CN110488259A - 一种基于gdbscan的雷达目标分类方法及装置 - Google Patents
一种基于gdbscan的雷达目标分类方法及装置 Download PDFInfo
- Publication number
- CN110488259A CN110488259A CN201910818662.2A CN201910818662A CN110488259A CN 110488259 A CN110488259 A CN 110488259A CN 201910818662 A CN201910818662 A CN 201910818662A CN 110488259 A CN110488259 A CN 110488259A
- Authority
- CN
- China
- Prior art keywords
- grid
- cluster
- boundary
- grid section
- membership
- 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
- 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
- G01S13/04—Systems determining presence of a target
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于GDBSCAN的雷达目标分类方法及装置,该方法包括:获取雷达检测返回的目标点群并使用GDBSCAN聚类算法进行聚类步骤,使用GDBSCAN聚类算法进行聚类时,当划分网格并形成一个以上的网格区间簇后、执行聚类前还包括边界处理步骤,边界处理步骤包括:查找出不属于任一网格区间簇且与每个网格区间簇的距离在指定范围内的第一类边界网格,根据各第一类边界网格中目标点的目标信息以及各网格区间簇中各目标点的目标信息将各第一类边界网格划分至对应的网格区间簇。本发明能够尽可能的减少GDBSCAN聚类时噪点的生成,提高雷达目标分类的精度。
Description
技术领域
本发明涉及雷达目标分类技术领域,尤其涉及一种基于GDBSCAN的雷达目标分类方法及装置。
背景技术
如毫米波雷达等雷达在探测目标过程中发挥着十分重要的作用。雷达检测目标时,当雷达扫到具有较大反射面的物体的时候,往往会反射回多个点,这些点构成了点群,在后续的雷达数据处理中,需要将这些点采取合理的聚类策略聚类成正确的目标。
在目前的聚类算法中,常用的聚类算法是DBSCAN(Density-Based SpatialClustering of Applications with Noise,具有噪声的基于密度的聚类方法)算法,该算法具有可以发现任意形状的优点,然而该算法存在着输入参数比较敏感的缺点,针对这个缺点,基于网格的密度聚类(GDBSCAN)算法应运而生,该算法针对DBSCAN算法的缺点进行了相应的优化。基于网格的聚类(GDBSCAN)方法的基本思想是:首先将数据空间分成不相交的单元网格,同一单元中的点是相似的,相邻的高密度单元连接在一起组成一个聚类,而那些低密度单元的点作为孤立点、噪声点而被舍弃,即GDBSCAN算法在聚类过程中是将网格的点当作一个整体处理,而不是考虑单元中的每个点,因而聚类的结果与输入数据的顺序无关、算法速度快,可扩展性好、能识别不同的聚类,该方法在所有聚类方法中效率最高。
传统雷达信号处理中使用GDBSCAN算法实现目标分类时,通常都是在得到返回的目标点群后直接使用GDBSCAN算法进行聚类,由GDBSCAN算法通过峰值点的扩散形成多个网格簇,针对网格簇分别对包含其中的点进行聚类,然而在划分网格时只能处理高密度单元,对于低密度单元的点均是作为孤立点、噪点被舍弃,缺少良好的边界处理,不能充分利用落在低密度单元的边界点,尤其是若存在大量边界点落在低密度单元,会极大的损失目标点信息而降低目标分类精度,同时雷达在检测过程中会存在大量的如目标位置、速度等先验信息,直接使用GDBSCAN算法进行聚类时也没有充分利用雷达的先验信息。
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,本发明提供一种能够尽可能的减少GDBSCAN聚类时噪点的生成,提高雷达目标分类的精度的基于GDBSCAN的雷达目标分类方法及装置。
为解决上述技术问题,本发明提出的技术方案为:
一种基于GDBSCAN的雷达目标分类方法,包括获取雷达检测返回的目标点群并使用GDBSCAN聚类算法进行聚类步骤,所述使用所述GDBSCAN聚类算法进行聚类时,当划分网格并形成一个以上的网格区间簇后、执行聚类前还包括边界处理步骤,所述边界处理步骤包括:查找出不属于任一所述网格区间簇且与每个所述网格区间簇的距离在指定范围内的第一类边界网格,根据各第一类边界网格中目标点的目标信息以及各网格区间簇中各目标点的目标信息将各第一类边界网格划分至对应的所述网格区间簇。
进一步的,所述将所述第一类边界网格划分至对应的所述网格区间簇时,通过计算所述第一类边界网格中目标点的目标信息对每个所述网格区间簇的隶属度,根据计算得到的各所述隶属度的大小将所述第一类边界网格划分至对应的所述网格区间簇中。
进一步的,将所述边界网格划分至对应的所述网格区间簇的具体步骤包括:
S1.获取当前第一类边界网格中目标点的多个目的参数的信息,以及根据各所述网格区间簇中各目标点的目标信息为每个所述网格区间簇分别构建每个目的参数的隶属度函数;
S2.分别计算当前第一类边界网格的每个目的参数关于各个所述网格区间簇中对应参数的隶属度函数的隶属度,对应每个所述网格区间簇得到一个隶属度向量;
S3.每次取两个所述网格区间簇所对应的隶属度向量进行比较,比较时一一对应判断两个所述隶属度向量中各元素的大小,若存在一个网格区间簇的所述隶属度向量中超过预设数量的元素大于另一个网格区间簇的所述隶属度向量中对应元素,则将当前第一类边界网格划分至其中元素较大对应的网格区间簇,若不存在则不进行划分,直至完成所有网格区间簇的比较划分,若完成所有网格区间簇比较后仍不能划分当前第一类边界网格,则将当前第一类边界网格中目标点判定为噪点。
进一步的,所述目的参数包括x坐标、y坐标、速度v以及信噪比Snr中一种或任意多种的组合。
进一步的,所述步骤S1中先计算各所述网格区间簇中所有目标点的每个目的参数的均值和标准差,根据计算得到的均值和标准差分别构建各目的参数的高斯隶属度函数x为目的参数,δ为标准差,c为均值。
进一步的,所述步骤S3中取两个所述网格区间簇所对应的隶属度向量进行比较的具体步骤为:将向量m=[m1,m2,……,mN]中每一个元素对应除以向量n=[n1,n2,……,nN]中每一个元素,得到向量其中m为第一网格区间簇对应的所述隶属度向量,mi为当前第一类边界网格关于所述第一网格区间簇中第i个目的参数的隶属度函数的隶属度,i=1,2,……,N,N为目的参数的数量,n为第二网格区间簇对应的所述隶属度向量,ni为当前第一类边界网格关于所述第二网格区间簇中第i个目的参数的隶属度函数的隶属度;若所述向量K中存在大于预设数量的元素大于1,将当前边界网格划分给第一网格区间簇,若所述向量K中存在大于预设数量的元素小于1,将当前边界网格划分给第二网络区间簇。
进一步的,所述边界处理步骤中,还包括查找与一个网格区间簇的距离小于预设近距离阈值、与其他网格区间簇的距离均大于预设远距离阈值的第二类边界网格,将查找到的各所述第二类边界网格划分至距离最小的对应网格区间簇。
进一步的,所述边界处理步骤中,还包括查找与所有所述网格区间簇的距离均大于预设远距离阈值的第三类边界网格,将查找到的各所述第三类边界网格中目标点判定为噪点。
一种基于GDBSCAN的雷达目标分类装置,该装置包括聚类模块,用于获取雷达检测返回的目标点群并使用GDBSCAN聚类算法进行聚类,还包括边界处理模块,用于所述聚类模块使用所述GDBSCAN聚类算法进行聚类时,当划分网格并形成一个以上的网格区间簇后、执行聚类前还包括边界处理步骤,所述边界处理步骤包括:查找出不属于任一所述网格区间簇且与每个所述网格区间簇的距离在指定范围内的第一类边界网格,根据各所述第一类边界网格中目标点的目标信息以及各网格区间簇中各目标点的目标信息将各所述第一类边界网格划分至对应的所述网格区间簇。
进一步的,所述边界处理模块包括:
信息获取及隶属度函数构建单元,获取所述边界网格中目标点的多个目的参数的信息,以及根据各所述网格区间簇中各目标点的目标信息为每个所述网格区间簇分别构建每个目的参数的隶属度函数;
隶属度计算单元,用于分别计算所述边界网格的每个目的参数关于各个所述网格区间簇中对应目的参数的隶属度函数的隶属度,对应每个所述网格区间簇得到一个隶属度向量;
比较及划分单元,用于每次取两个所述网格区间簇所对应的隶属度向量进行比较,比较时一一对应判断两个所述隶属度向量中各元素的大小,若存在一个网格区间簇的所述隶属度向量中超过预设数量的元素大于另一个网格区间簇的所述隶属度向量中对应元素,则将当前第一类边界网格划分至其中元素较大对应的网格区间簇,若不存在则不进行划分,直至完成所有网格区间簇的比较划分,若完成后仍不能划分当前第一类边界网格,则将当前第一类边界网格中目标点判定为噪点。
与现有技术相比,本发明的优点在于:
1、本发明基于GDBSCAN的雷达目标分类方法及装置,充分雷达目标检测以及GDBSAN聚类过程的特性,通过在使用GDBSCAN聚类算法进行雷达目标分类时,在网格划分后、聚类前进行边界处理,边界处理时查找出不属于任一网格区间簇且与每个网格区间簇的距离在指定范围内的一类边界点,对于该类边界点,结合雷达检测到的先验信息来将该类边界点划分至对应的网格区间簇,使得可以尽量减少噪点的生成,将边界点尽可能分配到不同的簇中,在DBSCAN算法之后再决定是否为噪点,可以结合雷达检测信息有效提高雷达目标分类精度。
2、本发明基于GDBSCAN的雷达目标分类方法及装置,进一步通过计算第一类边界网格中目标点的目标信息对每个网格区间簇的隶属度,利用目标点的目标信息来得到第一类边界网格与各网格区间簇之间的隶属程度,利用隶属度的大小可以将该边界网格合理划分至合适的网格区间簇,进一步确保分类精度。
3、本发明基于GDBSCAN的雷达目标分类方法及装置,进一步通过分别为每个目的参数构建对应的隶属度函数,由雷达检测到的信息分别计算第一类边界网格的每个目的参数对于各网格区间簇对应参数的隶属度,可以得到该边界网格各参数相对于每个网格区间簇的隶属程度,再通过两两比较网格区间簇对应的隶属度向量,查找到该边界网格最为适合的网格区间簇,可以合理、准确的将第一类边界点划分至相应的网格区间簇。
4、本发明基于GDBSCAN的雷达目标分类方法及装置,可以对不属于任一网格区间簇且与每个网格区间簇的距离在指定范围内的第一类边界网格、与一个网格区间簇的距离小于预设近距离阈值、与其他网格区间簇的距离均大于预设远距离阈值的边界网格以及与所有网格区间簇的距离均大于预设远距离阈值的第三类边界网格分别进行有效处理,实现良好的边界处理,且能够尽可能将有效的目标点划分至对应的网格区间簇,减少错误的噪点产生,尽可能提高雷达目标分类的精度。
附图说明
图1是本实施例使用GDBSCAN算法实现雷达目标分类的流程示意图。
图2是本实施例中边界处理步骤的实现流程示意图。
图3是本发明具体应用实施例中划分网格形成网格区间簇后结果示意图。
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。
本实施例基于GDBSCAN的雷达目标分类方法,包括获取雷达检测返回的目标点群并使用GDBSCAN聚类算法进行聚类步骤,如图1所示,使用GDBSCAN聚类算法进行聚类时,当划分网格并形成一个以上的网格区间簇后、执行聚类前还包括边界处理步骤,边界处理步骤包括:查找出不属于任一网格区间簇且与每个网格区间簇的距离在指定范围内的第一类边界网格,根据各第一类边界网格中目标点的目标信息以及各网格区间簇中各目标点的目标信息将各第一类边界网格划分至对应的网格区间簇。
雷达本身除了可以探测到目标的方位信息之外,还可以得到目标点的速度、信噪比等多种先验信息;且传统基于网格的聚类算法中,由于是直接判断边缘网格是否属于网格中的高密度区域CHi,如果不满足阈值的话,便可以直接将其设计为噪点;而在GDBSAN算法中,在边缘网格中的点分配结束后,再对每个新分配的区间分别进行DBSCAN,即边界处理后还需要进行聚类处理。本实施例充分雷达目标检测以及GDBSAN聚类过程的特性,通过在使用GDBSCAN聚类算法进行雷达目标分类时,在网格划分后、聚类前进行边界处理,边界处理时查找出不属于任一网格区间簇且与每个网格区间簇的距离在指定范围内的一类边界点(第一类边界网格),对于该类边界点,结合雷达检测到的先验信息(目标信息)来将该类边界点划分至对应的网格区间簇,使得可以尽量减少噪点的生成,将边界点尽可能分配到不同的簇中,在DBSCAN算法之后再决定是否为噪点,可以结合雷达检测信息有效提高雷达目标分类精度。
本实施例中,将第一类边界网格划分至对应的网格区间簇时,通过计算第一类边界网格中目标点的目标信息对每个网格区间簇的隶属度,根据计算得到的各隶属度的大小将第一类边界网格划分至对应的网格区间簇中。隶属度A(x)可以表征x相对于A的隶属关系,隶属度A(x)越高,表明x属于A的程度越高,隶属度A(x)越接近于0,表明x属于A的程度越低,本实施例利用目标点的目标信息来计算第一类边界网格与各网格区间簇之间的隶属度,利用隶属度的大小可以将该边界网格合理划分至合适的网格区间簇,进一步确保分类精度。
如图2所示,本实施例中将边界网格划分至对应的网格区间簇的具体步骤包括:
S1.获取当前第一类边界网格中目标点的多个目的参数的信息,以及根据各网格区间簇中各目标点的目标信息为每个网格区间簇分别构建每个目的参数的隶属度函数;
S2.分别计算当前第一类边界网格的每个目的参数关于各个网格区间簇中对应参数的隶属度函数的隶属度,对应每个网格区间簇得到一个隶属度向量;
S3.每次取两个网格区间簇所对应的隶属度向量进行比较,比较时一一对应判断两个隶属度向量中各元素的大小,若存在一个网格区间簇的隶属度向量中超过预设数量的元素大于另一个网格区间簇的隶属度向量中对应元素,则将当前第一类边界网格划分至其中元素较大对应的网格区间簇,若不存在则不进行划分,直至完成所有网格区间簇的比较划分,若完成所有网格区间簇比较后仍不能划分当前第一类边界网格,则将当前第一类边界网格中目标点判定为噪点。
本实施例通过分别为每个目的参数构建对应的隶属度函数,由雷达检测到的信息分别计算第一类边界网格中目标点的每个目的参数对于各网格区间簇对应参数的隶属度,可以得到该边界网格各参数相对于每个网格区间簇的隶属程度,再通过两两比较网格区间簇对应的隶属度向量,查找到该边界网格最为适合的网格区间簇,可以合理、准确的将第一类边界点划分至相应的网格区间簇。
上述目的参数具体可以为x坐标、y坐标、速度v以及信噪比Snr,当然还可以根据实际需求采用其他参数组合。
本实施例中,步骤S1中先计算各网格区间簇中所有目标点的每个目的参数的均值和标准差,根据计算得到的均值和标准差构建高斯隶属度函数x为目的参数,δ为标准差,c为均值。通过高斯隶属度函数可以准确的表征x与f之间的隶属程度,上述高斯隶属度函数当然还可以根据实际需求采用其他类型隶属度函数。
本实施例中,步骤S3中取两个网格区间簇所对应的隶属度向量进行比较的具体步骤为:将向量m=[m1,m2,……,mN]中每一个元素对应除以向量n=[n1,n2,……,nN]中每一个元素,得到向量其中m为第一网格区间簇对应的隶属度向量,mi为当前第一类边界网格关于第一网格区间簇中第i个目的参数的隶属度函数的隶属度,i=1,2,……,N,N为目的参数的数量,n为第二网格区间簇对应的隶属度向量,ni为当前第一类边界网格关于第二网格区间簇中第i个目的参数的隶属度函数的隶属度;若向量K中存在大于预设数量的元素大于1,将当前边界网格划分给第一网格区间簇,若向量K中存在大于预设数量的元素小于1,将当前边界网格划分给第二网络区间簇,预设数量可以根据实际需求进行设置。
本实施例中,边界处理步骤中,还包括查找与一个网格区间簇的距离小于预设近距离阈值、与其他网格区间簇的距离均大于预设远距离阈值的第二类边界网格,将查找到的各第二类边界网格划分至距离最小的对应网格区间簇。即对于与一个网格区间簇较近、与其余网格区间簇较远的边界网格,则直接将该类边界网格划分至较近的网格区间簇。
本实施例边界处理步骤中,还包括查找与所有网格区间簇的距离均大于预设远距离阈值的第三类边界网格,将查找到的各第三类边界网格中目标点判定为噪点。即对于与所有网格区间簇距离均较远的边界网格,直接将该类边界网格中目标点判定为噪点。
通过上述边界处理步骤,可以对不属于任一网格区间簇且与每个网格区间簇的距离在指定范围内的第一类边界网格、与一个网格区间簇的距离小于预设近距离阈值、与其他网格区间簇的距离均大于预设远距离阈值的边界网格以及与所有网格区间簇的距离均大于预设远距离阈值的第三类边界网格分别进行有效处理,实现良好的边界处理,且能够尽可能将有效的目标点所在边界网格划分至对应的网格区间簇,减少错误的噪点产生,尽可能提高雷达目标分类的精度。
如图1所示,本实施例使用GDBSCAN算法对雷达返回的点群进行聚类时,先进行网格划分,计算落入区间内部网格中点的个数,通过扩撒形成多个网格区间簇,然后遍历各网格找到边缘网格构成边缘网格序列A,若A存在未划分至网格区间簇的边界网格,对各边界网格按照上述边界处理步骤进行划分归类至相应的网格区间簇,完成所有目标点归类后再对每个簇执行聚类算法,由于经过边界处理步骤后,所有边界网格已经尽可能的划分至网格区间簇中,可以提高后续聚类算法的聚类效果,进而提高分类精度。
以下以基于GDBSCAN算法实现雷达目标分类时划分网格得到两个网格区间簇为例,对本发明上述方法进行进一步说明。
本实施例基于GDBSCAN算法实现雷达目标分类的详细步骤为:
步骤1:首先进行划分网格,计算落入区间内部网格中点的个数,通过扩散形成网格,得到两个网格区间簇1、簇2,如图3所示,在簇的边缘有6个网格A,B,C,D,E,F;
步骤2:对于距离簇1、簇2距离均接近的第一类边界网格(E、F),按照以下步骤进行网格区间簇划分:
步骤2.1:使用包括x坐标、y坐标、速度v以及信噪比Snr作为目的参数,由雷达检测到目标后得到的上述参数信息构造向量[x,y,v,r],计算簇1点群的所有目标点中各参数的均值和标准差
步骤2.2:分别构建簇1关于各参数的高斯隶属度函数: 以及构建簇2关于各参数的高斯隶属度函数:
步骤2.3:分别计算当前边界网格(E、F)每一个参数关于簇1四个函数的隶属度大小mi,得到向量m=[m1,m2,m3,m4],以及分别计算每一个检测点关于簇2四个函数的隶属度大小ni,得到向量n=[n1,n2,n3,n4];
步骤2.4:对向量m每一个分量对应相除向量n每一个分量得到向量如果向量K中各个元素大于1的数目大于等于预设值(具体取3)时,将该目标点归属簇1;如果向量K中各个元素小于1的数目大于等于预设值(具体取3)时,将该目标点归属簇2,否则判定该目标点为噪点。
步骤3:对于接近簇1而远离簇2的第二类边界网格(A,B),将网格中的目标点全部归于簇1,对于接近簇2而远离簇1的网格目标点C,D全部归于簇2;
步骤4:对于既不接近簇1又不接近簇2的第三类边界网格点E,网格中的目标点全部归于噪声。
本实施例进一步包括基于GDBSCAN的雷达目标分类装置,该装置包括聚类模块,用于获取雷达检测返回的目标点群并使用GDBSCAN聚类算法进行聚类,其特征在于,还包括边界处理模块,用于聚类模块使用GDBSCAN聚类算法进行聚类时,当划分网格并形成一个以上的网格区间簇后、执行聚类前还包括边界处理步骤,边界处理步骤包括:查找出不属于任一网格区间簇且与每个网格区间簇的距离在指定范围内的第一类边界网格,根据各第一类边界网格中目标点的目标信息以及各网格区间簇中各目标点的目标信息将各第一类边界网格划分至对应的网格区间簇。
本实施例中,边界处理模块包括:
信息获取及隶属度函数构建单元,获取边界网格中目标点的多个目的参数的信息,以及根据各网格区间簇中各目标点的目标信息为每个网格区间簇分别构建每个目的参数的隶属度函数;
隶属度计算单元,用于分别计算边界网格的每个目的参数关于各个网格区间簇中对应目的参数的隶属度函数的隶属度,对应每个网格区间簇得到一个隶属度向量;
比较及划分单元,用于每次取两个网格区间簇所对应的隶属度向量进行比较,比较时一一对应判断两个隶属度向量中各元素的大小,若存在一个网格区间簇的隶属度向量中超过预设数量的元素大于另一个网格区间簇的隶属度向量中对应元素,则将当前第一类边界网格划分至其中元素较大对应的网格区间簇,若不存在则不进行划分,直至完成所有网格区间簇的比较划分,若完成后仍不能划分当前第一类边界网格,则将当前第一类边界网格中目标点判定为噪点。
本实施例基于GDBSCAN的雷达目标分类装置中边界处理模块与上述基于GDBSCAN的雷达目标分类方法中边界处理步骤为一一对应,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)
1.一种基于GDBSCAN的雷达目标分类方法,包括获取雷达检测返回的目标点群并使用GDBSCAN聚类算法进行聚类步骤,其特征在于,所述使用所述GDBSCAN聚类算法进行聚类时,当划分网格并形成一个以上的网格区间簇后、执行聚类前还包括边界处理步骤,所述边界处理步骤包括:查找出不属于任一所述网格区间簇且与每个所述网格区间簇的距离在指定范围内的第一类边界网格,根据各第一类边界网格中目标点的目标信息以及各网格区间簇中各目标点的目标信息将各第一类边界网格划分至对应的所述网格区间簇。
2.根据权利要求1所述的基于GDBSCAN的雷达目标分类方法,其特征在于,所述将所述第一类边界网格划分至对应的所述网格区间簇时,通过计算所述第一类边界网格中目标点的目标信息对每个所述网格区间簇的隶属度,根据计算得到的各所述隶属度的大小将所述第一类边界网格划分至对应的所述网格区间簇中。
3.根据权利要求2所述的基于GDBSCAN的雷达目标分类方法,其特征在于,将所述边界网格划分至对应的所述网格区间簇的具体步骤包括:
S1.获取当前第一类边界网格中目标点的多个目的参数的信息,以及根据各所述网格区间簇中各目标点的目标信息为每个所述网格区间簇分别构建每个目的参数的隶属度函数;
S2.分别计算当前第一类边界网格的每个目的参数关于各个所述网格区间簇中对应参数的隶属度函数的隶属度,对应每个所述网格区间簇得到一个隶属度向量;
S3.每次取两个所述网格区间簇所对应的隶属度向量进行比较,比较时一一对应判断两个所述隶属度向量中各元素的大小,若存在一个网格区间簇的所述隶属度向量中超过预设数量的元素大于另一个网格区间簇的所述隶属度向量中对应元素,则将当前第一类边界网格划分至其中元素较大对应的网格区间簇,若不存在则不进行划分,直至完成所有网格区间簇的比较划分,若完成所有网格区间簇比较后仍不能划分当前第一类边界网格,则将当前第一类边界网格中目标点判定为噪点。
4.根据权利要求3所述的基于GDBSCAN的雷达目标分类方法,其特征在于,所述目的参数包括x坐标、y坐标、速度v以及信噪比Snr中一种或任意多种的组合。
5.根据权利要求3所述的基于GDBSCAN的雷达目标分类方法,其特征在于,所述步骤S1中先计算各所述网格区间簇中所有目标点的每个目的参数的均值和标准差,根据计算得到的均值和标准差分别构建各目的参数的高斯隶属度函数x为目的参数,δ为标准差,c为均值。
6.根据权利要求3或4或5所述的基于GDBSCAN的雷达目标分类方法,其特征在于,所述步骤S3中取两个所述网格区间簇所对应的隶属度向量进行比较的具体步骤为:将向量m=[m1,m2,……,mN]中每一个元素对应除以向量n=[n1,n2,……,nN]中每一个元素,得到向量其中m为第一网格区间簇对应的所述隶属度向量,mi为当前第一类边界网格关于所述第一网格区间簇中第i个目的参数的隶属度函数的隶属度,i=1,2,……,N,N为目的参数的数量,n为第二网格区间簇对应的所述隶属度向量,ni为当前第一类边界网格关于所述第二网格区间簇中第i个目的参数的隶属度函数的隶属度;若所述向量K中存在大于预设数量的元素大于1,将当前边界网格划分给第一网格区间簇,若所述向量K中存在大于预设数量的元素小于1,将当前边界网格划分给第二网络区间簇。
7.根据权利要求1~5中任意一项所述的基于GDBSCAN的雷达目标分类方法,其特征在于,所述边界处理步骤中,还包括查找与一个网格区间簇的距离小于预设近距离阈值、与其他网格区间簇的距离均大于预设远距离阈值的第二类边界网格,将查找到的各所述第二类边界网格划分至距离最小的对应网格区间簇。
8.根据权利要求1~5中任意一项所述的基于GDBSCAN的雷达目标分类方法,其特征在于,所述边界处理步骤中,还包括查找与所有所述网格区间簇的距离均大于预设远距离阈值的第三类边界网格,将查找到的各所述第三类边界网格中目标点判定为噪点。
9.一种基于GDBSCAN的雷达目标分类装置,该装置包括聚类模块,用于获取雷达检测返回的目标点群并使用GDBSCAN聚类算法进行聚类,其特征在于,还包括边界处理模块,用于所述聚类模块使用所述GDBSCAN聚类算法进行聚类时,当划分网格并形成一个以上的网格区间簇后、执行聚类前还包括边界处理步骤,所述边界处理步骤包括:查找出不属于任一所述网格区间簇且与每个所述网格区间簇的距离在指定范围内的第一类边界网格,根据各所述第一类边界网格中目标点的目标信息以及各网格区间簇中各目标点的目标信息将各所述第一类边界网格划分至对应的所述网格区间簇。
10.根据权利要求9中所述的基于GDBSCAN的雷达目标分类装置,其特征在于,所述边界处理模块包括:
信息获取及隶属度函数构建单元,获取所述边界网格中目标点的多个目的参数的信息,以及根据各所述网格区间簇中各目标点的目标信息为每个所述网格区间簇分别构建每个目的参数的隶属度函数;
隶属度计算单元,用于分别计算所述边界网格的每个目的参数关于各个所述网格区间簇中对应目的参数的隶属度函数的隶属度,对应每个所述网格区间簇得到一个隶属度向量;
比较及划分单元,用于每次取两个所述网格区间簇所对应的隶属度向量进行比较,比较时一一对应判断两个所述隶属度向量中各元素的大小,若存在一个网格区间簇的所述隶属度向量中超过预设数量的元素大于另一个网格区间簇的所述隶属度向量中对应元素,则将当前第一类边界网格划分至其中元素较大对应的网格区间簇,若不存在则不进行划分,直至完成所有网格区间簇的比较划分,若完成后仍不能划分当前第一类边界网格,则将当前第一类边界网格中目标点判定为噪点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910818662.2A CN110488259B (zh) | 2019-08-30 | 2019-08-30 | 一种基于gdbscan的雷达目标分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910818662.2A CN110488259B (zh) | 2019-08-30 | 2019-08-30 | 一种基于gdbscan的雷达目标分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110488259A true CN110488259A (zh) | 2019-11-22 |
CN110488259B CN110488259B (zh) | 2022-11-04 |
Family
ID=68555865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910818662.2A Active CN110488259B (zh) | 2019-08-30 | 2019-08-30 | 一种基于gdbscan的雷达目标分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110488259B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256990A (zh) * | 2021-07-13 | 2021-08-13 | 北京戍宁信息技术有限公司 | 基于聚类算法的雷达采集道路车辆信息的方法及系统 |
CN113255397A (zh) * | 2020-02-10 | 2021-08-13 | 富士通株式会社 | 目标检测方法和装置 |
Citations (10)
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 |
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 |
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 |
CN107832778A (zh) * | 2017-10-13 | 2018-03-23 | 中国舰船研究设计中心 | 一种基于空间综合相似度的相同目标识别方法 |
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 |
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 |
CN110161464A (zh) * | 2019-06-14 | 2019-08-23 | 成都纳雷科技有限公司 | 一种雷达多目标聚类方法及装置 |
CN110163255A (zh) * | 2019-04-22 | 2019-08-23 | 济南大学 | 一种基于密度峰值的数据流聚类方法及装置 |
-
2019
- 2019-08-30 CN CN201910818662.2A patent/CN110488259B/zh active Active
Patent Citations (10)
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 |
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 |
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 |
CN107832778A (zh) * | 2017-10-13 | 2018-03-23 | 中国舰船研究设计中心 | 一种基于空间综合相似度的相同目标识别方法 |
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 |
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 |
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 |
CN110163255A (zh) * | 2019-04-22 | 2019-08-23 | 济南大学 | 一种基于密度峰值的数据流聚类方法及装置 |
CN110161464A (zh) * | 2019-06-14 | 2019-08-23 | 成都纳雷科技有限公司 | 一种雷达多目标聚类方法及装置 |
Non-Patent Citations (3)
Title |
---|
钱雪忠等: "基于动态的网格相对密度差聚类算法研究", 《软件导刊》 * |
韩利钊: "多密度聚类算法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
黄红伟等: "基于网格相对密度差的扩展聚类算法", 《计算机应用研究》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255397A (zh) * | 2020-02-10 | 2021-08-13 | 富士通株式会社 | 目标检测方法和装置 |
CN113256990A (zh) * | 2021-07-13 | 2021-08-13 | 北京戍宁信息技术有限公司 | 基于聚类算法的雷达采集道路车辆信息的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110488259B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110161464A (zh) | 一种雷达多目标聚类方法及装置 | |
CN103473786B (zh) | 基于多目标模糊聚类的灰度图像分割方法 | |
CN109581312A (zh) | 一种高分辨毫米波雷达多目标聚类方法 | |
CN110598738B (zh) | 一种基于空间信息的分布式聚类方法 | |
CN107392875A (zh) | 一种基于k近邻域划分的点云数据去噪方法 | |
CN107576942B (zh) | 一种基于信号聚类的辐射源扫描周期实时估计方法 | |
CN106611421B (zh) | 基于特征学习和素描线段约束的sar图像分割方法 | |
CN105488770A (zh) | 一种面向对象的机载激光雷达点云滤波方法 | |
CN106093946B (zh) | 一种适用于场面监视雷达的目标凝聚方法及装置 | |
CN110673090B (zh) | 基于dbscan的无源多站多目标定位方法 | |
CN110488259A (zh) | 一种基于gdbscan的雷达目标分类方法及装置 | |
CN106056098B (zh) | 一种基于类别合并的脉冲信号聚类分选方法 | |
CN109839619A (zh) | 基于自适应分桶的雷达信号粗分选方法、系统及存储介质 | |
CN109840558B (zh) | 基于密度峰值-核心融合的自适应聚类方法 | |
CN114254141B (zh) | 一种基于深度分割的端到端雷达信号分选方法 | |
CN109709527A (zh) | 一种全波形激光测高回波信号中高斯分解的高斯波峰法 | |
CN106127262A (zh) | 一种属性缺失数据集的聚类方法 | |
CN109215112A (zh) | 一种单侧点云模型的标注方法 | |
CN110245692A (zh) | 一种用于集合数值天气预报成员的层次聚类方法 | |
Gao et al. | Research on data stream clustering based on fcm algorithm1 | |
Cao et al. | Density-based fuzzy C-means multi-center re-clustering radar signal sorting algorithm | |
CN108344975A (zh) | 一种利用梯度下降和夹角余弦的联合簇标定方法 | |
Chen et al. | Improved DBSCAN radar signal sorting algorithm based on rough set | |
CN105842666A (zh) | 基于差分算法的雷达子阵划分优化方法 | |
CN105913451B (zh) | 一种基于图模型的自然图像超像素分割方法 |
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 |