CN111045008B - 基于展宽计算的车载毫米波雷达目标识别方法 - Google Patents
基于展宽计算的车载毫米波雷达目标识别方法 Download PDFInfo
- Publication number
- CN111045008B CN111045008B CN202010042315.8A CN202010042315A CN111045008B CN 111045008 B CN111045008 B CN 111045008B CN 202010042315 A CN202010042315 A CN 202010042315A CN 111045008 B CN111045008 B CN 111045008B
- Authority
- CN
- China
- Prior art keywords
- doppler
- target
- distance
- data
- dimensional matrix
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 26
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请属于雷达目标类型识别的技术领域，提供了一种基于展宽计算的车载毫米波雷达目标识别方法，该方法包括：获取接收到的雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离‑多普勒二维矩阵；对所述距离‑多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；根据所述距离‑多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据；根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型。本申请实施例解决由于毫米波雷达的点云数据稀疏造成目标特征提取困难的问题。
Description
技术领域
本发明涉及雷达目标类型识别的技术领域，尤其涉及一种基于展宽计算的车载毫米波雷达目标识别方法。
背景技术
毫米波雷达自20世纪发展以来一直被广泛应用于汽车领域，而作为智慧交通的重要组成部分在辅助驾驶、自动驾驶应用上被大家熟知。BSD，即盲区检测从2017年一直保持最高的渗透率并且稳步增长。而作为(ADAS)高级驾驶辅助******中重要的组成部分、毫米波雷达的基本功能已经表现出非常强劲的市场生命力，不仅在技术上成熟稳定，而且用户的接受程度也高。
在BSD方案***中，至关重要的一点是雷达能够有效识别盲区中的目标类型，以反馈给控制***，进而做出正确的驾驶操作。行人和车辆目标是最为典型的路面目标，因此对于行人和车辆目标的正确识别对BSD***来说不可或缺。
现有技术中，将毫米波雷达的点云数据进行聚类，得到不同类别的目标点云数据，然后建立特征向量样本集，采用十折交叉验证的方法将特征样本集分为训练集和测试集，采用训练集对核支持向量机进行训练。但是由于毫米波雷达的点云通常比较稀疏，因此在实际使用时，检测目标很可能是个孤立的点，这种情况下该算法就会失效。
发明内容
有鉴于此，本发明实施例提供了一种基于展宽计算的车载毫米波雷达目标识别方法，以解决由于毫米波雷达的点云数据稀疏造成目标特征提取困难的问题。
本发明实施例的第一方面提供了一种基于展宽计算的车载毫米波雷达目标识别方法，包括：
获取接收到的雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵；
对所述距离-多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；
根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；
根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据；其中，所述目标特征包括所述聚类数据中幅度最大点迹的多普勒展宽和所述聚类数据中幅度最大点迹的距离展宽；
根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型。
在一个实施示例中，所述目标特征还包括所述聚类数据的目标平均速度、所述聚类数据中不同点迹速度差值的最大值和所述聚类数据中不同点迹距离差值的最大值。
在一个实施示例中，当从所述聚类数据中提取所述聚类数据中幅度最大点迹的多普勒展宽或所述聚类数据中幅度最大点迹的距离展宽时，所述根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据，包括：
确定所述聚类数据中具有最大幅度的点迹为基准点迹；
查找位于所述距离-多普勒二维矩阵中所述基准点迹对应的多普勒维和距离维的展宽计算范围内的点；其中，所述距离-多普勒二维矩阵中所述多普勒维的坐标为多普勒单元，所述距离维的坐标为距离单元；
根据查找到的点计算所述基准点迹的多普勒展宽或距离展宽。
在一个实施示例中，所述根据查找到的点计算所述基准点迹的多普勒展宽或距离展宽，包括：
对于每一组多普勒单元或距离单元相同的若干所述查找到的点，若所述若干查找到的点的幅值均大于所述基准点迹的幅值，则根据所述基准点迹的幅值对所述若干查找到的点的幅值进行限制幅度计算，并计算幅度限制后的所述若干查找到的点的均值，将计算得到的均值累加至多普勒展宽或距离展宽中；
对于每一组多普勒单元或距离单元相同的若干所述查找到的点，若所述若干查找到的点的幅值均小于所述基准点迹的幅值，则计算所述若干查找到的点的均值，将计算得到的均值累加至多普勒展宽或距离展宽中；
遍历所有位于所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围内的点，得到所述基准点迹的多普勒展宽或距离展宽。
在一个实施示例中，当从所述聚类数据中提取所述聚类数据中幅度最大点迹的多普勒展宽时，在所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围包括以所述基准点迹为中心在多普勒维以及距离维的点；且根据所述目标的特性限定所述展宽计算范围中所述多普勒维的范围。
在一个实施示例中，当从所述聚类数据中提取所述聚类数据中幅度最大点迹的距离展宽时，在所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围包括以所述基准点迹为中心在多普勒维以及距离维的点；且根据所述目标的特性限定所述展宽计算范围中所述距离维的范围。
在一个实施示例中，所述根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型，包括：
通过交叉验证的方式将所述特征样本数据划分为训练数据和测试数据；
根据所述训练数据对目标识别模型进行训练构建所述目标识别模型，以进行目标识别；
将所述测试数据输入所述目标识别模型，以对所述目标识别模型进行测试。
在一个实施示例中，在根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型之后，还包括：
对于接收到的每帧雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵；
对所述距离-多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；
根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；
根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，将所述目标特征输入所述目标识别模型，得到目标识别结果。
在一个实施示例中，在根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，将所述目标特征输入所述目标识别模型，得到目标识别结果之后，还包括：
若在连续三帧所述雷达回波信号中存在两帧所述雷达回波信号对应的目标识别结果相同，则雷达检测的目标为所述目标识别结果。
在一个实施示例中，所述特征数据包括距离、速度、角度和幅度。
本发明实施例提供的一种基于展宽计算的车载毫米波雷达目标识别方法，通过获取接收到的雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵；对所述距离-多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据；其中，所述目标特征包括所述聚类数据中幅度最大点迹的多普勒展宽和所述聚类数据中幅度最大点迹的距离展宽；根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型。实现在聚类数据中只具有单个点迹的情况下，能够根据距离-多普勒二维矩阵准确对聚类数据中目标的距离和多普勒展宽特征进行提取。解决由于毫米波雷达的点云数据稀疏造成目标特征提取困难的问题，实现对目标的有效识别区分。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的基于展宽计算的车载毫米波雷达目标识别方法的流程示意图；
图2是本发明实施例一提供距离-多普勒二维矩阵的结构示意图；
图3是本发明实施例一提供的计算聚类数据中幅度最大点迹的多普勒展宽的流程示意图；
图4是本发明实施例一提供的计算聚类数据中幅度最大点迹的距离展宽的流程示意图；
图5是本发明实施例一提供的目标识别模型的测试结果的表格示意图；
图6是本发明实施例二提供的基于展宽计算的车载毫米波雷达目标识别方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。
实施例一
如图1所示，是本发明实施例一提供的基于展宽计算的车载毫米波雷达目标识别方法的流程示意图。在本申请实施例中以目标识别模型的训练装置作为执行主体进行说明，该方法具体包括如下步骤：
S110、获取接收到的雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵；
现有技术中对雷达的目标识别模型的训练过程为对毫米波雷达的点云数据进行聚类，得到不同类别的目标点云数据，然后建立特征向量样本集，采用十折交叉验证的方法将特征样本集分为训练集和测试集，采用训练集对核支持向量机进行训练。但是由于毫米波雷达的点云通常比较稀疏，因此在实际使用时，检测目标很可能是个孤立的点，这种情况下该算法就会失效。为解决这一问题，本实施例通过对采样到的雷达回波信号进行空间分布信息和多普勒信息进行提取得到距离-多普勒二维矩阵，根据该距离-多普勒二维矩阵从目标点迹的聚类数据中提取目标特征，解决由于毫米波雷达的点云数据稀疏造成目标特征提取困难的问题。可选的，雷达可为车载毫米波雷达。
具体地，通过毫米波雷达发送线性调频信号对目标，例如行人、车辆等进行检测后，接收到经过目标反射的雷达回波信号。可选的，可将接收到的雷达回波信号整理为雷达数据立方体(radarCube)。对接收到的雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵(Range-Doppler Matrix,RDM)。如图2所示，为计算得到的距离-多普勒二维矩阵的结构示意图，将距离-多普勒二维矩阵中的距离单元(rangeBin)和多普勒单元(dopplerBin)作为坐标位置，形成距离维和多普勒维。图2中距离-多普勒二维矩阵中每一个方格对应距离-多普勒二维矩阵的一个点，且距离-多普勒二维矩阵中每一点具有不同的[距离单元(rangeBin)，多普勒单元(dopplerBin)]坐标位置和幅值。
S120、对所述距离-多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；
在对接收到的雷达回波信号的空间分布信息和多普勒信息进行提取得到距离-多普勒二维矩阵后，对该距离-多普勒二维矩阵(RDM)进行目标检测，将距离-多普勒二维矩阵(RDM)中目标(例如行人和车辆等)对应的点迹的特征数据提取出来，得到目标点迹的特征数据。在一个实施示例中，获取到的目标点迹的特征数据包括距离R、速度V、角度θ和幅度A等。
S130、根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；
对所述距离-多普勒二维矩阵的数据进行目标检测得到目标点迹的特征数据后，可通过预设的聚类算法对特征数据进行聚类，将目标点迹的特征数据中属于同一目标的特征数据聚类在一起，得到每一目标的聚类数据。可选的，预设聚类算法和聚类算法中的聚类参数根据雷达的实际参数配置调整。
S140、根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据；其中，所述目标特征包括所述聚类数据中幅度最大点迹的多普勒展宽和所述聚类数据中幅度最大点迹的距离展宽；
根据预设聚类算法对所述特征数据进行聚类得到所述目标的聚类数据后，可根据步骤110计算得到的距离-多普勒二维矩阵(RDM)从目标的聚类数据中提取目标特征建立特征向量。通过大量采集雷达回波信号得到大量目标特征，根据采集到的大量目标特征构建特征样本数据。其中，从目标的聚类数据中提取目标特征包括所述聚类数据中幅度最大点迹的多普勒展宽和所述聚类数据中幅度最大点迹的距离展宽。
在一个实施示例中，从目标的聚类数据中提取目标特征还包括聚类数据的目标平均速度、所述聚类数据中不同点迹速度差值的最大值和所述聚类数据中不同点迹距离差值的最大值。具体地，目标特征：聚类数据的目标平均速度、所述聚类数据中不同点迹速度差值的最大值和所述聚类数据中不同点迹距离差值的最大值可直接从目标的聚类数据中提取。
在一个实施示例中，当从所述聚类数据中提取所述聚类数据中幅度最大点迹的多普勒展宽时，所述根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据，包括：确定所述聚类数据中具有最大幅度的点迹为基准点迹；查找位于所述距离-多普勒二维矩阵中所述基准点迹对应的多普勒维和距离维的展宽计算范围内的点；根据查找到的点计算所述基准点迹的多普勒展宽；其中，所述距离-多普勒二维矩阵中所述多普勒维的坐标为多普勒单元，所述距离维的坐标为距离单元。
具体地，由于需提取的目标特征为聚类数据中幅度最大点迹的多普勒展宽，需从聚类数据中找出具有最大幅度的点迹。可确定所述聚类数据中具有最大幅度的点迹为基准点迹。为避免聚类数据中只有单个点迹而无法在聚类数据中提取到目标特征的问题，根据对接收到的雷达回波信号的空间分布信息和多普勒信息进行提取得到的距离-多普勒二维矩阵和聚类数据计算聚类数据中幅度最大点迹的多普勒展宽。可确定所述聚类数据中具有最大幅度的点迹为基准点迹，根据该基准点迹在距离-多普勒二维矩阵中在距离维和多普勒维的坐标位置，确定在所述距离-多普勒二维矩阵中基准点迹对应的展宽计算范围内的点。从而根据查找到的点计算基准点迹的多普勒展宽。
在一个实施示例中，根据查找到的点计算所述基准点迹的多普勒展宽的具体过程可为：对于每一组多普勒单元相同的若干所述查找到的点，若所述若干查找到的点的幅值均大于所述基准点迹的幅值，则根据所述基准点迹的幅值对所述若干查找到的点的幅值进行限制幅度计算，并计算幅度限制后的所述若干查找到的点的均值，将计算得到的均值累加至多普勒展宽中；对于每一组多普勒单元相同的若干所述查找到的点，若所述若干查找到的点的幅值均小于所述基准点迹的幅值，则计算所述若干查找到的点的均值，将计算得到的均值累加至多普勒展宽中；遍历所有位于所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围内的点，得到所述基准点迹的多普勒展宽。
由于在距离-多普勒二维矩阵中基准点迹对应的展宽计算范围内幅值大于基准点迹的点可能为相邻目标对应的点，为减小相邻目标的点对基准点迹的多普勒展宽的计算干扰，若每一组多普勒单元相同的若干查找到的点的幅值均大于基准点迹的幅值，可通过对该组中若干点进行限制幅度计算，并计算幅度限制后的该组中若干查找到的点的均值，将计算得到的均值累加至多普勒展宽中。若每一组多普勒单元相同的若干查找到的点的幅值均小于所述基准点迹的幅值，则计算该组中若干查找到的点的均值，将计算得到的均值累加至多普勒展宽中；遍历所有位于所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围内的点，得到基准点迹的多普勒展宽。
在一个实施示例中，当从所述聚类数据中提取所述聚类数据中幅度最大点迹的多普勒展宽时，在所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围包括以所述基准点迹为中心在多普勒维以及距离维的点。由于行人在走动时胳膊和腿的额外运动，行人目标的速度会有额外的展宽，而距离向没有明显的展宽；与之相反，由于汽车具有一定的长度，所以汽车在距离向会有额外的展宽而速度没有明显展宽。可根据所述目标的特性限定所述展宽计算范围中所述多普勒维的范围。
具体地，为使得根据距离-多普勒二维矩阵和聚类数据计算得到的聚类数据中幅度最大点迹的多普勒展宽更准确稳定，在距离-多普勒二维矩阵中基准点迹对应的展宽计算范围可为以所述基准点迹为中心在多普勒维以及距离维的点，即如图2所示范围21中阴影部分的点；且根据所述目标的特性限定所述展宽计算范围中所述多普勒维的范围。
详细地，如图2所示，预设图中黑色方块位置为聚类数据中具有最大幅度的点迹，即基准点迹；获取该基准点迹在距离-多普勒二维矩阵中的坐标位置[dopplerBin,rangeBin]，则查找位于所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围内的点；根据查找到的点计算所述基准点迹的多普勒展宽的具体过程可为：根据所述目标的特性限定设定参考单元数N，且N为奇数；如图3所示为计算聚类数据中幅度最大点迹的多普勒展宽的流程示意图；
步骤11、获取该基准点迹在距离-多普勒二维矩阵中的坐标位置[dopplerBin,rangeBin]；
步骤12、根据所述目标的特性限定设定参考单元数N，且N为奇数；初始化循环变量i＝-(N-1)/2；多普勒展宽D_e＝0；
步骤13、计算临时变量rdmT＝RDM[dopplerBin,rangeBin]；tem1＝RDM[dopplerBin+i,rangeBin-1]，tem2＝RDM[dopplerBin+i,rangeBin]，tem3＝RDM[dopplerBin+i,rangeBin+1]；
具体地，RDM[dopplerBin,rangeBin]为在距离-多普勒二维矩阵中坐标位置为[dopplerBin,rangeBin]的点的幅值信息。
步骤14、若tem1大于rdmT,tem1＝tem1*rdmT/(tem1+rdmT)；若tem2大于rdmT,tem2＝tem2*rdmT/(tem2+rdmT)；若tem3大于rdmT,tem3＝tem3*rdmT/(tem3+rdmT)；
步骤15、若tem1小于rdmT，tem2小于rdmT，tem3小于rdmT，则执行步骤16；
步骤16、计算多普勒展宽D_e＝D_e+mean([tem1/rdmT，tem2/rdmT，tem3/rdmT])，mean表示求平均；
步骤17、判断i是否小于(N-1)/2，如果是则i＝i+1，并返回执行步骤13，否则执行步骤18；
步骤18、确定聚类数据中具有最大幅度的点迹的多普勒展宽为D_e。
在一个实施示例中，当从所述聚类数据中提取所述聚类数据中幅度最大点迹的距离展宽时，所述根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据，包括：确定所述聚类数据中具有最大幅度的点迹为基准点迹；查找位于所述距离-多普勒二维矩阵中所述基准点迹对应的多普勒维和距离维的展宽计算范围内的点；根据查找到的点计算所述基准点迹的距离展宽。
具体地，由于需提取的目标特征为聚类数据中幅度最大点迹的距离展宽，需从聚类数据中找出具有最大幅度的点迹。可确定所述聚类数据中具有最大幅度的点迹为基准点迹。为避免聚类数据中只有单个点迹而无法在聚类数据中提取到目标特征的问题，根据对接收到的雷达回波信号的空间分布信息和多普勒信息进行提取得到的距离-多普勒二维矩阵和聚类数据计算聚类数据中幅度最大点迹的距离展宽。可确定所述聚类数据中具有最大幅度的点迹为基准点迹，根据该基准点迹在距离-多普勒二维矩阵中在距离维和多普勒维的坐标位置，确定在所述距离-多普勒二维矩阵中基准点迹对应的展宽计算范围内的点。从而根据查找到的点计算基准点迹的距离展宽。
在一个实施示例中，在一个实施示例中，根据查找到的点计算所述基准点迹的距离展宽的具体过程可为：对于每一组距离单元相同的若干所述查找到的点，若所述若干查找到的点的幅值均大于所述基准点迹的幅值，则根据所述基准点迹的幅值对所述若干查找到的点的幅值进行限制幅度计算，并计算幅度限制后的所述若干查找到的点的均值，将计算得到的均值累加至距离展宽中；对于每一组距离单元相同的若干所述查找到的点，若所述若干查找到的点的幅值均小于所述基准点迹的幅值，则计算所述若干查找到的点的均值，将计算得到的均值累加至距离展宽中；遍历所有位于所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围内的点，得到所述基准点迹的距离展宽。
由于在距离-多普勒二维矩阵中基准点迹对应的展宽计算范围内幅值大于基准点迹的点可能为相邻目标对应的点，为减小相邻目标的点对基准点迹的距离展宽的计算干扰，若每一组距离单元相同的若干查找到的点的幅值均大于基准点迹的幅值，可通过对该组中若干点进行限制幅度计算，并计算幅度限制后的该组中若干查找到的点的均值，将计算得到的均值累加至距离展宽中。若每一组距离单元相同的若干查找到的点的幅值均小于所述基准点迹的幅值，则计算该组中若干查找到的点的均值，将计算得到的均值累加至距离展宽中；遍历所有位于所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围内的点，得到基准点迹的距离展宽。
具体地，为使得根据距离-多普勒二维矩阵和聚类数据计算得到的聚类数据中幅度最大点迹的距离展宽更准确稳定，在距离-多普勒二维矩阵中基准点迹对应的展宽计算范围可为以所述基准点迹为中心在多普勒维以及距离维的点，即如图2所示范围22中阴影部分的点；且根据所述目标的特性限定展宽计算范围中距离维的范围。
详细地，如图2所示，预设图中黑色方块位置为聚类数据中具有最大幅度的点迹，即基准点迹；获取该基准点迹在距离-多普勒二维矩阵中的坐标位置[dopplerBin,rangeBin]，则查找位于所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围内的点；根据查找到的点计算所述基准点迹的距离展宽的具体过程可为：根据所述目标的特性限定设定参考单元数N，且N为奇数；如图4所示为计算聚类数据中幅度最大点迹的距离展宽的流程示意图；
步骤21、获取该基准点迹在距离-多普勒二维矩阵中的坐标位置[dopplerBin,rangeBin]；
步骤22、根据所述目标的特性限定设定参考单元数N，且N为奇数；初始化循环变量i＝-(N-1)/2；距离展宽R_e＝0；
步骤23、计算临时变量rdmT＝RDM[dopplerBin,rangeBin]；tem1＝RDM[dopplerBin-1,rangeBin+i]，tem2＝RDM[dopplerBin,rangeBin+i]，tem3＝RDM[dopplerBin+1,rangeBin+i]；
具体地，RDM[dopplerBin,rangeBin]为在距离-多普勒二维矩阵中坐标位置为[dopplerBin,rangeBin]的点的幅值信息。
步骤24、若tem1大于rdmT,tem1＝tem1*rdmT/(tem1+rdmT)；若tem2大于rdmT,tem2＝tem2*rdmT/(tem2+rdmT)；若tem3大于rdmT,tem3＝tem3*rdmT/(tem3+rdmT)；
步骤25、若tem1小于rdmT，若tem2小于rdmT，若tem3小于rdmT，则执行步骤26；
步骤26、计算距离展宽R_e＝R_e+mean([tem1/rdmT，tem2/rdmT，tem3/rdmT])，mean表示求平均；
步骤27、判断i是否小于(N-1)/2，如果是则i＝i+1，并返回执行步骤23，否则执行步骤28；
步骤28、确定聚类数据中具有最大幅度的点迹的距离展宽为R_e。
S150、根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型。
根据提取到的目标特征构建特征样本数据后，可将特征样本数据作为训练数据对目标识别模型进行训练，从而完成目标识别模型的构建，可选的，目标识别模型可为向量机(SVM)。
在一个实施示例中，根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型的具体过程可为：通过交叉验证的方式将所述特征样本数据划分为训练数据和测试数据；根据所述训练数据对目标识别模型进行训练构建所述目标识别模型，以进行目标识别；将所述测试数据输入所述目标识别模型，以对所述目标识别模型进行测试。
具体地，根据提取到的目标特征构建特征样本数据后，还可采用交叉验证的方式将特征样本数据分为训练数据和测试数据。采用训练数据对目标识别模型进行训练构建所述目标识别模型，以进行目标识别。可选的，目标包括行人和车辆等。还可将测试数据输入训练完成的目标识别模型，以对构建的目标识别模型进行测试。详细地，本实施例中可采用NXP S32R274雷达芯片，搭载TEF8102射频芯片。相关的雷达配置参数如下：距离分辨率0.3979m，距离单元数128，速度分辨率0.1152m/s，速度单元数256，最大不模糊速度29.5m/s，采用2*4MIMO-TDM模式。行人目标和车辆目标均采集了1000组数据，经过本发明提出的方法，分别对采集的数据提取5种特征，构建特征集。支持向量机核函数采用高斯核函数，采用简单交叉验证方式，70％的训练集和30％的测试集。最终的结果如图5所示，实现行人和车辆的识别准确率高达91.67％和93.33％。
本发明实施例提供的一种基于展宽计算的车载毫米波雷达目标识别方法，通过获取接收到的雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵；对所述距离-多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据；其中，所述目标特征包括所述聚类数据中幅度最大点迹的多普勒展宽和所述聚类数据中幅度最大点迹的距离展宽；根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型。实现在聚类数据中只具有单个点迹的情况下，能够根据距离-多普勒二维矩阵准确对聚类数据中目标的距离和多普勒展宽特征进行提取。解决由于毫米波雷达的点云数据稀疏造成目标特征提取困难的问题，实现对目标的有效识别区分。
实施例二
如图6所示的是本发明实施例二提供的基于展宽计算的车载毫米波雷达目标识别方法的流程示意图。在实施例一的基础上，本实施例还提供了使用目标识别模型对雷达回波信号检测的目标进行识别的方法，从而实现雷达的检测目标的识别。该方法具体包括：
S210、对于接收到的每帧雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵；
由于雷达以预设频率发射探测信号，可接收到多帧雷达回波信号。对于接收到的每帧雷达回波信号，可将每帧雷达回波信号整理为雷达数据立方体(radarCube)。对接收到的雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵(Range-Doppler Matrix,RDM)。
S220、对所述距离-多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；
在对接收到的一帧雷达回波信号的空间分布信息和多普勒信息进行提取得到距离-多普勒二维矩阵后，对该距离-多普勒二维矩阵(RDM)进行目标检测，将距离-多普勒二维矩阵(RDM)中目标(例如行人和车辆等)对应的点迹的特征数据提取出来，得到目标点迹的特征数据。在一个实施示例中，获取到的目标点迹的特征数据包括距离R、速度V、角度θ和幅度A等。
S230、根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；
对所述距离-多普勒二维矩阵的数据进行目标检测得到目标点迹的特征数据后，可通过预设的聚类算法对特征数据进行聚类，将目标点迹的特征数据中属于同一目标的特征数据聚类在一起，得到每一目标的聚类数据。可选的，预设聚类算法和聚类算法中的聚类参数根据雷达的实际参数配置调整。
S240、根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，将所述目标特征输入所述目标识别模型，得到目标识别结果；
根据预设聚类算法对所述特征数据进行聚类得到所述目标的聚类数据后，可根据计算得到的距离-多普勒二维矩阵(RDM)从目标的聚类数据中提取目标特征建立特征向量。其中，从目标的聚类数据中提取目标特征包括：聚类数据的目标平均速度、所述聚类数据中不同点迹速度差值的最大值和所述聚类数据中不同点迹距离差值的最大值、所述聚类数据中幅度最大点迹的多普勒展宽和所述聚类数据中幅度最大点迹的距离展宽。具体地，目标特征：聚类数据的目标平均速度、所述聚类数据中不同点迹速度差值的最大值和所述聚类数据中不同点迹距离差值的最大值可直接从目标的聚类数据中提取。
将提取到的5个目标特征输入实施例二中训练好的目标识别模型得到此帧雷达回波信号对应的目标识别结果。可选的，该目标识别结果可为行人或车辆等。
S250、若在连续三帧所述雷达回波信号中存在两帧所述雷达回波信号对应的目标识别结果相同，则雷达检测的目标为所述目标识别结果。
缓存连续三帧雷达回波信号对应的目标识别结果，若判断在连续三帧雷达回波信号中具有两帧雷达回波信号对应的目标识别结果相同，综合卡尔曼跟踪情况，可确定当前雷达检测的目标为目标识别结果。通过综合卡尔曼跟踪情况，参考历史类别判断情况，采用如2/3法则等方法综合判断目标类型，降低了因偶然情况错误判断目标类型的概率，提高了***的稳定性。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，包括：
获取接收到的雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵；
对所述距离-多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；
根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；
根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据；其中，所述目标特征包括所述聚类数据中幅度最大点迹的多普勒展宽和所述聚类数据中幅度最大点迹的距离展宽；
根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型；
当从所述聚类数据中提取所述聚类数据中幅度最大点迹的多普勒展宽时，所述根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据，包括：确定所述聚类数据中具有最大幅度的点迹为基准点迹；查找位于所述距离-多普勒二维矩阵中所述基准点迹对应的多普勒维和距离维的展宽计算范围内的点；根据查找到的点计算所述基准点迹的多普勒展宽；其中，所述距离-多普勒二维矩阵中所述多普勒维的坐标为多普勒单元，所述距离维的坐标为距离单元；
计算聚类数据中幅度最大点迹的多普勒展宽包括；
步骤11、获取基准点迹在距离-多普勒二维矩阵中的坐标位置[dopplerBin,rangeBin]；
步骤12、根据所述目标的特性限定设定参考单元数N，且N为奇数；初始化循环变量i＝-(N-1)/2；多普勒展宽D_e＝0；
步骤13、计算临时变量rdmT＝RDM[dopplerBin,rangeBin]；tem1＝RDM[dopplerBin+i,rangeBin-1]，tem2＝RDM[dopplerBin+i,rangeBin]，tem3＝RDM[dopplerBin+i,rangeBin+1]，RDM[dopplerBin,rangeBin]为在距离-多普勒二维矩阵中坐标位置为[dopplerBin,rangeBin]的点的幅值信息；
步骤14、若tem1大于rdmT,tem1＝tem1*rdmT/(tem1+rdmT)；若tem2大于rdmT,tem2＝tem2*rdmT/(tem2+rdmT)；若tem3大于rdmT,tem3＝tem3*rdmT/(tem3+rdmT)；
步骤15、若tem1小于rdmT，tem2小于rdmT，tem3小于rdmT，则执行步骤16；
步骤16、计算多普勒展宽D_e＝D_e+mean([tem1/rdmT，tem2/rdmT，tem3/rdmT])，mean表示求平均；
步骤17、判断i是否小于(N-1)/2，如果是则i＝i+1，并返回执行步骤13，否则执行步骤18；
步骤18、确定聚类数据中具有最大幅度的点迹的多普勒展宽为D_e；
当从所述聚类数据中提取所述聚类数据中幅度最大点迹的距离展宽时，所述根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据，包括：确定所述聚类数据中具有最大幅度的点迹为基准点迹；查找位于所述距离-多普勒二维矩阵中所述基准点迹对应的多普勒维和距离维的展宽计算范围内的点；根据查找到的点计算所述基准点迹的距离展宽。
2.如权利要求1所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，所述目标特征还包括所述聚类数据的目标平均速度、所述聚类数据中不同点迹速度差值的最大值和所述聚类数据中不同点迹距离差值的最大值。
3.如权利要求1所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，所述根据查找到的点计算所述基准点迹的多普勒展宽或距离展宽，包括：
对于每一组所述多普勒单元或所述距离单元相同的若干所述查找到的点，若所述若干查找到的点的幅值均大于所述基准点迹的幅值，则根据所述基准点迹的幅值对所述若干查找到的点的幅值进行限制幅度计算，并计算幅度限制后的所述若干查找到的点的均值，将计算得到的均值累加至多普勒展宽或距离展宽中；
对于每一组所述多普勒单元或所述距离单元相同的若干所述查找到的点，若所述若干查找到的点的幅值均小于所述基准点迹的幅值，则计算所述若干查找到的点的均值，将计算得到的均值累加至多普勒展宽或距离展宽中；
遍历所有位于所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围内的点，得到所述基准点迹的多普勒展宽或距离展宽。
4.如权利要求3所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，当从所述聚类数据中提取所述聚类数据中幅度最大点迹的多普勒展宽时，在所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围包括以所述基准点迹为中心在多普勒维以及距离维的点；且根据所述目标的特性限定所述展宽计算范围中所述多普勒维的范围。
5.如权利要求4所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，当从所述聚类数据中提取所述聚类数据中幅度最大点迹的距离展宽时，在所述距离-多普勒二维矩阵中所述基准点迹对应的展宽计算范围包括以所述基准点迹为中心在多普勒维以及距离维的点；且根据所述目标的特性限定所述展宽计算范围中所述距离维的范围。
6.如权利要求5所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，所述根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型，包括：
通过交叉验证的方式将所述特征样本数据划分为训练数据和测试数据；
根据所述训练数据对目标识别模型进行训练构建所述目标识别模型，以进行目标识别；
将所述测试数据输入所述目标识别模型，以对所述目标识别模型进行测试。
7.如权利要求6所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，在根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型之后，还包括：
对于接收到的每帧雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离-多普勒二维矩阵；
对所述距离-多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；
根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；
根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，将所述目标特征输入所述目标识别模型，得到目标识别结果。
8.如权利要求7所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，在根据所述距离-多普勒二维矩阵从所述聚类数据中提取目标特征，将所述目标特征输入所述目标识别模型，得到目标识别结果之后，还包括：
若在连续三帧所述雷达回波信号中存在两帧所述雷达回波信号对应的目标识别结果相同，则雷达检测的目标为所述目标识别结果。
9.如权利要求1-6任一项所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，所述特征数据包括距离、速度、角度和幅度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010042315.8A CN111045008B (zh) | 2020-01-15 | 2020-01-15 | 基于展宽计算的车载毫米波雷达目标识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010042315.8A CN111045008B (zh) | 2020-01-15 | 2020-01-15 | 基于展宽计算的车载毫米波雷达目标识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111045008A CN111045008A (zh) | 2020-04-21 |
| CN111045008B true CN111045008B (zh) | 2023-06-09 |
Family
ID=70244631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010042315.8A Active CN111045008B (zh) | 2020-01-15 | 2020-01-15 | 基于展宽计算的车载毫米波雷达目标识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111045008B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111427032B (zh) * | 2020-04-24 | 2022-02-01 | 森思泰克河北科技有限公司 | 基于毫米波雷达的房间墙体轮廓识别方法及终端设备 |
| CN111983595B (zh) * | 2020-07-14 | 2023-11-10 | 北京航空航天大学杭州创新研究院 | 一种室内定位的方法及装置 |
| CN112162271A (zh) * | 2020-08-18 | 2021-01-01 | 河北省交通规划设计院 | 一种微波雷达在多场景下的车型识别方法 |
| CN111929655B (zh) * | 2020-09-08 | 2023-07-14 | 中国电子科技集团公司第三十八研究所 | 一种汽车毫米波雷达道路目标跟踪方法及*** |
| CN112906519B (zh) * | 2021-02-04 | 2023-09-26 | 北京邮电大学 | 一种车辆类型识别方法及装置 |
| CN113269242B (zh) * | 2021-05-18 | 2022-03-08 | 电子科技大学 | 一种基于峰值聚类的目标检测点迹凝聚方法 |
| CN114265057B (zh) * | 2021-11-10 | 2024-04-30 | 西安电子工程研究所 | 基于距离-多普勒二维特征的双目标分离方法 |
| CN114814778B (zh) * | 2022-06-29 | 2022-09-20 | 长沙莫之比智能科技有限公司 | 一种基于毫米波雷达的载体速度解算方法 |
| CN115128571B (zh) * | 2022-09-02 | 2022-12-20 | 长沙莫之比智能科技有限公司 | 一种基于毫米波雷达的多人与非机动车识别方法 |
| CN115236627B (zh) * | 2022-09-21 | 2022-12-16 | 深圳安智杰科技有限公司 | 一种基于多帧多普勒速度扩维的毫米波雷达数据聚类方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110488278A (zh) * | 2019-08-20 | 2019-11-22 | 深圳锐越微技术有限公司 | 多普勒雷达信号类型识别方法 |
| CN110658506A (zh) * | 2019-09-10 | 2020-01-07 | 武汉大学 | 一种基于角度聚类和多普勒分析的微多普勒杂波滤除方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7567203B2 (en) * | 2005-04-11 | 2009-07-28 | Raytheon Canada Limited | Classification system for radar and sonar applications |
| US7965148B2 (en) * | 2009-08-03 | 2011-06-21 | Northrop Grumman Guidance And Electronics Company, Inc. | Atomic frequency clock systems and methods |
| CN103117823B (zh) * | 2013-01-28 | 2015-02-11 | 中国电子科技集团公司第二十二研究所 | 一种短波信道模型建模方法 |
| CN104020451B (zh) * | 2014-06-03 | 2017-02-15 | 西安电子科技大学 | 基于聚类的外辐射源雷达目标航迹处理方法 |
| US10317521B2 (en) * | 2016-06-16 | 2019-06-11 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Frequency diversity pulse pair determination for mitigation of radar range-doppler ambiguity |
| CN107121677B (zh) * | 2017-06-02 | 2019-10-11 | 太原理工大学 | 基于超宽带认知cppm信号的避障雷达方法及装置 |
| CN109917347B (zh) * | 2019-04-10 | 2021-09-24 | 电子科技大学 | 一种基于时频域稀疏重构的雷达行人检测方法 |
| CN110188628A (zh) * | 2019-05-13 | 2019-08-30 | 北京遥感设备研究所 | 一种基于深度学习模型的rd图像舰船目标识别方法 |
-
2020
- 2020-01-15 CN CN202010042315.8A patent/CN111045008B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110488278A (zh) * | 2019-08-20 | 2019-11-22 | 深圳锐越微技术有限公司 | 多普勒雷达信号类型识别方法 |
| CN110658506A (zh) * | 2019-09-10 | 2020-01-07 | 武汉大学 | 一种基于角度聚类和多普勒分析的微多普勒杂波滤除方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于特征辅助的距离高分辨雷达航迹关联算法;刘海波;刘洋;王额;;北京理工大学学报(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111045008A (zh) | 2020-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111045008B (zh) | 基于展宽计算的车载毫米波雷达目标识别方法 | |
| CN111316128A (zh) | 连续障碍物检测方法、设备、***及存储介质 | |
| Li et al. | An adaptive 3D grid-based clustering algorithm for automotive high resolution radar sensor | |
| CN113009441B (zh) | 一种雷达运动反射面多径目标的识别方法及装置 | |
| CN113219462B (zh) | 基于时频图的目标识别方法、装置和终端设备 | |
| US20230139751A1 (en) | Clustering in automotive imaging | |
| CN113076922A (zh) | 一种物体检测方法及装置 | |
| CN114296095A (zh) | 自动驾驶车辆的有效目标提取方法、装置、车辆及介质 | |
| CN114609609A (zh) | Fmcw激光雷达随机采样提取静止点云的速度估计方法 | |
| CN108693517B (zh) | 车辆定位方法、装置和雷达 | |
| CN114137505A (zh) | 一种基于无线雷达的目标检测方法及装置 | |
| CN112689773B (zh) | 雷达信号处理方法和雷达信号处理装置 | |
| CN117054998A (zh) | 一种基于信息熵背景平稳度的集群目标检测方法和*** | |
| Kim et al. | Deep-learning based multi-object detection and tracking using range-angle map in automotive radar systems | |
| WO2021199104A1 (ja) | 物体検知システムおよび物体検知方法 | |
| JP3407045B2 (ja) | ミリ波センサの信号処理方法 | |
| CN113625266A (zh) | 应用雷达检测低速目标的方法、装置、存储介质和设备 | |
| CN113534096A (zh) | 基于样条函数的LiDAR信号几何特征提取方法及*** | |
| CN105242272A (zh) | 基于自回归时间序列模型的车载毫米波防撞雷达恒虚警检测方法 | |
| Wang et al. | Classification and tracking of moving objects from 77 GHz automotive radar sensors | |
| CN113687348B (zh) | 基于追踪微多普勒图的行人识别方法和装置 | |
| CN110782475A (zh) | 一种多径分量的处理方法、终端和计算机存储介质 | |
| CN114236488B (zh) | 目标分类方法、目标分类装置、终端设备及存储介质 | |
| CN116879863B (zh) | 一种连续波4d毫米波雷达多目标测量方法及*** | |
| CN113050056B (zh) | 一种雷达工作环境识别方法、装置及终端设备 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230712 Address after: 518000 107, building 37, chentian Industrial Zone, chentian community, Xixiang street, Bao'an District, Shenzhen, Guangdong Province Patentee after: Shenzhen Huaxun ark Intelligent Information Technology Co.,Ltd. Address before: 518102 East, 2nd floor, building 37, chentian Industrial Zone, Baotian 1st Road, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN HUAXUN FANGZHOU MICROELECTRONIC SCIENCE & TECHNOLOGY Co.,Ltd. Patentee before: CHINA COMMUNICATION TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231201 Address after: Building 7-6, Industrial Control Cloud Creation Port, No. 58 Hongtu Avenue, Honggutan District, Nanchang City, Jiangxi Province, 330000 Patentee after: Jiangxi Huaxun Fangzhou Intelligent Technology Co.,Ltd. Address before: 518000 107, building 37, chentian Industrial Zone, chentian community, Xixiang street, Bao'an District, Shenzhen, Guangdong Province Patentee before: Shenzhen Huaxun ark Intelligent Information Technology Co.,Ltd. |