CN110940959A - 一种用于低分辨雷达地面目标的人车分类识别方法 - Google Patents
一种用于低分辨雷达地面目标的人车分类识别方法 Download PDFInfo
- Publication number
- CN110940959A CN110940959A CN201911289186.6A CN201911289186A CN110940959A CN 110940959 A CN110940959 A CN 110940959A CN 201911289186 A CN201911289186 A CN 201911289186A CN 110940959 A CN110940959 A CN 110940959A
- Authority
- CN
- China
- Prior art keywords
- target
- track
- probability
- classification
- speed
- 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
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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种用于低分辨雷达地面目标的人车分类识别方法,它涉及于无线电测量领域中地面雷达的目标分类识别。它主要由目标多维特征提取、特征平滑与择优、速度粗分类、概率调整、SVM分类器、D‑S推证、门限判决等处理步骤构成。该方法对形成稳定航迹的动目标进行分类处理,实现了高识别概率低成本的地面运动目标分类。本发明具有目标识别概率高、库外目标拒判、计算速度快、工程实现简单的特点,解决了低分辨雷达系统不具备目标分类识别能力或者识别性能差的问题,特别适用于地面监视雷达、战场侦察雷达的地面人车目标分类识别过程。
Description
技术领域
本发明涉及雷达探测领域中的一种用于低分辨雷达地面目标的人车分类识别方法。
背景技术
低分辨地面监视雷达、地面搜索雷达用于对大范围区域的活动目标进行搜索和持续监视。现代战场中,雷达目标识别是低分辨雷达的必备功能,在战场上起着探测、识别、跟踪以及拦截等重大作用。低分辨雷达目标分类识别是一个重要的研究方向。
由于地面搜索监视雷达带宽较窄,分辨率低,难以得到能够反映目标详细信息的回波数据,合理利用低分辨雷达资源进行高识别概率的目标分类识别算法至关重要。同时监视搜索雷达实时处理目标数据,处理时间资源有限,不能采用复杂度高的目标识别算法,因此用于低分辨雷达的高识别概率的快速目标分类方法具有很重要的工程价值。
目前低分辨雷达普遍不具备目标分类识别性能,或者具有极为简单的识别概率不高的识别算法。
发明内容
本发明所要解决的主要技术问题就是避免上述背景技术中出现的不足之处,而提供一种用于低分辨雷达地面目标的人车分类识别方法。
本发明的目的是这样实现的:
一种用于低分辨雷达地面目标的人车分类识别方法,其特征在于包括以下步骤:
步骤1、对低分辨雷达获取的回波数据进行恒虚警检测和聚类处理后,获得的目标并进行目标筛选后,利用雷达的距离-多普勒数据提取目标点迹的多维特征向量,并扩充到目标点迹列表;
步骤2、对形成稳定航迹的目标点迹对应的多维特征向量进行特征平均,获得目标点迹对应的航迹线上的航迹点的特征向量;
步骤3、对航迹点的速度特征进行目标粗分类,包括径向速度粗分类和航迹速度粗分类;其中,径向速度是指目标相对雷达的运动速度,航迹速度是目标在航迹方向上的运动速度;设人、车径向速度区分门限值V1,人、车线速度区分门限值V2,当目标的径向速度超过V1或者线速度超过V2时,粗判断目标为车类目标;当径向速度和线速度均小于门限值时,进入步骤4;
步骤4、对航迹点的特征向量,利用已经训练好的SVM分类器对目标点进行人、车二分类,获得对航迹点的识别结果Cs;
步骤5、依据目标的航迹方向、目标的径向速度,获得识别结果Cs的可信概率Ps;其中Ps包含三个元素分别为目标是人的可信概率、是车的可信概率、不确定的概率;
步骤6、对当前航迹点的识别结果Cs及其可信概率Ps、前一航迹点的识别结果Cs-1及其可信概率Ps-1,利用D-S推证理论获得当前航迹点的准确识别结果及其可信概率Pn;其中Pn包含三个元素分别为目标是人的可信概率、是车的可信概率、不确定的概率;
步骤7、对当前航迹点的准确识别结果及可信概率Pn进行门限判决,将可信概率Pn概率值超过设定门限的目标属性作为航迹点的目标分类结果进行输出。
其中,所述步骤1中,多维特征包括目标点迹的距离、径向速度、最大幅度值、多普勒频谱熵值、幅度归一化多普勒谱范数、幅度归一化多普勒谱差分取模求和值、目标多普勒展宽宽度和目标距离展宽宽度。
本发明相对于背景技术的优点和效果是:
(1)本发明针对雷达会存在闪烁的特征对雷达的回波特征采用了帧间平滑与择优的方法,来保证当前航迹点的特征稳定性。从而有效的提高了单点分类识别概率的目的。而背景技术中的方法未考虑这一方式。
(2)根据运动目标的航线方向来调整目标的概率分布,不同航线方向对目标SVM分类器可信度进行调整,进一步提高了目标识别概率。而背景技术中的方法通常采信SVM分类器结果输出结果,对不同行进的目标不调整其可信度。
(3)对与形成航迹的目标,设计采用多特征联合、帧间特征平滑与D-S推证理论结合的方法来进行目标属性综合判别。一般情况本发明的方法识别概率能提高十个百分点。
附图说明
图1是本发明的原理框图。
具体实施方式
下面图1和具体实施方式对本发明作进一步详细的说明。
一种用于低分辨雷达地面目标的人车分类识别方法,其特征在于包括以下步骤:
步骤1、对低分辨雷达获取的回波数据进行恒虚警检测和聚类处理后,获得的目标并进行目标筛选后,利用雷达的距离-多普勒数据提取目标点迹的多维特征向量,并扩充到目标点迹列表;
所述步骤1中,目标筛选的目的在于筛选更为关注的目标,筛选可以依据目标的速度、信噪比、距离等。
所述步骤1中,多维特征包括目标点迹的距离、径向速度、最大幅度值、多普勒频谱熵值、幅度归一化多普勒谱范数、幅度归一化多普勒谱差分取模求和值、目标多普勒展宽宽度和目标距离展宽宽度。
步骤2、对形成稳定航迹的目标点迹对应的多维特征向量进行特征平均,获得目标点迹对应的航迹线上的航迹点的特征向量;
实施例中,在对形成稳定航迹的目标点迹对应的多维特征向量进行特征平均时,对最近N点航迹点的多维特征向量进行特征平均,获得最新航迹点平滑后的特征值。
步骤3、对航迹点的速度特征进行目标粗分类,包括径向速度粗分类和航迹速度粗分类;其中,径向速度是指目标相对雷达的运动速度,航迹速度是目标在航迹方向上的运动速度;设人、车径向速度区分门限值V1,人、车线速度区分门限值V2,当目标的径向速度超过V1或者线速度超过V2时,粗判断目标为车类目标;当径向速度和线速度均小于门限值时,进入步骤4;
实施例中,人车径向速度区分门限一般取4m/s~6m/s,即当雷达测量的目标径向速度超过设定门限时,目标被识别为车类目标;线速度门限由于雷达测角误差的存在,门限值一般取6m/s~10m/s,即当航迹上的航迹速度超过设定门限时,目标被识别为车类目标。当径向速度和航迹速度均不超过设定门限时,进入步骤4;
步骤4、对航迹点的特征向量,利用已经训练好的SVM分类器对目标点进行人、车二分类,获得对航迹点的识别结果Cs;
实施例中,将航迹点的特征向量,或者特征向量的部分特征值,利用已经训练好的SVM分类器对目标当前航迹点进行人车分类,通过SVM分类器的输出获得当前航迹点的人车分类识别结果。其中,SVM分类器需要提前进行训练,即选择已知属性的合作目标特征向量进行训练后获得。SVM分类器训练应基于与雷达相距不同距离、不同行进方向、不同运动速度等多种情况下合作目标的特征向量。
步骤5、依据目标的航迹方向、目标的径向速度,获得识别结果Cs的可信概率Ps;其中Ps包含三个元素分别为目标是人的可信概率、是车的可信概率、不确定的概率;
实施例中,可信概率的调整基于目标运动的航迹方向与目标的径向速度。首先,目标相对雷达行航迹方向可分为切向、斜向、径向,由于人类目标的实际速度区间一般为0~6m/s,则其在相对于雷达做切向、斜向、径向运动时,目标的径向速度区间不同,假设人车目标在速度上均匀分布,则可以根据目标的航迹方向与径向速度获得当前目标是人的可信概率、是车的可信概率及不确定的概率。
另外,由于电磁波照射的物理意义,人车目标在航迹方向运动时,目标多普勒特征向量的区分度与稳定度不一样,进而SVM分类器分类结果可信概率不一样,对不同航迹方向合作目标特征进行统计后可获得不同航迹方向上SVM分类器分类结果的可信概率调整曲线。
步骤6、对当前航迹点的识别结果Cs及其可信概率Ps、前一航迹点的识别结果Cs-1及其可信概率Ps-1,利用D-S推证理论获得当前航迹点的准确识别结果及其可信概率Pn;其中Pn包含三个元素分别为目标是人的可信概率、是车的可信概率、不确定的概率;
步骤7、对当前航迹点的准确识别结果及可信概率Pn进行门限判决,将可信概率Pn概率值超过设定门限的目标属性作为航迹点的目标分类结果进行输出。
Claims (2)
1.一种用于低分辨雷达地面目标的人车分类识别方法,其特征在于包括以下步骤:
步骤1、对低分辨雷达获取的回波数据进行恒虚警检测和聚类处理后,获得的目标并进行目标筛选后,利用雷达的距离-多普勒数据提取目标点迹的多维特征向量,并扩充到目标点迹列表;
步骤2、对形成稳定航迹的目标点迹对应的多维特征向量进行特征平均,获得目标点迹对应的航迹线上的航迹点的特征向量;
步骤3、对航迹点的速度特征进行目标粗分类,包括径向速度粗分类和航迹速度粗分类;其中,径向速度是指目标相对雷达的运动速度,航迹速度是目标在航迹方向上的运动速度;设人、车径向速度区分门限值V1,人、车线速度区分门限值V2,当目标的径向速度超过V1或者线速度超过V2时,粗判断目标为车类目标;当径向速度和线速度均小于门限值时,进入步骤4;
步骤4、对航迹点的特征向量,利用已经训练好的SVM分类器对目标点进行人、车二分类,获得对航迹点的识别结果Cs;
