CN114814823A - 基于毫米波雷达和相机融合的轨道车辆检测系统和方法 - Google Patents
基于毫米波雷达和相机融合的轨道车辆检测系统和方法 Download PDFInfo
- Publication number
- CN114814823A CN114814823A CN202210011267.5A CN202210011267A CN114814823A CN 114814823 A CN114814823 A CN 114814823A CN 202210011267 A CN202210011267 A CN 202210011267A CN 114814823 A CN114814823 A CN 114814823A
- Authority
- CN
- China
- Prior art keywords
- detection
- detection information
- target
- module
- 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.)
- Pending
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
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- 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
- G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
- G01S13/92—Radar or analogous systems specially adapted for specific applications for traffic control for velocity measurement
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
本说明书实施例提供基于毫米波雷达和相机融合的轨道车辆检测系统和方法,应用于电子信息技术领域。其中,轨道车辆检测系统包括:毫米波雷达模块,基于毫米波雷达检测预设检测范围中的目标,并输出目标对应的第一检测信息;相机模块,通过相机获取预设检测范围的图像数据,并基于图像数据检测预设检测范围中的目标,以及输出目标对应的第二检测信息;信号处理模块,对第一检测信息和第二检测信息进行可信度评估,并对可信度满足预设条件的第一检测信息和第二检测信息进行融合处理后,输出预设检测范围中各目标对应的检测结果。通过毫米波雷达模块和相机模块融合检测,降低了对通信条件的依赖,提高了检测精准性,对车辆、行人等可能情况及时预警。
Description
技术领域
本说明书涉及电子信息技术领域,具体涉及基于毫米波雷达和相机融合的轨道车辆检测系统和方法。
背景技术
现有方案中,一般通过实时测量列车的运行速度、对列车的即时速度进行积分的方法,得到列车的运行距离,并通过其他辅助定位方法(如查询-应答器定位、电子地图匹配)得到列车的位置信息。通常情况下会使用脉冲转速传感器、航位推算系统、多普勒雷达等方法对列车进行测距定位。
但是,轨道交通的目标检测方案中,比如对车辆、行人等目标进行检测,因轨道交通具有距离近、速度高等特点,需要一种检测准确性高的检测方案。而现有检测方案,比如脉冲转速传感器、航位推算系统、多普勒雷达等,在应用到轨道交通进行目标检测时,均有各自不足之处。
因此,针对轨道交通应用亟需一种新的检测方案。
发明内容
有鉴于此,本说明书实施例提供一种基于毫米波雷达和相机融合的轨道车辆检测系统和方法,优化了传统方法中因脉冲抖动或长时间使用而产生累积误差的问题,提高了对列车测速和定位功能的精准性。
本说明书实施例提供以下技术方案:
本说明书实施例提供一种基于毫米波雷达和相机融合的轨道车辆检测系统,包括:
毫米波雷达模块,基于毫米波雷达检测预设检测范围中的目标,并输出目标对应的第一检测信息;
相机模块,通过相机获取预设检测范围的图像数据,并基于图像数据检测预设检测范围中的目标,以及输出目标对应的第二检测信息;
信号处理模块,对第一检测信息和第二检测信息进行可信度评估,并对可信度满足预设条件的第一检测信息和第二检测信息进行融合处理后,输出预设检测范围中各目标对应的检测结果。
本说明书实施例还提供一种基于毫米波雷达和相机融合的轨道车辆检测方法,包括:
通过毫米波雷达模块检测预设检测范围中的目标,并输出目标对应的第一检测信息;
通过相机模块中的相机获取预设检测范围的图像数据,并基于图像数据检测预设检测范围中的目标,以及输出目标对应的第二检测信息;
对第一检测信息和第二检测信息进行可信度评估,并对可信度满足预设条件的第一检测信息和第二检测信息进行融合处理后,输出预设检测范围中各目标对应的检测结果。
与现有技术相比,本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括:
通过对基于毫米波雷达和相机融合的轨道车辆检测系统的改进设计,即通过将毫米波雷达模块和相机模块直接融合,使得该系统不依赖于通信条件的限制,实现了在本地端进行检测的问题;并通过引入相机模块作为冗余传感器,提高了检测精度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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它的附图。
图1是本说明书实施例提供的基于毫米波雷达和相机融合的轨道车辆检测系统的结构示意图;
图2是本说明书实施例提供的基于毫米波雷达和相机融合的轨道车辆检测方法的流程图;
图3是本说明书实施例提供的基于毫米波雷达和相机融合的轨道车辆检测系统中毫米波雷达模块结构示意图;
图4是本说明书实施例提供的基于毫米波雷达和相机融合的轨道车辆检测系统中毫米波雷达坐标系OrRrθr、相机坐标系Oc-XcYcZc和三维世界坐标系Ow-XwYwZw的相对位置;
图5是本说明书实施例提供的基于毫米波雷达和相机融合的轨道车辆检测方法中融合算法图;
图6是本说明书实施例提供的基于毫米波雷达和相机融合的轨道车辆检测方法中速度测试结果举例。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本申请,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目和方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本申请的基本构想,图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
目前,常见的几种测速测距检测方案简要分析比较如下:
1)脉冲转速传感器(Odometer)是通过列车车轮转动产生数字脉冲,输出脉冲信号通过信号处理后,可直接输入微处理器进行计算,得到高测量精度的速度、距离信息;
2)多普勒雷达(Doppler Radar)依靠雷达向地面发射的信号,检查雷达回波频率与发射信号频率的不同,根据多普勒效应计算列车的运行方向和速度,再对列车的速度进行积分,得到列车的运行距离;
3)航位推算系统(Dead Reckoning,DR)在航天、航空和航海领域得到广泛应用,航位推算系统一般使用惯性传感器作为航向传感器和位移传感器,具有不与外界发生光电联系和不受气候条件限制的特点。随着惯性传感器的民用普及和成本降低,它成为列车测速测距的一种可选方案。
在将这些方案应用到轨道交通检测时,有以下不足之处:
脉冲转速传感器技术的发展已经相对成熟,在实际应用中实现比较简单,能提供高精度、数字化的速度和距离信息,因此近年来得到了广泛应用。但是,由于以车轮转动作为采集对象间接获取列车速度,车轮磨损产生的轮径变化、运行过程中的空转和滑行会产生较大的误差,不可避免地会存在速度传感器脉冲抖动的问题,尤其是在车辆应用了胶轮时。由于胶轮具有较强的反弹力,导致列车停车的最后阶段刹车时或者乘客上下车的晃动,都可能导致车轮晃动,速度传感器就会检测到脉冲增加,但实际上列车并未发生移动。这样就会导致测速测距的结果不准确,影响测速和定位功能的精准性。而且这种车轮晃动导致增加的脉冲数据与列车正常行驶时采集到的脉冲数据很相似,无法通过干扰识别和过滤来解决。
航位推算系统受到传感器本身温漂、敏感度等的影响,在短时间内测量具有较高的精度,但长时间使用会导致较大的累积误差,因此在使用航位推算系统进行列车测速定位时,需要解决累积误差的补偿问题。
多普勒雷达虽然可以在全天时、全天候的条件下稳定地提供较为准确的测速数据,但是只能识别目标的大概情况,无法针对轨道交通中的车辆、行人等进行精确识别。
有鉴于此,本说明书实施例提供了一种基于毫米波雷达和相机融合的轨道车辆检测系统,使用毫米波雷达模块和相机模块融合检测,实现了在本地端测速定位的功能,并可对目标分类识别,为系统的安全预警提供了保证,提高了系统的检测精度。
以下结合附图1至附图6,说明本申请各实施例提供的技术方案。
实施例一
本说明书实施例提供一种基于毫米波雷达和相机融合的轨道车辆检测系统,如图1所示,包括:
毫米波雷达模块,基于毫米波雷达检测预设检测范围中的目标,并输出目标对应的第一检测信息;
相机模块,通过相机获取预设检测范围的图像数据,并基于图像数据检测预设检测范围中的目标,以及输出目标对应的第二检测信息;
信号处理模块,对第一检测信息和第二检测信息进行可信度评估,并对可信度满足预设条件的第一检测信息和第二检测信息进行融合处理后,输出预设检测范围中各目标对应的检测结果。
实施中,毫米波雷达模块可以在全天时、全天候的条件下稳定地提供较为准确的测速数据,且雷达工作在本地端,不存在查询-应答器定位等方法受通信条件的影响的问题;毫米波雷达模块和相机模块的融合配合使用,实现了在本地端测速定位的功能,使得测速定位不依赖于通信条件,解决了传统方法中受通信条件好坏影响的问题。
还有,毫米波雷达模块和相机模块安装在固定或者移动平台上而非安装在列车本身,使得该系统不需要解决累积误差引起的补偿问题,或者由于车轮磨损产生的轮径变化、运行过程中的空转和滑行等带来的较大误差。
实施中,加入相机模块作为冗余传感器模块,可在光照条件好的情况下协助毫米波雷达模块检测预设检测范围中的目标,对目标分类识别,为系统的安全预警提供了保证,提高了系统的可靠性。
实施中,通过引入信号处理模块,可判断毫米波雷达模块和相机模块是否处于正常工作状态,过滤掉干扰信息,实现毫米波雷达模块和相机模块融合检测的功能,有效降低因天气等原因带来的数据误差,提高了系统的检测精度。
在一些实施方式中,相机模块包括透镜,CMOS(互补金属氧化物半导体)传感器,图像处理芯片,连接软板四个部分。
在一些实施方式中,在毫米波雷达测速方面,超宽带(UWB,Ultra-wideband)技术是一种使用1GHz以上频率带宽的无线载波通信技术,它不采用传统通信体制中的正弦载波,而是利用纳秒级的非正弦波窄脉冲传输数据,因此其所占的频谱范围很大,尽管使用无线通信,但其数据传输速率可以达到数百兆比特每秒以上。虽然超宽带无损检测的理论在很早就被人们所认识,但实用的系统在最近几年才渐渐发展成熟。超宽带探地雷达凭借其自身的技术优点在桥梁、道路、考古等领域有着广泛的应用。因此,可在轨道交通中采用超宽带、快速三角波脉冲体制的毫米波雷达进行目标初步探测。
实施中,如图3所示,毫米波雷达模块可包括:超宽带三角波脉冲发射机(如图中的超宽带快速三角波发射机模块)、主控模块(如图中的FPGA主控电路模块)和接收机(如图中的虚线框所示的接收机)。其中,超宽带三角波脉冲发射机用于在主控模块的控制下,向预设检测范围发射超宽带三角波脉冲信号;接收机在主控模块的控制下,接收超宽带三角波脉冲信号对应的回波信号,并输出回波信号对应的数字信号;主控模块还用于对数字信号进行处理后,输出第一检测信息。
在一些实施方式中,冲击脉冲体制下的超宽带无损检测系统接收的是超宽带脉冲信号,其脉冲宽度窄频谱宽,一般可达1GHz。对超宽带系统使用实时采样的方式采集超宽带信号,那么采样频率至少要大于信号频率的2倍。此外,由于超宽带脉冲的特殊性,在一个脉冲周期内至少需要采集7个样本点。因此要实现超高速实时采样,采样精度和采样速率都要满足要求。目前常用的高速采样设备主要有数据采集卡、高速AD(模数转换器)等。从国内现有的AD产品来看,采样精度和采样率往往是一对矛盾值,由于国外技术的封锁,国内现有的单个产品还不能同时满足超宽带脉冲采样的速度和精度要求。此外由于数据采集器体积大、价格昂贵,往往不利于系统的小型化与商业化。基于以上需求,本专利所述毫米波雷达模块设计了一款结合快速三角波的超宽带窄脉冲接收电路,可利用低速AD实现对高频信号的采样,降低采样系统的成本,并且实现了超高速实时采样的效果,使得采样精度和采样速率均得到了优化提升。
在一些实施方式中,如图3所示,接收机包括:低噪放模块,采用若干低噪声放大器(如图中两级低噪放)对回波信号进行放大处理;等效采样模块(如接收机中的虚线框部分示意),用于在主控模块的采样信号控制下,对低噪放模块输出的回波信号采样保持;ADC(模数转换)模块,用于在主控模块的控制下,对等效采样模块采样保持后输出的回波信号进行模数变换,输出回波信号对应的数字信号。
在一些实施方式中,可根据三角波脉冲的回波信号,采用延时采样保持方式对回波进行等效采样。
如图3所示,等效采样模块可包括:采样脉冲生成电路,产生采样保持脉冲信号;延时电路(如图中精密延时电路),在主控模块的控制下,对采样保持脉冲信号进行延时;采样保持器(如图中等效采样电路),在延时处理后的采样保持脉冲信号控制下,对低噪放模块输出的回波信号采样保持。
在一个具体的实施例中,如图3所示,超宽带三角波脉冲发射机产生超宽带三角波脉冲信号,超宽带三角波脉冲信号经过天线被接收后,由于回波信号幅度较低,需要经过两级低噪放模块对回波信号进行放大处理;放大后的回波信号由等效采样模块进行采样保持;等效采样模块的输出信号经过差动放大电路放大后由ADC模块进行模数转换,输出回波信号对应的数字信号。
实施中,放大后的回波信号由等效采样模块进行采样保持,具体为:采样信号由晶振产生,经过精密延时电路实现步进延时;经过采样脉冲生成电路,实现带有步进延时的窄脉冲信号控制等效采样模块,采样保持器实现对低噪放模块放大后的回波信号进行采样保持。
在一些实施方式中,信号处理模块包括:
传感器状态判断模块,评估第一检测信息和第二检测信息的有效性,并将可信度低于预设阈值的第一检测信息和/或第二检测信息进行滤波后输出;
融合算法模块,对传感器状态判断模块输出的第一检测信息和第二检测信息进行融合计算处理,并输出预设检测范围中各目标对应的检测结果,其中融合计算处理包括对同一目标对应的第一检测信息和第二检测信息进行交叉检测处理。
进一步地,目标包括车辆、行人;
对传感器状态判断模块输出的第一检测信息和第二检测信息进行融合计算处理,包括:
在第二检测信息中确定第一检测信息对应的雷达数据生成区域;
基于预设的机器学习检测算法检测雷达数据生成区域中的目标。
实施中,传感器状态判断模块可通过判断毫米波雷达模块和相机模块是否处于有效工作状态,过滤掉不可信数据;融合算法模块对第一检测信息和第二检测信息进行融合计算处理。仅对有效数据进行处理,既提高了融合算法模块的算法速度,又提高了检测结果的有效性。
在一个具体的实施例中,当传感器状态判断模块判断出两个传感器均不处于正常工作状态时,输出警报信号。
在一个具体的实施例中,毫米波雷达模块使用超宽带技术和三角波技术相结合,应用于轨道目标测速中,使得该系统适用于轨道目标测速的目标速度快、距离近的特点;通过加入相机模块实现传感器冗余,并可识别行人,为后续安全预警系统的设计提供保障;毫米波雷达模块和相机模块的融合使用,不仅能检测轨道车辆目标的速度,同时可以识别行人,为有行人误入轨道车辆行驶范围并可能发生碰撞事故的场景提供预警的技术基础。
实施例二
本说明书实施例提供一种基于毫米波雷达和相机融合的轨道车辆检测方法,如图2所示,包括:
通过毫米波雷达模块检测预设检测范围中的目标,并输出目标对应的第一检测信息;
通过相机模块中的相机获取预设检测范围的图像数据,并基于图像数据检测预设检测范围中的目标,以及输出目标对应的第二检测信息;
对第一检测信息和第二检测信息进行可信度评估,并对可信度满足预设条件的第一检测信息和第二检测信息进行融合处理后,输出预设检测范围中各目标对应的检测结果。
进一步地,对可信度满足预设条件的第一检测信息和第二检测信息进行融合处理,包括:
在第二检测信息中确定第一检测信息对应的雷达数据生成区域;
基于预设的机器学习检测算法检测雷达数据生成区域中的车辆、行人。
进一步地,在第二检测信息中确定第一检测信息对应的雷达数据生成区域,包括:
通过坐标变换将第一检测新中目标作为目标像素,映射到第二检测信息对应的图像上;
以目标像素所在位置作为雷达数据生成区域的中心、以目标在第二检测信息中的轮廓作为雷达数据生成区域的边界,在图像中确定雷达数据生成区域。
实施中,通过毫米波雷达模块和相机模块的融合配合使用,实现了在本地端测速定位的功能,使得测速定位不依赖于通信条件,解决了传统方法中受通信条件好坏影响的问题。
实施中,加入相机模块作为冗余传感器模块,可在光照条件好的情况下协助毫米波雷达模块检测预设检测范围中的目标,对目标分类识别,为系统的安全预警提供了保证,提高了系统的可靠性。
实施中,通过引入信号处理模块,可判断毫米波雷达模块和相机模块是否处于正常工作状态,过滤掉干扰信息,实现毫米波雷达模块和相机模块融合检测的功能,有效降低因天气等原因带来的数据误差,提高了系统的检测精度。
在一些实施方式中,基于预设的机器学习检测算法检测雷达数据生成区域中的目标,包括:
通过分析场景获得动态滑动检测窗口,动态滑动检测窗口用于对雷达数据生成区域进行滑窗处理的窗口;
通过HOG(梯度方向直方图)和SVM(支持向量机)分类器对动态滑动检测窗口中的目标进行粗检;
采用预设的匹配算法匹配确定粗检所得的目标;
将匹配获得的目标对应的动态滑动检测窗口合并为新的检测窗口;
从新的检测窗口中提取出目标。
在一个具体的实施例中,如图4所示,为是本说明书实施例提供的一种基于毫米波雷达和相机融合的轨道车辆检测系统中毫米波雷达坐标系OrRrθr、相机坐标系Oc-XcYcZc和三维世界坐标系Ow-XwYwZw的相对位置。
由于毫米波雷达和相机是不同坐标系下的传感器,要实现传感器的空间融合,需要对两个传感器的坐标进行统一。因此,本图中设置的三维世界坐标系与相机坐标系重合。
雷达生成的区域用于匹配摄像机生成的目标。由于雷达目标中的脱靶率远低于假爆率,相机在检测目标时具有良好的准确性,因此雷达生成区域内的相机目标在融合时具有良好的可信度。为此首先进行雷达信号预处理。将雷达目标信号转换为图像,得到转换后的原始数据图。雷达目标信息可以连续输出目标的轨迹。同时,将所有障碍物出口,包括路边护栏、电线杆、树木等。此外,还可以将一些错误的目标导出。
通过对雷达数据进行滤波和跟踪,可以对虚假目标进行滤波。对于其他障碍物,可以用图像检测的方法进行判断。对雷达数据进行跟踪滤波后,可得到目标信息图,并将一个雷达周期的雷达信号转换为图像。
实施中,基于预设的机器学习检测算法检测雷达数据生成区域中的目标,包括:
步骤S901、通过分析场景获得动态滑动检测窗口,动态滑动检测窗口用于对雷达数据生成区域进行滑窗处理的窗口;
毫米波雷达生成区域的计算包括位置和面积大小。在本实施例中,通过坐标变换将预处理目标(Rr,θr)映射到图像上,得到图像中对应的点O1。理论上,该点位于图像中目标轮廓的中心,因此在轨道车辆检测中使用该点作为毫米波雷达生成区域的中心。根据实际情况需要,相机的水平角度与三维世界坐标系下角度是一致的。毫米波雷达在三维世界坐标系中生成的区域可确定为:以毫米波雷达目标为中心且垂直于垂直轴的矩形区域。通过坐标变换,在坐标系中得到毫米波雷达生成的区域,并对毫米波雷达生成的区域进行滑窗处理。
需要说明的是,选择毫米波雷达生成区域时应考虑毫米波雷达的角度分辨率α、毫米波雷达距离分辨率L、毫米波雷达与三维世界坐标系的距离以及角度测量误差。
步骤S903、通过HOG和SVM分类器对动态滑动检测窗口中的目标进行粗检;
在车辆和行人检测方面,基于机器学习的算法是比较常用的方法。在本实施例中,采用基于HOG特征和SVM分类器的车辆和行人检测算法;在获取轨道车辆和雷达产生的区域后,利用雷达产生的区域对轨道车辆和行人进行检测。其中,对于HOG特征的提取方法具体为:
首先将图像转换为灰度,其次采用伽玛校正方法对输入图像的颜色空间进行标准化,调整图像对比度,减少局部阴影和光照变化的影响;
然后计算每个像素的梯度和方向,得到图像轮廓信息;
随后将图像分成小块,称为细胞,得到每个细胞的直方图统计信息,形成每个细胞的描述符;每个块由几个单元组成,包括所有单元特征描述符;而图像的所有HOG特征描述符构成图像的特征向量。
优选地,在车辆检测方面,滑动窗口被缩放到64×64像素,每个小块包含8×8像素;在梯度的方向上分为9个块,每一个块包含2×2相邻的单元格;相邻块重叠,步长与小块大小相同;最后,HOG字符被描述为长度为1764的向量。
优选地,在行人检测方面,滑动窗口被缩放到128×64像素,每个小块包含8×8像素;在梯度的方向上分为9个块,每一个块包含2×2相邻的单元格;相邻块重叠,步长与小块大小相同;最后,HOG字符被描述为长度为3780的向量。
需要说明的是,在SVM分类器中,正面的样本包括由相机采集的道路上的背面和侧面的轨道车辆;阴性样本包括道路、车道线、护栏等常见环境样本;行人检测样本来自行人检测数据库和自制的一些样本。
将图像的HOG特征向量作为支持向量机的输入数据来训练分类器;同时,车辆和行人检测需要利用线性支持向量机分类方法在高精度和速度之间取得平衡;采用交叉验证的方法将样本划分为测试集,分别训练车辆和行人检测分类器。
实施中,滑动窗口检测是指从单个输入图像源生成的一组窗口;根据窗口大小不同,可用于探测不同距离的目标。需要说明的是,窗口应该覆盖目标大小的最大范围。
步骤S905、采用预设的匹配算法匹配确定粗检所得的目标;
雷达具有较高的速度和距离测量精度,但由于环境背景噪声的影响,雷达对静态目标的检测能力有限制;而相机可以检测到一个特定场景中的静态或动态目标;毫米波雷达融合和相机模块的融合可使得该系统的检测数据更加精确。雷达和相机的数据融合在一起检测时,可检测车辆和行人在滑动窗口;然后,根据雷达生成的区域匹配目标。
需要说明的是,不同距离的目标可对应不同大小的雷达数据生成的区域。
步骤S907、将匹配获得的目标对应的动态滑动检测窗口合并为新的检测窗口;
根据训练和检测图像的尺度的不同,训练了两种不同尺度的分类进行粗检测和精检测。粗略的检测分类可以快速过滤掉不合理的目标,精确的检测分类可以正确的检测出车辆和行人。匹配的目标将使用精度检测分类检测,使用具有更高阈值的精度检测分类检测未匹配的目标。最后,通过合并和提取滑动窗口对目标进行检测。
步骤S909、从新的检测窗口中提取出目标。
在一些实施方式中,如图5所示,为本说明书实施例提供的一种基于毫米波雷达和相机融合的轨道车辆检测方法中融合算法图。对相机检测到的图像进行粗检测后,将相机检测后的数据与毫米波雷达检测到的数据进行融合计算;当计算出匹配的目标,使用具有较低阈值的精度检测分类检测;当计算出未匹配的目标,使用具有更高阈值的精度检测分类检测。最后输出检测目标是行人、车辆。
在一些实施方式中,如图6所示,为本说明书实施例中使用微波暗箱、雷达转台以及目标模拟机和上位机软件等设备对雷达进行探测速度范围测试的结果举例;其中,横坐标中速度的正方向为目标远离雷达的方向;纵坐标为速度范围测试的误差值;
将雷达的工作模式设置为探测模式,设置雷达目标模拟机参数,并对目标模拟机参数设置不同的速度值,直至雷达无法输出对应的速度值;通过上位机软件输出的雷达探测的目标特性并记录,对比修正前和修正后的数据;其中,修正是指对毫米波雷达的参数进行优化;修正后是指毫米波雷达能达到的最佳效果。
将雷达的工作模式设置为修正后的参数值,使得该系统适用于检测快速移动的目标,可以检测到高测量精度的速度信息,进一步提升了对信号的采样精度和采样速率。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例侧重说明的都是与其他实施例的不同之处。尤其,对于后面说明的方法实施例而言,由于其与系统是对应的,描述比较简单,相关之处参见系统实施例的部分说明即可。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于毫米波雷达和相机融合的轨道车辆检测系统,其特征在于,所述轨道车辆检测系统包括:
毫米波雷达模块,基于毫米波雷达检测预设检测范围中的目标,并输出所述目标对应的第一检测信息;
相机模块,通过相机获取所述预设检测范围的图像数据,并基于所述图像数据检测所述预设检测范围中的所述目标,以及输出所述目标对应的第二检测信息;
信号处理模块,对所述第一检测信息和所述第二检测信息进行可信度评估,并对可信度满足预设条件的所述第一检测信息和所述第二检测信息进行融合处理后,输出所述预设检测范围中各所述目标对应的检测结果。
2.根据权利要求1所述的基于毫米波雷达和相机融合的轨道车辆检测系统,其特征在于,所述毫米波雷达模块包括:超宽带三角波脉冲发射机、主控模块和接收机;
所述超宽带三角波脉冲发射机用于在所述主控模块的控制下,向所述预设检测范围发射超宽带三角波脉冲信号;
所述接收机在所述主控模块的控制下,接收所述超宽带三角波脉冲信号对应的回波信号,并输出所述回波信号对应的数字信号;
所述主控模块还用于对所述数字信号进行处理后,输出所述第一检测信息。
3.根据权利要求2所述的基于毫米波雷达和相机融合的轨道车辆检测系统,其特征在于,所述接收机包括:
低噪放模块,采用若干低噪声放大器对所述回波信号进行放大处理;
等效采样模块,用于在所述主控模块的采样信号控制下,对所述低噪放模块输出的所述回波信号采样保持;
ADC模块,用于在所述主控模块的控制下,对所述等效采样模块采样保持后输出的所述回波信号进行模数变换,输出所述回波信号对应的数字信号。
4.根据权利要求3所述的基于毫米波雷达和相机融合的轨道车辆检测系统,其特征在于,所述等效采样模块包括:
采样脉冲生成电路,产生采样保持脉冲信号;
延时电路,在所述主控模块的控制下,对所述采样保持脉冲信号进行延时;
采样保持器,在延时处理后的所述采样保持脉冲信号控制下,对所述低噪放模块输出的所述回波信号采样保持。
5.根据权利要求1所述的基于毫米波雷达和相机融合的轨道车辆检测系统,其特征在于,所述信号处理模块包括:
传感器状态判断模块,评估所述第一检测信息和所述第二检测信息的有效性,并将可信度低于预设阈值的所述第一检测信息和/或所述第二检测信息进行滤波后输出;
融合算法模块,对所述传感器状态判断模块输出的所述第一检测信息和所述第二检测信息进行融合计算处理,并输出所述预设检测范围中各所述目标对应的检测结果,其中所述融合计算处理包括对同一目标对应的所述第一检测信息和所述第二检测信息进行交叉检测处理。
6.根据权利要求5所述的基于毫米波雷达和相机融合的轨道车辆检测系统,其特征在于,所述目标包括车辆、行人;
对所述传感器状态判断模块输出的所述第一检测信息和所述第二检测信息进行融合计算处理,包括:
在所述第二检测信息中确定所述第一检测信息对应的雷达数据生成区域;
基于预设的机器学习检测算法检测所述雷达数据生成区域中的所述目标。
7.一种基于毫米波雷达和相机融合的轨道车辆检测方法,其特征在于,所述轨道车辆检测方法包括:
通过毫米波雷达模块检测预设检测范围中的目标,并输出所述目标对应的第一检测信息;
通过相机模块中的相机获取所述预设检测范围的图像数据,并基于所述图像数据检测所述预设检测范围中的所述目标,以及输出所述目标对应的第二检测信息;
对所述第一检测信息和所述第二检测信息进行可信度评估,并对可信度满足预设条件的所述第一检测信息和所述第二检测信息进行融合处理后,输出所述预设检测范围中各所述目标对应的检测结果。
8.根据权利要求7所述的基于毫米波雷达和相机融合的轨道车辆检测方法,其特征在于,对可信度满足预设条件的所述第一检测信息和所述第二检测信息进行融合处理,包括:
在所述第二检测信息中确定所述第一检测信息对应的雷达数据生成区域;
基于预设的机器学习检测算法检测所述雷达数据生成区域中的车辆、行人。
9.根据权利要求8所述的基于毫米波雷达和相机融合的轨道车辆检测方法,其特征在于,基于预设的机器学习检测算法检测所述雷达数据生成区域中的所述目标,包括:
通过分析场景获得动态滑动检测窗口,所述动态滑动检测窗口用于对所述雷达数据生成区域进行滑窗处理的窗口;
通过HOG和SVM分类器对动态滑动检测窗口中的目标进行粗检;
采用预设的匹配算法匹配确定粗检所得的所述目标;
将匹配获得的所述目标对应的动态滑动检测窗口合并为新的检测窗口;
从所述新的检测窗口中提取出所述目标。
10.根据权利要求8所述的基于毫米波雷达和相机融合的轨道车辆检测方法,在所述第二检测信息中确定所述第一检测信息对应的雷达数据生成区域,包括:
通过坐标变换将第一检测新中所述目标作为目标像素,映射到所述第二检测信息对应的图像上;
以所述目标像素所在位置作为雷达数据生成区域的中心、以所述目标在第二检测信息中的轮廓作为雷达数据生成区域的边界,在所述图像中确定所述雷达数据生成区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210011267.5A CN114814823A (zh) | 2022-01-06 | 2022-01-06 | 基于毫米波雷达和相机融合的轨道车辆检测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210011267.5A CN114814823A (zh) | 2022-01-06 | 2022-01-06 | 基于毫米波雷达和相机融合的轨道车辆检测系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114814823A true CN114814823A (zh) | 2022-07-29 |
Family
ID=82527287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210011267.5A Pending CN114814823A (zh) | 2022-01-06 | 2022-01-06 | 基于毫米波雷达和相机融合的轨道车辆检测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114814823A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115320669A (zh) * | 2022-08-31 | 2022-11-11 | 南京慧尔视智能科技有限公司 | 基于雷达图的铁路来车检测方法、装置、设备及介质 |
CN116148801A (zh) * | 2023-04-18 | 2023-05-23 | 深圳市佰誉达科技有限公司 | 一种基于毫米波雷达的目标检测方法及系统 |
CN116959191A (zh) * | 2023-07-13 | 2023-10-27 | 煤炭科学技术研究院有限公司 | 基于多源信息融合的用户接近防护方法、装置和设备 |
-
2022
- 2022-01-06 CN CN202210011267.5A patent/CN114814823A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115320669A (zh) * | 2022-08-31 | 2022-11-11 | 南京慧尔视智能科技有限公司 | 基于雷达图的铁路来车检测方法、装置、设备及介质 |
CN116148801A (zh) * | 2023-04-18 | 2023-05-23 | 深圳市佰誉达科技有限公司 | 一种基于毫米波雷达的目标检测方法及系统 |
CN116959191A (zh) * | 2023-07-13 | 2023-10-27 | 煤炭科学技术研究院有限公司 | 基于多源信息融合的用户接近防护方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532896B (zh) | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 | |
CN114814823A (zh) | 基于毫米波雷达和相机融合的轨道车辆检测系统和方法 | |
WO2022199472A1 (zh) | 障碍物检测方法、车辆、设备及计算机存储介质 | |
CN106101590B (zh) | 雷达视频复合数据探测与处理系统及探测与处理方法 | |
CN104392629B (zh) | 检测车距的方法和装置 | |
CN112558023B (zh) | 传感器的标定方法和装置 | |
CN112946628A (zh) | 一种基于雷达与视频融合的道路运行状态检测方法及系统 | |
CN109615880B (zh) | 一种基于雷达图像处理的车流量测量方法 | |
CN113419244A (zh) | 一种基于毫米波雷达数据的车辆轨迹拼接方法 | |
CN103679167A (zh) | 一种ccd图像处理的方法 | |
CN112740225A (zh) | 一种路面要素确定方法及装置 | |
CN115909281A (zh) | 匹配融合的障碍物检测方法、系统、电子设备及存储介质 | |
WO2020071995A1 (en) | Real time vehicle location system | |
CN116699602A (zh) | 一种基于毫米波雷达和相机融合的目标检测系统及方法 | |
CN115236603A (zh) | 隧道内基于时空关系的毫米波雷达量测异常轨迹处理方法 | |
CN110703272B (zh) | 一种基于车车通信和gmphd滤波的周边目标车辆状态估计方法 | |
CN117452410A (zh) | 一种基于毫米波雷达的车辆检测系统 | |
Scharf et al. | A semi-automated multi-sensor data labeling process for deep learning in automotive radar environment | |
CN110648542B (zh) | 基于方位识别窄波雷达的高精度车流量检测系统 | |
CN110865367B (zh) | 一种雷达视频数据智能融合方法 | |
CN115656962B (zh) | 一种基于毫米波雷达识别限高物体的方法 | |
CN116092314B (zh) | 一种基于5g和车路协同技术的动态限速提示系统 | |
CN115909285A (zh) | 一种雷达和视频信号融合的车辆跟踪方法 | |
Czyżewski et al. | Comparative study on the effectiveness of various types of road traffic intensity detectors | |
Huang et al. | An efficient multi-threshold selection method for lane detection based on lidar |
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 |