CN111999726A - 一种基于毫米波雷达的人员定位方法 - Google Patents
一种基于毫米波雷达的人员定位方法 Download PDFInfo
- Publication number
- CN111999726A CN111999726A CN202011034661.8A CN202011034661A CN111999726A CN 111999726 A CN111999726 A CN 111999726A CN 202011034661 A CN202011034661 A CN 202011034661A CN 111999726 A CN111999726 A CN 111999726A
- Authority
- CN
- China
- Prior art keywords
- point
- points
- target
- value
- peak
- 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
- 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
- G01S13/06—Systems determining position data of a target
- G01S13/46—Indirect determination of position data
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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
本发明涉及毫米波雷达信号处理领域,在不增加算法复杂度的情况下对目标点进行筛选,提高室内人员定位的准确性,具体是一种基于毫米波雷达的人员定位方法,包括:步骤1、将收到的雷达回波进行傅里叶变换;步骤2、对步骤1中变换后的数据取静态分量及动态分量;步骤3、计算各点分量的模的和得到staticM,所有点的staticM组成staticMap;步骤4、采用距离维CFAR算法和归一化SNR确定目标点;步骤5、计算目标点的到达角;步骤6、通过角度信息筛选目标点,得到目标点云数据;步骤7、根据目标点云数据计算目标位置。采用上述方式可以实现对动态目标与静态目标的分别处理,通过层层筛除干扰点提高定位的准确性。
Description
技术领域
本发明涉及毫米波雷达信号处理领域,具体是一种基于毫米波雷达的人员定位方法。
背景技术
毫米波雷达具备全天候的特性,在环境稳健性方面比其他传感器优异很多,因此广泛用于室内人员检测与定位。在统计室内人员个数,稳定输出人员的距离、速度和角度等信息时,传统的CFAR通过二维搜索找到相关的峰值点,但在室内定位密集人群时,参考单元和保护单元很难确定,目标识别存在很多问题,比如距离维CFAR方面,存在以下问题:由于目标和目标之间的间隔很近,经常出现CFAR参考单元刚好也是目标,导致正确目标无法识别;目标附近遮挡下的目标,返回值较低,很难通过CFAR识别。在角度维CFAR方面,由于角度的分辨率比较低,通过传统CFAR基本可以发现目标,但是存在CFAR的点比较多,无法比较精确的确定目标的位置。通过距离-角度二维CFAR后,经常出现目标点比较多,目标和目标之间很难分开,增加了定位算法的复杂度。
发明内容
为了在不增加算法复杂度的情况下对目标点进行筛选,提高室内人员定位的准确性,本发明提供了一种基于毫米波雷达的人员定位方法。
本发明解决上述问题所采用的技术方案是:
一种基于毫米波雷达的人员定位方法,包括:
步骤1、将收到的雷达回波进行傅里叶变换;
步骤2、对步骤1中变换后的数据取静态分量及动态分量;
步骤3、计算各点分量的模的和得到staticM,所有点的staticM组成staticMap;
步骤4、采用距离维CFAR算法和归一化SNR确定目标点;
步骤5、计算目标点的到达角;
步骤6、通过角度信息筛选目标点,得到目标点云数据;
步骤7、根据目标点云数据计算目标位置。
进一步地,所述步骤4中归一化SNR的计算公式为SNRrange=Np×256/Nmax,其中SNRrange表示归一化SNR,Np为该点的staticM,Nmax为staticMap中的最大值。
进一步地,所述步骤4中距离维CFAR算法的步骤为:
步骤41、前30个点中幅值最低的点设置为基础白噪声minHeatmap;
步骤42、计算所有点幅值的均值meanMap;
步骤43、取某点前后3个谷值点的均值设为该点的噪音minMeanVec;
步骤44、设置峰值阈值系数peakThre;
步骤45、设置最小噪声阈值系数minNoiseThre;
步骤46、设置影响噪声阈值系数effectNoiseThre;
步骤47、舍弃干扰点得到目标点,具体步骤为:
步骤471、舍弃staticMap中小于peakThre倍的上一个点或大于peakThre倍的下一个点或小于minNoiseThre倍的minMeanVec的值的点;
步骤472、舍弃剩余点中小于上一个点且大于下一个点且小于2倍的minMeanVec的值的点;
步骤473、舍弃剩余点中小于或等于effectNoiseThre倍的minMeanVec的点;
步骤474、舍弃剩余点中某点及其前后两点均小于minNoiseThre倍的minMeanVec的点得到目标点。
进一步地,所述步骤42中首先去除干扰点再对剩余点求幅值的均值meanMap,去除干扰点的方式为前端除去的数据长度leftSkip为8,后端除去的数据长度rightSkip为:rightSkip=staticMap的长度-floor(前方边界的距离/距离分辨率)+1,其中floor为向下取整函数。
进一步地,所述步骤43中求取每个点前后3个谷值点的均值minMeanVec时,如果均值大于meanMap,则将meanMap作为该点的均值minMeanVec,否则,取meanMap和minMeanVec两者的平均值作为该点的均值minMeanVec;若新得到的均值minMeanVec小于2.5倍的基础白噪声minHeatmap则舍弃该点。
进一步地,所述步骤44中peakThre取0.95,步骤45中minNoiseThre取2.5,步骤46中effectNoiseThre取1。
进一步地,所述步骤4与步骤5间还包括:
步骤415、采用矩形窗对步骤4筛选出的目标点进行傅里叶变换;
步骤425、对步骤415中变换后的数据通过多普勒CFAR算法和重新构建的SNR对目标点再次筛选,多普勒CFAR算法为:计算Doppler幅值的均值作为CFAR的阈值,取所有在阈值以上的峰值点作为目标点;重新构建的SNR计算公式为SNRdoppler=SNRrange×Np×2/Nmax,SNRdoppler为重新构建的SNR,SNRrange为距离维求得的SNR的值,Np为该点的staticM,Nmax为staticMap中的最大值。
进一步地,所述步骤6通过角度CFAR算法和再次重新构建的SNR筛选目标,得到目标点云数据;再次重新构建的SNR的计算公式为:SNR=SNRdoppler×Np/Nmax,SNRdoppler为多普勒维求得的SNR的值,Np为该点的staticM,Nmax为staticMap中的最大值。
进一步地,所述步骤6中角度CFAR算法步骤为:
步骤61、找出角度谱中的最大值maxVal和次大值secondMax作为角度CFAR的阈值;
步骤62、取两头边界点的较大者作为噪声azimuthNoise;
步骤63、统计角度谱中大于0.5倍最大值maxVal的点的个数peakCnt;
步骤64、若peakCnt大于3则不进行峰值筛选;若peakCnt等于3,则保存第二个峰值;若peakCnt等于2,则判定最大值是否小于2.1倍的噪声azimuthNoise和2倍的次大值secondMax,若是,则两个峰值均保留,否则,判定第二个峰值的绝对值是否小于第一个峰值,若是,则保留第二个峰值;获取筛选出的峰值对应的坐标;
步骤65、将多普勒维得到的峰值点与步骤64中得到的目标峰值点做对比,将与目标峰值点对应的目标点相差3个点的所有点合并到一起作为新的目标点,重新计算目标的位置,得到目标点云数据。
本发明相比于现有技术具有的有益效果是:
1、采用距离维对目标进行区分,采用角度维对目标定位取精度,实现在不增加算法复杂度的情况下提高室内人员定位的准确性;同时,对距离维的CFAR做出了细致的改进,主要为通过对大量数据的分析,选取了前30个点中幅值最低的点作为基础白噪声,对整个数据进行初步降噪,其次将所有点幅值的均值作为一个重要的阈值指标,其中该均值的计算又将数据前端和末端一些对整个数据影响比较大的干扰点去除,这样计算出来的均值更为精确的表达出真正意义上的均值,再次取当前点前后3个谷值点的均值设定为该点的噪音阈值,小于或者大于该阈值则有相应的处理,如此环环相扣的滤除干扰点,使得到的目标点更为准确。
2、SNR作为目标起航迹的重要指标,对SNR进行了重新构建,主要是通过距离维、多普勒维和角度维三个递进的层面环环相扣的构建,距离维的构建是以最高幅值为基准,进行归一化处理,多普勒维则在距离维的基础上叠加,角度维则在前面两者的基础上取峰值,通过这种方法构造的SNR,最大值为512,方便存储,同时能有效的表明目标的反射强度,使识别的目标点更准确。
附图说明
图1为实施例1与实施例2的整体结构框图;
图2实施例1的流程图;
图3为距离维CFAR算法的流程图;
图4为实施例2的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。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。
实施例1
如图2所示,一种基于毫米波雷达的人员定位方法,包括:
步骤1、将收到的雷达回波进行傅里叶变换;
步骤2、对步骤1中变换后的数据取静态分量及动态分量;
步骤3、计算各点分量的模的和得到staticM,所有点的staticM组成staticMap,staticM值越大代表该点的能量越强,物体反射的回波信号越大,在本实施例中分量为静态分量;
步骤4、采用距离维CFAR算法和归一化SNR确定目标点;
步骤5、计算目标点的到达角;
步骤6、通过角度信息筛选目标点,得到目标点云数据;
步骤7、根据目标点云数据计算目标位置。
本发明将回波数据分为静态分量及动态分量,然后对静态分量与动态分量分开处理以降低算法复杂度,根据动态分量与静态分量的数据特点制定不同的筛选算法,可以更加精准的去除干扰点,本发明中静态分量是指雷达回波原始数据的均值,动态分量是指雷达回波原始数据减去静态分量后的数据,静态分量用于静态目标定位,动态分量用于动态目标定位。通过距离维CFAR算法和归一化SNR对目标点进行筛选,然后根据目标点的到达角实现目标定位。
具体的,所述步骤4中归一化SNR的计算公式为SNRrange=Np×256/Nmax,其中SNRrange表示归一化SNR,Np为该点的staticM,Nmax为staticMap中的最大值。如图3所示,所述步骤4中距离维CFAR算法的步骤为:
步骤41、前30个点中幅值最低的点设置为基础白噪声minHeatmap;
步骤42、计算所有点幅值的均值meanMap;
步骤43、取某点前后3个谷值点的均值设为该点的噪音minMeanVec;
步骤44、设置峰值阈值系数peakThre;
步骤45、设置最小噪声阈值系数minNoiseThre;
步骤46、设置影响噪声阈值系数effectNoiseThre;
步骤47、舍弃干扰点得到目标点,具体步骤为:
步骤471、舍弃staticMap中小于peakThre倍的上一个点或大于peakThre倍的下一个点或小于minNoiseThre倍的minMeanVec的值的点;
步骤472、舍弃剩余点中小于上一个点且大于下一个点且小于2倍的minMeanVec的值的点;
步骤473、舍弃剩余点中小于或等于effectNoiseThre倍的minMeanVec的点;
步骤474、舍弃剩余点中某点及其前后两点均小于minNoiseThre倍的minMeanVec的点得到目标点。
通过设置不同的筛选条件对干扰点进行层层筛除,使得得到的目标点更加准确。
在本实施例中,所述步骤42中首先去除干扰点再对剩余点求幅值的均值meanMap,去除干扰点的方式为前端除去的数据长度leftSkip为8,后端除去的数据长度rightSkip为:rightSkip=staticMap的长度-floor(前方边界的距离/距离分辨率)+1,其中floor为向下取整函数。将数据前端和末端一些对整个数据影响比较大的干扰点去除,这样计算出来的均值更为精确的表达出真正意义上的均值,可以使后续筛选的目标点更加精确。
进一步地,所述步骤43中求取每个点前后3个谷值点的均值minMeanVec时,如果均值大于meanMap,则将meanMap作为该点的均值minMeanVec,否则,取meanMap和minMeanVec两者的平均值作为该点的均值minMeanVec;若新得到的均值minMeanVec小于2.5倍的基础白噪声minHeatmap则舍弃该点。
发明人经过多次试验得出步骤44中peakThre取0.95,步骤45中minNoiseThre取2.5,步骤46中effectNoiseThre取1时筛选效果最好。
实施例2
如图4所示,在处理动态分量时,所述步骤4与步骤5间还包括:
步骤415、采用矩形窗对步骤4筛选出的目标点进行傅里叶变换,因为矩形窗对信号的频率影响最小,可以提高目标测角精度;
步骤425、对步骤415中变换后的数据通过多普勒CFAR算法和重新构建的SNR对目标点再次筛选,多普勒CFAR算法为:计算Doppler幅值的均值作为CFAR的阈值,取所有在阈值以上的峰值点作为目标点;重新构建的SNR计算公式为SNRdoppler=SNRrange×Np×2/Nmax,SNRdoppler为重新构建的SNR,SNRrange为距离维求得的SNR的值,Np为该点的staticM,Nmax为staticMap中的最大值。
进一步地,所述步骤6通过角度CFAR算法和再次重新构建的SNR筛选目标,得到目标点云数据;再次重新构建的SNR的计算公式为:SNR=SNRdoppler×Np/Nmax,SNRdoppler为多普勒维求得的SNR的值,Np为该点的staticM,Nmax为staticMap中的最大值。使用角度CFAR算法是为了合并一些目标点,使得点云聚集,得到精确目标点。
具体的,所述步骤6中角度CFAR算法步骤为:
步骤61、找出角度谱中的最大值maxVal和次大值secondMax作为角度CFAR的阈值;
步骤62、取两头边界点的较大者作为噪声azimuthNoise;
步骤63、统计角度谱中大于0.5倍最大值maxVal的点的个数peakCnt;
步骤64、若peakCnt大于3则不进行峰值筛选;若peakCnt等于3,则保存第二个峰值;若peakCnt等于2,则判定最大值是否小于2.1倍的噪声azimuthNoise和2倍的次大值secondMax,若是,则两个峰值均保留,否则,判定第二个峰值的绝对值是否小于第一个峰值,若是,则保留第二个峰值;获取筛选出的峰值对应的坐标;
步骤65、将多普勒维得到的峰值点与步骤64中得到的目标峰值点做对比,将与目标峰值点对应的目标点相差3个点的所有点合并到一起作为新的目标点,重新计算目标的位置,得到目标点云数据。
Claims (9)
1.一种基于毫米波雷达的人员定位方法,其特征在于,包括:
步骤1、将收到的雷达回波进行傅里叶变换;
步骤2、对步骤1中变换后的数据取静态分量及动态分量;
步骤3、计算各点分量的模的和得到staticM,所有点的staticM组成staticMap;
步骤4、采用距离维CFAR算法和归一化SNR确定目标点;
步骤5、计算目标点的到达角;
步骤6、通过角度信息筛选目标点,得到目标点云数据;
步骤7、根据目标点云数据计算目标位置。
2.根据权利要求1所述的一种基于毫米波雷达的人员定位方法,其特征在于,所述步骤4中归一化SNR的计算公式为SNRrange=Np×256/Nmax,其中SNRrange表示归一化SNR,Np为该点的staticM,Nmax为staticMap中的最大值。
3.根据权利要求1所述的一种基于毫米波雷达的人员定位方法,其特征在于,所述步骤4中距离维CFAR算法的步骤为:
步骤41、前30个点中幅值最低的点设置为基础白噪声minHeatmap;
步骤42、计算所有点幅值的均值meanMap;
步骤43、取某点前后3个谷值点的均值设为该点的噪音minMeanVec;
步骤44、设置峰值阈值系数peakThre;
步骤45、设置最小噪声阈值系数minNoiseThre;
步骤46、设置影响噪声阈值系数effectNoiseThre;
步骤47、舍弃干扰点得到目标点,具体步骤为:
步骤471、舍弃staticMap中小于peakThre倍的上一个点或大于peakThre倍的下一个点或小于minNoiseThre倍的minMeanVec的值的点;
步骤472、舍弃剩余点中小于上一个点且大于下一个点且小于2倍的minMeanVec的值的点;
步骤473、舍弃剩余点中小于或等于effectNoiseThre倍的minMeanVec的点;
步骤474、舍弃剩余点中某点及其前后两点均小于minNoiseThre倍的minMeanVec的点得到目标点。
4.根据权利要求3所述的一种基于毫米波雷达的人员定位方法,其特征在于,所述步骤42中首先去除干扰点再对剩余点求幅值的均值meanMap,去除干扰点的方式为前端除去的数据长度leftSkip为8,后端除去的数据长度rightSkip为:rightSkip=staticMap的长度-floor(前方边界的距离/距离分辨率)+1,其中floor为向下取整函数。
5.根据权利要求4所述的一种基于毫米波雷达的人员定位方法,其特征在于,所述步骤43中求取每个点前后3个谷值点的均值minMeanVec时,如果均值大于meanMap,则将meanMap作为该点的均值minMeanVec,否则,取meanMap和minMeanVec两者的平均值作为该点的均值minMeanVec;若新得到的均值minMeanVec小于2.5倍的基础白噪声minHeatmap则舍弃该点。
6.根据权利要求5所述的一种基于毫米波雷达的人员定位方法,其特征在于,所述步骤44中peakThre取0.95,步骤45中minNoiseThre取2.5,步骤46中effectNoiseThre取1。
7.根据权利要求1所述的一种基于毫米波雷达的人员定位方法,其特征在于,所述步骤4与步骤5间还包括:
步骤415、矩形窗对步骤4筛选出的目标点进行傅里叶变换;
步骤425、对步骤415中变换后的数据通过多普勒CFAR算法和重新构建的SNR对目标点再次筛选,多普勒CFAR算法为:计算Doppler幅值的均值作为CFAR的阈值,取所有在阈值以上的峰值点作为目标点;重新构建的SNR计算公式为SNRdoppler=SNRrange×Np×2/Nmax,SNRdoppler为重新构建的SNR,SNRrange为距离维求得的SNR的值,Np为该点的staticM,Nmax为staticMap中的最大值。
8.根据权利要求7所述的一种基于毫米波雷达的人员定位方法,其特征在于,所述步骤6通过角度CFAR算法和再次重新构建的SNR筛选目标,得到目标点云数据;再次重新构建的SNR的计算公式为:SNR=SNRdoppler×Np/Nmax,SNRdoppler为多普勒维求得的SNR的值,Np为该点的staticM,Nmax为staticMap中的最大值。
9.根据权利要求8所述的一种基于毫米波雷达的人员定位方法,其特征在于,所述步骤6中角度CFAR算法步骤为:
步骤61、找出角度谱中的最大值maxVal和次大值secondMax作为角度CFAR的阈值;
步骤62、取两头边界点的较大者作为噪声azimuthNoise;
步骤63、统计角度谱中大于0.5倍最大值maxVal的点的个数peakCnt;
步骤64、若peakCnt大于3则不进行峰值筛选;若peakCnt等于3,则保存第二个峰值;若peakCnt等于2,则判定最大值是否小于2.1倍的噪声azimuthNoise和2倍的次大值secondMax,若是,则两个峰值均保留,否则,判定第二个峰值的绝对值是否小于第一个峰值,若是,则保留第二个峰值;获取筛选出的峰值对应的坐标。
步骤65、将多普勒维得到的峰值点与步骤64中得到的目标峰值点做对比,将与目标峰值点对应的目标点相差3个点的所有点合并到一起作为新的目标点,重新计算目标的位置,得到目标点云数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011034661.8A CN111999726B (zh) | 2020-09-27 | 2020-09-27 | 一种基于毫米波雷达的人员定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011034661.8A CN111999726B (zh) | 2020-09-27 | 2020-09-27 | 一种基于毫米波雷达的人员定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111999726A true CN111999726A (zh) | 2020-11-27 |
CN111999726B CN111999726B (zh) | 2022-05-17 |
Family
ID=73474999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011034661.8A Active CN111999726B (zh) | 2020-09-27 | 2020-09-27 | 一种基于毫米波雷达的人员定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111999726B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731332A (zh) * | 2021-01-13 | 2021-04-30 | 路晟悠拜(重庆)科技有限公司 | 基于毫米波的静态目标存在识别方法及系统 |
CN113759357A (zh) * | 2021-09-07 | 2021-12-07 | 四川启睿克科技有限公司 | 一种智慧家庭中精确定位人员位置的方法及系统 |
CN114742117A (zh) * | 2022-06-13 | 2022-07-12 | 长沙莫之比智能科技有限公司 | 复杂室内场景下毫米波雷达的人体生命体征检测方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000065925A (ja) * | 1998-08-24 | 2000-03-03 | Mitsubishi Electric Corp | 誘導装置 |
CN102914776A (zh) * | 2012-10-15 | 2013-02-06 | 西安电子科技大学 | 基于模糊c均值算法的多通道SAR动目标定位方法 |
CN103837867A (zh) * | 2014-03-20 | 2014-06-04 | 武汉大学 | 一种利用ais信息进行高频雷达天线通道校正的方法 |
CN106597445A (zh) * | 2017-01-18 | 2017-04-26 | 哈尔滨工业大学 | 一种基于自适应Chirp分解的SAR动目标检测方法 |
CN106713069A (zh) * | 2016-12-16 | 2017-05-24 | 四川长虹电器股份有限公司 | 系统资源监控与瓶颈识别方法 |
CN108169728A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于Minkowski距离的距离扩展目标检测方法 |
CN109507653A (zh) * | 2018-10-22 | 2019-03-22 | 中国人民解放军第四军医大学 | 一种基于uwb的多信息感知生物雷达系统及其获取目标信息的方法 |
CN109633534A (zh) * | 2019-01-18 | 2019-04-16 | 重庆邮电大学 | 一种用于无源目标运动跟踪的微多普勒估计方法 |
CN110118966A (zh) * | 2019-05-28 | 2019-08-13 | 长沙莫之比智能科技有限公司 | 基于毫米波雷达的人员检测与计数系统 |
CN110147104A (zh) * | 2019-05-28 | 2019-08-20 | 四川长虹电器股份有限公司 | 一种基于毫米波雷达的agv导引方法 |
CN110531336A (zh) * | 2019-09-20 | 2019-12-03 | 山东大学 | 一种物体检测识别方法及系统 |
CN110850400A (zh) * | 2019-11-13 | 2020-02-28 | 南京理工大学 | 基于干涉仪测向的lfmcw雷达多目标检测方法 |
CN110988874A (zh) * | 2019-11-08 | 2020-04-10 | 西北大学 | 一种复杂运动目标的isar成像方法 |
US20200174096A1 (en) * | 2018-12-04 | 2020-06-04 | Samsung Electronics Co., Ltd. | Method and apparatus for processing radar data |
CN111289954A (zh) * | 2020-03-31 | 2020-06-16 | 四川长虹电器股份有限公司 | 用于毫米波雷达目标跟踪的点云划分与航迹匹配方法 |
CN111289967A (zh) * | 2020-03-31 | 2020-06-16 | 四川长虹电器股份有限公司 | 基于毫米波雷达的人员检测跟踪与计数算法 |
US20200209352A1 (en) * | 2016-07-09 | 2020-07-02 | Texas Instruments Incorporated | Methods and Apparatus for Velocity Detection in MIMO Radar Including Velocity Ambiguity Resolution |
CN111427021A (zh) * | 2020-04-16 | 2020-07-17 | 北京遥感设备研究所 | 车载毫米波雷达信号峰值检测的动态阈值计算方法及系统 |
CN111650582A (zh) * | 2020-07-27 | 2020-09-11 | 四川长虹电器股份有限公司 | 一种基于mimo毫米波雷达的手势识别方法 |
CN111693975A (zh) * | 2020-05-29 | 2020-09-22 | 电子科技大学 | 一种基于深度神经网络的mimo雷达稀疏阵列设计方法 |
-
2020
- 2020-09-27 CN CN202011034661.8A patent/CN111999726B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000065925A (ja) * | 1998-08-24 | 2000-03-03 | Mitsubishi Electric Corp | 誘導装置 |
CN102914776A (zh) * | 2012-10-15 | 2013-02-06 | 西安电子科技大学 | 基于模糊c均值算法的多通道SAR动目标定位方法 |
CN103837867A (zh) * | 2014-03-20 | 2014-06-04 | 武汉大学 | 一种利用ais信息进行高频雷达天线通道校正的方法 |
US20200209352A1 (en) * | 2016-07-09 | 2020-07-02 | Texas Instruments Incorporated | Methods and Apparatus for Velocity Detection in MIMO Radar Including Velocity Ambiguity Resolution |
CN106713069A (zh) * | 2016-12-16 | 2017-05-24 | 四川长虹电器股份有限公司 | 系统资源监控与瓶颈识别方法 |
CN106597445A (zh) * | 2017-01-18 | 2017-04-26 | 哈尔滨工业大学 | 一种基于自适应Chirp分解的SAR动目标检测方法 |
CN108169728A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于Minkowski距离的距离扩展目标检测方法 |
CN109507653A (zh) * | 2018-10-22 | 2019-03-22 | 中国人民解放军第四军医大学 | 一种基于uwb的多信息感知生物雷达系统及其获取目标信息的方法 |
US20200174096A1 (en) * | 2018-12-04 | 2020-06-04 | Samsung Electronics Co., Ltd. | Method and apparatus for processing radar data |
CN109633534A (zh) * | 2019-01-18 | 2019-04-16 | 重庆邮电大学 | 一种用于无源目标运动跟踪的微多普勒估计方法 |
CN110118966A (zh) * | 2019-05-28 | 2019-08-13 | 长沙莫之比智能科技有限公司 | 基于毫米波雷达的人员检测与计数系统 |
CN110147104A (zh) * | 2019-05-28 | 2019-08-20 | 四川长虹电器股份有限公司 | 一种基于毫米波雷达的agv导引方法 |
CN110531336A (zh) * | 2019-09-20 | 2019-12-03 | 山东大学 | 一种物体检测识别方法及系统 |
CN110988874A (zh) * | 2019-11-08 | 2020-04-10 | 西北大学 | 一种复杂运动目标的isar成像方法 |
CN110850400A (zh) * | 2019-11-13 | 2020-02-28 | 南京理工大学 | 基于干涉仪测向的lfmcw雷达多目标检测方法 |
CN111289954A (zh) * | 2020-03-31 | 2020-06-16 | 四川长虹电器股份有限公司 | 用于毫米波雷达目标跟踪的点云划分与航迹匹配方法 |
CN111289967A (zh) * | 2020-03-31 | 2020-06-16 | 四川长虹电器股份有限公司 | 基于毫米波雷达的人员检测跟踪与计数算法 |
CN111427021A (zh) * | 2020-04-16 | 2020-07-17 | 北京遥感设备研究所 | 车载毫米波雷达信号峰值检测的动态阈值计算方法及系统 |
CN111693975A (zh) * | 2020-05-29 | 2020-09-22 | 电子科技大学 | 一种基于深度神经网络的mimo雷达稀疏阵列设计方法 |
CN111650582A (zh) * | 2020-07-27 | 2020-09-11 | 四川长虹电器股份有限公司 | 一种基于mimo毫米波雷达的手势识别方法 |
Non-Patent Citations (3)
Title |
---|
YONGZHE LI;ZISHU HE;HONGMING LIU;JUN LI: "A new STAP method for MIMO radar based on joint digital beam forming and joint domain localized processing", 《PROCEEDINGS OF 2011 IEEE CIE INTERNATIONAL CONFERENCE ON RADAR》 * |
崔雄文: "毫米波雷达房间尺寸测量方法研究", 《科技视界》 * |
张泽: "基于雷达的人体定位及运动状态检测系统", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731332A (zh) * | 2021-01-13 | 2021-04-30 | 路晟悠拜(重庆)科技有限公司 | 基于毫米波的静态目标存在识别方法及系统 |
CN113759357A (zh) * | 2021-09-07 | 2021-12-07 | 四川启睿克科技有限公司 | 一种智慧家庭中精确定位人员位置的方法及系统 |
CN113759357B (zh) * | 2021-09-07 | 2023-11-21 | 四川启睿克科技有限公司 | 一种智慧家庭中精确定位人员位置的方法及系统 |
CN114742117A (zh) * | 2022-06-13 | 2022-07-12 | 长沙莫之比智能科技有限公司 | 复杂室内场景下毫米波雷达的人体生命体征检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111999726B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111999726B (zh) | 一种基于毫米波雷达的人员定位方法 | |
CN108490410B (zh) | 一种两坐标雷达对海目标联合检测跟踪方法 | |
CN104166135A (zh) | 一种宽带雷达目标的原始点迹凝聚处理方法 | |
CN108181620B (zh) | 一种三坐标雷达点迹质量评估方法 | |
CN112986964B (zh) | 基于噪声邻域密度的光子计数激光点云自适应去噪方法 | |
CN110208806A (zh) | 一种航海雷达图像降雨识别方法 | |
RU2711406C1 (ru) | Способ классификации гидроакустических сигналов шумоизлучения морских объектов | |
CN112731307A (zh) | 基于距离-角度联合估计的ratm-cfar检测器及检测方法 | |
CN113050071A (zh) | 激光雷达数据处理方法、装置、设备及存储介质 | |
JP6148229B2 (ja) | 遷移信号の動的クラスタリング | |
CN110596651B (zh) | 一种雷达检测的方法 | |
CN105652256B (zh) | 一种基于极化信息的高频地波雷达tbd方法 | |
CN115546526B (zh) | 三维点云聚类方法、装置及存储介质 | |
CN115128571A (zh) | 一种基于毫米波雷达的多人与非机动车识别方法 | |
CN115356692A (zh) | 一种基于pri区间树上时间片不重叠的雷达信号分选增批处理方法 | |
CN105242272B (zh) | 基于自回归时间序列模型的车载毫米波防撞雷达恒虚警检测方法 | |
CN116047442A (zh) | 一种检测目标角度的方法、装置及电子设备 | |
CN113534096A (zh) | 基于样条函数的LiDAR信号几何特征提取方法及系统 | |
CN113625266A (zh) | 应用雷达检测低速目标的方法、装置、存储介质和设备 | |
CN109283507B (zh) | 一种基于时频域特征的雷达目标识别方法及系统 | |
Behar et al. | Hough detector with adaptive non-coherent integration for target detection in pulse jamming | |
CN116224280B (zh) | 雷达目标检测方法、装置、雷达设备及存储介质 | |
Ciesielski | Polynomial-Based Detector for Passive Radar Operating in the DVB-T Band | |
CN115372956B (zh) | 一种基于正逆逻辑Hough变换的混合体制雷达航迹起始方法 | |
CN116879863B (zh) | 一种连续波4d毫米波雷达多目标测量方法及系统 |
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 |