CN107507417A - 一种基于微波雷达回波信号的智能车道划分方法及装置 - Google Patents

Abstract

本发明提供了一种基于微波雷达回波信号的智能车道划分方法及装置，涉及智能交通技术领域。方法包括：根据雷达系统采集的数据确定车辆目标样本点数据，其包括用于表示雷达系统与车辆目标距离的第一样本点坐标集、第一样本点坐标集中各样本点的幅度值以及第一样本点坐标集的能量分布数据；根据第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集；采用基于样本密度特征的动态半径提取方法对第二样本点坐标集进行处理，从第二样本点坐标集中提取有效样本点；采用基于核的相似性的动态聚类算法对有效样本点进行聚类，生成聚类结果，并确定车道中心线。

Description

一种基于微波雷达回波信号的智能车道划分方法及装置

技术领域

本发明涉及智能交通技术领域，尤其涉及一种基于微波雷达回波信号的智能车道划分方法及装置。

背景技术

当前，在智能交通系统中，车道检测是一个长期的研究热点。车道检测包括车道线的检测、道路边界的检测以及车辆可通行区域的检测等。目前，基于视觉的检测技术由于摄像机获取信息量大、成本低等优势应用最为广泛。但摄像机拍摄的图片极易受到光照和天气等外部环境的影响，对环境条件要求较为苛刻，造成基于视觉的检测技术的结果不准确。近年来，随着雷达探测技术的发展，且由于雷达不受光照和恶劣天气等环境因素影响，具有探测范围广，测距精度高等优点，因此研究人员开始采用雷达来代替或者辅助摄像机来进行车道检测。

目前，现有技术中有利用雷达数据并采用一种双阈值的方法来提取道路边界点的方法，但该方法需要预先确定两个阈值，缺乏自适应性；另外现有技术还有将雷达获取的数据点分成若干个区域，计算该区域的随机密度来检测车道边界，方法简单，但需要计算每个区域的协方差矩阵，计算量较大；另外，现有技术还有采用阈值分割和综合概率数据关联滤波器(Integrated Probabilistic Data Association Filter，简称IPDAF)算法来检测和跟踪道路边沿；还有采用改进的迭代自组织数据分析(Iterative Self Organizing DataAnalysis，简称ISODATA)算法对雷达数据进行聚类，虽然ISODATA算法具有一定的自组织性和启发性，但还是需要给出先验的最小样本数目和长度约束。可见，当前的雷达数据的应用还较为不便。特别是对于多目标雷达来说，除了车道检测之外，还需要对车道进行划分，即判断出车辆归属于哪个车道。如图1(a)和图1(b)所示，两幅图像是由雷达捕获到车辆并触发相机进行抓拍得到的，图1(a)和图1(b)间接表明了雷达的安装方位，通常抓拍照片中会同时出现多辆汽车，我们需要在雷达算法中检测出车道并给出当前抓拍车辆的车道号，这样才能判断出抓拍照片的信息来自于哪一辆车。多目标雷达用于卡口测速时一般有两种安装方式：正装和侧装。图1(a)所示的就是安装在道路上方的横杆上或者天桥上的正装雷达，此时通过测量车道的实际宽度并设置固定阈值可以大致判断出车辆所在车道，但对安装位置的准确性要求较高。另外，在某些应用场景中，雷达只能侧装在路边的高杆上，如图1(b)所示。在这种情况下，需要人工测量出雷达的摆角以及雷达到车道中心的距离等信息，然后才能进行车道划分，实际操作起来较为不便。

可见，当前缺少一种准确且简便的智能车道划分方法。

发明内容

本发明的实施例提供一种基于微波雷达回波信号的智能车道划分方法及装置，以解决当前的车道检测与划分方法中，需要对雷达安装位置要求较高，且需要人工测量出雷达的摆角以及雷达到车道中心的距离等信息，使得车道检测与划分过程较为繁琐和不便的问题。

为达到上述目的，本发明采用如下技术方案：

一种基于微波雷达回波信号的智能车道划分方法，包括：

根据雷达系统采集的数据确定车辆目标样本点数据；所述车辆目标样本点数据包括用于表示雷达系统与车辆目标距离的第一样本点坐标集、第一样本点坐标集中各样本点的幅度值以及第一样本点坐标集的能量分布数据；

根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集；

采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点；

采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果；

根据聚类结果中的每类的聚类中心和特征向量确定每个聚类对应的车道中心线。

具体的，所述根据雷达系统采集的数据确定车辆目标样本点数据，包括：

根据微波雷达采集的车辆数据求出微波雷达到车辆目标的距离R和微波雷达的天线法线与车辆目标的夹角θ，形成各样本点的极坐标距离数据(R，θ)；

其中，c为光速；为同一接收天线两个不同发射频率f₁和f₂的相位差；λ_波为雷达发射电磁波的波长；为两个接收天线的同一发射频率的相位差；d为雷达的两个接收天线之间的距离；

将各样本点的极坐标距离数据(R，θ)转换为直角坐标数据(x，y)，形成所述第一样本点坐标集；

将微波雷达采集的车辆数据进行傅里叶变换，得到第一样本点坐标集中各样本点的幅度值z；

将各样本点的幅度值z从小到大进行排序，形成第一样本点坐标集的能量分布数据q(z)。

具体的，根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集，包括：

在区间(0，1)之间遍历第一样本点坐标集的能量分布数据q(z)的上分位数α；其中，其中，I{z_i>z_α}＝1，I{z_i≤z_α}＝0；所述上分位数α表示能量高于z_α的样本点的百分比，0<α<1；z_α表示第一样本点坐标集的能量分布数据q(z)在上分位数α所表示的百分比处的幅度值；N_q表示第一样本点坐标集的样本总数；

根据每个遍历到的上分位数α，将第一样本点坐标集的能量分布数据q(z)分为两部分样本点；所述两部分样本点为幅度值大于z_α的α·N_q个样本点和幅度值小于等于z_α的(1-α)N_q个样本点；

