CN110599800A - 一种停车场车位状态监测***及监测方法 - Google Patents

一种停车场车位状态监测***及监测方法 Download PDF

Info

Publication number
CN110599800A
CN110599800A CN201910904792.8A CN201910904792A CN110599800A CN 110599800 A CN110599800 A CN 110599800A CN 201910904792 A CN201910904792 A CN 201910904792A CN 110599800 A CN110599800 A CN 110599800A
Authority
CN
China
Prior art keywords
parking space
data
vehicle
coordinate
mean
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910904792.8A
Other languages
English (en)
Inventor
胡友德
王璐
刘钢
孙英豪
曹笈
许锦龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Ji Cai Intelligent Sensing Technology Research Institute Co Ltd
Original Assignee
Jiangsu Ji Cai Intelligent Sensing Technology Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Ji Cai Intelligent Sensing Technology Research Institute Co Ltd filed Critical Jiangsu Ji Cai Intelligent Sensing Technology Research Institute Co Ltd
Priority to CN201910904792.8A priority Critical patent/CN110599800A/zh
Publication of CN110599800A publication Critical patent/CN110599800A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
    • G08G1/144—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces on portable or mobile units, e.g. personal digital assistant [PDA]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
    • G08G1/146—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas where the parking area is a limited parking space, e.g. parking garage, restricted space

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种停车场车位状态监测***及监测方法，***包括雷达采集模块，用于采集车辆运动信息；数据处理模块，与雷达采集模块电连接，用于处理雷达采集模块采集的数据信息，获得车辆当前位置；车位状态指示灯，与数据处理模块电连接；中央控制器，与上述各模块电连接；客户端，与中央控制器电连接。监测方法如下：雷达采集模块采集车辆反射的电磁波数据信息，将其发送至数据处理模块；数据处理模块对数据信息进行处理，获得表示车辆当前位置的坐标数据；车辆当前位置的坐标数据与停车位坐标数据进行对比，判断车辆当前位置是否是在停车位上；指示灯显示停车位状态。本发明利用毫米波雷达实现了车位监控，具有精度高、实施成本低的显著进步。

Description

一种停车场车位状态监测***及监测方法
技术领域
本发明涉及停车场车位监测，尤其涉及一种停车场车位监测***，同时还涉及一种停车场车位监测方法。
背景技术
随着城市汽车保有量的大量增加，城市停车位管理压力也日益增大。现有的一些地下停车场停车位状态识别***通常以摄像头、地磁传感器、超声波探测器、红外对射传感器等监视停车位为主，需要在每个车位设置标记符或者配备相关传感器，大大增加了成本；激光雷达在车规级量产和成本控制方面挑战比较大。因此，亟待提出一种新的地下停车场适用的车位监测***/方法。
发明内容
发明目的：针对现有技术存在的问题，本发明的目的是提供一种基于雷达实现的停车场车位监测***，本发明的另一目的是提供一种停车场车位监测方法，以实现对车位状态的实时监测。
技术方案：一种停车场车位状态监测***，包括：雷达采集模块，安装在停车场墙体上，用于采集车辆反射的电磁波数据信息；数据处理模块，与所述雷达采集模块电连接，用于对雷达采集模块采集的数据信息进行处理，获得表示车辆当前位置的坐标数据；指示灯，对应设置在每个车位上，与所述数据处理模块电连接，用于指示车位状态，中央控制器，与所述雷达采集模块、数据处理模块、指示灯分别电连接；移动客户端，与所述中央控制器无线连接，，用于显示停车场车位状态信息。
一种基于如权利要求1所述停车场车位状态监测***的车位状态监测方法，包括如下步骤：
步骤1、雷达采集模块采集车辆反射的电磁波数据信息，并将其发送至数据处理模块；所述数据信息包括车辆的实时位置坐标；
步骤2、数据处理模块对车辆的数据信息进行处理，获得表示车辆当前位置的坐标数据；
步骤3、根据车辆当前位置的坐标数据与停车场停车位坐标数据进行对比，判断车辆当前位置是否是在停车位上；
步骤4、指示灯显示停车位状态。
进一步的，所述步骤2中，数据处理模块用于对采集的车辆数据信息进行处理的具体步骤为：
剔除雷达采集模块采集的静态目标数据，获得动态目标数据信息；
对所述动态目标数据信息进行异常点检测并滤除，获得处理后的车辆数据信息，具体的，取N帧数据进行判断，若一帧内坐标点小于a个，则不进行任何处理，若一帧内坐标点大于等于a个，则进行异常点检测和滤除处理，其中，6≤N≤20，2≤a≤5；
对所述处理后的车辆数据信息中坐标数据进行加权求和，获得表示车辆当前位置的坐标数据。
进一步的，对所述动态目标数据信息进行异常点检测并滤除，获得处理后的车辆数据信息，具体步骤如下：
(1)利用所述动态目标数据中的坐标点数据训练构建随机森林对应的t棵决策树，t≥1；
(2)根据层数计算要检测的坐标点数据在每棵树的高度平均值；
(3)根据所述高度平均值计算异常概率分值，根据所述异常概率分值与预设阈值的对比判断所述坐标点是否为异常点。
进一步的，所述根据高度平均值计算异常概率分值的公式为：
其中，ht(x)、ht(y)为数据点xi，yi对应的层数，E(h(x))、E(h(y))为高度平均值，s(x,n) 的取值范围是[0,1]，取值越接近于1，则是异常点的概率越大；其中，n为样本个数，c(n)的表达式为：
其中，谐波数H(i)≈ln(i)+ξ，i＝(n-1)，ξ是欧拉常数，ξ＝0.5772156649。
当所述异常概率分值大于预设阈值时，则对应的坐标点为异常点。优选的，所述预设阈值的取值为0.6-0.7。
更进一步的，对所述处理后的车辆数据信息中坐标数据进行加权求和，获得表示车辆当前位置的坐标数据，具体包括采用如下公式计算最终的位置坐标：
(x,y)＝((ω1*meanx1+ω2*meanx2)/2，(ω1*meany1+ω2*meany2)/2)
其中，(meanx1，meany1)为前N/2帧保留的所有数据点的平均坐标值，(meanx2，meany2) 为后N/2帧保留的所有数据点的平均坐标值，ω1为(meanx1，meany1)的权重系数，ω2为 (meanx2，meany2)的权重系数，0.4≤ω1<0.5，0.5<ω2≤0.6。
进一步的，所述步骤3的具体步骤如下：
计算每个停车位的四个角点坐标A(x,y)，B(x,y)，C(x,y)，D(x,y)，四个角点所围范围即停车位区域ROI；当车辆当前位置的坐标数据在ROI坐标范围内时，则判定此停车位被占用。
和现有技术相比，本发明具有如下显著优点：1、基于毫米波雷达实现了停车场车位实时监测，可以适应各种气候条件，受环境干扰影响小，定位精度高(达到5cm)。2、雷达可探测范围为纵向80米，水平角度120°，在一个3000平方米的停车场范围内只需要布置7～8个毫米波雷达即可实现所有停车位监控，成本低，易于布置。3、对采集的数据进行噪声处理和异常点处理，进一步提高了对车位的精确监控。
附图说明
图1为本发明的停车场车位状态监测***的结构示意图；
图2为雷达在停车场平面图中的布置示意图；
图3为当前帧中单车辆的数据点分布示意图；
图4为数据处理模块对采集的车辆数据信息进行处理的流程示意图；
图5为孤立森林方法流程图；
图6为E(h(x))和s(x,n)的关系示意图。
具体实施方式
本发明采用毫米波雷达实现对车位的检测，毫米波雷达的优点是全天候、长距离探测，同时其电路比较简单，成本低，容易实现在停车场中的批量布置。毫米波雷达发送的电磁波遇到金属物体后能够有强烈的反射，反射的回波被雷达接收，根据发送和接收的电磁波数据信息从而可以获得金属物体的距离、速度、角度、多普勒等参数信息。车辆实际可以理解为一个大的金属物体，同时毫米波雷达检测精度达到5cm左右，因此通过毫米波雷达可以很精确的检测出车辆位置，根据车辆和停车位的位置可以判断出车位占用情况。下面结合附图和实施实例对本发明专利做进一步详细说明。
如图1所示，本发明的一种停车位状态监测***，包括客户端、中央控制器、雷达采集模块、数据处理模块和指示灯，其中，雷达采集模块包括多个毫米波雷达，如图2所示，将毫米波雷达安装在主道路一端的墙体上，每个车位上方安装一个指示灯。***针对进入停车场的车辆，实时采集其运动数据，输出车辆坐标位置，判断该位置是否在停车位范围内，即停车位是否被占用。
基于上述***，对停车位状态进行监测的方法如下：
步骤一、雷达采集模块用于采集车辆的数据信息，其中数据信息包括车辆的实时位置坐标，雷达可探测范围为纵向80米，水平角度120°，在一个3000平方米的停车场范围内只需要布置7～8个毫米波雷达即可实现所有停车位监控，成本低，易于布置；雷达采集模块可以采集车辆反射的电磁波数据信息，数据信息包括位置x、y，时间参数、vx、vy等，如图3所示为雷达探测到的单车辆的其中一帧的数据点，其中不乏一些跳动较大的异常点，这些异常点会造成车位状态误判，需要对这些异常点进行滤除。
步骤二、如图4所示，数据处理模块用于对采集的车辆数据信息进行处理，获得表示车辆当前位置的坐标数据：
1、雷达能够探测到静态目标和动态目标，静态目标速度为0，多普勒值也就为0，去除多普勒值为0的静态目标数据点后，只留下最终运动车辆的信息。
2、取N帧数据进行异常点判断，具体取几帧是根据雷达采集频率决定的，频率大约20ms， N可取范围6-20；若一帧内数据点小于a个，则不进行任何处理；若一帧内数据点大于等于a个，则要进行异常点滤除处理，2≤a≤5，优选为3；需要说明的是，因为远场(大于20m)本身采集的数据量较少，若一帧内数据点小于3个再做异常点剔除，点会更少，不易做出判断，因此尽量保留更多的数据信息做远场的判断。
该步骤中，采用孤立森林的方法来检测异常点：
(1)训练构建随机森林对应的t颗决策树，t≥1这些决策树一般叫iTree，为一种随机二叉树；
(1.1)本发明中数据特征是两维(x,y)，其中x表示坐标点的横坐标，y表示坐标点的纵坐标；给定n个坐标点作为样本数据，对应于数据集X＝{x1,…,xn}和Y＝{y1,…,yn}， 1≤i≤n，从X、Y中分别随机抽取ψ个样本作为这棵树的训练样本放入树的根节点；下文均以xi为例，yi同理；
(1.2)在ψ个样本中随机选择一个特征，再随机选择该特征下的一个值p(p介于样本最大值与最小值之间)，对样本进行二叉划分，将样本中小于该值的划分到节点的左边，大于等于该值的划分到节点的右边。然后分别在左右两个数据集上重复上面的过程，直到数据集只有一条记录或者达到了树的限定高度。
(1.3)首先需要遍历每一颗iTree，得到检测的数据点最终落在任意第t颗iTree的层数 ht(x)。ht(x)代表的是树的深度，表示从树的根节点需要经历几条边才能够到达叶子结点。根节点的高度为0，离根节点越近，则ht(x)越小；反之，则ht(x)越大，。
由于异常数据较少，且特征值和正常数据差别很大。因此，构建iTree的时候，异常数据离根很近，而正常数据离根很远。一颗iTree的结果往往不可信，IForest算法通过多次采样，构建多颗二叉树。最后整合所有树的结果，计算数据点的异常分值。
(2)计算要检测的样本点在每棵树的高度平均值E(h(x))。其中E(h(x))表示在所有iTree 中的平均高度，高度越低，异常得分越高。
(3)据E(h(x))判断xi是否是异常点。用以下公式计算异常概率分值：
s(x)＝2-E(h(x))
但是上面的问题在于没有进行归一化，例如数据点多的时候，可能整体上树的高度比较高，那么就可能需要多次才能够把异常点切分开，因此我们用一项c(n)来进行归一化。如果样本有n个，那么不成功搜索的平均路径长度是：
其中H(i)是谐波数(harmonic number)，上式中，i取为(n-1)，谐波数H(i)可以近似为： H(i)≈ln(i)+ξ，ξ是欧拉常数，ξ＝0.5772156649。。
由于c(n)表示在n个样本点下的平均高度，因此我们用来归一化h(x)，那么归一化后的异常得分就是：
从s(x,n)表示式可以看出，如果高度E(h(x))→0，则s(x,n)→1，即是异常点的概率是100％。如图5所示，可以看到d最有可能是异常点，因为最早就被孤立了。设置s(x,n)的阈值，优选为0.6-0.7，大于阈值的被认为是异常点。图6给出了E(h(x))和s(x,n)之间的关系。
3、保留剩下的坐标点[x1,…,xn-1]，[y1,…,yn-1]，且一一对应(做异常点判断时，是对坐标x、y分别判断的，当x为异常数据剔除时，对应的y也要删除)。
4、将前N/2帧保留的所有数据点取平均meanx1、meany1，后N/2帧保留的所有数据点取平均meanx2、meany2。虽然N帧内物***置相差不大，但是后N/2帧更接近当前时刻，当前时刻的位置更为重要和准确，因此赋予meanx2、meany2更高的权重，但又考虑到前后 N/2帧的差别并不显著，因此权重系数不应相差太大，根据下式得到最终的点的坐标为：
(x,y)＝((ω1*meanx1+ω2*meanx2)/2，(ω1*meany1+ω2*meany2)/2)，其中，ω1和ω2分别为前N/2帧和后N/2帧的权重系数，0.4≤ω1＜0.5，0.5＜ω2≤0.6，ω1优选为0.4，ω2优选为0.6。
步骤三、根据车辆当前位置的坐标数据与停车场停车位坐标数据进行对比，判断车辆当前位置是否是在停车位上，具体包括如下内容：
计算每个停车位的四个角点坐标A(x,y)，B(x,y)，C(x,y)，D(x,y)，四个角点所围范围即停车位区域ROI。当车辆当前位置的坐标数据在ROI坐标范围内时，则判定此停车位被占用；
步骤四、指示灯显示停车位状态。当车位为空时，指示灯变绿；当车位被占用时，指示灯变红。
如图2所示，可以得到每个车位的具体范围。将车位适当扩大10cm作为最终的目标区域ROI，以预防当车停在靠车位一边而没有检测到的情况。当步骤4所得点(x,y)进入该ROI 内时，则代表该车位被占用，车位上方指示灯变红；当(x,y)离开该ROI时，则代表该车位空闲，车位上方指示灯变绿。

Claims (9)

1.一种停车场车位状态监测***，其特征在于，包括：
雷达采集模块，安装在停车场墙体上，用于采集车辆反射的电磁波数据信息；
数据处理模块，与所述雷达采集模块电连接，用于对雷达采集模块采集的数据信息进行处理，获得表示车辆当前位置的坐标数据；
指示灯，对应设置在每个车位上，与所述数据处理模块电连接，用于指示车位状态；
中央控制器，与所述雷达采集模块、数据处理模块、指示灯分别电连接；
移动客户端，与所述中央控制器无线连接，用于显示停车场车位状态信息。
2.一种基于如权利要求1所述停车场车位状态监测***的车位状态监测方法，其特征在于，包括如下步骤：
步骤1、雷达采集模块采集车辆反射的电磁波数据信息，并将其发送至数据处理模块；所述数据信息包括车辆的实时位置坐标；
步骤2、数据处理模块对车辆的数据信息进行处理，获得表示车辆当前位置的坐标数据；
步骤3、根据车辆当前位置的坐标数据与停车场停车位坐标数据进行对比，判断车辆当前位置是否是在停车位上；
步骤4、指示灯显示停车位状态。
3.根据权利要求2所述的车位状态监测方法，其特征在于，所述步骤2中，数据处理模块用于对采集的车辆数据信息进行处理的具体步骤如下：
步骤21、剔除雷达采集模块采集的静态目标数据，获得动态目标数据信息；
步骤22、对所述动态目标数据信息进行异常点检测并滤除，获得处理后的车辆数据信息，具体的，取N帧数据进行判断，若一帧内坐标点小于a个，则不进行任何处理，若一帧内坐标点大于等于a个，则进行异常点检测和滤除处理，其中，6≤N≤20，2≤a≤5；
步骤23、对所述处理后的车辆数据信息中坐标数据进行加权求和，获得表示车辆当前位置的坐标数据。
4.根据权利要求3所述的车位状态监测方法，其特征在于，步骤22中，对所述动态目标数据进行异常点检测的具体步骤如下：
(1)利用所述动态目标数据中的坐标点数据训练构建随机森林对应的t棵决策树，t≥1；
(2)根据层数计算要检测的坐标点数据在每棵树的高度平均值；
(3)根据所述高度平均值计算异常概率分值，根据所述异常概率分值与预设阈值的对比判断所述坐标点是否为异常点。
5.根据权利要求4所述的车位状态监测方法，其特征在于，所述根据高度平均值计算异常概率分值的公式为；
其中，h(x)、h(y)为层数，E(h(x))、E(h(y))为高度平均值，s(x，n)、s(y，n)的取值范围是[0，1]，取值越接近于1，则是异常点的概率越大；其中，x表示坐标点的横坐标，y表示坐标的的纵坐标，n为样本个数，c(n)的表达式为：
其中，谐波数H(i)≈ln(i)+ξ，i＝(n-1)，ξ是欧拉常数，ξ＝0.5772156649。
6.根据权利要求4所述的车位状态监测方法，其特征在于，所述步骤(3)中，当所述异常概率分值大于预设阈值时，则对应的坐标点为异常点。
7.根据权利要求6所述的车位状态监测方法，其特征在于：所述预设阈值的取值为0.6-0.7。
8.根据权利要求3所述的车位状态监测方法，其特征在于，步骤23中，采用如下公式计算车辆的位置坐标：
(x，y)＝((ω1*meanx1+ω2*meanx2)/2，(ω1*meany1+ω2*meany2)/2)
其中，(meanx1，meany1)为前N/2帧保留的所有数据点的平均坐标值，(meanx2，meany2)为后N/2帧保留的所有数据点的平均坐标值，ω1为(meanx1，meany1)的权重系数，ω2为(meanx2，meany2)的权重系数，0.4≤ω1＜0.5，0.5＜ω2≤0.6。
9.根据权利要求2所述的车位状态监测方法，其特征在于，所述步骤3的具体步骤如下：
计算每个停车位的四个角点坐标A(x，y)，B(x，y)，C(x，y)，D(x，y)，四个角点所围范围即停车位区域ROI；当车辆当前位置的坐标数据在ROI坐标范围内时，则判定此停车位被占用。
CN201910904792.8A 2019-09-24 2019-09-24 一种停车场车位状态监测***及监测方法 Pending CN110599800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910904792.8A CN110599800A (zh) 2019-09-24 2019-09-24 一种停车场车位状态监测***及监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910904792.8A CN110599800A (zh) 2019-09-24 2019-09-24 一种停车场车位状态监测***及监测方法

Publications (1)

Publication Number Publication Date
CN110599800A true CN110599800A (zh) 2019-12-20

Family

ID=68863066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910904792.8A Pending CN110599800A (zh) 2019-09-24 2019-09-24 一种停车场车位状态监测***及监测方法

Country Status (1)

Country Link
CN (1) CN110599800A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541981A (zh) * 2020-11-03 2021-03-23 山东中创软件商用中间件股份有限公司 一种etc门架***预警方法、装置、设备及介质
CN112820096A (zh) * 2020-12-30 2021-05-18 中联重科股份有限公司 工程机械支腿遥控***、方法和工程机械
CN114999217A (zh) * 2022-05-27 2022-09-02 北京筑梦园科技有限公司 一种车辆检测方法、装置及停车管理***
CN115050192A (zh) * 2022-06-09 2022-09-13 南京矽典微***有限公司 基于毫米波雷达的停车位检测的方法及应用

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060119473A1 (en) * 1998-08-06 2006-06-08 Altra Technologies Incorporated System and method of avoiding collisions
CN206400780U (zh) * 2016-06-30 2017-08-11 深圳市金溢科技股份有限公司 一种用于车位识别的雷达模组及车位识别***
CN107341964A (zh) * 2017-03-27 2017-11-10 小儒技术（深圳）有限公司 一种车位检测方法及装置
CN110135614A (zh) * 2019-03-26 2019-08-16 广东工业大学 一种基于异常值检测和抽样技术的10kV配变低压跳闸预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060119473A1 (en) * 1998-08-06 2006-06-08 Altra Technologies Incorporated System and method of avoiding collisions
CN206400780U (zh) * 2016-06-30 2017-08-11 深圳市金溢科技股份有限公司 一种用于车位识别的雷达模组及车位识别***
CN107341964A (zh) * 2017-03-27 2017-11-10 小儒技术（深圳）有限公司 一种车位检测方法及装置
CN110135614A (zh) * 2019-03-26 2019-08-16 广东工业大学 一种基于异常值检测和抽样技术的10kV配变低压跳闸预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541981A (zh) * 2020-11-03 2021-03-23 山东中创软件商用中间件股份有限公司 一种etc门架***预警方法、装置、设备及介质
CN112820096A (zh) * 2020-12-30 2021-05-18 中联重科股份有限公司 工程机械支腿遥控***、方法和工程机械
CN114999217A (zh) * 2022-05-27 2022-09-02 北京筑梦园科技有限公司 一种车辆检测方法、装置及停车管理***
CN115050192A (zh) * 2022-06-09 2022-09-13 南京矽典微***有限公司 基于毫米波雷达的停车位检测的方法及应用
CN115050192B (zh) * 2022-06-09 2023-11-21 南京矽典微***有限公司 基于毫米波雷达的停车位检测的方法及应用

Similar Documents

Publication Publication Date Title
CN110599800A (zh) 一种停车场车位状态监测***及监测方法
CN110532889B (zh) 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法
Catapang et al. Obstacle detection using a 2D LIDAR system for an Autonomous Vehicle
CN110781827A (zh) 一种基于激光雷达与扇状空间分割的路沿检测***及其方法
CN108345823B (zh) 一种基于卡尔曼滤波的障碍物跟踪方法和装置
CN103559508B (zh) 一种基于连续型Adaboost视频车辆检测方法
CN111880196A (zh) 一种无人矿车抗干扰方法、***及计算机设备
CN1940591A (zh) 使用传感器融合进行目标跟踪的***和方法
CN114612795A (zh) 基于激光雷达点云的路面场景目标识别方法
CN110717496B (zh) 基于神经网络的复杂场景树木检测方法
CN113256990B (zh) 基于聚类算法的雷达采集道路车辆信息的方法及***
CN115064009B (zh) 一种终端区无人机与有人机冲突风险等级划分方法
CN101794437A (zh) 一种高光谱遥感影像异常探测方法
CN115641553B (zh) 掘进机作业环境侵入物的在线检测装置及方法
CN113970734B (zh) 路侧多线激光雷达降雪噪点去除方法、装置及设备
CN110703272B (zh) 一种基于车车通信和gmphd滤波的周边目标车辆状态估计方法
CN109389053B (zh) 检测目标车辆周围的待测车辆位置信息的方法及***
CN114545387A (zh) 一种基于毫米波雷达数据拟合的高空抛物检测判别方法
CN114019503A (zh) 基于fod检测***的机场跑道异物检测方法、设备、存储介质
CN111736156B (zh) 一种基于天气雷达的逆风区识别方法与装置
CN113687429A (zh) 一种确定毫米波雷达监测区域边界的装置及方法
US20230314169A1 (en) Method and apparatus for generating map data, and non-transitory computer-readable storage medium
CN106249241B (zh) 一种自适应杂波功率统计算法
CN111239717B (zh) 一种基于x波段雷达的水面障碍物检测方法
CN113221709A (zh) 用于识别用户运动的方法、装置及热水器

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191220