CN113030890B - 基于车载雷达的目标识别方法及设备 - Google Patents
基于车载雷达的目标识别方法及设备 Download PDFInfo
- Publication number
- CN113030890B CN113030890B CN201911344659.8A CN201911344659A CN113030890B CN 113030890 B CN113030890 B CN 113030890B CN 201911344659 A CN201911344659 A CN 201911344659A CN 113030890 B CN113030890 B CN 113030890B
- Authority
- CN
- China
- Prior art keywords
- target
- measurement data
- data
- distance
- velocity
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005259 measurement Methods 0.000 claims abstract description 179
- 238000012549 training Methods 0.000 claims abstract description 94
- 239000013598 vector Substances 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 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
- 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
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G01S7/418—Theoretical aspects
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种基于车载雷达的目标识别方法,包括:利用车载雷达分别获取行人和车辆的多个测量数据集,其中,每个测量数据集包括多个数据子集,每个数据子集包括一组测量数据;利用每个测量数据集内的多个数据子集的测量数据计算与每个测量数据集对应的训练数据,其中,训练数据至少包括横向速度的频域特征,每个测量数据集所对应的训练数据作为一个特征元素;将多个特征元素汇总成特征集,并对每个特征元素进行行人或车辆标记;利用特征集训练识别模型。该目标识别方法的目标识别准确性高。此外,本申请还提供了一种基于车载雷达的目标识别设备。
Description
技术领域
本申请涉及自动驾驶的技术领域,具体是涉及一种基于车载雷达的目标识别方法及设备。
背景技术
随着雷达技术的发展,其应用频率在不断提高。现有毫米波雷达的距离分辨率可以达到厘米甚至毫米级,可以分辨出车辆周围的障碍物的大小和轮廓,为雷达在自动驾驶中识别行人和车辆提供了可能。
相关技术中识别行人和车辆的另一种识别方法是通过雷达测量目标的多个散射点的速度变化(速度像),距离变化(距离像),来进行行人和车辆的识别。该方法的主要缺点在于识别行人和车辆的准确率低,难以满足自动驾驶的需求。
发明内容
为了解决上述技术问题,本申请提供了一种基于车载雷达的目标识别方法及设备,该目标识别方法识别行人和车辆的准确性较高。
本申请一方面提供了一种基于车载雷达的目标识别方法,包括:利用车载雷达分别获取行人和车辆的多个测量数据集,其中,每个测量数据集包括多个数据子集,每个数据子集包括一组测量数据;利用每个测量数据集内的多个数据子集的测量数据计算与每个测量数据集对应的训练数据,其中,训练数据至少包括横向速度的频域特征,每个测量数据集所对应的训练数据作为一个特征元素;将多个特征元素汇总成特征集,并对每个特征元素进行行人或车辆标记;利用特征集训练初始识别模型,以标记为行人的特征元素作为正类训练样本,以标记为车辆的特征元素作为负类训练样本,以得到目标识别模型;利用目标识别模型对目标进行识别,以确定目标为行人或者车辆。
进一步地,测量数据包括径向速度、距离以及方位角。利用每个测量数据集内的多个数据子集的测量数据计算与每个测量数据集对应的训练数据,其中,训练数据至少包括横向速度的频域特征,每个测量数据集所对应的训练数据作为一个特征元素的步骤包括:利用每个测量数据集内的多个数据子集的径向速度和方位角计算与每个测量数据集对应的横向速度的频域特征;利用每个测量数据集内的多个数据子集的径向速度计算与每个测量数据集对应的速度像、速度方差和速度偏差;利用每个测量数据集内的多个数据子集内的距离计算与每个测量数据集对应的距离像、距离方差和距离偏差;其中,训练数据包括横向速度的频域特征、速度像、速度方差、速度偏差、距离像、距离方差以及距离偏差,每个测量数据集所对应的训练数据作为一个特征元素。通过获取行人和车辆的横向速度的频域特征、速度像、速度方差、速度偏差、距离像、距离方差以及距离偏差作为特征元素以形成特征集,有利于提高目标识别的准确性。
进一步地,利用特征集训练初始识别模型,以标记为行人的特征元素作为正类训练样本,以标记为车辆的特征元素作为负类训练样本,以得到目标识别模型的步骤之前,包括:对特征集进行降维处理。通过对特征集进行降维处理去除冗余信息,有利于减小数据处理量,缩短识别目标所需要的时间,进而提高目标识别的实时性,更好的满足自动驾驶的需求。
进一步地,利用每个测量数据集内的多个数据子集的径向速度和方位角计算与每个测量数据集对应的横向速度的频域特征的步骤包括:根据正弦公式利用每个测量数据集内的每个数据子集的径向速度和方位角分别计算与每个数据子集对应的横向速度;将每个测量数据集内的多个数据子集所对应的横向速度所形成的向量通过小波变换进行一层分解,以得到近似系数和细节系数;利用细节系数重建横向速度的细节特征;对横向速度的细节特征进行快速傅里叶变换,以得到与每个测量数据集对应的横向速度的频域特征。根据行人和车辆在单个测量数据集内的多个径向速度和方位角能够计算出行人和车辆的多个横向速度,再对多个横向速度所形成的向量进行小波变换和傅里叶变换能够获取行人和车辆的与该测量数据集所对应的横向速度的频域特征。
进一步地,利用每个测量数据集内的多个数据子集的径向速度计算与每个测量数据集对应的速度像、速度方差和速度偏差的步骤包括:利用以下公式计算速度像:
