本發(fā)明涉及目標(biāo)檢測(cè)，具體涉及基于雷達(dá)與相機(jī)數(shù)據(jù)融合的目標(biāo)檢測(cè)方法。

背景技術(shù)：

1、隨著各行業(yè)對(duì)目標(biāo)精準(zhǔn)檢測(cè)的需求不斷提高，尤其是在安防監(jiān)控、智能交通、工業(yè)自動(dòng)化等關(guān)鍵場(chǎng)景下，準(zhǔn)確且高效的目標(biāo)檢測(cè)技術(shù)成為保障系統(tǒng)穩(wěn)定運(yùn)行、提升安全性與生產(chǎn)效率的核心要素。精準(zhǔn)的目標(biāo)檢測(cè)能夠快速定位并識(shí)別出各類(lèi)場(chǎng)景中的不同目標(biāo)物體，為后續(xù)的決策制定和應(yīng)用提供可靠的數(shù)據(jù)基礎(chǔ)，對(duì)推動(dòng)相關(guān)行業(yè)智能化發(fā)展具有重要意義。

2、傳統(tǒng)的目標(biāo)檢測(cè)方法，多基于單一傳感器進(jìn)行數(shù)據(jù)采集與分析。單純依賴(lài)相機(jī)，雖然能獲取豐富的視覺(jué)圖像信息，但易受光照條件限制，在夜間、強(qiáng)光直射或光線昏暗的環(huán)境下，圖像質(zhì)量嚴(yán)重下降，導(dǎo)致目標(biāo)特征模糊，檢測(cè)精度大打折扣。而僅依靠雷達(dá)，雖然能有效探測(cè)目標(biāo)距離、速度等信息，卻難以對(duì)目標(biāo)進(jìn)行細(xì)致的分類(lèi)與精準(zhǔn)的外觀識(shí)別。同時(shí)，傳統(tǒng)方法在處理復(fù)雜背景中的目標(biāo)時(shí)，極易受到干擾，無(wú)法準(zhǔn)確區(qū)分目標(biāo)與背景噪聲，難以滿(mǎn)足復(fù)雜場(chǎng)景中對(duì)目標(biāo)檢測(cè)高精度、高可靠性的嚴(yán)苛要求。

3、目前，雖有已有部分嘗試采用數(shù)據(jù)融合技術(shù)，但大多僅為簡(jiǎn)單的數(shù)據(jù)拼接，未能充分挖掘雷達(dá)與相機(jī)數(shù)據(jù)的互補(bǔ)優(yōu)勢(shì)，融合效果欠佳。在深度學(xué)習(xí)算法應(yīng)用方面，常規(guī)的深度學(xué)習(xí)模型在面對(duì)雷達(dá)和相機(jī)采集的異構(gòu)數(shù)據(jù)時(shí)，缺乏針對(duì)性的優(yōu)化與適配，無(wú)法有效整合兩類(lèi)數(shù)據(jù)的特征，導(dǎo)致目標(biāo)檢測(cè)的準(zhǔn)確率和召回率不夠理想。此外，現(xiàn)有技術(shù)在處理復(fù)雜場(chǎng)景中的動(dòng)態(tài)目標(biāo)時(shí)，難以實(shí)時(shí)跟進(jìn)目標(biāo)的運(yùn)動(dòng)變化，檢測(cè)效率和實(shí)時(shí)性無(wú)法滿(mǎn)足實(shí)際應(yīng)用需求。

4、現(xiàn)有技術(shù)的上述缺陷不僅阻礙了安防監(jiān)控系統(tǒng)對(duì)突發(fā)情況的快速響應(yīng)，影響智能交通系統(tǒng)中自動(dòng)駕駛車(chē)輛的安全行駛，還制約了工業(yè)自動(dòng)化生產(chǎn)線上對(duì)產(chǎn)品質(zhì)量檢測(cè)與設(shè)備運(yùn)行監(jiān)測(cè)的高效進(jìn)行，進(jìn)而限制了相關(guān)行業(yè)的智能化升級(jí)與發(fā)展。

技術(shù)實(shí)現(xiàn)思路

1、（一）解決的技術(shù)問(wèn)題

2、針對(duì)現(xiàn)有技術(shù)所存在的上述缺點(diǎn)，本發(fā)明提供了基于雷達(dá)與相機(jī)數(shù)據(jù)融合的目標(biāo)檢測(cè)方法，能夠有效克服現(xiàn)有技術(shù)所存在的難以對(duì)復(fù)雜場(chǎng)景中的動(dòng)態(tài)目標(biāo)進(jìn)行精準(zhǔn)檢測(cè)的缺陷。

3、（二）技術(shù)方案

4、為實(shí)現(xiàn)以上目的，本發(fā)明通過(guò)以下技術(shù)方案予以實(shí)現(xiàn)：

5、基于雷達(dá)與相機(jī)數(shù)據(jù)融合的目標(biāo)檢測(cè)方法，包括以下步驟：

6、s1、雷達(dá)與相機(jī)分別采集數(shù)據(jù)；

7、s2、采用基于多特征約束的自適應(yīng)多角度聯(lián)合標(biāo)定策略，實(shí)現(xiàn)對(duì)雷達(dá)和相機(jī)采集的異構(gòu)數(shù)據(jù)的空間稀疏對(duì)準(zhǔn)，使異構(gòu)數(shù)據(jù)在空間上具有一致性和可比性；

8、s3、利用針對(duì)雷達(dá)和相機(jī)數(shù)據(jù)結(jié)構(gòu)的yolov8動(dòng)態(tài)結(jié)構(gòu)重配置機(jī)制，分別對(duì)校準(zhǔn)后的雷達(dá)數(shù)據(jù)、相機(jī)數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)；

9、s4、采用跨模態(tài)特征融合算法對(duì)雷達(dá)檢測(cè)到的目標(biāo)信息與相機(jī)圖像平面進(jìn)行融合，得到融合特征；

10、s5、采用深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)相結(jié)合的方法，構(gòu)建深度學(xué)習(xí)模型和強(qiáng)化學(xué)習(xí)模型并設(shè)置獎(jiǎng)勵(lì)函數(shù)，利用獎(jiǎng)勵(lì)函數(shù)對(duì)強(qiáng)化學(xué)習(xí)模型進(jìn)行參數(shù)優(yōu)化，以進(jìn)行目標(biāo)分類(lèi)；

11、s6、輸出最終的目標(biāo)檢測(cè)和目標(biāo)分類(lèi)結(jié)果。

12、優(yōu)選地，s2中的基于多特征約束的自適應(yīng)多角度聯(lián)合標(biāo)定策略，包括：

13、s21、提取目標(biāo)的幾何特征：

14、從雷達(dá)數(shù)據(jù)中提取目標(biāo)在雷達(dá)坐標(biāo)系下的三維雷達(dá)坐標(biāo)pr；

15、從相機(jī)圖像中獲取目標(biāo)的二維像素坐標(biāo)，利用相機(jī)內(nèi)參矩陣k，通過(guò)估算目標(biāo)在相機(jī)坐標(biāo)系下的三維相機(jī)坐標(biāo)pc；

16、其中，為深度因子；

17、s22、提取目標(biāo)的運(yùn)動(dòng)特征：

18、在雷達(dá)數(shù)據(jù)中，提取目標(biāo)在雷達(dá)坐標(biāo)系下的速度vr，并根據(jù)連續(xù)時(shí)間段內(nèi)的雷達(dá)回波數(shù)據(jù)變化情況，計(jì)算目標(biāo)在雷達(dá)坐標(biāo)系下的加速度ar；

19、在相機(jī)圖像中，獲取目標(biāo)的運(yùn)動(dòng)軌跡和速度vi，并轉(zhuǎn)換為目標(biāo)在相機(jī)坐標(biāo)系下的速度vc，進(jìn)一步根據(jù)速度變化率估算目標(biāo)在相機(jī)坐標(biāo)系下的加速度；

20、s23、基于雷達(dá)和相機(jī)的工作角度會(huì)隨時(shí)間變化，引入動(dòng)態(tài)角度自適應(yīng)矩陣以根據(jù)實(shí)時(shí)采集的角度數(shù)據(jù)和時(shí)間序列信息，對(duì)雷達(dá)數(shù)據(jù)與相機(jī)數(shù)據(jù)進(jìn)行動(dòng)態(tài)適配：

21、；

22、其中，為動(dòng)態(tài)角度自適應(yīng)矩陣，t為時(shí)間，、分別為俯仰角和偏航角；

23、s24、為實(shí)現(xiàn)異構(gòu)數(shù)據(jù)的空間稀疏對(duì)準(zhǔn)，構(gòu)建多特征約束：

24、；

25、其中，trc(t)為雷達(dá)坐標(biāo)系至相機(jī)坐標(biāo)系隨時(shí)間t變化的轉(zhuǎn)換矩陣，為用于補(bǔ)償集合模型誤差的修正向量，為用于補(bǔ)償速度模型誤差和環(huán)境干擾的修正向量，為用于補(bǔ)償加速度模型誤差和環(huán)境干擾的修正向量；

26、s25、通過(guò)最小化以下目標(biāo)函數(shù)求解轉(zhuǎn)換矩陣trc(t)和動(dòng)態(tài)角度自適應(yīng)矩陣：

27、；

28、其中，、、分別為數(shù)據(jù)點(diǎn)i在相機(jī)坐標(biāo)系下的三維相機(jī)坐標(biāo)、速度、加速度，、、分別為數(shù)據(jù)點(diǎn)i在雷達(dá)坐標(biāo)系下的三維雷達(dá)坐標(biāo)、速度、加速度，n為采集的數(shù)據(jù)點(diǎn)數(shù)量，、分別為速度約束、加速度約束的權(quán)重因子。

29、優(yōu)選地，s3中的針對(duì)雷達(dá)和相機(jī)數(shù)據(jù)結(jié)構(gòu)的yolov8動(dòng)態(tài)結(jié)構(gòu)重配置機(jī)制，包括：

30、i、針對(duì)雷達(dá)數(shù)據(jù)結(jié)構(gòu)對(duì)yolov8模型進(jìn)行調(diào)整：

31、1）對(duì)輸入層進(jìn)行調(diào)整：為了使yolov8模型更好地適配輸入的雷達(dá)數(shù)據(jù)，在輸入層中嵌入非線性變換層，變換后的雷達(dá)數(shù)據(jù)為：

32、；

33、其中，rt為變換后的雷達(dá)數(shù)據(jù)，r’為輸入的校準(zhǔn)后的雷達(dá)數(shù)據(jù)，wr-in為變換矩陣，br-in為偏置項(xiàng)，為激活函數(shù)；

34、2）對(duì)特征提取層進(jìn)行調(diào)整：考慮雷達(dá)數(shù)據(jù)的稀疏性和目標(biāo)運(yùn)動(dòng)特征，構(gòu)建一種分層時(shí)間卷積網(wǎng)絡(luò)，設(shè)雷達(dá)數(shù)據(jù)在時(shí)間維度上有t個(gè)連續(xù)觀測(cè)值，將其組成三維張量rseq，設(shè)計(jì)一組分層時(shí)間卷積核，為第層時(shí)間維度上的卷積核，l為分層數(shù)，，為實(shí)數(shù)域，為第層時(shí)間維度上的卷積核大小，7表示雷達(dá)數(shù)據(jù)的維度；

35、首先，對(duì)雷達(dá)數(shù)據(jù)組成的三維張量進(jìn)行首層卷積操作：

36、；

37、其中，為第1層時(shí)間維度上的雷達(dá)數(shù)據(jù)特征，rseq為雷達(dá)數(shù)據(jù)組成的三維張量，，7表示雷達(dá)數(shù)據(jù)的維度，為第1層時(shí)間維度上的卷積核；

38、其次，后續(xù)層通過(guò)殘差連接進(jìn)行特征提?。?/p>

39、；

40、其中，為第層時(shí)間維度上的雷達(dá)數(shù)據(jù)特征，為第層時(shí)間維度上的雷達(dá)數(shù)據(jù)特征；

41、最后，對(duì)各層時(shí)間維度上的雷達(dá)數(shù)據(jù)特征進(jìn)行融合，并與空間維度特征結(jié)合，得到融合后的雷達(dá)數(shù)據(jù)特征fr；

42、ii、針對(duì)相機(jī)數(shù)據(jù)結(jié)構(gòu)對(duì)yolov8模型進(jìn)行調(diào)整：

43、1）進(jìn)行多尺度特征融合優(yōu)化：在yolov8模型原有多尺度特征融合的基礎(chǔ)上，引入動(dòng)態(tài)尺度選擇機(jī)制，通過(guò)一個(gè)基于強(qiáng)化學(xué)習(xí)的智能體動(dòng)態(tài)生成選擇概率向量，，智能體根據(jù)環(huán)境反饋來(lái)調(diào)整概率，融合后的相機(jī)數(shù)據(jù)特征圖為：

44、；

45、其中，fc為融合后的相機(jī)數(shù)據(jù)特征圖，fc,si為第i個(gè)尺度下的相機(jī)數(shù)據(jù)特征圖，pci為選擇第i個(gè)尺度下的相機(jī)數(shù)據(jù)特征圖fc,si的概率，n為特征圖的尺度數(shù)量；

46、2）語(yǔ)義引導(dǎo)的特征增強(qiáng)：利用相機(jī)圖像的語(yǔ)義分割信息強(qiáng)化目標(biāo)檢測(cè)性能，設(shè)相機(jī)圖像的語(yǔ)義分割結(jié)果為sc，將其與融合后的相機(jī)數(shù)據(jù)特征圖fc通過(guò)一種門(mén)控融合機(jī)制進(jìn)行融合，設(shè)計(jì)一可學(xué)習(xí)的門(mén)控向量，通過(guò)卷積操作生成，h、w分別為融合后的相機(jī)數(shù)據(jù)特征圖fc的高、寬，融合后的相機(jī)數(shù)據(jù)增強(qiáng)特征圖為：

47、；

48、其中，fc,enhanced為融合后的相機(jī)數(shù)據(jù)增強(qiáng)特征圖，⊙表示逐元素相乘。

49、優(yōu)選地，s4中采用跨模態(tài)特征融合算法對(duì)雷達(dá)檢測(cè)到的目標(biāo)信息與相機(jī)圖像平面進(jìn)行融合，得到融合特征，包括：

50、s41、計(jì)算融合后的雷達(dá)數(shù)據(jù)特征fr與融合后的相機(jī)數(shù)據(jù)增強(qiáng)特征圖fc,enhanced之間的注意力權(quán)重矩陣：

51、；

52、其中，across為注意力權(quán)重矩陣，qr=wqfr，kc=wkfc,enhanced，wq和wk均為可學(xué)習(xí)的權(quán)重矩陣，為softmax激活函數(shù)；

53、s42、通過(guò)加權(quán)求和計(jì)算融合特征：

54、；

55、其中，ffusion為融合特征。

56、優(yōu)選地，s5中采用深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)相結(jié)合的方法，構(gòu)建深度學(xué)習(xí)模型和強(qiáng)化學(xué)習(xí)模型并設(shè)置獎(jiǎng)勵(lì)函數(shù)，利用獎(jiǎng)勵(lì)函數(shù)對(duì)強(qiáng)化學(xué)習(xí)模型進(jìn)行參數(shù)優(yōu)化，以進(jìn)行目標(biāo)分類(lèi)，包括：

