CN110427986A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110427986A
CN110427986A CN201910640745.7A CN201910640745A CN110427986A CN 110427986 A CN110427986 A CN 110427986A CN 201910640745 A CN201910640745 A CN 201910640745A CN 110427986 A CN110427986 A CN 110427986A
Authority
CN
China
Prior art keywords
point cloud
feature
target point
kernel
point
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
Application number
CN201910640745.7A
Other languages
English (en)
Other versions
CN110427986B (zh
Inventor
宋春毅
赵自豪
陈钦
崔富城
宋钰莹
徐志伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yantai Xin Yang Ju Array Microelectronics Co ltd
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910640745.7A priority Critical patent/CN110427986B/zh
Publication of CN110427986A publication Critical patent/CN110427986A/zh
Priority to PCT/CN2020/089090 priority patent/WO2021008202A1/zh
Application granted granted Critical
Publication of CN110427986B publication Critical patent/CN110427986B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Abstract

本发明公开了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，该方法首先对原始的雷达点云数据进行预处理，将雷达探测区域外的点云剔除。接着通过聚类算法将目标点云聚为一类，从而剔除噪声点云。然后结合目标的点云特点构建了由11个特征构成的特征向量，并采用核支持向量机分类器来进行训练和测试，从而实现目标分类。本发明比传统的基于毫米波雷达目标分类方法具有更高的识别准确率，对研究自动驾驶的感知能力具有重要的现实意义。