v_profile=vr max-vr min;
利用以下公式计算速度方差:
利用以下公式计算速度偏差:
其中,v_profile、v_var、v_dev分别为速度像、速度方差和速度偏差,vr max和vr min分别为测量数据集内的最大径向速度和最小径向速度,N为测量数据集内的数据子集的数量,vj为N个数据子集中的第j个数据子集的径向速度,v为N个数据子集的径向速度的平均值。根据行人和车辆在单个测量数据集内的多个径向速度能够计算出行人和车辆的与该测量数据集所对应的速度像、速度方差和速度偏差。
进一步地,利用每个测量数据集内的多个数据子集内的距离计算与每个测量数据集对应的距离像、距离方差和距离偏差的步骤包括:
利用以下公式计算距离像:
R_profile=Rmax-Rmin;
利用以下公式计算距离方差:
利用以下公式计算距离偏差:
其中,R_profile、R_var、R_dev分别为距离像、距离方差和距离偏差,Rmax和Rmin分别为测量数据集内的最大距离和最小距离,N为测量数据集内的数据子集的数量,Rj为N个数据子集中的第j个目标的距离,R为N个数据子集的距离的平均值。根据行人和车辆在单个测量数据集内的多个距离数据能够计算出行人和车辆的与该测量数据集所对应的距离像、距离方差和距离偏差。
进一步地,每个特征元素进一步包括每个测量数据集所对应的雷达散射截面。通过获取行人和车辆的横向速度的频域特征、速度像、速度方差、速度偏差、距离像、距离方差、距离偏差以及雷达散射截面作为特征元素以形成特征集,有利于进一步提高目标识别的准确性。
进一步地,对特征集进行降维处理的步骤包括:利用流形学习非线形降维方式对特征集进行降维。利用流形学习非线性降维方式对特征集进行降维处理去除冗余信息,有利于进一步减小数据处理量,提高目标识别的实时性,更好的满足自动驾驶的需求。
进一步地,利用特征集训练初始识别模型,以标记为行人的特征元素作为正类训练样本,以标记为车辆的特征元素作为负类训练样本,以得到目标识别模型的步骤包括:以标记为行人的特征元素为正类训练样本,且以标记为车辆的特征元素为负类训练样本,通过基于负类的支持向量数据描述方法进行训练,以得到一个高维空间的超闭合球,以使得超闭合球尽可能地包含正类样本数据,且负类样本数据尽可能位于超闭合球的外部,同时得到超闭合球的半径。通过基于负类的支持向量数据描述方法对行人和车辆进行分类识别,使得该目标识别方法参数较少、分类边界封闭、性能稳定、实时性高,有利于提高目标识别的准确性和实时性。
进一步地,利用目标识别模型对目标进行识别,以确定目标为行人或者车辆的步骤包括:利用车载雷达获取目标在特定时段内的目标测量数据集,其中,目标测量数据集包括多个目标数据子集,每个目标数据子集包括一组目标测量数据;利用目标测量数据集内的多个目标数据子集的目标测量数据计算与目标测量数据集对应的目标训练数据,其中,目标训练数据至少包括目标横向速度的频域特征,目标训练数据作为目标的目标特征元素;根据目标特征元素确定目标与超闭合球的球心之间的目标距离;判断目标距离与超闭合球的半径大小关系;若目标距离小于半径,则确定目标为行人;若目标距离大于半径,则确定目标为车辆。通过获取目标的目标特征元素来确定目标与超闭合球球心之间的目标距离,再根据该目标距离与超闭合球的半径之间的大小关系来对目标进行识别。
本申请另一方面提供了一种基于车载雷达的目标识别设备,包括处理器和存储器,处理器执行存储器中存储的计算机程序时完成以上的任一识别方法。
本申请所提供的目标识别方法基于行人和车辆的测量数据集内的多个数据子集提取出行人和车辆的的横向速度的频域特征作为识别特征来对目标进行识别,丰富了行人和车辆的特征信息,有利于提高目标识别的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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是本申请所提供的目标识别方法一实施例的流程示意图;
图2是图1中车载雷达对行人或车辆进行测量的矢量图;
图3是图1中步骤S120一实施例的流程示意图;
图4是图3中步骤S1211一实施例的流程示意图;
图5是图1中步骤S120另一实施例的流程示意图;
图6是本申请所提供的目标识别方法另一实施例的流程示意图;
图7是本申请一实施例行人和车辆的横向速度的频域特征的获取过程示意图;
图8是本申请所提供的目标识别装置一实施例的结构示意图;
图9是本申请所提供的目标识别设备一实施例的结构示意图。
具体实施方式
下面结合附图和实施例,对本申请作进一步的详细描述。特别指出的是,以下实施例仅用于说明本申请,但不对本申请的范围进行限定。同样的,以下实施例仅为本申请的部分实施例而非全部实施例,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它实施例,都属于本申请保护的范围。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,图1是本申请所提供的目标识别方法一实施例的流程示意图。该目标识别方法包括:
S110:利用车载雷达分别获取行人和车辆的多个测量数据集,其中,每个测量数据集包括多个数据子集,每个数据子集包括一组测量数据。
其中,车载雷达可以为毫米波雷达,由于毫米波雷达的距离分辨率可以达到厘米甚至毫米级,相对于车辆而言,周围的障碍物不再被视为点目标,而可以分辨出目标的大小和轮廓,从而可以更加准确的对目标进行识别。同时毫米波雷达还具有可穿透灰尘、雨水这一绝对优势,可全天候工作且不受天气影响。举例而言,在本申请的一个实施例中,车载雷达可以为77GH毫米波雷达。
在本申请的一个实施例中,每个数据子集可以为车载雷达获取的行人和车辆在某个时间点下的测量数据;每个测量数据集则可以包括多个数据子集,换句话说,每个测量数据集可以包括车载雷达获取的行人和车辆在多个时间点下的测量数据;其中多个时间点位于某一特定时段内,例如,多个时间点可以位于同一雷达测量周期内,以减小测量数据集的获取难度。
请参阅图2,图2是图1中车载雷达对行人和车辆进行测量的矢量图。图2中,α是行人和车辆的方位角(行人和车辆与车载雷达视线方向的夹角),ν是行人和车辆的径向速度,R是行人和车辆与车载雷达之间的距离,其中,方位角α范围一般在正负45度以内。
