基于毫米波雷达与视觉设备的非视距探测鬼探头预警方法

1.本发明属于非视距范围目标检测技术领域，特别涉及一种非视距探测鬼探头预警技术。


背景技术：

2.行人检测作为安全驾驶的关键环节,是行车安全性和智能性的重要保障。单一的检测手段或传感器很难对复杂场景下的行人进行鲁棒地感知，而利用多传感器则能获取更加全面、兼容的行人信息，从而满足安全驾驶系统对可靠性、精准度的需求。在生活中，因为行人不遵守交通规则突然从司机的视野盲区突然窜出来的现象屡见不鲜，造成了很多严重的交通事故。为了应对“鬼探头”，传统领域提出了一种基于路面与十字路口实时检测的方式来提示驾驶人员，这种方法通常是基于诸如视觉传感器、毫米波雷达的设备来实现的。
3.毫米波雷达是一种通过发射一连串fmcw波形，并接受目标反射的电磁波来得到目标相关信息的传感器。毫米波雷达相比于其他雷达，其距离分辨率与速度分辨率更高，并且，因其不受天气、光照、气温、以及雾霾的影响，相比于视觉传感器，毫米波雷达十分适合用于在诸如道路这种较为复杂的环境中探测目标。不仅如此，毫米波雷达还有一大优势，那就是其可以做到传统传感器均难以做到的非视距探测，传统视觉传感器只能做到对直视范围内的目标进行检测识别，但毫米波雷达可以通过诸如路面、墙面、以及其他障碍物的电磁波反射现象来实现对非视距内目标的探测。如果将毫米波雷达与摄像头、激光雷达等传感器结合使用，还能实现在整个范围内的目标检测与识别。
4.在传统技术方法领域上，有大量关于利用路口上的添加传感器以警示驾驶人员存在“鬼探头”目标的研究。然而，这种方法需要大量地安装传感器，成本难以降低，同时该方法并不是每辆汽车、每道路口、每个场景都能做到对“鬼探头”目标的预警，因此，难以直接通过在道路路口上安装传感器的方式来适应不同环境、不同类别的“鬼探头”问题。


技术实现要素：

5.为解决上述技术问题，本发明提出一种基于车载毫米波雷达与视觉传感器的非视距探测鬼探头预警方法，利用车载毫米波雷达和视觉传感器来采集数据，并将其用于关联滤波、时间对齐，最终将视距内目标与非视距目标进行融合，标记出可能存在“鬼探头”目标的地方。
6.本发明采用的技术方案为：一种基于车载毫米波雷达与视觉传感器的非视距探测鬼探头预警方法，基于的“鬼探头”数据采集端包括：视觉传感器与2个毫米波雷达，视觉传感器设置于车辆正前方顶部，2个毫米波雷达设置于车辆前保险杠两端，预警方法包括以下步骤：
7.s1、获取毫米波雷达数据，并对获取的毫米波雷达数据进行处理，得到探测区域内目标相对于“鬼探头”数据采集端的位置；所述探测区域包括视距区域和非视距区域；
8.s2、根据步骤s1得到的探测区域内目标相对于“鬼探头”数据采集端的位置进行目
标跟踪，得到跟踪点；
9.s3、获取视觉传感器数据，并对获取的视觉传感器数据进行处理，得到视距区域内目标相对于“鬼探头”数据采集端的位置；
10.s4、对步骤s2的跟踪点与步骤s3的视距区域内目标相对于“鬼探头”数据采集端的位置进行数据调整与同步处理；
11.s5、对经步骤s4处理后的跟踪点和视距区域内目标相对于“鬼探头”数据采集端的位置进行关联，当视觉传感器无行人目标，且毫米波雷达已经确定探测到目标，并且毫米波雷达探测到的目标能与视觉传感器中会遮挡行人目标的物体所关联的时候，将毫米波雷达探测到的目标标记为“鬼探头”目标。
12.本发明的有益效果：本发明提供了一种基于车载毫米波雷达与视觉传感器的非视距探测鬼探头预警方法，可实现车上主动式探测视距内与非视距范围的行人目标，可有效对该系统探测范围内的行人目标实施预警，并标注在驾驶人员的hud(抬头显示器)上以提示指定区域存在“鬼探头”风险。同时，本发明采用了多识别框架，可为不同平台提供选择精度较高，但实时性较差的yolo深度学习识别框架，也提供了精度较差，但在任意平台均可使用的hog+svm识别框架，并进一步地采用毫米波雷达数据关联框架，不仅可以通过相关的关联，去除识别错误的噪声数据，还能通过框架进一步地检测出可能存在“鬼探头”的区域；同时，为避免识别区域范围收到车辆的限制，以及单雷达传感器、单视觉传感器精度不够的问题，本发明加入多位置、多姿态校准方案，通过求解其逆姿态矩阵的变换即可实现对其识别结果的纠正。因此，本方法识别范围更加广阔，更加稳定，提供更多的选择以适应不同的平台，可以直接应用在配备了视觉传感器与毫米波雷达传感器的车辆，也能直接应用在需要预防“鬼探头”事故的设施中。
附图说明
13.图1是本发明中仪器示意图；
14.其中，图1(a)是配备有云台的视觉传感器；图1(b)是配备有单轴舵机云台的毫米波雷达传感器；图1(c)与图1(d)是本发明中设计的车辆安装传感器的示意图。
15.图2是本发明中场景示意图；
16.其中，图2(a)是本发明的虚拟场景示意图；图2(b)则是为测试本发明设计算法的有效性所布置的一个场景。
17.图3是数据同步的算法示意图。
18.图4为视觉传感器数据的处理流程。
19.图5为毫米波雷达数据的处理流程。
20.图6是毫米波雷达跟踪目标的结构框图；
21.图7是融合数据、关联数据、去除噪声的结构框图。
22.图8是本发明中数据处理结果图；
23.其中，图8(a)展示了直视区域下，本发明对行人与车辆的检测结果；图8(b)展示了被车辆遮蔽住的“行人”位置；图8(c)、图8(d)则从车辆的俯视视角展示了周边物体的位置。
具体实施方式
24.为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
25.如图1(a)所示为配备有云台的视觉传感器，运用姿态逆计算方法可以求得视距内目标相对该传感器的位置，如图1(b)所示为配备有单轴舵机云台的毫米波雷达传感器，运用单轴云台可实现不同效果的障碍物反射效果，由此也能调整非视距测量效果。图1(c)与图1(d)是本发明中设计的车辆安装传感器的示意图；具体的视觉传感器安装于车辆前段顶部，2个毫米波雷达传感器分别安装于车辆前端保险杠两侧。
26.本发明首先通过毫米波雷达传感器与视觉传感器获取周边环境的信息，将两者传感器的数据进行同步处理，同时再对视觉传感器进行标定处理，若有姿态变换则对其进行姿态逆处理。然后插帧分别得到由毫米波雷达传感器输出的目标位置以及目标跟踪结果，并同时得到由基于视觉传感器数据处理的目标检测、分类结果以及目标位置。最后，基于本发明所提数据关联方法，对两种数据进行关联、除噪、以及显示处理，以实现对“鬼探头”事故的预警与定位“鬼探头”的效果。
27.如图2(a)所示为本发明的虚拟场景示意图，通过“鬼探头”预警系统对探测范围(视距以及非视距范围)进行预警，在图2(a)中标注出了车辆的直视区域、非直视区域、“鬼探头”目标、行人目标；本发明将“鬼探头”事故的模拟场景设置为如图2(b)所示的场景，在图2(b)所示场景中，行人目标直接穿越了“鬼探头”预警系统的直视区域与非直视区域。
28.本发明可同时探测、预警直视区域内行人目标与非直视区域内的“鬼探头”目标，“鬼探头”目标是指在非视距区域且可能出现事故的人员目标。
29.本发明中将毫米波雷达传感器与视觉传感器整体作为“鬼探头”数据采集端，并以“鬼探头”数据采集端中心作为坐标原点，以沿车辆正前方方向作为坐标轴的y轴正方向，以沿车辆右边的方向作为坐标轴x轴正方向。
30.本发明要求测试人员按照距离“鬼探头”数据采集端中心y轴方向大约9.3米处进行横向行走，并同时经过距离“鬼探头”数据采集端中心y轴方向4.1米处的汽车与空旷处，其中，本场景所设置的9.3米距离大致是小轿车于时速40km/h还留有部分反应时间的刹车距离。以此，测试人员将从位置(-3.3米，9.3米)处，行走到位置(1.0米，9.3米)处。而雷达将被“云台”调整为俯仰角0
°
，高度13cm的位置，同时，视觉传感器将被“云台”控制在俯仰角0
°
、偏航角0
°
、以及横滚角0
°
，高度100cm的位置，并保持双方在其余的位置参数上保持相同，以此进行实验。
31.本发明将以图2(b)中实际测试场景为例，介绍具体的实现步骤：
32.步骤1：雷达信号处理，如图5所示，具体处理过程为：
33.步骤1-1：雷达数据处理
34.考虑到车载毫米波雷达通常是mimo天线，并时分交替地发射线性调频信号，假设雷达的载波频率为f0，调频周期为t，调频带宽为b，则调频斜率为初始相位为并忽略幅度参数和噪声，得到发射信号的表达式为：
35.36.假设目标与雷达的初始距离为r0，目标相对于雷达做匀速运动，速度为vr，多谱勒频率为fd＝2vr/λ，λ＝c/f0，c为光速。目标相对于雷达的距离随时间的关系为：r(t)＝r
0-vrt，则接收信号的延迟为：
[0037][0038]
其中τ0＝2r0/c，k＝fd/f0。
[0039]
接收信号为：
[0040][0041]
上式中，是随机的相位噪声，将发射信号与接收信号混频之后得到的差频信号为：
[0042][0043][0044]
继续将τ(t)代入整理可以得到：
[0045][0046]
其中，f
b0
≈sτ
0-fd+(τ0+b/2)k，sb＝-2ks-k2s，
[0047]
可以看出，中频信号s
if
是以f
b0
为中心频率，sb调频斜率的线性调频信号。结合一般实际目标的速度和雷达的载波频率可知k＜＜1，得到f
b0
≈sτ
0-fd，sb≈0，将其代入差频信号表达式得到目标的回波信号为：
[0048][0049]
从上式可以看出，中频信号s
if
的频率信息中包含着目标的距离与速度信息。本发明主要针对人体目标，而人体目标在运动过程中产生的多普勒频率fd较小，因此fd可以被忽略，上式可改写为：
[0050][0051]
对上式进行快速傅里叶变换(fast fourier transform,fft)处理，即可得到目标的距离信息，以此可以得到不同时间区段的距离像。
[0052]
此时，收到的距离像中包含大量由路面等静止物体产生的杂波，因此需进行静止目标杂波抑制处理。本发明采用均值对消算法，去除接收信号中的静态信息。其中第p帧第l个周期第n个距离单元xn(t
l
)的均值对消可表示为：
[0053][0054]
其中l是信号的时间长度，t
l
表示第l个周期；
[0055]
为进一步提高非视距目标的信噪比，本发明对距离像进行了非相参积累，将非相参积累后的目标信号称为z
p
[n]∈c1×n，而每帧内的第l个周期距离像表示为y
p
[l]∈c1×n，则
非相参积累的表达式为：
[0056][0057]
其中，c表示数学符号中的复数域，n表示目标信号的长度。
[0058]
考虑到由于路面等反射面会引入的较多的多径信号，这些回波信号会产生假目标，本发明为剔除这些假目标，采用有序统计恒虚警检测(os-cfar)方法，并同时采用单元平均恒虚警检测(ca-cfar)方法剔除了下一步所述的角度假目标。
[0059]
进一步地，采用mvdr(minimum variance distortionless response，最小方差无畸变响应)方法，测量当前场景各距离单元的角度，其在方位角度θ时的空间谱表达式为：
[0060][0061]
其中，上式中的a(θ)代表方向矢量，r代表信号自相关矩阵。选取角度单元最大者作为当前估计角度，即可得到候选目标的方位角度θ。至此，利用下式获取候选目标的二维平面信息，以此算出目标所在平面位置，其中是目标相对于“鬼探头”数据采集端的距离。
[0062][0063]
本发明雷达信号处理部分至此结束，基于距离像可以直接获得目标距离以及经过三角运算得到的角度
[0064]
步骤1-2：雷达目标跟踪，具体跟踪过程如图6所示。
[0065]
此时获得的目标候选点依旧存在杂波和噪声产生的假目标，因此，本发明采用运动目标跟踪的方法，通过将连续多帧的定位结果进行关联kalman滤波，估计真实的目标位置，并且在量测缺失时预测目标的位置，同时，在建立新航迹时利用了dbscan(具有噪声的基于密度的聚类方法)聚类方法来去除噪点，以求提高航迹可靠性。
[0066]
具体地，将系统变量用x(k)表示，定义系统过程噪声为v(k)，系统输入为u(k)，则目标状态方程的一般形式可表示为：
[0067]
x(k+1)＝fx(k)+gu(k)+v(k)
[0068]
其中，f为系统的状态转移矩阵，g为输入控制项矩阵。v(k)是零均值、白色高斯噪声，其协方差为q(k)。
[0069]
量测方程为雷达测量过程的假设，定义量测向量为z(k+1)，量测噪声为w(k+1)，则对于线性系统而言，量测方程可表示为：
[0070]
z(k+1)＝h(k+1)x(k+1)+w(k+1)
[0071]
其中，h(k+1)为量测矩阵，w(k+1)为零均值、白色高斯噪声，其协方差为r(k+1)。
[0072]
记k时刻状态估计为其对应的协方差为p(k|k)。则k+1时刻的状态的预测和量测的预测为：
[0073][0074][0075]
协方差的预测为：
[0076]
p(k+1|k)＝f(k)p(k|k)f'(k)+q(k)
[0077]
新息及新息协方差为：
[0078][0079]
s(k+1)＝h(k+1)p(k+1|k)h'(k+1)+r(k+1)
[0080]
由此得到的卡尔曼滤波器的增益为：
[0081]
k(k+1)＝p(k+1|k)h'(k+1)s-1
(k+1)
[0082]
状态和协方差更新方程为：
[0083][0084]
p(k+1|k+1)＝p(k+1|k)-k(k+1)s(k+1)k'(k+1)
[0085]
上述kalman滤波器只是整体目标跟踪流程的一环。对于漏检情况，跟踪滤波器利用预测结果更新轨迹。
[0086]
实际应用中，每一帧都会有多个目标被检测和跟踪。所以需要将量测结果与现有的轨迹相关联，识别出由正在跟踪的目标产生的量测结果，进而使用其更新轨迹。
[0087]
为了实现数据关联，本系统采用了基于马氏距离的最近邻(nearest neighbor,nn)算法。马氏距离表示一个点与一个分布之间的距离，具体计算公式为：
[0088][0089]
而nn算法的基本思路为，计算马氏距离，选择距离被跟踪目标的预测位置最近邻的量测点作为与航迹相关联的量测。
[0090]
如果关联过程中存在量测没有与存在的航迹关联上，考虑是一个新出现的目标，因此需要对其进行航迹初始化，建立新的轨迹，进行后续跟踪处理。在观察一定的时间后，将航迹长度满足一定条件的航迹作为真实目标的航迹输出，不满足的则当作虚假目标。
[0091]
步骤2：视觉数据处理，如图4所示，具体处理过程为：
[0092]
步骤2-1：视觉传感器标定
[0093]
欲实现视距目标位置估计，需要分别实现目标角度估计和位置估计。其中，目标角度估计较为简便，预先对视觉传感器的可视角度进行标定即可对图像中的目标实现角度估计。
[0094]
在实现目标检测后，即可得到目标底部在成像平面的像素值p
bottom
，接着通过摄像头标定与校准后，可求解出摄像头的焦距f以及镜头的光心在像素坐标系下y方向的像素坐标p
center
。摄像头安装高度h已知，则可以得到目标和摄像头之间的距离dis为：
[0095][0096]
其中，焦距为(f
x
,fy)，光心像素坐标为(c
x
,cy)，由于本系统采用y轴方向数据作为计算依据，由此：
[0097][0098]
为了估计摄像头的焦距f，需要通过对摄像头进行标定，由此估计其内参矩阵k。
[0099]
设o-x-y-z为相机坐标系，假设现实世界中一点p经过小孔投影后在物理成像平面o
’‑
x
’‑y’‑
z’上的成像点为p’。假设p和p’坐标分别为(x,y,z)和(x’,y’,z’)。则根据三角形相似关系，有：
[0100][0101]
在物理成像平面附件有诸多感光电子元件，其中每个元件代表输出图像的一个像素，因此假设感光平面上的像素坐标系为o-u-v，其中原点位于图像左上角，u轴向右与x轴平行，v轴向下与y轴平行。因此，像素坐标系与物理成像坐标系之间相差原点平移(c
x
,cy)与缩放(α,β)。则p’点在物理成像平面与感光元件之间的空间坐标变换可表示为：
[0102][0103]
代入式，有：
[0104][0105]
将其表示为矩阵形式，则有：
[0106][0107]
由此，可获得视觉传感器的焦距等关键参数。
[0108]
步骤2-2：视觉目标检测
[0109]
本发明将直接使用精度更高的yolo深度学习目标检测框架，直接估计感兴趣目标的位置roi(x,y,w,h)，同理，基于上述过程的内参矩阵，焦距f可被近似地估计为：
[0110][0111]
基于感兴趣目标位置roi(x,y,w,h)可进一步求出目标的质心位置，可通过下式进行计算：
[0112][0113][0114][0115][0116]
其中，m是图像的几何矩，m的下标x,y是图像的相对坐标，m
00
＝∑
x,y∈i
x0y0i(x,y)，m
10
＝∑
x,y∈i
x1y0i(x,y)，m
01
＝∑
x,y∈i
x0y1i(x,y)，i代表了图像数据的灰度值，
是标注后的图像质心位置的左方坐标、右方坐标，是标注后的图像质心位置的上方坐标、下方坐标。
[0117]
进一步地，目标距离的计算式子可以表达为：
[0118][0119]hcamera
是相机相对于地面的高度，是目标所在的视觉传感器数据的区域，是目标所在的视觉传感器数据区域的高度，代表目标所在区域的质心位置，而目标角度的式子则可以表达为：
[0120][0121]
即，目标在视觉传感器的质心位置在标定轴上最小绝对值差异，因此，由本步骤可得到视觉传感器的信息dv，并指定动态的人员信息为roi
dynamic
(x,y,w,h)，静态的障碍物信息为roi
obstacle
(x,y,w,h)。考虑到人员信息通常会被遮挡，导致估计出来的并不准确，由此对于人员信息roi
dynamic
(x,y,w,h)，只估计角度信息。
[0122]
到该步骤，视觉传感器可直接求出视距内目标的距离角度视觉传感器的信息dv具体包括距离和角度
[0123]
步骤3：数据处理
[0124]
步骤3-1：数据同步
[0125]
本发明按照图3方式进行数据同步，为比较毫米波雷达、视觉传感器的数据量大小，预先采集完毕后在进行比较，然后进行插值同步。图3所示的算法只有在毫米波雷达数据与视觉传感器数据帧数相同的情况下不会执行，否则，按照数据量较大者进行同步
[0126]
步骤3-2：数据调整
[0127]
各传感器校准完毕后，考虑到各传感器会进行部分微调，以获得不同的测量范围，对此，通过当前姿态与真实位置的转换，可通过直接计算毫米波雷达与光学传感器的旋转矩阵r、位移矩阵t来得到：
[0128][0129][0130][0131]
t
x
(x)＝(x,0,0)
[0132]
ty(y)＝(0,y,0)
[0133]
tz(z)＝(0,0,z)
[0134]
以此，通过上式以及其逆矩阵可以计算当前传感器的偏移位置o。假设第j个毫米波雷达传感器mmwi与第j个视觉传感器vij与原始位置俯仰角、横滚角、偏航角分别相差了
θi,μi度与θj,μj度，并分别偏移了xi,yi,zi米与xj,yj,zj米，则通过计算其逆矩阵来还原其姿态o
*
，具体如下：
[0135][0136][0137]
通过还原其姿态，进一步可以计算其探测到的目标相对于原校准好的姿态的偏差。
[0138]
步骤3-3：数据关联，具体实现过程如图7所示。
[0139]
本发明集中处理三类数据：新增视觉数据新增雷达数据以及历史数据dh，同时设置好关联参数：关联容限tha、时间噪声容限th
t
、空间距离容限thr、以及丢帧容限th
l
。
[0140]
按照图7的步骤，本发明先将所有满足初始化条件的数据dv、dr全部初始化为kalman滤波初始状态：
[0141]
目标的状态估计为
[0142]
目标的协方差为p(k|k)；
[0143]
并设置状态转移、状态更新的方程：
[0144]
目标的状态转移方程为
[0145]
目标在k+1时刻的更新方程为：其中，f'表示f的转置，q(k)是过程噪声方差矩阵；
[0146]
接着，更新每个历史数据的参数，在得到新信息z(k)后，采用z(k+1)＝h(k+1)x(k+1)+w(k+1)更新，其中，h(k+1)为量测矩阵，一般为w(k+1)为零均值、白色高斯噪声，其协方差为r(k+1)。
[0147]
新息v(k+1)及新息协方差s(k+1)为：
[0148][0149]
s(k+1)＝h(k+1)p(k+1|k)h
′
(k+1)+r(k+1)
[0150]
其中，h
′
表示h的转置；
[0151]
由以上数据，可计算得到卡尔曼增益：
[0152]
k(k+1)＝p(k+1|k)h'(k+1)s-1
(k+1)
[0153]
状态和协方差更新方程为：
[0154][0155]
p(k+1|k+1)＝p(k+1|k)-k(k+1)s(k+1)k'(k+1)
[0156]
其中，k'表示k的转置；
[0157]
更新完毕后，遍历每个新信息，依据关联阈值tha计算新增视觉数据dv、新增雷达数
据dr的差异，依据nn算法，计算每个数据的距离差异errr，当且仅当距离差异errr小于或等于距离容限thr，关联次数numa自增1次，否则跳过该步骤。同时，只有在关联次数numa大于关联容限tha时，数据将加入历史信息循环中；本实施例中距离容限thr取值为2.5米，关联容限tha取值为3帧；
[0158]
同理，对剩下无法关联的新增视觉数据dv、新增雷达数据dr继续遍历，加入临时循环，并在临时循环中保留th
t
次，并计算其出现次数num
t
与距离、角度差异同理，只有当出现次数num
t
大于或等于时间噪声容限th
t
，并且距离或角度差异小于或等于thr，加入历史信息循环中；本实施例中，时间噪声容限th
t
取值为3帧；
[0159]
本实施例中计算的距离、角度差异是将距离差异值与角度差异值分别取权重后相加得到，本实施例中距离差异值得权重设置为0.8，角度差异值的权重设置为0.2。
[0160]
一旦有新的数据加入历史信息循环，遍历历史循环信息中已有的每个数据，当发现新数据估计位置信息或估计角度信息与历史循环信息中某一数据的位置信息或角度信息差异值errr小于或等于thr，将新数据用于更新该数据并将其丢帧次数num
l
置为0。否则，在历史信息循环中将其创建为新的数据节点并将其丢帧次数num
l
置为0；若历史信息循环中的某个数据未被新增数据更新，则其丢帧次数num
l
自增1。
[0161]
通过遍历历史信息循环，检测其丢帧次数num
l
，当丢帧次数大于丢帧容限th
l
，自动剔除历史信息循环，以此实现更新每个数据的目的。本实施例中，丢帧容限th
l
设置为10帧。
[0162]
步骤4：“鬼探头”预警
[0163]
依据最新的历史数据dh得到每个本发明所设计的“鬼探头”预警系统所预测的目标位置，当视觉传感器识别到的人体、车辆数据与毫米波雷达得到的动目标、静目标数据能进行关联时，标记为：视距内行人目标，反之，当视觉传感器无行人目标，且毫米波雷达探测到动目标、并能与视觉传感器中的车辆目标进行关联时，将其标记为非视距区域内的“鬼探头”目标。
[0164]
本发明的效果通过以下实验验证进一步说明：
[0165]
实验结果：
[0166]
实验场景如图2(b)所示，利用毫米波雷达与摄像头传感器同时探测车后一个行人目标，各个参数与上述步骤一致。
[0167]
依据上述方法，得到的结果为图8所示，其中，图8(a)展示了直视区域下，本系统可同时识别车辆与行人目标，并标识出车辆相对于视觉传感器的角度与距离；而对于存在“鬼探头”风险的情景，图8(b)展示了非视距范围所探测的结果，并用粗框标示了驾驶人员需要注意的区域。
[0168]
对比图8(c)、图8(d)的结果，从车辆的俯视视角展示了周边物体的位置；可以发现对应的雷达数据探测结果基本上能对应的上模拟驾驶人员hud的结果，可以发现，本发明设计的“鬼探头”预警系统具备感知视距内人员与非视距人员的能力，并且其准确性较高，表现较为稳定。
[0169]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领
域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。