CN109581312B - 一种高分辨毫米波雷达多目标聚类方法 - Google Patents
一种高分辨毫米波雷达多目标聚类方法 Download PDFInfo
- Publication number
- CN109581312B CN109581312B CN201811397869.9A CN201811397869A CN109581312B CN 109581312 B CN109581312 B CN 109581312B CN 201811397869 A CN201811397869 A CN 201811397869A CN 109581312 B CN109581312 B CN 109581312B
- Authority
- CN
- China
- Prior art keywords
- cluster
- trace
- point
- target
- points
- 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
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明属于雷达信号处理技术领域,公开了一种高分辨毫米波雷达多目标聚类方法,包括:获取雷达检测到的点迹的信噪比,设置信噪比检测阈值,舍弃雷达检测到的点迹中信噪比低于所述信噪比检测阈值的点迹,得到有效点迹;将所述有效点迹按照信噪比由高到低进行排序,得到排序后的有效点迹;获取每个有效点迹与雷达的相对距离和相对角度,得到每个有效点迹的空间直角坐标位置及速度;对所述排序后的有效点迹进行聚类,得到多个簇类;计算每个簇类对应的目标的中心点位置、尺寸及速度。本发明可实现高分辨率雷达的目标点云聚类识别,聚类结果无滞后,可准确计算识别目标,计算目标信息。
Description
技术领域
本发明属于雷达信号处理技术领域,尤其涉及一种高分辨毫米波雷达多目标聚类方法,可实现复杂电磁环境和多目标环境下有效排除噪声点,对每个目标进行多维数据综合处理聚类。
背景技术
多目标聚类对于目标检测后的识别具有重要意义,高分辨率毫米波雷达在车辆检测、无人机检测等领域有着广泛的应用前景。毫米波雷达带来高分辨力、宽工作频带、短的波长易获得目标细节特征等特点,适于目标分类的同时,对目标聚类的算法也提出了更高要求。在高分辨率探测下,雷达探测到的每个目标不再是以单个目标点的形式显示,而是形成点云,因此,需要使用聚类算法对多个目标形成的点云进行分类,统计,计算目标整体参数。
传统的DBSCAN算法(Density-Based Spatial Clustering of Applicationswith Noise,具有噪声的基于密度的聚类算法)是一种基于样本数据密度的聚类算法,该算法是最常用的一种聚类方法,将具有足够密度区域作为距离中心,不断生长该区域,要求聚类空间中的一定区域内所包含对象(点或其他空间对象)的数目不小于某一给定阈值。该方法能在具有噪声的空间数据库中发现任意形状的簇,可将密度足够大的相邻区域连接,能有效处理异常数据,主要用于对空间数据的聚类,而由于雷达检测到的目标信息就是目标与雷达的相对径向速度和几何距离(即空间数据),而且DBSCAN算法不需要预先确定要划分出的聚类个数,与雷达在某一时刻探测到的目标数量不确定这一事实相匹配,因此常使用此种算法进行雷达目标聚类。
虽然理论上,DBSCAN能够有效利用空间数据对多目标点云进行划分,且能在具有噪声的数据中一定程度上排除噪声干扰,但实际上,算法聚类效果依赖于距离公式选取,实际应用中常用欧式距离,对于高维数据,存在“维数灾难”,即算法只能利用目标的距离信息,无法使用目标的速度信息。而且,空间聚类的密度不均匀、聚类间距差相差很大时,聚类质量较差,且生长效果受数据顺序影响导致边界样本数据分类不准确。
发明内容
针对上述现有技术存在的问题,本发明的目的在于提供一种高分辨毫米波雷达多目标聚类方法,解决现有的聚类方法不能很好反映高维数据、边界样本易受到样本数据顺序的影响等问题,提高聚类准确率。
为达到上述目的,本发明采用如下技术方案予以实现。
一种高分辨毫米波雷达多目标聚类方法,所述方法包括如下步骤:
