CN117008072A - 一种雷达点云的降维表征方法 - Google Patents
一种雷达点云的降维表征方法 Download PDFInfo
- Publication number
- CN117008072A CN117008072A CN202310809324.9A CN202310809324A CN117008072A CN 117008072 A CN117008072 A CN 117008072A CN 202310809324 A CN202310809324 A CN 202310809324A CN 117008072 A CN117008072 A CN 117008072A
- Authority
- CN
- China
- Prior art keywords
- target
- point cloud
- dimension reduction
- radar
- target scene
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 47
- 238000012512 characterization method Methods 0.000 title claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 47
- 238000009826 distribution Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000003068 static effect Effects 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000004304 visual acuity Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process 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
-
- 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
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种雷达点云的降维表征方法,雷达传感器向目标场景发射探测信号并接收该目标场景散射的回波信号,然后对该回波信号进行数据处理并生成目标点云集合,再对该目标点云集合进行降维表示,并得到谱分布,最后构造不同的时变特征和空变特征。本发明通过对雷达点云进行降维等数据处理,可以更有效地利用雷达获取的目标场景信息,充分表征感兴趣目标,这对于自动驾驶、物联网等场景中的雷达感知应用至关重要。
Description
技术领域
本发明关于雷达传感器技术领域,特别是有关于一种雷达点云的降维表征方法。
背景技术
现有技术中,随着5G、人工智能和自动驾驶的快速发展,自动驾驶、通信感知一体化、集成传感器等领域对雷达传感技术的需求越来越强烈。
目前,自动驾驶领域常用的车载传感器包括摄像头、激光雷达、超声波雷达和毫米波雷达。其中,超声波雷达的探测距离较短,主要用于近距离避障。摄像头和激光雷达在雨、雪、雾、霾等不良天气下探测能力会急剧下降,在弱光或强光环境下探测能力也会受到影响。而毫米波雷达基本不受光照、天气等因素影响,而且能够穿透一定厚度的非金属遮挡,具有独特的传感优势。得益于毫米波雷达芯片式传感器和对应智能传感技术的进步,毫米波雷达在自动驾驶和物联网等领域的商业化应用已经获得较大成功。
常规光学摄像头获取的场景信息以二维图像的形式呈现。激光雷达、超声波雷达和毫米波雷达虽然也能获得目标场景的图像信息,但为了节省存储和计算资源,通常以点云的形式呈现目标场景。如何能够更高效准确地利用雷达获取的目标场景信息来充分表征感兴趣目标,对于自动驾驶、物联网等场景中的雷达感知应用至关重要。
发明内容
针对上述问题,本发明提供一种雷达点云的降维表征方法,该方法包括如下步骤:
S1:雷达传感器向目标场景发射探测信号;
S2:该雷达传感器接收该目标场景散射的回波信号;
S3:对该回波信号进行数据处理并生成目标点云集合;
S4:对该目标点云集合进行降维表示,并得到谱分布;
S5:构造不同的时变特征和空变特征。
进一步地,该目标场景包括静态目标场景和动态目标场景,其中静态目标场景不含运动的目标,动态目标场景包含运动的目标。
进一步地,步骤S3中该目标点云集合包含的目标测量参数有径向距离、径向速度、方位角、俯仰角、振幅和相位,具体表示为:其中,S表示目标点云集合,rp表示该目标场景中第P个目标点的径向距离,vp表示该目标场景中第P个目标点的径向速度,θp表示该目标场景中第P个目标点的方位角,/>表示该目标场景中第P个目标点的俯仰角,Ap表示该目标场景中第P个目标点的振幅,ψp表示该目标场景中第P个目标点的相位,NS表示目标点云集合中目标点云的数目。
进一步地,步骤S4前包含步骤:将该目标点云集合的坐标系从球坐标系转换为三维直角坐标系。
进一步地,转换后的目标点云集合为:S={vp,xp,yp,zp,Ap,ψp|p=1,2,3,...,NS},其中, xp、yp和zp表示该目标场景中第P个目标点的三维空间坐标,/>表示该目标场景中第P个目标点的俯仰角,ψp表示该目标场景中第P个目标点的相位。
进一步地,步骤S4降维包括一维降维,得到一维参量分布集合{wp|p=1,2,3,...,NS},其中,w为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意一个参量。
进一步地,步骤S4降维包括二维降维,得到二维参量分布集合{1wp,2wp|p=1,2,3,...,NS},其中,1wp和2wp为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意两个参量。
进一步地,步骤S4降维包括三维降维,得到三维参量分布集合[1wp,2wp,3wp|p=1,2,3,...,NS},其中,1wp、2wp和3wp为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意三个参量。
进一步地,步骤S4中该谱分布包括振幅谱和径向速度谱。
进一步地,步骤S5包括如下步骤:
S51:构造参量w的2D点云w-时间振幅谱特征,具体公式为:其中,A(w(Ti))表示第Ti帧的1D点云w振幅谱,上标的T表示转置符号;
S52:构造1W和2W的3D点云振幅谱时间序列特征,具体公式为:A(1w,2w,T)={A(1w(Ti),2w(Ti)),i=1,2,3,...,NT},其中,A(1w(Ti),2w(Ti))表示第Ti帧的2D点云1W-2W振幅谱;
S53:将2D点云1W-2W帧叠加点云振幅谱特征定义为滑动特征窗中所有帧2D点云振幅谱表示的非相干叠加平均,具体公式为:
S54:将2D点云1W-2W帧拼接点云振幅谱特征定义为滑动特征窗内所有帧的2D点云振幅谱表示沿1W或2W方向的拼接,具体公式为:
本发明提供一种雷达点云的降维表征方法,雷达传感器向目标场景发射探测信号并接收该目标场景散射的回波信号,然后对该回波信号进行数据处理并生成目标点云集合,再对该目标点云集合进行降维表示,并得到谱分布,最后构造不同的时变特征和空变特征。本发明通过对雷达点云进行降维等数据处理,可以更有效地利用雷达获取的目标场景信息,充分表征感兴趣目标,这对于自动驾驶、物联网等场景中的雷达感知应用至关重要。
附图说明
图1为本发明一种雷达点云的降维表征方法流程示意图。
具体实施方式
为使对本发明的目的、构造、特征、及其功能有进一步的了解,兹配合实施例详细说明如下。
针对上述问题,本发明提供一种雷达点云的降维表征方法,参见图1,图1为本发明一种雷达点云的降维表征方法流程示意图,主要包括如下步骤:
S1:雷达传感器向目标场景发射探测信号;
S2:该雷达传感器接收该目标场景散射的回波信号;
S3:对该回波信号进行数据处理并生成目标点云集合;
S4:对该目标点云集合进行降维表示,并得到谱分布;
S5:构造不同的时变特征和空变特征。
本发明中雷达传感器可以为微波类型雷达,也可以非微波类型雷达;微波类型雷达包括但不限于连续波雷达、脉冲雷达、脉冲压缩雷达或频率捷变雷达,非微波类型雷达包括但不限于太赫兹雷达、激光雷达、超声波雷达等。
雷达传感器可以包含1个发射天线与1个接收天线,也可以包含超过1个发射天线与超过1个接收天线。如果仅包含1个发射天线,构成真实天线阵列,超过1个发射天线,可以利用多入多出方法构成虚拟天线阵列;如果真实天线阵列或虚拟天线阵列仅有水平方向或垂直方向超过1个天线,称为一维天线阵列,如果真实天线阵列或虚拟天线阵列的水平方向和垂直方向均超过1个天线,称为二维天线阵列。
雷达传感器如果无距离分辨能力,如频率固定的多普勒雷达,无法获得目标径向距离、振幅和相位参数,可以获得目标场景的散射回波叠加振幅和相位以及运动目标对应的多普勒频移或径向速度。
雷达传感器如果有距离分辨能力,且仅包含1个发射天线与1个接收天线时,可获取的目标参数包括径向距离、径向速度、振幅和相位。
雷达传感器如果有距离分辨能力,且具有一维天线阵列时,可获取的目标参数包括径向距离、径向速度、方位角(或俯仰角)、振幅和相位。
雷达传感器如果有距离分辨能力,且具有二维天线阵列时,可获取的目标参数包括径向距离、径向速度、方位角、俯仰角、振幅和相位。
进一步地,目标场景包括静态目标场景和动态目标场景,其中静态目标场景不含运动的目标,动态目标场景包含运动的目标。若为静态目标场景,无目标径向速度信息,需要利用天线阵列的角度分辨能力在距离-方位-俯仰域分辨目标;若为动态目标场景,可以利用多普勒分辨能力在距离-多普勒域辅助分辨场景中的运动目标,还可以滤除静态目标。
进一步地,步骤S3中,对回波信号进行处理的过程,可以得到距离-多普勒域、距离-方位域、距离-俯仰域、方位-俯仰域等目标场景成像结果,对其进行目标检测后得到的目标点云集合包含的目标测量参数有径向距离、径向速度、方位角、俯仰角、振幅和相位,具体表示为:其中,S表示目标点云集合,rp表示该目标场景中第P个目标点的径向距离,vp表示该目标场景中第P个目标点的径向速度,θp表示该目标场景中第P个目标点的方位角,/>表示该目标场景中第P个目标点的俯仰角,Ap表示该目标场景中第P个目标点的振幅,ψp表示该目标场景中第P个目标点的相位,NS表示目标点云集合中目标点云的数目。
进一步地,步骤S4前包含步骤:将目标点云集合的坐标系从球坐标系转换为三维直角坐标系,转换后的目标点云集合包含径向速度、三维直角坐标系位置、振幅和相位,具体为:S={vp,xp,yp,zp,Ap,ψp|p=1,2,3,...,NS},其中,xp、yp和zp表示该目标场景中第P个目标点的三维空间坐标,/>表示该目标场景中第P个目标点的俯仰角,ψp表示该目标场景中第P个目标点的相位。
进一步地,步骤S4降维包括一维降维,得到一维参量分布集合{wp|p=1,2,3,...,NS},其中,w为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意一个参量,还可以构造任一目标参量的Γ谱分布,比如,将除振幅参量A之外的任一目标参量w的一维振幅谱分布,具体公式为:/>其中,i为参量w的索引下标,i=1,2,3……Nw,Nw为参量域的划分点数,wi为为参量w对应参量域/>的索引,Δw为w参量域的划分间隔,δ(·)为克罗内克δ函数,[·]为四舍五入取整运算符号,bw为w参量分布的偏移量。
进一步地,步骤S4降维包括二维降维,得到二维参量分布集合{1wp,2wp|p=1,2,3,...,NS},其中,1wp和2wp为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意两个参量,选择这两个目标参量时优先选择有物理意义的组合,例如r和v的组合表示距离多普勒,θ和的组合表示二维角度谱,r、θ和/>的两两组合表示三维位置点云的三视图,同样,x、y和z的两两组合也表示三维位置点云的三视图。同时,还可以构造任意两个目标参量的二维Γ谱分布,比如,将两个目标参量1wp和2wp的二维振幅谱分布,具体公式为:其中,左上标的k为参量索引,kw表示不同参量,ki表示不同参量的索引下标,/> 表示kw域的划分点数,Δkw表示kw域的划分间隔,/>表示kw域数据分布的偏移量,Π(·)表示连乘符号。
进一步地,步骤S4降维包括三维降维,得到三维参量分布集合{1wp,2wp,3wp|p=1,2,3,...,NS},其中,1wp、2wp和3wp为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意三个参量,选择这三个目标参量时优先选择有物理意义的组合,例如,r、θ和/>的组合构成球坐标系的三维位置点云,x、y和z的组合构成三维直角坐标系的三维位置点云。同时,还可以构造任意三个目标参量的三维Γ谱分布,比如,将三个目标参量1w、2w和3w的三维振幅谱分布,具体公式为:/>
以此类推,可以构造更高维的参量分布集合和Γ谱分布,例如,可以构造参量1w、2w、3w和w4的四维点云振幅谱,具体公式为: 1w、2w、3w和w4这四个参量可以优先选择具有物理意义的组合。
步骤S4中谱分布包括振幅谱和径向速度谱,对目标点云集合的降维表示,除了可以定义振幅谱分布,还可以灵活地定义其他参量的谱分布,下面定义径向速度谱分布作为示例。由于径向速度有正负差异,如果直接进行叠加会出现正负抵消的问题,因此,首先对所有目标点的径向速度值添加偏移量vmax,从而将除了径向速度参量v职位的任一目标参量w的一维径向速度谱分布定义为:更高维的径向速度谱可以参考上述振幅谱的公式,将其中的Ap替换为(vp+vmax)进行构造。
进一步地,步骤S5包括如下步骤:
S51:构造参量w的2D点云w-时间振幅谱特征,具体公式为:其中,A(w(Ti))表示第Ti帧的1D点云w振幅谱,上标的T表示转置符号;
S52:构造1W和2W的3D点云振幅谱时间序列特征,具体公式为:A(1w,2w,T)={A(1w(Ti),2w(Ti)),i=1,2,3,...,NT},其中,A(1w(Ti),2w(Ti))表示第Ti帧的2D点云1W-2W振幅谱;
S53:将2D点云1W-2W帧叠加点云振幅谱特征定义为滑动特征窗中所有帧2D点云振幅谱表示的非相干叠加平均,具体公式为:
S54:将2D点云1W-2W帧拼接点云振幅谱特征定义为滑动特征窗内所有帧的2D点云振幅谱表示沿1W或2W方向的拼接,具体公式为:
本发明提供一种雷达点云的降维表征方法,雷达传感器向目标场景发射探测信号并接收该目标场景散射的回波信号,然后对该回波信号进行数据处理并生成目标点云集合,再对该目标点云集合进行降维表示,并得到谱分布,最后构造不同的时变特征和空变特征。本发明通过对雷达点云进行降维等数据处理,可以更高效准确地利用雷达获取的目标场景信息,充分表征感兴趣目标,这对于自动驾驶、物联网等场景中的雷达感知应用至关重要。
本发明已由上述相关实施例加以描述,然而上述实施例仅为实施本发明的范例。必需指出的是,已揭露的实施例并未限制本发明的范围。相反地,在不脱离本发明的精神和范围内所作的更动与润饰,均属本发明的专利保护范围。
Claims (10)
1.一种雷达点云的降维表征方法,其特征在于,该方法包括如下步骤:
S1:雷达传感器向目标场景发射探测信号;
S2:该雷达传感器接收该目标场景散射的回波信号;
S3:对该回波信号进行数据处理并生成目标点云集合;
S4:对该目标点云集合进行降维表示,并得到谱分布;
S5:构造不同的时变特征和空变特征。
2.根据权利要求1所述的一种雷达点云的降维表征方法,其特征在于,该目标场景包括静态目标场景和动态目标场景,其中静态目标场景不含运动的目标,动态目标场景包含运动的目标。
3.根据权利要求1所述的一种雷达点云的降维表征方法,其特征在于,步骤S3中该目标点云集合包含的目标测量参数有径向距离、径向速度、方位角、俯仰角、振幅和相位,具体表示为:其中,S表示目标点云集合,rp表示该目标场景中第P个目标点的径向距离,vp表示该目标场景中第P个目标点的径向速度,θp表示该目标场景中第P个目标点的方位角,/>表示该目标场景中第P个目标点的俯仰角,Ap表示该目标场景中第P个目标点的振幅,ψp表示该目标场景中第P个目标点的相位,NS表示目标点云集合中目标点云的数目。
4.根据权利要求1所述的一种雷达点云的降维表征方法,其特征在于,步骤S4前包含步骤:将该目标点云集合的坐标系从球坐标系转换为三维直角坐标系。
5.根据权利要求4所述的一种雷达点云的降维表征方法,其特征在于,转换后的目标点云集合为:S={vp,xp,yp,zp,Ap,ψp|p=1,2,3,...,NS},其中,xp、yp和zp表示该目标场景中第P个目标点的三维空间坐标,/>表示该目标场景中第P个目标点的俯仰角,ψp表示该目标场景中第P个目标点的相位。
6.根据权利要求1所述的一种雷达点云的降维表征方法,其特征在于,步骤S4降维包括一维降维,得到一维参量分布集合{wp|p=1,2,3,...,NS},其中,w为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意一个参量。
7.根据权利要求1所述的一种雷达点云的降维表征方法,其特征在于,步骤S4降维包括二维降维,得到二维参量分布集合{1wp,2wp|p=1,2,3,...,NS},其中,1wp和2wp为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意两个参量。
8.根据权利要求1所述的一种雷达点云的降维表征方法,其特征在于,步骤S4降维包括三维降维,得到三维参量分布集合{1wp,2wp,3wp|p=1,2,3,...,NS},其中,1wp、2wp和3wp为r、v、θ、A、ψ、x、y和z这9个不同目标参量中的任意三个参量。
9.根据权利要求1所述的一种雷达点云的降维表征方法,其特征在于,步骤S4中该谱分布包括振幅谱和径向速度谱。
10.根据权利要求1所述的一种雷达点云的降维表征方法,其特征在于,步骤S5包括如下步骤:
S51:构造参量w的2D点云w-时间振幅谱特征,具体公式为:其中,A(w(Ti))表示第Ti帧的1D点云w振幅谱,上标的T表示转置符号;
S52:构造1W和2W的3D点云振幅谱时间序列特征,具体公式为:A(1w,2w,T)={A(1w(Ti),2w(Ti)),i=1,2,3,...,NT},其中,A(1w(Ti),2w(Ti))表示第Ti帧的2D点云1W-2W振幅谱;
S53:将2D点云1W-2W帧叠加点云振幅谱特征定义为滑动特征窗中所有帧2D点云振幅谱表示的非相干叠加平均,具体公式为:
S54:将2D点云1W-2W帧拼接点云振幅谱特征定义为滑动特征窗内所有帧的2D点云振幅谱表示沿1W或2W方向的拼接,具体公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310809324.9A CN117008072A (zh) | 2023-07-04 | 2023-07-04 | 一种雷达点云的降维表征方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310809324.9A CN117008072A (zh) | 2023-07-04 | 2023-07-04 | 一种雷达点云的降维表征方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117008072A true CN117008072A (zh) | 2023-11-07 |
Family
ID=88573624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310809324.9A Pending CN117008072A (zh) | 2023-07-04 | 2023-07-04 | 一种雷达点云的降维表征方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117008072A (zh) |
-
2023
- 2023-07-04 CN CN202310809324.9A patent/CN117008072A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ouaknine et al. | Carrada dataset: Camera and automotive radar with range-angle-doppler annotations | |
Wang et al. | RODNet: A real-time radar object detection network cross-supervised by camera-radar fused object 3D localization | |
US11927668B2 (en) | Radar deep learning | |
CN108427115B (zh) | 合成孔径雷达对运动目标参数的快速估计方法 | |
CN110568433A (zh) | 基于毫米波雷达的高空抛物检测方法 | |
CN111145337B (zh) | 基于分辨率逼近的快速稀疏重构的线阵sar三维成像方法 | |
Cui et al. | 3D detection and tracking for on-road vehicles with a monovision camera and dual low-cost 4D mmWave radars | |
WO2020052441A1 (zh) | 目标分类方法和相关设备 | |
Pandey et al. | Classification of automotive targets using inverse synthetic aperture radar images | |
CN115061113B (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
CN107153191B (zh) | 一种针对隐形飞机的双基isar成像检测方法 | |
CN111060909B (zh) | 一种机载雷达斜前视超分辨成像方法 | |
EP3749977A1 (en) | Method and apparatus for object detection using a beam steering radar and convolutional neural network system | |
Ram | Fusion of inverse synthetic aperture radar and camera images for automotive target tracking | |
Liu et al. | Visual driving assistance system based on few-shot learning | |
CN116466307B (zh) | 一种基于深度图的毫米波雷达点云仿真的方法和装置 | |
Pandey et al. | Database of simulated inverse synthetic aperture radar images for short range automotive radar | |
Zhang et al. | Scan denoising and normal distribution transform for accurate radar odometry and positioning | |
CN117008072A (zh) | 一种雷达点云的降维表征方法 | |
CN115685098A (zh) | 一种对sar-gmti的多虚假目标干扰方法 | |
CN114185047B (zh) | 一种基于最优极坐标变换的双基sar动目标重聚焦方法 | |
CN110082760A (zh) | 一种随机辐射雷达三维高分辨成像方法 | |
Phippen et al. | 3D Images of Pedestrians at 300GHz | |
CN115131756A (zh) | 一种目标检测方法及装置 | |
CN116027288A (zh) | 生成数据的方法、装置、电子设备及存储介质 |
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 |