CN110895333A - 一种基于多普勒频率的77g车载雷达数据快速聚类方法 - Google Patents

Abstract

该发明公开了一种基于多普勒频率的77G车载雷达数据快速聚类方法，属于雷达数据处理领域。本发明提出了利用多普勒频率信息进行三维聚类的同时，使用基于阈值的最佳聚类数的确定方法来减少运算时间消耗的方法，提升聚类准确性并减小运算时间。在聚类过程中，使用目标空间位置与多普勒频率三维信息进行聚类，可有效区分出位置较近，但多普勒频率不同的不同目标，在寻找最佳聚类数的过程中，根据设定聚类阈值，当遍历聚类数以计算聚类结果与评价函数时，聚类结果中某一类内的点数小于阈值则停止相应计算，根据评价函数最大值得到最佳聚类数与聚类结果，减少因运算维度的增加所带来的计算时间的增加，提升聚类的准确性与运算效率。

Description

一种基于多普勒频率的77G车载雷达数据快速聚类方法

技术领域

本发明是一种适用于77GHz车载毫米波雷达数据聚类算法。属于信号与信息处理领域。

背景技术

毫米波雷达，工作频段为30GHz-300GHz，其波长在1mm-10mm之间，具有雷达器件尺寸小、功耗低、测速测距精度较高、探测距离较远，并且雷达波束窄、角分辨率高、频带宽、抗干扰能力较强等优点，使得毫米波雷达成为汽车ADAS技术上必不可少的传感器之一。而作为77GHz毫米波雷达，其体积、功耗更小，探测距离更远与探测精度更高，使77GHz毫米波雷达传感器成为汽车的新一代传感器。

77GHz车载毫米波雷达因其精度较高，在探测目标时，会产生几十至上百个点数据，在对目标进行探测后需要将这些点数据进行聚类后，方可对目标进行目标跟踪等后续处理。

传统方法中，将目标点数据聚类是通过输入目标二维位置信息，通过寻找最佳聚类数的方法将数据进行聚类划分，当目标相互靠近时，因为距离较近，会导致聚成一类目标的情况，使得聚类效果变差，并且由于车辆行人等目标数量无法提前预知，在使用K-means聚类算法时需要提前给定聚类数。在寻找最佳聚类数时，一般将聚类数目从[k_min,k_max]进行遍历，根据聚类有效性评价指标判断最佳聚类数目。传统方法中一般将最小聚类数k_min设为2，最大聚类数k_max设为

N为数据的规模。算法必须遍历至最大聚类数

时才停止聚类计算。若直接将多普勒频率加入聚类运算并使用传统方法寻找最佳聚类数，必定会因为运算量的增加导致运算时间的增加，不符合车载雷达实时处理数据的要求。

发明内容

本发明要解决的技术问题是针对背景技术的不足，提出一种基于多普勒频率的77G毫米波车载雷达的快速聚类算法，改进算法聚类效果，并减少因增加多普勒频率聚类维度所带来的运算时间的消耗。

该算法主要改进点为：聚类过程中利用目标多普勒频率信息、位置信息参与数据聚类，充分利用目标信息，改善聚类效果，提升准确性，尤其是在目标位置较近时但速度不同时将目标区分开来，同时使用基于阈值寻找最大聚类数的方法，在遍历聚类数目寻找最佳聚类数时，当聚类结果中存在某一类内点数量小于阈值时则停止聚类，根据聚类评价函数寻找最佳聚类数与聚类结果，不需要再遍历至

聚类数。使用减少遍历聚类数次数的方法减轻增加多普勒频率参加聚类运算所带来的时间消耗，提升聚类准确性的同时减少聚类运算所消耗的时间。

本发明技术方案为一种基于多普勒频率的77G车载雷达数据快速聚类方法，该方法包括：

步骤1：以搭载77GHz车载毫米波雷达的车辆建立直角坐标系，将雷达探测目标的空间位置信息、多普勒频率信息作为该算法的输入信息；算法输入为P＝(X,Y,S)，其中X、Y为雷达获取的点数据的空间位置坐标，S为点数据的多普勒频率速度信息，使用多普勒频率速度公式

计算S作为输入，其中λ为波长，f_d为多普勒频率；

步骤2：根据雷达获取的数据规模N，数据规模表示所有数据点的个数，选择预计最佳聚类数的搜索范围[k_min,k_max]，其中最小聚类数k_min为2，最大聚类数k_max为

设定聚类截止阈值T，T代表聚类某一簇内最小样本个数；

步骤3：针对聚类数范围[k_min,k_max]，设置当前聚类数目k_cur＝2开始对点数据进行聚类：

步骤3.1：输入点数据集P＝(X,Y,S)，在直角坐标系中随机创建k_cur个点作为聚类起始质心，作为每个簇的中心；

步骤3.2：对剩余的每个点，根据其与各簇中心的距离，将它赋给距离最近的簇；

步骤3.3：重新计算每个簇中所有点的坐标平均值，并将距离均值作为新的质心；

步骤3.4：再次计算每个点到质心的距离并分配到不同的簇中；

步骤3.5：重复平均值的计算，直到质心不变，并且任意一个簇分配结果不发生改变；

步骤3.6：输出聚类结果

步骤4：记录当前聚类数下的聚类结果

并记录聚类簇内最小样本数所在簇的样本数，然后采用评价函数对聚类结果进行评价计算，得到评价结果；

步骤5：将k_cur数值在[k_min,k_max]范围内增加1，返回步骤3重新进行聚类；在重新聚类完成后，当聚类结果中某些簇内的样本数据量小于设定阈值T时，停止进一步聚类k_cur数值不再增加，计算最后一次聚类结果的各评价函数计算的评价结果；

步骤6：将评价结果最优的聚类结果作为最佳聚类结果，进行输出。

进一步的，所述步骤4中采用如下三种评价函数中的一种或多种进行评价结果的计算，当采用多种评价函数进行计算时，将得到的多个计算结果进行归一化，选择归一化后最优的评价结果对应的聚类结果作为最佳聚类结果，其中三种评价函数分别为：

a：

其中i指参与聚类的样本对象，a(i)代表样本i到同簇其他样本的平均距离，b(i)代表样本i到其他每个簇中所有样本的平均距离；

b：

其中intra(i)表示聚类簇内相似度，inter(i,j)表示聚类簇间相似度，n为数据样本数，i与j为类标，n_i与n_j表示聚类结果中不同类别的样本数，k表示分类簇数；

c：

其中

n是样本总数，n_c与n_k分别为聚类簇C与聚类簇K的样本数，n_c,k为与上次聚类结果比较聚类簇C划分到聚类簇K的样本数个数。

本发明的有益效果是：

聚类算法中加入了目标多普勒频率信息，在目标以不同速度靠近时，仍然能够有较好的聚类区分效果，并且在遍历聚类数目得到最佳聚类数时，设定阈值，当聚类结果中存在簇内点数据规模小于阈值的情况时则停止聚类，返回评价函数中的最佳聚类数与聚类结果，并不需要将聚类数遍历到设定的最大聚类数

减轻增加多普勒频率参加聚类运算所带来的时间消耗，提升聚类准确性的同时减少聚类运算所消耗的时间。

附图说明

图1为基于多普勒频率的77G车载雷达快速聚类方法的模拟原始点数据图。

图2为基于多普勒频率的77G车载雷达快速聚类方法的聚类结果。

图3为基于多普勒频率的77G车载雷达快速聚类方法的聚类结果三维视角效果图。

图4为基于多普勒频率的77G车载雷达快速聚类方法的评价指标。

图5基于位置信息的快速寻找最佳聚类数方法进行分类的模拟原始点数据图。

图6基于位置信息的快速寻找最佳聚类数方法进行分类的聚类结果。

图7基于位置信息的快速寻找最佳聚类数方法进行分类的评价指标。

图8为基于多普勒频率的传统寻找最佳聚类数方法的模拟原始点数据图。

图9为基于多普勒频率的传统寻找最佳聚类数方法的聚类结果。

图10为基于多普勒频率的传统寻找最佳聚类数方法的聚类结果三维视角效果图。

图11为基于多普勒频率的传统寻找最佳聚类数方法的评价指标。

具体实施方式

采用基于多普勒频率的77GHz车载雷达快速聚类方法对77GHz车载雷达数据进行分类。

在空间中建立平面直角坐标系，假设空间中存在五个目标，产生高斯分布模拟数据，他们的位置(X，Y)(m)、速度S(m/s)、数据规模信息如下表所示，其中目标1与目标2距离较近多普勒频率不同，目标1与目标4多普勒频率相同但位置不同。原始数据如图1所示。

步骤1：数据总规模N为250，设定预计最佳聚类数的搜索范围[k_min,k_max]，其中最小聚类数k_min为2，最大聚类数k_max为

向下取整为15。设定聚类截止阈值T为5。代表聚类结果中类内点规模小于5时停止聚类。

步骤2：从小到大遍历最佳聚类数搜索范围，根据目标位置信息、速度信息使用聚类算法对目标进行聚类。

步骤3：同时使用三种聚类有效性评价函数对不同聚类数情况下的聚类结果进行评价，评价指标进行归一化处理，指标值越大代表聚类效果越好。记录当前聚类结果与聚类评价指标。

步骤4：当聚类结果出现类内的点数小于预设的阈值T时，停止聚类，返回之前的聚类结果与聚类评价函数指标。

步骤5：如图4聚类在聚类数为8时停止运算，输出评价函数指标最大值处的最佳聚类数为5，输出最佳聚类数下的聚类结果如图2与图3，输出聚类后的聚类质心如表2，运算时间为0.644s。采用基于位置信息的快速寻找最佳聚类数方法进行分类。

在空间中建立平面直角坐标系，假设空间中存在同样的五个目标，他们的位置信息与表1中的位置信息完全相同，数据规模也和表1中的每个点所对应的规模相同，并产生高斯分布数据如图5，不同的是仅仅只有位置信息。

步骤1：数据总规模N₁同样为250，设定预计最佳聚类数的搜索范围[k_min1,k_max1]，其中最小聚类数k_min1为2，最大聚类数k_max1为

向下取整为15。设定聚类截止阈值T为5。代表聚类结果中类内点规模小于5时停止聚类。

步骤2：从小到大遍历最佳聚类数搜索范围，根据目标位置信息、速度信息使用聚类算法对目标进行聚类。

步骤3：同样使用三种聚类有效性评价函数对不同聚类数情况下的聚类结果进行评价，评价指标进行归一化处理，指标值越大代表聚类效果越好。记录当前聚类结果与聚类评价指标。

步骤4：当聚类结果出现类内的点数小于预设的阈值T时，停止聚类，返回之前的聚类结果与聚类评价函数指标。

步骤5：如图7聚类在聚类数为9时停止运算，输出评价函数指标最大值处的最佳聚类数为4，输出最佳聚类数下的聚类结果如图6，输出聚类后的聚类质心如表3。

该方法未将多普勒频率引入聚类计算中，对比实际情况与实施结果，该传统寻找最佳聚类数方法未能准确将目标进行区分。主要体现在：真实目标为5个，而该方法在最佳聚类算法中将4类目标作为最佳的聚类结果，如图7所示。图6为聚类结果，其中目标1实际为空间距离较近的两个目标。

基于多普勒频率的传统寻找最佳聚类数方法进行聚类划分。

在空间中建立平面直角坐标系，假设空间中存在同样的五个目标，他们的位置信息与表1中的位置信息完全相同，数据规模也和表1中的每个点所对应的规模相同，每个目标的多普勒频率相同，并产生高斯分布数据如图8。

步骤1：数据总规模N₂同样为250，设定最佳聚类数的搜索范围[k_min2,k_max2]，其中最小聚类数k_min2为2，最大聚类数k_max2为

向下取整为15。不设定聚类截止阈值。

步骤2：从小到大遍历最佳聚类数搜索范围，根据目标位置信息、速度信息使用K-means聚类算法对目标进行聚类。

步骤3：同样使用三种聚类有效性评价函数对不同聚类数情况下的聚类结果进行评价，评价指标进行归一化处理，指标值越大代表聚类效果越好。记录当前聚类结果与聚类评价指标。

步骤4：返回聚类结果与聚类评价函数指标。

步骤5：如图10该方法在聚类数抵达k_max2处为15时才停止运算，输出评价函数指标最大值处的最佳聚类数为5，输出最佳聚类数下的聚类结果如图9与图10，输出聚类后的聚类质心如表4，运算时间为0.774s。如表5为快速聚类算法与非快速聚类算法运算时间对比。

经实验验证，基于多普勒频率的77G车载雷达快速聚类算法有效可行，具体表现如下：

该方法将空间中位置较近，但多普勒频率不同的目标可有效区分开来，具体表现为表1中的目标1与目标2(图2与图3中的目标1与目标2)对比图6中的目标1，验证了多普勒频率参与聚类算法的有效可行性。同时如图4中，该方法在聚类数为8时便停止了计算并输出最佳聚类数为5，对比图11中的横坐标最大值，不需要在寻找最佳聚类数时将聚类数遍历到15，即

N为数据总规模，并且如表5所示基于多普勒频率的77G车载雷达快速聚类方法所需运行时间比不添加阈值的方法运算时间要小。故该方法在提升了聚类结果准确性的同时可减少因运算维度的增加所带来的时间消耗。

表1

目标号	位置信息(X，Y)	速度信息S	数据规模
				目标1	(5m,5m)	15m/s	50
目标2	(5.5m,5m)	2m/s	50
				目标3	(-5m，-5m)	10m/s	50
目标4	(5m，-5m)	15m/s	50
				目标5	(-5m,5m)	20m/s	50

表2

目标号	聚类质心位置
		目标1	(5.07m，4.89m)
目标2	(5.48m，4.94m)
		目标3	(-4.97m，-5.03m)
目标4	(5.05m，-5.01m)
		目标5	(-5.05m，5.04m)

表3

目标号	聚类质心位置
		目标1	(5.28m，4.98m)
目标2	(-5.02m，-4.93m)
		目标3	(5.01m，-5.00m)
目标4	(-5.03m，5.16m)

表4

目标号	聚类质心位置
		目标1	(-5.11m，-4.88m)
目标2	(-5.01m，4.99m)
		目标3	(5.48m，4.99m)
目标4	(4.94m，4.96m)
		目标5	(5.00m，-5.06m)

表5

Claims (2)

1.一种基于多普勒频率的77G车载雷达数据快速聚类方法，该方法包括：

步骤1：以搭载77GHz车载毫米波雷达的车辆建立直角坐标系，将雷达探测目标的空间位置信息、多普勒频率信息作为该算法的输入信息；算法输入为P＝(X,Y,S)，其中X、Y为雷达获取的点数据的空间位置坐标，S为点数据的多普勒频率速度信息，使用多普勒频率速度公式

计算S作为输入，其中λ为波长，f_d为多普勒频率；

步骤2：根据雷达获取的数据规模N，数据规模表示所有数据点的个数，选择预计最佳聚类数的搜索范围[k_min,k_max]，其中最小聚类数k_min为2，最大聚类数k_max为

设定聚类截止阈值T，T代表聚类某一簇内最小样本个数；

步骤3：针对聚类数范围[k_min,k_max]，设置当前聚类数目k_cur＝2开始对点数据进行聚类：

步骤3.1：输入点数据集P＝(X,Y,S)，在直角坐标系中随机创建k_cur个点作为聚类起始质心，作为每个簇的中心；

步骤3.2：对剩余的每个点，根据其与各簇中心的距离，将它赋给距离最近的簇；

步骤3.3：重新计算每个簇中所有点的坐标平均值，并将距离均值作为新的质心；

步骤3.4：再次计算每个点到质心的距离并分配到不同的簇中；

步骤3.5：重复平均值的计算，直到质心不变，并且任意一个簇分配结果不发生改变；

步骤3.6：输出聚类结果

步骤4：记录当前聚类数下的聚类结果

并记录聚类簇内最小样本数所在簇的样本数，然后采用评价函数对聚类结果进行评价计算，得到评价结果；

步骤5：将k_cur数值在[k_min,k_max]范围内增加1，返回步骤3重新进行聚类；在重新聚类完成后，当聚类结果中某些簇内的样本数据量小于设定阈值T时，停止进一步聚类k_cur数值不再增加，计算最后一次聚类结果的各评价函数计算的评价结果；

步骤6：将评价结果最优的聚类结果作为最佳聚类结果，进行输出。

2.如权利要求1所述的一种基于多普勒频率的77G车载雷达数据快速聚类方法，其特征在于所述步骤4中采用如下三种评价函数中的一种或多种进行评价结果的计算，当采用多种评价函数进行计算时，将得到的多个计算结果进行归一化，选择归一化后最优的评价结果对应的聚类结果作为最佳聚类结果，其中三种评价函数分别为：

a：

其中i指参与聚类的样本对象，a(i)代表样本i到同簇其他样本的平均距离，b(i)代表样本i到其他每个簇中所有样本的平均距离；

b：

其中intra(i)表示聚类簇内相似度，inter(i,j)表示聚类簇间相似度，n为数据样本数，i与j为类标，n_i与n_j表示聚类结果中不同类别的样本数，k表示分类簇数；

c：

其中

n是样本总数，n_c与n_k分别为聚类簇C与聚类簇K的样本数，n_c,k为与上次聚类结果比较聚类簇C划分到聚类簇K的样本数个数。

Images