步骤1,获取雷达检测到的点迹的信噪比,设置信噪比检测阈值,舍弃雷达检测到的点迹中信噪比低于所述信噪比检测阈值的点迹,得到有效点迹;将所述有效点迹按照信噪比由高到低进行排序,得到排序后的有效点迹;
步骤2,获取所述排序后的有效点迹中,每个有效点迹与雷达的相对距离和相对角度,得到每个有效点迹的空间直角坐标位置及速度;
步骤3,根据每个有效点迹的空间直角坐标位置及速度,对所述排序后的有效点迹进行聚类,得到多个簇类;
步骤4,计算每个簇类对应的目标的中心点位置、尺寸及速度。
本发明技术方案的特点和进一步的改进为:
(1)步骤3具体包括如下子步骤:
(3a)确定聚类算法的邻域半径eps,以及每个簇类包含的最少核心点迹个数min,避免噪声点成为核心点;
(3b)按顺序获取排序后的有效点迹中的一个点迹;
若该点迹已被标记为噪声或者已经归入某个簇类,则获取所述排序后的有效点迹中的下一个点迹;否则,执行子步骤(3c);
(3c)将该点迹确定为核心点迹,计算所述核心点迹的邻域半径内的所有点迹是否满足如下公式:
其中,x0、y0、v0分别为核心点迹对应的X坐标、Y坐标、速度,x、y、v分别为核心点迹的邻域半径内的任一点迹对应的X坐标、Y坐标、速度,yFactor为设定的Y坐标加权因子,vFactor为设定的速度加权因子;
(3d)若满足子步骤(3c)中条件的点迹个数小于或者等于min,则将该核心点迹的邻域半径内的所有点迹标记为噪声;
若满足子步骤(3c)中条件的点迹个数大于min,则建立簇类C,将该核心点迹的邻域半径内的所有点迹加入到簇类C中;
(3e)分别将簇类C中的每个点迹作为核心点,将其邻域半径内的未被标记为噪声或者未归入某个簇类的点迹加入到簇类C中;
(3f)返回子步骤(3b),直到每个有效点迹都已被标记为噪声或者归入某个簇类中。
(2)步骤4具体包括如下子步骤:
(4a)对于任一簇类,对该簇类中包含的所有点迹的x坐标取平均值得到此簇类对应目标的的x坐标,对该簇类中包含的所有点迹的y坐标取平均值得到此簇类对应目标的y坐标;
(4b)计算该簇类中每个点迹的x坐标与该簇类对应目标的x坐标的差的绝对值,记为绝对值一,将所述绝对值一中的最大值的2倍作为该簇类对应目标在x方向的尺寸;
(4c)计算该簇类中每个点迹的y坐标与该簇类对应目标的y坐标的差的绝对值,记为绝对值二,将所述绝对值二中的最大值的2倍作为该簇类对应目标在y方向的尺寸;
(4d)对该簇类中所有点迹的速度取平均值,作为该簇类对应目标的径向速度。
本发明的有益效果为:(1)本发明采用对数加权的方法对点迹数据进行信噪比计算并依次过滤,可以减少无效干扰数据,减小运算量,提高运算速度,减小误差;(2)本发明在聚类前根据点迹信噪比采用冒泡法数据排序,可以使聚类结果中边界点的划分误差减小;(3)本发明采用数据降维方法,综合计算了欧氏距离与径向速度作为邻域半径,克服了传统DBSCAN算法依赖于距离公式选取,对于高维数据,存在“维数灾难”的问题;(4)本发明在DBSCAN算法的核心区域生长时,改进了传统的不断生长,只生长一次,避免了不同目标对应的点云因为噪声点而被划分到同一簇中的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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为本发明的一种高分辨毫米波雷达多目标聚类方法流程框图;
图2为过滤前后点迹数据的对比图;
图3为聚类模块的处理过程示意图;
图4为对实测数据采用传统DBSCAN算法得出的聚类结果图;
图5为对实测数据采用本发明的处理流程得出的聚类结果图;
图6为对实测数据采用传统DBSCAN算法得出的聚类结果的目标1的局部放大图;
图7为对实测数据采用本发明的处理流程得出的聚类结果的目标1的局部放大图;
图8为对实测数据采用传统DBSCAN算法得出的聚类结果的目标2的局部放大图;
图9为对实测数据采用本发明的处理流程得出的聚类结果的目标2的局部放大图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
