CN107134143A - 一种基于连续波雷达的车流量统计与车型判别的方法 - Google Patents
一种基于连续波雷达的车流量统计与车型判别的方法 Download PDFInfo
- Publication number
- CN107134143A CN107134143A CN201610107859.1A CN201610107859A CN107134143A CN 107134143 A CN107134143 A CN 107134143A CN 201610107859 A CN201610107859 A CN 201610107859A CN 107134143 A CN107134143 A CN 107134143A
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- vehicle
- target
- radar
- 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
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Abstract
本发明公开了一种基于连续波雷达的车流量统计与车型判别的方法,属于交通雷达目标检测领域。当车辆目标处于雷达辐射区域时,雷达得到多普勒中频信号。对采集的信号做短时傅立叶变换,得到一种关于时间、频率的二维域来表示车辆目标的多普勒频率随时间变化特征。采用大津法二值化处理时频图像,对车辆目标形成的时频特征进行分离、提取。采用链表的方法来表示目标在穿越雷达辐射区域时的整个时频特征的变化。根据能量占优准则去除连接区域小于阈值的干扰目标。通过统计特征链表的个数完成车流量的统计。然后遍历每个特征链表,根据频谱脊线展宽宽度来判别车型。本发明与传统的检测线方法相比,具有判断直观、测量准确等特点。
Description
技术领域
本发明属于交通雷达目标检测领域,具体涉及一种连续波雷达的车流量统计与车型判别的实现方法。
背景技术
交通雷达是实现智能交通系统的重要组成部分,发展智能交通系统将有效的缓解我国城市交通压力。交通雷达的工作原理是发射雷达信号,雷达波通过物体反射到雷达接收天线。接收信号与发射信号进行混频得到多普勒中频信号。通过一定的雷达信号处理方法获得车辆目标的速度、距离、角度等基本信息,然后实现车流量统计、车型判别等功能。这些信息都是根据雷达接收机采集雷达回波信号进行处理、分析得到的。
车流量统计与车型分类的方法是在雷达回波信号的多普勒域上完成的,由于车辆再通过雷达辐射区域时,入射角度减小,速度多普勒频率出现连续衰减的特征。雷达的这一特征与多普勒频率和时间有关,采用短时傅里叶变换方法得到这段时间内车辆目标的时频分析图。图像处理方法可以有效准确的检测出图像中的特征信息,从而实现车流量统计与车型分类的方法。
目前很多根据信号的时频分析图实现目标分类的方法,但是这些方法适用于远场情况。有的适用于交通信息采集领域方法存在处理方法复杂,对设备要求精度高,系统成本高等缺点。
1.Madrid,Juan J.Martinez,JoséR.Casar Corredera,and G.de Miguel Vela.″A neural network approach to Doppler-based target classification.″
利用神经网络的方法进行多普勒特征分类,可以区分飞机、直升机、人、杂波等。该方法应用于远场情况,不适用于交通雷达领域。
2.Xuan Yiguang,et al.″A high-range-resolution microwave radar systemfor traffic flow rate measurement.″
该方法是基于高度轮廓的分类的,使用大带宽,窄波束的雷达安装于道路的正上方,它具有很高的距离分辨率和空间分辨率,通过测量车身高度随时间的变化情况来判断车型。该方法对系统要求较高,成本较大。
3.孟华东,颢张,基于单频连续波雷达的车型分类方法
该方法通过图像的方法对多普勒频率的时频图进行处理,判别目标的类型。但是该方法 只能应用于单目标的车型判别。不适用于实际的交通雷达领域中。
发明内容
为了解决以上的技术问题,本发明提供了一种连续波雷达的车流量统计与车型判别的实现方法。该识别方法包括如下步骤:
本发明据以采用以下技术方案:
步骤1:雷达接收回波信号,进行相干检波、正交解调等处理得到中频信号,实时采集、处理雷达的中频信号;
步骤2:对采集雷达中频多普勒数据作短时傅立叶变换,得到关于时间、频率联合变化的时频图;
步骤3:对时频图进行二值化、膨化、腐蚀等处理,将处理后的图像作为目标提取准则;
步骤4:提取车辆目标产生的多普勒时频特征,统计时频特征个数来实现车流量检测;
步骤5:遍历每个目标产生的时频特征脊线,记录脊线展宽的最大值进行车型判别。
步骤2中对实时数据做短时傅立叶变换得到时频分析图。雷达测量得到目标的径向速度vd与雷达发射、接收信号间的延迟有关。所以需要确定雷达与目标间的斜距随时间变化的关系。根据建模可知斜距R(t)的表达如下:
其中,H为雷达安装高度,L为车辆目标与雷达的起始距离,v为车辆目标的速度,θ为雷达与车辆目标的水平偏角。FSK体制雷达的回波按照发射频率分离后得到的数据等同于雷达工作在CW体制下,则分离后得到的中频信号可以表示为:
因为车辆目标处于行驶状态,所以雷达与目标间的斜距实时变化,导致雷达测量的多普勒频率也发生变化。短时傅里叶变换是一种时间、频率的联合分析方法,利用时间-频率二维域来表示多普勒频率的变化。系统采集的雷达实时回波数据进行短时傅里叶变换得到时频分析图,图像中的横坐标代表多普勒频率,纵坐标代表时间,每个像素点代表在该时刻下多普勒频率的能量值。
步骤3大津法求得动态阈值对时频分析图进行二值化。大津法是一种自适应阈值确定方法,它是按照图像的灰度特性将图像分成背景和目标两个部分。背景和目标的类间方差越大,说明图像中背景与目标的差别就越大。现存在一种分割阈值T,使得背景与目标的类间方差取得最大值,则称该分割阈值T为最佳阈值,这也意味着目标前景与背景的交错概率最低。 对于在真实环境中的雷达采集数据存在一定的噪声、杂波和干扰,导致二值法处理存在一定的交错概率,目标的时频特征存在被截断的现象。采用膨化、腐蚀处理方法,使目标特征连续,这样便于查找目标在时频图中的整个变化特征。
步骤4对时频图进行二值化、膨化、腐蚀等处理后得到的图像进行目标特征提取。逐行遍历处理后的图像,当遍历二值化图像中出现黑像素区域时,提取原始时频图中对应区域的数据。提取原始时频图中目标时频特征脊线的宽度,时频特征中频谱谱峰所对应的频率。查看这次遍历的区域是否与上一次遍历时检测到的区域相连接。如果连接,建立链表结点,存储这次检测得到的时频图中脊线展宽的宽度和多普勒极大值频率数据。再根据上个结点中的多普勒极大值频率求得这个结点的多普勒频率变化率。如果不连接,建立一个新的链表结构,并记录检测到的数据。在时频图脊线出现交错时,根据多普勒频率连续变化的特性,通过多普勒频率的变化率来区分出时频图脊线的交错。遍历完整个图像后,查看并统计链表的生成个数。链表结点数据较少,代表着图像中连接区域较少。根据能量占优准则,销毁连接区域小于阈值的链表。
步骤5因为车辆行驶到近场情况下,由于车辆目标的尺寸不同,散射点的分布情况也不同。各散射点到达雷达间的斜距不同,导致径向速度不同。通过短时傅立叶变换得到目标的时频分析图可以发现测量得到的多普勒频率被展宽。目标散射点分布越广,时频分析处理得到的多普勒频率扩展越宽。所以查找各链表中脊线宽度的最大值与车型判别的阈值进行比较,实现车型的判别功能。
车型判别的阈值需要根据实测数据进行确定,车型判别的阈值与雷达的安装位置和入射角度有关,其中车长是影响多普勒频率展宽的主要因素。在当前测试环境下设定阈值进行车型分类,设定阈值如表1所示。
表1当前测试场景下车型判别阈值的设定值
当遍历的时频特征频谱的最大宽度在(80,255)区域时,测得的目标属于小型车辆。当时频特征的频谱最大宽度在(255,550)区域时,测得的目标属于大型车辆,其中包括大巴车、卡车、商砼车等。当时频特征的最大频谱宽度小于80Hz时候,目标可能是非机动目标或者干扰等。
采集一段时间的雷达回波数据,并录制该时间段的时频。使用本处理方法对这段数据进行处理,得出车辆目标的个数和车型信息。与录制的时频进行人工统计的车辆信息和车型信 息进行对比,结果如表2所示。
表2连续波雷达的车流量统计与车型判别的实现方法的测试结果
附图说明
图1为本发明的一个具体实施例中的车辆目标与雷达的三维空间图;
图2为本发明的一个具体实施例中的基于连续波雷达的车流量统计与车型判别的方法的流程图;
图3为本发明的一个具体实施例中的速度多普勒频率的时间-频率变化曲线;
图4为本发明的一个具体实施例中的大小车辆目标的时频特性的对比;
图5为本发明的一个具体实施例中的时频分析图进行图像处理后的结果;
图6为本发明的一个具体实施例中的目标特征交错情况下的分离情况;
图7为本发明的一个具体实施例中的实测场景的时频分析图;
具体实施方式
下面结合附图对本发明的技术方案进行详细说明。
如图1当机动目标通过雷达辐射区域时,目标与雷达入射法线间的角度逐渐增加,径向速度随之减小。根据这个原理可以在雷达中频回波的时频分析图上看出目标多普勒频率呈减小的趋势。对此进行建模分析,在三维坐标空间中,假设车辆目标做匀速直线运动,行驶速度恒等于v。雷达的安装高度为H,雷达到地面的投影为O点,第一次检测目标时,目标位于A点,O、A两点间的距离为L。车辆目标行驶方向与直线OA的夹角为θ。
如图2基于连续波雷达的车流量统计与车型判别的方法的流程图。步骤1:雷达接收回波信号,进行混频、正交解调等处理得到多普勒中频信号,交通信息采集雷达系统实时采集多普勒中频信号;步骤2:对采集的数据做短时傅立叶变换,得到一个关于时间、频率的联合变化的时频图像;步骤3:对时频图进行二值法、膨化、腐蚀等处理,将二值化处理后的图像作为目标提取准则;步骤4:根据目标提取准则提取车辆目标产生的多普勒时频特征。然后检测的特征个数统计车流量;步骤5:遍历每个目标产生的时频特征脊线,记录脊线展宽的最大值。将特征脊线的最大值与阈值相比较,完成车型判别。
如图3假设目标为点目标,起始目标与雷达的距离L=140m,雷达安装高度为8.5m。目标做匀速直线运动,速度v=25m/s。目标行驶方向偏离雷达角度θ=5°。在不考虑雷达接收回波功率变化的基础上,得到多普勒频率随时间变化曲线。
如图4小型轿车的尺寸一般为4*1.8*1.5m,大巴车的尺寸一般为10*2.6*3.7m。分别对小轿车与大巴车通过雷达辐射区域时得到的时频分析图进行仿真。将车辆目标化简为多个散射点,设置这些散射点均匀分布在车头与车位之间。假设测试条件与上述一致,在不考虑雷达接收回波功率变化的情况下,分别得到交通信息采集雷达针对小型轿车与大巴车的时频分析图。
如图5对于在真实环境中的雷达采集数据存在一定的噪声、杂波和干扰,导致二值法处理存在一定的交错概率,目标的时频特征存在被截断的现象。采用膨化、腐蚀处理方法,使目标特征连续,这样便于查找目标在时频图中的整个变化特征。对实测数据的时频分析图进行图像处理后的效果。
如图6当两个目标特征出现交错后,根据多普勒频率连续变化的特性,通过多普勒频率的变化率来区分出时频图脊线的交错。通过识别、分离出多个交错目标来检测车辆目标在整个辐射区域中多普勒频率的变化情况。
如图7在实际场景中,采集了两个小型轿车与一个大型商砼车的雷达数据。通过短时傅里叶变换求得雷达信号的时频分析图。
Claims (5)
1.基于连续波雷达的车流量统计与车型判别的方法,该方法包括如下步骤:
步骤1:雷达接收回波信号,进行混频、正交解调等处理得到多普勒中频信号,系统实时采集、处理雷达多普勒中频信号;
步骤2:对采集的数据做短时傅立叶变换,得到一个关于时间-频率的联合变化的时频图像;
步骤3:对时频图进行二值化、膨化和腐蚀等处理,将处理后得到的图像作为目标提取的准则;
步骤4:根据目标提取准则提取车辆目标产生的多普勒时频特征。然后统计时-频特征个数来实现车流量的检测;
步骤5:遍历每个目标产生的时频特征脊线,记录脊线展宽的最大值。将特征脊线的最大值与阈值相比较,完成车型判别。
2.根据权利要求1所述的一种基于连续波雷达的车流量统计与车型判别的方法,其特征在于:所述步骤2中对实时数据做短时傅立叶变换得到时频分析图。雷达测量的径向速度vd与雷达发射、接收信号间的延迟有关。因为车辆目标处于行驶状态,所以雷达与目标间的斜距实时变化,导致雷达测量的多普勒频率也随时间变化。短时傅里叶变换是一种关于时间、频率的联合分析方法,利用时间-频率二维域来表示多普勒频率的变化。
3.根据权利要求1所述的一种基于连续波雷达的车流量统计与车型判别的方法,其特征在于:所述步骤3中对时频分析图进行二值化处理,大津法是一种自适应阈值确定方法将图像分成背景和目标两个部分。背景和目标的类间方差越大,说明图像中背景与目标的差别就越大。现存在一种分割阈值T,使得背景与目标的类间方差取得最大值,则称该分割阈值T为最佳阈值,这也意味着目标前景与背景的交错概率最低。对于在真实环境中的雷达采集数据存在一定的噪声、杂波和干扰,导致二值法处理存在一定的交错概率,目标的时频特征存在被截断的现象。采用膨化、腐蚀处理方法,使目标特征连续,这样便于查找目标在时频图中的整个变化特征。
4.根据权利要求1所述的一种基于连续波雷达的车流量统计与车型判别的方法,其特征在于:所述步骤4中对时频分析图进行特征提取,逐行遍历二值等图像处理后得到的图像,当图像中出现黑像素区域时,提取原始时频图中对应区域的数据。提取原始时频图中各个目标时频特征的脊线宽度,时频特征中频谱峰值所对应的频率。然后,查看这次遍历的区域是否与上一次遍历时检测到的特征脊线相连接。如果连接,建立链表结点,存储这次检测得到的时频图中脊线展宽的宽度和多普勒最大值频率数据。再根据上个结点中的多普勒极大值频率求得这个结点的多普勒频率变化率。如果不连接,建立一个新的链表结构。在时频图脊线出现交错时,根据多普勒频率连续变化的特性,通过多普勒频率的变化率来区分出时频图脊线的交错。遍历结束后,根据能量占有准则去除结点少于阈值的链表。然后统计链表个数,得到在这段时间内的目标个数。
5.根据权利要求1所述的一种基于连续波雷达的车流量统计与车型判别的方法,其特征在于:步骤5判别车型,遍历所有目标特征的链表结构,查找各链表中脊线宽度的最大值。将查找到的最大值与车型判别的阈值进行比较,实现车型的判别功能。车型判别的阈值需要根据实测数据进行确定,它与雷达的安装位置和入射角度有关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610107859.1A CN107134143A (zh) | 2016-02-26 | 2016-02-26 | 一种基于连续波雷达的车流量统计与车型判别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610107859.1A CN107134143A (zh) | 2016-02-26 | 2016-02-26 | 一种基于连续波雷达的车流量统计与车型判别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107134143A true CN107134143A (zh) | 2017-09-05 |
Family
ID=59721622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610107859.1A Pending CN107134143A (zh) | 2016-02-26 | 2016-02-26 | 一种基于连续波雷达的车流量统计与车型判别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107134143A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107993443A (zh) * | 2017-12-25 | 2018-05-04 | 深圳市金溢科技股份有限公司 | 一种基于车型分类的etc车道交易方法及系统 |
CN108010334A (zh) * | 2017-11-29 | 2018-05-08 | 江苏速度信息科技股份有限公司 | 基于多普勒技术的矩阵雷达的交通数据采集方法及系统 |
CN109191832A (zh) * | 2018-08-16 | 2019-01-11 | 杭州电子科技大学 | 一种基于机动车轮毂散射特性的交通流量监测方法 |
CN109615880A (zh) * | 2018-10-29 | 2019-04-12 | 浙江浙大列车智能化工程技术研究中心有限公司 | 一种基于雷达图像处理的车流量测量方法 |
CN109785634A (zh) * | 2017-11-13 | 2019-05-21 | 厦门雅迅网络股份有限公司 | 基于基站切换的车型识别方法及计算机可读存储介质 |
CN109785632A (zh) * | 2019-03-14 | 2019-05-21 | 济南浪潮高新科技投资发展有限公司 | 一种交通流量统计方法及装置 |
CN109975768A (zh) * | 2019-05-15 | 2019-07-05 | 成都锦江电子系统工程有限公司 | 基于雷达使用的Ka波段频率合成器 |
CN111354191A (zh) * | 2020-03-09 | 2020-06-30 | 深圳大学 | 车道行车状况确定方法、装置、设备及存储介质 |
CN112130142A (zh) * | 2020-09-25 | 2020-12-25 | 中南大学 | 一种复杂运动目标微多普勒特征提取方法及系统 |
CN112577752A (zh) * | 2020-12-25 | 2021-03-30 | 吉林大学 | 在城市复杂噪声环境中用地震检波器测量汽车转速的方法 |
CN113678023A (zh) * | 2019-04-10 | 2021-11-19 | 株式会社电装 | 雷达装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136141A (zh) * | 2007-10-12 | 2008-03-05 | 清华大学 | 基于单频连续波雷达的车型分类方法 |
CN102360528A (zh) * | 2011-07-01 | 2012-02-22 | 上海慧昌智能交通系统有限公司 | 基于多普勒交通雷达进行车型识别的方法 |
CN103593980A (zh) * | 2012-08-14 | 2014-02-19 | 业纳遥控设备有限公司 | 用于行驶车辆分类的方法 |
CN104408927A (zh) * | 2014-10-23 | 2015-03-11 | 南京航空航天大学 | 一种基于调频连续波雷达的车型分类方法 |
-
2016
- 2016-02-26 CN CN201610107859.1A patent/CN107134143A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136141A (zh) * | 2007-10-12 | 2008-03-05 | 清华大学 | 基于单频连续波雷达的车型分类方法 |
CN102360528A (zh) * | 2011-07-01 | 2012-02-22 | 上海慧昌智能交通系统有限公司 | 基于多普勒交通雷达进行车型识别的方法 |
CN103593980A (zh) * | 2012-08-14 | 2014-02-19 | 业纳遥控设备有限公司 | 用于行驶车辆分类的方法 |
CN104408927A (zh) * | 2014-10-23 | 2015-03-11 | 南京航空航天大学 | 一种基于调频连续波雷达的车型分类方法 |
Non-Patent Citations (1)
Title |
---|
蒋铁珍: "数字雷达技术在车流量检测雷达中的应用", 《中国优秀博硕士学位论文全文数据库 (博士) 工程科技Ⅱ辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785634B (zh) * | 2017-11-13 | 2021-06-29 | 厦门雅迅网络股份有限公司 | 基于基站切换的车型识别方法及计算机可读存储介质 |
CN109785634A (zh) * | 2017-11-13 | 2019-05-21 | 厦门雅迅网络股份有限公司 | 基于基站切换的车型识别方法及计算机可读存储介质 |
CN108010334A (zh) * | 2017-11-29 | 2018-05-08 | 江苏速度信息科技股份有限公司 | 基于多普勒技术的矩阵雷达的交通数据采集方法及系统 |
CN107993443A (zh) * | 2017-12-25 | 2018-05-04 | 深圳市金溢科技股份有限公司 | 一种基于车型分类的etc车道交易方法及系统 |
CN107993443B (zh) * | 2017-12-25 | 2021-09-21 | 深圳市金溢科技股份有限公司 | 一种基于车型分类的etc车道交易方法及系统 |
CN109191832A (zh) * | 2018-08-16 | 2019-01-11 | 杭州电子科技大学 | 一种基于机动车轮毂散射特性的交通流量监测方法 |
CN109191832B (zh) * | 2018-08-16 | 2024-01-16 | 杭州电子科技大学 | 一种基于机动车轮毂散射特性的交通流量监测方法 |
CN109615880A (zh) * | 2018-10-29 | 2019-04-12 | 浙江浙大列车智能化工程技术研究中心有限公司 | 一种基于雷达图像处理的车流量测量方法 |
CN109785632A (zh) * | 2019-03-14 | 2019-05-21 | 济南浪潮高新科技投资发展有限公司 | 一种交通流量统计方法及装置 |
CN113678023A (zh) * | 2019-04-10 | 2021-11-19 | 株式会社电装 | 雷达装置 |
CN109975768A (zh) * | 2019-05-15 | 2019-07-05 | 成都锦江电子系统工程有限公司 | 基于雷达使用的Ka波段频率合成器 |
CN109975768B (zh) * | 2019-05-15 | 2024-04-09 | 成都锦江电子系统工程有限公司 | 基于雷达使用的Ka波段频率合成器 |
CN111354191A (zh) * | 2020-03-09 | 2020-06-30 | 深圳大学 | 车道行车状况确定方法、装置、设备及存储介质 |
CN111354191B (zh) * | 2020-03-09 | 2022-05-20 | 深圳大学 | 车道行车状况确定方法、装置、设备及存储介质 |
CN112130142A (zh) * | 2020-09-25 | 2020-12-25 | 中南大学 | 一种复杂运动目标微多普勒特征提取方法及系统 |
CN112577752B (zh) * | 2020-12-25 | 2021-11-02 | 吉林大学 | 在城市复杂噪声环境中用地震检波器测量汽车转速的方法 |
CN112577752A (zh) * | 2020-12-25 | 2021-03-30 | 吉林大学 | 在城市复杂噪声环境中用地震检波器测量汽车转速的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107134143A (zh) | 一种基于连续波雷达的车流量统计与车型判别的方法 | |
CN109298415B (zh) | 一种轨道和道路障碍物检测方法 | |
CN107064902B (zh) | 一种用于机场场面监视雷达系统的目标凝聚方法 | |
CN102508219B (zh) | 风廓线雷达湍流目标检测方法 | |
CN109102702A (zh) | 基于视频车辆检测和雷达信号融合的车辆测速方法 | |
WO2022141911A1 (zh) | 一种基于路侧感知单元的动态目标点云快速识别及点云分割方法 | |
CN100520853C (zh) | 基于单频连续波雷达的车型分类方法 | |
CN111830508B (zh) | 一种采用毫米波雷达的道闸防砸系统和方法 | |
CN109375177B (zh) | 一种用于机场场面监视雷达系统的运动目标检测方法 | |
CN105487060B (zh) | 一种双通道四斜率调制的多目标提取方法 | |
CN102707285A (zh) | 车载毫米波防撞雷达系统的频域恒虚警检测方法 | |
CN102636775B (zh) | 基于模糊逻辑识别的风廓线雷达回波谱重构方法 | |
CN101876705A (zh) | 基于单频连续波雷达的频域车辆检测方法 | |
CN109188430B (zh) | 一种基于地面监视雷达系统的目标提取方法 | |
CN115605777A (zh) | 一种基于路侧感知单元的动态目标点云快速识别及点云分割方法 | |
CN111142085B (zh) | 一种基于航迹特征提取的外辐射源雷达目标分类识别方法 | |
CN104408927A (zh) | 一种基于调频连续波雷达的车型分类方法 | |
CN103176187A (zh) | 一种机载预警雷达地面高速公路目标过滤方法 | |
CN115061113B (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
CN109541601A (zh) | 基于毫米波的障碍物识别系统及其检测方法 | |
CN210572736U (zh) | 一种低小慢目标自动探测、跟踪、识别系统 | |
CN202433521U (zh) | 风廓线雷达湍流目标检测处理板 | |
CN102289938A (zh) | 双列垂直雷达波的车辆分型方法 | |
CN108983194B (zh) | 一种基于地面监视雷达系统的目标提取及凝聚方法 | |
CN112162271A (zh) | 一种微波雷达在多场景下的车型识别方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170905 |