CN109975798A - 一种基于毫米波雷达与摄像头的目标检测方法 - Google Patents
一种基于毫米波雷达与摄像头的目标检测方法 Download PDFInfo
- Publication number
- CN109975798A CN109975798A CN201910233607.7A CN201910233607A CN109975798A CN 109975798 A CN109975798 A CN 109975798A CN 201910233607 A CN201910233607 A CN 201910233607A CN 109975798 A CN109975798 A CN 109975798A
- Authority
- CN
- China
- Prior art keywords
- target
- measurement
- millimetre
- wave radar
- association
- 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.)
- Granted
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
- 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
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于毫米波雷达与摄像头的目标检测方法,通过坐标系变换,完成毫米波雷达和摄像头的量测与当前目标的空间配准;基于统计距离建立关联假设矩阵,将毫米波雷达和摄像头的量测与对应的目标关联;在摄像头输出信息时刻,将毫米波雷达的量测进行曲线拟合,并趋势外推得到当前毫米波雷达的量测,完成时间配准;对于关联至同一目标的量测,应用贝叶斯公式分配关联概率;结合目标状态一步预测值,关联量测及各自的关联概率,更新目标状态及其协方差矩阵。本发明用于智能汽车基于毫米波雷达和摄像头的目标检测,有利于充分开展多传感器的信息融合,提高环境感知系统的鲁棒性。
Description
技术领域
本发明涉及智能汽车技术领域,具体涉及一种基于毫米波雷达与摄像头的目标检测方法。
背景技术
智能汽车环境感知层通过激光雷达、毫米波雷达、摄像头等传感器获取环境信息,为车辆路径规划和路径跟踪做准备。用于环境感知的传感器都有各自的优势和劣势,采用单一传感器难以获取完整的环境信息,因此当前主流的方案是综合各传感器的性能,采用信息融合的方式提高环境感知精确性和冗余度。
目前用于毫米波雷达和摄像头信息融合的方式有两种:数据级融合和目标级融合。数据级融合方式将毫米波雷达检测到的目标位置映射到摄像头采集的图像上,形成感兴趣区域,然后利用图像识别算法识别目标。该方式可加速图像识别速度,但由于毫米波雷达容易出现漏检,且两传感器视野往往并不完全重合,因此目标检测质量并不够好。目标级融合将目标识别与融合分离,易于模块化设计,并且两传感器检测到的目标信息可以互相补充,有利于充分运用传感器信息,可提高系统鲁棒性。
发明内容
本发明要解决的技术问题是:提供一种基于毫米波雷达与摄像头的目标检测方法,能够获取更加准确的目标信息。
本发明为解决上述技术问题所采取的技术方案为:一种基于毫米波雷达与摄像头的目标检测方法,其特征在于:它包括以下步骤:
S1、通过坐标系变换,完成毫米波雷达和摄像头的量测与当前目标的空间配准;毫米波雷达的量测包括纵向距离、纵向速度、侧向距离和侧向速度,摄像头的量测包括纵向距离和侧向距离;空间配准时,对量测中的纵向距离和侧向距离进行坐标转换,使得量测与对应的目标处于同一坐标系下;
S2、基于统计距离建立关联假设矩阵,将毫米波雷达和摄像头的量测与对应的目标关联;
采用常速度模型,根据前一时刻的目标状态估值递推得到目标状态一步预测值,再根据毫米波雷达和摄像头各自的观测方程得到相应的量测预测;然后计算量测预测与对应的采集的量测之间的残差向量加权范数,作为目标关联的统计距离;
S3、在摄像头输出信息时刻,将毫米波雷达的量测进行曲线拟合,并趋势外推得到当前毫米波雷达的量测,完成时间配准;
S4、对于关联至同一目标的量测,应用贝叶斯公式分配关联概率;
S5、结合目标状态一步预测值,关联量测及各自的关联概率,更新目标状态及其协方差矩阵。
按上述方案,所述的S2中,设置关联门限,若目标关联的统计距离大于关联门限,则令相应的关联假设为0,否则为1,每一个采集的量测与目标之间都能形成一个关联假设矩阵;
在关联假设矩阵中,若存在量测所在行和目标所在列均有且仅有一个关联假设为1,则该量测与目标形成唯一对应关系,将该量测与目标关联;若存在量测所在行的关联假设均为0,则该量测不与任何目标关联;若存在目标所在列的关联假设均为0,则该目标不与任何量测关联;排除以上几种情况,将剩余量测与目标重新组合得到新的关联假设矩阵;
将重新组合得到的关联假设矩阵拆分得到数个可行关联矩阵,拆分原则为可行关联矩阵的每一行或每一列最多只有一个非零元素,即各量测与目标形成唯一对应关系;对于每一个矩阵所对应的可行关联事件,计算其统计距离之和;而后选择出统计距离之和最小的可行关联事件,再加上未曾参与关联假设矩阵构建的量测和目标的关联情况,得到该量测与目标最终的关联结果。
按上述方案,所述的S2中,对于未与任一目标关联的量测中,若有毫米波雷达量测位置和摄像头量测位置的欧式距离小于预设的一定范围,则取毫米波雷达量测的纵向速度、侧向速度、纵向距离和摄像头量测的侧向距离组成目标初始值,并设定初始状态协方差。
按上述方案,所述的S4中,对与目标关联的量测信息分配关联概率的具体方法为:假设正确量测服从正态分布,虚假量测服从均匀分布,依据概率数据关联思想,求得各量测与目标关联的概率。
按上述方案,所述的S5中,目标状态更新的具体方法为:首先预测目标状态协方差矩阵;然后根据概率数据关联算法计算滤波增益;根据对目标的一步状态预测,结合关联到的各量测及其与目标关联的概率,采用全概率公式,得到目标在当前时刻的最优状态估计,并对目标状态协方差矩阵进行更新。
本发明的有益效果为:以残差向量加权范数为统计距离,建立可行关联矩阵,搜索统计距离之和最小的可行关联事件,有利于量测目标取得最佳关联效果;对于与目标关联的量测,依据概率数据关联思想分配量测概率,有利于获取更加准确的目标信息;从而获得更加准确的目标信息。
附图说明
图1为本发明一实施例的方法流程图。
图2为本发明一实施例的目标纵向距离融合结果。
图3为本发明一实施例的目标侧向距离融合结果。
具体实施方式
下面结合实例和附图对本发明做进一步说明。
本发明提供一种基于毫米波雷达与摄像头的目标检测方法,如图1所示,它包括以下步骤:
S1、通过坐标系变换,完成毫米波雷达和摄像头的量测与当前目标的空间配准;毫米波雷达的量测包括纵向距离、纵向速度、侧向距离和侧向速度,摄像头的量测包括纵向距离和侧向距离;空间配准时,对量测中的纵向距离和侧向距离进行坐标转换,使得量测与对应的目标处于同一坐标系下。
设为毫米波雷达检测到目标在雷达坐标系下的坐标,[xc,yc]T为摄像头检测到的目标在摄像头坐标系下的坐标。则将毫米波雷达量测信息转换至融合坐标系下的公式为:
公式(1)中和分别为融合坐标系相对于毫米波雷达坐标系在纵向和侧向的偏移量,为融合坐标系下的目标纵向距离,纵向速度,侧向距离和侧向速度信息。将摄像头量测信息转换至融合坐标系下的公式为:
公式(2)中和分别为融合坐标系相对于摄像头坐标系在纵向和侧向的偏移量。
S2、基于统计距离建立关联假设矩阵,将毫米波雷达和摄像头的量测与对应的目标关联。
采用常速度模型,根据前一时刻的目标状态估值递推得到目标状态一步预测值,再根据毫米波雷达和摄像头各自的观测方程得到相应的量测预测;然后计算量测预测与对应的采集的量测之间的残差向量加权范数,作为目标关联的统计距离。
设置关联门限,若目标关联的统计距离大于关联门限,则令相应的关联假设为0,否则为1,每一个采集的量测与目标之间都能形成一个关联假设矩阵。
在关联假设矩阵中,若存在量测所在行和目标所在列均有且仅有一个关联假设为1,则该量测与目标形成唯一对应关系,将该量测与目标关联;若存在量测所在行的关联假设均为0,则该量测不与任何目标关联;若存在目标所在列的关联假设均为0,则该目标不与任何量测关联;排除以上几种情况,将剩余量测与目标重新组合得到新的关联假设矩阵。
将重新组合得到的关联假设矩阵拆分得到数个可行关联矩阵,拆分原则为可行关联矩阵的每一行或每一列最多只有一个非零元素,即各量测与目标形成唯一对应关系;对于每一个矩阵所对应的可行关联事件,计算其统计距离之和;而后选择出统计距离之和最小的可行关联事件,再加上未曾参与关联假设矩阵构建的量测和目标的关联情况,得到该量测与目标最终的关联结果。
对于未与任一目标关联的量测中,若有毫米波雷达量测位置和摄像头量测位置的欧式距离小于预设的一定范围,则取毫米波雷达量测的纵向速度、侧向速度、纵向距离和摄像头量测的侧向距离组成目标初始值,并设定初始状态协方差。