分别确定所述两部分样本点的幅度值的均值λ₁和λ₂；

根据所述两部分样本点的幅度值的均值λ₁和λ₂确定两部分样本点的方差；所述两部分样本点的方差为δ²(α)＝α(λ₁-λ_均)²+(1-α)(λ₂-λ_均)²＝α(1-α)(λ₁-λ₂)²；其中，λ_均为第一样本点坐标集的样本点的总体幅度值的均值，λ_均＝αλ₁+(1-α)λ₂；

在所述两部分样本点的方差最大时，确定遍历到的目标上分位数α′，并将第一样本点坐标集的能量分布数据q(z)中的第个样本点对应的幅度值作为所述动态阈值；

从所述第一样本点坐标集中选取幅度值大于所述动态阈值的第二样本点坐标集。

具体的，所述采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点，包括：

确定所述第二样本点坐标集各样本点的局部密度ρ_i；ρ_i表示第二样本点坐标集中第i个样本点的局部密度，其中d_ij表示第二样本点坐标集中第i个样本点与第二样本点坐标集中第j个样本点的距离；d_c为预先设置的截断距离；

确定第二样本点坐标集中第i个样本点的局部密度ρ_i达到预先设置的密度阈值N_密的最小半径τ_i；其中，

将第二样本点坐标集的所有样本点的最小半径τ_i求平均得半径阈值在所述最小半径τ_i小于半径阈值时，将所述第二样本点坐标集中第i个样本点提取为有效样本点。

具体的，所述采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果，包括：

步骤1、将所述有效样本点初始化分为k类；所述k类用于表示所述雷达系统所监测的车道数目；

步骤2、随机初始化每一类有效样本点的核K_j；

步骤3、确定每个有效样本点到每一类有效样本点的核K_j的距离；其中，所述核为K_j(x⁽ⁱ⁾,U_j)＝U_j ^Tx⁽ⁱ⁾，每个有效样本点到每一类有效样本点的核K_j的距离为其中x⁽ⁱ⁾表示第i个有效样本点；μ_j表示第j类有效样本点的均值向量；U_j表示第j类有效样本点内离散度矩阵S_j的最大特征值所对应的特征向量；其中，

步骤4、将每个有效样本点聚类到该样本点与每一类核K_j的距离最小值对应的类中；

步骤5、对进行聚类后形成的类，根据更新所述S_j和U_j；

在步骤5之后返回执行步骤3至步骤5，直至根据公式：确定失真函数J_c,μ的值不变或变化量小于预设变化阈值为止，将每一类最终收敛的聚类中心以及特征向量作为所述聚类结果；其中m为有效样本点个数。

一种基于微波雷达回波信号的智能车道划分装置，包括：

车辆目标样本点数据确定单元，用于根据雷达系统采集的数据确定车辆目标样本点数据；所述车辆目标样本点数据包括用于表示雷达系统与车辆目标距离的第一样本点坐标集、第一样本点坐标集中各样本点的幅度值以及第一样本点坐标集的能量分布数据；

基于统计特征的阈值处理单元，用于根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集；

基于样本密度特征的动态半径提取单元，用于采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点；

基于核的相似性的动态聚类单元，用于采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果；

车道中心线确定单元，用于根据聚类结果中的每类的聚类中心和特征向量确定每个聚类对应的车道中心线。

另外，所述车辆目标样本点数据确定单元，具体用于：

根据微波雷达采集的车辆数据求出微波雷达到车辆目标的距离R和微波雷达的天线法线与车辆目标的夹角θ，形成各样本点的极坐标距离数据(R，θ)；

其中，c为光速；为同一接收天线两个不同发射频率f₁和f₂的相位差；λ_波为雷达发射电磁波的波长；为两个接收天线的同一发射频率的相位差；d为雷达的两个接收天线之间的距离；

将各样本点的极坐标距离数据(R，θ)转换为直角坐标数据(x，y)，形成所述第一样本点坐标集；

将微波雷达采集的车辆数据进行傅里叶变换，得到第一样本点坐标集中各样本点的幅度值z；

将各样本点的幅度值z从小到大进行排序，形成第一样本点坐标集的能量分布数据q(z)。

另外，所述基于统计特征的阈值处理单元，具体用于：

在区间(0，1)之间遍历第一样本点坐标集的能量分布数据q(z)的上分位数α；其中，其中，I{z_i>z_α}＝1，I{z_i≤z_α}＝0；所述上分位数α表示能量高于z_α的样本点的百分比，0<α<1；z_α表示第一样本点坐标集的能量分布数据q(z)在上分位数α所表示的百分比处的幅度值；N_q表示第一样本点坐标集的样本总数；

根据每个遍历到的上分位数α，将第一样本点坐标集的能量分布数据q(z)分为两部分样本点；所述两部分样本点为幅度值大于z_α的α·N_q个样本点和幅度值小于等于z_α的(1-α)N_q个样本点；

分别确定所述两部分样本点的幅度值的均值λ₁和λ₂；

根据所述两部分样本点的幅度值的均值λ₁和λ₂确定两部分样本点的方差；所述两部分样本点的方差为δ²(α)＝α(λ₁-λ_均)²+(1-α)(λ₂-λ_均)²＝α(1-α)(λ₁-λ₂)²；其中，λ_均为第一样本点坐标集的样本点的总体幅度值的均值，λ_均＝αλ₁+(1-α)λ₂；

在所述两部分样本点的方差最大时，确定遍历到的目标上分位数α′，并将第一样本点坐标集的能量分布数据q(z)中的第个样本点对应的幅度值作为所述动态阈值；

从所述第一样本点坐标集中选取幅度值大于所述动态阈值的第二样本点坐标集。

另外，所述基于样本密度特征的动态半径提取单元，具体用于：

确定所述第二样本点坐标集各样本点的局部密度ρ_i；ρ_i表示第二样本点坐标集中第i个样本点的局部密度，其中d_ij表示第二样本点坐标集中第i个样本点与第二样本点坐标集中第j个样本点的距离；d_c为预先设置的截断距离；

确定第二样本点坐标集中第i个样本点的局部密度ρ_i达到预先设置的密度阈值N_密的最小半径τ_i；其中，

将第二样本点坐标集的所有样本点的最小半径τ_i求平均得半径阈值在所述最小半径τ_i小于半径阈值时，将所述第二样本点坐标集中第i个样本点提取为有效样本点。

另外，所述基于核的相似性的动态聚类单元，具体用于执行：

步骤1、将所述有效样本点初始化分为k类；所述k类用于表示所述雷达系统所监测的车道数目；

步骤2、随机初始化每一类有效样本点的核K_j；

步骤3、确定每个有效样本点到每一类有效样本点的核K_j的距离；其中，所述核为K_j(x⁽ⁱ⁾,U_j)＝U_j ^Tx⁽ⁱ⁾，每个有效样本点到每一类有效样本点的核K_j的距离为其中x⁽ⁱ⁾表示第i个有效样本点；μ_j表示第j类有效样本点的均值向量；U_j表示第j类有效样本点内离散度矩阵S_j的最大特征值所对应的特征向量；其中，

步骤4、将每个有效样本点聚类到该样本点与每一类核K_j的距离最小值对应的类中；

步骤5、对进行聚类后形成的类，根据更新所述S_j和U_j；

在步骤5之后返回执行步骤3至步骤5，直至根据公式：确定失真函数J_c,μ的值不变或变化量小于预设变化阈值为止，将每一类最终收敛的聚类中心以及特征向量作为所述聚类结果；其中m为有效样本点个数。

本发明实施例提供的一种基于微波雷达回波信号的智能车道划分方法及装置，首先根据雷达系统采集的数据确定车辆目标样本点数据(所述车辆目标样本点数据包括用于表示雷达系统与车辆目标距离的第一样本点坐标集、第一样本点坐标集中各样本点的幅度值以及第一样本点坐标集的能量分布数据；)。之后根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集；然后采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点；然后采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果；从而根据聚类结果中的每类的聚类中心和特征向量确定每个聚类对应的车道中心线。可见，本发明实施例仅需要通过雷达系统采集的数据即可最终确定车道中心线，实现智能车道划分，而无需关心雷达的安装位置和安装方式，且不需要人工测量出雷达的摆角以及雷达到车道中心的距离等信息，使得智能车道划分更为简单便利。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1(a)为正装雷达的检测方位示意图；

图1(b)为侧装雷达的检测方位示意图；

图2为本发明实施例提供的一种基于微波雷达回波信号的智能车道划分方法的流程图一；

图3为本发明实施例提供的一种基于微波雷达回波信号的智能车道划分方法的流程图二；

图4为本发明实施例中的第一样本点坐标集的示意图；

图5为本发明实施例中的正装雷达车辆轨迹分布和侧装雷达车辆轨迹分布情况示意图；

图6为本发明实施例中的第一样本点坐标集的能量分布数据q(z)的统计分布示意图；

图7为本发明实施例中的样本的动态半径示意图；

图8为本发明实施例中的各步骤的结果示意图；

图9为本发明实施例中的100个有效点进行聚类的最终的聚类结果示意图；

图10为本发明实施例中的聚类结果的实验仿真示意图；

图11为本发明实施例中的仿真结果示意图；

图12为GMM的聚类结果以及样本分类的后验概率示意图；

图13为SOM网络的聚类结果示意图；

图14为本发明实施例中的基于统计和密度特征的核聚类算法与GMM算法和SOM算法的结果对比示意图；

图15为本发明实施例中的实际场景示意图和车辆散射点分布图；

图16为本发明实施例提供的一种基于微波雷达回波信号的智能车道划分装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图2所示，本发明实施例提供一种基于微波雷达回波信号的智能车道划分方法，包括：

步骤201、根据雷达系统采集的数据确定车辆目标样本点数据。

其中，所述车辆目标样本点数据包括用于表示雷达系统与车辆目标距离的第一样本点坐标集、第一样本点坐标集中各样本点的幅度值以及第一样本点坐标集的能量分布数据。

步骤202、根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集。

步骤203、采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点。

步骤204、采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果。

步骤205、根据聚类结果中的每类的聚类中心和特征向量确定每个聚类对应的车道中心线。

值得说明的是，本发明实施例提供的基于微波雷达回波信号的智能车道划分方法可以称为基于统计和密度特征的核聚类算法的智能车道划分方法。

本发明实施例提供的一种基于微波雷达回波信号的智能车道划分方法，首先根据雷达系统采集的数据确定车辆目标样本点数据(所述车辆目标样本点数据包括用于表示雷达系统与车辆目标距离的第一样本点坐标集、第一样本点坐标集中各样本点的幅度值以及第一样本点坐标集的能量分布数据；)。之后根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集；然后采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点；然后采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果；从而根据聚类结果中的每类的聚类中心和特征向量确定每个聚类对应的车道中心线。可见，本发明实施例仅需要通过雷达系统采集的数据即可最终确定车道中心线，实现智能车道划分，而无需关心雷达的安装位置和安装方式，且不需要人工测量出雷达的摆角以及雷达到车道中心的距离等信息，使得智能车道划分更为简单便利。

为了使本领域的技术人员更好的了解本发明、本发明所能实现的效果以及本发明的在智能车道划分上的准确性。下面结合一个更为具体的实施例来对本发明进行阐述。如图3所示，本发明实施例提供一种基于微波雷达回波信号的智能车道划分方法，包括：

步骤301、根据微波雷达采集的车辆数据求出微波雷达到车辆目标的距离R和微波雷达的天线法线与车辆目标的夹角θ，形成各样本点的极坐标距离数据(R，θ)。

其中，c为光速；为同一接收天线两个不同发射频率f₁和f₂的相位差；λ_波为雷达发射电磁波的波长；为两个接收天线的同一发射频率的相位差；d为雷达的两个接收天线之间的距离。

此处的微波雷达即可认为是雷达系统，其可以采用多目标交通测速雷达。该多目标交通测速雷达主要用于在测速卡口对车辆进行超速抓拍。一般情况下，雷达系统可以包括相机、雷达和补光灯等，此处不再赘述。多目标交通测速雷达可以采用频移键控(Frequency-Shift Keying，简称FSK)机制，利用多普勒频移对目标进行测速，利用不同发射频率的相位差对目标进行测距，并通过一发两收的天线设计来测量目标的角度。

步骤302、将各样本点的极坐标距离数据(R，θ)转换为直角坐标数据(x，y)，形成所述第一样本点坐标集。

此处得到的第一样本点坐标集可以如图4所示，其中直角坐标数据(x，y)分别表示车辆目标移动的水平距离和纵向距离。而y的正负可以表示车辆目标的行驶方向。

步骤303、将微波雷达采集的车辆数据进行傅里叶变换，得到第一样本点坐标集中各样本点的幅度值z。

此处将微波雷达采集的车辆数据进行傅里叶变换，得到第一样本点坐标集中各样本点的幅度值z，这属于信号处理中的常见方法，此处不再赘述。

步骤304、将各样本点的幅度值z从小到大进行排序，形成第一样本点坐标集的能量分布数据q(z)。

下面的步骤305至步骤310进行的是基于统计特征的阈值处理方法。通常情况下，雷达系统照射范围内的车辆目标反射信号很强，但同时也存在邻近车道的车辆产生的干扰信号，如图5所示，分别为正装雷达车辆轨迹分布和侧装雷达车辆轨迹分布情况，其中“鬼影区”就是受天线的测角范围所限，由非监测区域的干扰目标所产生的干扰信号，因此基于统计特征的阈值处理方法的目的就是去掉“鬼影区”的异常数据。例如图5中是以监测来向车为例，即取y＜0的数据进行分析。

步骤305、在区间(0，1)之间遍历第一样本点坐标集的能量分布数据q(z)的上分位数α。

其中，其中，I{z_i>z_α}＝1，I{z_i≤z_α}＝0；所述上分位数α表示能量高于z_α的样本点的百分比，0<α<1；z_α表示第一样本点坐标集的能量分布数据q(z)在上分位数α所表示的百分比处的幅度值；N_q表示第一样本点坐标集的样本总数。

此处第一样本点坐标集的能量分布数据q(z)的统计分布可以如图6所示(分别为样本能量直方图和样本概率密度曲线)，其可以呈现出“双峰”特性，其中，低峰值处表示“鬼影区”的样本分布，高峰值处表示监测车道区域的样本分布。当然即使第一样本点坐标集的能量分布数据q(z)的统计分布没有明显的“双峰”特性，也可以用用步骤305至步骤310的方法。

步骤306、根据每个遍历到的上分位数α，将第一样本点坐标集的能量分布数据q(z)分为两部分样本点。

其中，所述两部分样本点为幅度值大于z_α的α·N_q个样本点和幅度值小于等于z_α的(1-α)N_q个样本点。

步骤307、分别确定所述两部分样本点的幅度值的均值λ₁和λ₂。

步骤308、根据所述两部分样本点的幅度值的均值λ₁和λ₂确定两部分样本点的方差。

其中，所述两部分样本点的方差为：

δ²(α)＝α(λ₁-λ_均)²+(1-α)(λ₂-λ_均)²＝α(1-α)(λ₁-λ₂)²。

其中，λ_均为第一样本点坐标集的样本点的总体幅度值的均值，λ_均＝αλ₁+(1-α)λ₂。

步骤309、在所述两部分样本点的方差最大时，确定遍历到的目标上分位数α′，并将第一样本点坐标集的能量分布数据q(z)中的第个样本点对应的幅度值作为所述动态阈值。

步骤310、从所述第一样本点坐标集中选取幅度值大于所述动态阈值的第二样本点坐标集。

下面的步骤311至步骤313行的是基于样本密度特征的动态半径提取。

首先，假设上述的第二样本点坐标集表示为：X＝{x⁽¹⁾,x⁽²⁾,...,x^(m)；x⁽ⁱ⁾∈Rⁿ}其中x⁽ⁱ⁾是一个n维的向量，代表第i个样本点的n维信息，m表示样本的数量。在本方案中，由于第二样本点坐标集具有的是水平距离和纵向距离，因此n维信息即为2维，但不仅局限于此，当n维信息多于2维时，也可采用步骤311至步骤313的方法。

步骤311、确定所述第二样本点坐标集各样本点的局部密度ρ_i。

其中，ρ_i表示第二样本点坐标集中第i个样本点的局部密度，其中d_ij表示第二样本点坐标集中第i个样本点与第二样本点坐标集中第j个样本点的距离；d_c为预先设置的截断距离(简称Cut-off distance)。由公式可知，ρ_i可以表示与样本x⁽ⁱ⁾距离小于d_c的样本点的个数，当ρ_i大于预先设置的密度阈值N_密时，该样本被视为有效样本。其中d_c和N_密是超参数，需要人为指定，参数设置的不同可能会导致结果的较大差异。为了降低算法的参数敏感性，可以将d_c看作一个变量。

步骤312、确定第二样本点坐标集中第i个样本点的局部密度ρ_i达到预先设置的密度阈值N_密的最小半径τ_i。

其中，

步骤313、将第二样本点坐标集的所有样本点的最小半径τ_i求平均得半径阈值在所述最小半径τ_i小于半径阈值时，将所述第二样本点坐标集中第i个样本点提取为有效样本点。