本发明提出了一种高分辨毫米波雷达多目标聚类方法。参照图1,为本发明的一种高分辨毫米波雷达多目标聚类方法的流程框图。该目标聚类方法包括点云过滤模块、数据重排序模块、数据降维模块、聚类模块以及簇信息计算模块。
点云过滤模块,是将雷达检测到的点云数据首先信噪比计算,得到所有点迹的信噪比,然后根据检测要求按照信噪比进行目标过滤,最后根据检测区域在空间上对目标点迹进行过滤。
数据排序模块,过滤后的点云数据根据信噪比或其他目标特性进行数据排序,聚类结果的边界点受聚类顺序影响,根据检测的目标特性对数据进行相应排序,可以避免聚类不准确的问题。
数据降维模块,将速度与空间信息综合利用,计算DBSCAN算法的邻域半径。传统的聚类算法主要依靠空间数据即欧式距离,而对于雷达目标来说,对应同一目标的点迹运动速度相差较小,而对于不同目标的点迹运动速度相差较大,为了提高聚类效果,本模块采用欧氏距离与镜像速度信息综合降维计算聚类算法的邻域半径。
聚类模块,是基于改进的DBSCAN算法对点迹数据进行聚类运算,传统DBSCAN算法没有对数据排序,边界点不能被准确划分,改进的算法先对数据进行相应排序,可以一定程度避免此问题。传统DBSCAN算法从距离中心开始,根据邻域半径不停生长该区域,而改进的算法只在确立将具有足够密度区域作为距离中心后生长一次,可以有效避免多个相近目标被划分到一个簇中的问题。
簇信息计算模块,是根据使用改进的DBSCAN算法划分好的点迹信息进行目标信息的计算,通过对划分到每个目标的点迹的空间信息取平均值得到目标的中心位置,通过取划分到每个目标的点迹空间位置到目标中间位置的最大值获得目标的大小,通过取划分到每个目标的点迹的速度取平均值得到目标的径向速度。
本发明的一种高分辨毫米波雷达多目标聚类方法包括以下步骤:
步骤1,将雷达检测到的点云数据的信噪比取对数加权得到以分贝表示的信噪比,然后将数据中信噪比低于检测阈值的点舍弃,然后根据雷达检测到的目标与雷达相对距离R以及相对角度θ,得到目标的空间直角坐标位置x,y,最后根据实际有效检测区域在空间上对目标点迹进行过滤。
SNRdB=101gSNR
x=Rsinθ,y=Rcosθ
参照图2,为过滤前后点迹数据的对比图,可以看出,根据信噪比与空间位置对点迹过滤,去除了无效干扰数据,只剩下有效区域内的点迹,且去除了部分噪声,部分无效点迹被去除,降低了运算量,提高运算速度,提高准确率。
步骤2,对数据重排序的过程。
过滤后的点云数据根据信噪比进行数据排序,由大到小。首先比较相邻的两个点迹数据的信噪比。如果第一个比第二个小,就交换他们两个,对每一对相邻点迹做同样的工作,从开始第一对到结尾的最后一对。在这一点,最后的点迹应该会是信噪比最小的点迹,针对所有的点迹重复以上的步骤,除了最后一个。持续每次对越来越少的点迹重复上面的步骤,直到没有任何一对点迹需要比较。
根据点迹信噪比由大到小的顺序进行排序,使得聚类时先对信噪比大的数据进行聚类,减小了噪声干扰,降低聚类误差,特别是边界点误差。
步骤3,通过数据降维公式使用空间距离以及速度信息进行点迹到核心点的距离计算。综合计算了欧氏距离与径向速度,降维后与邻域半径比较。
通过数据降维公式使用空间距离以及速度信息进行点迹到核心点的距离计算。
上式中,x,y为要判定的点迹的空间位置,v为要判定的点迹的径向速度,x0,y0为核心点的空间位置,v0为核心点的径向速度,yFactor为y坐标加权因子,决定聚类算法对y坐标的敏感程度,vFactor为速度加权因子,决定聚类算法对径向速度的敏感程度。
yFactor与vFactor越大,聚类算法对y坐标与速度越不敏感,越会把更多的点划分到一个簇中。
步骤4,聚类模块的处理过程。
参照图3,为聚类模块的处理过程示意图。步骤4的具体子步骤为:
(4.1)确定聚类算法的Eps与Min。Eps为邻域半径。Min为给定点在邻域内成为核心对象的最小邻域点数。
(4.2)遍历所有点迹,按照顺序选择点迹d。
(4.3)判断d是否已归入某个簇或被标记为噪声,如果没有,继续下一步,如果已归入某个簇或被标记为噪声,返回子步骤(4.2),选择下一点迹。
(4.4)将d确定为核心点迹,根据公式找出点迹数据中,所有位于以点迹d为核心的邻域半径内的点,若满足的点数小于min,则标记范围内所有点为噪声;若满足的点数大于min,建立新簇C,范围内所有点加入到簇C;
