CN110488279A - 一种基于雷达的行人与树木区分方法与装置 - Google Patents
一种基于雷达的行人与树木区分方法与装置 Download PDFInfo
- Publication number
- CN110488279A CN110488279A CN201910817351.4A CN201910817351A CN110488279A CN 110488279 A CN110488279 A CN 110488279A CN 201910817351 A CN201910817351 A CN 201910817351A CN 110488279 A CN110488279 A CN 110488279A
- Authority
- CN
- China
- Prior art keywords
- speed point
- positive
- target
- radar
- trees
- 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于雷达的行人与树木区分方法及装置,该方法步骤包括:S1.使用雷达对探测范围内区域进行目标检测,每次检测到目标时获取检测到的目标的速度信息;S2.获取步骤S1中雷达连续多次检测到的速度信息,在获取的连续多个速度信息中统计各速度点的正负值状态,根据统计的各速度值的正负值状态识别目标是行人还是树木;该装置包括雷达检测模块以及人树分类模块。本发明能够利用微多普勒特征的差异实现行人与树木区分,且具有实现复杂度低、区分精度以及效率高等优点。
Description
技术领域
本发明涉及雷达目标分类技术领域,尤其涉及一种基于雷达的行人与树木区分方法与装置。
背景技术
近些年雷达被广泛应用于如周界区域安防等领域中,雷达也以其出色的动目标检测能力体现出了突出的优势,但是雷达的此优势同样会带来虚警的问题,典型的如在周界区域领域的环境中,经常会存在大量的树木,在有风的天气时,树木晃动也会被雷达作为动目标检测到而产生虚警,因此该类存在大量树木的应用环境下亟需一种能够适用于区分行人与树木的方法来减少虚警的出现。
雷达目标分类可以实现目标的类型识别,现有技术中雷达目标分类即是将模式识别和机器学习的相关知识应用到雷达目标探测中,通常都是从目标的雷达回波中提取处能够体现目标特性的特征信息,再利用支持向量机、卷积神经网络等分类器,将提取的特征代入分类器中,对输入的目标数据做出类别判定,具体流程如图1所示,整个算法工作过程可以分为两部分:(1)特征的选择与提取阶段,首先对数据进行预处理,接下来根据处理好的数据提取出目标的特征,为后续分类识别做准备;(2)对未知类别目标的识别阶段,对这些未知类别的数据,根据设计好的算法进行分类识别。
现有技术中尚未有基于雷达来区分行人与树木的有效方案,若直接采用上述传统雷达目标分类方法来区分行人与树木,实现过程复杂,且采用支持向量机、卷积神经网络等分类器的计算量大、计算复杂度高,识别效率低,难以快速区分出树木与行人,尤其是当存在大量的树木时,会极大的增加数据处理量。
有从业者提出基于位移来区分人树,但是该类方法会存在以下问题:1、由于大的树木左右晃动位移可达七八米,因此设定用于区分人树的位移门限必须大于八米,而如果此时要进行人树区分,人的行动位移必须大于八米才会报警,会引起报警延迟;2、连片的树木,也就是小树林晃动的位移会更大,这是由于一个树木的晃动会连接到另一个树木的晃动,此时利用产生的位移大小就无法进行行人与树木的区分。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现复杂度低、区分精度以及效率高的基于雷达的行人与树木区分方法与装置。
为解决上述技术问题,本发明提出的技术方案为:
一种基于雷达的行人与树木区分方法,步骤包括:
S1.使用雷达对探测范围内区域进行目标检测,每次检测到目标时获取检测到的目标的速度信息;
S2.获取步骤S1中雷达连续多次检测到的速度信息,在获取的连续多个速度信息中统计各速度点的正负值状态,提取得到基于各速度点的正负值状态的微多普勒特征,根据提取得到的所述基于各速度点的正负值状态的微多普勒特征识别目标是行人还是树木。
进一步的,所述步骤S1后、步骤S2前还包括数据预处理步骤,具体步骤为:将获取到的速度信息使用盲速进行折算,即对获取到的每个速度{v1,...vn}分别进行[|vk/vm1|]操作,其中,雷达的盲速区间为-vm1~vm1,vk为第k次检测到目标的速度值,[·]为整除取余数操作,得到最终的速度信息。
进一步的,所述步骤S2中根据统计的所述各速度点的正负值状态识别目标时,具体若满足第一判断条件:各速度点中正速度点或负速度点的数量超过预设数量nth,或满足第二判断条件:各速度点中存在连续为正速度点或连续为负速度点的连续次数超过预设次数n1,则判定目标为行人,否则判定目标为树木。
进一步的,所述步骤S2中根据统计的所述各速度点的正负值状态识别目标时,先执行所述第一判断条件的判断:判断各速度点中正速度点的数量、负速度点的数量是否超过预设数量nth,如果满足所述第一判断条件,判定目标为行人,否则再执行所述第二判断条件的判断:判断各速度点中连续为正速度点的连续次数、连续为负速度点的连续次数是否超过预设次数n1,如果满足所述第二判断条件,判定目标为行人,否则判断目标为树木。
进一步的,所述执行第一判断条件的判断的具体步骤为:分别根据各速度点的正负值状态设置标志,若当前速度点>0,对应设置第一标志;若当前速度点=0,对应设置第二标志;若当前速度点<0,对应设置第三标志;统计各速度点所对应的所述标志的数量,判断统计得到的所述第一标志与第二标志的数量是否大于预设数量nth,以及所述第三标志与第二标志的数量是否大于预设数量nth,如果是则判断满足所述第一判断条件,否则判定不满足所述第一判断条件。
进一步的,所述执行第二判断条件的判断时,具体使用长度与预设次数n1相同的滑窗按照预设步长依次滑过各速度点,通过统计每个所述滑窗内各速度点的正负值状态,判断是否存在一个滑窗内的所有速度点均为正速度点、正速度点与0速度点的组合,或均为负速度点、负速度点与0速度点的组合,如是判定满足所述第二判断条件。
进一步的,所述执行第二判断条件的具体步骤包括:使用所述滑窗按照预设步长依次滑过各速度点,分别为每个所述滑窗内各速度点的正负值状态设置标志,若当前速度点>0,对应设置第一标志;若当前速度点=0,对应设置第二标志;若当前速度点<0,对应设置第三标志,统计每个所述滑窗内各所述标志的数量,若存在一个所述滑窗内全为所述第一标志、第一标志与第二标志的组合,或全为所述第三标志、第三标志与第二标志的组合,或全为第二标志的组合,则判断满足所述第二判断条件,否则判断不满足第二判断条件。
一种基于雷达的行人与树木区分装置,包括:
雷达检测模块,用于使用雷达对探测范围内区域进行目标检测,每次检测到目标时获取检测到的目标的速度信息;
人树分类模块,用于获取所述雷达检测模块中雷达连续多次检测到的速度信息,在获取的连续多个速度信息中统计各速度点的正负值状态,提取得到基于各速度点的正负值状态的微多普勒特征,根据提取得到的所述基于各速度点的正负值状态的微多普勒特征识别目标是行人还是树木。
进一步的,所述人树分类模块中根据统计的所述各速度点的正负值状态识别目标时,具体若满足第一判断条件:各速度点中正速度点或负速度点的数量超过预设数量nth,或满足第二判断条件:各速度点中存在连续为正速度点或连续为负速度点的连续次数超过预设次数n1,则判定目标为行人,否则判定目标为树木。
一种存储有计算机程序的计算机可读存储介质,所述计算机程序执行时实现如上述基于雷达的行人与树木区分方法。
与现有技术相比,本发明的优点在于:
1、本发明利用行人与树木运动产生的多普勒特征所存在的差别来进行行人与树木的区分,通过获取雷达连续多次检测到的目标速度信息,统计各个速度点的正负值状态,以提取得到微多普勒特征,基于各速度点的正负值状态的微多普勒特征来识别目标是行人还是树木,无需提前训练分类器,区分所用延时少,可以快速、高效的区分出行人与晃动的树木,且不受树木数量的影响,还可以实现小树林与行人的区分,有效解决小树林与行人之间难以区分的问题。
2、本发明进一步通过判断是否满足各速度点中正速度点或负速度点的数量超过预设数量,或满足各速度点中存在连续为正速度点或连续为负速度点的连续次数超过预设次数,来实现行人与树木的区分,能够充分利用行人与树木之间速度值正负波动特性来快速、准确的区分出行人与树木。
附图说明
图1是现有技术中雷达目标分类的实现流程示意图。
图2是本实施例基于雷达的行人与树木区分方法的实现流程示意图。
图3是在具体应用实施例中得到的行人的速度点波动曲线示意图。
图4在具体应用实施例中得到的晃动树木的速度点波动曲线示意图。
图5是本发明具体应用实施例中使用滑窗表示统计速度点正负值状态的原理示意图。
图6是本发明具体应用实施例中执行第二判断条件的判断时使用滑窗的原理示意图。
图7是本发明具体应用实施例中实现行人与树木区分的详细流程示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图2所示,本实施例基于雷达的行人与树木区分方法的步骤包括:
S1.雷达检测:使用雷达对探测范围内区域进行目标检测,每次检测到目标时获取检测到的目标的速度信息;
S2.人树分类:获取步骤S1中雷达连续多次检测到的速度信息,在获取的连续多个速度信息中统计各速度点的正负值状态,提取得到基于各速度点的正负值状态的微多普勒特征,根据提取得到的基于各速度点的正负值状态的微多普勒特征识别目标是行人还是树木。
多普勒特征反映在宏观物理层面可以理解为行人和树木本身结构的区别,在运动上则是会有微小的差别,而这种差别通过提取雷达回波信号的微多普勒特征可以得到,微多普勒特征即是由于目标微运动对雷达回波调制而在目标的中心多普勒频率周围产生的边带频率。本实施例预先分析行人与树木运动之间产生的多普勒特征的差别:使用雷达分别对行人以及树木进行多次检测,将每次检测到的速度点值利用盲速折算后进行存储,检测到的行人与树木的速度点波动曲线分别如图3和图4所示,其中纵轴代表利用盲速折算后的速度,横轴代表时间,每一帧代表每一次检测。从图3、图4可以看出,行人的速度点的正负值较为统一,而树木的速度点在短时间内正负值变化剧烈,即行人速度在短时间内正负波动较为稳定,树木速度在短时间内正负波动较为剧烈。
本实施例利用上述行人与树木运动产生的多普勒特征所存在的差别来进行行人与树木的区分,通过获取雷达连续多次检测到的目标速度信息,统计各个速度点的正负值状态,以提取得到微多普勒特征,基于各速度点的正负值状态的微多普勒特征来识别目标是行人还是树木,无需提前训练分类器,区分所用延时少,可以快速、高效的区分出行人与晃动的树木,且不受树木数量的影响,还可以实现小树林与行人的区分,有效解决小树林与行人之间难以区分的问题,尤其适用于如安防等存在大量树木且仅需要区分树木和行人的应用场合。
本实施例中,步骤S1后、步骤S2前还包括数据预处理步骤,具体步骤为:将获取到的速度信息使用盲速进行折算,即对获取到的每个速度{v1,...vn}分别进行[|vk/vm1|]操作,其中[·]为整除取余数操作,雷达的盲速区间为-vm1~vm1,vk为第k次检测到目标的速度值,得到最终的速度信息。通过将检测到的速度到盲速区内,能够显化速度点波动,可以使得特征区别更为明显。
本实施例中,步骤S2中根据统计的各速度点的正负值状态识别目标时,具体若满足第一判断条件:各速度点中正速度点或负速度点的数量超过预设数量nth,或满足第二判断条件:各速度点中存在连续为正速度点或连续为负速度点的连续次数超过预设次数n1,则判定目标为行人,否则判定目标为树木。上述预设数量nth、预设次数n1均可以根据实际需求进行设置,预设数量nth需满足nth<n,n为所获取的雷达检测到的速度点的数量。
如上述分析的行人与树木运动之间产生的多普勒特征的差别:行人的速度点的正负值较为统一,而树木的速度点在短时间内正负值变化剧烈,本实施例据此构建行人与树木之间的两个区分特征:1)行人在长度为n的速度数组内,具有正负相同属性的速度点的个数大于nth个;2)行人存在连续n1次的有相同的正负属性速度值,由上述两个区分特征构成两个判断条件以判断目标是否为行人,即在长度为n的速度数组内,是否具有正负相同属性的速度点的个数大于nth个,或是否存在连续n1次的有相同的正负属性速度值,能够依据行人与树木之间速度值正负波动特性快速、准确的实现区分。
本实施例中,步骤S2中根据统计的各速度点的正负值状态识别目标时,先执行第一判断条件的判断:判断各速度点中正速度点的数量、负速度点的数量是否超过预设数量nth,如果满足所述第一判断条件,判定目标为行人,否则再执行第二判断条件的判断:判断各速度点中连续为正速度点的连续次数、连续为负速度点的连续次数是否超过预设次数n1,如果满足第二判断条件,判定目标为行人,否则判断目标为树木。即先判断是否满足具有正负相同属性的速度点的个数大于nth个,如果满足则判定为行人,若不满足则进一步判断是否满足存在连续n1次的有相同的正负属性速度值,如果满足则判定为行人,如果仍然不满足则可判定为树木。
本实施例中,执行第一判断条件的判断的具体步骤为:分别根据各速度点的正负值状态设置标志,若当前速度点>0,对应设置第一标志;若当前速度点=0,对应设置第二标志;若当前速度点<0,对应设置第三标志;统计各速度点所对应的标志的数量,判断统计得到的第一标志与第二标志的数量是否大于预设数量nth,以及第三标志与第二标志的数量是否大于预设数量nth,如果是则判断满足所述第一判断条件,否则判定不满足第一判断条件。通过结合标志的方式来统计速度的正负值状态,可以进一步简化区分过程、提高执行效率。
在具体应用实施例中,将获取的雷达连续n次检测到的速度数组{v′1,...v′n}使用滑窗图表示,如图5所示,每一个阴影格子代表一个速度点,其中第一个格子存放速度点v1,第二个格子存放速度点v2,依此类推,对各速度点的正负值状态进行标记,若速度值为正,标记为1,若为0,标记为0,若为负,标记为-1,统计速度数组内1,0和-1的个数,如果数组内1和0、-1和0的个数大于nth,则将目标判断为行人,结束区分,否则进一步执行第二判断条件的判断。
本实施例中,执行第二判断条件的判断时,具体使用长度与预设次数n1相同的滑窗按照预设步长依次滑过各速度点,通过统计每个所述滑窗内各速度点之间的正负值状态,判断是否存在一个滑窗内的所有速度点均为正速度点、正速度点与0速度点的组合,或均为负速度点、负速度点与0速度点的组合,如是判定满足第二判断条件。
本实施例中,执行第二判断条件的具体步骤包括:使用滑窗按照预设步长依次滑过各速度点,分别为每个滑窗内各速度点的正负值状态设置标志,若当前速度点>0,对应设置第一标志;若当前速度点=0,对应设置第二标志;若当前速度点<0,对应设置第三标志,统计每个滑窗内各标志的数量,若存在一个滑窗内全为第一标志、第一标志与第二标志的组合,或全为第三标志、第三标志与第二标志的组合,或全为第二标志的组合,则判断满足第二判断条件,否则判断不满足第二判断条件。通过结合使用滑窗以及标志,可以快速、方便的统计出是否存在连续n1次的相同正负属性的速度点。
在具体应用实施例中,执行第二判断条件的判断时,以长度为n1为小滑窗滑过各速度点,如图6所示,与上述执行第一判断条件相同的,对每个滑窗内各速度点的正负状态进行标记,若速度值为正,标记为1,若为0,标记为0,若为负,标记为-1,统计每个滑窗内1,0和-1的个数,统计完1到n1滑窗格子内1,0和-1的个数后,滑窗向右移动一个,即再统计2到n1+1格子内1,0和-1的个数,之后以此类推,直到统计完长度为n整个格子;计算统计的各滑窗内1,0和-1的个数,如果存在一个滑窗内全为1,1和0,或全为-1,-1和0,或全为0的情况,则将目标判定为行人,结束区分,否则判定为树木。
以下以在具体应用实施例中使用本发明上述方法实现行人与树木区分为例,对本发明上述方法进行进一步说明,实现行人与树木区分的详细步骤为:
步骤1:雷达检测
雷达每次检测目标都会得到目标的速度值,记第k次检测到目标的速度为vk,将雷达第1次到第n次检测到的速度值存储下来,记为{v1,...vn}。
步骤2:数据预处理
利用盲速对步骤1存储下来的速度进行折算,即对{v1,…vn}中的每个检测速度进行[|vk/vm1|]操作,记操作后的速度数组变为{v′1,…v′n}。
步骤3:目标分类
如图7所示,先分别统计数组{v1,…vn}内速度点大于0、等于0、小于0的数量,统计完后判断是否存在正负同号的速度点数量是否大于nth,如果是,判定目标为行人,否则通过长度为n1的滑窗依次划过各速度点,直至滑窗移动到底部,统计每个n1的滑窗内速度点大于0、等于0、小于0的数量,判断是否存在一个滑窗内全部同号,如果是,判定目标为行人,否则判定目标为树木。
采用本发明上述方法,相比于传统的位移法所需时间更短,可以在短时间内(3s)准确的区分晃动的树木和行走的人。
本实施例进一步包括基于雷达的行人与树木区分装置,该装置包括:
雷达检测模块,用于使用雷达对探测范围内区域进行目标检测,每次检测到目标时获取检测到的目标的速度信息;
人树分类模块,用于获取雷达检测模块中雷达连续多次检测到的速度信息,在获取的连续多个速度信息中统计各速度点的正负值状态,提取得到基于各速度点的正负值状态的微多普勒特征,根据提取得到的基于各速度点的正负值状态的微多普勒特征识别目标是行人还是树木。
本实施例中,人树分类模块中根据统计的所述各速度点的正负状态识别目标时,具体若满足第一判断条件:各速度点中与相邻速度点相比为向上波动的速度点或为向下波动的速度点超过预设数量nth,或满足第二判断条件:各速度点中存在持续为向上波动或持续为向下波动的速度点的持续次数超过预设次数n1,则判定目标为行人,否则判定目标为树木。
本实施例基于雷达的行人与树木区分装置与上述基于雷达的行人与树木区分方法为一一对应,在此不再一一赘述。
本实施例进一步包括存储有计算机程序的计算机可读存储介质,计算机程序执行时实现如上述基于雷达的行人与树木的区分方法。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (10)
1.一种基于雷达的行人与树木区分方法,其特征在于,步骤包括:
S1.使用雷达对探测范围内区域进行目标检测,每次检测到目标时获取检测到的目标的速度信息;
S2.获取步骤S1中雷达连续多次检测到的速度信息,在获取的连续多个速度信息中统计各速度点的正负值状态,提取得到基于各速度点的正负值状态的微多普勒特征,根据提取得到的所述基于各速度点的正负值状态的微多普勒特征识别目标是行人还是树木。
2.根据权利要求1所述的基于雷达的行人与树木区分方法,其特征在于,所述步骤S1后、步骤S2前还包括数据预处理步骤,具体步骤为:将获取到的速度信息使用盲速进行折算,即对获取到的每个速度{v1,...vn}分别进行[|vk/vm1|]操作,其中,雷达的盲速区间为-vm1~vm1,vk为第k次检测到目标的速度值,[·]为整除取余数操作,得到最终的速度信息。
3.根据权利要求1或2所述的基于雷达的行人与树木区分方法,其特征在于,所述步骤S2中根据统计的所述各速度点的正负值状态识别目标时,具体若满足第一判断条件:各速度点中正速度点或负速度点的数量超过预设数量nth,或满足第二判断条件:各速度点中存在连续为正速度点或连续为负速度点的连续次数超过预设次数n1,则判定目标为行人,否则判定目标为树木。
4.根据权利要求3所述的基于雷达的行人与树木区分方法,其特征在于,所述步骤S2中根据统计的所述各速度点的正负状态识别目标时,先执行所述第一判断条件的判断:判断各速度点中正速度点的数量、负速度点的数量是否超过预设数量nth,如果满足所述第一判断条件,判定目标为行人,否则再执行所述第二判断条件的判断:判断各速度点中连续为正速度点的连续次数、连续为负速度点的连续次数是否超过预设次数n1,如果满足所述第二判断条件,判定目标为行人,否则判断目标为树木。
5.根据权利要求4所述的基于雷达的行人与树木区分方法,其特征在于,所述执行第一判断条件的判断的具体步骤为:分别根据各速度点的正负值状态设置正负标志,若当前速度点>0,对应设置第一标志;若当前速度点=0,对应设置第二标志;若当前速度点<0,对应设置第三标志;统计各速度点所对应的所述标志的数量,判断统计得到的所述第一标志与第二标志的数量是否大于预设数量nth,以及所述第三标志与第二标志的数量是否大于预设数量nth,如果是则判断满足所述第一判断条件,否则判定不满足所述第一判断条件。
6.根据权利要求4或5所述的基于雷达的行人与树木区分方法,其特征在于,所述执行第二判断条件的判断时,具体使用长度与预设次数n1相同的滑窗按照预设步长依次滑过各速度点,通过统计每个所述滑窗内各速度点的正负值状态,判断是否存在一个滑窗内的所有速度点均为正速度点、正速度点与0速度点的组合,或均为负速度点、负速度点与0速度点的组合,如是判定满足所述第二判断条件。
7.根据权利要求6所述的基于雷达的行人与树木区分方法,其特征在于,所述执行第二判断条件的具体步骤包括:使用所述滑窗按照预设步长依次滑过各速度点,分别为每个所述滑窗内各速度点的正负值状态设置标志,若当前速度点>0,对应设置第一标志;若当前速度点=0,对应设置第二标志;若当前速度点<0,对应设置第三标志,统计每个所述滑窗内各所述标志的数量,若存在一个所述滑窗内全为所述第一标志、第一标志与第二标志的组合,或全为所述第三标志、第三标志与第二标志的组合,或全为第二标志的组合,则判断满足所述第二判断条件,否则判断不满足第二判断条件。
8.一种基于雷达的行人与树木区分装置,其特征在于,包括:
雷达检测模块,用于使用雷达对探测范围内区域进行目标检测,每次检测到目标时获取检测到的目标的速度信息;
人树分类模块,用于获取所述雷达检测模块中雷达连续多次检测到的速度信息,在获取的连续多个速度信息中统计各速度点的正负值状态,提取得到基于各速度点的正负值状态的微多普勒特征,根据提取得到的所述基于各速度点的正负值状态的微多普勒特征识别目标是行人还是树木。
9.根据权利要求8所述的基于雷达的行人与树木区分装置,其特征在于,所述人树分类模块中根据统计的所述各速度点的正负值状态识别目标时,具体若满足第一判断条件:各速度点中正速度点或负速度点的数量超过预设数量nth,或满足第二判断条件:各速度点中存在连续为正速度点或连续为负速度点的连续次数超过预设次数n1,则判定目标为行人,否则判定目标为树木。
10.一种存储有计算机程序的计算机可读存储介质,所述计算机程序执行时实现如权利要求1~7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910817351.4A CN110488279B (zh) | 2019-08-30 | 2019-08-30 | 一种基于雷达的行人与树木区分方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910817351.4A CN110488279B (zh) | 2019-08-30 | 2019-08-30 | 一种基于雷达的行人与树木区分方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110488279A true CN110488279A (zh) | 2019-11-22 |
CN110488279B CN110488279B (zh) | 2022-12-09 |
Family
ID=68555667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910817351.4A Active CN110488279B (zh) | 2019-08-30 | 2019-08-30 | 一种基于雷达的行人与树木区分方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110488279B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239702A (zh) * | 2019-12-30 | 2020-06-05 | 北京润科通用技术有限公司 | 一种目标对象运动状态确定方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5867257A (en) * | 1997-07-29 | 1999-02-02 | Mcdonnell Douglas Corporation | Battlefield personnel threat detection system and operating method therefor |
CN106250854A (zh) * | 2016-08-02 | 2016-12-21 | 清华大学 | 基于微多普勒特征和支持向量机的人体步态识别方法 |
CN106291524A (zh) * | 2016-08-05 | 2017-01-04 | 南京理工大学 | 基于人体模型的lfmcw雷达探测运动人体目标的方法 |
CN108388850A (zh) * | 2018-02-08 | 2018-08-10 | 天津大学 | 一种基于k最近邻及微多普勒特征的人体动作识别方法 |
CN109977885A (zh) * | 2019-03-29 | 2019-07-05 | 成都纳雷科技有限公司 | 一种基于多普勒特征的人车自动识别方法及装置 |
-
2019
- 2019-08-30 CN CN201910817351.4A patent/CN110488279B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5867257A (en) * | 1997-07-29 | 1999-02-02 | Mcdonnell Douglas Corporation | Battlefield personnel threat detection system and operating method therefor |
CN106250854A (zh) * | 2016-08-02 | 2016-12-21 | 清华大学 | 基于微多普勒特征和支持向量机的人体步态识别方法 |
CN106291524A (zh) * | 2016-08-05 | 2017-01-04 | 南京理工大学 | 基于人体模型的lfmcw雷达探测运动人体目标的方法 |
CN108388850A (zh) * | 2018-02-08 | 2018-08-10 | 天津大学 | 一种基于k最近邻及微多普勒特征的人体动作识别方法 |
CN109977885A (zh) * | 2019-03-29 | 2019-07-05 | 成都纳雷科技有限公司 | 一种基于多普勒特征的人车自动识别方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239702A (zh) * | 2019-12-30 | 2020-06-05 | 北京润科通用技术有限公司 | 一种目标对象运动状态确定方法及装置 |
CN111239702B (zh) * | 2019-12-30 | 2022-03-01 | 北京润科通用技术有限公司 | 一种目标对象运动状态确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110488279B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657088B (zh) | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 | |
CN107290741B (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
CN103996018B (zh) | 基于4dlbp的人脸识别方法 | |
CN109977885A (zh) | 一种基于多普勒特征的人车自动识别方法及装置 | |
CN107784276B (zh) | 微震事件识别方法和装置 | |
CN103989462B (zh) | 一种脉搏波形第一特征点和第二特征点的提取方法 | |
CN111179262B (zh) | 一种结合形状属性的电力巡检图像金具检测方法 | |
CN106250848B (zh) | 一种基于多模型融合的单类水声目标识别方法 | |
CN112069985B (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
CN103116744A (zh) | 基于mrf和svm-knn分类的假指纹检测方法 | |
CN108256462A (zh) | 一种商场监控视频中的人数统计方法 | |
CN103559508A (zh) | 一种基于连续型Adaboost视频车辆检测方法 | |
CN103839078A (zh) | 一种基于主动学习的高光谱图像分类方法 | |
CN103177266A (zh) | 储藏物害虫智能识别系统 | |
CN106935038B (zh) | 一种停车检测系统及检测方法 | |
CN112068120A (zh) | 基于二维傅里叶变换的微多普勒时频平面单兵小分队识别方法 | |
CN109164450A (zh) | 一种基于多普勒雷达数据的下击暴流预测方法 | |
CN104915679A (zh) | 一种基于随机森林加权距离的大规模高维数据分类方法 | |
CN103700118B (zh) | 基于脉冲耦合神经网络的动目标检测方法 | |
CN110488279A (zh) | 一种基于雷达的行人与树木区分方法与装置 | |
CN103942792B (zh) | 医药检测机器人中基于序列图像时域特征的杂质检测方法 | |
Lee | A Study on Fruit Quality Identification Using YOLO V2 Algorithm | |
CN117331047A (zh) | 基于毫米波雷达的人体行为数据分析方法及系统 | |
CN104463912A (zh) | 一种基于簇相似的多尺度目标跟踪方法 | |
Singh et al. | Comparative analysis of deep learning models for potato leaf disease detection |
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 |