CN112926526A - 基于毫米波雷达的停车检测方法及系统 - Google Patents
基于毫米波雷达的停车检测方法及系统 Download PDFInfo
- Publication number
- CN112926526A CN112926526A CN202110343152.1A CN202110343152A CN112926526A CN 112926526 A CN112926526 A CN 112926526A CN 202110343152 A CN202110343152 A CN 202110343152A CN 112926526 A CN112926526 A CN 112926526A
- Authority
- CN
- China
- Prior art keywords
- millimeter wave
- energy
- data set
- wave radar
- classified
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明揭示了一种基于毫米波雷达的停车检测方法及系统，所述方法包括：S1、获取毫米波信号的回波信号，进行数模转换并进行一维傅里叶变换，得到复数数组A；S2、将复数数组A转化为能量E；S3、根据能量E和背景采集时保存的能量Eg沿各距离门进行对比，生成数据集为Ep的点云，每个点的数据为[X，Er]；S4、提取数据集Ep中的特征值；S5、对不同场景下样本的数据集Ep按照特征值进行训练及分类得到分类器，采用分类器对待分类的数据集Ep进行分类；S6、将待分类数据集Ep的分类结果进行上报。本发明通过毫米波雷达单模块即可准确进行停车检测，通过点云配合分类器可进行各种场景识别，解决了非乘务车占位及雨水覆盖等导致的误报，大大降低了拒真率和认假率。
Description
技术领域
本发明属于停车检测技术领域，具体涉及一种基于毫米波雷达的停车检测方法及系统。
背景技术
目前的停车位检测主要是依靠单一的地磁传感器进行检测，如公开号为CN111341116B的中国专利公开了一种地磁停车位检测方法，近年来也有少数方案开始尝试使用地磁+毫米波雷达融合的方式进行检测，如公开号为CN110364017A的中国专利公开了一种联合磁场和微波的车位状态检测方法。
毫米波是指波长从0.1～1cm的电磁波，对应的频率范围为30～300GHz，毫米波雷达在智能感知与交互、智能机器人、汽车雷达等领域都有着广泛的应用。
无论是单一地磁传感器检测或现有的地磁+毫米波雷达的方法都存在很多问题：
1.有雨雪覆盖时无法区分是杂物覆盖还是有车占位；
2.检测器外壳会对地磁以及微波、毫米波雷达的判断准确率产生较大影响；
3.无法判断停在车位上的是乘用车还是其他非乘用车占位，如摩托车、自行车、电瓶车等
4.其他采用融合算法(地磁、光感、微波等)成本较高、计算复杂度较大且耗时长，不利于功耗的降低，带来的问题就是需要配置一个很大容量的电池，带来成本的进一步上升。
这些问题都会导致拒真(将真实目标漏检的行为)率和认假(将虚假目标误检为真实目标的行为)率变高。在实际路边的停车位检测使用场景中，落叶覆盖、雨水覆盖、非乘用车占位已经成为限制智能停车位检测方案无法摆脱人工复检难以大面积推广的主要因素。
因此，针对上述技术问题，有必要提供一种基于毫米波雷达的停车检测方法及系统。
发明内容
有鉴于此，本发明的目的在于提供一种基于毫米波雷达的停车检测方法及系统。
为了实现上述目的，本发明一实施例提供的技术方案如下：
一种基于毫米波雷达的停车检测方法，所述方法包括：
S1、获取毫米波信号的回波信号，进行数模转换并进行一维傅里叶变换，得到复数数组A；
S2、将复数数组A转化为能量E；
S3、根据能量E和背景采集时保存的能量Eg沿各距离门进行对比，生成数据集为Ep的点云，每个点的数据为[X，Er]；
S4、提取数据集Ep中的特征值；
S5、对不同场景下样本的数据集Ep按照特征值进行训练及分类得到分类器，采用分类器对待分类的数据集Ep进行分类；
S6、将待分类数据集Ep的分类结果进行上报。
一实施例中，所述步骤S1中的回波信号为毫米波雷达发送的毫米波信号的回波信号，毫米波信号的调频连续波。
一实施例中，所述步骤S2具体为：
根据公式E＝20*log10(abs(A))将一维傅里叶变换后的复数数组A转化为能量E。
一实施例中，所述步骤S3中，X∈[0，64]，Er为：
一实施例中，所述数据集Ep中的特征值包括：能量最大点距离门Pmaxbin、SNR最大值Psnrmax、SNR均值Psnrmean、SNR标准差Psnrstd、点的总数量Pnum、前半部分点数Pfirsthalf_num、后半部分点数Psecondhalf_num、能量最高点SNR Pemax。
一实施例中，所述步骤S5中分类器的模型为：
Confidence＝K0*Dmaxbin+K1*Dsnrmax+K2*Dsnrmean+K3*Dsnrstd+K4*Dnum+K5*Dfirsthalf_num+K6*Dsecondhalf_num+K7*Demax；
其中，Confidence为置信度，Ki为个特征值的加权系数，
P为待分类数据集Ep中的各个特征值，pX为不同场景下特征值的均值。
一实施例中，所述步骤S5中采用分类器对待分类的数据集Ep进行分类具体为：
