括： 根据重构损失函数、 正交损失函数以及共享损失函数构建总损失函数； 对所述总损失函数进行梯度计算， 根据计算结构反 向修正所述关联特征学习网络 中的 共享特征编码 器、 私有特征编码 器以及解码 器的参数， 直至收敛， 得到训练好的关联特征学 习网络。 8.基于微波与激光雷达观测数据关联 特征的分类装置， 其特 征在于， 所述装置包括： 数据集获取模块， 用于获取目标回波数据集， 并对所述目标回波数据集中的回波数据 进行预处理， 所述回波数据包括由微波与激光雷达针对多个目标进行检测和切片处理得到 的微波雷达回波数据以及激光雷达回波数据； 孪生数据集构建模块， 用于根据预处理后的目标回波数据集构建孪生数据集， 所述孪 生数据集中包括多个训练样本， 各所述训练样本中包括一对微波 雷达回波 数据以及激光雷 达回波数据， 且所述训练样本分为 正样本以及负 样本； 关联特征学习网络训练模块， 用于根据P3S网络的特征分解自编码器结构以及孪生神 经网络构建得到关联特征学习网络， 将所述孪生数据集输入所述关联特征学习网络中进 行 训练， 得到训练好的关联特征学习网络； 其中， 所述训练样本中的微波 雷达回波 数据以及激 光雷达回波数据分别被所述关联特征学习网络中的共享特征编码器分解为对应的共享特 征， 则得到的共享特 征即为该对微波雷达回波数据与激光雷达回波数据的关联 特征； 目标分类模块， 用于将所述训练样本 中的正样本输入所述训练好的关联特征学习网络 中以提取关联 特征， 根据所述关联 特征对所述多个目标进行分类。权　利　要　求　书 2/2 页 3 CN 115423011 A 3