CN115561750A - 毫米波雷达车型分类方法 - Google Patents

毫米波雷达车型分类方法 Download PDF

Info

Publication number
CN115561750A
CN115561750A CN202211074954.8A CN202211074954A CN115561750A CN 115561750 A CN115561750 A CN 115561750A CN 202211074954 A CN202211074954 A CN 202211074954A CN 115561750 A CN115561750 A CN 115561750A
Authority
CN
China
Prior art keywords
target
track
wave gate
point
trace
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
Application number
CN202211074954.8A
Other languages
English (en)
Inventor
沈艳秋
陈潜
席光荣
尹洁珺
王雄志
李由之
李小柳
柯文雄
万明慧
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.)
Shanghai Radio Equipment Research Institute
Original Assignee
Shanghai Radio Equipment Research Institute
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 Shanghai Radio Equipment Research Institute filed Critical Shanghai Radio Equipment Research Institute
Priority to CN202211074954.8A priority Critical patent/CN115561750A/zh
Publication of CN115561750A publication Critical patent/CN115561750A/zh
Pending legal-status Critical Current

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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications

Landscapes

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

Abstract

本发明公开了一种毫米波雷达车型分类方法，该方法包括：采用毫米波雷达对待检测目标进行探测，以获取所测的各点迹的位置信息和速度信息，并进行预处理；构建椭圆波门模型，通过椭圆波门模型、各个点迹的位置信息和速度信息自底向上对各点迹进行聚类，得到初步分类结果；对初步分类结果中的多个目标点迹进行跟踪，形成目标航迹；根据椭圆波门模型和目标航迹对应的跟踪目标的速度信息确定关联目标组合，并通过多帧滑动窗口计算关联目标组合中的各个关联目标的潜在大车概率，将满足预设条件的各关联目标进行合并，并确定为大车类型。本发明通过车型聚类和目标跟踪结果实现车型分类，从而可有效提高车型分类的准确性。

Description

毫米波雷达车型分类方法
技术领域
本发明涉及雷达目标检测技术领域，尤其涉及一种毫米波雷达车型分类方法。
背景技术
毫米波雷达具有对多目标实时测距测速以及全天候工作等特性，且探测精度高、抗干扰性能强、体积小、安装成本低，目前被广泛地应用于交通领域。在实际道路交通场景中，车辆类型是重要的道路交通信息，而基于毫米波雷达的车型分类还是个难点，尤其是对大车的检测，雷达可能会探测到多个目标点。
现有的车型分类方法主要是对目标车辆进行聚类，然而现有的聚类方法主要是通过判断聚类簇的长宽或散射点数来进行目标分类。这类方法对聚类结果的依赖度较高，对于点迹分布不均匀时，极易在某些区域内错误聚类，从而影响车型分类准确性。
发明内容
本发明旨在提供一种毫米波雷达车型分类方法，用以提高车型分类的准确性。为达到上述目的，本发明通过以下技术方案实现：
一种毫米波雷达车型分类方法，包括：
步骤S1：采用毫米波雷达对待检测目标进行探测，以获取当前时刻与所述待检测目标对应的各点迹的位置信息和速度信息，并对所获取的点迹进行预处理；
步骤S2：确定椭圆波门先验信息，通过所述椭圆波门先验信息构建椭圆波门模型，并通过所述椭圆波门模型、各个点迹的所述位置信息和所述速度信息自底向上对各个所述点迹进行聚类，得到初步分类结果；
步骤S3：对所述初步分类结果中的多个目标点迹进行跟踪，形成目标航迹；
步骤S4：根据所述椭圆波门模型和所述目标航迹对应的跟踪目标的速度信息确定关联目标组合，并通过多帧滑动窗口计算所述关联目标组合中的各个关联目标的潜在大车概率，将满足预设条件的各个关联目标进行合并，且将合并后跟踪目标的类型确定为大车类型。
可选的，所述步骤S1中，对所获取的点迹进行预处理的步骤包括：
将所述毫米波雷达有效探测范围外的点迹和速度检测为零的点迹进行剔除。
可选的，所述步骤S2中的所述椭圆波门先验信息包括椭圆短轴参数和椭圆长轴参数，所述椭圆波门模型采用如下公式表示：
Figure BDA0003830257550000021
式中，Ex为椭圆短轴参数，Ey为椭圆长轴参数，(x0,y0)是椭圆中心点坐标，(x,y)是椭圆波门内点迹坐标。
可选的，所述椭圆波门模型包括小车椭圆波门模型和大车椭圆波门模型，所述步骤S2中，通过所述椭圆波门模型、各个点迹的所述位置信息和所述速度信息自底向上对各个所述点迹进行聚类的步骤，包括：
步骤S21：根据点迹的位置信息判定所述点迹是否落于所述小车椭圆波门模型对应的椭圆波门范围内；
步骤S22：遍历计算，将所有落在所述小车椭圆波门模型对应的椭圆波门范围内，且速度差小于或者等于第一预设速度阈值的点迹进行合并，得到所述初步分类结果。
可选的，所述步骤S3包括：
步骤S31：当前帧为起始时刻时，将聚类后的所述目标点迹作为目标航迹的起始点；
步骤S32：当前帧为非起始时刻时，将当前帧多目标点迹与上一帧目标航迹的预测点迹进行最近邻关联，并根据关联结果进行更新；
其中，所述目标点迹与上一帧目标航迹的所述预测点迹关联成功时，采用所述目标点迹与所述预测点迹进行卡尔曼滤波，以便得到对应的所述目标航迹的当前帧更新值。
可选的，所述步骤S4中，根据所述椭圆波门模型和所述目标航迹对应的跟踪目标的速度信息确定关联目标组合的步骤，包括：
步骤S41：当前帧为起始时刻时，根据所述跟踪目标的位置信息判定所述跟踪目标是否落于所述大车椭圆波门模型对应的椭圆波门范围内；将所有落在所述大车椭圆波门模型对应的椭圆波门范围内，且速度差小于或者等于第二预设速度阈值的跟踪目标进行组合，得到所述关联目标组合，并计算所述关联目标组合的中心点位置信息和速度信息；
步骤S42：当前帧为非起始时刻时，以上一帧关联目标组合中心点的预测点为椭圆波门中心，将所有落在与所述椭圆波门中心对应的椭圆波门范围内，且与所述预测点的速度差小于或者等于所述第二预设速度阈值的跟踪目标更新至所述关联目标组合，并计算更新后的所述关联目标组合的中心点位置信息和速度信息。
可选的，多帧滑动窗口内，所述关联目标位于对应的所述关联目标组合中的有效帧数达到预设帧数时，判定满足所述预设条件；其中，所述关联目标位于对应的所述关联目标组合时，计算所述关联目标的潜在大车概率，并在所述潜在大车概率大于预设概率值时，记满足所述预设条件。
可选的，所述潜在大车概率采用如下公式表示：
Figure BDA0003830257550000031
式中，P1为P(大车|组合内目标成功关联)表示关联目标与关联目标组合成功关联并为大车的概率，P2为P(组合内目标成功关联)表示关联目标与关联目标组合成功关联的概率，P3为关联目标与关联目标组合关联失败并为大车的概率，P4为关联目标与关联目标组合关联失败的概率，其中，P1和P3为先验概率。
本发明至少具有以下技术效果：
(1)本发明采用双层聚类框架，先对雷达测量的点迹基于自底向上的层次聚类思想进行聚类得到初步分类结果，在目标跟踪的基础上，采用多帧滑窗方式计算目标潜在大车概率，将满足预设条件的目标合并得到最终分类结果，实现小车和大车的分类，相比现有技术仅依据聚类结果来判断车辆类型，本发明综合考虑了聚类和跟踪的结果实现车型分类，同时可以避免由于点迹聚类失败导致大车分裂成多个目标的情况，有助于提高目标跟踪质量，从而能够提高车型分类的准确性；
(2)本发明将当前时刻信息与历史时刻信息相联系，获取目标潜在大车概率，并确定最终分类结果，从而克服了现有技术依靠单帧信息识别车辆类型的缺陷，使得分类结果更加合理可靠。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明一实施例提供的毫米波雷达车型分类方法的流程图；
图2A为本发明一实施例提供的毫米波雷达车型分类测量点迹示意图；
图2B为本发明一实施例提供的毫米波雷达车型分类初步聚类结果示意图；
图3为本发明一实施例提供的毫米波雷达车型分类方法目标跟踪流程图；
图4为本发明一实施例提供的真实交通场景示意图；
图5-7为本发明一实施例提供的不同帧数下车型分类结果示意图。
具体实施方式
下面详细描述本实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本实施例的毫米波雷达车型分类方法。
图1为本发明一实施例提供的毫米波雷达车型分类方法的流程图。如图1所示，该方法包括：
步骤S1：采用毫米波雷达对待检测目标进行探测，以获取当前时刻与待检测目标对应的各点迹的位置信息和速度信息，并对所获取的点迹进行预处理。
其中，对所获取的点迹进行预处理的步骤包括：将毫米波雷达有效探测范围外的点迹和速度检测为零的点迹进行剔除。
具体的，点迹预处理包括位置约束和滤除静止点迹，即将雷达有效探测范围外的点迹以及速度为零的点迹剔除。
本实施例中，可利用毫米波雷达对待检测目标进行探测，获取一段时间内点迹的位置、速度等信息，将其转化为空间坐标和速度信息，并剔除雷达有效探测范围外(y＞500m，|x|＞20m)的点迹以及速度为0m/s的点迹，即只考虑道路上的动目标，并将点迹信息整理成结构体格式，目标结构体的内容包括每一帧点迹横向距离、纵向距离、横向速度、纵向速度。
步骤S2：确定椭圆波门先验信息，通过椭圆波门先验信息构建椭圆波门模型，并通过椭圆波门模型、各个点迹的位置信息和速度信息自底向上对各个点迹进行聚类，得到初步分类结果。
其中，椭圆波门先验信息包括椭圆短轴参数和椭圆长轴参数，椭圆波门模型采用如下公式表示：
Figure BDA0003830257550000051
式中，Ex为椭圆短轴参数，Ey为椭圆长轴参数，(x0,y0)是椭圆中心点坐标，(x,y)是椭圆波门内点迹坐标。
其中，当椭圆短轴参数和椭圆长轴参数为小车椭圆波门对应的参数时，得到的为小车椭圆波门模型，当椭圆短轴参数和椭圆长轴参数为大车椭圆波门对应的参数时，得到的为大车椭圆波门模型。
本实施例中，通过椭圆波门模型、各个点迹的位置信息和速度信息自底向上对各个点迹进行聚类的步骤，包括：
步骤S21：根据点迹的位置信息判定点迹是否落于小车椭圆波门模型对应的椭圆波门范围内。
步骤S22：遍历计算，将所有落在小车椭圆波门模型对应的椭圆波门范围内，且速度差小于或者等于第一预设速度阈值的点迹进行合并，得到初步分类结果。
具体的，可以椭圆波门先验信息，采用自底向上层次聚类的思想对点迹进行聚类。例如，设定小车椭圆波门先验信息(Ex＝1.6,Ey＝5.5)，构建小车椭圆波门模型。然后，如图2A-2B所示，将当前时刻所有点迹都作为不同的类，通过遍历所有点迹，将落在该小车椭圆波门模型对应的小车椭圆波门范围内且满足速度差Δv≤6m/s的类合并，并将坐标和速度取均值作为聚类后的目标信息，然后赋予目标小车类型。
步骤S3：对初步分类结果中的多个目标点迹进行跟踪，形成目标航迹。
其中，步骤S3包括：
步骤S31：当前帧为起始时刻时，将聚类后的目标点迹作为目标航迹的起始点。
步骤S32：当前帧为非起始时刻时，将当前帧多目标点迹与上一帧目标航迹的预测点迹进行最近邻关联，并根据关联结果进行更新。
其中，目标点迹与上一帧目标航迹的预测点迹关联成功时，采用目标点迹与预测点迹进行卡尔曼滤波，以便得到对应的目标航迹的当前帧更新值。
如图3所示，若当前帧为起始时刻，可将聚类后点迹作为航迹的起始点；若当前帧为非起始时刻，可将当前帧多目标点迹与上一帧所得航迹预测点迹进行最近邻关联，并根据关联结果进行航迹更新。若连续多帧某航迹无关联点迹，则删除该航迹，若当前帧点迹未与航迹关联，则将该点迹作为新航迹的起始点，若航迹与当前帧点迹关联成功，则利用当前帧点迹与航迹上一帧预测点进行卡尔曼滤波，得到该航迹当前帧更新值，并对下一帧目标状态进行预测。
本实施例中，根据聚类结果实现对多个目标点迹的跟踪，以形成航迹的内容具体包括航迹起始、航迹更新和航迹终止。本实施例中，可采用逻辑法对聚类后目标结构体中数据进行航迹起始，并将航迹信息整理成航迹结构体，该航迹结构体包括航迹号、位置、速度、航迹未关联帧数计数和卡尔曼滤波参数。本实施例中，航迹更新在于对上一帧航迹结构体中所有航迹使用匀速线性运动模型卡尔曼滤波方法预测当前帧雷达测量点，将预测值与当前帧目标结构体中点迹进行关联计算，若点迹通过某航迹设定的距离波门、速度波门时，记录两者之间的距离，采用最近邻关联方法，将该点迹与最近航迹关联，并进行卡尔曼滤波更新。
进一步的，遍历航迹结构体中所有航迹，若每一航迹在当前帧成功关联点迹，则利用上述最近邻关联方法和卡尔曼滤波更新航迹；若航迹在当前帧不存在关联点迹，则使用预测值更新航迹；对于当前帧剩下未关联航迹的点迹，则将其作为新航迹的起始点。其中，航迹终止为连续多帧内某航迹无关联点迹，此时认为该目标已不存在，并删除该航迹。
步骤S4：根据椭圆波门模型和目标航迹对应的跟踪目标的速度信息确定关联目标组合，并通过多帧滑动窗口计算关联目标组合中的各个关联目标的潜在大车概率，将满足预设条件的各个关联目标进行合并，且将合并后跟踪目标的类型确定为大车类型。
其中，根据椭圆波门模型和目标航迹对应的跟踪目标的速度信息确定关联目标组合的步骤，包括：
步骤S41：当前帧为起始时刻时，根据跟踪目标的位置信息判定跟踪目标是否落于大车椭圆波门模型对应的椭圆波门范围内；将所有落在大车椭圆波门模型对应的椭圆波门范围内，且速度差小于或者等于第二预设速度阈值的跟踪目标进行组合，得到关联目标组合，并计算关联目标组合的中心点位置信息和速度信息；
步骤S42：当前帧为非起始时刻时，以上一帧关联目标组合中心点的预测点为椭圆波门中心，将所有落在与椭圆波门中心对应的椭圆波门范围内，且与预测点的速度差小于或者等于第二预设速度阈值的跟踪目标更新至关联目标组合，并计算更新后的关联目标组合的中心点位置信息和速度信息。
本实施例中，所述关联目标组合是基于跟踪目标的位置和速度，判断每一帧内满足大车椭圆波门模型以及速度差的目标集合。若当前帧为起始时刻，将符合关联条件的目标分配相同的组合标签，并计算关联目标组合的中心点位置和速度；若当前帧为非起始时刻，以上一帧各关联目标组合中心点的预测点为椭圆波门的中心，并判断当前帧在该中心对应的椭圆波门范围内且满足速度差的目标，然后更新该关联目标组合内航迹号，重新计算该关联目标组合中心点信息，并预测下一帧状态。
本实施例中，多帧滑动窗口内，关联目标位于对应的关联目标组合中的有效帧数达到预设帧数时，可判定满足预设条件；其中，判定满足预设条件的具体方法为关联目标位于对应的关联目标组合时，计算关联目标的潜在大车概率，并在潜在大车概率大于预设概率值时，记满足预设条件。
其中，潜在大车概率采用贝叶斯公式计算：
Figure BDA0003830257550000071
式中，P1为P(大车组合内目标成功关联)表示关联目标与关联目标组合成功关联并为大车的概率，P2为P(组合内目标成功关联)表示关联目标与关联目标组合成功关联的概率，P3为关联目标与关联目标组合关联失败并为大车的概率，P4为关联目标与关联目标组合关联失败的概率，其中，P1和P3为先验概率，通过大量数据统计和分析得到。
具体的，可设定滑动窗口为N帧，若关联目标在该关联目标组合中存在的帧数达到M帧，即该关联目标的潜在大车概率大于预设概率值85％，则将满足该些条件的关联目标合并，并将合并后跟踪目标的类型确定为大车类型。
例如，毫米波雷达每帧间隔约为70毫秒，为在较短时间内得出车型分类结果，可设置滑动窗口N为29帧，即滑动窗口约为2s。然后，通过公式计算得到当滑动窗口29帧内关联目标组合中关联目标成功关联8帧，潜在大车概率超过85％，则可确定目标类型为大车。
作为一个具体示例，图4为真实交通场景示意图。在该场景中，如图5-7所示，存在1辆大货车为动目标、1辆客车为静止目标，需要说明的是，本发明不考虑静止目标(静止点迹已剔除)，仅跟踪动目标。在第339帧时，大货车开始进入雷达探测范围内，由于散射点分布不均匀，错误聚类成3辆小车，根据贝叶斯公式计算，航迹号为145和146的目标潜在大车概率为35.56％；当第353帧时，大货车已完全进入雷达探测范围，航迹号为146和150的目标潜在大车概率增加到82.96％，航迹号为145的目标潜在大车概率达到85.33％；当第355帧时，3个目标潜在大车概率均超过了85％，此时可将3个目标合并成一个目标，并判定为大车类型。
综上所述，本发明采用双层聚类框架，基于自底向上的层次聚类思想和椭圆波门先验信息对雷达测量点迹进行聚类，得到目标初步分类结果，然后基于目标聚类、跟踪结果，根据椭圆波门和速度信息判断每帧内符合关联的目标，并分配相同的组合标签，采用多帧滑窗的方式计算各组合内目标潜在大车概率，合并各组合内目标潜在大车概率超过阈值的目标，并判定大车为该目标最终分类结果，从而使得本发明能够有效提高车型分类的准确性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (8)

1.一种毫米波雷达车型分类方法，其特征在于，包括：
步骤S1：采用毫米波雷达对待检测目标进行探测，以获取当前时刻与所述待检测目标对应的各点迹的位置信息和速度信息，并对所获取的点迹进行预处理；
步骤S2：确定椭圆波门先验信息，通过所述椭圆波门先验信息构建椭圆波门模型，并通过所述椭圆波门模型、各个点迹的所述位置信息和所述速度信息自底向上对各个所述点迹进行聚类，得到初步分类结果；
步骤S3：对所述初步分类结果中的多个目标点迹进行跟踪，形成目标航迹；
步骤S4：根据所述椭圆波门模型和所述目标航迹对应的跟踪目标的速度信息确定关联目标组合，并通过多帧滑动窗口计算所述关联目标组合中的各个关联目标的潜在大车概率，将满足预设条件的各个关联目标进行合并，且将合并后跟踪目标的类型确定为大车类型。
2.如权利要求1所述的毫米波雷达车型分类方法，其特征在于，所述步骤S1中，对所获取的点迹进行预处理的步骤包括：
将所述毫米波雷达有效探测范围外的点迹和速度检测为零的点迹进行剔除。
3.如权利要求2所述的毫米波雷达车型分类方法，其特征在于，所述步骤S2中的所述椭圆波门先验信息包括椭圆短轴参数和椭圆长轴参数，所述椭圆波门模型采用如下公式表示：
Figure FDA0003830257540000011
式中，Ex为椭圆短轴参数，Ey为椭圆长轴参数，(x0,y0)是椭圆中心点坐标，(x,y)是椭圆波门内点迹坐标。
4.如权利要求3所述的毫米波雷达车型分类方法，其特征在于，所述椭圆波门模型包括小车椭圆波门模型和大车椭圆波门模型，所述步骤S2中，通过所述椭圆波门模型、各个点迹的所述位置信息和所述速度信息自底向上对各个所述点迹进行聚类的步骤，包括：
步骤S21：根据点迹的位置信息判定所述点迹是否落于所述小车椭圆波门模型对应的椭圆波门范围内；
步骤S22：遍历计算，将所有落在所述小车椭圆波门模型对应的椭圆波门范围内，且速度差小于或者等于第一预设速度阈值的点迹进行合并，得到所述初步分类结果。
5.如权利要求4所述的毫米波雷达车型分类方法，其特征在于，所述步骤S3包括：
步骤S31：当前帧为起始时刻时，将聚类后的所述目标点迹作为目标航迹的起始点；
步骤S32：当前帧为非起始时刻时，将当前帧多目标点迹与上一帧目标航迹的预测点迹进行最近邻关联，并根据关联结果进行更新；
其中，所述目标点迹与上一帧目标航迹的所述预测点迹关联成功时，采用所述目标点迹与所述预测点迹进行卡尔曼滤波，以便得到对应的所述目标航迹的当前帧更新值。
6.如权利要求5所述的毫米波雷达车型分类方法，其特征在于，所述步骤S4中，根据所述椭圆波门模型和所述目标航迹对应的跟踪目标的速度信息确定关联目标组合的步骤，包括：
步骤S41：当前帧为起始时刻时，根据所述跟踪目标的位置信息判定所述跟踪目标是否落于所述大车椭圆波门模型对应的椭圆波门范围内；将所有落在所述大车椭圆波门模型对应的椭圆波门范围内，且速度差小于或者等于第二预设速度阈值的跟踪目标进行组合，得到所述关联目标组合，并计算所述关联目标组合的中心点位置信息和速度信息；
步骤S42：当前帧为非起始时刻时，以上一帧关联目标组合中心点的预测点为椭圆波门中心，将所有落在与所述椭圆波门中心对应的椭圆波门范围内，且与所述预测点的速度差小于或者等于所述第二预设速度阈值的跟踪目标更新至所述关联目标组合，并计算更新后的所述关联目标组合的中心点位置信息和速度信息。
7.如权利要求6所述的毫米波雷达车型分类方法，其特征在于，多帧滑动窗口内，所述关联目标位于对应的所述关联目标组合中的有效帧数达到预设帧数时，判定满足所述预设条件；其中，所述关联目标位于对应的所述关联目标组合时，计算所述关联目标的潜在大车概率，并在所述潜在大车概率大于预设概率值时，记满足所述预设条件。
8.如权利要求7所述的毫米波雷达车型分类方法，其特征在于，所述潜在大车概率采用如下公式表示：
Figure FDA0003830257540000031
式中，P1为P(大车|组合内目标成功关联)表示关联目标与关联目标组合成功关联并为大车的概率，P2为P(组合内目标成功关联)表示关联目标与关联目标组合成功关联的概率，P3为关联目标与关联目标组合关联失败并为大车的概率，P4为关联目标与关联目标组合关联失败的概率，其中，P1和P3为先验概率。
CN202211074954.8A 2022-09-02 2022-09-02 毫米波雷达车型分类方法 Pending CN115561750A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211074954.8A CN115561750A (zh) 2022-09-02 2022-09-02 毫米波雷达车型分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211074954.8A CN115561750A (zh) 2022-09-02 2022-09-02 毫米波雷达车型分类方法

Publications (1)

Publication Number Publication Date
CN115561750A true CN115561750A (zh) 2023-01-03

Family

ID=84739223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211074954.8A Pending CN115561750A (zh) 2022-09-02 2022-09-02 毫米波雷达车型分类方法

Country Status (1)

Country Link
CN (1) CN115561750A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116499488A (zh) * 2023-06-29 2023-07-28 小米汽车科技有限公司 目标融合方法、装置、车辆及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116499488A (zh) * 2023-06-29 2023-07-28 小米汽车科技有限公司 目标融合方法、装置、车辆及存储介质
CN116499488B (zh) * 2023-06-29 2023-11-03 小米汽车科技有限公司 目标融合方法、装置、车辆及存储介质

Similar Documents

Publication Publication Date Title
CN109447018B (zh) 一种基于改进Faster R-CNN的道路环境视觉感知方法
CN111652912B (zh) 车辆计数方法和系统、数据处理设备及智能拍摄设备
CN111539454B (zh) 一种基于元学习的车辆轨迹聚类方法及系统
CN103064086B (zh) 一种基于深度信息的车辆跟踪方法
CN104599502A (zh) 一种基于视频监控的车流量统计方法
CN104463903A (zh) 一种基于目标行为分析的行人图像实时检测方法
CN110827540B (zh) 一种多模态数据融合的机动车移动模式识别方法及系统
CN113127466B (zh) 一种车辆轨迹数据预处理方法及计算机存储介质
CN111667512A (zh) 基于改进卡尔曼滤波的多目标车辆轨迹预测方法
WO2023201904A1 (zh) 车辆异常行驶检测方法、电子设备、存储介质
CN107730889B (zh) 一种基于交通视频的目标车辆检索方法
CN110705484B (zh) 利用行车轨迹识别连续变更车道违法行为的方法
CN112435276A (zh) 一种车辆跟踪方法、装置、智能终端及存储介质
CN111597905A (zh) 一种基于视频技术的公路隧道停车检测方法
Satyanarayana et al. A vehicle detection technique using binary images for heterogeneous and lane-less traffic
CN115561750A (zh) 毫米波雷达车型分类方法
CN115856872A (zh) 一种车辆运动轨迹连续跟踪方法
CN114879192A (zh) 基于路侧毫米波雷达的决策树车型分类方法、电子设备
CN110907909B (zh) 一种基于概率统计的雷达目标识别方法
Lei et al. Identifying and correcting the errors of vehicle trajectories from roadside millimetre‐wave radars
Ren et al. Automatic measurement of traffic state parameters based on computer vision for intelligent transportation surveillance
CN113740836A (zh) 一种基于毫米波雷达的静止目标跟踪优化方法
CN115204755B (zh) 服务区入区率测算方法、装置、电子设备及可读存储介质
Ashraf et al. HVD-net: a hybrid vehicle detection network for vision-based vehicle tracking and speed estimation
CN115792825A (zh) 一种交通环境中的雷达虚假航迹抑制方法

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