车载分类在高级驾驶员辅助系统（ADAS）中起着重要作用。毫米波雷达传感器在人车分类算法中的使用意义重大，因为该传感器在恶劣天气（例如雾，雪等）下仍能保持坚固性稳定性,在车联网和边缘技术的推动下，许多自动驾驶技术快速发展，基于视觉的行人检测技术已经得到深入研究，毫米波雷达传感器可抵抗恶劣的光照和天气条件所产生的影响，基于毫米波雷达，和MIMO技术的发展和高级估计技术被应用于汽车雷达，来实现识别，并通过多传感器融合算法，实现行人和汽车精确识别，本文将介绍一系列毫米波近些年来主要传感器的算法。
ZIHAO ZHAO等人针对微多普勒算法特征的行人识别算法有着较高的计算成本[16]，导致实时对象分类的难度增加，该文提出了一种基于雷达点云特征的毫米波行人和车辆的分类的方法，通过相关文献调查出对于车辆和行人识别的11个特征方法，通过Randomforest的方法处理Input importance,来实现降维的目的，文章中也同样比较了不同SVM内核的识别准确度，最后利用十折交叉检测的方法，获得了较高的准确度同时也减少了计算成本。
图片来源:Point Cloud Features-Based Kernel SVM for Human-Vehicle Classification in Millimeter Wave Radar[16]
由于这篇文章对于我的毕业设计的题目很重要的影响，所以在这里我想着重谈一下，首先将文章中所提出几个重要特征处理的方法提出来.
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
