CN110161464A - 一种雷达多目标聚类方法及装置 - Google Patents
一种雷达多目标聚类方法及装置 Download PDFInfo
- Publication number
- CN110161464A CN110161464A CN201910515993.9A CN201910515993A CN110161464A CN 110161464 A CN110161464 A CN 110161464A CN 201910515993 A CN201910515993 A CN 201910515993A CN 110161464 A CN110161464 A CN 110161464A
- Authority
- CN
- China
- Prior art keywords
- target
- grid
- region
- point
- target point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种雷达多目标聚类方法及装置,该方法步骤包括:S1.获取待处理雷达信号中检测到的所有目标点,将获取的各目标点按照空间分布密度预先划分为多个区域;S2.分别为步骤S1划分得到的各区域配置对应的用于聚类的输入参数,根据配置的输入参数采用基于密度的聚类算法分别对各区域进行聚类,得到多目标的聚类结果输出;该装置包括区域预划分模块以及多目标聚类模块。本发明具有实现方法简单、密度分布不均匀时聚类精度高且聚类效果好、聚类速度快等优点。
Description
技术领域
本发明涉及雷达信号处理,尤其涉及一种雷达多目标聚类方法及装置。
背景技术
如毫米波雷达等在探测目标过程中发挥着十分重要的作用。雷达经过检测流程后,会得到一系列目标点的信息,包括如位置坐标,速度、信噪比等信息,在后续的雷达信号处理过程中,需要对检测到的这些目标点再采取合理的策略进行聚类以聚类成正确的目标。当雷达扫到具有较大反射面的物体(如墙体)时,往往会反射回多个点,由反射回的各个点构成点群,即如果雷达探测区域内存在较大反射面的物体,则会产生较多的点集,而由于不同目标物体的距离、反射面积、方向等不同,雷达探测到的点集可能会出现分布不均匀的情况,如有些区域密度较大,而有些区域的密度较小。
在雷达信号处理中,目前通常是使用基于密度的聚类算法进行聚类,典型的如DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪声的基于密度的聚类方法)算法。DBSCAN算法与划分和层次聚类方法不同,通过将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。DBSCAN算法中仅需要两个输入参数:邻域半径(Eps)、点门限(MinPts),但是DBSCAN算法对输入参数十分敏感,如随着邻域半径改变,聚类效果会产生非常大的区别,即输入参数的设置对于聚类效果的影响很大,若输入参数设置不合适即会直接影响聚类结果的准确性。
在基于DBSCAN算法实现雷达目标聚类过程中,DBSCAN算法通常都是使用一个固定的全局参数,即在整个聚类过程中均时使用固定的邻域半径、点门限,而如上述,当雷达扫到的目标点点迹分布不均匀时,若使用固定的全局参数会产生较差的聚类效果,输入参数设置过小、过大均会影响聚类效果。DBSCAN算法正常完成聚类如图1所示,即聚类成为三个合适的目标群,但是由于DBSCAN算法对输入参数要求过高,若输入参数Eps设置不合适,则可能会出现以下两种情况:一、如果输入参数Eps设置比较小,会导致存在点群不能完成聚类,如图2所示,图中左上角除点群未能聚类成功;二、如果输入参数Eps设置过大,会使得将多余的散点聚类到目标点群里而引入噪点,如图3所示。
针对上述点集密度分布不均问题,目前在雷达目标聚类处理中,通常都是采用如将距离坐标进行归一化处理,或引入如速度、信噪比等其他参数形成高维坐标来计算欧氏距离等方式,以削弱密度分布不均带来的聚类问题,但是该类方式仍然是基于全局输入参数进行聚类,仅能够起到较为有限的削弱作用,仍然不能很好的解决分布不均的聚类问题。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现方法简单、密度分布不均匀时聚类精度高且聚类效果好、聚类速度快的雷达多目标聚类方法及装置。
为解决上述技术问题,本发明提出的技术方案为:
一种雷达多目标聚类方法,步骤包括:
S1.区域预划分:获取待处理雷达信号中检测到的所有目标点,将获取的各目标点按照空间分布密度预先划分为多个区域;
S2.多目标聚类:分别为步骤S1划分得到的各区域配置对应的用于聚类的输入参数,根据配置的所述输入参数采用基于密度的聚类算法分别对各区域进行聚类,得到多目标的聚类结果输出。
作为本发明的进一步改进,所述步骤S1的步骤包括:
S11.网格划分:将检测到的所有目标点所在的数据空间划分为多个网格,并统计每个网格中所包含的目标点的数量,得到对应各个网格的点迹密度;
S12.网格合并:将步骤S11划分得到的各个网络中所述点迹密度相差在指定范围内的相邻网格合并至一个区域,最终形成多个区域。
作为本发明的进一步改进,所述步骤S11中划分网格时,具体先对所述数据空间进行初始均匀划分,将目标点投影到X、Y轴中并统计目标点的分布状态,再根据统计的所述目标点的分布状态取目标点数满足预设要求的部分网格进行细分;所述进行细分时根据网格中所有目标点中横坐标的最大值、最小值以及纵坐标的最大值、最小值确定对应网格的上下、左右边界,根据确定的所述边界以及预设网格划分数量确定网格细分后每个细分网格的大小,使得划分后各细分网格中所述点迹密度最高为或与在预设误差范围内,得到最终的网格划分结果,其中NUM为待细分网格中目标点的总数。
作为本发明的进一步改进,所述步骤S12的具体步骤包括:
S121.获取各个网络中所述点迹密度最大的网格并作为当前网格;
S122.查找与当前网格相邻的各网格中点迹密度差在预设范围内的目的网格,将当前网格与查找到的目的网络进行合并,并重新将查找到的目的网格作为当前网格,返回执行步骤S122,直至完成当前网格区域的查找;
S123.获取当前未处理的各网格中所述点迹密度最大的网格并作为当前网格,返回执行步骤S122,直至完成所有网格的处理,最终得到多个区域。
作为本发明的进一步改进,所述步骤S2的步骤包括:根据各区域中各目标点与第M个最近邻的目标点之间的距离确定各区域对应的邻域半径,其中M为预设点数门限值,基于所述预设点数门限值以及确定的所述邻域半径采用DBSCAN聚类算法分别对各区域进行聚类。
作为本发明的进一步改进,所述确定各区域对应的邻域半径步骤包括:分别计算每个区域中每一个目标点与本区域内第M个最近邻的目标点之间的距离,查找计算得到的结果中斜率的绝对值最大所对应的目的目标点,根据目的目标点的纵坐标确定得到所述邻域半径。
作为本发明的进一步改进,计算目标点之间的所述距离的步骤包括:
分别对目标点的位置信息中X坐标值x、Y坐标值y以及速度值v、信噪比值Snr进行归一化处理;
使用归一化处理后结果按照下式计算目标点之间的距离d:
其中,xi,yi,vi,Snri分别为第i个目标点的X坐标值、Y坐标值、速度值、信噪比值,yj,yj,vj,Snrj分别为第j个目标点的X坐标值、Y坐标值、速度值、信噪比值。
作为本发明的进一步改进,所述步骤S1后、步骤S2前还包括噪点剔除步骤,具体步骤包括:计算各个区域中目标点所对应的各属性信息的统计值,从各个区域中查找属性信息与所述统计值之间差值大于预设阈值的目的目标点,将查找到的目的目标点判定为噪点并进行剔除,所述属性信息包括位置、速度以及信噪比信息中一种或多种。
作为本发明的进一步改进,所述步骤S1前还包括目标点密度分布状态判定步骤,具体步骤包括:判断雷达检测到的目标点的密度分布状态,若判定为密度分布不均匀,转入执行步骤S1以进行区域预划分后再执行多目标聚类,若判定为密度分布均匀,采用基于密度的聚类算法进行聚类。
一种雷达多目标聚类装置,包括:
区域预划分模块,用于获取待处理雷达信号中检测到的所有目标点,将获取的各目标点按照空间分布密度预先划分为多个区域;
多目标聚类模块,用于分别为所述区域预划分模块划分得到的各区域配置对应的用于聚类的输入参数,根据配置的所述输入参数采用基于密度的聚类算法分别对各区域进行聚类,得到多目标的聚类结果输出。
与现有技术相比,本发明的优点在于:
1、本发明雷达多目标聚类方法及装置,聚类前采取分区策略预先进行分区,能够提前找到点集分布状态,聚类过程中利用点集分布已知信息配置各区域的输入参数,可以为不同密度区域配置合适的输入参数进行聚类,当雷达扫到具有较大反射面的物体时,各目标均能够准确的实现聚类,相比于传统使用固定全局参数进行聚类的方式,可以有效的解决雷达散射目标点分布不均匀问题,提高密度分布不均时多目标聚类效果,同时基于预先分区的方式,还可以减少后续聚类时的运算量,提高聚类的效率。
2、本发明雷达多目标聚类方法及装置,进一步通过网格划分的方式对雷达检测到的目标点的空间进行预划分,可以快速、准确的划分出不同密度的区域,提前获取到点集的密度分布状态,从而便于分别对不同密度区域进行准确聚类。
3、本发明雷达多目标聚类方法及装置,进一步通过依据预分区后各区域中目标点与点数门限范围内最近邻的目标点之间的距离来确定对应的邻域半径,可以利用预分区后点集的已知信息准确的配置各区域的邻域半径,能够针对不同密度分布的区域配置合适的邻域半径,从而可以针对不同密度分布的区域均进行准确聚类。
附图说明
图1是典型的DBSCAN算法正常聚类时的原理示意图。
图2是典型的DBSCAN算法中Eps过小时聚类的原理示意图。
图3是典型的DBSCAN算法中Eps过大时聚类的原理示意图。
图4是本实施例雷达多目标聚类方法的实现流程示意图。
图5是本发明在具体应用实施例中将二维数据空间转换为一维得到的结果示意图。
图6是本发明在具体应用实施例中得到的一个区间的网格划分及点迹统计结果示意图。
图7是本发明在具体应用实施例中得到的网格分区结果示意图。
图8是本发明在具体应用实施例中实现雷达多目标聚类的流程示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图4所示,本实施例雷达多目标聚类方法的步骤包括:
S1.区域预划分:获取待处理雷达信号中检测到的所有目标点,将获取的各目标点按照空间分布密度预先划分为多个区域;
S2.多目标聚类:根据步骤S1划分得到的各区域中目标点的分布状态分别为各区域对应配置对应的用于聚类的输入参数,基于配置的输入参数采用基于密度的聚类算法分别对各区域进行聚类,得到多目标的聚类结果输出。
本实施例针对雷达多目标聚类,通过对雷达检测到的目标点预先依据空间分布密度进行分区,划分为多个区域后,再依据各区域的点集分布状态分别配置对应的输入参数,各区域基于对应的输入参数采用基于密度的聚类算法分别进行聚类,由于聚类前采取分区策略预先进行了分区,能够提前找到点集分布状态,聚类过程中利用点集分布已知信息配置各区域的输入参数,可以为不同密度区域配置合适的输入参数进行聚类,当雷达扫到具有较大反射面的物体时,各目标均能够准确的实现聚类,相比于传统使用全局参数进行聚类的方式,可以有效的解决雷达散射目标点分布不均匀问题,提高密度分布不均时多目标聚类效果,同时基于预先分区的方式,还可以减少后续聚类时的运算量,提高聚类的运算速度。
本实施例中,步骤S1的步骤包括:
S11.网格划分:将检测到的所有目标点所在的数据空间划分为多个网格,并统计每个网格中所包含的目标点的数量,得到对应各个网格的点迹密度;
S12.网格合并:将步骤S11划分得到的各个网络中点迹密度相差在指定范围内的相邻网格合并至一个区域,最终形成多个区域。
本实施例进行区域预划分时,首先将数据空间分割成多个网格,统计各网格中所包含的目标点的密度,对有点迹的网格,如果相邻的网格点迹数相差在指定范围内,则合并成一个网格,最终形成多个不同密度的区域。通过网格划分的方式对雷达检测到的目标点的空间进行划分,可以快速、准确的划分出不同密度的区域,提前获取到点集的密度分布状态,从而便于后续分别对不同密度区域进行准确聚类。