Description

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
技术领域
本发明涉及目标分类领域，尤其涉及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。
背景技术
毫米波雷达传感器具有探测距离远，测距、测速精确，在极端恶劣天气(雾天、雪天等)能够稳定工作等优点，使得毫米波雷达传感器成为了高级驾驶辅助系统的重要传感器。但是由于毫米波雷达点云稀疏，包含的目标特征少等问题，基于毫米波雷达传感器的目标分类应用仍然是一个技术难题。现有的基于毫米波雷达的目标分类方法有三种，一种是基于目标在距离和速度的剖面特点实现了目标分类，第二种是从空间分布和多普勒信息中提取出五种显著的特征实现了对静止目标和行人的分类，第三种是利用目标反射的回波信号强度来实现目标分类。
目前基于毫米波雷达的目标分类方法没有充分利用回波信号的方位角以及强度信息，导致基于毫米波雷达的目标分类方法准确率低，实用性不好。因此无法在实际应用中推广基于毫米波雷达的目标分类方法。这给毫米波雷达的发展与应用带来了极大的挑战。
发明内容
本发明的目的在于针对现有技术的不足，提供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。
本发明的目的是通过以下技术方案来实现的：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，包括以下步骤：
S1：对原始的雷达点云预处理，将雷达探测区域外的点云剔除；
S2：通过具有噪声的基于密度的聚类方法将目标点云聚为一类，从而剔除噪声点云；
S3：提取目标的点云特征，组合成用于目标分类的特征向量；
S4：将所有目标点云的特征向量组合成特征样本集，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，采用测试集测试训练好的核支持向量机的分类效果。
进一步地，所述步骤S2通过以下子步骤来实现：
S2.1:通过下式计算预处理后的毫米波点云数据中任意两点之间的欧式距离：
其中，(x，y，v，I)分别表示任意一点的x轴坐标、y轴的坐标、速度和回波强度，w1、w2为权重值。
S2.3:确定所有的核心对象。先统计每个点Eps邻域内的点数，如果点数大于minpts，则该点为核心对象，否则为边界点或者噪声点；
S2.4:确定核心对象之间的密度直达关系。如果点p在点q的Eps邻域内，且点p和点q均为核心对象，则点p对于点q密度直达；
S2.5:确定核心对象之间的密度可达关系。对于任意两点p和q，如果存在关系序列X1,X2，…,XN，满足p＝X1，q＝XN，并且Xi+1是Xi的密度直达，则点q对于点p密度可达，从而密度可达的核心对象以及它们邻域的点聚成一类。
进一步地，所述步骤S3的点云特征为11个，具体如下：
(1)特征x1：目标点云的个数；
(2)特征x2：目标点云矩形框的长度，即同一个目标点云的所有反射点在X轴的最大值与最小值的差；
(3)特征x3：目标点云矩形框的宽，即同一个目标点云的所有反射点在Y轴的最大值与最小值的差；
(4)特征x4：目标点云矩形框的面积，即目标点云矩形框的长与宽的乘积；
(5)特征x5：目标点云矩形框的密度，即同一个目标点数除以目标框的面积的值；如果目标框面积为0，则该目标框的密度设为10000；
(6)特征x6：同一个目标点云的所有反射点在X方向的方差；
(7)特征x7：同一个目标点云的所有反射点在Y方向的方差；
(8)特征x8：同一个目标点云的所有反射点的平均速度，即同一个目标点云的所有反射点的速度总和除以点的个数；
(9)特征x9：同一个目标点云的所有反射点在速度维的长度，即同一个目标点云的所有反射点的速度最大值与最小值之差；
(10)特征x10：同一个目标点云的所有反射点在速度维的方差；
(11)特征x11：同一个目标点云的所有反射点的回波强度的最大值。
进一步地，所述步骤S4通过以下子步骤来实现：
S4.1：将所有提取完特征的目标点云数据组合成特征样本集，对每个特征进行归一化；
S4.2：采用十折交叉验证的方法随机将特征样本集分为十份，轮流将其中九份作训练集对基于核函数的支持向量机进行训练，一份作测试集来测试训练好的核支持向量机分类器的分类准确率；
S4.3:十次的测试结果的分类准确率的平均值作为对目标分类方法准确率的估计。
进一步地，所述的核函数为多项式核函数。
本发明的有益效果是，基于毫米波雷达点云的核支持向量机目标分类方法，研究基于毫米波雷达点云数据的特点，提取出11个特征全面的描述了目标点云，实现基于毫米波雷达的目标分类。本发明比传统的基于毫米波雷达目标分类方法具有更高的识别准确率，对研究自动驾驶的感知能力具有重要的现实意义。
附图说明
图1是基于毫米波雷达点云特征的核支持向量机目标分类方法流程图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
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，如图1所示，该方法包括以下步骤：
S1：对原始的雷达点云预处理，将雷达探测区域外的点云剔除；
S2：通过具有噪声的基于密度的聚类方法将目标点云聚为一类，从而剔除噪声点云；
S2.1:通过下式计算预处理后的毫米波点云数据中任意两点之间的欧式距离：
其中，(x，y，v，I)分别表示任意一点的x轴坐标、y轴的坐标、速度和回波强度，w1、w2为权重值；
S2.3:确定所有的核心对象。先统计每个点Eps邻域内的点数，如果点数大于minpts，则该点为核心对象，否则为边界点或者噪声点；
S2.4:确定核心对象之间的密度直达关系。如果点p在点q的Eps邻域内，且点p和点q均为核心对象，则点p对于点q密度直达；
S2.5:确定核心对象之间的密度可达关系。对于任意两点p和q，如果存在关系序列X1,X2，…,XN，满足p＝X1，q＝XN，并且Xi+1是Xi的密度直达，则点q对于点p密度可达，从而密度可达的核心对象以及它们邻域的点聚成一类。
S3：提取目标的点云特征，组合成用于目标分类的特征向量；其中点云特征具有11个，具体如下：
(1)特征x1：目标点云的个数；
(2)特征x2：目标点云矩形框的长度，即同一个目标点云的所有反射点在X轴的最大值与最小值的差；
(3)特征x3：目标点云矩形框的宽，即同一个目标点云的所有反射点在Y轴的最大值与最小值的差；
(4)特征x4：目标点云矩形框的面积，即目标点云矩形框的长与宽的乘积；
(5)特征x5：目标点云矩形框的密度，即同一个目标点数除以目标框的面积的值；如果目标框面积为0，则该目标框的密度设为10000；
(6)特征x6：同一个目标点云的所有反射点在X方向的方差；
(7)特征x7：同一个目标点云的所有反射点在Y方向的方差；
(8)特征x8：同一个目标点云的所有反射点的平均速度，即同一个目标点云的所有反射点的速度总和除以点的个数；
(9)特征x9：同一个目标点云的所有反射点在速度维的长度，即同一个目标点云的所有反射点的速度最大值与最小值之差；
(10)特征x10：同一个目标点云的所有反射点在速度维的方差；
(11)特征x11：同一个目标点云的所有反射点的回波强度的最大值。
S4：将所有目标点云的特征向量组合成特征样本集，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，采用测试集测试训练好的核支持向量机的分类效果。
S4.1：将所有提取完特征的目标点云数据组合成特征样本集，对每个特征进行归一化；
S4.2：采用十折交叉验证的方法随机将特征样本集分为十份，轮流将其中九份作训练集对基于核函数的支持向量机进行训练，一份作测试集来测试训练好的核支持向量机分类器的分类准确率；
S4.3:十次的测试结果的分类准确率的平均值作为对目标分类方法准确率的估计。
本发明的毫米波点云目标分类方法与传统的毫米波点云目标分类方法的目标分类结果对比如表1所示。
表1本发明的目标分类方法与传统的毫米波点云目标分类方法的结果对比
本实施例中采用德州仪器公司IWR1642单芯片雷达传感器采集了4000个行人毫米波点云与4000个汽车毫米波点云，经过步骤S1和S2处理后提取目标点云。分别提取本发明的11种特征和传统的点云特征。传统点云特征具体包含点数、距离维长度、距离维上方差、距离维上标准差、速度维长度、速度维上方差、速度维上标准差和径向速度。最后利用三种不同核函数(线性核函数、高斯核函数和多项式核函数)的支持向量机进行训练和测试。从表1中可以看出，在不同的核函数支持向量机分类器下，本发明的目标分类方法均比传统方法更加准确。其中本发明在使用多项式核函数的支持向量机分类效果最好，行人和车辆的识别准确率分别达到97.17％和97.40％。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例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。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (5)

1.一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，其特征在于，包括以下步骤：
S1：对原始的雷达点云预处理，将雷达探测区域外的点云剔除；
S2：通过具有噪声的基于密度的聚类方法将目标点云聚为一类，从而剔除噪声点云；
S3：提取目标的点云特征，组合成用于目标分类的特征向量；
S4：将所有目标点云的特征向量组合成特征样本集，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，采用测试集测试训练好的核支持向量机的分类效果。
2.根据权利要求1所述的目标分类方法，其特征在于，所述步骤S2通过以下子步骤来实现：
S2.1:通过下式计算预处理后的毫米波点云数据中任意两点之间的欧式距离：
其中，(x，yiv，I)分别表示任意一点的x轴坐标、y轴的坐标、速度和回波强度，w1、w2为权重值。
S2.3:确定所有的核心对象。先统计每个点Eps邻域内的点数，如果点数大于minpts，则该点为核心对象，否则为边界点或者噪声点；
S2.4:确定核心对象之间的密度直达关系。如果点p在点q的Eps邻域内，且点p和点q均为核心对象，则点p对于点q密度直达；
S2.5:确定核心对象之间的密度可达关系。对于任意两点p和q，如果存在关系序列X1,X2，…,XN，满足p＝X1，q＝XN，并且Xi+1是Xi的密度直达，则点q对于点p密度可达，从而密度可达的核心对象以及它们邻域的点聚成一类。
3.根据权利要求1所述的目标分类方法，其特征在于，所述步骤S3的点云特征为11个，具体如下：
(1)特征x1：目标点云的个数；
(2)特征x2：目标点云矩形框的长度，即同一个目标点云的所有反射点在X轴的最大值与最小值的差；
(3)特征x3：目标点云矩形框的宽，即同一个目标点云的所有反射点在Y轴的最大值与最小值的差；
(4)特征x4：目标点云矩形框的面积，即目标点云矩形框的长与宽的乘积；
(5)特征x5：目标点云矩形框的密度，即同一个目标点数除以目标框的面积的值；如果目标框面积为0，则该目标框的密度设为10000；
(6)特征x6：同一个目标点云的所有反射点在X方向的方差；
(7)特征x7：同一个目标点云的所有反射点在Y方向的方差；
(8)特征x8：同一个目标点云的所有反射点的平均速度，即同一个目标点云的所有反射点的速度总和除以点的个数；
(9)特征x9：同一个目标点云的所有反射点在速度维的长度，即同一个目标点云的所有反射点的速度最大值与最小值之差；
(10)特征x10：同一个目标点云的所有反射点在速度维的方差；
(11)特征x11：同一个目标点云的所有反射点的回波强度的最大值。
4.根据权利要求1所述的目标分类方法，其特征在于，所述步骤S4通过以下子步骤来实现：
S4.1：将所有提取完特征的目标点云数据组合成特征样本集，对每个特征进行归一化；
S4.2：采用十折交叉验证的方法随机将特征样本集分为十份，轮流将其中九份作训练集对基于核函数的支持向量机进行训练，一份作测试集来测试训练好的核支持向量机分类器的分类准确率；
S4.3:十次的测试结果的分类准确率的平均值作为对目标分类方法准确率的估计。
5.根据权利要求4所述的目标分类方法，其特征在于，所述的核函数为多项式核函数。
CN201910640745.7A 2019-07-16 2019-07-16 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 Active CN110427986B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910640745.7A CN110427986B (zh) 2019-07-16 2019-07-16 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
PCT/CN2020/089090 WO2021008202A1 (zh) 2019-07-16 2020-05-08 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910640745.7A CN110427986B (zh) 2019-07-16 2019-07-16 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

Publications (2)

Publication Number Publication Date
CN110427986A true CN110427986A (zh) 2019-11-08
CN110427986B CN110427986B (zh) 2022-02-01

Family

ID=68410715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910640745.7A Active CN110427986B (zh) 2019-07-16 2019-07-16 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

Country Status (2)

Country Link
CN (1) CN110427986B (zh)
WO (1) WO2021008202A1 (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111142085A (zh) * 2020-01-15 2020-05-12 武汉大学 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
CN111199555A (zh) * 2019-12-13 2020-05-26 意诺科技有限公司 毫米波雷达目标识别方法
CN111832665A (zh) * 2020-09-10 2020-10-27 福瑞泰克智能系统有限公司 栅栏检测方法、装置、计算机设备和存储介质
CN112150501A (zh) * 2020-09-18 2020-12-29 浙江吉利控股集团有限公司 基于激光雷达的目标检测方法、装置、设备及存储介质
WO2021008202A1 (zh) * 2019-07-16 2021-01-21 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
CN113296086A (zh) * 2020-02-21 2021-08-24 华为技术有限公司 目标识别方法及装置
CN113516052A (zh) * 2021-05-21 2021-10-19 同济大学 一种基于机器学习的成像毫米波雷达点云目标分类方法
CN113671849A (zh) * 2021-09-03 2021-11-19 珠海格力电器股份有限公司 一种智能家居设备控制方法及装置
CN113723365A (zh) * 2021-09-29 2021-11-30 西安电子科技大学 基于毫米波雷达点云数据的目标特征提取及分类方法
CN113820682A (zh) * 2021-09-26 2021-12-21 华南农业大学 一种基于毫米波雷达的目标检测方法及装置
CN114633782A (zh) * 2022-03-30 2022-06-17 南京慧尔视智能科技有限公司 铁路平交道口的火车来临预警方法、装置、设备及介质
WO2023108930A1 (zh) * 2021-12-14 2023-06-22 江苏航天大为科技股份有限公司 一种基于点云速度的毫米波雷达大车识别方法
CN113723365B (zh) * 2021-09-29 2024-05-14 西安电子科技大学 基于毫米波雷达点云数据的目标特征提取及分类方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537316B (zh) * 2021-06-30 2024-04-09 南京理工大学 一种基于4d毫米波雷达点云的车辆检测方法
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
CN113567953A (zh) * 2021-07-28 2021-10-29 哈尔滨工业大学 一种基于sift视觉词袋的全波形激光回波信号的分类方法
CN113705617A (zh) * 2021-07-30 2021-11-26 北京万集科技股份有限公司 点云数据的处理方法、装置、计算机设备和存储介质
CN113610044B (zh) * 2021-08-19 2022-02-15 清华大学 基于自注意力机制的4d毫米波三维目标检测方法及系统
CN115271096B (zh) * 2022-07-27 2023-08-18 阿波罗智能技术(北京)有限公司 点云处理和机器学习模型训练方法、装置及自动驾驶车辆
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
CN116824877B (zh) * 2023-08-29 2023-11-24 湖南纳雷科技有限公司 一种交通流量毫米波雷达的车辆检测方法、介质及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102270301A (zh) * 2011-06-07 2011-12-07 南京理工大学 一种svm与激光雷达结合检测非结构化道路边界的方法
CN106022259A (zh) * 2016-05-20 2016-10-12 江苏得得空间信息科技有限公司 一种基于激光点云三维特征描述模型的山区道路提取方法
CN107292335A (zh) * 2017-06-06 2017-10-24 云南电网有限责任公司信息中心 一种基于随机森林模型的输电线路点云数据自动分类方法
CN108226883A (zh) * 2017-11-28 2018-06-29 深圳市易成自动驾驶技术有限公司 测试毫米波雷达性能的方法、装置及计算机可读存储介质
CN108509918A (zh) * 2018-04-03 2018-09-07 中国人民解放军国防科技大学 融合激光点云与图像的目标检测与跟踪方法
CN108732584A (zh) * 2017-04-17 2018-11-02 百度在线网络技术（北京）有限公司 用于更新地图的方法和装置
US20180365503A1 (en) * 2017-06-16 2018-12-20 Baidu Online Network Technology (Beijing) Co., Ltd. Method and Apparatus of Obtaining Obstacle Information, Device and Computer Storage Medium
CN109061600A (zh) * 2018-09-28 2018-12-21 上海市刑事科学技术研究院 一种基于毫米波雷达数据的目标识别方法
CN109581312A (zh) * 2018-11-22 2019-04-05 西安电子科技大学昆山创新研究院 一种高分辨毫米波雷达多目标聚类方法
CN109753874A (zh) * 2018-11-28 2019-05-14 南京航空航天大学 一种基于机器学习的低慢小雷达目标分类方法
CN109901193A (zh) * 2018-12-03 2019-06-18 财团法人车辆研究测试中心 近距离障碍物的光达侦测装置及其方法
CN109934230A (zh) * 2018-09-05 2019-06-25 浙江大学 一种基于视觉辅助的雷达点云分割方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093235B (zh) * 2012-12-30 2016-01-20 北京工业大学 一种基于改进距离核主成分分析的手写体数字识别方法
US20180136332A1 (en) * 2016-11-15 2018-05-17 Wheego Electric Cars, Inc. Method and system to annotate objects and determine distances to objects in an image
CN109581361A (zh) * 2018-11-22 2019-04-05 九牧厨卫股份有限公司 一种检测方法、检测装置、终端以及检测系统
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

