CN114994656A - 一种基于毫米波雷达的室内人员跟踪方法 - Google Patents
一种基于毫米波雷达的室内人员跟踪方法 Download PDFInfo
- Publication number
- CN114994656A CN114994656A CN202111356209.8A CN202111356209A CN114994656A CN 114994656 A CN114994656 A CN 114994656A CN 202111356209 A CN202111356209 A CN 202111356209A CN 114994656 A CN114994656 A CN 114994656A
- Authority
- CN
- China
- Prior art keywords
- tracking
- millimeter wave
- wave radar
- target
- indoor personnel
- 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
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Abstract
本发明公开了一种基于毫米波雷达的室内人员跟踪方法,涉及毫米波雷达应用领域。本发明包括如下步骤:对毫米波雷达回波信号进行ADC数据采样,得到采样数据;采用CFAR处理所述采样数据,得到检测点云数据;采用改进的DBSCAN算法对所述点云数据进行聚类;采用多径干扰消除算法处理所述聚类结果;对处理后的聚类结果采用无迹卡尔曼滤波跟踪,得到室内人员的轨迹。本发明能够解决现有技术中毫米波雷达在室内复杂环境下无法对人员进行准确跟踪的问题,能够有效去除多径效应带来的假人员目标,针对跟踪精度不高的问题,采用滤波精度更高的无迹卡尔曼滤波算法就进行滤波跟踪,可有效实现室内人员的高精度跟踪。
Description
技术领域
本发明属于毫米波雷达应用领域,特别是涉及一种基于毫米波雷达的 室内人员跟踪方法。
背景技术
如今,随着社会需求的日益增加,使用包括摄像头为主的监控设备结 合计算机智能地对室内人员进行识别、位置检测和跟踪的需求也随着增加, 比如在办公室,超市,工厂,矿井下等场所,经常需要确定人员在室内的 位置。针对室内环境或者矿井下环境照明不足时,一般的光学摄像头难以 工作,然而,但是毫米波雷达可在照明不足或者环境中烟尘较大等视线不 良的情况下都能正常工作。并且在人员隐私方面,毫米波雷达对人体的检测局限于外部形状,所以在保护人员隐私方面也是有其优势。目前,毫米 波雷达技术已相对成熟,但是将毫米波雷达实际应用于室内人员的跟踪中 还需要解决很多的实际问题。
由于毫米波雷达的特性,探测同一目标时会形成点云,而一般的跟踪 滤波算法都是针对点目标,因此首先需要对点云进行聚类获得目标质心, 再对目标进行跟踪滤波。DBSCAN(Density—Based Spatial Clustering of Application with Noise)算法是一种典型的基于密度的聚类方法。它将 簇定义为密度相连的点的最大集合,能够把具有足够密度的区域划分为簇, 并可以在有噪音的空间数据集中发现任意形状的簇。一般的基于密度的 DBSCAN算法在室内环境复杂环境下的聚类效果不佳,很容易出现聚类错误 且无法区分两个相距较近目标。并且在室内环境下,多径效应严重,会对 室内人员的跟踪和人数估计产生巨大影响。如公开号为CN111708021A,名 称为一种基于毫米波雷达的人员跟踪与识别算法的专利,其具体采用蒙特 卡洛方法得到目标数量和点迹和轨迹的最终关联,然后采用扩展卡尔曼滤 波进行状态估计得到人员轨迹数据,完成跟踪;公开号为CN113267773A, 名称为一种基于毫米波雷达的室内人员准确检测和精确定位方法,主要通 过毫米波雷达对室内人员进行距离、方位角、速度的高精度测量基础上进 行检测和定位,满足毫米波雷达作为室内场景感知器件的需求;其主要处 理步骤包括:ADC采样后的数据帧重建、雷达信号处理、静止人员微动特征 提取、移动人员群跟踪定位、高级应用驱动;公开号为CN113093170A,名 称为一种基于KNN算法的毫米波雷达室内人员检测方法,其是通过KNN分类器准确的实现人与其它运动目标的精确分类,从而对室内人员进行准确 检测与统计,并通过扩展卡尔曼滤波跟踪算法对目标进行跟踪;又如公开 号CN111289967A,名称为一种基于毫米波雷达的人员检测跟踪与计数算法 解决了目前基于毫米波雷达的人员计数方法中,无法准确实现对静态目标 的技术及跟踪的问题,能够对于目标静止后点云消失的情况进行优化,能 够实现待测空间范围内的人员计数及跟踪。
由于毫米波雷达的特征,探测同一目标时会形成点云,而一般的跟踪 滤波算法都是针对点目标,因此首先需要对点云进行聚类获得目标质心, 在对目标进行跟踪滤波。一般的基于密度的DESCAN算法在室内环境复杂环 境下的聚类效果不佳,很容易出现聚类错误且无法区分两个相距较近目标。 并且在室内环境下,多径效应严重,会对室内人员的跟踪和人数估计产生 巨大影响。现有同类产品中跟踪部分采用的算法基本均为扩展卡尔曼滤波 算法,扩展卡尔曼滤波算法在针对弱非线性系统时的跟踪效果很好,但是 处理强非线性系统的跟踪问题时很容易出现跟丢的现象,且跟踪精度不高。
发明内容
本发明提供了一种基于毫米波雷达的室内人员跟踪方法,可以解决现 有技术中毫米波雷达在室内复杂环境下无法对人员进行准确跟踪的问题。 针对一般的DBSCAN算法聚类效果不佳的问题,本发明对DBSCAN算法进行 改进,改进的DBSCAN算法的聚类效果明显由于一般的DBSCAN算法。针对 多晶干扰严重的问题,本发明在进行聚类后采用多径干扰消除算法能够有 效去除多径效应带来的假人员目标。针对跟踪精度不高的问题,本发明采用滤波精度更高的无迹卡尔曼滤波算法进行滤波跟踪,可有效实现室内人 员的高精度跟踪。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明的一种基于毫米波雷达的室内人员跟踪方法,包括如下步骤:
S1、对毫米波雷达回波信号进行ADC数据采样,得到采样数据;
S2、采用CFAR处理所述采样数据,得到检测点云数据;
S3、采用改进的DBSCAN算法对所述点云数据进行聚类;
S4、采用多径干扰消除算法处理所述聚类结果;
S5、对处理后的聚类结果采用无迹卡尔曼滤波跟踪,得到室内人员的 轨迹。
进一步地,所述S3的具体步骤包括:
S31、自适应确定DBSCAN算法中的最大搜索半径maxDistance和聚类 的最少点数minClusterSize;
S32、将点云数据中每一个未聚类的点作为质心,计算剩余未聚类的点 到质心的距离;
S33、若改点到某质心的距离小于maxDisatance,则将改点与该质心分 为一簇,并重新计算该质心的位置;
S34、统计每一个簇的点数,若大于minCluster,则将该簇聚类成功, 输出该簇的质心位置,并将属于该簇的点标记为已聚类。
进一步地,所述S4的具体步骤包括:
S41、根据房间边界去除聚类结果中位于房间边界外的新目标;
S42、若房间内存在已跟踪目标,且该目标的跟踪时间大于minTrackingLife,则计算聚类结果中新目标与该目标的物理距离,若距离 过近,则去除该新目标;
S43、根据处理后的聚类结果初始化新目标跟踪滤波参数。
进一步地,所述S5的具体步骤包括:
S51、建立描述目标跟踪非线性离散的状态转移模型和量测模型
xk=fk-1(xk-1)+wk-1
yk=hk(xk)+vk
其中,xk和xk-1分别表示k和k-1时刻室内人员的状态向量;yk表示时间 k时刻室内人员的量测向量;fk-1(·)和hk(·)分别为室内人员状态转移函数和量 测函数;wk-1和vk分别为过程噪声和量测噪声,满足wk-1 N(0,Qk-1),vk N(0,Rk),Qk-1为过程噪声协方差矩阵,Rk表示量测噪声协方差矩阵,N(·,·) 表示正态分布;
则,滤波分布的高斯逼近即为:
p(xk|y1:k)=N(xk|mk,Pk)
其中,mk和Pk分别为人员状态变量的均值和方差;
S52、根据状态空间模型确定sigma采样点和权值:
λ=α2(n+κ)-n
(1)构造sigma采样点
(2)确定权值
i=1,…2n;
S53、将采样点经非线性状态转移函数传递,并进行加权处理预测目标 状态;
S54、根据预测状态将量测点云划分给已跟踪目标;
(1)计算量测点云中各点与各已跟踪目标的马氏距离
(2)若量测点i与已跟踪目标j的马氏距离最小且小于距离门限,则 将量测点i划分给已跟踪目标j;
(3)量测划分结束后,求得划分给同一目标所有量测点的质心,作为 滤波更新过程中的yk;
S55、根据量测点云划分的结果进行滤波更新,输出状态估计,形成室 内人员的跟踪轨迹;
(1)构造sigma采样点
(2)将sigma采样点代入系统量测模型
(3)计算量测量预测均值,预测协方差以及状态与量测量之间的互协 方差
(4)结合量测划分的结果,计算滤波增益,滤波状态均值和方差
mk=mk|k-1+Kk(yk-μk)
S56、输出滤波状态均值作为室内人员位置的估计值,形成室内人员的 跟踪轨迹。
进一步地,所述S2中的点云数据包括距离、方位角、俯仰角以及多普 勒速度。
本发明相对于现有技术包括有以下有益效果:
本发明提供了一种基于毫米波雷达的室内人员跟踪方法,该方法采用 改进的自适应DBSCAN算法可再复杂室内环境下自适应地对点云进行聚类, 采用毫米波雷达探测室内人员,再根据雷达探测信息对室内人员进行跟踪; 采用多径干扰消除算法处理所述聚类结果;对处理后的聚类结果采用无迹 卡尔曼滤波跟踪,得到室内人员的轨迹;能够解决现有技术中毫米波雷达 在室内复杂环境下无法对人员进行准确跟踪的问题,改进的DBSCAN算法的 聚类效果明显优于一般的DBSCAN算法,针对多晶干扰严重的问题,本发明 在进行聚类后采用多径干扰消除算法能够有效去除多径效应带来的假人员 目标,针对跟踪精度不高的问题,采用滤波精度更高的无迹卡尔曼滤波算 法就进行滤波跟踪,可有效实现室内人员的高精度跟踪。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有 优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所 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 发明的一些实施例,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为本发明的一种基于毫米波雷达的室内人员跟踪方法的步骤图。
具体实施方式
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 有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的 范围。
请参阅图1所示,本发明的一种基于毫米波雷达的室内人员跟踪方法, 包括如下步骤:
S1、对毫米波雷达回波信号进行ADC数据采样,得到采样数据;
毫米波雷达发射天线发射调频连续波并被接收天线接收,通过ADC采 集以供信号处理芯片访问,由于单个回波信号的能量有限,通常不采用单 个回波信号进行检测判别,相参积累可以大幅度提高噪比,使得点云数据 更精确。经过相参积累后,再怼回波信号进行原始信号采样,距离向TTF, 多普勒处理等操作后得到原始点云数据;
S2、采用CFAR(Constant False-Alarm Rate)处理所述采样数据,得到 检测点云数据;
将S1中得到的点云数据由于存在噪声而包含很多虚假量测,因此采用 CA-CFAR对S1中得到的点云数据进行处理,得到最终的检测点云数据,点 云数据包括距离,方位角,俯仰角,多普勒速度等;
S3、采用改进的DBSCAN算法对所述点云数据进行聚类,具体步骤包括:
S31、自适应确定DBSCAN算法中的最大搜索半径maxDistance和聚类 的最少点数minClusterSize;
S32、将点云数据中每一个未聚类的点作为质心,计算剩余未聚类的点 到质心的距离;
S33、若改点到某质心的距离小于maxDisatance,则将改点与该质心分 为一簇,并重新计算该质心的位置;
S34、统计每一个簇的点数,若大于minCluster,则将该簇聚类成功, 输出该簇的质心位置,并将属于该簇的点标记为已聚类;
S4、采用多径干扰消除算法处理所述聚类结果,具体步骤包括:
S41、根据房间边界去除聚类结果中位于房间边界外的新目标;
S42、若房间内存在已跟踪目标,且该目标的跟踪时间大于 minTrackingLife,则计算聚类结果中新目标与该目标的物理距离,若距离 过近,则去除该新目标;
S43、根据处理后的聚类结果初始化新目标跟踪滤波参数;
S5、对处理后的聚类结果采用无迹卡尔曼滤波跟踪,得到室内人员的 轨迹,具体步骤包括:
S51、建立描述目标跟踪非线性离散的状态转移模型和量测模型
xk=fk-1(xk-1)+wk-1
yk=hk(xk)+vk
其中,xk和xk-1分别表示k和k-1时刻室内人员的状态向量;yk表示时间 k时刻室内人员的量测向量;fk-1(·)和hk(·)分别为室内人员状态转移函数和量 测函数;wk-1和vk分别为过程噪声和量测噪声,满足wk-1 N(0,Qk-1), vk N(0,Rk),Qk-1为过程噪声协方差矩阵,Rk表示量测噪声协方差矩阵,N(·,·) 表示正态分布;
则,滤波分布的高斯逼近即为:
p(xk|y1:k)=N(xk|mk,Pk)
其中,mk和Pk分别为人员状态变量的均值和方差;
S52、根据状态空间模型确定sigma采样点和权值:
λ=α2(n+κ)-n
(1)构造sigma采样点
(2)确定权值
i=1,…2n;
S53、将采样点经非线性状态转移函数传递,并进行加权处理预测目标 状态;
S54、根据预测状态将量测点云划分给已跟踪目标;
(1)计算量测点云中各点与各已跟踪目标的马氏距离
(2)若量测点i与已跟踪目标j的马氏距离最小且小于距离门限,则 将量测点i划分给已跟踪目标j;
(3)量测划分结束后,求得划分给同一目标所有量测点的质心,作为 滤波更新过程中的yk;
S55、根据量测点云划分的结果进行滤波更新,输出状态估计,形成室 内人员的跟踪轨迹;
(1)构造sigma采样点
(2)将sigma采样点代入系统量测模型
(3)计算量测量预测均值,预测协方差以及状态与量测量之间的互协 方差
(4)结合量测划分的结果,计算滤波增益,滤波状态均值和方差
mk=mk|k-1+Kk(yk-μk)
S56、输出滤波状态均值作为室内人员位置的估计值,形成室内人员的 跟踪轨迹。
有益效果:
本发明提供了一种基于毫米波雷达的室内人员跟踪方法,该方法采用 改进的自适应DBSCAN算法可再复杂室内环境下自适应地对点云进行聚类, 采用毫米波雷达探测室内人员,再根据雷达探测信息对室内人员进行跟踪; 采用多径干扰消除算法处理所述聚类结果;对处理后的聚类结果采用无迹 卡尔曼滤波跟踪,得到室内人员的轨迹;能够解决现有技术中毫米波雷达 在室内复杂环境下无法对人员进行准确跟踪的问题,改进的DBSCAN算法的 聚类效果明显优于一般的DBSCAN算法,针对多晶干扰严重的问题,本发明 在进行聚类后采用多径干扰消除算法能够有效去除多径效应带来的假人员 目标,针对跟踪精度不高的问题,采用滤波精度更高的无迹卡尔曼滤波算 法就进行滤波跟踪,可有效实现室内人员的高精度跟踪。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例 并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。 显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具 体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使 所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求 书及其全部范围和等效物的限制。
Claims (5)
1.一种基于毫米波雷达的室内人员跟踪方法,其特征在于,包括如下步骤:
S1、对毫米波雷达回波信号进行ADC数据采样,得到采样数据;
S2、采用CFAR处理所述采样数据,得到检测点云数据;
S3、采用改进的DBSCAN算法对所述点云数据进行聚类;
S4、采用多径干扰消除算法处理所述聚类结果;
S5、对处理后的聚类结果采用无迹卡尔曼滤波跟踪,得到室内人员的轨迹。
2.根据权利要求1所述的一种基于毫米波雷达的室内人员跟踪方法,其特征在于,所述S3的具体步骤包括:
S31、自适应确定DBSCAN算法中的最大搜索半径maxDistance和聚类的最少点数minClusterSize;
S32、将点云数据中每一个未聚类的点作为质心,计算剩余未聚类的点到质心的距离;
S33、若改点到某质心的距离小于maxDisatance,则将改点与该质心分为一簇,并重新计算该质心的位置;
S34、统计每一个簇的点数,若大于minCluster,则将该簇聚类成功,输出该簇的质心位置,并将属于该簇的点标记为已聚类。
3.根据权利要求1所述的一种基于毫米波雷达的室内人员跟踪方法,其特征在于,所述S4的具体步骤包括:
S41、根据房间边界去除聚类结果中位于房间边界外的新目标;
S42、若房间内存在已跟踪目标,且该目标的跟踪时间大于minTrackingLife,则计算聚类结果中新目标与该目标的物理距离,若距离过近,则去除该新目标;
S43、根据处理后的聚类结果初始化新目标跟踪滤波参数。
4.根据权利要求1所述的一种基于毫米波雷达的室内人员跟踪方法,其特征在于,所述S5的具体步骤包括:
S51、建立描述目标跟踪非线性离散的状态转移模型和量测模型
xk=fk-1(xk-1)+wk-1
yk=hk(xk)+vk
其中,xk和xk-1分别表示k和k-1时刻室内人员的状态向量;yk表示时间k时刻室内人员的量测向量;fk-1(·)和hk(·)分别为室内人员状态转移函数和量测函数;wk-1和vk分别为过程噪声和量测噪声,满足wk-1 N(0,Qk-1),vk N(0,Rk),Qk-1为过程噪声协方差矩阵,Rk表示量测噪声协方差矩阵,N(·,·)表示正态分布;
则,滤波分布的高斯逼近即为:
p(xk|y1:k)=N(xk|mk,Pk)
其中,mk和Pk分别为人员状态变量的均值和方差;
S52、根据状态空间模型确定sigma采样点和权值:
λ=α2(n+κ)-n
(1)构造sigma采样点
(2)确定权值
S53、将采样点经非线性状态转移函数传递,并进行加权处理预测目标状态;
S54、根据预测状态将量测点云划分给已跟踪目标;
(1)计算量测点云中各点与各已跟踪目标的马氏距离
(2)若量测点i与已跟踪目标j的马氏距离最小且小于距离门限,则将量测点i划分给已跟踪目标j;
(3)量测划分结束后,求得划分给同一目标所有量测点的质心,作为滤波更新过程中的yk;
S55、根据量测点云划分的结果进行滤波更新,输出状态估计,形成室内人员的跟踪轨迹;
(1)构造sigma采样点
(2)将sigma采样点代入系统量测模型
(3)计算量测量预测均值,预测协方差以及状态与量测量之间的互协方差
(4)结合量测划分的结果,计算滤波增益,滤波状态均值和方差
mk=mk|k-1+Kk(yk-μk)
S56、输出滤波状态均值作为室内人员位置的估计值,形成室内人员的跟踪轨迹。
5.根据权利要求1所述的一种基于毫米波雷达的室内人员跟踪方法,其特征在于,所述S2中的点云数据包括距离、方位角、俯仰角以及多普勒速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111356209.8A CN114994656A (zh) | 2021-11-16 | 2021-11-16 | 一种基于毫米波雷达的室内人员跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111356209.8A CN114994656A (zh) | 2021-11-16 | 2021-11-16 | 一种基于毫米波雷达的室内人员跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114994656A true CN114994656A (zh) | 2022-09-02 |
Family
ID=83018178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111356209.8A Pending CN114994656A (zh) | 2021-11-16 | 2021-11-16 | 一种基于毫米波雷达的室内人员跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994656A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115542308A (zh) * | 2022-12-05 | 2022-12-30 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 |
CN116125466A (zh) * | 2023-03-02 | 2023-05-16 | 武汉理工大学 | 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备 |
-
2021
- 2021-11-16 CN CN202111356209.8A patent/CN114994656A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115542308A (zh) * | 2022-12-05 | 2022-12-30 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 |
CN115542308B (zh) * | 2022-12-05 | 2023-03-31 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 |
CN116125466A (zh) * | 2023-03-02 | 2023-05-16 | 武汉理工大学 | 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107300698B (zh) | 一种基于支持向量机的雷达目标航迹起始方法 | |
Ristic et al. | Improved SMC implementation of the PHD filter | |
CN113093170B (zh) | 一种基于knn算法的毫米波雷达室内人员检测方法 | |
CN114994656A (zh) | 一种基于毫米波雷达的室内人员跟踪方法 | |
CN108089183B (zh) | 一种用于异步多基地雷达系统的检测跟踪一体化方法 | |
CN106559749B (zh) | 一种基于射频层析成像的多目标被动式定位方法 | |
CN107102295A (zh) | 基于glmb滤波的多传感器tdoa无源定位方法 | |
CA2503581A1 (en) | Weather and airborne clutter suppression using a cluster shape classifier | |
CN103605110A (zh) | 基于接收信号强度的室内无源目标定位方法 | |
CN114859339A (zh) | 一种基于毫米波雷达的多目标跟踪方法 | |
CN113671481B (zh) | 一种基于毫米波雷达的3d多目标跟踪处理方法 | |
CN111708021B (zh) | 一种基于毫米波雷达的人员跟踪与识别算法 | |
CN110673130B (zh) | 一种基于航迹关联的运动目标航迹跟踪方法 | |
CN112881993B (zh) | 自动识别雷达分布杂波引起虚假航迹的方法 | |
CN107436434B (zh) | 基于双向多普勒估计的航迹起始方法 | |
CN113050797A (zh) | 一种通过毫米波雷达实现手势识别的方法 | |
CN109521420B (zh) | 基于多特征匹配的多目标跟踪方法 | |
CN109214432B (zh) | 一种多传感器多目标联合检测、跟踪与分类方法 | |
CN111562570A (zh) | 基于毫米波雷达的面向自动驾驶的车辆感知方法 | |
CN107037423A (zh) | 结合幅值信息的phd滤波多目标跟踪方法 | |
CN114814832A (zh) | 基于毫米波雷达的人体跌倒行为实时监测系统及监测方法 | |
CN114545387A (zh) | 一种基于毫米波雷达数据拟合的高空抛物检测判别方法 | |
CN106772357B (zh) | 信噪比未知条件下的ai-phd滤波器多目标跟踪方法 | |
CN110261828A (zh) | 基于距离-角误差二维聚类的横向干扰判定方法 | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 |
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 |