CN110568433A - 基于毫米波雷达的高空抛物检测方法 - Google Patents
基于毫米波雷达的高空抛物检测方法 Download PDFInfo
- Publication number
- CN110568433A CN110568433A CN201910849349.5A CN201910849349A CN110568433A CN 110568433 A CN110568433 A CN 110568433A CN 201910849349 A CN201910849349 A CN 201910849349A CN 110568433 A CN110568433 A CN 110568433A
- Authority
- CN
- China
- Prior art keywords
- millimeter wave
- wave radar
- point
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 238000002592 echocardiography Methods 0.000 claims abstract description 3
- 230000001360 synchronised effect Effects 0.000 claims abstract description 3
- 238000011426 transformation method Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000004888 barrier function Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000009434 installation Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
Abstract
本发明公开了一种基于毫米波雷达的高空抛物检测方法，毫米波雷达的天线阵列模块与毫米波收发模块连接，用于发送毫米波发射信号和接收散射回波信号，毫米波雷达的无线电波发出去然后接收回波，根据收发之间的时间差测得目标的位置数据，毫米波雷达和摄像头之间建立标定关系，通过航位推算下的坐标变换方法来同步毫米波雷达传感器和摄像头传感器之间的时差；再通过毫米波雷达确定兴趣区域，最后运用图像算法来定位高空抛物。本发明具有如下有益效果：1.小天线口径、窄波束：高跟踪和引导精度；易于进行低仰角监测；2.毫米波雷达可以获得极高的角度、距离和速度分辨率；3.高多普勒频率：慢目标和振动目标的良好检测和识别能力。该方法能够较好地实现利用雷达与摄像头捕获信息融合来检测障碍物。
Description
技术领域
本发明属于公交车雷达检测技术领域，具体涉及一种基于毫米波雷达的高空抛物检测方法。
背景技术
现有技术方案是采用控制单元控制发射器发送检测信号，反射器接收所述检测信号后并向第一排接收器反射检测信号，反射器转动后向第二排接收器反射所述检测信号，以此类推，反射器转动后向所述第N排接收器反射所述检测信号；控制单元接收所述第一排至第N排接收器发送的反馈信号，并根据所述反馈信号判断是否有高空抛物，并在有高空抛物的情况下控制高清摄像头转动采集图像。
现有技术的客观缺点主要有以下3点：
(1)方案中采用接收器来接收信号，安装时要对应楼宇均匀分布，所以安装时对施工人员难度较大，容易安装错误导致信号接收不准确。
(2)方案中采用接收器和反射器，虽然成本较低，但是反射精度较差，无法满足对高空抛物的准确检测。
(3)常见方案可使用于固定范围的检测，无法应用在移动的车辆上使用，无法解决公交车检测的目的。
发明内容
为解决上述技术缺点，本发明提出了一种基于毫米波雷达的高空抛物检测方法，可以安装在移动设备上，能够支持对车辆上方无死角的监测，实现对高空较高精确度的监测，抗干扰能力强，适用于公交车在户外的复杂环境中。
本发明解决其技术问题所采用的方案是：一种基于毫米波雷达的高空抛物检测方法，毫米波雷达的天线阵列模块与毫米波收发模块连接，用于发送毫米波发射信号和接收散射回波信号，图像重构模块接收数字采集模块输出的信号，对其进行快速成像处理，以得到被测场景的实时图像；利用毫米波雷达收发大型车附近的环境信息，毫米波雷达的无线电波发出去然后接收回波，根据收发之间的时间差测得目标的位置数据，毫米波雷达和摄像头之间的建立标定关系，将毫米波雷达数据投影到图像坐标中，通过航位推算下的坐标变换方法来同步毫米波雷达传感器和摄像头传感器之间的时差；再通过毫米波雷达确定兴趣区域，兴趣区域内运动目标检测方法包括：获取由激光雷达连续扫描多次得到的检测范围内运动目标的前景数据以及背景数据所构成的原始矩阵利用鲁棒主分量分析法对所述原始矩阵进行分解，获得与所述原始矩阵对应的第一稀疏矩阵；对所述第一稀疏矩阵进行稀疏化处理，获得第二稀疏矩阵；对所述第二稀疏矩阵进行自适应窗口滤波获得所述运动目标相对于所述激光雷达的距离信息，最后运用图像算法来定位高空抛物。
其中，在兴趣区域内运动目标检测方法中还采用DBSCAN算法提取障碍物的外围矩形轮廓：在x轴方向依据点与点的距离差值聚类，在此基础上再在y轴方向根据点与点的距离差值聚类，然后输出障碍点数聚类集合m＝{m_1,m_2,m_3,…,m_n}，最后对输出数据集中的每个障碍点集合分别应用DBSCAN聚类算法，对障碍点进行进一步分类。其中，DBSCAN聚类算法需要事先输入过滤噪声的核心点领域距离阈值Eps以及核心点邻域范围内最少点个数的阈值MinPts，Eps和MinPts应随激光点深度而变化，采用自适应阈值的方法：
式中rn-1为障碍点Pn-1的深度值；σ为毫米波雷达的测量误差；为毫米波雷达的角度分辨率，γ为阈值参数，它决定了最大距离阈值的大小；NT为预聚类中mi中障碍点的个数；为阈值因数。
通过毫米波雷达确定兴趣区域的方法是通过毫米波雷达以点的形式返回目标信号的位置，根据该点的位置生成一个目标感兴趣区域；要求在图像中生成的感兴趣区域应能较好地包含抛物，雷达探测到某一目标距离为P，角度为a，根据式(1)和式(2)可以得到该目标底点和顶点在图像中的像素坐标，
(Xp1，YP1)为目标底点像素坐标，(Xp2，YP2)为目标顶点像素坐标；算出底点像素坐标和顶点后像素坐标，得出兴趣区域高度为|YP2-YP1|，则通过式(3)求出参数矩形宽高比，矩形宽度和矩形高度；
Rratio为矩形宽高比，Rwidth为宽度，Rheight为高度。
基于摄像头视觉的运动目标检测方法中，采用的算法是将输入图像的像素与背景模型进行对比，和背景模型相似性比较高的点视为背景，和背景模型相似性比较低的点视为前景，再利用形态学的方法进行运动目标提取；混合高斯模型是由K个单高斯模型加权组成的，在获取新的一帧图像之后，如果当前图像中的像素点与该像素的K个模型中的某一个匹配度比较高，则视为背景,并将当前帧的像素作为一个新模型，更新已存在的K个模型；如果匹配度比较低，则为前景点；整个混合高斯模型算法主要是有方差和均值两个参数,对于这两个参数采取不同的学习机制,直接影响该算法的正确性、稳定性和收敛性。
毫米波雷达和摄像头之间的建立标定关系是基于毫米雷达与机器视觉融合的目标重合度计算，雷达获得同一帧图像的的目标兴趣区域，同时，摄像头也检测到目标区域验证雷达和机器视觉检测到的2个矩形区域是否有重叠，如果有重叠，说明雷达和机器视觉都检测到该区域存在目标，则认为该区域存在目标，综合考虑距离因素，确定危险等级为一级；定义两级危险等级，危险等级为一级说明对安全驾驶威胁较大；二级则威胁较小；对于重叠的区域，需要计算其重合度，即重合区域面积占目标感兴趣区域面积的百分比。
所述重合度计算方法如下式(4)所示，
其中，RROI为目标感兴趣区域，即雷达检测区域，Rcamera为机器视觉检测区域，Rintersection为雷达检测区域与视觉检测区域重合的部分，c为重合度。
本发明的有益效果：本发明是将毫米波雷达和摄像头结合用于高空抛物检测方法，毫米波雷达的天线阵列模块与毫米波收发模块连接，用于发送毫米波发射信号和接收散射回波信号，获取摄像头同一时间得到图像的数据；通过坐标转换将雷达探测到的障碍物位置信息投影到图像中，生成感兴趣区域。并通过图像采用GMM算法检测图像中的运动障碍物，实验结果表明，该方法能够较好地实现利用雷达与摄像头捕获信息融合来检测障碍物。具有以下优点。
1、小天线口径、窄波束：高跟踪和引导精度；易于进行低仰角监测，对近空目标具有高横向分辨力；对区域成像和目标监视具备高角分辨力；窄波束的高抗干扰性能；高天线增益；容易检测小目标，包括电力线和电杆等。
2、毫米波雷达可以获得极高的角度、距离和速度分辨率。通常角分辨率不低于0.1mard也就是说可以分辨3km距离上相距0.3m的两个目标(这是微波雷达无论如何也办不到的),并可同时跟踪多个目标；距离分辨率可达0.lm；速度分辨率能达到10m/s以内。距离和速度分辨率高,意味着可以利用距离——多谱勒成像技术来获得目标的清晰图像
3、高多普勒频率：慢目标和振动目标的良好检测和识别能力；易于利用目标多普勒频率特性进行目标特征识别；对干性大气污染的穿透特性，提供在尘埃、烟尘和干雪条件下的良好检测能力。
附图说明
图1是毫米波雷达的天线阵列模块与毫米波收发模块连接示意图。
图2是毫米波雷达的天线阵列模块与毫米波收发模块的安装位置示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明是将毫米波雷达和摄像头结合用于高空抛物检测方法，毫米波雷达的天线阵列模块与毫米波收发模块连接如图1所示，用于发送毫米波发射信号和接收散射回波信号，获取摄像头同一时间得到图像的数据；通过坐标转换将雷达探测到的障碍物位置信息投影到图像中，生成感兴趣区域。并通过图像采用GMM算法检测图像中的运动障碍物。
毫米波雷达的天线阵列模块与毫米波收发模块的安装如图2所示，安装过程中要让摄像头和毫米波雷达进行空间融合，实现毫米波雷达、摄像头坐标系和三维世界坐标系统一。设摄像头的坐标为O-XZY，以摄像头的光点为原点，X轴指向车身方向，Y轴指向垂直向上，Z指向纵向车身方向，设雷达的坐标为I-WPQ，以雷达的几何中心为原点，W轴指向车身方向，Q指向垂直向上，P指向纵向车身方向。即设备安装在车的对角位置。
本实施例中基于激光雷达的运动目标检测方法包括：获取由激光雷达连续扫描多次得到的检测范围内运动目标的前景数据以及背景数据所构成的原始矩阵，利用鲁棒主分量分析法对所述原始矩阵进行分解，获得与所述原始矩阵对应的第一稀疏矩阵；对所述第一稀疏矩阵进行稀疏化处理，获得第二稀疏矩阵；对所述第二稀疏矩阵进行自适应窗口滤波获得所述运动目标相对于所述激光雷达的距离信息。使用该基于激光雷达的高空抛物检测方法，可以对运动目标进行有效检测。
本实施例的主要是采用毫米波雷达和摄像头结合的方法和采用基于雷达目标的兴趣区域动态规划。具体实现过程如下。
首先，毫米波雷达是以点的形式返回目标信号的位置，实际运用中需要根据该点的位置生成一个目标感兴趣区域。由于高空抛物大部分是体积尺寸较小的物体。在图像中生成的感兴趣区域应能较好地包含抛物，一般使用小于高2米宽1.5米的矩形框作为目标感兴趣区域。感兴趣区域生成方法如下所示。雷达探测到某一目标距离为P，角度为a，根据假设其高度为1.8m，根据式(1)和式(2)可以得到该目标底点和顶点在图像中的坐标为
(Xp1，YP1)为目标底点像素坐标，(Xp2，YP2)为目标顶点像素坐标。算出底点和顶点，得出兴趣区域高度为|YP2-YP1|，则可求出参数如下
为矩形宽高比Rwidth为宽度，Rheight为高度。
其次，基于机器视觉的运动目标检测。GMM算法是将输入图像的像素与背景模型进行对比，和背景模型相似性比较高的点视为背景，和背景模型相似性比较低的点视为前景，再利用形态学的方法进行运动目标提取。混合高斯模型是由K个(基本为3到5个)单高斯模型加权组成的。在获取新的一帧图像之后，如果当前图像中的像素点与该像素的K个模型中的某一个匹配度比较高，则视为背景,并将当前帧的像素作为一个新模型，更新已存在的K个模型。如果匹配度比较低，则为前景点。整个混合高斯模型算法主要是有方差和均值两个参数,对于这两个参数采取不同的学习机制,直接影响该算法的正确性、稳定性和收敛性。
再次，基于雷达与机器视觉融合的目标重合度计算。雷达可以获得同一帧图像的的目标兴趣区域。同时，摄像头也可以检测到目标区域验证雷达和机器视觉检测到的2个矩形区域是否有重叠，要全面考虑。如果有重叠，说明雷达和机器视觉都检测到该区域存在目标，则认为该区域存在目标，综合考虑距离因素，确定危险等级为一级。定义两级危险等级，危险等级为一级说明对安全驾驶威胁较大；二级则威胁较小。对于重叠的区域，需要计算其重合度，即重合区域面积占目标感兴趣区域面积的百分比。重合度计算方法如下式(4)所示。
其中，RROI为目标感兴趣区域，即雷达检测区域，Rcamera为机器视觉检测区域，Rintersection为雷达检测区域与视觉检测区域重合的部分，c为重合度。
Claims (7)
1.一种基于毫米波雷达的高空抛物检测方法，其特征在于，毫米波雷达的天线阵列模块与毫米波收发模块连接，用于发送毫米波发射信号和接收散射回波信号，图像重构模块接收数字采集模块输出的信号，对其进行快速成像处理，以得到被测场景的实时图像；利用毫米波雷达收发大型车附近的环境信息，毫米波雷达的无线电波发出去然后接收回波，根据收发之间的时间差测得目标的位置数据，毫米波雷达和摄像头之间的建立标定关系，将毫米波雷达数据投影到图像坐标中，通过航位推算下的坐标变换方法来同步毫米波雷达传感器和摄像头传感器之间的时差；再通过毫米波雷达确定兴趣区域，兴趣区域内运动目标检测方法包括：获取由激光雷达连续扫描多次得到的检测范围内运动目标的前景数据以及背景数据所构成的原始矩阵利用鲁棒主分量分析法对所述原始矩阵进行分解，获得与所述原始矩阵对应的第一稀疏矩阵；对所述第一稀疏矩阵进行稀疏化处理，获得第二稀疏矩阵；对所述第二稀疏矩阵进行自适应窗口滤波获得所述运动目标相对于所述激光雷达的距离信息，最后运用图像算法来定位高空抛物。
2.根据权利要求1所述的高空抛物检测方法，其特征在于，在兴趣区域内运动目标检测方法中还采用DBSCAN算法提取障碍物的外围矩形轮廓：在x轴方向依据点与点的距离差值聚类，在此基础上再在y轴方向根据点与点的距离差值聚类，然后输出障碍点数聚类集合m＝{m_1,m_2,m_3,…,m_n}，最后对输出数据集中的每个障碍点集合分别应用DBSCAN聚类算法，对障碍点进行进一步分类。
3.根据权利要求2所述的高空抛物检测方法，其特征在于，DBSCAN聚类算法需要事先输入过滤噪声的核心点领域距离阈值Eps以及核心点邻域范围内最少点个数的阈值MinPts，Eps和MinPts应随激光点深度而变化，采用自适应阈值的方法：
式中rn-1为障碍点Pn-1的深度值；σ为毫米波雷达的测量误差；为毫米波雷达的角度分辨率，γ为阈值参数，它决定了最大距离阈值的大小；NT为预聚类中mi中障碍点的个数；为阈值因数。
4.根据权利要求1所述的高空抛物检测方法，其特征在于，通过毫米波雷达确定兴趣区域的方法是通过毫米波雷达以点的形式返回目标信号的位置，根据该点的位置生成一个目标感兴趣区域；要求在图像中生成的感兴趣区域应能较好地包含抛物，雷达探测到某一目标距离为P，角度为a，根据式(1)和式(2)可以得到该目标底点和顶点在图像中的像素坐标，
(Xp1，YP1)为目标底点像素坐标，(Xp2，YP2)为目标顶点像素坐标；算出底点像素坐标和顶点后像素坐标，得出兴趣区域高度为|YP2-YP1|，则通过式(3)求出参数矩形宽高比，矩形宽度和矩形高度；
Rratio为矩形宽高比，Rwidth为宽度，Rheight为高度。
5.根据权利要求1所述的高空抛物检测方法，其特征在于，基于摄像头视觉的运动目标检测方法中，采用的算法是将输入图像的像素与背景模型进行对比，和背景模型相似性比较高的点视为背景，和背景模型相似性比较低的点视为前景，再利用形态学的方法进行运动目标提取；混合高斯模型是由K个单高斯模型加权组成的，在获取新的一帧图像之后，如果当前图像中的像素点与该像素的K个模型中的某一个匹配度比较高，则视为背景,并将当前帧的像素作为一个新模型，更新已存在的K个模型；如果匹配度比较低，则为前景点；整个混合高斯模型算法主要是有方差和均值两个参数,对于这两个参数采取不同的学习机制,直接影响该算法的正确性、稳定性和收敛性。
6.根据权利要求1所述的高空抛物检测方法，其特征在于，毫米波雷达和摄像头之间的建立标定关系是基于毫米雷达与机器视觉融合的目标重合度计算，雷达获得同一帧图像的的目标兴趣区域，同时，摄像头也检测到目标区域验证雷达和机器视觉检测到的2个矩形区域是否有重叠，如果有重叠，说明雷达和机器视觉都检测到该区域存在目标，则认为该区域存在目标，综合考虑距离因素，确定危险等级为一级；定义两级危险等级，危险等级为一级说明对安全驾驶威胁较大；二级则威胁较小；对于重叠的区域，需要计算其重合度，即重合区域面积占目标感兴趣区域面积的百分比。
7.根据权利要求6所述的高空抛物检测方法，其特征在于，所述重合度计算方法如下式(4)所示，
其中，RROI为目标感兴趣区域，即雷达检测区域，Rcamera为机器视觉检测区域，Rintersection为雷达检测区域与视觉检测区域重合的部分，c为重合度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910849349.5A CN110568433A (zh) | 2019-09-09 | 2019-09-09 | 基于毫米波雷达的高空抛物检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910849349.5A CN110568433A (zh) | 2019-09-09 | 2019-09-09 | 基于毫米波雷达的高空抛物检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110568433A true CN110568433A (zh) | 2019-12-13 |
Family
ID=68778735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910849349.5A Pending CN110568433A (zh) | 2019-09-09 | 2019-09-09 | 基于毫米波雷达的高空抛物检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110568433A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111488799A (zh) * | 2020-03-13 | 2020-08-04 | 安徽小眯当家信息技术有限公司 | 一种基于图像识别的坠落物识别方法及系统 |
| CN111580081A (zh) * | 2020-04-26 | 2020-08-25 | 深圳市创智成科技股份有限公司 | 高空坠物拦截系统及方法 |
| CN111681398A (zh) * | 2020-04-24 | 2020-09-18 | 湖北科技学院 | 基于wifi无线感知的高空抛物智能预警方法与装置 |
| CN112562419A (zh) * | 2020-11-03 | 2021-03-26 | 南京航空航天大学 | 一种基于离线多目标跟踪的天气规避区划设方法 |
| CN112987006A (zh) * | 2021-05-13 | 2021-06-18 | 游密科技(深圳)有限公司 | 基于激光雷达的高空抛物监测方法、装置和计算机设备 |
| CN113192518A (zh) * | 2021-04-14 | 2021-07-30 | 上海交通大学 | 毫米波侦听方法及系统 |
| CN113379801A (zh) * | 2021-06-15 | 2021-09-10 | 江苏科技大学 | 一种基于机器视觉的高空抛物监测定位方法 |
| CN113655472A (zh) * | 2020-11-20 | 2021-11-16 | 成都宋元科技有限公司 | 一种基于毫米波多普勒雷达的高空坠物探测方法及装置 |
| 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 |
| CN114608699A (zh) * | 2022-03-07 | 2022-06-10 | 中国矿业大学 | 基于毫米波雷达的提升机天轮振动异常检测系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303584A (zh) * | 2015-09-18 | 2016-02-03 | 南京航空航天大学 | 基于激光雷达的运动目标检测方法及装置 |
| CN106908783A (zh) * | 2017-02-23 | 2017-06-30 | 苏州大学 | 基于多传感器信息融合的障碍物检测方法 |
| CN109858460A (zh) * | 2019-02-20 | 2019-06-07 | 重庆邮电大学 | 一种基于三维激光雷达的车道线检测方法 |
| CN110082751A (zh) * | 2019-04-24 | 2019-08-02 | 南京理工大学 | 一种基于毫米波雷达的高空抛物监测系统及方法 |
-
2019
- 2019-09-09 CN CN201910849349.5A patent/CN110568433A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303584A (zh) * | 2015-09-18 | 2016-02-03 | 南京航空航天大学 | 基于激光雷达的运动目标检测方法及装置 |
| CN106908783A (zh) * | 2017-02-23 | 2017-06-30 | 苏州大学 | 基于多传感器信息融合的障碍物检测方法 |
| CN109858460A (zh) * | 2019-02-20 | 2019-06-07 | 重庆邮电大学 | 一种基于三维激光雷达的车道线检测方法 |
| CN110082751A (zh) * | 2019-04-24 | 2019-08-02 | 南京理工大学 | 一种基于毫米波雷达的高空抛物监测系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 姚万华: "基于图像的运动目标检测与跟踪技术研究", 中国优秀硕士学位论文全文数据库（电子期刊）, pages 14 - 17 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111488799A (zh) * | 2020-03-13 | 2020-08-04 | 安徽小眯当家信息技术有限公司 | 一种基于图像识别的坠落物识别方法及系统 |
| CN111681398A (zh) * | 2020-04-24 | 2020-09-18 | 湖北科技学院 | 基于wifi无线感知的高空抛物智能预警方法与装置 |
| CN111580081A (zh) * | 2020-04-26 | 2020-08-25 | 深圳市创智成科技股份有限公司 | 高空坠物拦截系统及方法 |
| CN112562419B (zh) * | 2020-11-03 | 2022-04-08 | 南京航空航天大学 | 一种基于离线多目标跟踪的天气规避区划设方法 |
| CN112562419A (zh) * | 2020-11-03 | 2021-03-26 | 南京航空航天大学 | 一种基于离线多目标跟踪的天气规避区划设方法 |
| CN113655472A (zh) * | 2020-11-20 | 2021-11-16 | 成都宋元科技有限公司 | 一种基于毫米波多普勒雷达的高空坠物探测方法及装置 |
| CN113192518A (zh) * | 2021-04-14 | 2021-07-30 | 上海交通大学 | 毫米波侦听方法及系统 |
| CN112987006A (zh) * | 2021-05-13 | 2021-06-18 | 游密科技(深圳)有限公司 | 基于激光雷达的高空抛物监测方法、装置和计算机设备 |
| CN113379801A (zh) * | 2021-06-15 | 2021-09-10 | 江苏科技大学 | 一种基于机器视觉的高空抛物监测定位方法 |
| CN113379801B (zh) * | 2021-06-15 | 2024-04-30 | 江苏科技大学 | 一种基于机器视觉的高空抛物监测定位方法 |
| 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 |
| 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 |
| CN114608699A (zh) * | 2022-03-07 | 2022-06-10 | 中国矿业大学 | 基于毫米波雷达的提升机天轮振动异常检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110568433A (zh) | 基于毫米波雷达的高空抛物检测方法 | |
| CN111352112B (zh) | 基于视觉、激光雷达和毫米波雷达的目标检测方法 | |
| CN109298415B (zh) | 一种轨道和道路障碍物检测方法 | |
| US11276189B2 (en) | Radar-aided single image three-dimensional depth reconstruction | |
| CN112946628A (zh) | 一种基于雷达与视频融合的道路运行状态检测方法及系统 | |
| Sugimoto et al. | Obstacle detection using millimeter-wave radar and its visualization on image sequence | |
| CN107632308B (zh) | 一种基于递归叠加算法的车辆前方障碍物轮廓检测方法 | |
| US20190339384A1 (en) | System and method of radar-based obstacle avoidance for unmanned aerial vehicles | |
| CN109085570A (zh) | 基于数据融合的车辆检测跟踪算法 | |
| CN113359097B (zh) | 一种毫米波雷达和相机联合标定的方法 | |
| CN109102702A (zh) | 基于视频车辆检测和雷达信号融合的车辆测速方法 | |
| Cheng et al. | A new automotive radar 4d point clouds detector by using deep learning | |
| CN110782465B (zh) | 一种基于激光雷达的地面分割方法、装置及存储介质 | |
| AU2011326353A1 (en) | Radar image processing | |
| Cui et al. | 3D detection and tracking for on-road vehicles with a monovision camera and dual low-cost 4D mmWave radars | |
| CN112784679A (zh) | 车辆避障方法和装置 | |
| CN113850102A (zh) | 基于毫米波雷达辅助的车载视觉检测方法及系统 | |
| CN112348882A (zh) | 一种基于多源探测器的低空目标跟踪信息融合方法和系统 | |
| CN117029840A (zh) | 一种移动车辆定位方法及系统 | |
| CN109870685B (zh) | 基于改进的rd算法的室内距离向移动sar成像方法 | |
| CN112313535A (zh) | 距离检测方法、距离检测设备、自主移动平台和存储介质 | |
| Clarke et al. | Sensor modelling for radar-based occupancy mapping | |
| Segawa et al. | Preceding vehicle detection using stereo images and non-scanning millimeter-wave radar | |
| CN111123260B (zh) | 一种毫米波雷达和可见光摄像的环境物体状态识别方法 | |
| CN113848825B (zh) | 柔性生产车间agv状态监控系统及方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191213 |
|
| RJ01 | Rejection of invention patent application after publication |