CN112731296A - 一种汽车毫米波雷达点迹凝聚方法及系统 - Google Patents

一种汽车毫米波雷达点迹凝聚方法及系统 Download PDF

Info

Publication number
CN112731296A
CN112731296A CN202011367076.XA CN202011367076A CN112731296A CN 112731296 A CN112731296 A CN 112731296A CN 202011367076 A CN202011367076 A CN 202011367076A CN 112731296 A CN112731296 A CN 112731296A
Authority
CN
China
Prior art keywords
trace
point
target
information
millimeter wave
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
CN202011367076.XA
Other languages
English (en)
Other versions
CN112731296B (zh
Inventor
刘加欢
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.)
Huizhou Desay SV Intelligent Transport Technology Research Institute Co Ltd
Original Assignee
Huizhou Desay SV Intelligent Transport Technology Research Institute Co Ltd
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 Huizhou Desay SV Intelligent Transport Technology Research Institute Co Ltd filed Critical Huizhou Desay SV Intelligent Transport Technology Research Institute Co Ltd
Priority to CN202011367076.XA priority Critical patent/CN112731296B/zh
Publication of CN112731296A publication Critical patent/CN112731296A/zh
Application granted granted Critical
Publication of CN112731296B publication Critical patent/CN112731296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种汽车毫米波雷达点迹凝聚方法及系统，对当前帧点迹数据进行凝聚时，优先根据上一帧航迹信息反馈的目标位置预测值、多普勒速度、目标长宽信息进行航迹与点迹关联聚类，然后再对剩余点迹进行点迹级凝聚处理，从而避免大目标分裂与临近目标合并问题难以兼并处理的痛点，有效解决汽车毫米波雷达大目标分裂问题。且本发明在航迹与点迹关联聚类过程中，利用目标识别结果对聚类之后得到的长宽信息进行修正，确保输出更为可靠的目标尺寸特征信息。

Description

一种汽车毫米波雷达点迹凝聚方法及系统
技术领域
本发明涉及雷达信号处理领域，尤其是涉及一种汽车毫米波雷达点迹凝聚方法及系统。
背景技术
在汽车主动安全领域，汽车毫米波雷达传感器是智能汽车上必不可少的关键部件，其备较强的抗干扰能力，够在全天候快速感知车辆周边环境物体距离、速度、方位角等信息。利用毫米波雷达可以实现自适应巡航控制(ACC)、自动制动（AEB）、前/后向防撞报警(F/RCW)，盲点检测(BSD)、辅助变道(LCA)、泊车辅助（PA）等高级驾驶辅助系统(ADAS)功能。
一般的点迹凝聚算法，如滑窗法、标记法、邻域搜索、聚类算法等，其基本假设都是来自同一目标的点迹分布都在某个“门限”范围内。但在实际应用中，由于观测角度、距离、目标RCS起伏、检测算法等原因，来自一辆大卡车的两簇点迹间最小距离可能超过10米，而分别来自两辆同速跟车行驶的小车的两簇点迹间最小距离可能不足5米。避免大车点迹分裂期望“门限”足够大，避免临近目标合并又期望门限足够小，因此，单靠传统点迹凝聚算法从点迹分布上进行关联融合，难以兼容解决大目标分裂和临近目标合并的问题。
此外，随着后端数据处理算法的发展，对点迹凝聚的要求也越来越高，已经不局限于位置、速度、幅度等信息，还包括目标长宽尺寸、RCS等特征信息。同样测量误差、观测角度、距离、检测算法等原因，由于来自同一目标的点迹长宽分布与真实物理尺寸可能相差较大，由单帧点迹分布统计得到的目标长宽尺寸信息完全依赖于目标量测，可靠性较差。
发明内容