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102270301A (zh) * 2011-06-07 2011-12-07 南京理工大学 一种svm与激光雷达结合检测非结构化道路边界的方法
CN106022259A (zh) * 2016-05-20 2016-10-12 江苏得得空间信息科技有限公司 一种基于激光点云三维特征描述模型的山区道路提取方法
CN108732584A (zh) * 2017-04-17 2018-11-02 百度在线网络技术（北京）有限公司 用于更新地图的方法和装置
CN107292335A (zh) * 2017-06-06 2017-10-24 云南电网有限责任公司信息中心 一种基于随机森林模型的输电线路点云数据自动分类方法
US20180365503A1 (en) * 2017-06-16 2018-12-20 Baidu Online Network Technology (Beijing) Co., Ltd. Method and Apparatus of Obtaining Obstacle Information, Device and Computer Storage Medium
CN108226883A (zh) * 2017-11-28 2018-06-29 深圳市易成自动驾驶技术有限公司 测试毫米波雷达性能的方法、装置及计算机可读存储介质
CN108509918A (zh) * 2018-04-03 2018-09-07 中国人民解放军国防科技大学 融合激光点云与图像的目标检测与跟踪方法
CN109934230A (zh) * 2018-09-05 2019-06-25 浙江大学 一种基于视觉辅助的雷达点云分割方法
CN109061600A (zh) * 2018-09-28 2018-12-21 上海市刑事科学技术研究院 一种基于毫米波雷达数据的目标识别方法
CN109581312A (zh) * 2018-11-22 2019-04-05 西安电子科技大学昆山创新研究院 一种高分辨毫米波雷达多目标聚类方法
CN109753874A (zh) * 2018-11-28 2019-05-14 南京航空航天大学 一种基于机器学习的低慢小雷达目标分类方法
CN109901193A (zh) * 2018-12-03 2019-06-18 财团法人车辆研究测试中心 近距离障碍物的光达侦测装置及其方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
THOMAS S. MURRAY等: "Bio-Inspired Human Action Recognition With a Micro-Doppler Sonar System", 《 IEEE ACCESS》 *
郭波等: "顾及空间上下文关系的jointboost点云分类及特征降维", 《测绘学报》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021008202A1 (zh) * 2019-07-16 2021-01-21 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
CN111199555A (zh) * 2019-12-13 2020-05-26 意诺科技有限公司 毫米波雷达目标识别方法
CN111199555B (zh) * 2019-12-13 2023-10-13 意诺科技有限公司 毫米波雷达目标识别方法
CN111142085A (zh) * 2020-01-15 2020-05-12 武汉大学 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
CN113296086A (zh) * 2020-02-21 2021-08-24 华为技术有限公司 目标识别方法及装置
WO2021164514A1 (zh) * 2020-02-21 2021-08-26 华为技术有限公司 目标识别方法及装置
CN111832665A (zh) * 2020-09-10 2020-10-27 福瑞泰克智能系统有限公司 栅栏检测方法、装置、计算机设备和存储介质
CN112150501A (zh) * 2020-09-18 2020-12-29 浙江吉利控股集团有限公司 基于激光雷达的目标检测方法、装置、设备及存储介质
CN113516052B (zh) * 2021-05-21 2023-04-18 同济大学 一种基于机器学习的成像毫米波雷达点云目标分类方法
CN113516052A (zh) * 2021-05-21 2021-10-19 同济大学 一种基于机器学习的成像毫米波雷达点云目标分类方法
CN113671849A (zh) * 2021-09-03 2021-11-19 珠海格力电器股份有限公司 一种智能家居设备控制方法及装置
CN113820682A (zh) * 2021-09-26 2021-12-21 华南农业大学 一种基于毫米波雷达的目标检测方法及装置
CN113820682B (zh) * 2021-09-26 2023-08-18 华南农业大学 一种基于毫米波雷达的目标检测方法及装置
CN113723365A (zh) * 2021-09-29 2021-11-30 西安电子科技大学 基于毫米波雷达点云数据的目标特征提取及分类方法
CN113723365B (zh) * 2021-09-29 2024-05-14 西安电子科技大学 基于毫米波雷达点云数据的目标特征提取及分类方法
WO2023108930A1 (zh) * 2021-12-14 2023-06-22 江苏航天大为科技股份有限公司 一种基于点云速度的毫米波雷达大车识别方法
CN114633782A (zh) * 2022-03-30 2022-06-17 南京慧尔视智能科技有限公司 铁路平交道口的火车来临预警方法、装置、设备及介质
CN114633782B (zh) * 2022-03-30 2024-02-27 南京慧尔视智能科技有限公司 铁路平交道口的火车来临预警方法、装置、设备及介质

Also Published As

Publication number Publication date
WO2021008202A1 (zh) 2021-01-21
CN110427986B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN110427986A (zh) 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
CN108510467B (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
CN105809693B (zh) 基于深度神经网络的sar图像配准方法
CN107728143B (zh) 基于一维卷积神经网络的雷达高分辨距离像目标识别方法
CN107358250A (zh) 基于双波段雷达微多普勒融合的人体步态识别方法及系统
CN104268598B (zh) 一种基于二维扫描激光的人腿检测方法
WO2016194036A1 (ja) レーダ信号処理装置
CN105044701B (zh) 基于稳健性时频特征的地面目标分类方法
CN107490795B (zh) 一种通过雷达实现人体运动状态识别的方法
CN108805028A (zh) 基于电磁强散射点的sar图像地面目标检测与定位方法
CN103218825B (zh) 一种尺度不变的时空兴趣点快速检测方法
CN108254727A (zh) 一种基于轮廓跟踪的雷达点迹凝聚方法
CN102332084A (zh) 基于掌纹和人脸特征提取的身份识别方法
CN107679453A (zh) 基于支持向量机的天气雷达电磁干扰回波识别方法
CN113486961A (zh) 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备
CN111401168A (zh) 一种无人机的多层雷达特征提取与选择方法
CN109541639A (zh) 一种基于粒子聚类的反演边界层高度方法
CN106093935A (zh) 俯仰宽波束雷达地面和低空目标分类方法
Pengcheng et al. Radar group target recognition based on HRRPs and weighted mean shift clustering
CN113887583A (zh) 基于深度学习的低信噪比下雷达rd图像目标检测方法
CN111458688B (zh) 一种基于三维卷积网络的雷达高分辨距离像目标识别方法
CN113034419B (zh) 面向机器视觉任务的雷达点云客观质量评价方法及装置
CN116310780A (zh) 基于轮廓建模的光学遥感图像任意方向船只目标检测方法
CN105629210A (zh) 一种机载雷达空地运动目标分类识别方法
Wang et al. Rammar: RAM assisted mask R-CNN for FMCW sensor based HGD system

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

Effective date of registration: 20230309

Address after: 316000 Room 202, 11 Baichuan Road, Lincheng street, Dinghai District, Zhoushan City, Zhejiang Province (centralized office)

Patentee after: ZHEJIANG JISU HEXIN TECHNOLOGY CO.,LTD.

Address before: 310058 Yuhang Tang Road, Xihu District, Hangzhou, Zhejiang 866

Patentee before: ZHEJIANG University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230629

Address after: Plant 1, No. 13, Guiyang Avenue, Yantai Economic and Technological Development Zone, Shandong Province, 264000

Patentee after: Yantai Xin Yang Ju Array Microelectronics Co.,Ltd.

Address before: 316000 Room 202, 11 Baichuan Road, Lincheng street, Dinghai District, Zhoushan City, Zhejiang Province (centralized office)

Patentee before: ZHEJIANG JISU HEXIN TECHNOLOGY CO.,LTD.

TR01 Transfer of patent right