(4.5)分别以簇C中所有点为核心点,计算其各自邻域半径内的未归入某个簇且未被标记为噪声的点加入到簇C;
(4.6)判断是否所有点迹都归入某个簇或被标记为噪声,如果是,结束聚类,否则返回(4.2),继续判定下一个点迹。
步骤5,簇信息的计算过程。
遍历每个簇,对各自簇中点迹的x坐标取平均值得到此簇对应目标的的x坐标,对各自簇中点迹的y坐标取平均值得到此簇对应目标的y坐标,以此得到各自簇对应目标的位置坐标。计算各自簇中点迹的x坐标到目标位置的x坐标的差的绝对值,取其最大值的2倍作为目标的x方向的尺寸;计算各自簇中点迹的y坐标到目标位置的y坐标的差的绝对值,取其最大值的2倍作为目标的y方向的尺寸。对各自簇中点迹的速度取平均值得到此簇对应目标的径向速度。
本发明的效果可以通过以下实测数据和仿真数据进一步说明:
参照图4,为对实测数据采用传统DBSCAN算法得出的聚类结果图。参照图5,为对实测数据采用本发明的处理流程得出的聚类结果图。图5和图6中,横轴表示x坐标,纵轴表示y坐标,归属于不同簇中的点迹使用不同线型划分。比较图4和图5可以发现,经过算法改进之后,传统DBSCAN算法带来的目标分类问题被解决,聚类的结果更准确,边界点的聚类误差也减小。因此本发明对目标点迹聚类的结果准确,而且精度较高。
综上,本发明充分考虑到雷达目标聚类的实际应用问题,根据目标点迹信息,首先根据信噪比及检测区域滤除干扰信息,然后根据信噪比对数据进行重排序,再通过降维法计算邻域半径的方式使聚类算法有效利用多维信息,最后进行改进的DBSCAN聚类算法,最终得到目标信息。本发明运算误差小,稳定性好,实际运行情况良好。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (2)
1.一种高分辨毫米波雷达多目标聚类方法,其特征在于,所述方法包括如下步骤:
步骤1,获取雷达检测到的点迹的信噪比,设置信噪比检测阈值,舍弃雷达检测到的点迹中信噪比低于所述信噪比检测阈值的点迹,得到有效点迹;将所述有效点迹按照信噪比由高到低进行排序,得到排序后的有效点迹;
步骤2,获取所述排序后的有效点迹中,每个有效点迹与雷达的相对距离和相对角度,得到每个有效点迹的空间直角坐标位置及速度;
步骤3,根据每个有效点迹的空间直角坐标位置及速度,对所述排序后的有效点迹进行聚类,得到多个簇类;
步骤3具体包括如下子步骤:
(3a)确定聚类算法的邻域半径eps,以及每个簇类包含的最少核心点迹个数min,避免噪声点成为核心点;
(3b)按顺序获取排序后的有效点迹中的一个点迹;
若该点迹已被标记为噪声或者已经归入某个簇类,则获取所述排序后的有效点迹中的下一个点迹;否则,执行子步骤(3c);
(3c)将该点迹确定为核心点迹,计算所述核心点迹的邻域半径内的所有点迹是否满足如下公式:
其中,x0、y0、v0分别为核心点迹对应的X坐标、Y坐标、速度,x、y、v分别为核心点迹的邻域半径内的任一点迹对应的X坐标、Y坐标、速度,yFactor为设定的Y坐标加权因子,vFactor为设定的速度加权因子;
(3d)若满足子步骤(3c)中条件的点迹个数小于或者等于min,则将该核心点迹的邻域半径内的所有点迹标记为噪声;
若满足子步骤(3c)中条件的点迹个数大于min,则建立簇类C,将该核心点迹的邻域半径内的所有点迹加入到簇类C中;
(3e)分别将簇类C中的每个点迹作为核心点,将其邻域半径内的未被标记为噪声或者未归入某个簇类的点迹加入到簇类C中;
(3f)返回子步骤(3b),直到每个有效点迹都已被标记为噪声或者归入某个簇类中;
步骤4,计算每个簇类对应的目标的中心点位置、尺寸及速度。
2.根据权利要求1所述的一种高分辨毫米波雷达多目标聚类方法,其特征在于,步骤4具体包括如下子步骤:
(4a)对于任一簇类,对该簇类中包含的所有点迹的x坐标取平均值得到此簇类对应目标的的x坐标,对该簇类中包含的所有点迹的y坐标取平均值得到此簇类对应目标的y坐标;
(4b)计算该簇类中每个点迹的x坐标与该簇类对应目标的x坐标的差的绝对值,记为绝对值一,将所述绝对值一中的最大值的2倍作为该簇类对应目标在x方向的尺寸;
(4c)计算该簇类中每个点迹的y坐标与该簇类对应目标的y坐标的差的绝对值,记为绝对值二,将所述绝对值二中的最大值的2倍作为该簇类对应目标在y方向的尺寸;
(4d)对该簇类中所有点迹的速度取平均值,作为该簇类对应目标的径向速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811397869.9A CN109581312B (zh) | 2018-11-22 | 2018-11-22 | 一种高分辨毫米波雷达多目标聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811397869.9A CN109581312B (zh) | 2018-11-22 | 2018-11-22 | 一种高分辨毫米波雷达多目标聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109581312A CN109581312A (zh) | 2019-04-05 |
CN109581312B true CN109581312B (zh) | 2023-07-14 |
Family
ID=65923743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811397869.9A Active CN109581312B (zh) | 2018-11-22 | 2018-11-22 | 一种高分辨毫米波雷达多目标聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109581312B (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161464B (zh) * | 2019-06-14 | 2023-03-10 | 成都纳雷科技有限公司 | 一种雷达多目标聚类方法及装置 |
CN110488264A (zh) * | 2019-07-05 | 2019-11-22 | 珠海格力电器股份有限公司 | 人员检测方法、装置、电子设备及存储介质 |
CN110398731B (zh) * | 2019-07-11 | 2021-05-28 | 北京埃福瑞科技有限公司 | 列车车速测量系统及方法 |
CN110427986B (zh) * | 2019-07-16 | 2022-02-01 | 浙江大学 | 一种基于毫米波雷达点云特征的核支持向量机目标分类方法 |
CN110361727A (zh) * | 2019-07-22 | 2019-10-22 | 浙江大学 | 一种毫米波雷达多目标跟踪方法 |
CN110509958A (zh) * | 2019-08-29 | 2019-11-29 | 交控科技股份有限公司 | 轨道交通定位系统及方法 |
CN110488259B (zh) * | 2019-08-30 | 2022-11-04 | 成都纳雷科技有限公司 | 一种基于gdbscan的雷达目标分类方法及装置 |
CN111025241A (zh) * | 2019-10-17 | 2020-04-17 | 珠海格力电器股份有限公司 | 一种边界区域检测方法、装置、电子设备及存储介质 |
WO2021087777A1 (zh) * | 2019-11-05 | 2021-05-14 | 深圳市大疆创新科技有限公司 | 数据处理方法、装置、雷达、设备及存储介质 |
CN111060906A (zh) * | 2019-11-15 | 2020-04-24 | 驭势(上海)汽车科技有限公司 | 一种传感数据处理方法、装置、车载设备及存储介质 |
CN110895333B (zh) * | 2019-12-05 | 2022-06-03 | 电子科技大学 | 一种基于多普勒频率的77g车载雷达数据快速聚类方法 |
CN111044986B (zh) * | 2019-12-25 | 2022-05-10 | 成都纳雷科技有限公司 | 一种用于雷达目标检测的密度聚类方法及装置 |
CN111208501B (zh) * | 2019-12-30 | 2022-06-03 | 广州市番禺奥莱照明电器有限公司 | 基于雷达探测的多目标聚合方法、装置、设备和存储介质 |
CN113076773A (zh) * | 2020-01-03 | 2021-07-06 | 广州汽车集团股份有限公司 | 目标检测聚类方法、系统、计算机设备及可读存储介质 |
CN111175730A (zh) * | 2020-01-08 | 2020-05-19 | 中国石油大学(华东) | 一种用于无人船的毫米波雷达目标点迹凝聚方法 |
US11586862B2 (en) | 2020-02-14 | 2023-02-21 | Ford Global Technologies, Llc | Enhanced object detection with clustering |
CN113267755A (zh) * | 2020-02-14 | 2021-08-17 | Oppo广东移动通信有限公司 | 毫米波信号处理方法、装置、电子设备和可读存储介质 |
CN111289969B (zh) * | 2020-03-27 | 2022-03-04 | 北京润科通用技术有限公司 | 一种车载雷达运动目标融合方法及装置 |
CN111289954B (zh) * | 2020-03-31 | 2022-03-15 | 四川长虹电器股份有限公司 | 用于毫米波雷达目标跟踪的点云划分与航迹匹配方法 |
WO2021217518A1 (zh) * | 2020-04-29 | 2021-11-04 | 华为技术有限公司 | 雷达点云聚类方法和装置 |
CN113591891A (zh) * | 2020-04-30 | 2021-11-02 | 华为技术有限公司 | 一种聚类的方法和装置 |
CN111366924B (zh) * | 2020-05-09 | 2022-11-25 | 苏州雷森电子科技有限公司 | 一种基于多维连通域处理的雷达目标点迹凝聚方法 |
CN111723866A (zh) * | 2020-06-19 | 2020-09-29 | 新石器慧通(北京)科技有限公司 | 点云聚类的方法及装置、无人车、可读存储介质 |
CN112597839B (zh) * | 2020-12-14 | 2022-07-08 | 上海宏景智驾信息科技有限公司 | 基于车载毫米波雷达的道路边界检测方法 |
CN112612011B (zh) * | 2020-12-24 | 2023-12-26 | 西安电子科技大学 | 基于kd-树空间搜索的dbscan生命探测雷达点迹凝聚方法和系统 |
CN112818170B (zh) * | 2021-01-25 | 2023-07-14 | 浙江大华技术股份有限公司 | 移动参数显示方法和装置 |
CN112859033A (zh) * | 2021-02-23 | 2021-05-28 | 加特兰微电子科技(上海)有限公司 | 目标探测的方法、装置及相关设备 |
CN113325383B (zh) * | 2021-06-17 | 2023-07-04 | 广东工业大学 | 基于网格和dbscan的自适应车载毫米波雷达聚类算法及装置 |
CN113671481B (zh) * | 2021-07-21 | 2024-04-09 | 西安电子科技大学 | 一种基于毫米波雷达的3d多目标跟踪处理方法 |
CN113850995B (zh) * | 2021-09-14 | 2022-12-27 | 华设设计集团股份有限公司 | 一种基于隧道雷视数据融合的事件检测方法、装置及系统 |
CN114063022A (zh) * | 2021-11-12 | 2022-02-18 | 苏州苏试试验集团股份有限公司 | 信号处理方法、装置、存储介质和电子终端 |
CN115656962B (zh) * | 2022-12-26 | 2023-03-31 | 南京楚航科技有限公司 | 一种基于毫米波雷达识别限高物体的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8525724B2 (en) * | 2010-10-08 | 2013-09-03 | University Of Massachusetts | System and method for generating derived products in a radar network |
US8463579B2 (en) * | 2011-01-19 | 2013-06-11 | Radareal Oy | Methods and arrangements for detecting weak signals |
CN106291503B (zh) * | 2016-08-31 | 2018-12-28 | 西南交通大学 | 一种雷达探测系统密度聚类预警方法 |
CN106772435B (zh) * | 2016-12-12 | 2019-11-19 | 浙江华飞智能科技有限公司 | 一种无人机避障方法和装置 |
CN106885575A (zh) * | 2017-02-17 | 2017-06-23 | 浙江工商职业技术学院 | 一种室内定位引导方法及系统 |
-
2018
- 2018-11-22 CN CN201811397869.9A patent/CN109581312B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109581312A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109581312B (zh) | 一种高分辨毫米波雷达多目标聚类方法 | |
CN110161464A (zh) | 一种雷达多目标聚类方法及装置 | |
CN113671481B (zh) | 一种基于毫米波雷达的3d多目标跟踪处理方法 | |
CN109978901A (zh) | 一种快速、精确的圆形检测和圆心定位方法 | |
CN108830899B (zh) | 一种基于几何特征的快速自适应角点结合的圆心检测方法 | |
CN110895333B (zh) | 一种基于多普勒频率的77g车载雷达数据快速聚类方法 | |
CN110940971B (zh) | 一种雷达目标点迹录取方法、装置及存储介质 | |
CN112986925B (zh) | 一种基于图像特征的雷达脉冲序列分选方法 | |
CN113034485A (zh) | 融合Hough变换和卡尺聚类的圆检测方法 | |
CN111999726B (zh) | 一种基于毫米波雷达的人员定位方法 | |
CN107677989B (zh) | 一种基于rssi最大值进行rssi去除噪声的室内位置定位方法 | |
CN111260776A (zh) | 一种自适应正态分析的三维形貌重建方法 | |
CN112986964B (zh) | 基于噪声邻域密度的光子计数激光点云自适应去噪方法 | |
CN114355298A (zh) | 一种雷达复合调制脉冲信号识别方法 | |
CN108469609A (zh) | 一种用于雷达目标跟踪的检测信息滤波方法 | |
CN111669702A (zh) | 基于wifi地址与场强的粗精匹配定位方法 | |
KR102361816B1 (ko) | 표적 탐지 방법 및 기록 매체 | |
CN112198488B (zh) | 一种极窄脉冲雷达角度关联目标回波空间聚合方法 | |
CN113253228A (zh) | 一种基于雷达凝聚算法的多尺寸目标检测方法 | |
CN113852433A (zh) | 一种基于计算机视觉的无线信道阴影衰落模型预测方法 | |
CN114070679A (zh) | 一种面向脉冲智能分类的频相特征分析方法 | |
CN112217749A (zh) | 一种盲信号分离方法及装置 | |
CN112763989B (zh) | 一种基于cdif的抖动信号分选方法 | |
CN116430349B (zh) | 一种基于物理先验知识的空间群目标探测方法及系统 | |
CN113269242B (zh) | 一种基于峰值聚类的目标检测点迹凝聚方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |