Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Data and Analytics Framework. How Public Sector Can Profit from Its Immense Asset, Data Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Vehicle Classification Based on Convolutional Networks Applied to FMCW Radar Signals

verfasst von : Samuele Capobianco, Luca Facheris, Fabrizio Cuccoli, Simone Marinai

Erschienen in: Traffic Mining Applied to Police Activities

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper investigates the processing of Frequency-Modulated Continuous-Wave (FMCW) radar signals for vehicle classification. In the last years, deep learning has gained interest in several scientific fields and signal processing is not one exception. In this work we address the recognition of the vehicle category using a Convolutional Neural Network (CNN) applied to range-Doppler signatures. The developed system first transforms the 1-dimensional signal into a 3-dimensional signal that is subsequently used as input to the CNN. When using the trained model to predict the vehicle category, we obtained good performance.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Unsupervised Classification of Routes and Plates from the Trap-2017 Dataset
Nächstes Kapitel Traffic Data: Exploratory Data Analysis with Apache Accumulo
Literatur
1.
Munoz-Ferreras, J.M., Calvo-Gallego, J., and Perez-Martinez, F. 2008. Monitoring road traffic with a high resolution lfmcw radar. In IEEE Radar Conference, 1–5.
2.
Ki, Y.K., and D.K. Baik. 2006. Vehicle-classification algorithm for single-loop detectors using neural networks. IEEE Transactions on Vehicular Technology 55 (6): 1704–1711.CrossRef
3.
De Angelis, G., A. De Angelis, V. Pasku, A. Moschitta, and P. Carbone. 2016 A simple magnetic signature vehicles detection and classification system for smart cities. In IEEE International Symposium on Systems Engineering (ISSE 2016), 1–6.
4.
H. Sandhawalia, J. A. Rodriguez-Serrano, H. Poirier, and G. Csurka. 2013. Vehicle type classification from laser scanner profiles: A benchmark of feature descriptors. In 16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013), 517–522.
5.
Sermanet, Pierre, David Eigen, Xiang Zhang, Michaël Mathieu, Robert Fergus, and Yann Lecun. 2014. Overfeat: Integrated recognition, localization and detection using convolutional networks.
6.
Fang, J., H. Meng, H. Zhang, and X. Wang. 2007. A low-cost vehicle detection and classification system based on unmodulated continuous-wave radar. In 2007 IEEE Intelligent Transportation Systems Conference, 715–720.
7.
Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, and Andrew Rabinovich. 2015. Going deeper with convolutions. In CVPR 2015.
8.
K. Simonyan and A. Zisserman. 2014. Very deep convolutional networks for large-scale image recognition. CoRR, abs/1409.1556.
9.
Jonathan Long, Evan Shelhamer, and Trevor Darrell. 2015. Fully convolutional networks for semantic segmentation. CVPR (to appear).
10.
Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. Delving deep into rectifiers: Surpassing human-level performance on imagenet classification. In Proceedings of the IEEE International Conference on Computer Vision (ICCV 2015), pages 1026–1034.
11.
J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. Fei-Fei. 2009. ImageNet: A Large-Scale Hierarchical Image Database. In CVPR09.
12.
Yann Lecun, Léon Bottou, Yoshua Bengio, and Patrick Haffner. 1998. Gradient-based learning applied to document recognition. In Proceedings of the IEEE, 2278–2324.
13.
Alex Krizhevsky, Ilya Sutskever, and Geoffrey E. Hinton. 2012. Imagenet classification with deep convolutional neural networks. In Advances in Neural Information Processing Systems 25, ed. F. Pereira, C.J.C. Burges, L. Bottou, and K.Q. Weinberger, 1097–1105. Curran Associates, Inc.
14.
Srivastava, Nitish, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, and Ruslan Salakhutdinov. 2014. Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research 15: 1929–1958.MathSciNetMATH
15.
Jason Yosinski, Jeff Clune, Yoshua Bengio, and Hod Lipson. 2014. How transferable are features in deep neural networks? In Advances in Neural Information Processing Systems 27, ed. Z. Ghahramani, M. Welling, C. Cortes, N.d. Lawrence, and K.q. Weinberger, 3320–3328. Curran Associates, Inc.
Metadaten
Titel
Vehicle Classification Based on Convolutional Networks Applied to FMCW Radar Signals
verfasst von
Samuele Capobianco
Luca Facheris
Fabrizio Cuccoli
Simone Marinai
Copyright-Jahr
2018
Buch
Traffic Mining Applied to Police Activities

Print ISBN: 978-3-319-75607-3

Electronic ISBN: 978-3-319-75608-0

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-75608-0_9