针对上述问题，本发明的目的在于提供一种汽车毫米波雷达点迹凝聚方法及系统，通过基于目标航迹信息与识别结果反馈的汽车毫米波雷达点迹凝聚算法 ，有效解决汽车毫米波雷达大目标分裂与临近目标合并问题，且可以输出更可靠的目标长宽尺寸信息。
具体的，本发明所述的一种汽车毫米波雷达点迹凝聚方法，
包括以下步骤：
S1：获取当前帧点迹数据;
S2：获取上一帧航迹与识别结果;
S3：基于目标航迹与识别结果的点迹凝聚;
S4：对S3所述点迹凝聚剩余的原始点迹进行点迹聚类处理，并对同一聚类标志的点迹进行凝聚。
其中，所述S1包括：
S11：获取最新一帧原始点迹数据
Figure 100002_DEST_PATH_IMAGE001
，其中N为原始点迹数量，每个点迹表示为
Figure 3831DEST_PATH_IMAGE002
，
Figure 100002_DEST_PATH_IMAGE003
为距离信息，
Figure 990242DEST_PATH_IMAGE004
为方位角信息，
Figure 100002_DEST_PATH_IMAGE005
为径向速度信息；
S12：将点迹数据转换到笛卡尔坐标系中得到
Figure 217961DEST_PATH_IMAGE006
，其中：
Figure 100002_DEST_PATH_IMAGE007
和
Figure 987334DEST_PATH_IMAGE008
分别为原始点迹在笛卡尔坐标系下的位置信息：
Figure DEST_PATH_IMAGE009
，
Figure 882477DEST_PATH_IMAGE010
。
进一步的，所述S2包括：
S21：获取上一帧航迹信息
Figure 100002_DEST_PATH_IMAGE011
，
Figure 570948DEST_PATH_IMAGE012
为航迹数量，每条航迹包含的信息为：
Figure 100002_DEST_PATH_IMAGE013
，
其中，
Figure 161329DEST_PATH_IMAGE014
和
Figure 100002_DEST_PATH_IMAGE015
为上一帧目标在笛卡尔坐标系下的位置坐标，
Figure 859027DEST_PATH_IMAGE016
为速度，
Figure 100002_DEST_PATH_IMAGE017
和
Figure 343098DEST_PATH_IMAGE018
为加速度，
Figure 100002_DEST_PATH_IMAGE019
为径向速度信息，
Figure 343415DEST_PATH_IMAGE020
分别为目标长宽信息，
Figure 100002_DEST_PATH_IMAGE021
为目标识别分类结果；
S22：预测当前帧目标位置：
Figure 280147DEST_PATH_IMAGE022
，
Figure 100002_DEST_PATH_IMAGE023
，
其中，t为帧间时间间隔。
进一步的，所述S3包括：
S31：初始化点迹关联标志为：
Figure 781535DEST_PATH_IMAGE024
；
S32：将目标航迹
Figure 100002_DEST_PATH_IMAGE025
与点迹
Figure 120113DEST_PATH_IMAGE026
关联，如果
Figure 100002_DEST_PATH_IMAGE027
，执行步骤S33；否则
Figure 291331DEST_PATH_IMAGE028
，重复执行步骤S32，直至遍历所有点迹；
S33：点迹
Figure 100002_DEST_PATH_IMAGE029
关联与目标航迹
Figure 715359DEST_PATH_IMAGE030
，若满足以下条件：
Figure 100002_DEST_PATH_IMAGE031
，则执行步骤S34；否则
Figure 20438DEST_PATH_IMAGE032
，执行步骤S32，直至遍历所有点迹；
其中，
Figure 100002_DEST_PATH_IMAGE033
，
Figure 88889DEST_PATH_IMAGE034
和
Figure 100002_DEST_PATH_IMAGE035
分别为宽度、长度、速度关联门限；
S34：点迹聚类标记为：
Figure 555642DEST_PATH_IMAGE036
；
S35：重复以上步骤S32，S33，和S34，直至所有点迹遍历完成;
S36:
Figure 100002_DEST_PATH_IMAGE037
继续执行步骤S32直至遍历所有航迹。
进一步的，所述S35还包括：
对所有点迹聚类标志
Figure 466966DEST_PATH_IMAGE038
为点迹
Figure DEST_PATH_IMAGE039
，
Figure 44578DEST_PATH_IMAGE040
进行凝聚，凝聚后的点迹信息为：
Figure 100002_DEST_PATH_IMAGE041
，其中：
Figure 233114DEST_PATH_IMAGE042
；
Figure 100002_DEST_PATH_IMAGE043
；
Figure 870769DEST_PATH_IMAGE044
；
Figure 100002_DEST_PATH_IMAGE045
；
Figure 534968DEST_PATH_IMAGE046
；
Figure 100002_DEST_PATH_IMAGE047
。
进一步的，所述S35还包括：
对于每一类目标，设定一个最大宽度
Figure 791637DEST_PATH_IMAGE048
，最小宽度
Figure 100002_DEST_PATH_IMAGE049
，最大长度
Figure 959313DEST_PATH_IMAGE050
，
最小长度
Figure 100002_DEST_PATH_IMAGE051
；
根据目标识别分类结果
Figure 100002_DEST_PATH_IMAGE053
对点迹长宽信息进行修正：
Figure 525728DEST_PATH_IMAGE054
。
进一步的，所述S4还包括：
对所有
Figure DEST_PATH_IMAGE055
的点迹进行点迹聚类处理，其聚类标志最小为：
Figure 146065DEST_PATH_IMAGE056
，并对同一聚类标志的点迹
Figure 100002_DEST_PATH_IMAGE057
，
Figure 472004DEST_PATH_IMAGE058
进行凝聚。
作为另一优选的，本发明还提供了一种汽车毫米波雷达点迹凝聚方法的系统，至少包括：
数据收发模块，用于接收雷达原始回波数据，发送点迹和航迹信息；
信号处理模块，用于对原始回波进行处理，得到原始点迹信息；
点迹预处理模块，用于对原始点迹进行校准，异常点剔除，和点迹凝聚；
数据处理模块，用于对预处理后的点迹进行跟踪，和识别处理，得到航迹信息与目标识别结果。
其中，所述系统还包括目标识别模块，用于对不同类型，尺寸的目标进行分类。
进一步的，所述系统还包括目标跟踪模块，将点迹凝聚得到的目标长宽信息与数据处理过程中的点迹关联，航迹融合，实现目标识别过程
综上所述，本发明提供一种汽车毫米波雷达点迹凝聚方法，对当前帧点迹数据进行凝聚时，优先根据上一帧航迹信息反馈的目标位置预测值、多普勒速度、目标长宽信息进行航迹与点迹关联聚类，然后再对剩余点迹进行点迹级凝聚处理，从而避免大目标分裂与临近目标合并问题难以兼并处理的痛点，有效解决汽车毫米波雷达大目标分裂问题。且本发明在航迹与点迹关联聚类过程中，利用目标识别结果对聚类之后得到的长宽信息进行修正，确保输出更为可靠的目标尺寸特征信息。
附图说明
图1为一实施例中的汽车毫米波雷达点迹凝聚方法流程图。
图2为一采用图1中方法的具体实施效果对比图。
具体实施方式
下面将结合具体实施例及附图对本发明的一种汽车毫米波雷达点迹凝聚方法及系统，作进一步详细描述。
如图1所示为本发明提供的汽车毫米波雷达点迹凝聚方法流程图，包括如下步骤：
步骤1，获取当前帧点迹数据。
步骤1-1：获取最新一帧原始点迹数据
Figure 759766DEST_PATH_IMAGE060
，其中N为原始点迹数量，每个点迹表示为
Figure 145748DEST_PATH_IMAGE062
，
Figure 784540DEST_PATH_IMAGE064
为距离信息，
Figure 914170DEST_PATH_IMAGE066
为方位角信息，
Figure 197383DEST_PATH_IMAGE068
为径向速度信息。
步骤1-2：将点迹数据转换到笛卡尔坐标系中得到
Figure 878900DEST_PATH_IMAGE070
，其中：
Figure 880354DEST_PATH_IMAGE007
和
Figure 548096DEST_PATH_IMAGE008
分别为原始点迹在笛卡尔坐标系下的位置信息：
Figure 810450DEST_PATH_IMAGE072
；
步骤2，获取上一帧航迹与识别结果。
步骤2-1: 获取上一帧航迹信息
Figure 538235DEST_PATH_IMAGE074
为航迹数量，每条航迹包含的信息为
Figure 26985DEST_PATH_IMAGE076
为目标在笛卡尔坐标系下位置及运动状态信息，其中，
Figure 623051DEST_PATH_IMAGE014
和
Figure 880857DEST_PATH_IMAGE015
为上一帧目标在笛卡尔坐标系下的位置坐标，
Figure 779543DEST_PATH_IMAGE016
为速度，
Figure 614644DEST_PATH_IMAGE017
和
Figure 624188DEST_PATH_IMAGE018
为加速度，
Figure 2080DEST_PATH_IMAGE078
为径向速度信息，
Figure 930722DEST_PATH_IMAGE080
分别为目标长宽信息，
Figure 394064DEST_PATH_IMAGE082
为目标识别分类结果。
步骤2-2：预测当前帧目标位置：
Figure DEST_PATH_IMAGE083
，
Figure 800775DEST_PATH_IMAGE084
，
其中，t为帧间时间间隔。
步骤3，基于目标航迹与识别结果的点迹凝聚。
步骤3-1：初始化点迹关联标志为
Figure 33173DEST_PATH_IMAGE086
。
步骤3-2：将航迹将目标航迹
Figure 273661DEST_PATH_IMAGE088
与点迹
Figure 348934DEST_PATH_IMAGE090
关联，如果
Figure 434701DEST_PATH_IMAGE092
，执行步骤3-3；否则
Figure 380661DEST_PATH_IMAGE094
，执行步骤3-2直至遍历所有点迹。
步骤3-3：点迹
Figure 57630DEST_PATH_IMAGE090
关联与目标航迹
Figure 89040DEST_PATH_IMAGE096
，若满足以下条件，执行步骤3-4；否则
Figure 244077DEST_PATH_IMAGE098
，执行步骤3-2直至遍历所有点迹。
Figure 451068DEST_PATH_IMAGE100
；
Figure 892413DEST_PATH_IMAGE102
；
Figure 552065DEST_PATH_IMAGE104
;
其中，
Figure 245214DEST_PATH_IMAGE106
分别为宽度、长度、速度关联门限。
步骤3-4：点迹聚类标记为：
Figure 431345DEST_PATH_IMAGE108
;
步骤3-5：
Figure 184538DEST_PATH_IMAGE110
，重复以上步骤3-2、步骤3-3、步骤3-4直至所有点迹遍历完成。对所有点迹聚类标志
Figure 331485DEST_PATH_IMAGE112
为点迹
Figure 952959DEST_PATH_IMAGE114
进行凝聚，凝聚后的点迹信息为
Figure 868963DEST_PATH_IMAGE116
，其中：
Figure 793056DEST_PATH_IMAGE118
Figure DEST_PATH_IMAGE120
步骤3-5：对于每一类目标，设定一个最大宽度
Figure DEST_PATH_IMAGE122
，最小长度
Figure DEST_PATH_IMAGE124
。根据目标识别分类结果
Figure DEST_PATH_IMAGE126
对点迹长宽信息进行修正：
Figure DEST_PATH_IMAGE128
步骤3-6：
Figure DEST_PATH_IMAGE130
，继续执行步骤3-2直至遍历所有航迹。
步骤4：对所有
Figure DEST_PATH_IMAGE132
的点迹进行一般的点迹聚类处理，其聚类标志最小为
Figure DEST_PATH_IMAGE134
，并对同一聚类标志的点迹
Figure DEST_PATH_IMAGE136
进行凝聚。
其中，根据航迹识别结果，仅对部分类型航迹进行航迹与点迹的关联和聚类。
进一步的，所述点迹凝聚采用幅度加权等其他方法。
本技术创新对当前帧点迹数据进行凝聚时，优先根据上一帧航迹信息反馈的目标位置预测值、多普勒速度、目标长宽信息进行航迹与点迹关联聚类，然后再对剩余点迹进行点迹级凝聚处理，可以避免大目标分裂与临近目标合并问题难以兼并处理的痛点，有效解决汽车毫米波雷达大目标分裂问题。
本技术创新在航迹与点迹关联聚类过程中，利用目标识别结果对聚类之后得到的长宽信息进行修正，可以输出更为可靠的目标尺寸特征信息。
作为另一优选的，如图2所示，采用本发明所述的汽车毫米波雷达点迹凝聚方法，图中大车的点迹凝聚为一整体，且可以根据不同车辆的车身长宽尺寸按预设比例展示，而采用现有的凝聚算法，经模拟得到的是两个分裂的目标点，也无法获取车辆的长宽信息。进一步的，小车在临近栅栏处均有效区分。
作为另一优选的，本发明还提供了一种汽车毫米波雷达点迹凝聚方法的系统，至少包括：
数据收发模块，用于接收雷达原始回波数据，发送点迹和航迹信息；
信号处理模块，用于对原始回波进行处理，得到原始点迹信息；
点迹预处理模块，用于对原始点迹进行校准，异常点剔除，和点迹凝聚；
数据处理模块，用于对预处理后的点迹进行跟踪，和识别处理，得到航迹信息与目标识别结果。
其中，所述系统还包括目标识别模块，用于对不同类型，尺寸的目标进行分类。
进一步的，所述系统还包括目标跟踪模块，将点迹凝聚得到的目标长宽信息与数据处理过程中的点迹关联，航迹融合，实现目标识别过程。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种汽车毫米波雷达点迹凝聚方法，其特征在于，包括以下步骤：
S1：获取当前帧点迹数据；
S2：获取上一帧航迹与识别结果；
S3：基于目标航迹与识别结果的点迹凝聚；
S4：对S3所述点迹凝聚后剩余的原始点迹进行点迹聚类处理，并对同一聚类标志的点迹进行凝聚。
2.根据权利要求1所述的汽车毫米波雷达点迹凝聚方法，其特征在于，所述S1包括：
S11：获取最新一帧原始点迹数据
Figure DEST_PATH_IMAGE001
，其中N为原始点迹数量，每个点迹表示为
Figure 50762DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
为距离信息，
Figure 30220DEST_PATH_IMAGE004
为方位角信息，
Figure DEST_PATH_IMAGE005
为径向速度信息；
S12：将点迹数据转换到笛卡尔坐标系中得到
Figure 606695DEST_PATH_IMAGE006
，其中，
Figure DEST_PATH_IMAGE007
和
Figure 798641DEST_PATH_IMAGE008
分别为原始点迹在笛卡尔坐标系下的位置信息：
Figure 878593DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
。
3.根据权利要求1所述的汽车毫米波雷达点迹凝聚方法，其特征在于，所述S2包括：
S21：获取上一帧航迹信息
Figure 497793DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE013
为航迹数量，每条航迹包含的信息为：
Figure 827143DEST_PATH_IMAGE014
，其中，
Figure DEST_PATH_IMAGE015
和
Figure 822781DEST_PATH_IMAGE016
为上一帧目标在笛卡尔坐标系下的位置坐标，
Figure DEST_PATH_IMAGE017
为速度，
Figure 288397DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE019
为加速度，
Figure 78499DEST_PATH_IMAGE020
为径向速度信息，
Figure DEST_PATH_IMAGE021
分别为目标长宽信息，
Figure 629566DEST_PATH_IMAGE022
为目标识别分类结果；
S22：预测当前帧目标位置：
Figure DEST_PATH_IMAGE023
，
Figure 186753DEST_PATH_IMAGE024
，
其中，t为帧间时间间隔。
4.根据权利要求1所述的汽车毫米波雷达点迹凝聚方法，其特征在于，所述S3包括：
S31：初始化点迹关联标志为：
Figure DEST_PATH_IMAGE025
；
S32：将目标航迹
Figure 506876DEST_PATH_IMAGE026
与点迹
Figure DEST_PATH_IMAGE027
关联，如果
Figure 733458DEST_PATH_IMAGE028
，执行步骤S33；否则
Figure DEST_PATH_IMAGE029
，重复执行步骤S32，直至遍历所有点迹；
S33：点迹
Figure 771821DEST_PATH_IMAGE030
关联与目标航迹
Figure DEST_PATH_IMAGE031
，若满足以下条件：
Figure 109262DEST_PATH_IMAGE032
，
则执行步骤S34；否则
Figure DEST_PATH_IMAGE033
，执行步骤S32，直至遍历所有点迹；
其中，
Figure 549470DEST_PATH_IMAGE034
，
Figure DEST_PATH_IMAGE035
和
Figure 681374DEST_PATH_IMAGE036
分别为宽度、长度、速度关联门限；
S34：点迹聚类标记为：
Figure DEST_PATH_IMAGE037
；
S35：重复以上步骤S32，S33，和S34，直至所有点迹遍历完成;
S36:
Figure 207033DEST_PATH_IMAGE038
继续执行步骤S32直至遍历所有航迹。
5.根据权利要求4所述的汽车毫米波雷达点迹凝聚方法，其特征在于，所述S35还包括：
对所有点迹聚类标志
Figure 817006DEST_PATH_IMAGE040
为点迹
Figure DEST_PATH_IMAGE041
，
Figure DEST_PATH_IMAGE043
进行凝聚，凝聚后的点迹信息为：
Figure 642880DEST_PATH_IMAGE044
，其中：
Figure DEST_PATH_IMAGE045
；
Figure 211264DEST_PATH_IMAGE046
；
Figure DEST_PATH_IMAGE047
；
Figure 958641DEST_PATH_IMAGE048
；
Figure DEST_PATH_IMAGE049
；
Figure 637884DEST_PATH_IMAGE050
。
6.根据权利要求5所述的汽车毫米波雷达点迹凝聚方法，其特征在于，所述S35还包括：
对于每一类目标，设定一个最大宽度
Figure DEST_PATH_IMAGE051
，最小宽度
Figure 787105DEST_PATH_IMAGE052
，最大长度
Figure DEST_PATH_IMAGE053
，
最小长度
Figure 791970DEST_PATH_IMAGE054
；
根据目标识别分类结果
Figure 495484DEST_PATH_IMAGE056
对点迹长宽信息进行修正：
Figure DEST_PATH_IMAGE057
。
7.根据权利要求1所述的汽车毫米波雷达点迹凝聚方法，其特征在于，所述S4还包括：
对所有
Figure 712839DEST_PATH_IMAGE058
的点迹进行点迹聚类处理，其聚类标志最小为：
Figure DEST_PATH_IMAGE059
，并对同一聚类标志的点迹
Figure 247725DEST_PATH_IMAGE060
，
Figure DEST_PATH_IMAGE061
进行凝聚。
8.一种应用权利要求1-7所述汽车毫米波雷达点迹凝聚方法的系统，其特征在于，至少包括：
数据收发模块，用于接收雷达原始回波数据，发送点迹和航迹信息；
信号处理模块，用于对原始回波进行处理，得到原始点迹信息；
点迹预处理模块，用于对原始点迹进行校准，异常点剔除，和点迹凝聚；
数据处理模块，用于对预处理后的点迹进行跟踪，和识别处理，得到航迹信息与目标识别结果。
9.根据权利要求8所述的系统，其特征在于，所述系统还包括目标识别模块，用于对不同类型，尺寸的目标进行分类。
10.根据权利要求8所述的系统，其特征在于，所述系统还包括目标跟踪模块，将点迹凝聚得到的目标长宽信息与数据处理过程中的点迹关联，航迹融合，实现目标识别过程。
CN202011367076.XA 2020-11-30 2020-11-30 一种汽车毫米波雷达点迹凝聚方法及系统 Active CN112731296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011367076.XA CN112731296B (zh) 2020-11-30 2020-11-30 一种汽车毫米波雷达点迹凝聚方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011367076.XA CN112731296B (zh) 2020-11-30 2020-11-30 一种汽车毫米波雷达点迹凝聚方法及系统

Publications (2)

Publication Number Publication Date
CN112731296A true CN112731296A (zh) 2021-04-30
CN112731296B CN112731296B (zh) 2024-03-08

Family

ID=75597889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011367076.XA Active CN112731296B (zh) 2020-11-30 2020-11-30 一种汽车毫米波雷达点迹凝聚方法及系统

Country Status (1)

Country Link
CN (1) CN112731296B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114660566A (zh) * 2022-05-23 2022-06-24 福瑞泰克智能系统有限公司 虚假目标剔除方法、装置、计算机设备及存储介质
WO2023050567A1 (zh) * 2021-09-30 2023-04-06 南京市德赛西威汽车电子有限公司 一种基于毫米波车载雷达场景识别的航位修正方法
CN117647806A (zh) * 2024-01-30 2024-03-05 安徽隼波科技有限公司 一种基于毫米波雷达的点迹凝聚及目标跟踪方法
CN117647807A (zh) * 2024-01-30 2024-03-05 安徽隼波科技有限公司 一种基于毫米波雷达的机动车尺寸估计方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7026980B1 (en) * 2005-03-04 2006-04-11 Lockheed Martin Corporation Missile identification and tracking system and method
CN104036146A (zh) * 2014-06-26 2014-09-10 中国电子科技集团公司第二十八研究所 一种用于雷达目标点迹凝聚的点迹聚类方法
CN104931934A (zh) * 2015-06-25 2015-09-23 中国船舶重工集团公司第七二四研究所 一种基于pam聚类分析的雷达点迹凝聚方法
WO2016030656A1 (en) * 2014-08-28 2016-03-03 Aveillant Limited Radar system and associated apparatus and methods
CN107607925A (zh) * 2017-09-07 2018-01-19 西安电子工程研究所 一种雷达应用的目标rcs实时评估方法
CN109002616A (zh) * 2018-07-23 2018-12-14 中电科技（合肥）博微信息发展有限责任公司 雷达点迹凝聚方法、系统及存储介质
CN109143192A (zh) * 2018-08-15 2019-01-04 中电科技（合肥）博微信息发展有限责任公司 多目标有效起始确认管理方法、系统及计算机可读存储介质
CN111175730A (zh) * 2020-01-08 2020-05-19 中国石油大学(华东) 一种用于无人船的毫米波雷达目标点迹凝聚方法
WO2020133449A1 (zh) * 2018-12-29 2020-07-02 深圳市大疆创新科技有限公司 目标航迹确定方法、目标跟踪系统与车辆
CN111929655A (zh) * 2020-09-08 2020-11-13 中国电子科技集团公司第三十八研究所 一种汽车毫米波雷达道路目标跟踪方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7026980B1 (en) * 2005-03-04 2006-04-11 Lockheed Martin Corporation Missile identification and tracking system and method
CN104036146A (zh) * 2014-06-26 2014-09-10 中国电子科技集团公司第二十八研究所 一种用于雷达目标点迹凝聚的点迹聚类方法
WO2016030656A1 (en) * 2014-08-28 2016-03-03 Aveillant Limited Radar system and associated apparatus and methods
CN104931934A (zh) * 2015-06-25 2015-09-23 中国船舶重工集团公司第七二四研究所 一种基于pam聚类分析的雷达点迹凝聚方法
CN107607925A (zh) * 2017-09-07 2018-01-19 西安电子工程研究所 一种雷达应用的目标rcs实时评估方法
CN109002616A (zh) * 2018-07-23 2018-12-14 中电科技（合肥）博微信息发展有限责任公司 雷达点迹凝聚方法、系统及存储介质
CN109143192A (zh) * 2018-08-15 2019-01-04 中电科技（合肥）博微信息发展有限责任公司 多目标有效起始确认管理方法、系统及计算机可读存储介质
WO2020133449A1 (zh) * 2018-12-29 2020-07-02 深圳市大疆创新科技有限公司 目标航迹确定方法、目标跟踪系统与车辆
CN111175730A (zh) * 2020-01-08 2020-05-19 中国石油大学(华东) 一种用于无人船的毫米波雷达目标点迹凝聚方法
CN111929655A (zh) * 2020-09-08 2020-11-13 中国电子科技集团公司第三十八研究所 一种汽车毫米波雷达道路目标跟踪方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
QINGLIANG SHEN ET AL.: "A Signal Processing Technique for LFMCW Radar", 2019 IEEE INTERNATIONAL CONFERENCE ON SIGNAL, INFORMATION AND DATA PROCESSING (ICSIDP) *
何川;李璐;: "二次监视雷达目标点迹分裂分析与凝聚方法", 电子世界, no. 14 *
吉军;: "雷达点迹的目标智能特征提取方法研究", 信息技术, no. 06 *
周昆正;: "基于实时优化的搜索雷达点迹提取方法", 现代导航, no. 01 *
熊毅;张承志;: "VxWorks平台下的米波雷达点迹凝聚方法研究", 雷达科学与技术, no. 06 *
胡云卿;冯江华;龙腾;潘文波;袁希文;林军;黄瑞鹏;侯志超;: "智轨电车多源环境感知系统", 控制与信息技术, no. 01 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023050567A1 (zh) * 2021-09-30 2023-04-06 南京市德赛西威汽车电子有限公司 一种基于毫米波车载雷达场景识别的航位修正方法
CN114660566A (zh) * 2022-05-23 2022-06-24 福瑞泰克智能系统有限公司 虚假目标剔除方法、装置、计算机设备及存储介质
CN117647806A (zh) * 2024-01-30 2024-03-05 安徽隼波科技有限公司 一种基于毫米波雷达的点迹凝聚及目标跟踪方法
CN117647807A (zh) * 2024-01-30 2024-03-05 安徽隼波科技有限公司 一种基于毫米波雷达的机动车尺寸估计方法
CN117647806B (zh) * 2024-01-30 2024-04-12 安徽隼波科技有限公司 一种基于毫米波雷达的点迹凝聚及目标跟踪方法
CN117647807B (zh) * 2024-01-30 2024-04-19 安徽隼波科技有限公司 一种基于毫米波雷达的机动车尺寸估计方法

Also Published As

Publication number Publication date
CN112731296B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
CN112731296A (zh) 一种汽车毫米波雷达点迹凝聚方法及系统
CN109870680B (zh) 一种目标分类方法及装置
US8812226B2 (en) Multiobject fusion module for collision preparation system
US10139833B1 (en) Six-dimensional point cloud system for a vehicle
JP2020091281A (ja) レーダーデータを処理する装置及び方法
TWI470257B (zh) 角度估計檢測方法及電子裝置
CN110443138B (zh) 基于车载毫米波雷达联合svm和cnn多目标分类方法
Heuel et al. Two-stage pedestrian classification in automotive radar systems
Guo et al. Road edge recognition using the stripe Hough transform from millimeter-wave radar images
JP6223504B1 (ja) レーダ装置およびこれを用いたセンサフュージョン装置
US8514124B2 (en) Method for operating a radar system in the event of possible concealment of the target object and radar system for performing the method
Zhang et al. A framework for turning behavior classification at intersections using 3D LIDAR
CN109188382A (zh) 一种基于毫米波雷达的目标识别方法
Song et al. Classification and spectral mapping of stationary and moving objects in road environments using FMCW radar
CN107991677A (zh) 一种行人检测方法
Bouain et al. Multi-sensor fusion for obstacle detection and recognition: A belief-based approach
US11269059B2 (en) Locating and/or classifying objects based on radar data, with improved reliability at different distances
Liu et al. A data fusion model for millimeter-wave radar and vision sensor in advanced driving assistance system
US20240103132A1 (en) Radar apparatus and method for classifying object
CN110648542B (zh) 基于方位识别窄波雷达的高精度车流量检测系统
JP6657934B2 (ja) 物体検出装置
Hyun et al. Multi-level Fusion Scheme for Target Classification using Camera and Radar Sensors
CN115656962A (zh) 一种基于毫米波雷达识别限高物体的方法
CN112014822B (zh) 车载雷达测量数据识别方法、装置、介质和电子装置
US20230048222A1 (en) Information processing apparatus, sensing apparatus, mobile object, method for processing information, and information processing 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