在本申请的一个实施例中,测量数据可以包括径向速度、距离、方位角以及雷达散射截面。举例而言,每个数据子集可以为一个四维的列向量(第一维至第四维分别是径向速度v、距离R、方位角α、雷达散射截面RCS),此时,测量数据集则可以是一个4×N的矩阵向量X=[x1,x2,...,xN]∈R4×N,其中x代表一个数据子集,N代表数据子集的个数。
在本申请的另一个实施例中,测量数据可以只包括径向速度、距离以及方位角。由于行人和车辆的雷达散射截面(RCS)相差较大,一般行人RCS值范围为-15dBm2-1dBm2,车辆的RCS值范围为0dBm2-15dBm2,因此当测量数据包括径向速度、距离、方位角以及雷达散射截面时,有利于进一步提高目标识别的准确性。
S120:利用每个测量数据集内的多个数据子集的测量数据计算与每个测量数据集对应的训练数据,其中,训练数据至少包括横向速度的频域特征,每个测量数据集所对应的训练数据作为一个特征元素。
可选地,在本申请的一个实施例中,每个测量数据集所对应的训练数据包括横向速度的频域特征、速度像、速度方差、速度偏差、距离像、距离方差以及距离偏差。
请参阅图3,图3是图1中步骤S120一实施例的流程示意图。具体地,步骤S120包括:
S1211:利用每个测量数据集内的多个数据子集的径向速度和方位角计算与每个测量数据集对应的横向速度的频域特征。请参阅图4,图4是图3中步骤S1211一实施例的流程示意图。可选地,在本申请的一个实施例中,步骤S1211包括:
S12111:根据正弦公式利用每个测量数据集内的每个数据子集的径向速度和方位角分别计算与每个数据子集对应的横向速度。
具体地,由于α是行人和车辆的方位角,ν是行人和车辆的径向速度,根据正弦定理,可以根据以下公式计算横向速度:
v_lateral=νsin(α) (1)。
S12112:将每个测量数据集内的多个数据子集所对应的横向速度所形成的向量通过小波变换进行一层分解,以得到近似系数和细节系数。举例而言,在本申请的一个实施例中,N个数据子集的横向速度形成一个N维的行向量,将对N个数据子集的横向速度所形成的N维行向量通过小波变换进行一层分解,能够得到小波变换后的近似系数CA和细节系数CD。
S12113:利用细节系数重建横向速度的细节特征。
具体地,根据小波变换后的细节系数CD能够重建横向速度的细节特征(即横向速度随着方向变化的波动特性)。
S12114:对横向速度的细节特征进行快速傅里叶变换,以得到与每个测量数据集对应的横向速度的频域特征。
具体地,将重建后的横向速度的时域特征经过傅里叶变换(FFT)即可得到横向速度的频域特征νf。
S1212:利用每个测量数据集内的多个数据子集的径向速度计算与每个测量数据集对应的速度像、速度方差和速度偏差。
具体地,根据行人和车辆在特定时段内的多个时间点下径向速度能够计算出目标在该特定时段内的速度像、速度方差和速度偏差。可选地,在本申请的一个实施例中,步骤S1212包括:
利用以下公式计算速度像:
v_profile=vr max-vr min (2);
利用以下公式计算速度方差:
利用以下公式计算速度偏差:
其中,v_profile、v_var、v_dev分别为速度像、速度方差和速度偏差,vr max和vr min分别为测量数据集内的最大径向速度和最小径向速度,N为测量数据集内的数据子集的数量,vj为N个数据子集中的第j个数据子集的径向速度,v为N个数据子集的径向速度的平均值。
S1213:利用每个测量数据集内的多个数据子集内的距离计算与每个测量数据集对应的距离像、距离方差和距离偏差。
具体地,根据行人和车辆在特定时段内的多个时间点下距离数据能够计算出目标在该特定时段内的距离像、距离方差和距离偏差。可选地,在本申请的一个实施例中,步骤S1213包括:
利用以下公式计算距离像:
R_profile=Rmax-Rmin (5);
利用以下公式计算距离方差:
利用以下公式计算距离偏差:
其中,R_profile、R_var、R_dev分别为距离像、距离方差和距离偏差,Rmax和Rmin分别为测量数据集内的最大距离和最小距离,N为测量数据集内的数据子集的数量,Rj为N个数据子集中的第j个目标的距离,R为N个数据子集的距离的平均值。
需要说明的是,本申请并不限制步骤S1211、S1212以及S1213的先后顺序。举例而言,在本申请的一个实施例中,步骤S1211、S1212以及S1213可以是同时进行的;在本申请的另一个实施例中,可以按照步骤S1213、S1212、以及S1211的先后顺序进行。
可选地,在本申请的另一个实施例中,每个测量数据集所对应的训练数据包括横向速度的频域特征、速度像、速度方差、速度偏差、距离像、距离方差、距离偏差以及雷达散射截面。请参阅图图5,图5是图1中步骤S120另一实施例的流程示意图。具体地,步骤S120包括:
S1221:利用每个测量数据集内的多个数据子集的径向速度和方位角计算与每个测量数据集对应的横向速度的频域特征。
具体地,该步骤可以与步骤1211相同或类似。
S1222:利用每个测量数据集内的多个数据子集的径向速度计算与每个测量数据集对应的速度像、速度方差和速度偏差。
具体地,该步骤可以与步骤S1212相同或类似。
S1223:利用每个测量数据集内的多个数据子集内的距离计算与每个测量数据集对应的距离像、距离方差和距离偏差。
具体地,该步骤可以与步骤S1213相同或类似。
S1224:利用每个测量数据集内的多个数据子集的雷达散射截面计算与每个测量数据集对应的雷达散射截面。
具体地,在本申请的一个实施例中,每个测量数据集对应的雷达散射截面可以为该测量数据集内的多个数据子集内的雷达散射截面的平均值。也就是说,目标在某特定时段内的雷达散射截面为该特定时段内多个时间点下的雷达散射截面的平均值。
需要说明的是,本申请并不限制步骤S1221、S1222、S1223以及S1224的先后顺序。举例而言,在本申请的一个实施例中,步骤S1221、S1222、S1223以及S1224可以是同时进行的;在本申请的另一个实施例中,可以按照步骤S1224、S1223、S1222、以及S1221的先后顺序进行。
S130:将多个特征元素汇总成特征集,并对每个特征元素进行行人或车辆标记。
具体地,特征集内可以包括多个行人的特征元素以及多个车辆的特征元素,并且每个特征元素都具有行人或车辆的标记,用以训练识别模型。
在本申请的一个实施例中,每一个特征元素可以包括每个测量数据集所对应的横向速度的频域特征、速度像、速度方差、速度偏差、距离像、距离方差、距离偏差以及雷达散射截面。也就是说,每一个特征元素包括一个样本在特定时段内的横向速度的频域特征、速度像、速度方差、速度偏差、距离像、距离方差、距离偏差以及雷达散射截面。特征集包括多个样本的特征元素。也就是说,特征集包括多个样本在特定时段内的横向速度的频域特征、速度像、速度方差、速度偏差、距离像、距离方差、距离偏差以及雷达散射截面。
举例而言,每个特征元素可以为一个八维的列向量(第一维至第八维分别是横向速度的频域特征νf、速度像v_profile、速度方差v_var、速度偏差v_dev、距离像R_profile、距离方差R_var、距离偏差R_dev以及雷达散射截面RCS)。此时,特征集则可以是一个8×M的矩阵向量Y=[y1,y2,...,yM]∈R8×M,其中,y代表一个特征元素,M代表特征元素的个数(也就是样本的个数)。
在本申请的另一个实施例中,每一个特征元素可以只包括每个测量数据集所对应的横向速度的频域特征、速度像、速度方差、速度偏差、距离像、距离方差以及距离偏差。由于行人和车辆的雷达散射截面(RCS)相差较大,一般行人RCS值范围为-15dBm2-1dBm2,车辆的RCS值范围为0dBm2-15dBm2,因此,当特征元素包括每个测量数据集所对应的横向速度的频域特征、速度像、速度方差、速度偏差、距离像、距离方差、距离偏差以及雷达散射截面时,有利于进一步提高目标识别的准确性。
S140:利用特征集训练初始识别模型,以标记为行人的特征元素作为正类训练样本,以标记为车辆的特征元素作为负类训练样本,以得到目标识别模型。
具体地,该步骤可以包括:以标记为行人的特征元素为正类训练样本,且以标记为车辆的特征元素为负类训练样本,通过基于负类的支持向量数据描述方法进行训练,以得到一个高维空间的超闭合球,以使得超闭合球尽可能地包含正类样本数据,且负类样本数据尽可能位于超闭合球的外部,同时得到超闭合球的半径。
通过基于负类的支持向量数据描述方法对行人和车辆进行分类识别,使得该行人和车辆的识别方法参数较少、分类边界封闭、性能稳定、实时性高,有利于提高目标识别的准确性和实时性。
S150:利用目标识别模型对目标进行识别,以确定目标为行人或者车辆。
具体地,该步骤可以包括以下步骤:
利用车载雷达获取所述目标的目标测量数据集,其中,所述目标测量数据集包括多个目标数据子集,每个所述目标数据子集包括一组目标测量数据。
具体地,该步骤可以与步骤S110相同或类似。
利用所述目标测量数据集内的所述多个目标数据子集的所述目标测量数据计算与所述目标测量数据集对应的目标训练数据,其中,所述目标训练数据至少包括目标横向速度的频域特征,所述目标训练数据作为所述目标的目标特征元素。
具体地,该步骤可以与步骤S120相同或类似,此处不再赘述。
根据所述目标特征元素确定所述目标与所述超闭合球的球心之间的目标距离。
判断所述目标距离与所述超闭合球的半径大小关系;若所述目标距离大于所述半径,则确定所述目标为行人;若所述目标距离小于所述半径,则确定所述目标为车辆。
举例而言,当需要对目标进行识别时,对车载雷达实测的目标的一个目标测量数据集内的目标测量数据进行计算,获取与该目标测量数据集对应的目标训练数据作为该目标的目标特征元素y,计算该目标到超闭合球球心之间的目标距离,根据以下公式完成对行人和车辆的判别:
其中,r(y)为目标与超闭合球球心之间的目标距离,Rball为超闭合球的半径。
总而言之,本申请所提供的目标识别方法基于行人和车辆的测量数据集内的多个数据子集提取出行人和车辆的的横向速度的频域特征作为识别特征来对目标进行识别,丰富了行人和车辆的特征信息,有利于提高目标识别的准确性。
请参阅图6,图6是本申请所提供的目标识别方法另一实施例的流程示意图。该目标识别方法包括:
S210:利用车载雷达分别获取行人和车辆的多个测量数据集,其中,每个测量数据集包括多个数据子集,每个数据子集包括一组测量数据。具体地,该步骤可以与步骤S110相同或类似,此处不再赘述。
S220:利用每个测量数据集内的多个数据子集的测量数据计算与每个测量数据集对应的训练数据,其中,训练数据至少包括横向速度的频域特征,每个测量数据集所对应的训练数据作为一个特征元素。
具体地,该步骤可以与步骤S120相同或类似,此处不再赘述。
S230:将多个特征元素汇总成特征集,并对每个特征元素进行行人或车辆标记。
具体地,该步骤可以与步骤S130相同或类似,此处不再赘述。
S240:对特征集进行降维处理。
具体地,该步骤可以包括:利用流形学习非线形降维方式对特征集进行降维处理得到降维特征集,流形学习不仅可以对数据集进行降维,同时保持数据在原始空间的分布情况。利用流形学习非线性降维方式对特征集进行降维处理去除冗余信息,有利于进一步减小数据处理量,提高目标识别的实时性,更好的满足自动驾驶的需求。
S250:利用特征集训练初始识别模型,以标记为行人的特征元素作为正类训练样本,以标记为车辆的特征元素作为负类训练样本,以得到目标识别模型。
具体地,利用降维处理后的特征集训练识别模型。该步骤可以包括:以标记为行人的降维特征元素为正类训练样本,且以标记为车辆的降维特征元素为负类训练样本,通过基于负类的支持向量数据描述方法进行训练,以得到一个高维空间的超闭合球,以使得超闭合球尽可能地包含正类样本数据,且负类样本数据尽可能位于超闭合球的外部,同时得到超闭合球的半径。
S260:利用目标识别模型对目标进行识别,以确定目标为行人或者车辆。
具体地,该步骤可以与步骤S150相同或类似,此处不再赘述。
接下来,采用Mat lab 2017a集成的ADAS(Advanced Driver Assistant Systems)仿真系统作为实验平台,以77GHz车载雷达检测行人和车辆的场景为例对本申请进行进一步地说明。仿真参数设置:传感器放置高度30cm,雷达单次测量时间为39ms,方位角范围20°(±5),最大检测距离150m,方位角精度1°,距离分辨率0.75m。装载77GHz雷达的车辆以50km/h,加速度为3m/s2减速行驶。
将车载雷达在特定时段内测量的行人和车辆的多个径向速度和方位角根据上述公式(1)得到目标的多个横向速度,将特定时段内的多个横向速度所形成的向量通过小波变换(Matlab中dwt一层分解),重建目标横向速度的细节部分,并通过64点FFT变化得到行人与车辆的横向速度频域特征。请参阅图7,图7是本申请一实施例行人和车辆的横向速度的频域特征的获取过程示意图,从图7中看出经小波变换后,行人和车辆的横向速度在频域有明显的差别,可以作为目标分类的依据。
将车载雷达在特定时段内测量的目标的多个径向速度、方位角、距离以及雷达散射截面通根据上述公式(2-7)进行计算获得特征元素,每个特征元素包括行人或车辆在特定时段内的横向速度的频域特征、速度像、速度方差、速度偏差、距离像、距离方差、距离偏差以及雷达散射截面;对车载雷达测量的多个样本的特征元素的进行汇总形成特征集,并对特征集中的每个特征元素进行行人或车辆标记。
将多个特征元素汇总形成的特征集通过流形学习中的等距特征映射(Isomap)方法进行非线形数据降维到4维。
将降维后的特征集分为训练数据和测试数据两类数据,每一类数据中都含有已知样本数的行人数据和车辆数据。将训练数据经过基于负类的支持向量数据描述方法进行训练;核函数采用径向基核函数,核函数的参数范围设为[1,30],惩罚参数范围设为(0,1),采用网格搜索方法进行核参数和惩罚参数的确定搜索步长分别设为0.1,0.01。
根据训练的结果,选取最优的一组参数,得到在该组最优参数下的超球体半径;并将测试样本经过计算,得到每个测试样本到超球体球心的距离,并与最优参数下的超球体半径对比,对测试样本进行识别。
将本申请提出的基于雷达测量识别优化方案与主流的采用速度像、距离像作为特征集的支持向量机、不含负类样本支持向量数据描述方法进行对比,对比结果如下表所示:
实验结果表明,将提取的行人和车辆的横向速度频域特征与速度像、距离像、RCS等特征组合,作为新的特征集,并采用本申请提出的雷达测量识别优化方案进行行人与车辆的识别,性能要明显优于基于支持向量机和传统支持向量数据描述方法。
请查阅图8,图8是本申请所提供的目标识别装置100一实施例的结构示意图。该目标识别装置100包括获取单元110、计算单元120、汇总单元130、训练单元140以及识别单元150。其中获取单元110用于利用车载雷达分别获取行人和车辆的多个测量数据集,其中,每个测量数据集包括多个数据子集,每个数据子集包括一组测量数据。计算单元120用于利用每个测量数据集内的多个数据子集的测量数据计算与每个测量数据集对应的训练数据,其中,训练数据至少包括横向速度的频域特征,每个测量数据集所对应的训练数据作为一个特征元素。汇总单元130用于将多个特征元素汇总成特征集,并对每个特征元素进行行人或车辆标记。训练单元140用于利用特征集训练初始识别模型,以标记为行人的特征元素作为正类训练样本,以标记为车辆的特征元素作为负类训练样本,以得到目标识别模型。识别单元150用于利用目标识别模型对目标进行识别,以确定目标为行人或者车辆。
可选地,在本申请的一个实施例中,测量数据包括径向速度、距离以及方位角。计算单元120可以具体用于利用每个测量数据集内的多个数据子集的径向速度和方位角计算与每个测量数据集对应的横向速度的频域特征。计算单元120还可以具体用于利用每个测量数据集内的多个数据子集的径向速度计算与每个测量数据集对应的速度像、速度方差和速度偏差。计算单元120还可以具体用于利用每个测量数据集内的多个数据子集内的距离计算与每个测量数据集对应的距离像、距离方差和距离偏差。其中,训练数据包括横向速度的频域特征、速度像、速度方差、速度偏差、距离像、距离方差以及距离偏差,每个测量数据集所对应的训练数据作为一个特征元素。进一步地,该目标识别装置100还包括降维处理单元,降维处理单元用于对特征集进行降维处理。
可选地,在本申请的一个实施例中,计算单元120进一步具体用于根据正弦公式利用每个测量数据集内的每个数据子集的径向速度和方位角分别计算与每个数据子集对应的横向速度;然后将每个测量数据集内的多个数据子集所对应的横向速度所形成的向量通过小波变换进行一层分解,以得到近似系数和细节系数;随后利用细节系数重建横向速度的细节特征;之后对横向速度的细节特征进行快速傅里叶变换,以得到与每个测量数据集对应的横向速度的频域特征。
可选地,在本申请的一个实施例中,计算单元120具体用于:
利用以下公式计算速度像:
v_profile=vr max-vr min;
利用以下公式计算速度方差:
利用以下公式计算速度偏差:
其中,v_profile、v_var、v_dev分别为速度像、速度方差和速度偏差,vr max和vr min分别为测量数据集内的最大径向速度和最小径向速度,N为测量数据集内的数据子集的数量,vj为N个数据子集中的第j个数据子集的径向速度,v为N个数据子集的径向速度的平均值。
可选地,在本申请的一个实施例中,计算单元120具体用于:
利用以下公式计算距离像:
R_profile=Rmax-Rmin;
利用以下公式计算距离方差:
利用以下公式计算距离偏差:
其中,R_profile、R_var、R_dev分别为距离像、距离方差和距离偏差,Rmax和Rmin分别为测量数据集内的最大距离和最小距离,N为测量数据集内的数据子集的数量,Rj为N个数据子集中的第j个目标的距离,R为N个数据子集的距离的平均值。
可选地,在本申请的一个实施例中,降维处理单元具体利用流形学习非线形降维方式对特征集进行降维处理。
可选地,在本申请的一个实施例中,训练单元140具体用于以标记为行人特征元素为正类训练样本,且以标记为车辆的特征元素为负类训练样本,通过基于负类的支持向量数据描述方法进行训练,以得到一个高维空间的超闭合球,以使得超闭合球尽可能地包含正类样本数据,且负类样本数据尽可能位于超闭合球的外部,同时得到超闭合球的半径。可选地,在本申请的另一个实施例中,识别单元150具体用于利用车载雷达获取目标的目标测量数据集,其中,目标测量数据集包括多个目标数据子集,每个目标数据子集包括一组目标测量数据;利用目标测量数据集内的多个目标数据子集的目标测量数据计算与目标测量数据集对应的目标训练数据,其中,目标训练数据至少包括目标横向速度的频域特征,目标训练数据作为目标的目标特征元素;根据目标特征元素确定目标与超闭合球的球心之间的目标距离;判断目标距离与超闭合球的半径大小关系;若目标距离大于半径,则确定目标为车辆;若目标距离小于半径,则确定目标为行人。
请参阅图9,图9是本申请所提供的目标识别设备200一实施例的结构示意图。该目标识别设备200包括处理器210和存储器220,处理器210执行存储器220中存储的计算机程序230时完成以上任一目标识别方法。
本申请另一方面提供了一种车辆,包括车载雷达以及以上的目标识别设备。此外,本申请还提供一种计算机可读存储介质,用于存储计算机程序,计算机程序被相应的处理器执行时完成以上的任一的目标识别方法。具体的,存储装置可以是内部存储单元,例如硬盘或内存;可以是外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等;当然,存储装置也可以既包括内部存储单元又包括外部存储设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的部分实施例,并非因此限制本申请的保护范围,凡是利用本申请说明书及附图内容所作的等效装置或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种基于车载雷达的目标识别方法,其特征在于,包括:
利用车载雷达分别获取行人和车辆的多个测量数据集,其中,每个所述测量数据集包括多个数据子集,每个所述数据子集包括一组测量数据,所述测量数据包括径向速度及方位角;
利用每个所述测量数据集内的所述多个数据子集的所述测量数据计算与每个所述测量数据集对应的训练数据,其中,所述训练数据至少包括横向速度的频域特征,每个所述测量数据集所对应的所述训练数据作为一个特征元素;
将多个所述特征元素汇总成特征集,并对每个所述特征元素进行所述行人或所述车辆标记;
利用所述特征集训练初始识别模型,以标记为所述行人的所述特征元素作为正类训练样本,以标记为所述车辆的所述特征元素作为负类训练样本,以得到目标识别模型;
利用所述目标识别模型对目标进行识别,以确定所述目标为行人或者车辆;
所述利用每个所述测量数据集内的所述多个数据子集的所述测量数据计算与每个所述测量数据集对应的训练数据的步骤包括:
根据正弦公式利用每个所述测量数据集内的每个所述数据子集的所述径向速度和所述方位角分别计算与每个所述数据子集对应的横向速度;
将每个所述测量数据集内的多个所述数据子集所对应的所述横向速度所形成的向量通过小波变换进行一层分解,以得到近似系数和细节系数;
利用所述细节系数重建横向速度的细节特征;
对所述横向速度的细节特征进行快速傅里叶变换,以得到与每个所述测量数据集对应的所述横向速度的频域特征。
2.根据权利要求1所述的目标识别方法,其特征在于,所述测量数据还包括距离;
所述利用所述每个测量数据集内的所述多个数据子集的所述测量数据计算与每个所述测量数据集对应的训练数据的步骤还包括:
利用每个所述测量数据集内的所述多个数据子集的所述径向速度计算与每个所述测量数据集对应的速度像、速度方差和速度偏差,其中,所述速度像为该测量数据集内最大径向速度和最小径向速度的差值;
利用每个所述测量数据集内的所述多个数据子集内的所述距离计算与每个所述测量数据集对应的距离像、距离方差和距离偏差,其中所述距离像为该测量数据集内最大距离和最小距离的差值;
其中,所述训练数据包括所述横向速度的频域特征、所述速度像、所述速度方差、所述速度偏差、所述距离像、所述距离方差以及所述距离偏差,每个所述测量数据集所对应的所述训练数据作为一个所述特征元素。
3.根据权利要求2所述的目标识别方法,其特征在于,所述利用每个所述测量数据集内的所述多个数据子集的所述径向速度计算与每个所述测量数据集对应的速度像、速度方差和速度偏差的步骤包括:
利用以下公式计算所述速度像:
;
利用以下公式计算所述速度方差:
;
利用以下公式计算所述速度偏差:
;
其中,、/>、/>分别为所述速度像、所述速度方差和所述速度偏差,和/>分别为所述测量数据集内的最大径向速度和最小径向速度,N为所述测量数据集内的所述数据子集的数量,/>为N个所述数据子集中的第j个所述数据子集的所述径向速度,/>为N个所述数据子集的所述径向速度的平均值。
4.根据权利要求2所述的目标识别方法,其特征在于,所述利用每个所述测量数据集内的所述多个数据子集内的所述距离计算与每个所述测量数据集对应的距离像、距离方差和距离偏差的步骤包括:
利用以下公式计算所述距离像:
;
利用以下公式计算所述距离方差:
;
利用以下公式计算所述距离偏差:
;
其中,、/>、/>分别为所述距离像、所述距离方差和所述距离偏差,和/>分别为所述测量数据集内的最大距离和最小距离,N为所述测量数据集内的所述数据子集的数量,/>为N个所述数据子集中的第j个目标的所述距离,/>为N个所述数据子集的所述距离的平均值。
5.根据权利要求2所述的目标识别方法,其特征在于,所述特征元素进一步包括每个所述测量数据集所对应的雷达散射截面。
6.根据权利要求1所述的目标识别方法,其特征在于,所述利用所述特征集训练初始识别模型,以标记为所述行人的所述特征元素作为正类训练样本,以标记为所述车辆的所述特征元素作为负类训练样本,以得到目标识别模型的步骤之前,进一步包括:
利用流形学习非线形降维方式对所述特征集进行所述降维处理。
7.根据权利要求1至6任一项所述的目标识别方法,其特征在于,利用所述特征集训练初始识别模型,以标记为所述行人的所述特征元素作为正类训练样本,以标记为所述车辆的所述特征元素作为负类训练样本,以得到目标识别模型的步骤包括:
以标记为所述行人的所述特征元素为正类训练样本,且以标记为所述车辆的所述特征元素为负类训练样本,通过基于负类的支持向量数据描述方法进行训练,以得到一个高维空间的超闭合球,以使得所述超闭合球尽可能地包含正类样本数据,且负类样本数据尽可能位于所述超闭合球的外部,同时得到所述超闭合球的半径。
8.根据权利要求7所述的目标识别方法,其特征在于,所述利用所述目标识别模型对目标进行识别,以确定所述目标为行人或者车辆的步骤包括:
利用车载雷达获取所述目标的目标测量数据集,其中,所述目标测量数据集包括多个目标数据子集,每个所述目标数据子集包括一组目标测量数据;
利用所述目标测量数据集内的所述多个目标数据子集的所述目标测量数据计算与所述目标测量数据集对应的目标训练数据,其中,所述目标训练数据至少包括目标横向速度的频域特征,所述目标训练数据作为所述目标的目标特征元素;
根据所述目标特征元素确定所述目标与所述超闭合球的球心之间的目标距离;
判断所述目标距离与所述超闭合球的半径大小关系;
若所述目标距离大于所述半径,则确定所述目标为车辆;
若所述目标距离小于所述半径,则确定所述目标为行人。
9.一种基于车载雷达的目标识别设备,其特征在于,包括处理器和存储器,所述处理器执行所述存储器中存储的计算机程序时完成如权利要求1-8中任一项所述的目标识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911344659.8A CN113030890B (zh) | 2019-12-24 | 2019-12-24 | 基于车载雷达的目标识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911344659.8A CN113030890B (zh) | 2019-12-24 | 2019-12-24 | 基于车载雷达的目标识别方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113030890A CN113030890A (zh) | 2021-06-25 |
CN113030890B true CN113030890B (zh) | 2023-11-21 |
Family
ID=76451479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911344659.8A Active CN113030890B (zh) | 2019-12-24 | 2019-12-24 | 基于车载雷达的目标识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113030890B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6035053A (en) * | 1996-09-30 | 2000-03-07 | Mazda Motor Corporation | Moving subject recognizing system for automotive vehicle |
JP2004325113A (ja) * | 2003-04-22 | 2004-11-18 | Suzuki Motor Corp | 車両用歩行者検知方法及びその装置 |
CN105093213A (zh) * | 2014-05-15 | 2015-11-25 | 德尔福技术有限公司 | 具有改进的多目标区分的雷达系统 |
CN106339071A (zh) * | 2015-07-08 | 2017-01-18 | 中兴通讯股份有限公司 | 一种行为识别方法及设备 |
CN106570454A (zh) * | 2016-10-10 | 2017-04-19 | 同济大学 | 基于移动激光扫描的行人交通参数提取方法 |
CN107678006A (zh) * | 2017-09-06 | 2018-02-09 | 电子科技大学 | 一种最大间隔子空间的雷达真假目标一维距离像特征提取方法 |
CN108008391A (zh) * | 2017-11-28 | 2018-05-08 | 中南大学 | 一种基于fmcw的车载雷达多目标识别方法 |
CN109917347A (zh) * | 2019-04-10 | 2019-06-21 | 电子科技大学 | 一种基于时频域稀疏重构的雷达行人检测方法 |
CN110015297A (zh) * | 2019-04-02 | 2019-07-16 | 北京海纳川汽车部件股份有限公司 | 自适应巡航控制方法、装置及自动驾驶车辆 |
DE102018200754A1 (de) * | 2018-01-18 | 2019-07-18 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Auswerten von Sensordaten mittels Kameradaten und Fahrerassistenzsystem |
CN110286368A (zh) * | 2019-07-10 | 2019-09-27 | 北京理工大学 | 一种基于超宽带雷达的老人跌倒检测方法 |
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 |
CN110431437A (zh) * | 2017-03-17 | 2019-11-08 | 罗伯特·博世有限公司 | 用于求取雷达目标的横向相对速度分量的方法和设备 |
CN110427737A (zh) * | 2019-06-20 | 2019-11-08 | 平安科技(深圳)有限公司 | 操作行为的人机识别方法、装置及计算机设备 |
-
2019
- 2019-12-24 CN CN201911344659.8A patent/CN113030890B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6035053A (en) * | 1996-09-30 | 2000-03-07 | Mazda Motor Corporation | Moving subject recognizing system for automotive vehicle |
JP2004325113A (ja) * | 2003-04-22 | 2004-11-18 | Suzuki Motor Corp | 車両用歩行者検知方法及びその装置 |
CN105093213A (zh) * | 2014-05-15 | 2015-11-25 | 德尔福技术有限公司 | 具有改进的多目标区分的雷达系统 |
CN106339071A (zh) * | 2015-07-08 | 2017-01-18 | 中兴通讯股份有限公司 | 一种行为识别方法及设备 |
CN106570454A (zh) * | 2016-10-10 | 2017-04-19 | 同济大学 | 基于移动激光扫描的行人交通参数提取方法 |
CN110431437A (zh) * | 2017-03-17 | 2019-11-08 | 罗伯特·博世有限公司 | 用于求取雷达目标的横向相对速度分量的方法和设备 |
CN107678006A (zh) * | 2017-09-06 | 2018-02-09 | 电子科技大学 | 一种最大间隔子空间的雷达真假目标一维距离像特征提取方法 |
CN108008391A (zh) * | 2017-11-28 | 2018-05-08 | 中南大学 | 一种基于fmcw的车载雷达多目标识别方法 |
DE102018200754A1 (de) * | 2018-01-18 | 2019-07-18 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Auswerten von Sensordaten mittels Kameradaten und Fahrerassistenzsystem |
CN110015297A (zh) * | 2019-04-02 | 2019-07-16 | 北京海纳川汽车部件股份有限公司 | 自适应巡航控制方法、装置及自动驾驶车辆 |
CN109917347A (zh) * | 2019-04-10 | 2019-06-21 | 电子科技大学 | 一种基于时频域稀疏重构的雷达行人检测方法 |
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 |
CN110427737A (zh) * | 2019-06-20 | 2019-11-08 | 平安科技(深圳)有限公司 | 操作行为的人机识别方法、装置及计算机设备 |
CN110286368A (zh) * | 2019-07-10 | 2019-09-27 | 北京理工大学 | 一种基于超宽带雷达的老人跌倒检测方法 |
Non-Patent Citations (3)
Title |
---|
RBF kernel based SVM classification for landmine detection and discrimination;Khaoula Tbarki;《2016 International Image Processing, Applications and Systems (IPAS)》;1-6 * |
基于SVDD的一维距离像位置目标判别研究;但瑞;《中国优秀硕士学位论文全文数据库 信息科技辑》;4-5、35、41-43 * |
视觉和毫米波雷达信息融合行人识别算法;徐伟;周培义;张芬;黄亮;;同济大学学报(自然科学版)(第S1期);41-46、95 * |
Also Published As
Publication number | Publication date |
---|---|
CN113030890A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650731B (zh) | 一种鲁棒的车牌、车标识别方法 | |
CN111612841B (zh) | 目标定位方法及装置、移动机器人及可读存储介质 | |
CN105989334B (zh) | 基于单目视觉的道路检测方法 | |
CN106597400B (zh) | 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 | |
CN101140624A (zh) | 图像匹配方法 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN104050681A (zh) | 一种基于视频图像的道路消失点检测方法 | |
CN105160330A (zh) | 一种车标识别方法及车标识别系统 | |
CN102945374B (zh) | 一种高分辨率遥感图像中民航飞机自动检测方法 | |
CN108344997B (zh) | 一种基于点迹特征的道路护栏快速检测方法 | |
CN101833763A (zh) | 一种水面倒影图像检测方法 | |
CN111539910B (zh) | 锈蚀区域检测方法及终端设备 | |
CN113723425B (zh) | 一种飞机型号识别方法、装置、存储介质及设备 | |
CN113030890B (zh) | 基于车载雷达的目标识别方法及设备 | |
Zhang et al. | An on-road vehicle detection method for high-resolution aerial images based on local and global structure learning | |
CN104200229B (zh) | 一种结合稀疏特征选择的sar目标鉴别方法 | |
CN113033586B (zh) | 目标识别方法及设备 | |
xi Wang et al. | Detection of MMW radar target based on doppler characteristics and deep learning | |
CN107170004A (zh) | 一种无人车单目视觉定位中对匹配矩阵的图像匹配方法 | |
Han et al. | Accurate and robust vanishing point detection method in unstructured road scenes | |
CN104050486B (zh) | 基于图和Wishart距离的极化SAR图像分类方法 | |
CN109977763A (zh) | 一种基于改进证据信任度的空中小目标识别方法 | |
CN116184344A (zh) | 一种自适应车载毫米波雷达dbscan聚类方法及装置 | |
Nazemi et al. | On road vehicle make and model recognition via sparse feature coding | |
Yuankui et al. | Automatic target recognition of ISAR images based on Hausdorff distance |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 233000 building 4, national financial incubation Industrial Park, 17 Yannan Road, high tech Zone, Bengbu City, Anhui Province Applicant after: Dafu Technology (Anhui) Co.,Ltd. Address before: 518104 First, Second and Third Floors of A1, A2, A3 101, A4 of Shajing Street, Shajing Street, Baoan District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN TATFOOK TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |