基于卷积神经网络的3D动目标检测方法

本文介绍了一种基于雷达的移动目标分类方法,利用CNN(雷达目标分类网络)对单个目标进行精确分类。文章详细描述了预处理步骤、RTC网络结构(包括距离-方位角编码、多普勒处理和分类模块),以及集成分类的实现。提供了仿真结果和Python源码链接。
摘要由CSDN通过智能技术生成

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档


`

雷达目标分类网络

一种基于雷达的多类移动目标检测方法,该方法利用了目标级的专业知识(精确的二维定位、解决相位模糊),以及来自全三维立体雷达数据。包含的雷达数据可以在任何对象聚类之前对单个移动目标进行分类;我们的方法的核心是一个卷积神经网络(CNN),称为雷达目标分类网络。

源码实现介绍

在这里插入图片描述(1)预处理:

首先,获取雷达目标的单帧和雷达立方体(低层级数据)的单帧。由于我们只处理移动的道路用户,雷达目标补偿(绝对)速度低被认为是静态的,并被过滤掉。然后,连接相应的目标级和低层级雷达数据。也就是说,我们查找每个剩余的动态雷达目标对应的距离/方位角/多普勒箱,即雷达立方体中的网格单元,基于它们报告的距离、方位角和(相对)速度。

(2)RTC网络

A.距离和方位角维度:第一部分的目的是将雷达目标空间邻域的多普勒分布编码为一个在距离和方位角上不扩展的张量。

B.过程多普勒维度:网络的第二部分作用于第一部分的输出。这个模块的目的是从目标周围的速度分布中提取类信息。

C.分数计算:第二个模块的输出被压平并连接到目标级特征,然后输入到第三个模块。使用两个完全连接的层,每个层有128个节点来提供分数。输出层有四个节点(每个类一个)用于多类分类。

(3)集成分类:

通过四个输出节点,可以训练第三个模块直接执行多类分类。这个仿真程序实现了一个二元分类器(带有两个输出节点的网络)的集成投票系统。

仿真结果


在这里插入图片描述

代码截图

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述在这里插入图片描述在这里插入图片描述

附录

资源名称:IEEE CNN based Road User Detection using the 3D Radar Cube
资源包含:完整的python仿真源码,IEEE论文

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

机器视觉实验室

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值