步骤5、依据目标的航迹方向、目标的径向速度,获得识别结果Cs的可信概率Ps;其中Ps包含三个元素分别为目标是人的可信概率、是车的可信概率、不确定的概率;
步骤6、对当前航迹点的识别结果Cs及其可信概率Ps、前一航迹点的识别结果Cs-1及其可信概率Ps-1,利用D-S推证理论获得当前航迹点的准确识别结果及其可信概率Pn;其中Pn包含三个元素分别为目标是人的可信概率、是车的可信概率、不确定的概率;
步骤7、对当前航迹点的准确识别结果及可信概率Pn进行门限判决,将可信概率Pn概率值超过设定门限的目标属性作为航迹点的目标分类结果进行输出。
2.根据权利要求1所述的一种用于低分辨雷达地面目标的人车分类识别方法,其特征在于:所述步骤1中,多维特征包括目标点迹的距离、径向速度、最大幅度值、多普勒频谱熵值、幅度归一化多普勒谱范数、幅度归一化多普勒谱差分取模求和值、目标多普勒展宽宽度和目标距离展宽宽度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911289186.6A CN110940959B (zh) | 2019-12-13 | 2019-12-13 | 一种用于低分辨雷达地面目标的人车分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911289186.6A CN110940959B (zh) | 2019-12-13 | 2019-12-13 | 一种用于低分辨雷达地面目标的人车分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110940959A true CN110940959A (zh) | 2020-03-31 |
CN110940959B CN110940959B (zh) | 2022-05-24 |
Family
ID=69911458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911289186.6A Active CN110940959B (zh) | 2019-12-13 | 2019-12-13 | 一种用于低分辨雷达地面目标的人车分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110940959B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112305509A (zh) * | 2020-11-02 | 2021-02-02 | 南京理工大学 | 一种基于hog_svm的雷达航迹分类与识别方法 |
CN112965038A (zh) * | 2021-02-02 | 2021-06-15 | 西安电子工程研究所 | 一种基于点迹数据和频谱特征的地面活动目标分类方法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4348674A (en) * | 1979-07-18 | 1982-09-07 | Siemens Aktiengesellschaft | Apparatus and method for classifying moving targets |
US5929803A (en) * | 1997-08-29 | 1999-07-27 | Mitsubishi Denki Kabushiki Kaisha | Vehicular radar apparatus |
CN101894269A (zh) * | 2010-07-16 | 2010-11-24 | 西安电子科技大学 | 基于多分类器系统的合成孔径雷达自动目标识别方法 |
KR20110089011A (ko) * | 2010-01-29 | 2011-08-04 | 국방과학연구소 | 표적 식별 방법 및 그 장치 |
CN102830404A (zh) * | 2012-08-28 | 2012-12-19 | 中国人民解放军国防科学技术大学 | 基于距离像的激光成像雷达地面目标识别方法 |
US8350749B1 (en) * | 2009-04-29 | 2013-01-08 | The United States Of America As Represented By The Secretary Of The Air Force | Radar signature database validation for automatic target recognition |
CN103176187A (zh) * | 2011-12-22 | 2013-06-26 | 汤子跃 | 一种机载预警雷达地面高速公路目标过滤方法 |
CN103559498A (zh) * | 2013-09-24 | 2014-02-05 | 北京环境特性研究所 | 基于多特征融合的快速人车目标分类方法 |
CN103955701A (zh) * | 2014-04-15 | 2014-07-30 | 浙江工业大学 | 多层次结合的多视合成孔径雷达图像目标识别方法 |
CN104077601A (zh) * | 2014-07-08 | 2014-10-01 | 中国航空无线电电子研究所 | 一种利用不同类型信息进行目标综合识别的方法 |
CN104793202A (zh) * | 2014-01-16 | 2015-07-22 | 通用汽车环球科技运作有限责任公司 | 多雷达成像传感器的对象融合系统 |
CN104965199A (zh) * | 2015-07-28 | 2015-10-07 | 中国人民解放军海军航空工程学院 | 雷达视频运动目标特征融合判定方法 |
CN105044701A (zh) * | 2015-08-05 | 2015-11-11 | 西安电子科技大学 | 基于稳健性时频特征的地面目标分类方法 |
CN105116397A (zh) * | 2015-08-25 | 2015-12-02 | 西安电子科技大学 | 基于mmfa模型的雷达高分辨率距离像目标识别方法 |
CN105867272A (zh) * | 2016-04-14 | 2016-08-17 | 中国电子科技集团公司第五十四研究所 | 一种通用航空飞行器及无人机的安全监控方法 |
CN106597406A (zh) * | 2016-12-02 | 2017-04-26 | 中国船舶重工集团公司第七二四研究所 | 基于多视角下一维像决策层融合的雷达目标识别方法 |
CN106597400A (zh) * | 2016-11-15 | 2017-04-26 | 北京无线电测量研究所 | 基于高分辨距离像的地面运动车辆目标分类识别方法及系统 |
WO2017170799A1 (ja) * | 2016-03-31 | 2017-10-05 | 株式会社デンソー | 物体認識装置及び物体認識方法 |
CN107871138A (zh) * | 2017-11-01 | 2018-04-03 | 电子科技大学 | 一种基于改进d‑s证据理论的目标意图识别方法 |
CN108664939A (zh) * | 2018-05-16 | 2018-10-16 | 东南大学 | 一种基于hog特征与深度学习的遥感图像飞机识别方法 |
CN110221266A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工程大学 | 一种基于支持向量机的航海雷达目标快速检测方法 |
CN110378191A (zh) * | 2019-04-25 | 2019-10-25 | 东南大学 | 基于毫米波传感器的行人和车辆分类方法 |
-
2019
- 2019-12-13 CN CN201911289186.6A patent/CN110940959B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4348674A (en) * | 1979-07-18 | 1982-09-07 | Siemens Aktiengesellschaft | Apparatus and method for classifying moving targets |
US5929803A (en) * | 1997-08-29 | 1999-07-27 | Mitsubishi Denki Kabushiki Kaisha | Vehicular radar apparatus |
US8350749B1 (en) * | 2009-04-29 | 2013-01-08 | The United States Of America As Represented By The Secretary Of The Air Force | Radar signature database validation for automatic target recognition |
KR20110089011A (ko) * | 2010-01-29 | 2011-08-04 | 국방과학연구소 | 표적 식별 방법 및 그 장치 |
CN101894269A (zh) * | 2010-07-16 | 2010-11-24 | 西安电子科技大学 | 基于多分类器系统的合成孔径雷达自动目标识别方法 |
CN103176187A (zh) * | 2011-12-22 | 2013-06-26 | 汤子跃 | 一种机载预警雷达地面高速公路目标过滤方法 |
CN102830404A (zh) * | 2012-08-28 | 2012-12-19 | 中国人民解放军国防科学技术大学 | 基于距离像的激光成像雷达地面目标识别方法 |
CN103559498A (zh) * | 2013-09-24 | 2014-02-05 | 北京环境特性研究所 | 基于多特征融合的快速人车目标分类方法 |
CN104793202A (zh) * | 2014-01-16 | 2015-07-22 | 通用汽车环球科技运作有限责任公司 | 多雷达成像传感器的对象融合系统 |
CN103955701A (zh) * | 2014-04-15 | 2014-07-30 | 浙江工业大学 | 多层次结合的多视合成孔径雷达图像目标识别方法 |
CN104077601A (zh) * | 2014-07-08 | 2014-10-01 | 中国航空无线电电子研究所 | 一种利用不同类型信息进行目标综合识别的方法 |
CN104965199A (zh) * | 2015-07-28 | 2015-10-07 | 中国人民解放军海军航空工程学院 | 雷达视频运动目标特征融合判定方法 |
CN105044701A (zh) * | 2015-08-05 | 2015-11-11 | 西安电子科技大学 | 基于稳健性时频特征的地面目标分类方法 |
CN105116397A (zh) * | 2015-08-25 | 2015-12-02 | 西安电子科技大学 | 基于mmfa模型的雷达高分辨率距离像目标识别方法 |
WO2017170799A1 (ja) * | 2016-03-31 | 2017-10-05 | 株式会社デンソー | 物体認識装置及び物体認識方法 |
CN105867272A (zh) * | 2016-04-14 | 2016-08-17 | 中国电子科技集团公司第五十四研究所 | 一种通用航空飞行器及无人机的安全监控方法 |
CN106597400A (zh) * | 2016-11-15 | 2017-04-26 | 北京无线电测量研究所 | 基于高分辨距离像的地面运动车辆目标分类识别方法及系统 |
CN106597406A (zh) * | 2016-12-02 | 2017-04-26 | 中国船舶重工集团公司第七二四研究所 | 基于多视角下一维像决策层融合的雷达目标识别方法 |
CN107871138A (zh) * | 2017-11-01 | 2018-04-03 | 电子科技大学 | 一种基于改进d‑s证据理论的目标意图识别方法 |
CN108664939A (zh) * | 2018-05-16 | 2018-10-16 | 东南大学 | 一种基于hog特征与深度学习的遥感图像飞机识别方法 |
CN110378191A (zh) * | 2019-04-25 | 2019-10-25 | 东南大学 | 基于毫米波传感器的行人和车辆分类方法 |
CN110221266A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工程大学 | 一种基于支持向量机的航海雷达目标快速检测方法 |
Non-Patent Citations (5)
Title |
---|
S. KAZEMI, B. YONEL AND B. YAZICI: "《Deep Learning for Direct Automatic Target Recognition from SAR Data》", 《2019 IEEE RADAR CONFERENCE (RADARCONF)》, 16 September 2019 (2019-09-16), pages 1 - 6 * |
李秋华; 李吉成: "《一种基于DS证据理论的红外小目标融合识别方法》", 《系统工程与电子技术 》, 20 June 2002 (2002-06-20), pages 25 - 27 * |
王肖: "《复杂环境下智能车辆动态目标三维感知方法研究》", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, 15 November 2017 (2017-11-15), pages 035 - 9 * |
秦枭: "《杂波下相参雷达距离多普勒域多维特征聚类与特征提取》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
秦枭: "《杂波下相参雷达距离多普勒域多维特征聚类与特征提取》", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 March 2016 (2016-03-15), pages 31 - 34 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112305509A (zh) * | 2020-11-02 | 2021-02-02 | 南京理工大学 | 一种基于hog_svm的雷达航迹分类与识别方法 |
CN112965038A (zh) * | 2021-02-02 | 2021-06-15 | 西安电子工程研究所 | 一种基于点迹数据和频谱特征的地面活动目标分类方法 |
CN112965038B (zh) * | 2021-02-02 | 2023-07-21 | 西安电子工程研究所 | 一种基于点迹数据和频谱特征的地面活动目标分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110940959B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103576154B (zh) | 使用雷达和摄像机的障碍物探测的融合 | |
CN108490410B (zh) | 一种两坐标雷达对海目标联合检测跟踪方法 | |
CN114859339B (zh) | 一种基于毫米波雷达的多目标跟踪方法 | |
US8718323B2 (en) | Batch detection association for enhanced target descrimination in dense detection environments | |
US10101448B2 (en) | On-board radar apparatus and region detection method | |
CN110940959B (zh) | 一种用于低分辨雷达地面目标的人车分类识别方法 | |
CN102495403B (zh) | 一种雷达信号处理方法 | |
CN112946630A (zh) | 一种基于毫米波雷达的人员计数跟踪方法 | |
CN114814832A (zh) | 基于毫米波雷达的人体跌倒行为实时监测系统及监测方法 | |
KR101234192B1 (ko) | 바이스태틱 레이더의 송수신 각도 추출 장치 | |
Yang et al. | On-road collision warning based on multiple FOE segmentation using a dashboard camera | |
Huang et al. | Yolo-ore: A deep learning-aided object recognition approach for radar systems | |
Argüello et al. | Radar classification for traffic intersection surveillance based on micro-Doppler signatures | |
CN110648542B (zh) | 基于方位识别窄波雷达的高精度车流量检测系统 | |
Liu et al. | Micro-doppler feature and image based human activity classification with FMCW radar | |
Atiq et al. | Vehicle detection and shape recognition using optical sensors: a review | |
Deville et al. | Non-Invasive Axle-Based Vehicle Classification Utilising Tracking Radar Technology | |
CN110488279B (zh) | 一种基于雷达的行人与树木区分方法与装置 | |
CN113625266A (zh) | 应用雷达检测低速目标的方法、装置、存储介质和设备 | |
Zhang et al. | Moving target shadow detection and tracking in ViSAR based on DNN and multi-object tracking algorithm | |
Zhao et al. | A weak moving point target detection method based on high frame rate SAR image sequences and machine learning | |
Chen et al. | A Cluster-Based Weighted Feature Similarity Moving Target Tracking Algorithm for Automotive FMCW Radar | |
Wang et al. | DBSCAN clustering algorithm of millimeter wave radar based on multi frame joint | |
Yang et al. | Human Intrusion Detection System using mm Wave Radar | |
Pierucci et al. | Improvements of radar clutter classification in air traffic control environment |
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 |