CN117784035A - 目标检测方法、装置、设备、存储介质和程序产品 - Google Patents
目标检测方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN117784035A CN117784035A CN202211179369.4A CN202211179369A CN117784035A CN 117784035 A CN117784035 A CN 117784035A CN 202211179369 A CN202211179369 A CN 202211179369A CN 117784035 A CN117784035 A CN 117784035A
- Authority
- CN
- China
- Prior art keywords
- radar data
- target
- dynamic
- static
- thermodynamic diagram
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 126
- 230000003068 static effect Effects 0.000 claims abstract description 160
- 238000000034 method Methods 0.000 claims abstract description 72
- 238000010586 diagram Methods 0.000 claims description 181
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 19
- 230000008859 change Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种目标检测方法、装置、设备、存储介质和程序产品。该方法包括:获取检测区域的毫米波雷达数据;毫米波雷达数据中包括检测区域中目标的高度信息;获取毫米波雷达数据中的静态雷达数据和动态雷达数据;从静态雷达数据中提取静态目标以及从动态雷达数据中提取动态目标;将静态目标和动态目标进行合并,得到检测区域的目标检测结果。采用本方法能够提高毫米波雷达在检测目标时的检测效果。
Description
技术领域
本申请涉及雷达信号处理技术领域,特别是涉及一种目标检测方法、装置、设备、存储介质和程序产品。
背景技术
在自动驾驶中,毫米波雷达作为距离传感器能够检测道路上的车辆、行人等目标,并给出目标在传感器自身坐标系中的位置、速度等信息。
毫米波雷达具有全天时、全天候工作的优势,因此有着举足轻重的地位。一般毫米波雷达采用收发调频连续波(Frequency-Modulated Continuous Wave,FMCW)信号进行测距和测速,以及通过多进多出(multiple-in multipleout,MIMO)技术布置多个接收天线,根据接收信号的相位差进行测角。
然而,毫米波雷达在检测目标时检测效果较差。
发明内容
基于此,有必要针对上述技术问题,提供一种目标检测方法、装置、设备、存储介质和程序产品,能够提高毫米波雷达在检测目标时的检测效果。
第一方面,本申请提供了一种目标检测方法,该方法包括:
获取检测区域的毫米波雷达数据;毫米波雷达数据中包括检测区域中目标的高度信息;
获取毫米波雷达数据中的静态雷达数据和动态雷达数据;
从静态雷达数据中提取静态目标以及从动态雷达数据中提取动态目标;
将静态目标和动态目标进行合并,得到检测区域的目标检测结果。
在其中一个实施例中,获取毫米波雷达数据中的静态雷达数据和动态雷达数据,包括:
获取毫米波雷达数据的多普勒速度;
将多普勒速度为0的毫米波雷达数据确定为静态雷达数据,将多普勒速度不为0的毫米波雷达数据确定为动态雷达数据。
在其中一个实施例中,从静态雷达数据提取静态目标,包括:
对静态雷达数据进行到达角估计处理,获取当前帧距离角度热力图;
根据当前帧距离角度热力图和背景帧距离角度热力图,确定多个候选静态目标点;
对多个候选静态目标点进行聚类处理,得到静态雷达数据中的静态目标。
在其中一个实施例中,根据当前帧距离角度热力图和背景帧距离角度热力图,确定多个候选静态目标点,包括:
获取当前帧距离角度热力图和背景帧距离角度热力图之间的差分热力图;
从差分热力图在提取所有能量大于预设值的目标点确定为各候选静态目标点。
在其中一个实施例中,该方法还包括:
获取预存的各历史距离角度热力图的总能量值和当前帧距离角度热力图的总能量值;
将总能量值最小的一帧热力图确定为背景帧距离角度热力图。
在其中一个实施例中,从动态雷达数据中提取动态目标,包括:
获取动态雷达数据的距离多普勒角度的三维度傅里叶变换结果;
根据三维度傅里叶变换结果,获取动态距离角度热力图;
从动态距离角度热力图中提取所有候选动态目标点;
根据目标点的速度信息,对各候选动态目标点进行聚类,得到动态雷达数据中的动态目标。
在其中一个实施例中,根据三维度傅里叶变换结果,获取动态距离角度热力图,包括:
在三维度傅里叶变换结果中的距离多普勒维度上获取多个参考单元;参考单元表示存在目标点的概率大于预设概率阈值的单元;
获取各参考单元中同一距离单元下的参考多普勒单元;参考多普勒单元表示存在目标点的概率大于预设概率阈值的单元;
对各参考多普勒单元中动态雷达数据进行到达角估计处理,得到动态距离角度热力图。
第二方面,本申请还提供了一种目标检测装置,该装置包括:
雷达数据获取模块,用于获取检测区域的毫米波雷达数据;毫米波雷达数据中包括检测区域中目标的高度信息;
雷达数据区分模块,用于获取毫米波雷达数据中的静态雷达数据和动态雷达数据;
目标提取模块,用于从静态雷达数据中提取静态目标以及从动态雷达数据中提取动态目标;
目标合并模块,用于将静态目标和动态目标进行合并,得到检测区域的目标检测结果。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面中任一项实施例中的方法步骤。
第四方面,本申请还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面中任一项实施例中的方法步骤。
第五方面,本申请还提供了一种计算机程序产品。计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面中任一项实施例中的方法步骤。
上述目标检测方法、装置、设备、存储介质和程序产品,获取检测区域的毫米波雷达数据,获取毫米波雷达数据中的静态雷达数据和动态雷达数据,从静态雷达数据中提取静态目标以及从动态雷达数据中提取动态目标,将静态目标和动态目标进行合并,得到检测区域的目标检测结果,其中,毫米波雷达数据中包括检测区域中目标的高度信息。该方法中将毫米波雷达数据划分为静态雷达数据和动态雷达数据,分别提取静态雷达数据和动态雷达数据中的静态目标和动态目标,相比于传统毫米波雷达中忽略静态目标,仅对动态目标进行检测,该方法可以同时考虑到静态目标和动态目标,保证了目标检测过程中目标的完整性,再将静态目标与动态目标合并后,使得目标检测结果中包括完整的目标信息,提高了毫米波雷达在检测目标时的检测效果。
附图说明
图1为一个实施例中目标检测方法的应用环境图;
图2为一个实施例中目标检测方法的流程示意图;
图3为一个实施例中目标检测方法的流程示意图;
图4为一个实施例中目标检测方法的流程示意图;
图5为一个实施例中目标检测方法的流程示意图;
图6为一个实施例中目标检测方法的流程示意图;
图7为一个实施例中目标检测方法的流程示意图;
图8为一个实施例中目标检测方法的流程示意图;
图9为一个实施例中到达角的示意图;
图10为一个实施例中目标检测方法的流程示意图;
图11为一个实施例中目标检测方法的流程示意图;
图12为一个实施例中目标检测装置的结构框图;
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
随着目标检测技术的不断发展,目标检测可以应用于自动驾驶、视频监控、计算机视觉等领域中。在自动驾驶领域对目标进行检测的过程中,可以通过毫米波雷达、激光雷达、超声波雷达和摄像头获取道路上的车辆、行人等检测数据,根据获取的检测数据,确定道路上的车辆或行人的位置、角度等信息。
由于毫米波雷达的最大测量距离大、测量过程穿透力高、全天时、全天候工作的优势,毫米波雷达通过收发被广泛的应用于自动驾驶领域。毫米波雷达采用收发FMCW信号进行测距和测速,以及通过MIMO技术,布置多个接收天线,根据接收信号的相位差进行测角。
毫米波雷达的工作过程可以包括:通过合成器生成一个chirp信号,并通过发射天线将该chirp信号发射,通过接收天线接收反射回的chirp信号,混沌器将发射天线和接收天线的对应的chirp信号进行混合,生成中频(Intermediate Frequency,IF)信号,该IF信号用于在中频衡量中波或短波调谐器抑制外来干扰的能力。获取目标点与毫米波雷达之间的距离时,可以对IF信号进行快速傅里叶变换(Fast Fourier Transform,FFT),根据得到的峰值频率计算目标点的位置,该过程为range FFT。获取目标点的径向速度时,基于目标运动速度造成的多普勒频移(Doppler Shift)是指当移动物体以恒定的速率沿某一方向移动时,由于传播路程差的原因,会造成相位和频率的变化,通常将这种变化称为多普勒频移,对单个天线中所有的chirp在range FFT后得到的结果,进行chirp间的FFT,根据得到的峰值频率计算目标点的移动速度,即doppler FFT。获取目标点的到达角(Direction OfArrival,DOA)估计时,基于目标所在角度造成的在不同接收天线之间相位差,进行DOA估计,基于不同天线信号数据间的FFT,再利用得到的峰值频率计算目标角度,即angle FFT。上述过程均是根据傅里叶变换的可分离性,对于3D-FFT计算目标点与毫米波雷达之间的距离、角度,以及目标点的径向速度。
传统的毫米波雷达由于天线数量较少(一般有3根发射天线、4根接收天线)、角分辨率有限、杂波难以滤除等因素,通常会选择将静态目标滤除,仅对动态目标进行检测,以最大程度上去除杂波的影响,由于传统的毫米雷达进行目标检测过程中忽略了静态目标,导致得到的目标信息与实际的道路信息差别较大,导致目标检测效果较差。
而4D毫米波雷达则配置了较多的天线(有12根发射天线、16根接收天线),拥有更高的角分辨率,故而具备一定的成像能力,能够更好地将杂波和目标信息区分开,同时能够检测出目标的距离、速度、方向角以及高度四个维度信息。因此,在使用4D毫米波雷达进行感知时,可以一定程度上保留静止目标,提供更好的感知效果。
基于此,本申请基于4D毫米波雷达,根据doppler FFT得到的目标点的移动速度,将静态数据与动态数据分组,对于静态数据与动态数据分别进行到达角估计、目标点提取后,再将静态数据与动态数据进行合并,得到最终的毫米波雷达输出结果,该输出结果既包括静态目标的结果,又包括动态目标的结果。
本申请实施例提供的目标检测方法,可以应用于如图1所示的应用环境中。车辆上搭载毫米波雷达103进行环境感知,车辆中的处理器101与毫米波雷达102进行通信,并根据感知得到的环境数据进行目标检测。其中,处理器101获取毫米波雷达102所得到检测区域的毫米波雷达数据,将毫米波雷达数据划分为静态雷达数据和动态雷达数据,并分别从静态雷达数据和动态雷达数据中提取静态目标和动态目标,将静态目标与动态目标合并,得到检测区域的目标检测结果。
可选地,上述目标检测方法还可以应用于路侧基站,路侧基站与车辆进行通信,以获取毫米波雷达数据,根据毫米波雷达数据,对待测区域进行目标检测,最终再将目标检测结果反馈至车辆。
在一个实施例中,如图2所示,提供了一种目标检测方法,以该方法应用于图1中的车辆中的处理器为例进行说明,包括以下步骤:
S201,获取检测区域的毫米波雷达数据;毫米波雷达数据中包括检测区域中目标的高度信息。
其中,毫米波雷达是工作在毫米波波段(Millimeter Wave)探测的雷达,一般情况下,毫米波是指30-300GHz频域,即波长为1-10mm。毫米波雷达数据是指根据收发连续波信号,确定目标点与毫米波雷达之间的距离、径向速度和角度。检测区域的毫米波雷达数据包括目标的距离、速度、方向角以及高度四个维度信息。
在本实施例中,处理器可以向毫米波雷达发送检测指令,该检测指令中携带检测区域的标识信息,当毫米波雷达接收到该检测指令后,根据该检测指令向检测区域发送FMCW信号,并接收经过目标点反射回的FMCW信号,毫米波雷达可以将收发的FMCW信号实时传送给处理器,处理器获取到检测区域的毫米波雷达数据。
S202,获取毫米波雷达数据中的静态雷达数据和动态雷达数据。
其中,静态雷达数据是指在检测过程中目标点的速度为0对应的毫米波雷达数据,动态雷达数据是指在检测过程中目标点的速度不为0对应的毫米波雷达数据。
可选的,处理器可以对IF信号进行快速傅里叶变换,根据得到的峰值频率计算目标点的位置,即range FFT,再对单个天线中所有的chirp在range FFT后得到的结果,进行chirp间的FFT,根据得到的峰值频率计算目标点的移动速度,即doppler FFT,当dopplerFFT为0时,该doppler FFT对应的毫米波雷达数据为静态雷达数据;当doppler FFT不为0时,该doppler FFT对应的毫米波雷达数据为动态雷达数据。可选的,处理器可以将历史毫米波雷达数据中的历史静态雷达数据和历史动态雷达数据作为训练样本,训练初始神经网络模型,得到分类模型,将毫米波雷达数据输入至分类模型中,通过分类模型对毫米波雷达数据进行分析,输出毫米波雷达数据的分类结果。例如,当分类模型输出结果为1时,对应静态雷达数据;当分类结果为2时,对应动态雷达数据。本实施例对于获取毫米波雷达数据中的静态雷达数据和动态雷达数据的方式不做限定。
S203,从静态雷达数据中提取静态目标以及从动态雷达数据中提取动态目标。
其中,静态目标是指在检测过程中速度为0的目标点,动态目标是指在检测过程中速度不为0的目标点。例如,静态目标可以是道路两侧的建筑物、树木、道路中间的井盖、减速带、悬在半空中的各种标识牌、限高架等,动态目标可以是在道路上行驶的车辆、行人等。
可选的,处理器可以根据静态雷达数据,得到静态距离角度热力图,根据静态距离角度热力图中各像素点的能量值,确定静态雷达数据中的静态目标,以及,可以根据动态雷达数据,得到动态距离角度热力图,根据动态距离角度热力图中各像素点的能量值,确定动态雷达数据中的动态目标。可选的,处理器可以通过建立动态雷达数据的栅格地图,利用贝叶斯推理推测由于毫米波雷达误差造成栅格状态的不确定性,通过比较当前时刻和随时间累积形成的栅格状态的不一致性检测运动目标,以及,处理器可以对静态雷达数据进行分割、聚类等操作,提取静态目标的形态特征,得到静态目标。
S204,将静态目标和动态目标进行合并,得到检测区域的目标检测结果。
在本实施例中,可以根据静态目标的距离、方向角和高度,以及,动态目标的初始距离、初始方向角和初始高度,得到检测区域的初始目标检测结果,对静态目标和动态目标进行目标跟踪,根据初始目标检测结果、目标跟踪结果,生成检测区域的目标检测结果。
进一步的,可以理解的是,由于动态目标在移动过程中,动态目标的距离、方向角和高度均有可能发生变化,动态目标会形成新的跟踪轨迹,静态目标不会生成新的跟踪轨迹。因此,对动态目标进行跟踪过程中,将目标跟踪的新的跟踪轨迹与动态目标进行关系,将未生成新的跟踪轨迹与静态目标关联,得到目标跟踪结果,根据初始目标检测结果、目标跟踪结果,生成检测区域的目标检测结果。
上述目标检测方法,获取检测区域的毫米波雷达数据,获取毫米波雷达数据中的静态雷达数据和动态雷达数据,从静态雷达数据中提取静态目标以及从动态雷达数据中提取动态目标,将静态目标和动态目标进行合并,得到检测区域的目标检测结果,其中,毫米波雷达数据中包括检测区域中目标的高度信息。该方法中将毫米波雷达数据划分为静态雷达数据和动态雷达数据,分别提取静态雷达数据和动态雷达数据中的静态目标和动态目标,相比于传统毫米波雷达中忽略静态目标,仅对动态目标进行检测,该方法可以同时考虑到静态目标和动态目标,保证了目标检测过程中目标的完整性,再将静态目标与动态目标合并后,使得目标检测结果中包括完整的目标信息,提高了毫米波雷达在检测目标时的检测效果。
本实施例是对图2中步骤S202“获取毫米波雷达数据中的静态雷达数据和动态雷达数据”的具体内容进行介绍说明。如图3所示,上述步骤S202可以包括如下内容:
S301,获取毫米波雷达数据的多普勒速度。
其中,多普勒速度是指应用多普勒效应测得目标点与毫米波雷达之间的径向速度,多普勒效应是指当伽马射线、光和无线电波等振动源与毫米波雷达以相对速度相对运动时,毫米波雷达收到的振动频率与振动源所发出的频率有所不同。
在本实施例中,假设毫米波雷达发射的FMCW信号为f0,毫米波雷达接收到的FMCW信号为f0',则接收的FMCW信号f0'与发射的FMCW信号f0之间的关系式可以表示为:
其中,VR为多普勒速度,C表示光速。
则对应的毫米波雷达的多普勒速度可以表示为:
S302,将多普勒速度为0的毫米波雷达数据确定为静态雷达数据,将多普勒速度不为0的毫米波雷达数据确定为动态雷达数据。
在本实施例中,多普勒速度为0表示目标点处于静止状态,该目标点对应的毫米波雷达数据为静止雷达数据;多普勒速度不为0表示目标点处于移动状态,该目标点对应的毫米波雷达数据为动态雷达数据。处理器可以对多普勒速度的值进行判断,将多普勒速度为0对应的毫米波雷达数据作为静态雷达数据,将其他的毫米波雷达数据作为动态雷达数据。
上述目标检测方法,获取毫米波雷达数据的多普勒速度,将多普勒速度为0的毫米波雷达数据确定为静态雷达数据,将多普勒速度不为0的毫米波雷达数据确定为动态雷达数据。该方法通过计算毫米波雷达数据的多普勒速度,可以准确的获取毫米波雷达检测区域中目标点的径向速度,根据多普勒速度,可以更加精确的区分毫米波雷达数据中的静态雷达数据和动态雷达数据。
本实施例是对图2中步骤S203“从静态雷达数据提取静态目标”的具体内容进行介绍说明。如图4所示,上述步骤S203可以包括如下内容:
S401,对静态雷达数据进行到达角估计处理,获取当前帧距离角度热力图。
其中,距离角度热力图是指以特殊高亮的形式显示存在目标点的区域,包括X、Y两个维度,X轴是指目标点与毫米波雷达之间的距离,Y轴是指目标点与毫米波雷达之间的角度。
在本实施例中,毫米波雷达由于设置在自动驾驶车辆上,毫米波雷达也随着自动驾驶车辆的移动而移动,因此,通过毫米波雷达采集的每一帧静态雷达数据都是不同的。
对于某一帧静态雷达数据来说,处理器可以通过快速傅里叶变换方法对毫米波雷达数据进行分析,得到目标点与毫米波雷达之间的距离。同时,可以通过到达角估计处理算法对静态雷达数据进行到达角估计处理,得到静态雷达数据对应的物体与毫米波雷达之间的角度。该到达角估计处理算法可以是傅里叶变换、波束形成算法、子空间、压缩感知等算法计算目标点与毫米波雷达之间的角度。将得到的物体与毫米波雷达之间的距离和角度输入至预设的图像生成工具中,通过图像生成工具对目标点与毫米波雷达之间的距离和角度进行分析,输出当前帧的距离与角度的图像,即距离角度热力图。
S402,根据当前帧距离角度热力图和背景帧距离角度热力图,确定多个候选静态目标点。
在本实施例中,处理器可以将当前帧距离角度热力图和背景帧距离角度热力图中各像素点的能量值进行对比,计算前帧距离角度热力图与背景帧距离角度热力图中各像素点的能量值的差值,将各像素点的能量值的差值与预设的差值阈值进行比较,若各像素点的能量值的差值大于预设的差值阈值,则将该像素点确定为候选静态目标点。
S403,对多个候选静态目标点进行聚类处理,得到静态雷达数据中的静态目标。
在本实施例中,处理器可以通过常用的聚类算法对多个候选静态目标点进行聚类,将属于同一个目标的目标点归为一类,得到静态雷达数据中的静态目标。常用的聚类算法可以包括欧式聚类、基于密度的空间聚类算法(Density-Based Spatial Clustering ofApplications with Noise,DBSCAN)、主成分分析算法(Principal Components Analysis,PCA)、K均值聚类算法(K-means Clustering Algorithm,K-means)、高斯混合模型(Gaussian Mixed Model,GMM)、谱聚类算法等。
上述目标检测方法,对静态雷达数据进行到达角估计处理,获取当前帧距离角度热力图,根据当前帧距离角度热力图和背景帧距离角度热力图,确定多个候选静态目标点,对多个候选静态目标点进行聚类处理,得到静态雷达数据中的静态目标。该方法获取通过毫米波雷达数据,可以准确地获取距离角度热力图,通过距离角度热力图可以更加清楚直观对目标点的距离和角度进行观测,从而可以通过当前帧距离角度热力图、背景帧距离角度热力图,准确地确定静态雷达数据中的候选静态目标点,进而可以准确地确定静态雷达数据中的静态目标。
本实施例是对图4中步骤S402“根据当前帧距离角度热力图和背景帧距离角度热力图,确定多个候选静态目标点”的具体内容进行介绍说明。如图5所示,上述步骤S402可以包括如下内容:
S501,获取当前帧距离角度热力图和背景帧距离角度热力图之间的差分热力图。
其中,差分热力图是指当前帧距离角度热力图和背景帧距离角度热力图中各个像素点的能量差值组成的热力图,差分热力图中的能量是指物体与毫米波雷达之间的距离、角度在热力图中的量化值。
在本实施例中,处理器可以分别获取当前帧距离角度热力图中各个像素点的能量值,以及背景帧距离角度热力图中各个像素点的能量值,计算当前帧距离角度热力图中各个像素点的能量值与背景帧距离角度热力图中各个像素点的能量值的差值,得到各个像素点的能量差值,将各个像素点的能量差值组合形成的热力图确定为差分热力图。
S502,从差分热力图在提取所有能量大于预设值的目标点确定为各候选静态目标点。
在本实施例中,预设的能量阈值可以是根据历史经验获得的。处理器可以通过自适应恒定虚警率算法(Constant False-Alarm Rate,CFAR)对差分热力图进行分析,获取差分热力图中各像素点对应的能量,并将各像素点对应的能量与预设的能量阈值进行比较,将能量大于预设的能量阈值的像素点确定为各候选静态目标点。
上述目标检测方法,获取当前帧距离角度热力图和背景帧距离角度热力图之间的差分热力图,从差分热力图在提取所有能量大于预设值的目标点确定为各候选静态目标点。该方法通过计算当前帧距离角度热力图和背景帧距离角度热力图的差值,得到两者之间的差分热力图,避免了背景帧距离角度热力图中的能量对于当前帧距离角度热力图的影响,从而可以将差分热力图中各像素点的能量与预设的能量阈值进行比较,可以更加准确的确定大于预设能量阈值的能量对应的像素点,该像素点对应的目标点为各候选静态目标点。
在上述实施例的基础上,本实施例是对上述图4、图5中背景帧距离角度热力图的获取过程的具体内容进行介绍说明,如图6所示,上述步骤还可以包括如下内容:
S601,获取预存的各历史距离角度热力图的总能量值和所述当前帧距离角度热力图的总能量值。
在本实施例中,对静态雷达数据进行到达角估计处理,获取每一帧距离角度热力图后,将每一帧距离角度热力图均存储至距离角度热力图数据库中检测区域的标识信息对应的区域中。处理器可以根据检测区域的标识信息从进行查找,以获取存储在距离角度热力图数据库中的各历史距离角度热力图,获取每一个历史距离角度热力图中各像素点对应的能量值,再将各像素点对应的能量值进行相加,得到每一个历史距离角度热力图对应的总能量值。同时,按照上述计算总能量值的方式,计算当前帧对应的距离角度热力图的总能量值。
S602,将总能量值最小的一帧热力图确定为所述背景帧距离角度热力图。
在本实施例中,处理器可以将各历史距离角度热力图与当前帧距离角度热力图按照总能量值进行从大到小的顺序排序处理,将排序在最后一帧总能量值对应的热力图确定为背景帧距离角度热力图。
进一步的,可以理解的是,若下一帧距离角度热力图的总能量值小于背景帧距离角度热力图,则将下一帧距离角度热力图确定为新的背景帧距离角度热力图。
上述目标检测方法,获取预存的各历史距离角度热力图的总能量值和所述当前帧距离角度热力图的总能量值,将总能量值最小的一帧热力图确定为所述背景帧距离角度热力图。该方法通过获取所有帧的距离角度热力图的总能量值,将总能量值最小的热力图作为背景帧距离角度热力图,以避免背景帧距离角度热力图对当前帧距离角度热力图的影响,提高了确定静态目标点的准确性。
本实施例是对图2中步骤S203“从动态雷达数据中提取动态目标”的具体内容进行介绍说明。如图7所示,上述步骤S203可以包括如下内容:
S701,获取动态雷达数据的距离多普勒角度的三维度傅里叶变换结果。
其中,距离多普勒角度的三维度傅里叶变换结果就是对动态雷达数据进行3D FFT变换,得到动态雷达数据对应的距离、速度和角度。
在本实施例中,处理器可以对IF信号进行FFT变换,根据得到的峰值频率计算目标点的位置,再对单个天线中所有的chirp在range FFT后得到的结果,进行chirp间的FFT,根据得到的峰值频率计算目标点的移动速度,最后基于不同天线信号数据间的FFT,再利用得到的峰值频率计算目标角度,即可得到动态雷达数据对应的距离、速度和角度的三维度傅里叶变换结果。
S702,根据三维度傅里叶变换结果,获取动态距离角度热力图。
其中,动态距离角度热力图中各个像素点的能量是随时间发生变化的,
在本实施例中,处理器可以将动态雷达数据对应的距离、速度和角度的三维度傅里叶变换结果输入至预设的图像生成工具中,通过图像生成工具对目标点与毫米波雷达之间距离、角度、速度进行分析,输出动态雷达数据对应的动态距离角度热力图。
S703,从动态距离角度热力图中提取所有候选动态目标点。
在本实施例中,动态距离角度热力图是由多个距离角度热力图组成的,处理器可以获取动态距离角度热力图中的距离角度热力图,通过CFAR对距离角度热力图进行分析,提取距离角度热力图中可能存在的目标点,再通过子空间法对该目标点在动态距离角度热力图中的目标点进行分析,得到该目标点的空间谱图,将空间谱图中峰值大于预设阈值的点确定为候选动态目标点。
S704,根据目标点的速度信息,对各候选动态目标点进行聚类,得到动态雷达数据中的动态目标。
在本实施例中,处理器可以通过动态聚类算法对各候选动态目标点进行聚类,先将速度信息相同的目标点归为一类,再对同一速度信息的一类目标按照位置信息继续进行聚类,得到动态雷达数据中的动态目标。其中,动态聚类算法可以包括K均值聚类算法、迭代自组织的数据分析算法(Iterative Self-organizing Data Analysis TechniquesAlgorithm,ISODATA)等。
上述目标检测方法,获取动态雷达数据的距离多普勒角度的三维度傅里叶变换结果,根据三维度傅里叶变换结果,获取动态距离角度热力图,从动态距离角度热力图中提取所有候选动态目标点,根据目标点的速度信息,对各候选动态目标点进行聚类,得到动态雷达数据中的动态目标。该方法通过对动态雷达数据进行三维度傅里叶变换,得到动态雷达数据中的距离角度信息,根据该距离角度信息,可以获取更加准确的动态距离角度热力图,从而可以在动态距离角度热力图中确定候选动态目标点,进而可以准确地确定动态雷达数据中的动态目标。
本实施例是对图7中步骤S702“根据三维度傅里叶变换结果,获取动态距离角度热力图”的具体内容进行介绍说明。如图8所示,上述步骤S702可以包括如下内容:
S801,在三维度傅里叶变换结果中的距离多普勒维度上获取多个参考单元;参考单元表示存在目标点的概率大于预设概率阈值的单元。
其中,距离多普勒维度是指距离与速度两个维度。
在本实施例中,处理器可以将三维度傅里叶变换结果中的距离、速度和角度用三维热力图表示,从该三维热力图中选择距离角度热力图,通过CFAR方法提取距离角度热力图中各像素的能量值,若某一像素点的能量值大于预设能量值,则确定该像素点存在目标点的概率大于预设概率阈值的单元,并将该像素点确定为参考单元,得到距离多普勒维度上获取多个参考单元。
S802,获取各参考单元中同一距离单元下的参考多普勒单元;参考多普勒单元表示存在目标点的概率大于预设概率阈值的单元。
可选的,处理器可以获取各参考单元的距离,将各参考单元中距离相等的参考单元归为一组参考多普勒单元。可选的,处理器可以从距离速度热力图中确定同一距离单元下参考单元,并将同一距离的参考单元归为一组参考多普勒单元,得到多组参考多普勒单元。例如,第一参考单元的距离速度分别为(10m,20m/s),第二参考单元的距离速度分别为(15m,23m/s),第三参考单元的距离速度分别为(10m,25m/s),第四参考单元的距离速度分别为(15m,15m/s),则将第一参考单元和第二参考单元确定为同一距离单元下的参考多普勒单元,将第三参考单元和第四参考单元确定为同一距离单元下的参考多普勒单元。
S803,对各参考多普勒单元中动态雷达数据进行到达角估计处理,得到动态距离角度热力图。
在本实施例中,处理器可以通过子空间法对各参考多普勒单元中的动态雷达数据进行分析,得到动态雷达数据对应的空间谱图,各参考多普勒单元中动态雷达数据对应的角度,根据角度、傅里叶变换得到的距离构建各参考多普勒单元中动态雷达数据对应的动态距离角度热力图。
图9表示到达角与空间谱的示意图,从图中可以看出,空间谱的最大峰值对应的到达角为0°,两个次高峰对应的到达角分别为-30°和60°。
上述目标检测方法,在三维度傅里叶变换结果中的距离多普勒维度上获取多个参考单元;参考单元表示存在目标点的概率大于预设概率阈值的单元,获取各参考单元中同一距离单元下的参考多普勒单元,对各参考多普勒单元中动态雷达数据进行到达角估计处理,得到动态距离角度热力图,其中,参考多普勒单元表示存在目标点的概率大于预设概率阈值的单元。该方法在距离多普勒维度上获取多个参考单元,再根据多个参考单元确定参考多普勒单元,对参考多普勒单元中到达角进行估计,可以更加准确地获取动态距离角度热力图。
在一个实施例中,如图10所示,还提供一种目标检测方法的实施例,该实施例包括以下步骤:
S1001,获取检测区域的毫米波雷达数据;
S1002,获取毫米波雷达数据的多普勒速度;
S1003,将多普勒速度为0的毫米波雷达数据确定为静态雷达数据,将多普勒速度不为0的毫米波雷达数据确定为动态雷达数据;
S1004,对静态雷达数据进行到达角估计处理,获取当前帧距离角度热力图;
S1005,获取预存的各历史距离角度热力图的总能量值和当前帧距离角度热力图的总能量值;
S1006,将总能量值最小的一帧热力图确定为背景帧距离角度热力图;
S1007,获取当前帧距离角度热力图和背景帧距离角度热力图之间的差分热力图;
S1008,从差分热力图在提取所有能量大于预设值的目标点确定为各候选静态目标点;
S1009,获取动态雷达数据的距离多普勒角度的三维度傅里叶变换结果;
S1010,在三维度傅里叶变换结果中的距离多普勒维度上获取多个参考单元;参考单元表示存在目标点的概率大于预设概率阈值的单元;
S1011,获取各参考单元中同一距离单元下的参考多普勒单元;参考多普勒单元表示存在目标点的概率大于预设概率阈值的单元;
S1012,对各参考多普勒单元中动态雷达数据进行到达角估计处理,得到动态距离角度热力图;
S1013,从动态距离角度热力图中提取所有候选动态目标点;
S1014,根据目标点的速度信息,对各候选动态目标点进行聚类,得到动态雷达数据中的动态目标;
S1015,将静态目标和动态目标进行合并,得到检测区域的目标检测结果。
进一步的,可以理解的是,图11表示目标检测方法的流程示意图,在图11中,首先对毫米波雷达数据进行第一次傅里叶变换,得到距离信息,再对第一次傅里叶变换的结果进行第二次傅里叶变换,得到速度信息,将速度为0的毫米波雷达数据确定为静态雷达数据,将速度不为0的毫米波雷达数据确定为动态雷达数据,分别去静态雷达数据和动态雷达数据进行到达角估计处理,得到距离角度热力图,提取距离角度热力图中的静态目标点,以及,提取动态距离角度热力图中的动态目标点,将静态目标点和动态目标点进行拼合,得到检测区域的目标检测结果。
上述目标检测方法,将毫米波雷达数据划分为静态雷达数据和动态雷达数据,通过静态雷达数据,可以准确地获取距离角度热力图,通过距离角度热力图可以更加清楚直观对目标点的距离和角度进行观测,从而可以通过当前帧距离角度热力图、背景帧距离角度热力图,准确地确定静态雷达数据中的候选静态目标点,进而可以准确地确定静态雷达数据中的静态目标;通过对动态雷达数据进行三维度傅里叶变换,得到动态雷达数据中的距离角度信息,根据该距离角度信息,可以获取更加准确的动态距离角度热力图,从而可以在动态距离角度热力图中确定候选动态目标点,进而可以准确地确定动态雷达数据中的动态目标;相比于传统毫米波雷达中忽略静态目标,仅对动态目标进行检测,该方法可以同时考虑到静态目标和动态目标,保证了目标检测过程中目标的完整性,再将静态目标与动态目标合并后,使得目标检测结果中包括完整的目标信息,提高了毫米波雷达在检测目标时的检测效果。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的目标检测方法的目标检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个目标检测装置实施例中的具体限定可以参见上文中对于目标检测方法的限定,在此不再赘述。
在一个实施例中,如图12所示,提供了一种目标检测装置,包括:雷达数据获取模块11、雷达数据区分模块12、目标提取模块13和目标合并模块14,其中:
雷达数据获取模块11,用于获取检测区域的毫米波雷达数据;毫米波雷达数据中包括检测区域中目标的高度信息;
雷达数据区分模块12,用于获取毫米波雷达数据中的静态雷达数据和动态雷达数据;
目标提取模块13,用于从静态雷达数据中提取静态目标以及从动态雷达数据中提取动态目标;
目标合并模块14,用于将静态目标和动态目标进行合并,得到检测区域的目标检测结果。
在一个实施例中,上述雷达数据区分模块包括:第一获取单元和第一确定单元,其中:
第一获取单元,用于获取毫米波雷达数据的多普勒速度;
第一确定单元,用于将多普勒速度为0的毫米波雷达数据确定为静态雷达数据,将多普勒速度不为0的毫米波雷达数据确定为动态雷达数据。
在一个实施例中,上述目标提取模块包括:第二获取单元、第二确定单元、第三确定单元,其中:
第二获取单元,用于对静态雷达数据进行到达角估计处理,获取当前帧距离角度热力图;
第二确定单元,用于根据当前帧距离角度热力图和背景帧距离角度热力图,确定多个候选静态目标点;
第三确定单元,用于对多个候选静态目标点进行聚类处理,得到静态雷达数据中的静态目标。
在一个实施例中,上述第二确定单元还包括获取当前帧距离角度热力图和背景帧距离角度热力图之间的差分热力图;从差分热力图在提取所有能量大于预设值的目标点确定为各候选静态目标点。
在一个实施例中,上述第二确定单元还包括获取预存的各历史距离角度热力图的总能量值和当前帧距离角度热力图的总能量值;将总能量值最小的一帧热力图确定为背景帧距离角度热力图。
在一个实施例中,上述雷达数据区分模块还包括:第三获取单元和第四确定单元,其中:
第三获取单元,用于获取预存的各历史距离角度热力图的总能量值和当前帧距离角度热力图的总能量值;
第四确定单元,用于将总能量值最小的一帧热力图确定为背景帧距离角度热力图。
在一个实施例中,上述雷达数据区分模块还包括:第四获取单元、第五获取单元、提取单元和聚类单元,其中:
第四获取单元,用于获取动态雷达数据的距离多普勒角度的三维度傅里叶变换结果;
第五获取单元,用于根据三维度傅里叶变换结果,获取动态距离角度热力图;
提取单元,用于从动态距离角度热力图中提取所有候选动态目标点;
聚类单元,用于根据目标点的速度信息,对各候选动态目标点进行聚类,得到动态雷达数据中的动态目标。
在一个实施例中,上述第五获取单元还包括在三维度傅里叶变换结果中的距离多普勒维度上获取多个参考单元;参考单元表示存在目标点的概率大于预设概率阈值的单元;获取各参考单元中同一距离单元下的参考多普勒单元;参考多普勒单元表示存在目标点的概率大于预设概率阈值的单元;对各参考多普勒单元中动态雷达数据进行到达角估计处理,得到动态距离角度热力图。
上述目标检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是车辆,其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标检测过程中的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标检测方法。
本领域技术人员可以理解,图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述目标检测方法实施例中任一项实施例中的方法步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述目标检测方法实施例中任一项实施例中的方法步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述目标检测方法实施例中任一项实施例中的方法步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种目标检测方法,其特征在于,所述方法包括:
获取检测区域的毫米波雷达数据;所述毫米波雷达数据中包括所述检测区域中目标的高度信息;
获取所述毫米波雷达数据中的静态雷达数据和动态雷达数据;
从所述静态雷达数据中提取静态目标以及从所述动态雷达数据中提取动态目标;
将所述静态目标和所述动态目标进行合并,得到所述检测区域的目标检测结果。
2.根据权利要求1所述的方法,其特征在于,所述获取所述毫米波雷达数据中的静态雷达数据和动态雷达数据,包括:
获取所述毫米波雷达数据的多普勒速度;
将多普勒速度为0的毫米波雷达数据确定为所述静态雷达数据,将多普勒速度不为0的毫米波雷达数据确定为所述动态雷达数据。
3.根据权利要求1所述的方法,其特征在于,所述从所述静态雷达数据提取静态目标,包括:
对所述静态雷达数据进行到达角估计处理,获取当前帧距离角度热力图;
根据所述当前帧距离角度热力图和背景帧距离角度热力图,确定多个候选静态目标点;
对所述多个候选静态目标点进行聚类处理,得到所述静态雷达数据中的静态目标。
4.根据权利要求3所述的方法,其特征在于,所述根据所述当前帧距离角度热力图和背景帧距离角度热力图,确定多个候选静态目标点,包括:
获取所述当前帧距离角度热力图和背景帧距离角度热力图之间的差分热力图;
从所述差分热力图在提取所有能量大于预设值的目标点确定为各所述候选静态目标点。
5.根据权利要求3或4所述的方法,其特征在于,所述方法还包括:
获取预存的各历史距离角度热力图的总能量值和所述当前帧距离角度热力图的总能量值;
将总能量值最小的一帧热力图确定为所述背景帧距离角度热力图。
6.根据权利要求1-4任一项所述的方法,其特征在于,所述从所述动态雷达数据中提取动态目标,包括:
获取所述动态雷达数据的距离多普勒角度的三维度傅里叶变换结果;
根据所述三维度傅里叶变换结果,获取动态距离角度热力图;
从所述动态距离角度热力图中提取所有候选动态目标点;
根据目标点的速度信息,对各所述候选动态目标点进行聚类,得到所述动态雷达数据中的动态目标。
7.根据权利要求6所述的方法,其特征在于,所述根据所述三维度傅里叶变换结果,获取动态距离角度热力图,包括:
在三维度傅里叶变换结果中的距离多普勒维度上获取多个参考单元;所述参考单元表示存在目标点的概率大于预设概率阈值的单元;
获取各所述参考单元中同一距离单元下的参考多普勒单元;所述参考多普勒单元表示存在目标点的概率大于所述预设概率阈值的单元;
对各所述参考多普勒单元中动态雷达数据进行到达角估计处理,得到所述动态距离角度热力图。
8.一种目标检测装置,其特征在于,所述装置包括:
雷达数据获取模块,用于获取检测区域的毫米波雷达数据;所述毫米波雷达数据中包括所述检测区域中目标的高度信息;
雷达数据区分模块,用于获取所述毫米波雷达数据中的静态雷达数据和动态雷达数据;
目标提取模块,用于从所述静态雷达数据中提取静态目标以及从所述动态雷达数据中提取动态目标;
目标合并模块,用于将所述静态目标和所述动态目标进行合并,得到所述检测区域的目标检测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211179369.4A CN117784035A (zh) | 2022-09-27 | 2022-09-27 | 目标检测方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211179369.4A CN117784035A (zh) | 2022-09-27 | 2022-09-27 | 目标检测方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117784035A true CN117784035A (zh) | 2024-03-29 |
Family
ID=90395085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211179369.4A Pending CN117784035A (zh) | 2022-09-27 | 2022-09-27 | 目标检测方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117784035A (zh) |
-
2022
- 2022-09-27 CN CN202211179369.4A patent/CN117784035A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ouaknine et al. | Carrada dataset: Camera and automotive radar with range-angle-doppler annotations | |
US11340332B2 (en) | Method and apparatus for processing radar data | |
Major et al. | Vehicle detection with automotive radar using deep learning on range-azimuth-doppler tensors | |
US11506776B2 (en) | Method and device with improved radar resolution | |
US11719811B2 (en) | Method and device to improve radar data using reference data | |
Kellner et al. | Grid-based DBSCAN for clustering extended objects in radar data | |
Li et al. | An adaptive 3D grid-based clustering algorithm for automotive high resolution radar sensor | |
EP3757607A1 (en) | Radar data processing device and local range resolving power adjusting method | |
Cheng et al. | A new automotive radar 4d point clouds detector by using deep learning | |
US20220283288A1 (en) | Methods for classifying objects in automotive-grade radar signals | |
CN115061113B (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
US20220003862A1 (en) | Method for a detection and classification of gestures using a radar system | |
Franceschi et al. | Deep learning-based radar detector for complex automotive scenarios | |
Mendez et al. | Automatic label creation framework for fmcw radar images using camera data | |
US11280899B2 (en) | Target recognition from SAR data using range profiles and a long short-term memory (LSTM) network | |
CN117784035A (zh) | 目标检测方法、装置、设备、存储介质和程序产品 | |
US20210389777A1 (en) | Method and apparatus with complex-valued attention network | |
Guo et al. | Robust radar detection and classification of traffic vehicles based on anchor-free CenterNet | |
Tan et al. | Learning approach to FMCW radar target classification with feature extraction from wave physics | |
Bai et al. | Multi-objective classification of three-dimensional imaging radar point clouds: support vector machine and PointNet | |
Tilly et al. | Road User Detection on Polarimetric Pre-CFAR Radar Data Level | |
Yan et al. | An efficient plot fusion method for high resolution radar based on contour tracking algorithm | |
Lu et al. | Cascaded object detection networks for FMCW radars | |
EP4369028A1 (en) | Interface for detection representation of hidden activations in neural networks for automotive radar | |
US20240142575A1 (en) | Method and apparatus with neural network training |
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 |