57、s51、結(jié)合swin?transformer和convnextv2深度學(xué)習(xí)網(wǎng)絡(luò)，采用基于雙線性池化的多模態(tài)特征融合方法提取深度特征，并根據(jù)深度特征確定初步分類(lèi)概率；

58、s52、將深度特征和初步分類(lèi)概率輸入至改進(jìn)a2c強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行目標(biāo)分類(lèi)，得到目標(biāo)分類(lèi)結(jié)果。

59、優(yōu)選地，s51中結(jié)合swin?transformer和convnextv2深度學(xué)習(xí)網(wǎng)絡(luò)，采用基于雙線性池化的多模態(tài)特征融合方法提取深度特征，并根據(jù)深度特征確定初步分類(lèi)概率，包括：

60、s511、為最大限度地平衡雷達(dá)數(shù)據(jù)特征和相機(jī)數(shù)據(jù)特征，從包含融合特征ffusion的輸入數(shù)據(jù)提取雷達(dá)特征向量，m為雷達(dá)特征向量數(shù)量，利用swintransformer深度學(xué)習(xí)網(wǎng)絡(luò)從剩余特征ffusion－r中提取相機(jī)特征向量，n為相機(jī)特征向量數(shù)量，并對(duì)雷達(dá)特征向量r和相機(jī)特征向量c進(jìn)行線性變換：

61、；

62、其中，rtrans、ctrans分別為變換后的雷達(dá)特征向量、相機(jī)特征向量，wr和wc均為可學(xué)習(xí)的權(quán)重矩陣，br和bc為偏置項(xiàng)；

63、s512、對(duì)變換后的雷達(dá)特征向量rtrans、相機(jī)特征向量ctrans進(jìn)行雙線性池化，以捕捉多模態(tài)特征之間的高階交互信息，得到雙線性特征向量：

64、；

65、其中，fbilinear為雙線性特征向量，表示外積操作；

66、s513、對(duì)雙線性特征向量fbilinear進(jìn)行降維處理，得到低維特征向量：

67、；

68、其中，flow為低維特征向量，表示向量化操作，wred為降維權(quán)重矩陣，bred為偏置項(xiàng)；

69、s514、利用convnextv2深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)低維特征向量flow進(jìn)行深度特征提取，得到深度特征fdeep；

70、s515、將深度特征fdeep輸入至一個(gè)全連接層，得到初步分類(lèi)概率：

71、；

72、其中，ppre為初步分類(lèi)概率，wpre為權(quán)重矩陣，bpre為偏置項(xiàng)，為softmax激活函數(shù)。

73、優(yōu)選地，所述convnextv2深度學(xué)習(xí)網(wǎng)絡(luò)在原始convnext深度學(xué)習(xí)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行改進(jìn)，引入更多的高效模塊和優(yōu)化策略，通過(guò)多個(gè)convnextv2塊后，得到深度特征fdeep。

74、優(yōu)選地，s52中將深度特征和初步分類(lèi)概率輸入至改進(jìn)a2c強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行目標(biāo)分類(lèi)，得到目標(biāo)分類(lèi)結(jié)果，包括：

75、s521、狀態(tài)定義：將深度特征fdeep和初步分類(lèi)概率ppre拼接，作為強(qiáng)化學(xué)習(xí)智能體的狀態(tài)s=[ppre;fdeep]；

76、s522、動(dòng)作空間：智能體的動(dòng)作a是對(duì)初步分類(lèi)概率ppre的調(diào)整策略，通過(guò)可學(xué)習(xí)的變換矩陣wadj對(duì)初步分類(lèi)概率ppre進(jìn)行線性變換，并添加偏置項(xiàng)badj，得到調(diào)整后的分類(lèi)概率padj：

77、；

78、s523、獎(jiǎng)勵(lì)函數(shù)：綜合考慮分類(lèi)準(zhǔn)確率、分類(lèi)不確定性和動(dòng)作復(fù)雜度三個(gè)因素，設(shè)計(jì)獎(jiǎng)勵(lì)函數(shù)：

79、；

80、其中，r(s,a)為獎(jiǎng)勵(lì)函數(shù)，表示在狀態(tài)s下采取動(dòng)作a所獲得的即時(shí)獎(jiǎng)勵(lì)，accuracy(padj)為調(diào)整后的分類(lèi)概率padj對(duì)應(yīng)的分類(lèi)準(zhǔn)確率，entropy(padj)為調(diào)整后的分類(lèi)概率padj對(duì)應(yīng)的分類(lèi)不確定性，complexity(wadj)為變換矩陣wadj對(duì)應(yīng)的動(dòng)作復(fù)雜度，、和均為權(quán)重系數(shù)，合理設(shè)置權(quán)重系數(shù)、和，能夠平衡分類(lèi)準(zhǔn)確率、分類(lèi)不確定性和動(dòng)作復(fù)雜度三個(gè)因素，引導(dǎo)智能體學(xué)習(xí)到最優(yōu)的調(diào)整策略；

81、s524、改進(jìn)a2c強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)所采用的改進(jìn)a2c強(qiáng)化學(xué)習(xí)算法：

82、1）制定策略網(wǎng)絡(luò)為，以狀態(tài)s作為輸入，輸出動(dòng)作a的概率，為策略網(wǎng)絡(luò)的參數(shù)，在給定狀態(tài)s下，根據(jù)概率采樣得到實(shí)際執(zhí)行的動(dòng)作，上述調(diào)整后的分類(lèi)概率padj即為實(shí)際執(zhí)行的動(dòng)作所對(duì)應(yīng)的結(jié)果；

83、2）值函數(shù)網(wǎng)絡(luò)記為，以狀態(tài)s作為輸入，輸出狀態(tài)s的價(jià)值估計(jì)，即從當(dāng)前狀態(tài)開(kāi)始執(zhí)行最優(yōu)的調(diào)整策略所獲得的長(zhǎng)期獎(jiǎng)勵(lì)的期望，為值函數(shù)網(wǎng)絡(luò)的參數(shù)；

84、3）策略網(wǎng)絡(luò)更新：策略網(wǎng)絡(luò)參數(shù)通過(guò)策略梯度進(jìn)行更新，策略梯度的計(jì)算公式為：

85、；

86、其中，為策略梯度，表示策略網(wǎng)絡(luò)參數(shù)的更新方向和大小，為策略網(wǎng)絡(luò)的目標(biāo)函數(shù)，即長(zhǎng)期獎(jiǎng)勵(lì)最大化，為期望運(yùn)算符，s~p(s)表示狀態(tài)s按照狀態(tài)分布p(s)采樣得到，a~表示動(dòng)作a按照概率分布采樣得到，為策略網(wǎng)絡(luò)的對(duì)數(shù)概率關(guān)于策略網(wǎng)絡(luò)參數(shù)的梯度，表示策略網(wǎng)絡(luò)輸出的動(dòng)作概率對(duì)策略網(wǎng)絡(luò)參數(shù)的敏感程度，r(s,a)為獎(jiǎng)勵(lì)函數(shù)，為值函數(shù)，為優(yōu)勢(shì)函數(shù)，表示在狀態(tài)s下采取動(dòng)作a相對(duì)于平均動(dòng)作的優(yōu)勢(shì)程度，用于指導(dǎo)策略網(wǎng)絡(luò)的更新，使得策略網(wǎng)絡(luò)更傾向于選擇具有正優(yōu)勢(shì)的動(dòng)作，即能夠獲得比平均獎(jiǎng)勵(lì)更高的動(dòng)作；

87、4）值函數(shù)網(wǎng)絡(luò)更新：值函數(shù)網(wǎng)絡(luò)參數(shù)通過(guò)最小化均方誤差損失進(jìn)行更新，損失函數(shù)為：

88、；

89、其中，為關(guān)于值函數(shù)網(wǎng)絡(luò)參數(shù)的損失函數(shù)，為最大值函數(shù)，表示在狀態(tài)s’下采取所有可能動(dòng)作a’中得到的值函數(shù)最大值，狀態(tài)s’為執(zhí)行動(dòng)作a后轉(zhuǎn)移到的下一個(gè)狀態(tài)，為折扣因子，用于平衡即時(shí)獎(jiǎng)勵(lì)與未來(lái)獎(jiǎng)勵(lì)，為值函數(shù)網(wǎng)絡(luò)對(duì)狀態(tài)s的價(jià)值估計(jì)，為目標(biāo)值，為預(yù)測(cè)值；

90、s525、智能體通過(guò)不斷地與環(huán)境進(jìn)行交互，根據(jù)采樣得到的狀態(tài)s、執(zhí)行的動(dòng)作a和獲得的獎(jiǎng)勵(lì)r(s,a)，按照策略網(wǎng)絡(luò)和值函數(shù)網(wǎng)絡(luò)的更新規(guī)則，不斷調(diào)整策略網(wǎng)絡(luò)和值函數(shù)網(wǎng)絡(luò)的參數(shù)；

91、隨著訓(xùn)練的進(jìn)行，策略網(wǎng)絡(luò)逐漸學(xué)習(xí)到根據(jù)不同的狀態(tài)s輸出最優(yōu)的動(dòng)作，即能夠獲得使獎(jiǎng)勵(lì)函數(shù)r(s,a)最大化的調(diào)整后的分類(lèi)概率padj，最終根據(jù)調(diào)整后的分類(lèi)概率padj確定目標(biāo)分類(lèi)結(jié)果。

92、（三）有益效果

93、與現(xiàn)有技術(shù)相比，本發(fā)明所提供的基于雷達(dá)與相機(jī)數(shù)據(jù)融合的目標(biāo)檢測(cè)方法，具有以下有益效果：

94、1）在數(shù)據(jù)校準(zhǔn)環(huán)節(jié)，采用基于多特征約束的自適應(yīng)多角度聯(lián)合標(biāo)定策略，對(duì)雷達(dá)和相機(jī)采集的異構(gòu)數(shù)據(jù)進(jìn)行精準(zhǔn)的空間稀疏對(duì)準(zhǔn)，有效提高數(shù)據(jù)融合質(zhì)量；

95、2）在目標(biāo)檢測(cè)環(huán)節(jié)，利用針對(duì)雷達(dá)和相機(jī)數(shù)據(jù)結(jié)構(gòu)的yolov8動(dòng)態(tài)結(jié)構(gòu)重配置機(jī)制，結(jié)合全新跨模態(tài)特征融合算法，有效提高目標(biāo)檢測(cè)的準(zhǔn)確率和召回率；

96、3）在目標(biāo)分類(lèi)環(huán)節(jié)，采用深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)相結(jié)合的方法，利用獎(jiǎng)勵(lì)函數(shù)對(duì)強(qiáng)化學(xué)習(xí)模型進(jìn)行參數(shù)優(yōu)化，增強(qiáng)模型在復(fù)雜場(chǎng)景中的適應(yīng)性與魯棒性；

97、經(jīng)實(shí)踐，本發(fā)明能夠?yàn)楦黝I(lǐng)域提供高效方案，有力推動(dòng)相關(guān)行業(yè)的智能化升級(jí)與發(fā)展，降低檢測(cè)失誤的風(fēng)險(xiǎn)與損失。