如图7所示，表示样本的动态半径示意图。其中最小半径τ_i越小，该样本点越可能为有效样本点，相反若最小半径τ_i越大，表明该样本点越可能为噪声点。

步骤314进行的是基于核的相似性的动态聚类。

如上述所述，本发明实施例提供的基于微波雷达回波信号的智能车道划分方法可以称为基于统计和密度特征的核聚类算法。

步骤314、采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果。

此处的步骤314可以采用如下方式实现：

步骤1、将所述有效样本点初始化分为k类；所述k类用于表示所述雷达系统所监测的车道数目。

步骤2、随机初始化每一类有效样本点的核K_j。

步骤3、确定每个有效样本点到每一类有效样本点的核K_j的距离；其中，所述核为K_j(x⁽ⁱ⁾,U_j)＝U_j ^Tx⁽ⁱ⁾，每个有效样本点到每一类有效样本点的核K_j的距离为其中x⁽ⁱ⁾表示第i个有效样本点；μ_j表示第j类有效样本点的均值向量；U_j表示第j类有效样本点内离散度矩阵S_j的最大特征值所对应的特征向量；其中，

步骤4、将每个有效样本点聚类到该样本点与每一类核K_j的距离最小值对应的类中；

步骤5、对进行聚类后形成的类，根据更新所述S_j和U_j；

在步骤5之后返回执行步骤3至步骤5，直至根据公式：确定失真函数J_c,μ的值不变或变化量小于预设变化阈值为止，将每一类最终收敛的聚类中心以及特征向量作为所述聚类结果；其中m为有效样本点个数。

通过上述步骤301至步骤314可以得到如图8所示的结果。其中，步骤301至步骤304对应原始车辆数据；步骤305至步骤310对应阈值处理结果；步骤311至步骤313对应密度特征提取；步骤314最终选取了100个有效样本点，对应取100个有效点。

步骤315、根据聚类结果中的每类的聚类中心和特征向量确定每个聚类对应的车道中心线。

为了使验证上述步骤301至步骤315的准确性，下面提供应用上述步骤301至步骤315的实测仿真和路测结果：

首先经过上述步骤301至步骤313得到2000个左右的有效样本点，取100个有效点进行聚类，最终的聚类结果见图9。在图9中，可以看出三条车道中心线是由每一类的有效样本点在核方向上的投影产生的。

其次，分别取样本点数量为100、500、1000、2000对聚类效果进行分析。此时，聚类结果的实验仿真如图10所示，通过对100组实际采集的数据进行分析，结果表明即使只取100个样本点，算法仍能很好的识别出车道中心线。另外，在实际采集数据时很容易遇到的一个问题就是，各个车道的过车数量可能并不均匀，这会导致采集到的样本分布不均且有明显的“间断”。为了衡量聚类效果，定义评价指标eva如下：

eva＝(β_i-α_i)/max(α_i,β_i)

其中，α_i表示第i个样本到此类的其他样本的平均距离；β_i表示第i个样本分别到其他各类样本的平均距离中的最小值；eva值在-1～1范围内，越接近1表明聚类效果越好。如图11所示，仿真结果能识别出车道中心线并且大部分样本的eva值都大于0.6，表明算法能很好地适应这种情况。

另外，考虑到国内该类产品仍处于研发阶段并涉及商业机密，关于多目标交通雷达的车道划分理论研究还未见公开的文献以及实际的工程结果，因此将本发明实施例提出的基于统计和密度特征的核聚类算法和另外两种具有代表性的聚类算法在算法用时以及车道划分的准确率上进行对比：

(1)混合高斯模型(Gaussian Mixture Model，简称GMM)：相比于K均值算法强制地将每个样本分给某个类，GMM算法给出的是样本分到每个类的概率，因而又称作软聚类(soft clustering)。图12是GMM的聚类结果以及样本分类的后验概率。

(2)自组织映射神经网络(Self-organizing Maps，简称SOM)：采用2×3的拓扑网络将样本分成6类，训练次数取200次。SOM网络的聚类结果给出了6个类的中心，如图13所示，分别取左、中、右拓扑结构的两个聚类中心的连线作为识别出的车道中心线。

实验仿真显示三种聚类算法在大多数情况下都能达到90％以上的分车道正确率。其中，本发明实施例的基于统计和密度特征的核聚类算法和SOM算法可以给出车道中心线，而GMM算法不能；在样本分布不均衡的情况下，本发明实施例的基于统计和密度特征的核聚类算法也具有很好的鲁棒性，仍能达到95％以上的正确率，GMM算法可以达到90％左右的正确率，而SOM算法无法正确分类；在算法用时上，以取1000个样本点为例，GMM算法用时最快，在0.2s左右，本发明实施例的基于统计和密度特征的核聚类算法需要0.8s左右，SOM算法需要2.5s左右。具体对比见表1和图14所示。

表1：

另外，发明人根据上述步骤301至步骤315进行了路测，过程如下：

测试设备采用：上位机(电脑)、雷达、相机和三脚架等。测试地点为：天桥。

测试步骤：

(1)将雷达用三脚架正装，并连接相机和上位机，然后用雷达采集车辆数据5分钟(约20辆车)。

(2)通过上位机发送命令，执行本发明实施例的基于统计和密度特征的核聚类算法，根据聚类结果中的每类的聚类中心和特征向量确定每个聚类对应的车道中心线，上位机界面在此处不赘述。

(3)将雷达设置成工作状态，对车辆进行正常抓拍并保存原始数据、抓拍照片和视频用于统计分析。

(4)对雷达进行侧装，重复上述三个步骤。

对三组测试结果分别统计分车道正确率，并对每辆过车取10帧数据进行单帧分析，如图15所示，左边为实际场景图，右边为车辆散射点分布图，路测统计结果见表2。

表2：

表2中，第1组数据为正装时采集，第2、3组为侧装时采集，可以看出正装的车道划分正确率要稍高于侧装时的正确率，但从总体上，本发明实施例中在两种安装方式下都可以达到95％以上的车道划分正确率，可以满足实际应用的需求。

可见，本发明实施例例中提出的基于统计和密度特征的核聚类算法，从实验仿真和路测结果可以看出，该方法在保证实时性的同时，可以达到95％以上的分车道正确率。当只取100个样本点进行聚类时，算法也具有很好的鲁棒性。

本发明实施例提供的一种基于微波雷达回波信号的智能车道划分方法，首先根据雷达系统采集的数据确定车辆目标样本点数据(所述车辆目标样本点数据包括用于表示雷达系统与车辆目标距离的第一样本点坐标集、第一样本点坐标集中各样本点的幅度值以及第一样本点坐标集的能量分布数据；)。之后根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集；然后采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点；然后采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果；从而根据聚类结果中的每类的聚类中心和特征向量确定每个聚类对应的车道中心线。可见，本发明实施例仅需要通过雷达系统采集的数据即可最终确定车道中心线，实现智能车道划分，而无需关心雷达的安装位置和安装方式，且不需要人工测量出雷达的摆角以及雷达到车道中心的距离等信息，使得智能车道划分更为简单便利。

对应于上述图2和图3所示的方法实施例，如图16所示，本发明实施例还提供一种基于微波雷达回波信号的智能车道划分装置，包括：

车辆目标样本点数据确定单元401，用于根据雷达系统采集的数据确定车辆目标样本点数据。

其中，所述车辆目标样本点数据包括用于表示雷达系统与车辆目标距离的第一样本点坐标集、第一样本点坐标集中各样本点的幅度值以及第一样本点坐标集的能量分布数据。

基于统计特征的阈值处理单元402，用于根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集。

基于样本密度特征的动态半径提取单元403，用于采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点。

基于核的相似性的动态聚类单元404，用于采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果。

车道中心线确定单元405，用于根据聚类结果中的每类的聚类中心和特征向量确定每个聚类对应的车道中心线。

另外，所述车辆目标样本点数据确定单元401，具体用于：

根据微波雷达采集的车辆数据求出微波雷达到车辆目标的距离R和微波雷达的天线法线与车辆目标的夹角θ，形成各样本点的极坐标距离数据(R，θ)。

其中，c为光速；为同一接收天线两个不同发射频率f₁和f₂的相位差；λ_波为雷达发射电磁波的波长；为两个接收天线的同一发射频率的相位差；d为雷达的两个接收天线之间的距离。

将各样本点的极坐标距离数据(R，θ)转换为直角坐标数据(x，y)，形成所述第一样本点坐标集。

将微波雷达采集的车辆数据进行傅里叶变换，得到第一样本点坐标集中各样本点的幅度值z。

将各样本点的幅度值z从小到大进行排序，形成第一样本点坐标集的能量分布数据q(z)。

另外，所述基于统计特征的阈值处理单元402，具体用于：

在区间(0，1)之间遍历第一样本点坐标集的能量分布数据q(z)的上分位数α；其中，其中，I{z_i>z_α}＝1，I{z_i≤z_α}＝0；所述上分位数α表示能量高于z_α的样本点的百分比，0<α<1；z_α表示第一样本点坐标集的能量分布数据q(z)在上分位数α所表示的百分比处的幅度值；N_q表示第一样本点坐标集的样本总数。

根据每个遍历到的上分位数α，将第一样本点坐标集的能量分布数据q(z)分为两部分样本点；所述两部分样本点为幅度值大于z_α的α·N_q个样本点和幅度值小于等于z_α的(1-α)N_q个样本点。

分别确定所述两部分样本点的幅度值的均值λ₁和λ₂。

根据所述两部分样本点的幅度值的均值λ₁和λ₂确定两部分样本点的方差；所述两部分样本点的方差为δ²(α)＝α(λ₁-λ_均)²+(1-α)(λ₂-λ_均)²＝α(1-α)(λ₁-λ₂)²；其中，λ_均为第一样本点坐标集的样本点的总体幅度值的均值，λ_均＝αλ₁+(1-α)λ₂。

在所述两部分样本点的方差最大时，确定遍历到的目标上分位数α′，并将第一样本点坐标集的能量分布数据q(z)中的第个样本点对应的幅度值作为所述动态阈值。

从所述第一样本点坐标集中选取幅度值大于所述动态阈值的第二样本点坐标集。

另外，所述基于样本密度特征的动态半径提取单元403，具体用于：

确定所述第二样本点坐标集各样本点的局部密度ρ_i；ρ_i表示第二样本点坐标集中第i个样本点的局部密度，其中d_ij表示第二样本点坐标集中第i个样本点与第二样本点坐标集中第j个样本点的距离；d_c为预先设置的截断距离。

确定第二样本点坐标集中第i个样本点的局部密度ρ_i达到预先设置的密度阈值N_密的最小半径τ_i；其中，

将第二样本点坐标集的所有样本点的最小半径τ_i求平均得半径阈值在所述最小半径τ_i小于半径阈值时，将所述第二样本点坐标集中第i个样本点提取为有效样本点。

另外，所述基于核的相似性的动态聚类单元404，具体用于执行：

步骤1、将所述有效样本点初始化分为k类；所述k类用于表示所述雷达系统所监测的车道数目。

步骤2、随机初始化每一类有效样本点的核K_j。

步骤3、确定每个有效样本点到每一类有效样本点的核K_j的距离；其中，所述核为K_j(x⁽ⁱ⁾,U_j)＝U_j ^Tx⁽ⁱ⁾，每个有效样本点到每一类有效样本点的核K_j的距离为其中x⁽ⁱ⁾表示第i个有效样本点；μ_j表示第j类有效样本点的均值向量；U_j表示第j类有效样本点内离散度矩阵S_j的最大特征值所对应的特征向量；其中，

步骤4、将每个有效样本点聚类到该样本点与每一类核K_j的距离最小值对应的类中；

步骤5、对进行聚类后形成的类，根据更新所述S_j和U_j；

在步骤5之后返回执行步骤3至步骤5，直至根据公式：确定失真函数J_c,μ的值不变或变化量小于预设变化阈值为止，将每一类最终收敛的聚类中心以及特征向量作为所述聚类结果；其中m为有效样本点个数。

值得说明的是，本发明实施例提供的一种基于微波雷达回波信号的智能车道划分装置的具体实现方式可以参见上述图2和图3对应的方法实施例，此处不再赘述。

本发明实施例提供的一种基于微波雷达回波信号的智能车道划分装置，首先根据雷达系统采集的数据确定车辆目标样本点数据(所述车辆目标样本点数据包括用于表示雷达系统与车辆目标距离的第一样本点坐标集、第一样本点坐标集中各样本点的幅度值以及第一样本点坐标集的能量分布数据；)。之后根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集；然后采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点；然后采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果；从而根据聚类结果中的每类的聚类中心和特征向量确定每个聚类对应的车道中心线。可见，本发明实施例仅需要通过雷达系统采集的数据即可最终确定车道中心线，实现智能车道划分，而无需关心雷达的安装位置和安装方式，且不需要人工测量出雷达的摆角以及雷达到车道中心的距离等信息，使得智能车道划分更为简单便利。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于微波雷达回波信号的智能车道划分方法，其特征在于，包括：

根据雷达系统采集的数据确定车辆目标样本点数据；所述车辆目标样本点数据包括用于表示雷达系统与车辆目标距离的第一样本点坐标集、第一样本点坐标集中各样本点的幅度值以及第一样本点坐标集的能量分布数据；

根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集；

采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点；

采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果；

根据聚类结果中的每类的聚类中心和特征向量确定每个聚类对应的车道中心线。

2.根据权利要求1所述的基于微波雷达回波信号的智能车道划分方法，其特征在于，所述根据雷达系统采集的数据确定车辆目标样本点数据，包括：

根据微波雷达采集的车辆数据求出微波雷达到车辆目标的距离R和微波雷达的天线法线与车辆目标的夹角θ，形成各样本点的极坐标距离数据(R，θ)；

其中，c为光速；为同一接收天线两个不同发射频率f₁和f₂的相位差；λ_波为雷达发射电磁波的波长；为两个接收天线的同一发射频率的相位差；d为雷达的两个接收天线之间的距离；

将各样本点的极坐标距离数据(R，θ)转换为直角坐标数据(x，y)，形成所述第一样本点坐标集；

将微波雷达采集的车辆数据进行傅里叶变换，得到第一样本点坐标集中各样本点的幅度值z；

将各样本点的幅度值z从小到大进行排序，形成第一样本点坐标集的能量分布数据q(z)。

3.根据权利要求2所述的基于微波雷达回波信号的智能车道划分方法，其特征在于，根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集，包括：

在区间(0，1)之间遍历第一样本点坐标集的能量分布数据q(z)的上分位数α；其中，其中，I{z_i>z_α}＝1，I{z_i≤z_α}＝0；所述上分位数α表示能量高于z_α的样本点的百分比，0<α<1；z_α表示第一样本点坐标集的能量分布数据q(z)在上分位数α所表示的百分比处的幅度值；N_q表示第一样本点坐标集的样本总数；

根据每个遍历到的上分位数α，将第一样本点坐标集的能量分布数据q(z)分为两部分样本点；所述两部分样本点为幅度值大于z_α的α·N_q个样本点和幅度值小于等于z_α的(1-α)N_q个样本点；

分别确定所述两部分样本点的幅度值的均值λ₁和λ₂；

根据所述两部分样本点的幅度值的均值λ₁和λ₂确定两部分样本点的方差；所述两部分样本点的方差为δ²(α)＝α(λ₁-λ_均)²+(1-α)(λ₂-λ_均)²＝α(1-α)(λ₁-λ₂)²；其中，λ_均为第一样本点坐标集的样本点的总体幅度值的均值，λ_均＝αλ₁+(1-α)λ₂；

在所述两部分样本点的方差最大时，确定遍历到的目标上分位数α′，并将第一样本点坐标集的能量分布数据q(z)中的第个样本点对应的幅度值作为所述动态阈值；

从所述第一样本点坐标集中选取幅度值大于所述动态阈值的第二样本点坐标集。

4.根据权利要求3所述的基于微波雷达回波信号的智能车道划分方法，其特征在于，所述采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点，包括：

确定所述第二样本点坐标集各样本点的局部密度ρ_i；ρ_i表示第二样本点坐标集中第i个样本点的局部密度，其中d_ij表示第二样本点坐标集中第i个样本点与第二样本点坐标集中第j个样本点的距离；d_c为预先设置的截断距离；

确定第二样本点坐标集中第i个样本点的局部密度ρ_i达到预先设置的密度阈值N_密的最小半径τ_i；其中，

将第二样本点坐标集的所有样本点的最小半径τ_i求平均得半径阈值在所述最小半径τ_i小于半径阈值时，将所述第二样本点坐标集中第i个样本点提取为有效样本点。

5.根据权利要求4所述的基于微波雷达回波信号的智能车道划分方法，其特征在于，所述采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果，包括：

步骤1、将所述有效样本点初始化分为k类；所述k类用于表示所述雷达系统所监测的车道数目；

步骤2、随机初始化每一类有效样本点的核K_j；

步骤3、确定每个有效样本点到每一类有效样本点的核K_j的距离；其中，所述核为K_j(x⁽ⁱ⁾,U_j)＝U_j ^Tx⁽ⁱ⁾，每个有效样本点到每一类有效样本点的核K_j的距离为其中x⁽ⁱ⁾表示第i个有效样本点；μ_j表示第j类有效样本点的均值向量；U_j表示第j类有效样本点内离散度矩阵S_j的最大特征值所对应的特征向量；其中，

步骤4、将每个有效样本点聚类到该样本点与每一类核K_j的距离最小值对应的类中；

步骤5、对进行聚类后形成的类，根据更新所述S_j和U_j；

在步骤5之后返回执行步骤3至步骤5，直至根据公式：确定失真函数J_c,μ的值不变或变化量小于预设变化阈值为止，将每一类最终收敛的聚类中心以及特征向量作为所述聚类结果；其中m为有效样本点个数。

6.一种基于微波雷达回波信号的智能车道划分装置，其特征在于，包括：

车辆目标样本点数据确定单元，用于根据雷达系统采集的数据确定车辆目标样本点数据；所述车辆目标样本点数据包括用于表示雷达系统与车辆目标距离的第一样本点坐标集、第一样本点坐标集中各样本点的幅度值以及第一样本点坐标集的能量分布数据；

基于统计特征的阈值处理单元，用于根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集；

基于样本密度特征的动态半径提取单元，用于采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点；

基于核的相似性的动态聚类单元，用于采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果；

车道中心线确定单元，用于根据聚类结果中的每类的聚类中心和特征向量确定每个聚类对应的车道中心线。

7.根据权利要求6所述的基于微波雷达回波信号的智能车道划分装置，其特征在于，所述车辆目标样本点数据确定单元，具体用于：

根据微波雷达采集的车辆数据求出微波雷达到车辆目标的距离R和微波雷达的天线法线与车辆目标的夹角θ，形成各样本点的极坐标距离数据(R，θ)；

其中，c为光速；为同一接收天线两个不同发射频率f₁和f₂的相位差；λ_波为雷达发射电磁波的波长；为两个接收天线的同一发射频率的相位差；d为雷达的两个接收天线之间的距离；

将各样本点的极坐标距离数据(R，θ)转换为直角坐标数据(x，y)，形成所述第一样本点坐标集；

将微波雷达采集的车辆数据进行傅里叶变换，得到第一样本点坐标集中各样本点的幅度值z；

将各样本点的幅度值z从小到大进行排序，形成第一样本点坐标集的能量分布数据q(z)。

8.根据权利要求7所述的基于微波雷达回波信号的智能车道划分装置，其特征在于，所述基于统计特征的阈值处理单元，具体用于：

在区间(0，1)之间遍历第一样本点坐标集的能量分布数据q(z)的上分位数α；其中，其中，I{z_i>z_α}＝1，I{z_i≤z_α}＝0；所述上分位数α表示能量高于z_α的样本点的百分比，0<α<1；z_α表示第一样本点坐标集的能量分布数据q(z)在上分位数α所表示的百分比处的幅度值；N_q表示第一样本点坐标集的样本总数；

根据每个遍历到的上分位数α，将第一样本点坐标集的能量分布数据q(z)分为两部分样本点；所述两部分样本点为幅度值大于z_α的α·N_q个样本点和幅度值小于等于z_α的(1-α)N_q个样本点；

分别确定所述两部分样本点的幅度值的均值λ₁和λ₂；

根据所述两部分样本点的幅度值的均值λ₁和λ₂确定两部分样本点的方差；所述两部分样本点的方差为δ²(α)＝α(λ₁-λ_均)²+(1-α)(λ₂-λ_均)²＝α(1-α)(λ₁-λ₂)²；其中，λ_均为第一样本点坐标集的样本点的总体幅度值的均值，λ_均＝αλ₁+(1-α)λ₂；

在所述两部分样本点的方差最大时，确定遍历到的目标上分位数α′，并将第一样本点坐标集的能量分布数据q(z)中的第个样本点对应的幅度值作为所述动态阈值；

从所述第一样本点坐标集中选取幅度值大于所述动态阈值的第二样本点坐标集。

9.根据权利要求8所述的基于微波雷达回波信号的智能车道划分装置，其特征在于，所述基于样本密度特征的动态半径提取单元，具体用于：

确定所述第二样本点坐标集各样本点的局部密度ρ_i；ρ_i表示第二样本点坐标集中第i个样本点的局部密度，其中d_ij表示第二样本点坐标集中第i个样本点与第二样本点坐标集中第j个样本点的距离；d_c为预先设置的截断距离；

确定第二样本点坐标集中第i个样本点的局部密度ρ_i达到预先设置的密度阈值N_密的最小半径τ_i；其中，

将第二样本点坐标集的所有样本点的最小半径τ_i求平均得半径阈值在所述最小半径τ_i小于半径阈值时，将所述第二样本点坐标集中第i个样本点提取为有效样本点。

10.根据权利要求9所述的基于微波雷达回波信号的智能车道划分装置，其特征在于，所述基于核的相似性的动态聚类单元，具体用于执行：

步骤1、将所述有效样本点初始化分为k类；所述k类用于表示所述雷达系统所监测的车道数目；

步骤2、随机初始化每一类有效样本点的核K_j；

步骤3、确定每个有效样本点到每一类有效样本点的核K_j的距离；其中，所述核为K_j(x⁽ⁱ⁾,U_j)＝U_j ^Tx⁽ⁱ⁾，每个有效样本点到每一类有效样本点的核K_j的距离为其中x⁽ⁱ⁾表示第i个有效样本点；μ_j表示第j类有效样本点的均值向量；U_j表示第j类有效样本点内离散度矩阵S_j的最大特征值所对应的特征向量；其中，

步骤4、将每个有效样本点聚类到该样本点与每一类核K_j的距离最小值对应的类中；

步骤5、对进行聚类后形成的类，根据更新所述S_j和U_j；

在步骤5之后返回执行步骤3至步骤5，直至根据公式：确定失真函数J_c,μ的值不变或变化量小于预设变化阈值为止，将每一类最终收敛的聚类中心以及特征向量作为所述聚类结果；其中m为有效样本点个数。