CN110907909B - 一种基于概率统计的雷达目标识别方法 - Google Patents
一种基于概率统计的雷达目标识别方法 Download PDFInfo
- Publication number
- CN110907909B CN110907909B CN201911044421.3A CN201911044421A CN110907909B CN 110907909 B CN110907909 B CN 110907909B CN 201911044421 A CN201911044421 A CN 201911044421A CN 110907909 B CN110907909 B CN 110907909B
- Authority
- CN
- China
- Prior art keywords
- radar
- target
- signal points
- probability
- radar image
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于概率统计的雷达目标识别方法,包括:构建基础数据库,所述基础数据库中包含多种目标类型、多项点迹特征、以及各点迹特征在不同取值情况下对各目标类型的概率值;获取当前帧的雷达图像,并在雷达图像上筛选出属于跟踪目标的信号点;获取信号点的分类特征;将信号点的分类特征与基础数据库中的点迹特征进行匹配,确定每一个分类特征对各目标类型的概率值;将各分类特征对同一目标类型的概率值求和,并获取归一化值;将归一化值最大的目标类型作为跟踪目标在当前帧雷达图像中的分类结果。该雷达目标识别方法简单有效、实时性高,且对跟踪目标的分类结果的准确率可高达90%以上,能够满足一定范围内的精度要求。
Description
技术领域
本发明涉及雷达检测技术领域,特别涉及一种基于概率统计的雷达目标识别方法。
背景技术
雷达目标识别是通过分析多帧图像中的点迹测量信息来实现的,目标的点迹测量信息主要包括距离、速度、角度、信号幅值等,基于对点迹测量信息的分析,车辆能够感知周围车辆或其他物体的存在,能够提前进行预警,以使驾驶员及时作出避让。在实际应用过程中往往需要设置检测目标的告警区域、持续时间、方位信息等,而且不同类型的目标所对应的策略也有所不同。因此,尽可能早地对检测到的目标进行分类就显得尤为重要,比如尽早区分出目标是大车、小车还是行人,就能够给驾驶员后续的决策提供关键的依据和充裕的时间,大大降低了事故发生的概率。
发明内容
本发明为了解决上述技术问题,提供了一种基于概率统计的雷达目标识别方法,包括
构建基础数据库,所述基础数据库中包含多种目标类型、多项点迹特征、以及各点迹特征在不同取值情况下对各目标类型的概率值;
获取当前帧的雷达图像,并在雷达图像上筛选出属于跟踪目标的信号点;
获取信号点的分类特征,所述分类特征包括信号点数量、信号点最小分布面积、信号点与雷达的平均相对距离以及信号幅值;
将信号点的分类特征与基础数据库中的点迹特征进行匹配,确定每一个分类特征对各目标类型的概率值,且同一分类特征对不同目标类型的概率值之和为1;
将各分类特征对同一目标类型的概率值求和,并获取归一化值;
将归一化值最大的目标类型作为跟踪目标在当前帧雷达图像中的分类结果。
进一步的,所述基础数据库还包括各目标类型在上一帧雷达图像中所对应的归一化值;在当前帧的雷达图像中,与各目标类型相对应的归一化值的计算包括:
将各分类特征对同一目标类型的概率值求和;
将和值与该目标类型在上一帧雷达图像中对应的归一化值相加,得到概率总和;
将分类特征的种类数加1,作为除数;
将概率总和对除数求平均值,将平均值作为该目标类型在当前帧雷达图像中的归一化值。
进一步的,所述获取当前帧的雷达图像,并在雷达图像上筛选出属于跟踪目标的信号点步骤,包括:
将上一帧雷达图像与当前帧雷达图像进行匹配,利用相应的历史运动状态信息获取跟踪目标在当前帧雷达图像上的预测位置;
利用波门阈值对预测位置内的点迹进行聚类,将波门阈值内的点迹视为跟踪目标的信号点。
进一步的,所述历史运动状态信息至少包括跟踪目标在上一帧雷达图像中的位置信息、方向、角度及速度。
进一步的,所述波门阈值的设定包括如下步骤:
记录跟踪目标在上一帧雷达图像中的分类结果,所述分类结果包括小轿车、大卡车及行人;
根据跟踪目标在上一帧雷达图像中的分类结果设置相匹配的波门阈值。
进一步的,所述波门阈值包括与小汽车相匹配的第一波门阈值、与大卡车相匹配的第二波门阈值以及与行人相匹配的第三波门阈值。
进一步的,所述第一波门阈值为3m*5m;所述第二波门阈值为10m*7m;所述第三波门阈值为2.0m*0.5m。
进一步的,所述信号点与雷达的平均相对距离的获取包括:
分别计算各信号点与雷达之间的距离;
将各信号点与雷达之间的距离进行求和,并用和值除以信号点数量,即得信号点与雷达的平均相对距离。
进一步的,所述点迹特征在不同取值条件下对各目标类型的概率值通过经验确定。
进一步的,所述信号点最小分布面积是指能够覆盖所有信号点的最小面积。
本发明所起到的有益技术效果如下:
与现有技术相比较,本发明公开了一种基于概率统计的雷达目标识别方法,该雷达目标识别方法简单有效、实时性高,且对跟踪目标的分类结果的准确率可高达90%以上,能够满足一定范围内的精度要求。
附图说明
图1为实施例1中基于概率统计的雷达目标识别方法流程图。
图2为实施例1中雷达与信号处理装置的连接示意图。
图3为实施例1中基础数据库的表格呈现示意图。
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的;相同或相似的标号对应相同或相似的部件;附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征更易被本领域技术人员理解,从而对本发明的保护范围作出更为清楚的界定。
实施例1:
如图1和图2所示,本实施例提供了一种基于概率统计的雷达目标识别方法,基于车载雷达和信号处理装置,车载雷达设有成像***,车载雷达与信号处理装置通信连接。信号处理装置内部设有存储模组和计算模组,存储模组用于存储基础数据库以及历史雷达图像,计算模组用于对雷达图像进行计算分析,获取当前雷达图像中目标类型的分类结果。
一种基于概率统计的雷达目标识别方法,包括如下步骤:
101、构建基础数据库,所述基础数据库中包含多种目标类型、多项点迹特征、以及各点迹特征在不同取值情况下对各目标类型的概率值。
在实际使用过程中,基础数据库是以若干个表格的形式呈现,如图3所示,其中Pij表示目标类型i的特征j的概率值。在表格中,以目标类型作为标题列,以各项点迹特征作为标题行,每一个点迹特征在不同的取值条件下对各目标类型都有一个具体的概率值相对应。点迹特征在不同取值条件下对各目标类型的概率值是通过经验确定的,或者也可以通过大量的前期试验数据分析验证得到。当然,也可以直接导入满足要求的现有数据库,在此不做限制。
102、获取当前帧的雷达图像,并在雷达图像上筛选出属于跟踪目标的信号点。
具体的,为了筛选出属于跟踪目标的信号点步骤,首先需要从存储模组提取出上一帧雷达图像,由于跟踪目标的信号点在上一帧雷达图像的位置信息、运动方向、角度及移动速度均可通过雷达信号处理结果得到,由于该技术内容属于现有技术,在此不做赘述。然后将上一帧雷达图像与当前帧雷达图像进行匹配,根据跟踪目标的信号点在上一帧雷达图像的位置信息、运动方向、角度及移动速度,预测跟踪目标在当前帧雷达图像上的预测位置。也就是说,通过跟踪目标的信号点在上一帧雷达图像中的历史运动状态信息获取跟踪目标在当前帧雷达图像上的预测位置。针对当前帧雷达图像中位于预测位置内的点迹进行聚类,本实施例中,利用波门阈值实现了对预测位置内的点迹的聚类,即将波门阈值内的点迹视为一类,认为该类的点迹都属于跟踪目标的信号点。本实施例中,所述历史运动状态信息至少包括跟踪目标在上一帧雷达图像中的位置信息、方向、角度及速度。
波门阈值的设定与跟踪目标在上一帧雷达图像中的分类结果相关联,或者说,是根据跟踪目标在上一帧雷达图像中的分类结果来设定波门阈值的具体数值。在波门阈值设置前,需要先记录跟踪目标在上一帧雷达图像中的分类结果,本实施例中,分类结果包括小轿车、大卡车及行人。在上一帧雷达图像中,当跟踪目标的分类为小轿车时,波门阈值会自动调用与小汽车相匹配的第一波门阈值;当跟踪目标的分类为大卡车时,波门阈值会自动调用与大卡车相匹配的第二波门阈值;当跟踪目标的根类为行人时,闭门阈值会自动调用与行人相匹配的第三波门阈值。也就是说,可以预先根据小汽车、大卡车及行人分别设置三种大小不同的波门阈值,然后根据跟踪目标在上一帧雷达图像中的分类结果,自动调用相匹配的波门阈值就可以。波门阈值的设定需与小汽车、大卡车或行人的尺寸保持基本吻合,如第一波门阈值通常设为3m*5m,即接近小汽车的尺寸大小,同理第二波门阈值通常设为3m*5m,第三波门阈值通常设为2.0m*0.5m。
103、获取信号点的分类特征,所述分类特征包括信号点数量、信号点最小分布面积、信号点与雷达的平均相对距离以及信号幅值。
具体的,在计算信号点与雷达之间的平均相对距离时,需要先分别计算出各信号点与雷达之间的距离,然后将各信号点与雷达之间的距离进行求和,并利用和值除以信号点数量,即可得到信号点与雷达的平均相对距离。信号点数量是可以通过直接统计当前帧雷达图像中预测位置内的点迹数量获取。而信号幅值则是指类中点迹的平均信号幅值,能够由雷达信号处理直接得到,不做具体介绍。
此外,信号点最小分布面积则是指能够覆盖所有信号点的最小面积,最小面积内必须能够包含所有类中的信号点才可以。以小汽车为例对信号点最小面积的计算进行说明,由于小汽车形状接近矩形,因此可以根据车辆的行进方向建立车辆的笛卡尔坐标系,通过信息点的分布坐标,就可以计算出矩形面积的大小,由于矩形面积的大小为常识,不再详细介绍。当然,对信号点最小面积的计算方法并不局限于这一种,也可以采用其他计算方法,只要能够实现信号点最小面积的求取即可。
104、将信号点的分类特征与基础数据库中的点迹特征进行匹配,确定每一个分类特征对各目标类型的概率值,且同一分类特征对不同目标类型的概率值之和为1。
也就是说,通过步骤103的计算,我们可以得出跟踪目标的信号点在当前帧雷达图像中的信号点数量、信号点最小分布面积、信号点与雷达的平均相对距离以及信号幅值。根据这些具体值,在基础数据库的表格中,就可以找到每一个分类特征对各目标类型的具体概率值。以信号点数量为例进行说明,若在步骤103中统计出的信号点数量小于2时,则信号点数量这个分类特征对目标类型为行人的概率值是0.7,对目标类型为小汽车的概率值是0.3,由于信号点数量太少,没有可能为大卡车,所述对目标类型为大卡车的概率值为0.0;如果在步骤103中统计出的信号数量大于2且小于4时,则信号点数量这个分类特征对目标类型为行人的概率值是0.1,对目标类型为小汽车的概率值是0.6,对目标类型为大卡车的概率值是0.3;同理,若在步骤103中统计出的信号点数量大于4时,则信号点数量这个分类特征对目标类型为行人的概率值是0.0,对目标类型为小汽车的概率值是0.4,对目标类型为大卡车的概率值是0.6。也就是说,信号点数量越大,跟踪目标的体积也就越大,那么跟踪目标也就越不可能成为小体积的目标类型,反而越有可能成为大体积的目标类型。关于信号点最小分布面积、信号点与雷达的平均相对距离以及信号幅值对各目标类型的概率值的确定与上述方法类似,不再一一赘述。
值得注意的是,同一分类特征对不同目标类型的概率值之和为1,即P11 + P21 +P31 = 1、P12 + P22 + P32 = 1、P13 + P23 + P33 = 1、P14 + P24 + P34 = 1、P15 + P25 + P35 =1。
105、将各分类特征对同一目标类型的概率值求和,并获取归一化值。
也就是说,先根据公式Pi = ( Pi1 + Pi2 + Pi3 + Pi4 + Pi5) / 5计算出每一目标类型i的归一化值。归一化值的计算方法与平均概率值的计算方法相似,获取到每一目标类型的归一化值后,即相当于算出了跟踪目标是小汽车的概率值、跟踪目标是大卡车的概率值以及跟踪目标是行人的概率值,这个三个概率值相加等于1。也就相当于知道了跟踪目标成为各目标类型的可能性。通过直接观察三个目标类型的概率值大小,就可以知道跟踪目标最有可能的分类结果。概率值越大,意味着跟踪目标成为该目标类型的可能性也就越大。
106、将归一化值最大的目标类型作为跟踪目标在当前帧雷达图像中的分类结果。
作为优选的,基础数据库中还可以包括各目标类型在上一帧雷达图像中所对应的归一化值,即将各目标类型在上一帧雷达图像中所对应的归一化值也纳入考虑范畴,作为与分类特征一样的影响因子,使其对跟踪目标在当前帧雷达图像中的分类结果也产生影响。也就是说,在当前帧雷达图像中,计算与各目标类型相对应的归一化值时,首先需要将当前帧雷达图像中的各分类特征对同一目标类型的概率值进行求和,得到和值。然后找出该目标类型在上一帧雷达图像中对应的归一化值,并将该目标类型在上一帧雷达图像中对应的归一化值与上述求得的和值相加,得到概率总和。同时,将当前帧雷达图像中分类特征的种类数量加1,作为除数。最后,将概率总和对除数求平均值,将平均值作为该目标类型在当前帧雷达图像中的归一化值。对每一目标类型均安照上述方法计算得到相对应的归一化值,挑选出归一化值最大的目标类型作为跟踪目标在当前帧雷达图像中的分类结果。
利用实验对本实施例中公开的雷达目标识别方法进行验证,发现该雷达目标识别方法的检测准确率可高达90%以上,具有较高的使用价值。
显然,本发明的上述实施例仅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。
Claims (9)
1.一种基于概率统计的雷达目标识别方法,其特征在于,包括
构建基础数据库,所述基础数据库中包含多种目标类型、多项点迹特征、以及各点迹特征在不同取值情况下对各目标类型的概率值;
获取当前帧的雷达图像,并在雷达图像上筛选出属于跟踪目标的信号点;
获取信号点的分类特征,所述分类特征包括信号点数量、信号点最小分布面积、信号点与雷达的平均相对距离以及信号幅值;
将信号点的分类特征与基础数据库中的点迹特征进行匹配,确定每一个分类特征对各目标类型的概率值,且同一分类特征对不同目标类型的概率值之和为1;
将各分类特征对同一目标类型的概率值求和,并获取归一化值;
将归一化值最大的目标类型作为跟踪目标在当前帧雷达图像中的分类结果;
所述基础数据库还包括各目标类型在上一帧雷达图像中所对应的归一化值;在当前帧的雷达图像中,与各目标类型相对应的归一化值的计算包括:
将各分类特征对同一目标类型的概率值求和;
将和值与该目标类型在上一帧雷达图像中对应的归一化值相加,得到概率总和;
将分类特征的种类数加1,作为除数;
将概率总和对除数求平均值,将平均值作为该目标类型在当前帧雷达图像中的归一化值。
2.如权利要求1所述一种基于概率统计的雷达目标识别方法,其特征在于,所述获取当前帧的雷达图像,并在雷达图像上筛选出属于跟踪目标的信号点步骤,包括:
将上一帧雷达图像与当前帧雷达图像进行匹配,利用相应的历史运动状态信息获取跟踪目标在当前帧雷达图像上的预测位置;
利用波门阈值对预测位置内的点迹进行聚类,将波门阈值内的点迹视为跟踪目标的信号点。
3.如权利要求2所述一种基于概率统计的雷达目标识别方法,其特征在于,所述历史运动状态信息至少包括跟踪目标在上一帧雷达图像中的位置信息、方向、角度及速度。
4.如权利要求2所述一种基于概率统计的雷达目标识别方法,其特征在于,所述波门阈值的设定包括如下步骤:
记录跟踪目标在上一帧雷达图像中的分类结果,所述分类结果包括小轿车、大卡车及行人;
根据跟踪目标在上一帧雷达图像中的分类结果设置相匹配的波门阈值。
5.如权利要求4所述一种基于概率统计的雷达目标识别方法,其特征在于,所述波门阈值包括与小汽车相匹配的第一波门阈值、与大卡车相匹配的第二波门阈值以及与行人相匹配的第三波门阈值。
6.如权利要求5所述一种基于概率统计的雷达目标识别方法,其特征在于,所述第一波门阈值为3m*5m;所述第二波门阈值为10m*7m;所述第三波门阈值为2.0m*0.5m。
7.如权利要求1所述一种基于概率统计的雷达目标识别方法,其特征在于,所述信号点与雷达的平均相对距离的获取包括:
分别计算各信号点与雷达之间的距离;
将各信号点与雷达之间的距离进行求和,并用和值除以信号点数量,即得信号点与雷达的平均相对距离。
8.如权利要求1所述一种基于概率统计的雷达目标识别方法,其特征在于,所述点迹特征在不同取值条件下对各目标类型的概率值通过经验确定。
9.如权利要求1所述一种基于概率统计的雷达目标识别方法,其特征在于,所述信号点最小分布面积是指能够覆盖所有信号点的最小面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911044421.3A CN110907909B (zh) | 2019-10-30 | 2019-10-30 | 一种基于概率统计的雷达目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911044421.3A CN110907909B (zh) | 2019-10-30 | 2019-10-30 | 一种基于概率统计的雷达目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110907909A CN110907909A (zh) | 2020-03-24 |
CN110907909B true CN110907909B (zh) | 2023-09-12 |
Family
ID=69815186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911044421.3A Active CN110907909B (zh) | 2019-10-30 | 2019-10-30 | 一种基于概率统计的雷达目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110907909B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113495270A (zh) * | 2020-04-07 | 2021-10-12 | 富士通株式会社 | 基于微波雷达的监控装置以及方法 |
CN111666985B (zh) * | 2020-05-21 | 2022-10-21 | 武汉大学 | 一种基于dropout的深度学习对抗样本图像分类防御方法 |
CN111880160B (zh) * | 2020-08-10 | 2023-01-31 | 深圳电目科技有限公司 | 基于雷达的人车识别方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571915A (zh) * | 2009-06-16 | 2009-11-04 | 大连海事大学 | 基于特征值的sar图像溢油识别方法 |
CN101739685A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标分类方法及其*** |
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及*** |
CN104751171A (zh) * | 2015-03-09 | 2015-07-01 | 中南大学 | 基于特征加权的朴素贝叶斯扫描证书图像分类方法 |
CN106294416A (zh) * | 2015-05-25 | 2017-01-04 | 阿里巴巴集团控股有限公司 | Seo词库的分类模型建立方法、关键词选取方法及装置 |
CN107958230A (zh) * | 2017-12-22 | 2018-04-24 | 中国科学院深圳先进技术研究院 | 人脸表情识别方法及装置 |
WO2018121287A1 (zh) * | 2016-12-30 | 2018-07-05 | 纳恩博(北京)科技有限公司 | 目标再识别方法和装置 |
CN109782267A (zh) * | 2019-01-25 | 2019-05-21 | 北京润科通用技术有限公司 | 航迹关联方法及车载雷达 |
-
2019
- 2019-10-30 CN CN201911044421.3A patent/CN110907909B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739685A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标分类方法及其*** |
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及*** |
CN101571915A (zh) * | 2009-06-16 | 2009-11-04 | 大连海事大学 | 基于特征值的sar图像溢油识别方法 |
CN104751171A (zh) * | 2015-03-09 | 2015-07-01 | 中南大学 | 基于特征加权的朴素贝叶斯扫描证书图像分类方法 |
CN106294416A (zh) * | 2015-05-25 | 2017-01-04 | 阿里巴巴集团控股有限公司 | Seo词库的分类模型建立方法、关键词选取方法及装置 |
WO2018121287A1 (zh) * | 2016-12-30 | 2018-07-05 | 纳恩博(北京)科技有限公司 | 目标再识别方法和装置 |
CN107958230A (zh) * | 2017-12-22 | 2018-04-24 | 中国科学院深圳先进技术研究院 | 人脸表情识别方法及装置 |
CN109782267A (zh) * | 2019-01-25 | 2019-05-21 | 北京润科通用技术有限公司 | 航迹关联方法及车载雷达 |
Also Published As
Publication number | Publication date |
---|---|
CN110907909A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110907909B (zh) | 一种基于概率统计的雷达目标识别方法 | |
US10713490B2 (en) | Traffic monitoring and reporting system and method | |
CN112216097A (zh) | 一种检测车辆的盲区的方法及装置 | |
US11709282B2 (en) | Asset tracking systems | |
US8818702B2 (en) | System and method for tracking objects | |
CN105825185A (zh) | 车辆防碰撞预警方法及装置 | |
Wu et al. | Adaptive vehicle detector approach for complex environments | |
CN111898491B (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN113378751A (zh) | 一种基于dbscan算法的交通目标识别方法 | |
Gandhi et al. | Video based surround vehicle detection, classification and logging from moving platforms: Issues and approaches | |
JP7037672B2 (ja) | 自動車用レーダセンサによる静的レーダ目標の認識方法 | |
Sreedhar et al. | Autotrack: a framework for query-based vehicle tracking and retrieval from CCTV footages using machine learning at the edge | |
CN115937827A (zh) | 用于汽车紧急主动避险的监控视频处理方法 | |
CN116563801A (zh) | 交通事故检测方法、装置、电子设备和介质 | |
CN112101069A (zh) | 确定行驶区域信息的方法及装置 | |
Heo et al. | Autonomous reckless driving detection using deep learning on embedded GPUs | |
CN114530057A (zh) | 一种车辆预警方法、装置、车辆及存储介质 | |
CN112686136A (zh) | 一种对象检测方法、装置及*** | |
Moayed et al. | Surveillance-based collision-time analysis of road-crossing pedestrians | |
Chang et al. | Vehicle detection approach adjusting road curves to estimate local traffic density under real driving conditions | |
CN113128264A (zh) | 一种车辆区域确定方法、装置及电子设备 | |
Wang et al. | Classification and tracking of moving objects from 77 GHz automotive radar sensors | |
CN116659540B (zh) | 一种在自动驾驶过程中的交通护栏识别方法 | |
KR101698266B1 (ko) | 지능형 고속 다중 객체 인식 장치 및 방법 | |
Ketcham et al. | Detection and Recognition of Vehicle Components Using Image Processing and Deep Learning Techniques |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |