多模态交通监控中使用GMM的毫米波雷达点云分割
信号处理
2020-03-06 v3 机器学习
机器学习
摘要
在多模态交通监控中,我们收集不同交通方式(如行人、汽车和自行车)的交通统计信息,以便从安全性和便利性方面分析并改善人们的日常出行。由于其对照明不良和恶劣天气条件的鲁棒性,以及固有的速度测量能力,雷达传感器是该应用的合适选择。然而,来自传统商用雷达的稀疏雷达数据使得交通方式分类极具挑战性。因此,我们提出使用高分辨率毫米波(mmWave)雷达传感器来获得交通监控场景中相对更丰富的雷达点云表示。基于一种新的特征向量,我们使用多元高斯混合模型(GMM)在无监督学习环境中进行雷达点云分割,即“逐点”分类。在我们的实验中,我们收集了行人和汽车的雷达点云,其中也包含来自周围环境的不可避免杂波。在新特征向量上使用GMM的实验结果在交并比(IoU)指标方面展示了良好的分割性能。详细的方法和验证指标被给出并讨论。
引用
@article{arxiv.1911.06364,
title = {MmWave Radar Point Cloud Segmentation using GMM in Multimodal Traffic Monitoring},
author = {Feng Jin and Arindam Sengupta and Siyang Cao and Yao-Jan Wu},
journal= {arXiv preprint arXiv:1911.06364},
year = {2020}
}
备注
This paper has been accepted by the IEEE International Radar Conference 2020