获取不同场景下待分类的数据集Ep对应的置信度Confidence或置信度的取反值Confidencex，其中，Confidencex＝1-Confidence；
将待分类的数据集Ep分类至Confidence最小或Confidencex最大对应的场景。
一实施例中，所述步骤S5的场景至少包括：有车无遮挡场景、有车有雨水遮挡场景、物体非法占位场景、无车场景。
一实施例中，所述方法还包括：
于休眠模式下等待唤醒；
若被外部唤醒，判断外部IO口类型为事件IO口或命令IO口；
若为命令IO口，则解析并执行命令，进行参数配置；
若为事件IO口，则执行步骤S1～S6，进行停车检测。
本发明另一实施例提供的技术方案如下：
一种基于毫米波雷达的停车检测系统，所述系统包括：
微波模块：用于发送毫米波信号并获取回波信号，进行数模转换并进行一维傅里叶变换，得到复数数组A；
数据采集模块：用于将复数数组A转化为能量E；
点云生成模块：用于根据能量E和背景采集时保存的能量Eg沿各距离门进行对比，生成数据集为Ep的点云，每个点的数据为[X，Er]；
特征提取模块：用于提取数据集Ep中的特征值；
特征分析模块：用于对不同场景下样本的数据集Ep按照特征值进行训练及分类得到分类器，采用分类器对待分类的数据集Ep进行分类；
结果上报模块：用于将待分类数据集Ep的分类结果进行上报。
本发明具有以下有益效果：
本发明通过毫米波雷达单模块即可准确进行停车检测，通过点云配合分类器可进行各种场景识别，解决了非乘务车占位及雨水覆盖等导致的误报，大大降低了拒真率和认假率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明停车检测方法的流程示意图；
图2为本发明停车检测系统的模块示意图；
图3为本发明一具体示例中SUV停在雷达芯片正上方的点云图；
图4为本发明一具体实施例中停车检测方法的具体流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
参图1所示，本发明公开了一种基于毫米波雷达的停车检测方法，包括：
S1、获取毫米波信号的回波信号，进行数模转换并进行一维傅里叶变换，得到复数数组A；
S2、将复数数组A转化为能量E；
S3、根据能量E和背景采集时保存的能量Eg沿各距离门进行对比，生成数据集为Ep的点云，每个点的数据为[X，Er]；
S4、提取数据集Ep中的特征值；
S5、对不同场景下样本的数据集Ep按照特征值进行训练及分类得到分类器，采用分类器对待分类的数据集Ep进行分类；
S6、将待分类数据集Ep的分类结果进行上报。
参图2所示，本发明还公开了一种基于毫米波雷达的停车检测系统，包括：
微波模块：用于发送毫米波信号并获取回波信号，进行数模转换并进行一维傅里叶变换，得到复数数组A；
数据采集模块：用于将复数数组A转化为能量E；
点云生成模块：用于根据能量E和背景采集时保存的能量Eg沿各距离门进行对比，生成数据集为Ep的点云，每个点的数据为[X，Er]；
特征提取模块：用于提取数据集Ep中的特征值；
特征分析模块：用于对不同场景下样本的数据集Ep按照特征值进行训练及分类得到分类器，采用分类器对待分类的数据集Ep进行分类；
结果上报模块：用于将待分类数据集Ep的分类结果进行上报。
以下结合具体实施例对本发明作进一步说明。
本发明一具体实施例中基于毫米波雷达的停车检测系统包括微波模块、数据采集模块、点云生成模块、特征提取模块、特征分析模块及结果上报模块，以下结合各模块对本发明的停车检测方法进行详细说明。
微波模块：
微波模块包括发射天线和接收天线，其安装于停车位下方，本实施例中的微波模块使用矽典微的毫米波雷达芯片S5KM312C，芯片内部集成有ADC。
微波模块通过发射天线发送毫米波信号(毫米波信号的波形调制为调频连续波FMCW)，并通过接收天线接收回波信号，而后芯片内部的DSP(数字信号处理)单元对接收到的回波信号进行模数转换，并进行一维傅里叶变换(1DFFT)，得到复数数组A。
数据采集模块：
数据采集模块将复数数组A转化为能量E。
具体地，本实施例中的数据采集模块使用GD32 MCU，通过SPI总线接收微波模块发送的数据，接收到的数据是复数数组A，根据公式：E＝20*log10(abs(A))，将一维傅里叶变换后的复数数组A转化为能量E(单位：db)。
点云生成模块：
根据能量E和背景采集时保存的能量Eg沿各距离门进行对比，过滤的能量Er为：
生成数据集为Ep的点云，每个点的数据为[X，Er]，X∈[0，64]。
参图3所示为一具体示例中，SUV停在雷达芯片正上方的点云图，折线为Eg，‘×’为过滤后的Er。可以发现，‘×’部分位于横坐标上，部分位于折线上方。
特征提取模块：
提取数据集Ep中的特征值：
1)能量最大点距离门Pmaxbin；
2)SNR最大值Psnrmax；
3)SNR均值Psnrmean；
4)SNR标准差Psnrstd；
5)点的总数量Pnum；
6)前半部分点数Pfirsthalf_num；
7)后半部分点数Psecondhalf_num；
8)能量最高点SNR Pemax。
特征分析模块：
对不同场景下样本的数据集Ep按照特征值进行训练及分类得到分类器，采用分类器对待分类的数据集Ep进行分类。
本实施例中的场景以有车无遮挡场景、有车有雨水遮挡场景、物体非法占位场景、无车场景为例进行说明，在其他实施例中，可以针对具体情况增加或减少相应场景。
本实施例中，首先对有车无遮挡场景、有车有雨水遮挡场景、物体非法占位场景、无车场景四种场景下的样本的数据集进行训练及分类，此时可采用神经网络进行分类，也可采用KNN进行分类。
其中，KNN分类采取简化KNN分类，对所有样本数据集，按照提取的8种特征值，计算四种场景下不同特征值的均值：
| 有车无遮挡 | 有车有雨水遮挡 | 物体非法占位 | 无车 | |
| 能量最大点距离门 | P<sub>0_maxbin</sub> | P<sub>1_maxbin</sub> | P<sub>2_maxbin</sub> | P<sub>3_maxbin</sub> |
| SNR最大值 | P<sub>0_snrmax</sub> | P<sub>1_snrmax</sub> | P<sub>2_snrmax</sub> | P<sub>3_snrmax</sub> |
| SNR均值 | P<sub>0_snrmean</sub> | P<sub>1_snrmean</sub> | P<sub>2_snrmean</sub> | P<sub>3_snrmean</sub> |
| SNR标准差 | P<sub>0_snrstd</sub> | P<sub>1_snrstd</sub> | P<sub>2_snrstd</sub> | P<sub>3_snrstd</sub> |
| 点的总数量 | P<sub>0_num</sub> | P<sub>1_num</sub> | P<sub>2_num</sub> | P<sub>3_num</sub> |
| 前半部分点数 | P<sub>0_firsthalf_num</sub> | P<sub>1_firsthalf_num</sub> | P<sub>2_firsthalf_num</sub> | P<sub>3_firsthalf_num</sub> |
| 后半部分点数 | P<sub>0_secondhalf_num</sub> | P<sub>1_secondhalf_num</sub> | P<sub>2_secondhalf_num</sub> | P<sub>3_secondhalf_num</sub> |
| 能量最高点SNR | P<sub>0_emax</sub> | P<sub>1_emax</sub> | P<sub>2_emax</sub> | P<sub>3_emax</sub> |
分类器的模型为：
Confidence＝K0*Dmaxbin+K1*Dsnrmax+K2*Dsnrmean+K3*Dsnrstd+K4*Dnum+K5*Dfirsthalf_num+K6*Dsecondhalf_num+K7*Demax；
其中，Confidence为置信度，Ki为个特征值的加权系数，
P为待分类数据集Ep中的各个特征值，pX为不同场景下特征值的均值。
采用分类器对待分类的数据集Ep进行分类具体为：
获取不同场景下待分类的数据集Ep对应的置信度Confidence或置信度的取反值Confidencex，其中，Confidencex＝1-Confidence；
将待分类的数据集Ep分类至Confidence最小或Confidencex最大对应的场景。
例如，本实施例中可以获取四种场景下对应的置信度Confidence0～Confidence3，或对其取反得到Confidencex0～Confidencex3，最终将待分类的数据集Ep分类至Confidence最小或Confidencex最大对应的场景。
结果上报模块：
将待分类数据集Ep的分类结果通过串口、GPIO或者其他形式的通信方式进行上报。
结合图4所示，本实施例中的停车检测方法还包括：
于休眠模式下等待唤醒；
若被外部唤醒，判断外部IO口类型为事件IO口或命令IO口；
若为命令IO口，则解析并执行命令，进行参数配置；
若为事件IO口，则执行步骤S1～S6，进行停车检测。
图4中事件IO口唤醒后的流程即上述停车检测方法流程，此处不再进行赘述，命令IO唤醒后的流程主要用于参数配置，包括最远探测距离、最小SNR、上报方式等。
进一步地，当一定时间内(如5s)没有接收到有效指令，则返回主Loop，进入休眠模式。
本实施例中的停车检测系统未被外部唤醒时处理休眠模式，被外部唤醒后通过对IO口重定义来判断IO口类型，从而降低了整个系统的整体功耗。
由以上技术方案可以看出，本发明具有以下优点：
本发明通过毫米波雷达单模块即可准确进行停车检测，通过点云配合分类器可进行各种场景识别，解决了非乘务车占位及雨水覆盖等导致的误报，大大降低了拒真率和认假率。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书一个或多个实施例的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种基于毫米波雷达的停车检测方法，其特征在于，所述方法包括：
S1、获取毫米波信号的回波信号，进行数模转换并进行一维傅里叶变换，得到复数数组A；
S2、将复数数组A转化为能量E；
S3、根据能量E和背景采集时保存的能量Eg沿各距离门进行对比，生成数据集为Ep的点云，每个点的数据为[X，Er]；
S4、提取数据集Ep中的特征值；
S5、对不同场景下样本的数据集Ep按照特征值进行训练及分类得到分类器，采用分类器对待分类的数据集Ep进行分类；
S6、将待分类数据集Ep的分类结果进行上报。
2.根据权利要求1所述的基于毫米波雷达的停车检测方法，其特征在于，所述步骤S1中的回波信号为毫米波雷达发送的毫米波信号的回波信号，毫米波信号的调频连续波。
3.根据权利要求1所述的基于毫米波雷达的停车检测方法，其特征在于，所述步骤S2具体为：
根据公式E＝20*log10(abs(A))将一维傅里叶变换后的复数数组A转化为能量E。
4.根据权利要求3所述的基于毫米波雷达的停车检测方法，其特征在于，所述步骤S3中，X∈[0，64]，Er为：
5.根据权利要求1所述的基于毫米波雷达的停车检测方法，其特征在于，所述数据集Ep中的特征值包括：能量最大点距离门Pmaxbin、SNR最大值Psnrmax、SNR均值Psnrmean、SNR标准差Psnrstd、点的总数量Pnum、前半部分点数Pfirsthalf_num、后半部分点数Psecondhalf_num、能量最高点SNR Pemax。
6.根据权利要求5所述的基于毫米波雷达的停车检测方法，其特征在于，所述步骤S5中分类器的模型为：
Confidence＝K0*Dmaxbin+K1*Dsnrmax+K2*Dsnrmean+K3*Dsnrstd+K4*Dnum+K5*Dfirsthalf_num+K6*Dsecondhalf_num+K7*Demax；
其中，Confidence为置信度，Ki为个特征值的加权系数，
P为待分类数据集Ep中的各个特征值，px为不同场景下特征值的均值。
7.根据权利要求6所述的基于毫米波雷达的停车检测方法，其特征在于，所述步骤S5中采用分类器对待分类的数据集Ep进行分类具体为：
获取不同场景下待分类的数据集Ep对应的置信度Confidence或置信度的取反值Confidencex，其中，Confidencex＝1-Confidence；
将待分类的数据集Ep分类至Confidence最小或Confidencex最大对应的场景。
8.根据权利要求1所述的基于毫米波雷达的停车检测方法，其特征在于，所述步骤S5的场景至少包括：有车无遮挡场景、有车有雨水遮挡场景、物体非法占位场景、无车场景。
9.根据权利要求1所述的基于毫米波雷达的停车检测方法，其特征在于，所述方法还包括：
于休眠模式下等待唤醒；
若被外部唤醒，判断外部IO口类型为事件IO口或命令IO口；
若为命令IO口，则解析并执行命令，进行参数配置；
若为事件IO口，则执行步骤S1～S6，进行停车检测。
10.一种基于毫米波雷达的停车检测系统，其特征在于，所述系统包括：
微波模块：用于发送毫米波信号并获取回波信号，进行数模转换并进行一维傅里叶变换，得到复数数组A；
数据采集模块：用于将复数数组A转化为能量E；
点云生成模块：用于根据能量E和背景采集时保存的能量Eg沿各距离门进行对比，生成数据集为Ep的点云，每个点的数据为[X，Er]；
特征提取模块：用于提取数据集Ep中的特征值；
特征分析模块：用于对不同场景下样本的数据集Ep按照特征值进行训练及分类得到分类器，采用分类器对待分类的数据集Ep进行分类；
结果上报模块：用于将待分类数据集Ep的分类结果进行上报。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110343152.1A CN112926526B (zh) | 2021-03-30 | 2021-03-30 | 基于毫米波雷达的停车检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110343152.1A CN112926526B (zh) | 2021-03-30 | 2021-03-30 | 基于毫米波雷达的停车检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112926526A true CN112926526A (zh) | 2021-06-08 |
| CN112926526B CN112926526B (zh) | 2023-12-29 |
Family
ID=76176686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110343152.1A Active CN112926526B (zh) | 2021-03-30 | 2021-03-30 | 基于毫米波雷达的停车检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112926526B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114596549A (zh) * | 2022-02-28 | 2022-06-07 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储介质 |
| CN115050192A (zh) * | 2022-06-09 | 2022-09-13 | 南京矽典微系统有限公司 | 基于毫米波雷达的停车位检测的方法及应用 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5812083A (en) * | 1996-02-23 | 1998-09-22 | Raytheon Ti Systems, Inc. | Non-cooperative target identification using antenna pattern shape |
| US20170254895A1 (en) * | 2016-03-01 | 2017-09-07 | GM Global Technology Operations LLC | Detecting long objects by sensor fusion |
| US20170364160A1 (en) * | 2016-06-17 | 2017-12-21 | Texas Instruments Incorporated | Hidden markov model-based gesture recognition with fmcw radar |
| US20180136326A1 (en) * | 2016-10-14 | 2018-05-17 | Lockheed Martin Corporation | Radar system and method for determining a rotational state of a moving object |
| CN109190673A (zh) * | 2018-08-03 | 2019-01-11 | 西安电子科技大学 | 基于随机森林和数据拒判的地面目标分类方法 |
| CN110334741A (zh) * | 2019-06-06 | 2019-10-15 | 西安电子科技大学 | 基于循环神经网络的雷达一维距离像识别方法 |
| WO2020052441A1 (zh) * | 2018-09-14 | 2020-03-19 | 深圳市道通智能航空技术有限公司 | 目标分类方法和相关设备 |
| CN110991507A (zh) * | 2019-11-22 | 2020-04-10 | 北京中科蓝图科技有限公司 | 基于分类器的道路地下空洞识别方法、装置及系统 |
| CN111722195A (zh) * | 2020-06-29 | 2020-09-29 | 上海蛮酷科技有限公司 | 一种雷达遮挡检测方法及计算机存储介质 |
| CN112162271A (zh) * | 2020-08-18 | 2021-01-01 | 河北省交通规划设计院 | 一种微波雷达在多场景下的车型识别方法 |
| CN112505648A (zh) * | 2020-11-19 | 2021-03-16 | 西安电子科技大学 | 基于毫米波雷达回波的目标特征提取方法 |
-
2021
- 2021-03-30 CN CN202110343152.1A patent/CN112926526B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5812083A (en) * | 1996-02-23 | 1998-09-22 | Raytheon Ti Systems, Inc. | Non-cooperative target identification using antenna pattern shape |
| US20170254895A1 (en) * | 2016-03-01 | 2017-09-07 | GM Global Technology Operations LLC | Detecting long objects by sensor fusion |
| US20170364160A1 (en) * | 2016-06-17 | 2017-12-21 | Texas Instruments Incorporated | Hidden markov model-based gesture recognition with fmcw radar |
| US20180136326A1 (en) * | 2016-10-14 | 2018-05-17 | Lockheed Martin Corporation | Radar system and method for determining a rotational state of a moving object |
| CN109190673A (zh) * | 2018-08-03 | 2019-01-11 | 西安电子科技大学 | 基于随机森林和数据拒判的地面目标分类方法 |
| WO2020052441A1 (zh) * | 2018-09-14 | 2020-03-19 | 深圳市道通智能航空技术有限公司 | 目标分类方法和相关设备 |
| CN110334741A (zh) * | 2019-06-06 | 2019-10-15 | 西安电子科技大学 | 基于循环神经网络的雷达一维距离像识别方法 |
| CN110991507A (zh) * | 2019-11-22 | 2020-04-10 | 北京中科蓝图科技有限公司 | 基于分类器的道路地下空洞识别方法、装置及系统 |
| CN111722195A (zh) * | 2020-06-29 | 2020-09-29 | 上海蛮酷科技有限公司 | 一种雷达遮挡检测方法及计算机存储介质 |
| CN112162271A (zh) * | 2020-08-18 | 2021-01-01 | 河北省交通规划设计院 | 一种微波雷达在多场景下的车型识别方法 |
| CN112505648A (zh) * | 2020-11-19 | 2021-03-16 | 西安电子科技大学 | 基于毫米波雷达回波的目标特征提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高淑雅;高跃清;: "一种基于卷积神经网络的雷达目标分类方法", 信息技术, no. 01 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114596549A (zh) * | 2022-02-28 | 2022-06-07 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储介质 |
| CN115050192A (zh) * | 2022-06-09 | 2022-09-13 | 南京矽典微系统有限公司 | 基于毫米波雷达的停车位检测的方法及应用 |
| CN115050192B (zh) * | 2022-06-09 | 2023-11-21 | 南京矽典微系统有限公司 | 基于毫米波雷达的停车位检测的方法及应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112926526B (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109774641B (zh) | 车内人员检测方法、雷达和车 | |
| CN112926526A (zh) | 基于毫米波雷达的停车检测方法及系统 | |
| CN108765937B (zh) | 用于etc系统的车辆识别装置、路侧单元和方法 | |
| CN112816960B (zh) | 车内生命探测方法、装置、设备和存储介质 | |
| Cho et al. | A support vector machine approach to CMOS-based radar signal processing for vehicle classification and speed estimation | |
| CN103913742A (zh) | 双接收天线的汽车防撞雷达系统及运行方法 | |
| CN102707285A (zh) | 车载毫米波防撞雷达系统的频域恒虚警检测方法 | |
| CN112859033B (zh) | 目标探测的方法、装置及相关设备 | |
| WO2022228150A1 (zh) | 车内雷达占位识别方法、装置及车载雷达 | |
| CN111830508A (zh) | 一种采用毫米波雷达的道闸防砸系统和方法 | |
| CN112946630B (zh) | 一种基于毫米波雷达的人员计数跟踪方法 | |
| CN111308458A (zh) | 一种基于车载毫米波雷达的自车速度估计方法 | |
| CN113589277B (zh) | 车内生命体的雷达探测方法、装置及终端设备 | |
| CN113050797A (zh) | 一种通过毫米波雷达实现手势识别的方法 | |
| CN109061631A (zh) | 一种智能安防毫米波相控阵天线雷达报警系统和方法 | |
| CN114212045A (zh) | 一种车内乘员检测方法及系统 | |
| CN203881944U (zh) | 双接收天线的汽车防撞雷达系统 | |
| Li et al. | In-vehicle occupant detection system using mm-wave radar | |
| Zhao et al. | A hierarchical framework for drone identification based on radio frequency machine learning | |
| Zhang et al. | Cnn based target classification in vehicular networks with millimeter-wave radar | |
| EP4239364A1 (en) | Electronic device, electronic device control method, and program | |
| CN113740855B (zh) | 占位识别方法、装置、毫米波雷达及存储介质 | |
| CN111880155B (zh) | 基于外定标rcs序列的交通雷达目标分类方法及终端设备 | |
| CN114693740A (zh) | 一种基于目标运动特征的dbscan聚类方法 | |
| EP4239367A1 (en) | Electronic device, method for controlling electronic device, and program |
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 |