为了简化计算量,本实施例对网格切分运算进行了简化,如果二维空间存在点群,则在二维空间中相对密集,则认为在一维空间相对密集。本实施例上述步骤S11中网格划分时,先对数据空间进行初始均匀划分,将目标点投影到X、Y轴中并统计目标点的分布状态,再根据统计的目标点的分布状态取目标点数满足预设要求的部分网格进行细分区间。
在具体应用实施例中,如图5所示,首先均匀划分区间,将数据点投影到X轴和Y轴中,统计在X轴和Y轴中的点数分布情况,得到一系列的点数密集分布区间[x1,x1'],[x2,x2'],...[xi,xi']和[y1,y1'],[y2,y2']...[yi,yi'],i=(1,2...)(以i=2为例),如图5所示;然后将得到的各区间逐一配对:[x1,x1'][y1,y1'],[x1,x1'][y2,y2'],[x2,x2'][y1,y1'],[x2,x2'][y2,y2'];
并统计上述四个区间的点数Num1,Num2,Num3,Num4,将集合中数据由大到小进行排列,取前i个所代表的网格作为细分区间,以取目标点数较大的部分网格进一步细分。
为了保证细分区间网格大小适当,本实施例上述进行细分时,首先根据网格中所有目标点中横坐标的最大值、最小值以及纵坐标的最大值、最小值确定对应网格的确定网格内上下左右的边界,即边界为:点坐标的横坐标最大值Xmax、最小值Xmin、纵坐标的最小值Ymin、最大值Ymax,根据横纵坐标的大小来确定每个网格的长度,如图5中短线标识所示,并统计目标点的总体个数NUM,根据确定的边界以及预设网格划分数量确定网格细分后每个细分网格的大小,网格宽度N配置为使密度最高点的网格点密度为左右,使得划分后各细分网格中点迹密度最高为左右,得到最终的网格划分结果。对网格进行细分后每个细分网格的长度具体分别为:
Δx=(Xmax-Xmin)/N (1)
Δy=(Ymax-Ymin)/N (2)
如毫米波雷达等检测到的目标通常并不会全面分布在整个探测范围内,若采用全局性网格划分方式,如对整个区间进行均匀划分,为保证划分精度则数据处理量大,需要较大的硬件资源开销。本实施例通过先预先进行均匀分区,可以先初步确定点迹的分布位置、分布情况,便于剔除部分散落的噪点目标,减少干扰,再根据点迹分布对点迹密集的网格进行细分区间,可以准确的定位到可能存在目标的区间以便于后续准确的聚类,减少不必要的划分操作以及后续聚类操作,相比于全局性网格划分方式,可以保证网格划分的准确性,同时能够大量减少数据处理量,进一步提高处理效率。可以理解的是,当然也可以根据实际需求采用全局网格划分的方式,进一步每个网格的网格宽度N可以配置为使密度最高点的网格点密度为左右,可以确保划分的合理性。
划分网格成功后,根据点的位置分别统计落在各个网格的点的个数,并将各个网格的点的坐标分别存在特定的集合里。在具体应用实施例中对一个区间划分网格后得到的统计结果如图6所示。
本实施例中,步骤S12的具体步骤包括:
S121.获取各个网络中点迹密度最大的网格并作为当前网格;
S122.查找与当前网格相邻的各网格中点迹密度差在预设范围内的目的网格,将当前网格与查找到的目的网络进行合并,并重新将查找到的目的网格作为当前网格,返回执行步骤S122,直至完成当前网格区域的查找;
S123.获取当前未处理的各网格中点迹密度最大的网格并作为当前网格,返回执行步骤S122,直至完成所有网格的处理,最终得到多个区域。
对于同一目标,相邻点群的密度分布相近。本实施例在划分完网格后,先找到当前区间内点密度最高的网格,如果相邻的网格与其网格内点数相近则合并相应的网格,重复执行该操作,最终形成多个区域,可以依据网格的点迹密度快速、准确的查找到各目标的点集区域,从而便于后续对各区域准确实现多目标聚类。可以理解的是,当然还可以采用其他网格合并方法。
在具体应用实施例中,如图8所示,执行区域预分区时,先对数据空间进行网格预先分割,确定点分布区间后,配置网格宽度N以合理划分网格,点落入网格后统计网格中所包含的点迹数,并将目标点信息存放至指定集合中;然后查找网格中点迹密度最高的网格,并向点数相近且相邻的网格扩展进行合并,形成网格区域,重复执行后,形成多个网格区域。
在具体应用实施例中,采用上述方法将如图6所示的网格划分结果以及点迹分布结果进行分区后得到的结果如图7所示,先查找到区间内点密度最高的网格(30),依次合并点迹密度相近的相邻网格(27,29….)后得到第一个区域,再查找未处理的点密度最高的网格(16),依次合并点迹密度相近的相邻网格后得到第二个区域,最终划分形成三个区域,后续对该三个区域分别确定对应的输入参数(邻域半径、点数门限)后即可以准确的进行聚类。
本实施例中,步骤S1后、步骤S2前还包括噪点剔除步骤,具体步骤包括:计算各个区域中目标点所对应的各属性信息的统计值,从各个区域中查找属性信息与统计值之间差值大于预设阈值的目的目标点,将查找到的目的目标点判定为噪点并进行剔除,属性信息包括位置、速度以及信噪比信息等。雷达本身信号的信噪比、速度等信息是已知的,在雷达检测过程中同一个目标的多个属性(如位置、速度、信噪比等)会保持稳定,而噪点与目标点的属性会存在较大差别,本实施例利用该特性对各区域进行噪点剔除,通过查找出属性信息与整个区域中目标点属性信息的统计值差异较大的目标点作为噪点进行剔除,可以有效快速、有效的查找出各区域中的噪点,通过滤除噪点,可以有效减少后续聚类的运算量,进一步提升运算速度。在具体应用实施例中,选取每个区域内部的目标点的多个属性值并取平均,由平均值作为比较的统计值,如果网格内部点的属性与该平均值的差值超过预设阈值,则判定为噪点。
本实施例中,步骤S2的步骤包括:根据各区域中各目标点与第M个最近邻的目标点之间的距离确定各区域对应的邻域半径,其中M为预设点数门限值,基于预设点数门限值以及确定的邻域半径采用DBSCAN聚类算法分别对各区域进行聚类。DBSCAN聚类算法中,给定目标点半径为Ε内的区域即为该对象的Ε邻域,邻域半径Eps即为E邻域的半径,点数门限Minpts是为了区分噪点的门限值,如果在E邻域范围内存在的点数大于点数门限值,就把目标点划给聚类成功的点。本实施例通过依据各区域中各目标点与点数门限范围内最近邻的目标点之间的距离来确定对应的邻域半径,能够针对不同密度分布的区域配置合适的邻域半径,从而可以针对不同密度分布的区域均进行准确聚类。
本实施例中,确定各区域对应的邻域半径步骤包括:分别计算每个区域中每一个目标点与本区域内第M个最近邻的目标点之间的距离,查找计算得到的结果中斜率的绝对值最大所对应的目的目标点,根据目的目标点的纵坐标确定得到邻域半径。
在具体应用实施例中,针对具有不同密度的区域,取点数门限Minpts为5,先分别计算每个区域内部每一点到它的本区域内第5个最近邻的点的距离,并按照由小到大顺序进行排序,找到斜率的绝对值最大的点的纵坐标作为邻域半径Eps,由此确定得到各个区域相对应的邻域半径Eps;再根据确定好的邻域半径和点数门限,分别进行DBSCAN聚类算法,针对检测到的目标,分别形成多个点的集合。
本实施例中,上述计算目标点之间的距离的步骤包括:
分别对目标点的位置信息中X坐标值x、Y坐标值y以及速度值v、信噪比值Snr进行归一化处理;
使用归一化处理后结果按照下式计算目标点之间的距离d:
其中,xi,yi,vi,Snri分别为第i个目标点的X坐标值、Y坐标值、速度值、信噪比值,yj,yj,vj,Snrj分别为第j个目标点的X坐标值、Y坐标值、速度值、信噪比值。
通过上述步骤计算目标点之间的距离,可以进一步提高聚类目标点的准确性。
本实施例中,进一步步骤S1前还可以配置目标点密度分布状态判定步骤,具体步骤为:判断雷达检测到的所有目标点的密度分布状态,若判定为密度分布不均匀,转入执行步骤S1以先进行区域预划分再进行多目标聚类,保证密度不均匀时的聚类效果,若判定为密度分布均匀,直接采用基于密度的聚类算法进行聚类以降低执行的复杂度,通过上述双模式配置,可以确保各种状态下的聚类效果以及聚类效率。
本实施例雷达多目标聚类装置,包括:
区域预划分模块,用于获取待处理雷达信号中检测到的所有目标点,将获取的各目标点按照空间分布密度预先划分为多个区域;
多目标聚类模块,用于分别为所述区域预划分模块划分得到的各区域配置对应的用于聚类的输入参数,根据配置的所述输入参数采用基于密度的聚类算法分别对各区域进行聚类,得到多目标的聚类结果输出。
本实施例中,区域预划分模块包括:
网格划分单元,用于将检测到的所有目标点所在的数据空间划分为多个网格,并统计每个网格中所包含的目标点的数量,得到对应各个网格的点迹密度;
网格合并单元,用于将步骤S11划分得到的各个网络中所述点迹密度相差在指定范围内的相邻网格合并至一个区域,最终形成多个区域。
本实施例中,多目标聚类模块包括:
第一单元,用于获取各个网络中所述点迹密度最大的网格并作为当前网格;
第二单元,用于查找与当前网格相邻的各网格中点迹密度差在预设范围内的目的网格,将当前网格与查找到的目的网络进行合并,并重新将查找到的目的网格作为当前网格,返回执行所述第二单元,直至完成当前网格区域的查找;
第三单元,用于获取当前未处理的各网格中所述点迹密度最大的网格并作为当前网格,返回执行所述第二单元,直至完成所有网格的处理,最终得到多个区域。
本实施例雷达多目标聚类装置与上述雷达多目标聚类方法为一一对应,在此不再一一赘述。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (10)
1.一种雷达多目标聚类方法,其特征在于,步骤包括:
S1.区域预划分:获取待处理雷达信号中检测到的所有目标点,将获取的各目标点按照空间分布密度预先划分为多个区域;
S2.多目标聚类:分别为步骤S1划分得到的各区域配置对应的用于聚类的输入参数,根据配置的所述输入参数采用基于密度的聚类算法分别对各区域进行聚类,得到多目标的聚类结果输出。
2.根据权利要求1所述的雷达多目标聚类方法,其特征在于,所述步骤S1的步骤包括:
S11.网格划分:将检测到的所有目标点所在的数据空间划分为多个网格,并统计每个网格中所包含的目标点的数量,得到对应各个网格的点迹密度;
S12.网格合并:将步骤S11划分得到的各个网络中所述点迹密度相差在指定范围内的相邻网格合并至一个区域,最终形成多个区域。
3.根据权利要求2所述的雷达多目标聚类方法,其特征在于,所述步骤S11中划分网格时,具体先对所述数据空间进行初始均匀划分,将目标点投影到X、Y轴中并统计目标点的分布状态,再根据统计的所述目标点的分布状态取目标点数满足预设要求的部分网格进行细分;所述进行细分时根据网格中所有目标点中横坐标的最大值、最小值以及纵坐标的最大值、最小值确定对应网格的上下、左右边界,根据确定的所述边界以及预设网格划分数量确定网格细分后每个细分网格的大小,使得划分后各细分网格中所述点迹密度最高为或与在预设误差范围内,得到最终的网格划分结果,其中NUM为待细分网格中目标点的总数。
4.根据权利要求2所述的雷达多目标聚类方法,其特征在于,所述步骤S12的具体步骤包括:
S121.获取各个网络中所述点迹密度最大的网格并作为当前网格;
S122.查找与当前网格相邻的各网格中点迹密度差在预设范围内的目的网格,将当前网格与查找到的目的网络进行合并,并重新将查找到的目的网格作为当前网格,返回执行步骤S122,直至完成当前网格区域的查找;
S123.获取当前未处理的各网格中所述点迹密度最大的网格并作为当前网格,返回执行步骤S122,直至完成所有网格的处理,最终得到多个区域。
5.根据权利要求1~4中任意一项所述的雷达多目标聚类方法,其特征在于,所述步骤S2的步骤包括:根据各区域中各目标点与第M个最近邻的目标点之间的距离确定各区域对应的邻域半径,其中M为预设点数门限值,基于所述预设点数门限值以及确定的所述邻域半径采用DBSCAN聚类算法分别对各区域进行聚类。
6.根据权利要求5所述的雷达多目标聚类方法,其特征在于,所述确定各区域对应的邻域半径步骤包括:分别计算每个区域中每一个目标点与本区域内第M个最近邻的目标点之间的距离,查找计算得到的结果中斜率的绝对值最大所对应的目的目标点,根据目的目标点的纵坐标确定得到所述邻域半径。
7.根据权利要求6所述的雷达多目标聚类方法,其特征在于,计算目标点之间的所述距离的步骤包括:
分别对目标点的位置信息中X坐标值x、Y坐标值y以及速度值v、信噪比值Snr进行归一化处理;
使用归一化处理后结果按照下式计算目标点之间的距离d:
其中,xi,yi,vi,Snri分别为第i个目标点的X坐标值、Y坐标值、速度值、信噪比值,yj,yj,vj,Snrj分别为第j个目标点的X坐标值、Y坐标值、速度值、信噪比值。
8.根据权利要求1~4中任意一项所述的雷达多目标聚类方法,其特征在于,所述步骤S1后、步骤S2前还包括噪点剔除步骤,具体步骤包括:计算各个区域中目标点所对应的各属性信息的统计值,从各个区域中查找属性信息与所述统计值之间差值大于预设阈值的目的目标点,将查找到的目的目标点判定为噪点并进行剔除,所述属性信息包括位置、速度以及信噪比信息中一种或多种。
9.根据权利要求1~4中任意一项所述的雷达多目标聚类方法,其特征在于,所述步骤S1前还包括目标点密度分布状态判定步骤,具体步骤包括:判断雷达检测到的目标点的密度分布状态,若判定为密度分布不均匀,转入执行步骤S1以进行区域预划分后再执行多目标聚类,若判定为密度分布均匀,采用基于密度的聚类算法进行聚类。
10.一种雷达多目标聚类装置,其特征在于,包括:
区域预划分模块,用于获取待处理雷达信号中检测到的所有目标点,将获取的各目标点按照空间分布密度预先划分为多个区域;
多目标聚类模块,用于分别为所述区域预划分模块划分得到的各区域配置对应的用于聚类的输入参数,根据配置的所述输入参数采用基于密度的聚类算法分别对各区域进行聚类,得到多目标的聚类结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910515993.9A CN110161464B (zh) | 2019-06-14 | 2019-06-14 | 一种雷达多目标聚类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910515993.9A CN110161464B (zh) | 2019-06-14 | 2019-06-14 | 一种雷达多目标聚类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110161464A true CN110161464A (zh) | 2019-08-23 |
CN110161464B CN110161464B (zh) | 2023-03-10 |
Family
ID=67625697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910515993.9A Active CN110161464B (zh) | 2019-06-14 | 2019-06-14 | 一种雷达多目标聚类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110161464B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488259A (zh) * | 2019-08-30 | 2019-11-22 | 成都纳雷科技有限公司 | 一种基于gdbscan的雷达目标分类方法及装置 |
CN110501700A (zh) * | 2019-08-27 | 2019-11-26 | 四川长虹电器股份有限公司 | 一种基于毫米波雷达的人员数量计数方法 |
CN110751121A (zh) * | 2019-10-28 | 2020-02-04 | 北京理工大学 | 基于聚类与sofm的无监督雷达信号分选方法 |
CN111289954A (zh) * | 2020-03-31 | 2020-06-16 | 四川长虹电器股份有限公司 | 用于毫米波雷达目标跟踪的点云划分与航迹匹配方法 |
CN111352087A (zh) * | 2020-03-25 | 2020-06-30 | 电子科技大学 | 基于dbscan的被动mimo雷达多目标定位方法 |
CN111506687A (zh) * | 2020-04-09 | 2020-08-07 | 北京华捷艾米科技有限公司 | 一种地图点数据提取方法、装置、存储介质及设备 |
CN111767356A (zh) * | 2020-06-24 | 2020-10-13 | 中电科华云信息技术有限公司 | 基于场所物理位置密度聚类划分区域的方法 |
CN112986947A (zh) * | 2021-04-13 | 2021-06-18 | 南京雷电信息技术有限公司 | 一种基于机器学习的点迹过滤处理方法 |
CN113076661A (zh) * | 2021-04-28 | 2021-07-06 | 中国人民解放军国防科技大学 | 一种不确定数据驱动的雷达预警探测建模方法 |
CN113076773A (zh) * | 2020-01-03 | 2021-07-06 | 广州汽车集团股份有限公司 | 目标检测聚类方法、系统、计算机设备及可读存储介质 |
CN113325383A (zh) * | 2021-06-17 | 2021-08-31 | 广东工业大学 | 基于网格和dbscan的自适应车载毫米波雷达聚类算法及装置 |
CN113568522A (zh) * | 2021-06-21 | 2021-10-29 | 海南雷影信息技术有限公司 | 雷达触摸点融合过滤方法、系统、电子设备及存储介质 |
CN114706055A (zh) * | 2022-03-30 | 2022-07-05 | 中国人民解放军战略支援部队航天工程大学 | 面向非均衡样本的雷达字提取方法 |
US11586862B2 (en) | 2020-02-14 | 2023-02-21 | Ford Global Technologies, Llc | Enhanced object detection with clustering |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495938A (zh) * | 2011-10-19 | 2012-06-13 | 武汉科技大学 | 对含噪声点的实时数据流进行聚类和聚类边界界定的方法 |
CN103079270A (zh) * | 2013-02-05 | 2013-05-01 | 中国电子科技集团公司电子科学研究院 | 一种基于无线定位的移动节点聚集感知方法 |
CN103714153A (zh) * | 2013-12-26 | 2014-04-09 | 西安理工大学 | 基于限定区域数据取样的密度聚类方法 |
CN104239556A (zh) * | 2014-09-25 | 2014-12-24 | 西安理工大学 | 基于密度聚类的自适应轨迹预测方法 |
CN105629198A (zh) * | 2015-12-28 | 2016-06-01 | 西安电子科技大学 | 基于密度的快速搜索聚类算法的室内多目标追踪方法 |
CN106291503A (zh) * | 2016-08-31 | 2017-01-04 | 西南交通大学 | 一种雷达探测系统密度聚类预警方法 |
CN106339416A (zh) * | 2016-08-15 | 2017-01-18 | 常熟理工学院 | 基于网格快速搜寻密度峰值的数据聚类方法 |
CN107038248A (zh) * | 2017-04-27 | 2017-08-11 | 杭州杨帆科技有限公司 | 一种基于弹性分布数据集的海量空间数据密度聚类方法 |
CN107273532A (zh) * | 2017-06-28 | 2017-10-20 | 济南大学 | 一种基于密度和扩展网格的数据流聚类方法 |
CN107491779A (zh) * | 2017-06-27 | 2017-12-19 | 重庆邮电大学 | 一种基于密度峰值的网格聚类算法 |
CN107506802A (zh) * | 2017-10-19 | 2017-12-22 | 广东工业大学 | 一种基于网格的聚类算法及其装置 |
CN107563400A (zh) * | 2016-06-30 | 2018-01-09 | 中国矿业大学 | 一种基于网格的密度峰值聚类方法及系统 |
CN107766808A (zh) * | 2017-09-30 | 2018-03-06 | 北京泓达九通科技发展有限公司 | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 |
CN107818550A (zh) * | 2017-10-27 | 2018-03-20 | 广东电网有限责任公司机巡作业中心 | 一种基于LiDAR的点云顶部噪点剔除方法 |
CN108089148A (zh) * | 2017-12-14 | 2018-05-29 | 电子科技大学 | 一种基于时差信息的无源多站多目标测向交叉定位方法 |
CN108416381A (zh) * | 2018-03-01 | 2018-08-17 | 国家海洋局第海洋研究所 | 一种面向三维点集的多密度聚类方法 |
CN109000645A (zh) * | 2018-04-26 | 2018-12-14 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 复杂环境目标经典航迹提取方法 |
CN109002616A (zh) * | 2018-07-23 | 2018-12-14 | 中电科技(合肥)博微信息发展有限责任公司 | 雷达点迹凝聚方法、系统及存储介质 |
CN109033011A (zh) * | 2018-06-19 | 2018-12-18 | 东软集团股份有限公司 | 计算轨迹频繁度的方法、装置、存储介质及电子设备 |
CN109100741A (zh) * | 2018-06-11 | 2018-12-28 | 长安大学 | 一种基于3d激光雷达及图像数据的目标检测方法 |
CN109214462A (zh) * | 2018-09-25 | 2019-01-15 | 东北大学 | 一种基于分布式增量型dbscan算法的空间数据流在线聚类方法 |
CN109212541A (zh) * | 2018-09-20 | 2019-01-15 | 同济大学 | 基于车辆直角型特征和激光雷达的高精度车辆检测系统 |
CN109581312A (zh) * | 2018-11-22 | 2019-04-05 | 西安电子科技大学昆山创新研究院 | 一种高分辨毫米波雷达多目标聚类方法 |
CN109613509A (zh) * | 2018-12-30 | 2019-04-12 | 北京润科通用技术有限公司 | 一种车载雷达散射点的聚类方法及装置 |
-
2019
- 2019-06-14 CN CN201910515993.9A patent/CN110161464B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495938A (zh) * | 2011-10-19 | 2012-06-13 | 武汉科技大学 | 对含噪声点的实时数据流进行聚类和聚类边界界定的方法 |
CN103079270A (zh) * | 2013-02-05 | 2013-05-01 | 中国电子科技集团公司电子科学研究院 | 一种基于无线定位的移动节点聚集感知方法 |
CN103714153A (zh) * | 2013-12-26 | 2014-04-09 | 西安理工大学 | 基于限定区域数据取样的密度聚类方法 |
CN104239556A (zh) * | 2014-09-25 | 2014-12-24 | 西安理工大学 | 基于密度聚类的自适应轨迹预测方法 |
CN105629198A (zh) * | 2015-12-28 | 2016-06-01 | 西安电子科技大学 | 基于密度的快速搜索聚类算法的室内多目标追踪方法 |
CN107563400A (zh) * | 2016-06-30 | 2018-01-09 | 中国矿业大学 | 一种基于网格的密度峰值聚类方法及系统 |
CN106339416A (zh) * | 2016-08-15 | 2017-01-18 | 常熟理工学院 | 基于网格快速搜寻密度峰值的数据聚类方法 |
CN106291503A (zh) * | 2016-08-31 | 2017-01-04 | 西南交通大学 | 一种雷达探测系统密度聚类预警方法 |
CN107038248A (zh) * | 2017-04-27 | 2017-08-11 | 杭州杨帆科技有限公司 | 一种基于弹性分布数据集的海量空间数据密度聚类方法 |
CN107491779A (zh) * | 2017-06-27 | 2017-12-19 | 重庆邮电大学 | 一种基于密度峰值的网格聚类算法 |
CN107273532A (zh) * | 2017-06-28 | 2017-10-20 | 济南大学 | 一种基于密度和扩展网格的数据流聚类方法 |
CN107766808A (zh) * | 2017-09-30 | 2018-03-06 | 北京泓达九通科技发展有限公司 | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 |
CN107506802A (zh) * | 2017-10-19 | 2017-12-22 | 广东工业大学 | 一种基于网格的聚类算法及其装置 |
CN107818550A (zh) * | 2017-10-27 | 2018-03-20 | 广东电网有限责任公司机巡作业中心 | 一种基于LiDAR的点云顶部噪点剔除方法 |
CN108089148A (zh) * | 2017-12-14 | 2018-05-29 | 电子科技大学 | 一种基于时差信息的无源多站多目标测向交叉定位方法 |
CN108416381A (zh) * | 2018-03-01 | 2018-08-17 | 国家海洋局第海洋研究所 | 一种面向三维点集的多密度聚类方法 |
CN109000645A (zh) * | 2018-04-26 | 2018-12-14 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 复杂环境目标经典航迹提取方法 |
CN109100741A (zh) * | 2018-06-11 | 2018-12-28 | 长安大学 | 一种基于3d激光雷达及图像数据的目标检测方法 |
CN109033011A (zh) * | 2018-06-19 | 2018-12-18 | 东软集团股份有限公司 | 计算轨迹频繁度的方法、装置、存储介质及电子设备 |
CN109002616A (zh) * | 2018-07-23 | 2018-12-14 | 中电科技(合肥)博微信息发展有限责任公司 | 雷达点迹凝聚方法、系统及存储介质 |
CN109212541A (zh) * | 2018-09-20 | 2019-01-15 | 同济大学 | 基于车辆直角型特征和激光雷达的高精度车辆检测系统 |
CN109214462A (zh) * | 2018-09-25 | 2019-01-15 | 东北大学 | 一种基于分布式增量型dbscan算法的空间数据流在线聚类方法 |
CN109581312A (zh) * | 2018-11-22 | 2019-04-05 | 西安电子科技大学昆山创新研究院 | 一种高分辨毫米波雷达多目标聚类方法 |
CN109613509A (zh) * | 2018-12-30 | 2019-04-12 | 北京润科通用技术有限公司 | 一种车载雷达散射点的聚类方法及装置 |
Non-Patent Citations (2)
Title |
---|
宋柱等: "分区基于密度的聚类算法在激光雷达行人检测系统中的应用", 《科学技术与工程》 * |
韩利钊等: "基于区域划分的DBSCAN多密度聚类算法", 《计算机应用研究》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501700A (zh) * | 2019-08-27 | 2019-11-26 | 四川长虹电器股份有限公司 | 一种基于毫米波雷达的人员数量计数方法 |
CN110488259A (zh) * | 2019-08-30 | 2019-11-22 | 成都纳雷科技有限公司 | 一种基于gdbscan的雷达目标分类方法及装置 |
CN110751121B (zh) * | 2019-10-28 | 2022-03-04 | 北京理工大学 | 基于聚类与sofm的无监督雷达信号分选方法 |
CN110751121A (zh) * | 2019-10-28 | 2020-02-04 | 北京理工大学 | 基于聚类与sofm的无监督雷达信号分选方法 |
CN113076773A (zh) * | 2020-01-03 | 2021-07-06 | 广州汽车集团股份有限公司 | 目标检测聚类方法、系统、计算机设备及可读存储介质 |
US11586862B2 (en) | 2020-02-14 | 2023-02-21 | Ford Global Technologies, Llc | Enhanced object detection with clustering |
CN111352087A (zh) * | 2020-03-25 | 2020-06-30 | 电子科技大学 | 基于dbscan的被动mimo雷达多目标定位方法 |
CN111352087B (zh) * | 2020-03-25 | 2022-05-24 | 电子科技大学 | 基于dbscan的被动mimo雷达多目标定位方法 |
CN111289954A (zh) * | 2020-03-31 | 2020-06-16 | 四川长虹电器股份有限公司 | 用于毫米波雷达目标跟踪的点云划分与航迹匹配方法 |
CN111289954B (zh) * | 2020-03-31 | 2022-03-15 | 四川长虹电器股份有限公司 | 用于毫米波雷达目标跟踪的点云划分与航迹匹配方法 |
CN111506687A (zh) * | 2020-04-09 | 2020-08-07 | 北京华捷艾米科技有限公司 | 一种地图点数据提取方法、装置、存储介质及设备 |
CN111506687B (zh) * | 2020-04-09 | 2023-08-08 | 北京华捷艾米科技有限公司 | 一种地图点数据提取方法、装置、存储介质及设备 |
CN111767356A (zh) * | 2020-06-24 | 2020-10-13 | 中电科华云信息技术有限公司 | 基于场所物理位置密度聚类划分区域的方法 |
CN112986947B (zh) * | 2021-04-13 | 2021-07-23 | 南京雷电信息技术有限公司 | 一种基于机器学习的点迹过滤处理方法 |
CN112986947A (zh) * | 2021-04-13 | 2021-06-18 | 南京雷电信息技术有限公司 | 一种基于机器学习的点迹过滤处理方法 |
CN113076661A (zh) * | 2021-04-28 | 2021-07-06 | 中国人民解放军国防科技大学 | 一种不确定数据驱动的雷达预警探测建模方法 |
CN113076661B (zh) * | 2021-04-28 | 2022-08-12 | 中国人民解放军国防科技大学 | 一种不确定数据驱动的雷达预警探测建模方法 |
CN113325383A (zh) * | 2021-06-17 | 2021-08-31 | 广东工业大学 | 基于网格和dbscan的自适应车载毫米波雷达聚类算法及装置 |
CN113325383B (zh) * | 2021-06-17 | 2023-07-04 | 广东工业大学 | 基于网格和dbscan的自适应车载毫米波雷达聚类算法及装置 |
CN113568522A (zh) * | 2021-06-21 | 2021-10-29 | 海南雷影信息技术有限公司 | 雷达触摸点融合过滤方法、系统、电子设备及存储介质 |
CN113568522B (zh) * | 2021-06-21 | 2024-03-19 | 海南雷影信息技术有限公司 | 雷达触摸点融合过滤方法、系统、电子设备及存储介质 |
CN114706055A (zh) * | 2022-03-30 | 2022-07-05 | 中国人民解放军战略支援部队航天工程大学 | 面向非均衡样本的雷达字提取方法 |
CN114706055B (zh) * | 2022-03-30 | 2022-11-04 | 中国人民解放军战略支援部队航天工程大学 | 面向非均衡样本的雷达字提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110161464B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110161464A (zh) | 一种雷达多目标聚类方法及装置 | |
CN109581312B (zh) | 一种高分辨毫米波雷达多目标聚类方法 | |
CN106846344B (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN105243388B (zh) | 基于动态时间规整和划分算法的波形分类方法 | |
CN106600622A (zh) | 一种基于超体素的点云数据分割方法 | |
CN101908213B (zh) | 基于量子免疫克隆的sar图像变化检测方法 | |
CN104867137B (zh) | 一种基于改进ransac算法的图像配准方法 | |
CN109409400A (zh) | 基于k近邻和多类合并密度峰值聚类方法、图像分割系统 | |
Li et al. | A leaf segmentation and phenotypic feature extraction framework for multiview stereo plant point clouds | |
CN106778680B (zh) | 一种基于关键波段提取的高光谱图像波段选择方法及装置 | |
CN107247926B (zh) | 一种人体检测方法及装置 | |
CN109858526A (zh) | 一种目标跟踪中基于传感器的多目标轨迹融合方法 | |
CN106649339A (zh) | 离群点的挖掘方法及挖掘装置 | |
CN114078189B (zh) | 基于机器学习方法的点阵模型增材制造的自适应填充方法 | |
CN106485239A (zh) | 一种利用单类支持向量机检测河流目标的方法 | |
CN109035363A (zh) | 一种快速迭代的线圆最优拟合方法 | |
CN110135180A (zh) | 满足节点差分隐私的度分布直方图发布方法 | |
CN108344975A (zh) | 一种利用梯度下降和夹角余弦的联合簇标定方法 | |
CN110488259B (zh) | 一种基于gdbscan的雷达目标分类方法及装置 | |
CN109684382A (zh) | 二维密度聚类方法及装置 | |
CN110119751A (zh) | 激光雷达点云目标分割方法、目标匹配方法、装置及车辆 | |
CN110414379A (zh) | 结合高程图Gabor纹理特征和LiDAR点云特征的建筑物提取算法 | |
CN111030854A (zh) | 一种Spark云服务环境下面的复杂网络社团发现方法 | |
Ramella et al. | From color quantization to image segmentation | |
Deng et al. | General multidimensional cloud model and its application on spatial clustering in Zhanjiang, Guangdong |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |