CN115656962B - 一种基于毫米波雷达识别限高物体的方法 - Google Patents

一种基于毫米波雷达识别限高物体的方法 Download PDF

Info

Publication number
CN115656962B
CN115656962B CN202211671476.9A CN202211671476A CN115656962B CN 115656962 B CN115656962 B CN 115656962B CN 202211671476 A CN202211671476 A CN 202211671476A CN 115656962 B CN115656962 B CN 115656962B
Authority
CN
China
Prior art keywords
height
trace
clustering result
clustering
point
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
Application number
CN202211671476.9A
Other languages
English (en)
Other versions
CN115656962A (zh
Inventor
张萌
王奇
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.)
Nanjing Chuhang Technology Co ltd
Original Assignee
Nanjing Chuhang Technology Co ltd
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 Nanjing Chuhang Technology Co ltd filed Critical Nanjing Chuhang Technology Co ltd
Priority to CN202211671476.9A priority Critical patent/CN115656962B/zh
Publication of CN115656962A publication Critical patent/CN115656962A/zh
Application granted granted Critical
Publication of CN115656962B publication Critical patent/CN115656962B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于毫米波雷达识别限高物体的方法。该方法包括获取目标的点迹，并对目标的点迹进行动静分离处理，并剔除运动目标的点迹；根据保留的目标的点迹的径向距离及仰俯角度计算该点迹的高度，判断点迹的高度是否在设定的高度阈值之间，否则将该点迹剔除；对剩余的点迹进行聚类，对每一聚类结果计算其聚类点迹在直角坐标系下的横向距离跨度及纵向距离跨度，从聚类结果集合中选取满足的筛选条件的聚类结果；计算满足筛选条件的聚类结果的高度估计及高度估计方差；使用多帧信息联合估计聚类结果的高度信息，并依照预设的判决门限判断目标是否确为限高物体。本发明不易受到恶劣天气的影响，降低限高物体识别提醒的成本，提高了识别精度。

Description

一种基于毫米波雷达识别限高物体的方法
技术领域
本发明涉及限高物体识别技术领域，具体涉及一种基于毫米波雷达识别限高物体的方法。
背景技术
隧道或涵洞等均限定允许通过车辆的最大高度，传统上司机只能靠目测来判断能否通过，由于视角受限，会有判断错误的事件发生，进而造成车辆顶部撞上限高架等限高物体。公开号为CN113561894 A的专利申请公布了一种基于双目立体视觉及4D毫米波雷达的限高检测车辆控制系统及其控制方法，其将双目立体视觉和4D毫米波雷达融合进行前方限高杆的高度探测，该方案具有如下的缺陷：首先，视觉检测设备价格昂贵，且容易受到恶劣天气的影响，造成误判或漏判的情况；其次，双目立体视觉与4D毫米波雷达融合，会致使资源浪费。
发明内容
本发明的目的是针对现有技术存在的不足，提供一种基于毫米波雷达识别限高物体的方法。
为实现上述目的，本发明提供了一种基于毫米波雷达识别限高物体的方法，包括：
基于安装在车辆前侧的毫米波雷达模块获取目标的点迹
Figure SMS_1
，n为大于2的自然数，并对目标的点迹/>
Figure SMS_2
进行动静分离处理，并将判定为运动目标的点迹剔除，将剩余的点迹记为/>
Figure SMS_3
，/>
Figure SMS_4
∈/>
Figure SMS_5
；
根据保留的目标的点迹的径向距离R及仰俯角度
Figure SMS_6
计算该点迹的高度h为：
Figure SMS_7
判断点迹的高度h是否在设定的高度阈值范围之间，若不在设定的高度阈值范围之间，则将该点迹剔除，将剩余的点迹记为
Figure SMS_8
，/>
Figure SMS_9
∈/>
Figure SMS_10
；
对剩余的点迹
Figure SMS_11
使用DBSCAN算法进行聚类，将聚类结果集合记为
Figure SMS_12
，其中，m为大于2的自然数，每一聚类结果
Figure SMS_13
，i=1,2,...,m；
对每一聚类结果
Figure SMS_15
计算其聚类点迹在直角坐标系下的横向距离跨度
Figure SMS_16
及纵向距离跨度/>
Figure SMS_18
，其中，/>
Figure SMS_19
为聚类结果/>
Figure SMS_20
中的聚类点迹在Y轴方向的最大值，/>
Figure SMS_21
为聚类结果/>
Figure SMS_23
中的聚类点迹在Y轴方向的最小值，/>
Figure SMS_14
为聚类结果/>
Figure SMS_17
中的聚类点迹在X轴方向的最大值，/>
Figure SMS_22
为聚类结果/>
Figure SMS_24
中的聚类点迹在X轴方向的最小值，从聚类结果集合中选取满足筛选条件的聚类结果；
计算满足筛选条件的聚类结果
Figure SMS_25
的高度估计/>
Figure SMS_26
及高度估计方差/>
Figure SMS_27
；
使用多帧信息联合估计每一满足的筛选条件的聚类结果
Figure SMS_28
的高度信息，并依照预设的判决门限判断目标是否确为限高物体。/>
进一步的，所述动静分离处理的方式具体如下：
将目标的点迹
Figure SMS_29
的径向速度V分解到/>
Figure SMS_30
平面上得到/>
Figure SMS_31
，并分解到Z轴方向得到/>
Figure SMS_32
；
获取车辆在X轴的速度
Figure SMS_33
，并将速度/>
Figure SMS_34
投影到/>
Figure SMS_35
平面上得到/>
Figure SMS_36
，判断/>
Figure SMS_37
与/>
Figure SMS_38
之和是否小于速度阈值thr1，且/>
Figure SMS_39
是否小于速度阈值thr2，是，则将该点迹判定为静止目标的点迹，否则，将该点迹判定为运动目标的点迹。
进一步的，所述筛选条件为
Figure SMS_40
且/>
Figure SMS_41
且/>
Figure SMS_42
且/>
Figure SMS_43
，其中，
Figure SMS_44
和/>
Figure SMS_45
分别为纵向跨度阈值和横向跨度阈值。
进一步的，根据信噪比Snr加权计算满足筛选条件的聚类结果
Figure SMS_46
的高度估计/>
Figure SMS_47
及高度估计方差/>
Figure SMS_48
，具体如下：
Figure SMS_49
其中，
Figure SMS_50
为聚类结果/>
Figure SMS_52
的总信噪比，/>
Figure SMS_53
为聚类结果/>
Figure SMS_54
中第j个点迹的信噪比，j=1,2,...,a，/>
Figure SMS_55
为聚类结果/>
Figure SMS_56
中第j个点迹的高度，/>
Figure SMS_57
为聚类结果/>
Figure SMS_51
中第j个点迹的高度方差。
进一步的，使用多帧信息联合估计每一满足的筛选条件的聚类结果
Figure SMS_58
的高度信息的方式具体如下：
Figure SMS_59
其中，
Figure SMS_61
为k时刻使用多帧信息联合估计出的每一满足的筛选条件的聚类结果/>
Figure SMS_62
的高度估计，/>
Figure SMS_64
为k-1时刻使用多帧信息联合估计出的每一满足的筛选条件的聚类结果/>
Figure SMS_66
的高度估计，/>
Figure SMS_69
为k时刻根据信噪比Snr加权计算出的满足筛选条件的聚类结果/>
Figure SMS_70
的高度估计，/>
Figure SMS_71
为k时刻使用多帧信息联合估计出的每一满足的筛选条件的聚类结果/>
Figure SMS_60
的高度估计方差，/>
Figure SMS_63
为k-1时刻使用多帧信息联合估计出的每一满足的筛选条件的聚类结果/>
Figure SMS_65
的高度估计方差，/>
Figure SMS_67
为k时刻根据信噪比Snr加权计算出的满足筛选条件的聚类结果/>
Figure SMS_68
的高度估计方差，k为大于0的自然数。
进一步的，所述设定的高度阈值范围为1-4.7米。
有益效果：本发明基于单个毫米波雷达实现限高物体的识别，无需与双目立体视觉进行融合，即可精准的识别出限高物体及其高度信息，识别精度不易受到恶劣天气的影响，降低限高物体识别提醒的成本。
附图说明
图1是本发明实施例的基于毫米波雷达识别限高物体的方法的流程示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，本实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
如图1所示，本发明实施例提供了一种基于毫米波雷达识别限高物体的方法，包括：
基于安装在车辆前侧的毫米波雷达模块获取目标的点迹
Figure SMS_72
，n为大于2的自然数，/>
Figure SMS_73
即表示第n个点迹。然后对目标的点迹/>
Figure SMS_74
进行动静分离处理，并将判定为运动目标的点迹剔除，将剩余的点迹记为/>
Figure SMS_75
，/>
Figure SMS_76
∈/>
Figure SMS_77
。上述毫米波雷达模块可以安装在车辆的前保险杠处，一般情况下，它最远探测距离为300米，俯仰角为±15°。
上述动静分离的方式具体如下：
将目标的点迹
Figure SMS_79
的径向速度V分解到/>
Figure SMS_81
平面上得到/>
Figure SMS_84
，并分解到Z轴方向得到/>
Figure SMS_85
。获取车辆在X轴的速度/>
Figure SMS_87
，并将速度/>
Figure SMS_89
投影到/>
Figure SMS_91
平面上得到/>
Figure SMS_78
，判断/>
Figure SMS_80
与
Figure SMS_82
之和是否小于速度阈值thr1，且/>
Figure SMS_83
是否小于速度阈值thr2，若/>
Figure SMS_86
与/>
Figure SMS_88
之和小于速度阈值thr1且/>
Figure SMS_90
小于速度阈值thr2，则将该点迹判定为静止目标的点迹，否则，将该点迹判定为运动目标的点迹。判定为运动目标的点迹剔除后，即不参与后续处理。需要说明的是，上述车辆的速度可通过将毫米波雷达模块接入车身信息CAN总线来获取。
根据保留的目标的点迹的径向距离R及仰俯角度
Figure SMS_92
计算该点迹的高度h为：
Figure SMS_93
判断点迹的高度h是否在设定的高度阈值范围之间，若不在设定的高度阈值范围之间，则将该点迹剔除，将剩余的点迹记为
Figure SMS_94
，/>
Figure SMS_95
∈
Figure SMS_96
。一般可将高度阈值范围的下限设置为1米，低于1米的直接予以剔除。一般城市道路的龙门架高度为14米以上，限高杆高度一般为4.5米以下，可以以4.5米为界限，设置+20cm的误差冗余，即将高度阈值范围的上限设置为4.7米，若点迹的高度h高于高度阈值4.7米，则予以剔除，由此可判断前方高处障碍物是龙门架还是限高杆等限高物体。
对剩余的点迹
Figure SMS_97
使用DBSCAN算法进行聚类，将聚类结果集合记为
Figure SMS_98
，其中，m为大于2的自然数，每一聚类结果/>
Figure SMS_99
，i=1,2,...,m，a为大于2的自然数。
对每一聚类结果
Figure SMS_108
计算其聚类点迹在直角坐标系下的横向距离跨度
Figure SMS_109
及纵向距离跨度/>
Figure SMS_111
，其中，/>
Figure SMS_113
为聚类结果/>
Figure SMS_114
中的聚类点迹在Y轴方向的最大值，/>
Figure SMS_116
为聚类结果/>
Figure SMS_117
中的聚类点迹在Y轴方向的最小值，/>
Figure SMS_101
为聚类结果/>
Figure SMS_102
中的聚类点迹在X轴方向的最大值，/>
Figure SMS_104
为聚类结果/>
Figure SMS_106
中的聚类点迹在X轴方向的最小值，从聚类结果集合中选取满足筛选条件的聚类结果/>
Figure SMS_107
。该筛选条件优选为
Figure SMS_110
且/>
Figure SMS_112
且/>
Figure SMS_115
且/>
Figure SMS_100
，其中，/>
Figure SMS_103
和/>
Figure SMS_105
分别为纵向跨度阈值和横向跨度阈值。满足以上筛选条件的点迹对于的目标，可视为准限高物体。
计算满足筛选条件的聚类结果
Figure SMS_118
的高度估计/>
Figure SMS_119
及高度估计方差/>
Figure SMS_120
。具体的，优选根据信噪比Snr加权进行计算，计算方式具体如下：
Figure SMS_121
其中，
Figure SMS_122
为聚类结果/>
Figure SMS_124
的总信噪比，/>
Figure SMS_125
为聚类结果/>
Figure SMS_126
中第j个点迹的信噪比，j=1,2,...,a，/>
Figure SMS_127
为聚类结果/>
Figure SMS_128
中第j个点迹的高度，/>
Figure SMS_129
为聚类结果/>
Figure SMS_123
中第j个点迹的高度方差。
使用多帧信息联合估计每一满足的筛选条件的聚类结果
Figure SMS_130
的高度信息，并依照预设的判决门限判断目标是否确为限高物体。使用多帧信息联合估计每一满足的筛选条件的聚类结果/>
Figure SMS_131
的高度信息的方式具体如下：
Figure SMS_132
其中，
Figure SMS_133
为k时刻使用多帧信息联合估计出的每一满足的筛选条件的聚类结果/>
Figure SMS_135
的高度估计，/>
Figure SMS_137
为k-1时刻使用多帧信息联合估计出的每一满足的筛选条件的聚类结果/>
Figure SMS_140
的高度估计，/>
Figure SMS_141
为k时刻根据信噪比Snr加权计算出的满足筛选条件的聚类结果/>
Figure SMS_144
的高度估计，/>
Figure SMS_145
为k时刻使用多帧信息联合估计出的每一满足的筛选条件的聚类结果/>
Figure SMS_134
的高度估计方差，/>
Figure SMS_136
为k-1时刻使用多帧信息联合估计出的每一满足的筛选条件的聚类结果/>
Figure SMS_138
的高度估计方差，/>
Figure SMS_139
为k时刻根据信噪比Snr加权计算出的满足筛选条件的聚类结果/>
Figure SMS_142
的高度估计方差，k为大于0的自然数。需要说明的是，当k的取值为1时，对应为初始时刻，此时/>
Figure SMS_143
，/>
Figure SMS_146
。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，其它未具体描述的部分，属于现有技术或公知常识。在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于毫米波雷达识别限高物体的方法，其特征在于，包括：
基于安装在车辆前侧的毫米波雷达模块获取目标的点迹
Figure QLYQS_1
，n为大于2的自然数，并对目标的点迹/>
Figure QLYQS_2
进行动静分离处理，并将判定为运动目标的点迹剔除，将剩余的点迹记为/>
Figure QLYQS_3
，/>
Figure QLYQS_4
∈/>
Figure QLYQS_5
；
根据保留的目标的点迹的径向距离R及仰俯角度
Figure QLYQS_6
计算该点迹的高度h为：
Figure QLYQS_7
；
判断点迹的高度h是否在设定的高度阈值范围之间，若不在设定的高度阈值范围之间，则将该点迹剔除，将剩余的点迹记为
Figure QLYQS_8
，/>
Figure QLYQS_9
∈/>
Figure QLYQS_10
；
对剩余的点迹
Figure QLYQS_11
使用DBSCAN算法进行聚类，将聚类结果集合记为
Figure QLYQS_12
，其中，m为大于2的自然数，每一聚类结果
Figure QLYQS_13
，i=1,2,...,m；
对每一聚类结果
Figure QLYQS_18
计算其聚类点迹在直角坐标系下的横向距离跨度
Figure QLYQS_20
及纵向距离跨度/>
Figure QLYQS_22
，其中，/>
Figure QLYQS_23
为聚类结果/>
Figure QLYQS_25
中的聚类点迹在Y轴方向的最大值，/>
Figure QLYQS_27
为聚类结果/>
Figure QLYQS_29
中的聚类点迹在Y轴方向的最小值，/>
Figure QLYQS_14
为聚类结果/>
Figure QLYQS_17
中的聚类点迹在X轴方向的最大值，/>
Figure QLYQS_19
为聚类结果/>
Figure QLYQS_21
中的聚类点迹在X轴方向的最小值，从聚类结果集合中选取满足筛选条件的聚类结果；所述筛选条件为/>
Figure QLYQS_24
且/>
Figure QLYQS_26
且/>
Figure QLYQS_28
且/>
Figure QLYQS_30
，其中，/>
Figure QLYQS_15
和/>
Figure QLYQS_16
分别为纵向跨度阈值和横向跨度阈值；
计算满足筛选条件的聚类结果
Figure QLYQS_31
的高度估计/>
Figure QLYQS_32
及高度估计方差/>
Figure QLYQS_33
；
使用多帧信息联合估计每一满足的筛选条件的聚类结果
Figure QLYQS_34
的高度信息，并依照预设的判决门限判断目标是否确为限高物体；
根据信噪比Snr加权计算满足筛选条件的聚类结果
Figure QLYQS_35
的高度估计/>
Figure QLYQS_36
及高度估计方差
Figure QLYQS_37
，具体如下：
Figure QLYQS_38
其中，
Figure QLYQS_39
为聚类结果/>
Figure QLYQS_41
的总信噪比，/>
Figure QLYQS_42
为聚类结果/>
Figure QLYQS_43
中第j个点迹的信噪比，j=1,2,...,a，/>
Figure QLYQS_44
为聚类结果/>
Figure QLYQS_45
中第j个点迹的高度，/>
Figure QLYQS_46
为聚类结果/>
Figure QLYQS_40
中第j个点迹的高度方差；
使用多帧信息联合估计每一满足的筛选条件的聚类结果
Figure QLYQS_47
的高度信息的方式具体如下：/>
Figure QLYQS_48
其中，
Figure QLYQS_49
为k时刻使用多帧信息联合估计出的每一满足的筛选条件的聚类结果/>
Figure QLYQS_51
的高度估计，/>
Figure QLYQS_54
为k-1时刻使用多帧信息联合估计出的每一满足的筛选条件的聚类结果/>
Figure QLYQS_55
的高度估计，/>
Figure QLYQS_58
为k时刻根据信噪比Snr加权计算出的满足筛选条件的聚类结果/>
Figure QLYQS_59
的高度估计，/>
Figure QLYQS_60
为k时刻使用多帧信息联合估计出的每一满足的筛选条件的聚类结果/>
Figure QLYQS_50
的高度估计方差，/>
Figure QLYQS_52
为k-1时刻使用多帧信息联合估计出的每一满足的筛选条件的聚类结果/>
Figure QLYQS_53
的高度估计方差，/>
Figure QLYQS_56
为k时刻根据信噪比Snr加权计算出的满足筛选条件的聚类结果/>
Figure QLYQS_57
的高度估计方差，k为大于0的自然数。
2.根据权利要求1所述的一种基于毫米波雷达识别限高物体的方法，其特征在于，所述动静分离处理的方式具体如下：
将目标的点迹
Figure QLYQS_61
的径向速度V分解到/>
Figure QLYQS_62
平面上得到/>
Figure QLYQS_63
，并分解到Z轴方向得到
Figure QLYQS_64
；
获取车辆在X轴的速度
Figure QLYQS_65
，并将速度/>
Figure QLYQS_66
投影到/>
Figure QLYQS_67
平面上得到/>
Figure QLYQS_68
，判断/>
Figure QLYQS_69
与
Figure QLYQS_70
之和是否小于速度阈值thr1，且/>
Figure QLYQS_71
是否小于速度阈值thr2，是，则将该点迹判定为静止目标的点迹，否则，将该点迹判定为运动目标的点迹。
3.根据权利要求1所述的一种基于毫米波雷达识别限高物体的方法，其特征在于，所述设定的高度阈值范围为1-4.7米。
CN202211671476.9A 2022-12-26 2022-12-26 一种基于毫米波雷达识别限高物体的方法 Active CN115656962B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211671476.9A CN115656962B (zh) 2022-12-26 2022-12-26 一种基于毫米波雷达识别限高物体的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211671476.9A CN115656962B (zh) 2022-12-26 2022-12-26 一种基于毫米波雷达识别限高物体的方法

Publications (2)

Publication Number Publication Date
CN115656962A CN115656962A (zh) 2023-01-31
CN115656962B true CN115656962B (zh) 2023-03-31

Family

ID=85022369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211671476.9A Active CN115656962B (zh) 2022-12-26 2022-12-26 一种基于毫米波雷达识别限高物体的方法

Country Status (1)

Country Link
CN (1) CN115656962B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115980738B (zh) * 2023-03-15 2023-06-02 深圳安智杰科技有限公司 一种基于动静分离的多目标跟踪方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109581312B (zh) * 2018-11-22 2023-07-14 西安电子科技大学昆山创新研究院 一种高分辨毫米波雷达多目标聚类方法
CN110687549B (zh) * 2019-10-25 2022-02-25 阿波罗智能技术(北京)有限公司 障碍物检测方法和装置
CN112085843B (zh) * 2020-08-24 2023-11-28 北京航天发射技术研究所 一种隧道类目标特征实时提取及测量方法和装置
CN113561894A (zh) * 2021-08-20 2021-10-29 郑州睿行汽车科技有限公司 一种基于双目立体视觉及4d毫米波雷达的限高检测车辆控制系统及其控制方法
CN113866742B (zh) * 2021-12-03 2022-02-22 南京楚航科技有限公司 一种4d毫米波雷达点云处理和目标分类的方法
CN114322799B (zh) * 2022-03-14 2022-05-24 北京主线科技有限公司 一种车辆行驶方法、装置、电子设备和存储介质
CN115267783A (zh) * 2022-06-23 2022-11-01 深圳承泰科技有限公司 一种车载雷达高度目标分类方法、装置、设备及存储介质
CN115372972A (zh) * 2022-08-05 2022-11-22 西安电子科技大学 一种基于交通毫米波雷达点云数据的聚类方法

Also Published As

Publication number Publication date
CN115656962A (zh) 2023-01-31

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
CN109284348B (zh) 一种电子地图的更新方法、装置、设备和存储介质
US20200041284A1 (en) Map road marking and road quality collecting apparatus and method based on adas system
CN104573646B (zh) 基于激光雷达和双目相机的车前行人检测方法及系统
CN104965202B (zh) 障碍物探测方法和装置
US9292750B2 (en) Method and apparatus for detecting traffic monitoring video
CN110705543A (zh) 基于激光点云进行车道线识别的方法和系统
CN112083441B (zh) 激光雷达和毫米波雷达深度融合的障碍物检测方法及系统
CN105203552A (zh) 一种360°踏面图像检测系统及其检测方法
CN112116031B (zh) 基于路侧设备的目标融合方法、系统、车辆及存储介质
CN107796373B (zh) 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法
CN108828608B (zh) 车辆检测方法中激光雷达背景数据滤除方法
CN115656962B (zh) 一种基于毫米波雷达识别限高物体的方法
CN108645375B (zh) 一种用于车载双目系统快速车辆测距优化方法
CN107909012B (zh) 一种基于视差图的实时车辆跟踪检测方法与装置
CN111123262B (zh) 自动驾驶3d建模方法、装置及系统
CN112365706B (zh) 一种基于多源信息的异常车距辨识方法
CN115018879A (zh) 目标检测方法、计算机可读存储介质及驾驶设备
CN114419874A (zh) 基于路侧感知设备数据融合的目标行车安全风险预警方法
CN105512641A (zh) 一种采用激光雷达扫描法标定雨雪状态下视频中的动态行人及车辆的方法
CN112731296A (zh) 一种汽车毫米波雷达点迹凝聚方法及系统
CN115657002A (zh) 基于交通毫米波雷达的车辆运动状态估计方法
CN105300390A (zh) 障碍物体运动轨迹的确定方法及装置
CN113313182B (zh) 一种基于雷达和视频融合的目标识别方法及终端
CN112085101A (zh) 一种高性能高可靠的环境融合感知方法及系统

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