CN117907939A - 一种基于车速的雷达遮挡状态自适应识别方法 - Google Patents
一种基于车速的雷达遮挡状态自适应识别方法 Download PDFInfo
- Publication number
- CN117907939A CN117907939A CN202311730930.8A CN202311730930A CN117907939A CN 117907939 A CN117907939 A CN 117907939A CN 202311730930 A CN202311730930 A CN 202311730930A CN 117907939 A CN117907939 A CN 117907939A
- Authority
- CN
- China
- Prior art keywords
- vehicle speed
- frame
- var
- vehicle
- radar
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于车速的雷达遮挡状态自适应识别方法,包括:S1、获取车载雷达经装车运行后的初始数据,并对初始数据进行预处理,得到实时的单帧雷达回波的二维频域矩阵数据和自车车速;S2、对单帧雷达回波二维频域矩阵数据进行CFAR检测,计算当前帧数据中的过检目标点,并记录过检目标点的能量值分布,同时对累积帧数和自车车速帧数进行分别计数;S3、当累积帧数满足设定阈值,则进行多帧数据的联合判决,输出判决结果。考虑到车载雷达设于车上时的自车车速,采用多帧联合判决,记录了车载雷达由静止到运动或由运动到静止的变化,提高了遮挡判别的稳定性。同时根据记录多帧内雷达装载车运动状态设定自适应阈值,提高雷达遮挡检测算法的鲁棒性。
Description
技术领域
本发明涉及雷达信号处理的技术领域,具体涉及一种基于车速的雷达遮挡状态自适应识别方法。
背景技术
全球智能驾驶行业的兴起,推动了各种车载传感器的研究与生产。毫米波雷达由于全天时、全天候的优点,成为了高级驾驶辅助系统(ADAS)重要的传感器之一。常见的车载毫米波雷达可用于开门安全预警(DOW)、盲点检测(BSD)、变道辅助(LCA)等场景。然而,车载毫米波雷达经装车使用后,长期暴露在复杂大气环境中,其雷达表面易被溅起的泥土覆盖,或在雨雪天气下沉积霜雪。雷达表面的覆盖物累积到一定程度就会导致雷达探测失效,主要表现在真实目标丢失,同时出现一些虚假目标,从而引起车载系统误报警,严重的则危害使用者的生命财产安全。
基于此,现有技术一主要基于遮挡前后所检测到的目标数设定阈值,该种方法计算量小且实现简单,但其普适性差,于车载雷达实际应用场景中受限。因为在不同道路环境和车速下,雷达检测的目标数差别较大,此时遮挡状态检测易出现误检。
现有技术二主要是基于雷达回波信号二维频谱,统计其距离单元从小到大的幅度值变化规律,从而设定阈值进行遮挡判别。该方法忽略了实际道路环境的影响,即自车运行过程中的抖动、路况环境、周围强目标等干扰因素都会导致幅度值变化不一,统计特征效果较差,仍然很难在实际应用中取得较高的检测率
因此,目前的车载雷达的遮挡检测存在对实际道路环境的影响考虑较少,检测准确率不足的问题。
发明内容
针对现有技术中所存在的不足,本发明提供了基于车速的雷达遮挡状态自适应识别方法,以解决现有技术中车载雷达的遮挡检测存在对实际道路环境的影响考虑较少,检测准确率不足的技术问题。
本发明提供了一种基于车速的雷达遮挡状态自适应识别方法,包括:
S1、获取车载雷达经装车运行后的初始数据,并对所述初始数据进行预处理,得到实时的单帧雷达回波的二维频域矩阵数据和自车车速;
S2、对所述单帧雷达回波二维频域矩阵数据进行CFAR检测,计算当前帧数据中的过检目标点,并记录过检目标点的能量值分布,同时对累积帧数和自车车速帧数进行分别计数;
S3、当累积帧数满足设定阈值,则进行多帧数据的联合判决,输出判决结果。
可选地,所述初始数据,包括:
所述初始数据包括所述车载雷达中不同天线通道的时域回波信号。
可选地,所述预处理,包括:
对所述回波信号进行加窗处理、距离和速度二维傅里叶变换,将不同天线通道间FFT幅度非相干累加,得到所述二维频域矩阵。
可选地,所述计算当前帧数据中的过检目标点,包括:
根据所述目标过检点的能量分布经验值,划分所述目标过检点的能量最小值Pmin和能量最大值Pmax,并分段统计当前帧数据中过检目标点的能量值分布,将[Pmin,Pmax]划分为K个区间,表达式为:
其中,区间k的上下限范围为 K个区间所占的目标数用NQ,k表示,初始值均为0。
可选地,所述同时对累积帧数和自车车速帧数进行分别计数,包括:
累加每帧过检目标点个数,若过检目标点的能量值在区间Qk,则NQ,k计数加1,表达式为:
NQ,k=NQ,k+1 (2)
累加每帧过检目标点个数在设定的M帧联合判决内,每帧的过检目标点总数用Tm,m=1,2,…,M表示,当累积帧数等于M帧时,此时多帧总目标个数Ttotal表达式为:
Ttotal=T1+T2+…+TM (3)。
可选地,所述同时对累积帧数和自车车速帧数进行分别计数,还包括:
所述的自车车速的帧数统计和判断,包括在设定的M帧联合判决内,记录当前已累积帧数mtotal,初始值为0,当新的单帧数据到来则mtotal加1,表达式为:
mtotal=mtotal+1,mtotal≤M (4)
并判断自车车速Vcur与车速判断阈值VTh,记录当前帧的自车车速Vcur小于车速判断阈值VTh的帧数mv,初始值为0,表达式为:
mv=mv+1,mv≤M (5)。
可选地,所述当累积帧数满足设定阈值,则进行多帧数据的联合判决,包括:
当M帧累计获得能量值K个区间各自的目标数,结合式2得K个区间能量值统计表达式为:
NQ=[NQ,1,NQ,2,…,NQ,k,…,NQ,K] 1≤k≤K (6)
并将各区间的目标数NQ,k与多帧总目标个数Ttotal的比例表示各能量值区间所占目标比例RQ,k,表达式为:
RQ,k=NQ,k/Ttotal (7)
根据式7,K个区间能量值比例统计表达式如下:
RQ=[RQ,1,RQ,2,…,RQ,k,…,RQ,K] 1≤k≤K (8)
所述RQ为1×K的一维数组,并对所述一维数组RQ排序,取前X个最大值,组成新的1×X大小的数组R′Q,其表达式为:
R′Q=[RQ,1,RQ,2,…,RQ,x,…,RQ,X] 1≤x≤X (9)
对新的所述数组R′Q做方差,得到表达式为:
式10中的为新的所述数组R′Q的平均数,表达式为:
可选地所述则进行多帧数据的联合判决,还包括:
基于自车车速Vcur小于车速判断阈值VTh的前提下,统计车载雷达未遮挡情况下的M帧目标能量值区间方差,记为统计车载雷达遮挡情况下的M帧目标能量值区间方差,记为/>则设定方差阈值为VarTh1,其表达式为:
基于自车车速Vcur大于车速判断阈值VTh的前提下,统计车载雷达未遮挡情况下的M帧目标能量值区间方差,记为统计车载雷达遮挡情况下的M帧目标能量值区间方差,记为/>则设定方差阈值为VarTh2,其表达式为:
若M帧判决范围内,自车车速Vcur小于VTh和大于VTh均存在的情况下,则设定自适应方差阈值VarTh3,其表达式为:
VarTh3=VarTh1*(1+(M-mv)/M*η) (14)
式14中,VarTh1为自车车速Vcur小于VTh所对应的方差阈值,mv为M帧内雷达装载车速Vcur小于VTh所占帧数,η为设定的可变系数,其值范围为[0,1]。
可选地,所述输出判决结果,包括:
在M帧统计结果中,若Vcur<VTh的累计帧数mv=0,则表明M帧自车车速均大于设定的车速阈值,方差阈值选择VarTh2,并将M帧实时计算的真实方差值Varcur与VarTh2比较,若Varcur>VarTh2,则判定车载雷达遮挡,若Varcur<VarTh2,,则判定车载雷达未遮挡;
若Vcur<VTh的累计帧数mv=M,则表明M帧自车车速均小于设定的车速阈值,方差阈值选择VarTh1,并将M帧实时计算的真实方差值Varcur与VarTh1比较,若Varcur>VarTh1,则判定车载雷达遮挡,若Varcur<VarTh1,则判定车载雷达未遮挡;
若Vcur<VTh的累计帧数0<mv<M,则表明M帧自车车速Vcur小于VTh和大于VTh的情况均存在,方差阈值根据式14实时计算得到自适应阈值VarTh3,并将M帧实时计算的真实方差值Varcur与VarTh3比较,若Varcur>VarTh3,则判定车载雷达遮挡,若Varcur<VarTh3,则判定车载雷达未遮挡。
相比于现有技术,本发明具有如下有益效果:
考虑到车载雷达设于车上时的自车车速,采用多帧联合判决,记录了车载雷达由静止到运动或由运动到静止的变化,提高了遮挡判别的稳定性。同时根据记录多帧内雷达装载车运动状态设定自适应阈值,提高雷达遮挡检测算法的鲁棒性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图;
图2为本发明中算法框架的示意图;
图3为本发明中多帧联合判决流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。本发明实例中相同标号的功能单元具有相同和相似的结构和功能。
参见图1,本发明提供了一种基于车速的雷达遮挡状态自适应识别方法,包括:
S1、获取车载雷达经装车运行后的初始数据,并对所述初始数据进行预处理,得到实时的单帧雷达回波的二维频域矩阵数据和自车车速;
S2、对所述单帧雷达回波二维频域矩阵数据进行CFAR检测,计算当前帧数据中的过检目标点,并记录过检目标点的能量值分布,同时对累积帧数和自车车速帧数进行分别计数;
S3、当累积帧数满足设定阈值,则进行多帧数据的联合判决,输出判决结果。
参见图1和图2,本实施例中,S1、获取车载雷达经装车运行后的初始数据,并对所述初始数据进行预处理,得到实时的单帧雷达回波的二维频域矩阵数据和自车车速。
首先,车载雷达经装车运行后获得的初始数据包括雷达多个天线通道时域回波信号的加窗处理、距离和速度二维傅里叶变换,各通道间FFT幅度非相干累加,最终得到一个二维频域矩阵。同时读取当前帧自车的CAN信息,获得自车车速。
S2、对所述单帧雷达回波二维频域矩阵数据进行CFAR检测,计算当前帧数据中的过检目标点,并记录过检目标点的能量值分布,同时对累积帧数和自车车速帧数进行分别计数。
参见图2和图3,采用CFAR检测单帧雷达回波二维频域矩阵数据,判断其距离和速度单元内有无目标点存在,获取目标的距离、速度和能量值等信息。
所述当前帧数数据中的过检目标点包括分段统计目标能量值分布,以及累加每帧过检目标点个数,根据所述目标过检点的能量分布经验值,划分所述目标过检点的能量最小值Pmin和能量最大值Pmax,并分段统计当前帧数据中过检目标点的能量值分布,分段统计目标能量值分布是根据实际所选雷达回波强度,将[Pmin,Pmax]划分为K个区间,表达式为:
其中,区间为1的上下限范围为依此类推,区间k的上下限范围为/> K个区间所占的目标数用NQ,k表示,初始值均为0。
若过检目标点的能量值在区间Qk,则NQ,k计数加1,表达式为:
NQ,k=NQ,k+1 (2)
累加每帧过检目标点个数是指在设定的M帧联合判决内,每帧的过检目标点总数用Tm,m=1,2,…,M表示。当累积帧数等于M帧,此时多帧总目标个数Ttotal表达式为:
Ttotal=T1+T2+…+TM (3)
所述的自车车速判断及帧数统计,是指在设定的M帧联合判决内,记录当前已累积帧数mtotal,初始值为0,当新的单帧数据到来则mtotal加1,表达式为:
mtotal=mtotal+1,mtotal≤M (4)
进一步地,本实例以车速2m/s为车速判断阈值VTh,记录当前帧车速Vcur小于VTh的帧数mv,初始值为0,在设定的M帧联合判决内,若本帧车速满足Vcur<VTh,则mv加1,表达式为:
mv=mv+1,mv≤M (5)
此外,本实例不限制车速范围更详细的划分。
S3、当累积帧数满足设定阈值,则进行多帧数据的联合判决,输出判决结果。
所述的多帧联合判决是对多帧统计结果进行判断,输出雷达遮挡情况,多帧联合判决基于单帧数据处理结果进行累计,当累计帧数等于设定的帧数阈值M时则进行判断。此时,M帧累计获得能量值K个区间各自的目标数,结合式(2)得K个区间能量值统计表达式如下:
NQ=[NQ,1,NQ,2,…,NQ,k,…,NQ,K] 1≤k≤K (6)
并将各区间的目标数NQ,k与多帧总目标个数Ttotal的比例表示各能量值区间所占目标比例RQ,k,表达式为:
RQ,k=NQ,k/Ttotal (7)
根据式7,K个区间能量值比例统计表达式如下:
RQ=[RQ,1,RQ,2,…,RQ,k,…,RQ,K] 1≤k≤K (8)
式(8)中的RQ为1×K的一维数组,由于雷达被遮挡后,其目标能量值所占区间变小,即NQ,k=0的情况增多,同时多个RQ,k值间的差值变大。因此,并对所述一维数组RQ排序,取前X个最大值,组成新的1×X大小的数组R′Q,其表达式为:
R′Q=[RQ,1,RQ,2,…,RQ,x,…,RQ,X] 1≤x≤X (9)
对新的所述数组R′Q做方差,得到表达式为:
式10中的为新的所述数组R′Q的平均数,表达式为:
上述的计算方差也可换为计算标准差等相关数学特征值。
基于自车车速Vcur小于车速判断阈值VTh的前提下,统计车载雷达未遮挡情况下的M帧目标能量值区间方差,记为统计车载雷达遮挡情况下的M帧目标能量值区间方差,记为/>则设定方差阈值为VarTh1,其表达式为:
基于自车车速Vcur大于车速判断阈值VTh的前提下,统计车载雷达未遮挡情况下的M帧目标能量值区间方差,记为统计车载雷达遮挡情况下的M帧目标能量值区间方差,记为/>则设定方差阈值为VarTh2,其表达式为:
若M帧判决范围内,自车车速Vcur小于VTh和大于VTh均存在的情况下,则设定自适应方差阈值VarTh3,其表达式为:
VarTh3=VarTh1*(1+(M-mv)/M*η) (14)
式14中,VarTh1为自车车速Vcur小于VTh所对应的方差阈值,mv为M帧内雷达装载车速Vcur小于VTh所占帧数,η为设定的可变系数,其值范围为[0,1]。
参见图3,最后,根据预设置的方差阈值VarTh1、VarTh2和自适应阈值VarTh3作联合判决:
在M帧统计结果中,若Vcur<VTh的累计帧数mv=0,则表明M帧自车车速均大于设定的车速阈值,方差阈值选择VarTh2,并将M帧实时计算的真实方差值Varcur与VarTh2比较,若Varcur>VarTh2,则判定车载雷达遮挡,若Varcur<VarTh2,,则判定车载雷达未遮挡;
若Vcur<VTh的累计帧数mv=M,则表明M帧自车车速均小于设定的车速阈值,方差阈值选择VarTh1,并将M帧实时计算的真实方差值Varcur与VarTh1比较,若Varcur>VarTh1,则判定车载雷达遮挡,若Varcur<VarTh1,则判定车载雷达未遮挡;
若Vcur<VTh的累计帧数0<mv<M,则表明M帧自车车速Vcur小于VTh和大于VTh的情况均存在,方差阈值根据式14实时计算得到自适应阈值VarTh3,并将M帧实时计算的真实方差值Varcur与VarTh3比较,若Varcur>VarTh3,则判定车载雷达遮挡,若Varcur<VarTh3,则判定车载雷达未遮挡。
在本发明中,考虑到雷达装载车在静止和低速运行条件下,雷达对周围静止目标的感知大大降低,因此区分了雷达装载车速,根据不同车速设定不同的判决条件,提高了判别的准确性;还基于多帧内的雷达装载车运动状态设定自适应阈值,提高雷达遮挡检测算法的鲁棒性,其中速度的划分并不局限于本实例。
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。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于车速的雷达遮挡状态自适应识别方法,其特征在于,包括:
S1、获取车载雷达经装车运行后的初始数据,并对所述初始数据进行预处理,得到实时的单帧雷达回波的二维频域矩阵数据和自车车速;
S2、对所述单帧雷达回波二维频域矩阵数据进行CFAR检测,计算当前帧数据中的过检目标点,并记录过检目标点的能量值分布,同时对累积帧数和自车车速帧数进行分别计数;
S3、当累积帧数满足设定阈值,则进行多帧数据的联合判决,输出判决结果。
2.如权利要求1所述的基于车速的雷达遮挡状态自适应识别方法,其特征在于,所述初始数据,包括:
所述初始数据包括所述车载雷达中不同天线通道的时域回波信号。
3.如权利要求2所述的基于车速的雷达遮挡状态自适应识别方法,其特征在于,所述预处理,包括:
对所述回波信号进行加窗处理、距离和速度二维傅里叶变换,将不同天线通道间FFT幅度非相干累加,得到所述二维频域矩阵。
4.如权利要求3所述的基于车速的雷达遮挡状态自适应识别方法,其特征在于,所述计算当前帧数据中的过检目标点,包括:
根据所述目标过检点的能量分布经验值,划分所述目标过检点的能量最小值Pmin和能量最大值Pmax,并分段统计当前帧数据中过检目标点的能量值分布,将[Pmin,Pmax]划分为K个区间,表达式为:
其中,区间k的上下限范围为 K个区间所占的目标数用NQ,k表示,初始值均为0。
5.如权利要求4所述的基于车速的雷达遮挡状态自适应识别方法,其特征在于,所述同时对累积帧数和自车车速帧数进行分别计数,包括:
累加每帧过检目标点个数,若过检目标点的能量值在区间Qk,则NQ,k计数加1,表达式为:
NQ,k=NQ,k+1 (2)
累加每帧过检目标点个数在设定的M帧联合判决内,每帧的过检目标点总数用Tm,m=1,2,…,M表示,当累积帧数等于M帧时,此时多帧总目标个数Ttotal表达式为:
Ttotal=T1+T2+…+TM (3)。
6.如权利要求5所述的基于车速的雷达遮挡状态自适应识别方法,其特征在于,所述同时对累积帧数和自车车速帧数进行分别计数,还包括:
所述的自车车速的帧数统计和判断,包括在设定的M帧联合判决内,记录当前已累积帧数mtotal,初始值为0,当新的单帧数据到来则mtotal加1,表达式为:
mtotal=mtotal+1,mtotal≤M (4)
并判断自车车速Vcur与车速判断阈值VTh,记录当前帧的自车车速Vcur小于车速判断阈值VTh的帧数mv,初始值为0,表达式为:
mv=mv+1,mv≤M (5)。
7.如权利要求6所述的基于车速的雷达遮挡状态自适应识别方法,其特征在于,所述当累积帧数满足设定阈值,则进行多帧数据的联合判决,包括:
当M帧累计获得能量值K个区间各自的目标数,结合式2得K个区间能量值统计表达式为:
NQ=[NQ,1,NQ,2,…,NQ,k,…,NQ,K]1≤k≤K (6)
并将各区间的目标数NQ,k与多帧总目标个数Ttotal的比例表示各能量值区间所占目标比例RQ,k,表达式为:
RQ,k=NQ,k/Ttotal (7)
根据式7,K个区间能量值比例统计表达式如下:
RQ=[RQ,1,RQ,2,…,RQ,k,…,RQ,K]1≤k≤K (8)
所述RQ为1×K的一维数组,并对所述一维数组RQ排序,取前X个最大值,组成新的1×X大小的数组R′Q,其表达式为:
R′Q=[RQ,1,RQ,2,…,RQ,x,…,RQ,X]1≤x≤X (9)
对新的所述数组R′Q做方差,得到表达式为:
式10中的MeanR′为新的所述数组R′Q的平均数,表达式为:
8.如权利要求7所述的基于车速的雷达遮挡状态自适应识别方法,其特征在于,所述则进行多帧数据的联合判决,还包括:
基于自车车速Vcur小于车速判断阈值VTh的前提下,统计车载雷达未遮挡情况下的M帧目标能量值区间方差,记为统计车载雷达遮挡情况下的M帧目标能量值区间方差,记为/>则设定方差阈值为VarTh1,其表达式为:
基于自车车速Vcur大于车速判断阈值VTh的前提下,统计车载雷达未遮挡情况下的M帧目标能量值区间方差,记为统计车载雷达遮挡情况下的M帧目标能量值区间方差,记为/>则设定方差阈值为VarTh2,其表达式为:
若M帧判决范围内,自车车速Vcur小于VTh和大于VTh均存在的情况下,则设定自适应方差阈值VarTh3,其表达式为:
VarTh3=VarTh1*(1+(M-mv)/M*η) (14)
式14中,VarTh1为自车车速Vcur小于VTh所对应的方差阈值,mv为M帧内雷达装载车速Vcur小于VTh所占帧数,η为设定的可变系数,其值范围为[0,1]。
9.如权利要求8所述的基于车速的雷达遮挡状态自适应识别方法,其特征在于,所述输出判决结果,包括:
在M帧统计结果中,若Vcur<VTh的累计帧数mv=0,则表明M帧自车车速均大于设定的车速阈值,方差阈值选择VarTh2,并将M帧实时计算的真实方差值Varcur与VarTh2比较,若Varcur>VarTh2,则判定车载雷达遮挡,若Varcur<VarTh2,,则判定车载雷达未遮挡;
若Vcur<VTh的累计帧数mv=M,则表明M帧自车车速均小于设定的车速阈值,方差阈值选择VarTh1,并将M帧实时计算的真实方差值Varcur与VarTh1比较,若Varcur>VarTh1,则判定车载雷达遮挡,若Varcur<VarTh1,则判定车载雷达未遮挡;
若Vcur<VTh的累计帧数0<mv<M,则表明M帧自车车速Vcur小于VTh和大于VTh的情况均存在,方差阈值根据式14实时计算得到自适应阈值VarTh3,并将M帧实时计算的真实方差值Varcur与VarTh3比较,若Varcur>VarTh3,则判定车载雷达遮挡,若Varcur<VarTh3,则判定车载雷达未遮挡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311730930.8A CN117907939A (zh) | 2023-12-15 | 2023-12-15 | 一种基于车速的雷达遮挡状态自适应识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311730930.8A CN117907939A (zh) | 2023-12-15 | 2023-12-15 | 一种基于车速的雷达遮挡状态自适应识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117907939A true CN117907939A (zh) | 2024-04-19 |
Family
ID=90695673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311730930.8A Pending CN117907939A (zh) | 2023-12-15 | 2023-12-15 | 一种基于车速的雷达遮挡状态自适应识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117907939A (zh) |
-
2023
- 2023-12-15 CN CN202311730930.8A patent/CN117907939A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107861107B (zh) | 一种适用于连续波雷达的双门限cfar与点迹凝聚方法 | |
CN104766099B (zh) | 基于图像的分布式光纤周界振动信号处理与识别方法 | |
CN110609262A (zh) | 一种场面监视雷达的三维恒虚警检测方法 | |
CN111157953B (zh) | 一种强地杂波下两级门限恒虚警检测算法 | |
CN109346103A (zh) | 一种用于公路隧道交通事件的音频检测方法 | |
CN110321855A (zh) | 一种雾天检测预警装置 | |
CN111398909A (zh) | 一种基于倒谱分析的杂波环境无人机检测方法 | |
WO2023284764A1 (zh) | 车内生命体的雷达探测方法、装置及终端设备 | |
CN104007428B (zh) | 一种在雷达回波中识别汽车行驶导致的非气象回波的方法 | |
CN111753803B (zh) | 基于模糊聚类和高阶累积量的无人机图传信号识别方法 | |
CN112052878A (zh) | 一种雷达的遮挡识别的方法、装置及存储介质 | |
CN108983194B (zh) | 一种基于地面监视雷达系统的目标提取及凝聚方法 | |
CN103413138A (zh) | 一种红外图像序列中点目标检测方法 | |
CN111881837B (zh) | 基于阴影提取的视频sar运动目标检测方法 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN117907939A (zh) | 一种基于车速的雷达遮挡状态自适应识别方法 | |
CN111060880B (zh) | 一种基于恒虚警检测原理的气象杂波抑制方法 | |
CN108280950A (zh) | 一种基于高频能量分布的防区型光纤周界防护算法 | |
CN110632592B (zh) | 一种手持式穿墙雷达的虚警消除方法 | |
CN111025288B (zh) | 安防雷达监测装置及系统 | |
CN109283507B (zh) | 一种基于时频域特征的雷达目标识别方法及系统 | |
CN112634299A (zh) | 一种排除飞虫干扰的遗留物检测方法 | |
CN118011346A (zh) | 一种时频域高频地波雷达目标自适应检测方法 | |
CN115294605B (zh) | 一种毫米波图像强噪声空域消除方法 | |
CN112363115B (zh) | 一种抵抗恶劣天气对雷达传感器影响的方法 |
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 |