具体为:(1)设目标状态根据常速度模型,得到有效目标在第k时刻(融合时间节点)的状态一步预测
公式(3)中为目标在第k-1时刻的最优状态估计,则量测预测为
公式(4)中H为量测矩阵,对于毫米波雷达而言,H=I4,对于摄像头而言,
(2)对于第i个量测和第j个目标,计算定义为残差向量加权范数的统计距离
公式(5)中Sij(k)为残差协方差矩阵,zi(k)为第k时刻的传感器量测,对于毫米波雷达而言,对于摄像头而言,zi(k)=[x y]。假设存在M个目标和N个毫米波雷达量测,则可得到M×N统计距离矩阵,如下所示:
(3)设置跟踪门限λ(对毫米波雷达为λ1,对摄像头为λ2),生成关联假设
公式(6)中aij=1表示第i个量测和第j个目标存在关联可能,aij=0表示第i个量测和第j个目标不存在关联可能。
(4)将关联假设结果一一对应排列,得到M×N关联假设矩阵,如下所示。
在关联假设矩阵中,若存在第i个量测所在行和第j个目标所在列均有且仅有一个关联假设aij为1,则该量测与目标形成唯一对应关系,将该量测与目标关联。若存在量测所在行的关联假设均为0,则该量测不与任何目标关联。若存在目标所在列的关联假设均为0,则该目标不与任何量测关联。排除以上几种情况,假设剩余目标有m个,剩余量测有n个,将此重新组合得到新的关联假设矩阵。将此矩阵拆分得到数个可行关联矩阵,拆分原则为可行关联矩阵的每一行或每一列最多只有一个非零元素,即各量测与目标形成唯一对应关系。对于每一个矩阵所对应的可行关联事件,计算其统计距离之和。而后选择出统计距离之和最小的可行关联事件,再加上未曾参与关联假设矩阵构建的量测和目标的关联情况,即可得到毫米波雷达量测与目标最终的关联结果。
(5)仿照步骤(4)得到摄像头量测与目标最终的关联结果。为统一向量维度以方便计算,若目标与两个量测关联,将毫米波雷达量测的速度信息分配给摄像头量测,若目标仅与摄像头量测关联,将目标当前速度分配给摄像头量测。对于未与任一目标关联的量测,若有毫米波雷达量测位置和摄像头量测位置的欧式距离小于一定范围,取毫米波雷达量测速度和纵向距离,摄像头量测侧向距离组成目标初始值,并设定初始状态协方差P(0|0)。
S3、在摄像头输出信息时刻,将毫米波雷达的量测进行曲线拟合,并趋势外推得到当前毫米波雷达的量测,完成时间配准。
将毫米波雷达量测信息曲线拟合的具体方法为:在摄像头输出信息时刻,对数个周期内与同一有效目标关联的毫米波雷达量测信息曲线拟合。设自变量为时间,因变量为毫米波雷达量测,根据最小二乘法原理求得二次拟合曲线,然后将曲线趋势外推至摄像头输出信息时刻,得到该时刻下的毫米波雷达量测信息。该时刻也为融合时间节点。
设自变量时间xt,因变量目标信息yt,则拟合模型为其中为采用拟合曲线得到的时间为xt时的预测值,为模型估计参数。根据最小二乘法原理,可求得估计参数。然后将曲线趋势外推至摄像头输出信息时刻,得到该时刻下的毫米波雷达量测信息。该时刻也为融合时间节点。
S4、对于关联至同一目标的量测,应用贝叶斯公式分配关联概率。对与目标关联的量测信息分配关联概率的具体方法为:假设正确量测服从正态分布,虚假量测服从均匀分布,依据概率数据关联思想有
公式(7)中,βi(k)表示在第k时刻与目标关联的第i个量测的关联概率,mk表示第k时刻与目标关联的量测数目。公式(8)中β0(k)为不存在量测与目标关联的概率,当毫米波雷达与摄像头存在量测与目标关联时,β0(k)为0,否则为1。
S5、结合目标状态一步预测值,关联量测及各自的关联概率,更新目标状态及其协方差矩阵。
目标状态更新的具体方法为:首先预测目标状态协方差矩阵首先预测目标状态协方差矩阵
P(k|k-1)=Φ(k)P(k-1|k-1)ΦT(k)+Q (9)
公式(9)中Q为设定的系统噪声。然后计算卡尔曼增益
K(k)=P(k|k-1)ΦT(k)/[Φ(k)P(k|k-1)ΦT(k)+R] (10)
公式(10)中R为设定的量测噪声。根据前述步骤中对目标的一步状态预测,结合关联到的各量测及其概率,采用全概率公式,得到目标在第k时刻的最优状态估计
相应的,目标状态协方差矩阵更新为
公式(12)中
图2为本发明一实施例的目标纵向距离融合结果,图3为本发明一实施例的目标侧向距离融合结果,两图展示了在12s时间段内,根据毫米波雷达和摄像头的量测信息,对目标车辆位置的融合估计。由两图可知,相对于两传感器的量测数据,融合得到的估计信息更符合目标运动状态。
本发明用于智能汽车基于毫米波雷达和摄像头的目标检测,有利于充分开展多传感器的信息融合,提高环境感知系统的鲁棒性。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (5)
1.一种基于毫米波雷达与摄像头的目标检测方法,其特征在于:它包括以下步骤:
S1、通过坐标系变换,完成毫米波雷达和摄像头的量测与当前目标的空间配准;毫米波雷达的量测包括纵向距离、纵向速度、侧向距离和侧向速度,摄像头的量测包括纵向距离和侧向距离;空间配准时,对量测中的纵向距离和侧向距离进行坐标转换,使得量测与对应的目标处于同一坐标系下;
S2、基于统计距离建立关联假设矩阵,将毫米波雷达和摄像头的量测与对应的目标关联;
采用常速度模型,根据前一时刻的目标状态估值递推得到目标状态一步预测值,再根据毫米波雷达和摄像头各自的观测方程得到相应的量测预测;然后计算量测预测与对应的采集的量测之间的残差向量加权范数,作为目标关联的统计距离;
S3、在摄像头输出信息时刻,将毫米波雷达的量测进行曲线拟合,并趋势外推得到当前毫米波雷达的量测,完成时间配准;
S4、对于关联至同一目标的量测,应用贝叶斯公式分配关联概率;
S5、结合目标状态一步预测值,关联量测及各自的关联概率,更新目标状态及其协方差矩阵。
2.根据权利要求1所述的基于毫米波雷达与摄像头的目标检测方法,其特征在于:所述的S2中,设置关联门限,若目标关联的统计距离大于关联门限,则令相应的关联假设为0,否则为1,每一个采集的量测与目标之间都能形成一个关联假设矩阵;
在关联假设矩阵中,若存在量测所在行和目标所在列均有且仅有一个关联假设为1,则该量测与目标形成唯一对应关系,将该量测与目标关联;若存在量测所在行的关联假设均为0,则该量测不与任何目标关联;若存在目标所在列的关联假设均为0,则该目标不与任何量测关联;排除以上几种情况,将剩余量测与目标重新组合得到新的关联假设矩阵;
将重新组合得到的关联假设矩阵拆分得到数个可行关联矩阵,拆分原则为可行关联矩阵的每一行或每一列最多只有一个非零元素,即各量测与目标形成唯一对应关系;对于每一个矩阵所对应的可行关联事件,计算其统计距离之和;而后选择出统计距离之和最小的可行关联事件,再加上未曾参与关联假设矩阵构建的量测和目标的关联情况,得到该量测与目标最终的关联结果。
3.根据权利要求1所述的基于毫米波雷达与摄像头的目标检测方法,其特征在于:所述的S2中,对于未与任一目标关联的量测中,若有毫米波雷达量测位置和摄像头量测位置的欧式距离小于预设的一定范围,则取毫米波雷达量测的纵向速度、侧向速度、纵向距离和摄像头量测的侧向距离组成目标初始值,并设定初始状态协方差。
4.根据权利要求1所述的基于毫米波雷达与摄像头的目标检测方法,其特征在于:所述的S4中,对与目标关联的量测信息分配关联概率的具体方法为:假设正确量测服从正态分布,虚假量测服从均匀分布,依据概率数据关联思想,求得各量测与目标关联的概率。
5.根据权利要求1所述的基于毫米波雷达与摄像头的目标检测方法,其特征在于:所述的S5中,目标状态更新的具体方法为:首先预测目标状态协方差矩阵;然后根据概率数据关联算法计算滤波增益;根据对目标的一步状态预测,结合关联到的各量测及其与目标关联的概率,采用全概率公式,得到目标在当前时刻的最优状态估计,并对目标状态协方差矩阵进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910233607.7A CN109975798B (zh) | 2019-03-26 | 2019-03-26 | 一种基于毫米波雷达与摄像头的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910233607.7A CN109975798B (zh) | 2019-03-26 | 2019-03-26 | 一种基于毫米波雷达与摄像头的目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109975798A true CN109975798A (zh) | 2019-07-05 |
CN109975798B CN109975798B (zh) | 2022-11-18 |
Family
ID=67080634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910233607.7A Active CN109975798B (zh) | 2019-03-26 | 2019-03-26 | 一种基于毫米波雷达与摄像头的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109975798B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110726990A (zh) * | 2019-09-23 | 2020-01-24 | 江苏大学 | 一种基于ds-gnn算法的多传感器融合方法 |
CN111027401A (zh) * | 2019-11-15 | 2020-04-17 | 电子科技大学 | 一种摄像头和激光雷达融合的端到端目标检测方法 |
CN111891124A (zh) * | 2020-06-08 | 2020-11-06 | 福瑞泰克智能系统有限公司 | 目标信息融合的方法、系统、计算机设备和可读存储介质 |
CN112907975A (zh) * | 2021-01-23 | 2021-06-04 | 四川九通智路科技有限公司 | 一种基于毫米波雷达与视频进行异常停车的检测方法 |
CN113156414A (zh) * | 2020-12-16 | 2021-07-23 | 中国人民解放军陆军工程大学 | 基于mimo毫米波雷达的智能感知与路径规划运输系统 |
CN113391289A (zh) * | 2021-06-11 | 2021-09-14 | 森思泰克河北科技有限公司 | 一种雷达虚假目标抑制方法、装置及终端设备 |
CN113511194A (zh) * | 2021-04-29 | 2021-10-19 | 无锡物联网创新中心有限公司 | 一种纵向避撞预警方法及相关装置 |
CN115453504A (zh) * | 2022-08-02 | 2022-12-09 | 珠海云洲智能科技股份有限公司 | 一种目标探测方法、目标探测装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303684A (zh) * | 2018-01-31 | 2018-07-20 | 长沙深之瞳信息科技有限公司 | 基于径向速度信息的地基监视雷达多目标跟踪方法 |
WO2018209997A1 (zh) * | 2017-05-15 | 2018-11-22 | 蔚来汽车有限公司 | 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 |
CN109212521A (zh) * | 2018-09-26 | 2019-01-15 | 同济大学 | 一种基于前视相机与毫米波雷达融合的目标跟踪方法 |
-
2019
- 2019-03-26 CN CN201910233607.7A patent/CN109975798B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018209997A1 (zh) * | 2017-05-15 | 2018-11-22 | 蔚来汽车有限公司 | 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 |
CN108303684A (zh) * | 2018-01-31 | 2018-07-20 | 长沙深之瞳信息科技有限公司 | 基于径向速度信息的地基监视雷达多目标跟踪方法 |
CN109212521A (zh) * | 2018-09-26 | 2019-01-15 | 同济大学 | 一种基于前视相机与毫米波雷达融合的目标跟踪方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110726990A (zh) * | 2019-09-23 | 2020-01-24 | 江苏大学 | 一种基于ds-gnn算法的多传感器融合方法 |
CN111027401A (zh) * | 2019-11-15 | 2020-04-17 | 电子科技大学 | 一种摄像头和激光雷达融合的端到端目标检测方法 |
CN111027401B (zh) * | 2019-11-15 | 2022-05-03 | 电子科技大学 | 一种摄像头和激光雷达融合的端到端目标检测方法 |
CN111891124A (zh) * | 2020-06-08 | 2020-11-06 | 福瑞泰克智能系统有限公司 | 目标信息融合的方法、系统、计算机设备和可读存储介质 |
CN111891124B (zh) * | 2020-06-08 | 2021-08-24 | 福瑞泰克智能系统有限公司 | 目标信息融合的方法、系统、计算机设备和可读存储介质 |
CN113156414A (zh) * | 2020-12-16 | 2021-07-23 | 中国人民解放军陆军工程大学 | 基于mimo毫米波雷达的智能感知与路径规划运输系统 |
CN112907975A (zh) * | 2021-01-23 | 2021-06-04 | 四川九通智路科技有限公司 | 一种基于毫米波雷达与视频进行异常停车的检测方法 |
CN113511194A (zh) * | 2021-04-29 | 2021-10-19 | 无锡物联网创新中心有限公司 | 一种纵向避撞预警方法及相关装置 |
CN113391289A (zh) * | 2021-06-11 | 2021-09-14 | 森思泰克河北科技有限公司 | 一种雷达虚假目标抑制方法、装置及终端设备 |
CN113391289B (zh) * | 2021-06-11 | 2022-12-30 | 森思泰克河北科技有限公司 | 一种雷达虚假目标抑制方法、装置及终端设备 |
CN115453504A (zh) * | 2022-08-02 | 2022-12-09 | 珠海云洲智能科技股份有限公司 | 一种目标探测方法、目标探测装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109975798B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109975798A (zh) | 一种基于毫米波雷达与摄像头的目标检测方法 | |
CN1940591B (zh) | 使用传感器融合进行目标跟踪的系统和方法 | |
CN109633664B (zh) | 基于rgb-d与激光里程计的联合定位方法 | |
CN108254741A (zh) | 基于循环神经网络的目标航迹预测方法 | |
CN106443622A (zh) | 一种基于改进联合概率数据关联的分布式目标跟踪方法 | |
CN103308058A (zh) | 使用加权贝叶斯滤波的融合的增强数据关联 | |
CN105706112A (zh) | 相机运动估计和校正的方法 | |
CN110660083A (zh) | 一种结合视频场景特征感知的多目标跟踪方法 | |
CN107192998A (zh) | 一种基于协方差指标函数的自适应分布式航迹数据融合方法 | |
CN115731268A (zh) | 基于视觉/毫米波雷达信息融合的无人机多目标跟踪方法 | |
CN113627473A (zh) | 基于多模态传感器的水面无人艇环境信息融合感知方法 | |
CN108896047A (zh) | 分布式传感器网络协同融合与传感器位置修正方法 | |
CN103391430B (zh) | 基于dsp的相关跟踪方法及专用装置 | |
CN107941212B (zh) | 一种视觉与惯性联合定位方法 | |
CN104133983A (zh) | 基于加权负一阶rd和的多目标伯努利分布式融合方法 | |
CN111830501B (zh) | Hrrp历史特征辅助的信号模糊数据关联方法及系统 | |
CN109934849A (zh) | 基于轨迹度量学习的在线多目标跟踪方法 | |
CN109214432A (zh) | 一种多传感器多目标联合检测、跟踪与分类方法 | |
CN104866821A (zh) | 基于机器学习的视频物体跟踪方法 | |
CN110686679A (zh) | 高轨光学卫星海上目标中断航迹关联方法 | |
CN114035187A (zh) | 一种自动驾驶系统的感知融合方法 | |
Ren et al. | Improved shape-based distance method for correlation analysis of multi-radar data fusion in self-driving vehicle | |
CN116953692A (zh) | 一种主动雷达和被动雷达协同跟踪下的航迹关联方法 | |
CN112034445A (zh) | 基于毫米波雷达的车辆运动轨迹跟踪方法和系统 | |
CN109190647B (zh) | 一种有源无源数据融合方法 |
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 |