CN110988856A - 一种基于密度聚类的目标检测点迹凝聚算法 - Google Patents

一种基于密度聚类的目标检测点迹凝聚算法 Download PDF

Info

Publication number
CN110988856A
CN110988856A CN201911313976.3A CN201911313976A CN110988856A CN 110988856 A CN110988856 A CN 110988856A CN 201911313976 A CN201911313976 A CN 201911313976A CN 110988856 A CN110988856 A CN 110988856A
Authority
CN
China
Prior art keywords
trace
cfar
data
point
cfar detection
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
Application number
CN201911313976.3A
Other languages
English (en)
Other versions
CN110988856B (zh
Inventor
曹建蜀
陈江宁
张顺生
康慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201911313976.3A priority Critical patent/CN110988856B/zh
Publication of CN110988856A publication Critical patent/CN110988856A/zh
Application granted granted Critical
Publication of CN110988856B publication Critical patent/CN110988856B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于密度聚类的目标检测点迹凝聚算法，涉及信号与信息处理技术领域。该算法考虑到了CFAR检测点迹结果数据中不同幅度分布的差异，一是针对检测点迹数据的峰值相距远近的差异，二是针对检测点数据的幅度差异和密度分布差异。该算法基于自适应局部距离半径且带有噪声的基于密度聚类算法的点迹凝聚算法，通过采样CFAR检测结果的点迹数据，对采集的所有数据根据距离‑多普勒二维信息计算欧式距离，利用幅度信息计算阈值进而进行聚类，能够克服彼此相邻、点迹数据幅度和密度分布差异较大的多个目标难以正确分类的难点，在不增加硬件结构，不增加经费的基础上使检测出的结果更加准确。

Description

一种基于密度聚类的目标检测点迹凝聚算法
技术领域
本发明涉及信号与信息处理技术领域，具体而言，涉及一种基于密度聚类的目标检测点迹凝聚算法。
背景技术
如图4所示为典型的雷达信号处理流程，雷达系统的主要任务就是判定目标是否存在，以及对多批次多目标进行精确的探测和跟踪，而随着雷达作用范围的增加和雷达精度的提高，雷达采集的点迹数据量也随之增加，为了减小需要处理的数据量，并保证航迹信息的准确性与可靠性，性能良好的点迹凝聚处理系统变得尤为重要。雷达信号处理流程包括多个环节，在恒虚警检测(CFAR)处理后，需要对CFAR检测点迹进行凝聚处理。
在实际工程应用中点迹凝聚主要分为两个步骤，分别是目标划分和目标质心提取。第一步，目标划分：所有被同一个目标影响的点迹的幅度被称作一个点迹簇。将所有被占用的点迹划分为多个不同的簇，每一个簇代表一个扩展目标。第二步，目标质心提取：在确定提取出所有点迹的情况下，即针对每一个点迹簇计算其中心。通过点迹凝聚，使得雷达回波数据可以在最大程度上得以压缩，并且使得检测参数估计更精确。
目前常用的点迹凝聚算法如九点法、DBSCAN算法等，一般过程为：首先对同距离不同多普勒维的数据进行幅度门限检测，对过门限的点迹进行多普勒维凝聚，录取目标的多普勒维信息；之后对在多普勒维凝聚过的且在多普勒维同一数值的目标进行距离维的深度搜索，进行距离维凝聚，并根据预设的目标宽度有效范围判断出有效的目标；最后，进行目标参数估值与录取并输出结果。然而由于此类方法设置的全局的参数，针对密度分布不同的和相距较近幅度差异较大的多个目标数据点难以正确的分类，因此，如何从新的方向找到思路提高点迹凝聚的效果是一个巨大的挑战。
发明内容
本发明在于提供一种基于密度聚类的目标检测点迹凝聚算法，其能够缓解上述问题。
为了缓解上述的问题，本发明采取的技术方案如下：
本发明提供了一种基于密度聚类的目标检测点迹凝聚算法，包括以下步骤：
S1、输入若干组CFAR检测点迹数据，所述CFAR检测点迹数据包括距离维数据、多普勒维数据、方位角数据、俯仰角数据和幅度维数据；
S2、预设初始邻域距离ε和邻域最小点数MinPts；
S3、根据CFAR检测点迹数据中的距离维和多普勒维数据，计算每两个CFAR检测点迹之间的欧式距离，并得到由若干欧式距离构成的距离矩阵Dn；
S4、根据初始邻域距离ε、距离矩阵Dn和CFAR检测点迹数据中的幅度维数据，计算每个CFAR检测点迹修正后的邻域距离rl；
S5、根据邻域最小点数MinPts、各CFAR检测点迹修正后的邻域距离rl，将所有的CFAR检测点迹数据聚类，得到若干点迹类；
S6、对于每一个点迹类中的每个CFAR检测点迹进行凝聚处理，输出得到CFAR检测点迹在幅度维、角度维、多普勒维和距离维的质量中心凝聚点，完成点迹的凝聚。
本技术方案的技术效果是：利用幅度信息计算修正邻域距离，进而实现多目标的分选聚类，不仅针对信号处理后CFAR的多个目标的检测点迹的峰值相距较远的数据能正确的分类，而且针对信号处理后CFAR的多个目标的检测点迹的峰值相距较近的数据能正确的分类，不仅针对密度大的同一类数据能正确归为同一类，而且针对密度小的同一类数据也能正确归为一类；面对强信号的中的弱信号难以正确的聚类为不同的目标的难题，通过利用距离维和多普勒维数据来计算距离矩阵，而只利用幅度维数据来计算修正邻域距离的方式，使得弱目标不会被强目标的幅度所干扰，并且能被正确的分为不同的目标。
进一步地，所述步骤S2中，初始邻域距离ε和邻域最小点数MinPts均设置为2。
本技术方案的技术效果是：便于检测到最微弱的目标的CFAR检测点迹。
更进一步地，所述步骤S3中，距离矩阵Dn如公式(1)所示：
Figure BDA0002325308760000021
其中，
Figure BDA0002325308760000022
为第i个CFAR检测点迹与第j个CFAR检测点迹之间的欧式距离，n为CFAR检测点迹的个数，i和j均为正整数，且1≤i≤n，1≤j≤n；mi和mj分别为第i个和第j个CFAR检测点迹数据距离维的数值；ni和nj分别为第i个和第j个CFAR检测点迹数据多普勒维的数值。
本技术方案的技术效果是：可以将相近的多个类别(目标)的CFAR检测点迹中的微弱目标区分出来，能最大限度的减少附近的强目标的CFAR检测点迹的干扰。
更进一步地，所述步骤S4具体包括：
S41、查询距离矩阵Dn并获得各CFAR检测点迹的邻居数据点，对于每个CFAR检测点迹，将与其距离在初始邻域距离ε内的其它CFAR检测点迹作为邻居数据点；
S42、对于每个CFAR检测点迹，根据公式(2)和公式(3)，计算包括自身在内的所有邻居数据点的幅度的均值和标准差：
Figure BDA0002325308760000031
Figure BDA0002325308760000032
其中，1≤l≤n，
Figure BDA0002325308760000033
为第l个CFAR检测点迹包括自身在内的所有邻居数据点的幅度值的平均值；kl为第l个CFAR检测点迹的邻居数据点的个数；hlj为第l个CFAR检测点迹的第j个邻居数据点幅度维的数值；Sl为第l个CFAR检测点迹包括自身在内的所有邻居数据点的幅度维数值的标准差；
S43、对于每个CFAR检测点迹，将其幅度值与包括自身在内的所有邻居数据点的幅度的均值比较，通过公式(4)和公式(5)，计算CFAR检测点迹修正后的邻域距离rl；
Figure BDA0002325308760000034
Figure BDA0002325308760000035
其中，hl为第l个CFAR检测点迹的幅度维的数值。
本技术方案的技术效果是：能正确将分布范围较大，密度较小的单一目标识别出来。
更进一步地，所述步骤S5具体包括：
S501、设置变量i＝1；
S502、获取每个CFAR检测点迹在其修正后的邻域距离rl范围内对应的邻居数据点数量，将所有的邻居数据点数量降序排列并构成邻居数数组e，设邻居数数组e中的第i个数值为Ni；
S503、若i大于邻居数数组e中元素的个数，则聚类完毕，输出所有的点迹类，否则执行步骤S504；
S504、获取邻居数数组e中第i个数值Ni，若Ni在邻居数数组e中已被访问过，则执行步骤S505，否则执行步骤S506；
S505、i＝i+1，跳转至步骤S503；
S506、记Ni为在邻居数数组e中已被访问过的数值；
S507、若Ni大于邻域最小点数MinPts，则将Ni所对应的CFAR检测点迹Ci判定为核心点，并继续执行步骤S508，否则将CFAR检测点迹Ci判定为噪声点，并跳转至步骤S505，Ci表示邻居数数组e中第i个数值所属于的CFAR检测点迹；
S508、计算修正后的邻域距离ri，利用CFAR检测点迹Ci在修正后的邻域距离ri范围内的所有邻居数据点构成数组Arri，并令变量k＝1，记数组Arri中的第k个数据点为Cik，修正后的邻域距离ri根据公式(6)、(7)、(8)、(9)计算得到：
Figure BDA0002325308760000041
Figure BDA0002325308760000042
Figure BDA0002325308760000043
Figure BDA0002325308760000044
其中，1≤i≤n，
Figure BDA0002325308760000045
为所有CFAR检测点迹中，CFAR检测点迹Ci包括自身在内的所有邻居数据点的幅度值的平均值；ki为CFAR检测点迹Ci的邻居数据点的个数；hij为CFAR检测点迹Ci的第j个邻居数据点幅度维的数值；Si为CFAR检测点迹Ci包括自身在内的所有邻居数据点的幅度维数值的标准差；hi为所有CFAR检测点迹中，CFAR检测点迹Ci的幅度维的数值；
S509、若k大于数组Arri中数据点的个数，则跳转至步骤S505，否则继续执行步骤S510；
S510、从数组Arri中取出第k个数据点Cik，若Cik在数组Arri中已被访问过，则跳转至步骤S513，否则将Cik设置为在数组Arri中已被访问过的CFAR检测点迹，并继续执行步骤S511；
S511、若Cik的邻居数据点数量大于邻域最小点数MinPts，则继续执行步骤S512，否则跳转至步骤S513；
S512、将Cik不在数组Arri中的所有邻居数据点依次添加到数组Arri中最后一个元素的后面；
S513、若Cik还未分类，则将Cik与Ci分到一个点迹类中，并继续执行步骤S514，否则直接执行步骤S514；
S514、k＝k+1，跳转至步骤S509。
本技术方案的技术效果是：能适应不同形状和范围的目标CFAR检测点迹，而且可以减少噪声的干扰。
更进一步地，所述步骤S6中，对CFAR检测点迹进行凝聚处理的公式如下：
Figure BDA0002325308760000051
Figure BDA0002325308760000052
Figure BDA0002325308760000053
Figure BDA0002325308760000054
其中，Av为第v个点迹类中的CFAR检测点迹在幅度维的质量中心凝聚点；
Avx为第v个点迹类中的第x个CFAR检测点迹在幅度维的数据值；
kv为第v个点迹类中的CFAR检测点迹总数；
Ov为第v个点迹类中的CFAR检测点迹在角度维的质量中心凝聚点；
Ovx为第v个点迹类中的第x个CFAR检测点迹在角度维的数据值；
Fv为第v个点迹类中的CFAR检测点迹在多普勒维的质量中心凝聚点；
Fvx为第v个点迹类中的第x个CFAR检测点迹在多普勒维的数据值；
Rv为第v个点迹类中的CFAR检测点迹在距离维的质量中心凝聚点；
Rvx为第v个点迹类中的第x个CFAR检测点迹在距离维的数据值。
本技术方案的技术效果是：使得同一类别的多个CFAR检测点迹凝聚为一个点迹，减少数据量，并通过质心算法使得结果更准确。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是实施例中所述基于密度聚类的目标检测点迹凝聚算法流程示意图；
图2是实施例中CFAR检测点迹数据聚类的流程图；
图3是实施例中的聚类算法的结果图；
图4是典型的雷达信号处理流程图；
图5是实施例中进行聚类处理前的群目标的CFAR检测点迹数据图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
图5所示为进行聚类处理前的群目标的CFAR检测点迹数据图，由图可以直观看出点迹密度分布不同和信号强弱不同的19个目标分布情况。
请参照图1和图2，本实施例提供了一种基于密度聚类的目标检测点迹凝聚算法，包括以下步骤：
S1、输入若干组CFAR检测点迹数据，CFAR检测点迹数据包括距离维数据、多普勒维数据、方位角数据、俯仰角数据和幅度维数据。
在本实施例中，仿真使用有密度差异和幅度差异的19个目标的CFAR检测点迹数据作为输入数据，19个目标如图5所示。
S2、预设初始邻域距离ε和邻域最小点数MinPts。
在本实施例中，距离和多普勒坐标轴的单位分别是距离采样单元和多普勒采样单元，所以沿坐标轴方向相邻的两个CFAR检测点迹的距离为1，而某一类别(目标)最小CFAR检测点迹范围为分布为在核心点周围一圈CFAR检测点迹，且最小能判断为目标而不是噪声的CFAR检测点迹群数量为2，为了能检测到最微弱的目标的CFAR检测点迹，则设置初始邻域距离ε和邻域最小点数MinPts均设置为2。
S3、根据CFAR检测点迹数据中的距离维和多普勒维数据，计算每两个CFAR检测点迹之间的欧式距离，并得到由若干欧式距离构成的距离矩阵Dn。
在本实施例中，距离矩阵Dn如公式(1)所示：
Figure BDA0002325308760000071
其中，
Figure BDA0002325308760000072
为第i个CFAR检测点迹与第j个CFAR检测点迹之间的欧式距离，n为CFAR检测点迹的个数，i和j均为正整数，且1≤i≤n，1≤j≤n；mi和mj分别为第i个和第j个CFAR检测点迹数据距离维的数值；ni和nj分别为第i个和第j个CFAR检测点迹数据多普勒维的数值。
由于同一类别中的CFAR检测点迹数据在距离维和多普勒维变化缓慢，因此在本实施例中，只利用距离维和多普勒维数据来计算距离矩阵，可以将相近的多个类别(目标)的CFAR检测点迹中的微弱目标区分出来，能最大限度的减少附近的强目标的CFAR检测点迹的干扰。
S4、根据初始邻域距离ε、距离矩阵Dn和CFAR检测点迹数据中的幅度维数据，计算每个CFAR检测点迹修正后的邻域距离rl，具体如下：
S41、查询距离矩阵Dn并获得各CFAR检测点迹的邻居数据点，对于每个CFAR检测点迹，将与其距离在初始邻域距离ε内的其它CFAR检测点迹作为邻居数据点；
S42、对于每个CFAR检测点迹，根据公式(2)和公式(3)，计算包括自身在内的所有邻居数据点的幅度的均值和标准差：
Figure BDA0002325308760000073
Figure BDA0002325308760000074
其中，1≤l≤n，
Figure BDA0002325308760000075
为第l个CFAR检测点迹包括自身在内的所有邻居数据点的幅度值的平均值；kl为第l个CFAR检测点迹的邻居数据点的个数；hlj为第l个CFAR检测点迹的第j个邻居数据点幅度维的数值；Sl为第l个CFAR检测点迹包括自身在内的所有邻居数据点的幅度维数值的标准差；
S43、对于每个CFAR检测点迹，将其幅度值与包括自身在内的所有邻居数据点的幅度的均值比较，通过公式(4)和公式(5)，计算CFAR检测点迹修正后的邻域距离rl；
Figure BDA0002325308760000081
Figure BDA0002325308760000082
其中，hl为第l个CFAR检测点迹的幅度维的数值。
由于不同的目标的多个CFAR检测点迹的密度分布不同，在本实施例中，为了能正确将分布范围较大，密度较小的单一目标识别出来，而不是识别为多个目标，因此初步判断核心点周围点的分布疏密情况，修正邻域距离rl。
S5、根据邻域最小点数MinPts、各CFAR检测点迹修正后的邻域距离rl，将所有的CFAR检测点迹数据聚类，得到若干点迹类，如图2所示，具体如下：
S501、设置变量i＝1；
S502、获取每个CFAR检测点迹在其修正后的邻域距离rl范围内对应的邻居数据点数量，将所有的邻居数据点数量降序排列并构成邻居数数组e，设邻居数数组e中的第i个数值为Ni；
S503、若i大于邻居数数组e中元素的个数，则聚类完毕，输出所有的点迹类，否则执行步骤S504；
S504、获取邻居数数组e中第i个数值Ni，若Ni在邻居数数组e中已被访问过，则执行步骤S505，否则执行步骤S506；
S505、i＝i+1，跳转至步骤S503；
S506、记Ni为在邻居数数组e中已被访问过的数值；
S507、若Ni大于邻域最小点数MinPts，则将Ni所对应的CFAR检测点迹Ci判定为核心点，并继续执行步骤S508，否则将CFAR检测点迹Ci判定为噪声点，并跳转至步骤S505，Ci表示邻居数数组e中第i个数值所属于的CFAR检测点迹；
S508、计算修正后的邻域距离ri，利用CFAR检测点迹Ci在修正后的邻域距离ri范围内的所有邻居数据点构成数组Arri，并令变量k＝1，记数组Arri中的第k个数据点为Cik，修正后的邻域距离ri根据公式(6)、(7)、(8)、(9)计算得到：
Figure BDA0002325308760000091
Figure BDA0002325308760000092
Figure BDA0002325308760000093
Figure BDA0002325308760000094
其中，1≤i≤n，
Figure BDA0002325308760000095
为所有CFAR检测点迹中，CFAR检测点迹Ci包括自身在内的所有邻居数据点的幅度值的平均值；ki为CFAR检测点迹Ci的邻居数据点的个数；hij为CFAR检测点迹Ci的第j个邻居数据点幅度维的数值；Si为CFAR检测点迹Ci包括自身在内的所有邻居数据点的幅度维数值的标准差；hi为所有CFAR检测点迹中，CFAR检测点迹Ci的幅度维的数值；
S509、若k大于数组Arri中数据点的个数，则跳转至步骤S505，否则继续执行步骤S510；
S510、从数组Arri中取出第k个数据点Cik，若Cik在数组Arri中已被访问过，则跳转至步骤S513，否则将Cik设置为在数组Arri中已被访问过的CFAR检测点迹，并继续执行步骤S511；
S511、若Cik的邻居数据点数量大于邻域最小点数MinPts，则继续执行步骤S512，否则跳转至步骤S513；
S512、将Cik不在数组Arri中的所有邻居数据点依次添加到数组Arri中最后一个元素的后面；
S513、若Cik还未分类，则将Cik与Ci分到一个点迹类中，并继续执行步骤S514，否则直接执行步骤S514；
S514、k＝k+1，跳转至步骤S509。
由于CFAR检测点迹分布范围较大的单一目标和CFAR检测点迹分布范围较小的单一目标的获得CFAR检测点迹数量不一样，相邻两点的距离也不一样，因此在本实施例中，使用计算修正的邻域距离ri来从实现单一目标从较小点迹分布范围向更大范围的CFAR检测点迹获取，使得算法适应不同形状和范围的目标CFAR检测点迹，计算过程中使用截断处理，可以减少噪声的干扰。
S6、对于每一个点迹类中的每个CFAR检测点迹进行凝聚处理，输出得到CFAR检测点迹在幅度维、角度维、多普勒维和距离维的质量中心凝聚点，完成点迹的凝聚。
在本实施例中，对CFAR检测点迹进行凝聚处理的公式如下：
Figure BDA0002325308760000101
Figure BDA0002325308760000102
Figure BDA0002325308760000103
Figure BDA0002325308760000104
其中，Av为第v个点迹类中的CFAR检测点迹在幅度维的质量中心凝聚点；
Avx为第v个点迹类中的第x个CFAR检测点迹在幅度维的数据值；
kv为第v个点迹类中的CFAR检测点迹总数；
Ov为第v个点迹类中的CFAR检测点迹在角度维的质量中心凝聚点；
Ovx为第v个点迹类中的第x个CFAR检测点迹在角度维的数据值；
Fv为第v个点迹类中的CFAR检测点迹在多普勒维的质量中心凝聚点；
Fvx为第v个点迹类中的第x个CFAR检测点迹在多普勒维的数据值；
Rv为第v个点迹类中的CFAR检测点迹在距离维的质量中心凝聚点；
Rvx为第v个点迹类中的第x个CFAR检测点迹在距离维的数据值。
在本实施例中，聚类分析根据数据对象之间的相似性，将数据对象分成多个类别，使同一类别中的对象之间具有较高的相似性，不同类中的对象之间差别较大。在信号处理后CFAR检测点迹凝聚过程中，利用聚类分析的这种特殊性质，对CFAR处理输出的多个目标检测点迹进行聚类凝聚。
图3为本实施例所述基于密度聚类的目标检测点迹凝聚算法的结果，此算法结合了九点法和DBSCAN算法的特点，预先设置初始邻域半径ε为2和邻域最小点数MinPts为2，然后对如图5所示原始数据使用此聚类算法，结果如图3所示，通过对比图5发现此算法正确对数据进行聚类，并克服了九点法、DBSCAN算法的缺点，效果很好。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，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保护范围之内。

Claims (6)

1.一种基于密度聚类的目标检测点迹凝聚算法，其特征在于，包括以下步骤：
S1、输入若干组CFAR检测点迹数据，所述CFAR检测点迹数据包括距离维数据、多普勒维数据、方位角数据、俯仰角数据和幅度维数据；
S2、预设初始邻域距离ε和邻域最小点数MinPts；
S3、根据CFAR检测点迹数据中的距离维和多普勒维数据，计算每两个CFAR检测点迹之间的欧式距离，并得到由若干欧式距离构成的距离矩阵Dn；
S4、根据初始邻域距离ε、距离矩阵Dn和CFAR检测点迹数据中的幅度维数据，计算每个CFAR检测点迹修正后的邻域距离rl；
S5、根据邻域最小点数MinPts、各CFAR检测点迹修正后的邻域距离rl，将所有的CFAR检测点迹数据聚类，得到若干点迹类；
S6、对于每一个点迹类中的每个CFAR检测点迹进行凝聚处理，输出得到CFAR检测点迹在幅度维、角度维、多普勒维和距离维的质量中心凝聚点，完成点迹的凝聚。
2.根据权利要求1所述基于密度聚类的目标检测点迹凝聚算法，其特征在于，所述步骤S2中，初始邻域距离ε和邻域最小点数MinPts均设置为2。
3.根据权利要求2所述基于密度聚类的目标检测点迹凝聚算法，其特征在于，所述步骤S3中，距离矩阵Dn如公式(1)所示：
Figure FDA0002325308750000011
其中，
Figure FDA0002325308750000012
为第i个CFAR检测点迹与第j个CFAR检测点迹之间的欧式距离，n为CFAR检测点迹的个数，i和j均为正整数，且1≤i≤n,1≤j≤n；mi和mj分别为第i个和第j个CFAR检测点迹数据距离维的数值；ni和nj分别为第i个和第j个CFAR检测点迹数据多普勒维的数值。
4.根据权利要求3所述基于密度聚类的目标检测点迹凝聚算法，其特征在于，所述步骤S4具体包括：
S41、查询距离矩阵Dn并获得各CFAR检测点迹的邻居数据点，对于每个CFAR检测点迹，将与其距离在初始邻域距离ε内的其它CFAR检测点迹作为邻居数据点；
S42、对于每个CFAR检测点迹，根据公式(2)和公式(3)，计算包括自身在内的所有邻居数据点的幅度的均值和标准差：
Figure FDA0002325308750000021
Figure FDA0002325308750000022
其中，1≤l≤n，
Figure FDA0002325308750000023
为第l个CFAR检测点迹包括自身在内的所有邻居数据点的幅度值的平均值；kl为第l个CFAR检测点迹的邻居数据点的个数；hlj为第l个CFAR检测点迹的第j个邻居数据点幅度维的数值；Sl为第l个CFAR检测点迹包括自身在内的所有邻居数据点的幅度维数值的标准差；
S43、对于每个CFAR检测点迹，将其幅度值与包括自身在内的所有邻居数据点的幅度的均值比较，通过公式(4)和公式(5)，计算CFAR检测点迹修正后的邻域距离rl；
Figure FDA0002325308750000024
Figure FDA0002325308750000025
其中，hl为第l个CFAR检测点迹的幅度维的数值。
5.根据权利要求4所述基于密度聚类的目标检测点迹凝聚算法，其特征在于，所述步骤S5具体包括：
S501、设置变量i＝1；
S502、获取每个CFAR检测点迹在其修正后的邻域距离rl范围内对应的邻居数据点数量，将所有的邻居数据点数量降序排列并构成邻居数数组e，设邻居数数组e中的第i个数值为Ni；
S503、若i大于邻居数数组e中元素的个数，则聚类完毕，输出所有的点迹类，否则执行步骤S504；
S504、获取邻居数数组e中第i个数值Ni，若Ni在邻居数数组e中已被访问过，则执行步骤S505，否则执行步骤S506；
S505、i＝i+1，跳转至步骤S503；
S506、记Ni为在邻居数数组e中已被访问过的数值；
S507、若Ni大于邻域最小点数MinPts，则将Ni所对应的CFAR检测点迹Ci判定为核心点，并继续执行步骤S508，否则将CFAR检测点迹Ci判定为噪声点，并跳转至步骤S505，Ci表示邻居数数组e中第i个数值所属于的CFAR检测点迹；
S508、计算修正后的邻域距离ri，利用CFAR检测点迹Ci在修正后的邻域距离ri范围内的所有邻居数据点构成数组Arri，并令变量k＝1，记数组Arri中的第k个数据点为Cik，修正后的邻域距离ri根据公式(6)、(7)、(8)、(9)计算得到：
Figure FDA0002325308750000031
Figure FDA0002325308750000032
Figure FDA0002325308750000033
Figure FDA0002325308750000034
其中，1≤i≤n，
Figure FDA0002325308750000035
为所有CFAR检测点迹中，CFAR检测点迹Ci包括自身在内的所有邻居数据点的幅度值的平均值；ki为CFAR检测点迹Ci的邻居数据点的个数；hij为CFAR检测点迹Ci的第j个邻居数据点幅度维的数值；Si为CFAR检测点迹Ci包括自身在内的所有邻居数据点的幅度维数值的标准差；hi为所有CFAR检测点迹中，CFAR检测点迹Ci的幅度维的数值；
S509、若k大于数组Arri中数据点的个数，则跳转至步骤S505，否则继续执行步骤S510；
S510、从数组Arri中取出第k个数据点Cik，若Cik在数组Arri中已被访问过，则跳转至步骤S513，否则将Cik记为在数组Arri中已被访问过的CFAR检测点迹，并继续执行步骤S511；
S511、若Cik的邻居数据点数量大于邻域最小点数MinPts，则继续执行步骤S512，否则跳转至步骤S513；
S512、将Cik不在数组Arri中的所有邻居数据点依次添加到数组Arri中最后一个元素的后面；
S513、若Cik还未分类，则将Cik与Ci分到一个点迹类中，并继续执行步骤S514，否则直接执行步骤S514；
S514、k＝k+1，跳转至步骤S509。
6.根据权利要求5所述基于密度聚类的目标检测点迹凝聚算法，其特征在于，所述步骤S6中，对CFAR检测点迹进行凝聚处理的公式如下：
Figure FDA0002325308750000041
Figure FDA0002325308750000042
Figure FDA0002325308750000043
Figure FDA0002325308750000044
其中，Av为第v个点迹类中的CFAR检测点迹在幅度维的质量中心凝聚点；
Avx为第v个点迹类中的第x个CFAR检测点迹在幅度维的数据值；
kv为第v个点迹类中的CFAR检测点迹总数；
Ov为第v个点迹类中的CFAR检测点迹在角度维的质量中心凝聚点；
Ovx为第v个点迹类中的第x个CFAR检测点迹在角度维的数据值；
Fv为第v个点迹类中的CFAR检测点迹在多普勒维的质量中心凝聚点；
Fvx为第v个点迹类中的第x个CFAR检测点迹在多普勒维的数据值；
Rv为第v个点迹类中的CFAR检测点迹在距离维的质量中心凝聚点；
Rvx为第v个点迹类中的第x个CFAR检测点迹在距离维的数据值。
CN201911313976.3A 2019-12-19 2019-12-19 一种基于密度聚类的目标检测点迹凝聚算法 Expired - Fee Related CN110988856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911313976.3A CN110988856B (zh) 2019-12-19 2019-12-19 一种基于密度聚类的目标检测点迹凝聚算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911313976.3A CN110988856B (zh) 2019-12-19 2019-12-19 一种基于密度聚类的目标检测点迹凝聚算法

Publications (2)

Publication Number Publication Date
CN110988856A true CN110988856A (zh) 2020-04-10
CN110988856B CN110988856B (zh) 2021-08-03

Family

ID=70095713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911313976.3A Expired - Fee Related CN110988856B (zh) 2019-12-19 2019-12-19 一种基于密度聚类的目标检测点迹凝聚算法

Country Status (1)

Country Link
CN (1) CN110988856B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269242A (zh) * 2021-05-18 2021-08-17 电子科技大学 一种基于峰值聚类的目标检测点迹凝聚方法
CN114740467A (zh) * 2022-04-27 2022-07-12 电子科技大学 基于幅度点迹的集群目标跟踪及数量、轮廓动态估计方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036146A (zh) * 2014-06-26 2014-09-10 中国电子科技集团公司第二十八研究所 一种用于雷达目标点迹凝聚的点迹聚类方法
CN107561518A (zh) * 2017-07-27 2018-01-09 中国船舶重工集团公司第七二四研究所 基于二维滑窗局部极值的三坐标雷达点迹凝聚方法
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
US20180066957A1 (en) * 2016-09-08 2018-03-08 Here Global B.V. Method and apparatus for providing trajectory bundles for map data analysis
WO2018195238A1 (en) * 2017-04-20 2018-10-25 The Feinstein Institute For Medical Research Systems and methods for real-time monitoring of physiological biomarkers through nerve signals and uses thereof
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
CN109242759A (zh) * 2018-07-16 2019-01-18 杭州电子科技大学 基于密度聚类的图收缩分组配准方法
CN109450574A (zh) * 2019-01-08 2019-03-08 北京交通大学 高铁通信网络中无线信道多径分簇方法和装置
CN109543704A (zh) * 2017-09-22 2019-03-29 比亚迪股份有限公司 汽车及车载雷达的多目标聚类方法、装置
CN109581378A (zh) * 2018-12-29 2019-04-05 中国科学院电子学研究所 动目标检测方法、电子设备及存储介质
CN109669990A (zh) * 2018-11-16 2019-04-23 重庆邮电大学 一种基于dbscan对密度不规则数据进行异常挖掘的改进算法
JP2019086464A (ja) * 2017-11-09 2019-06-06 株式会社東芝 レーダ装置及びそのレーダ信号処理方法
CN109960703A (zh) * 2019-03-26 2019-07-02 电子科技大学 用于大数据挖掘聚类的自适应pso-pfcm聚类方法
CN110263230A (zh) * 2019-04-25 2019-09-20 北京科技大学 一种基于密度聚类的数据清洗方法及装置
CN110493221A (zh) * 2019-08-19 2019-11-22 四川大学 一种基于聚簇轮廓的网络异常检测方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036146A (zh) * 2014-06-26 2014-09-10 中国电子科技集团公司第二十八研究所 一种用于雷达目标点迹凝聚的点迹聚类方法
US20180066957A1 (en) * 2016-09-08 2018-03-08 Here Global B.V. Method and apparatus for providing trajectory bundles for map data analysis
WO2018195238A1 (en) * 2017-04-20 2018-10-25 The Feinstein Institute For Medical Research Systems and methods for real-time monitoring of physiological biomarkers through nerve signals and uses thereof
CN107561518A (zh) * 2017-07-27 2018-01-09 中国船舶重工集团公司第七二四研究所 基于二维滑窗局部极值的三坐标雷达点迹凝聚方法
CN109543704A (zh) * 2017-09-22 2019-03-29 比亚迪股份有限公司 汽车及车载雷达的多目标聚类方法、装置
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
JP2019086464A (ja) * 2017-11-09 2019-06-06 株式会社東芝 レーダ装置及びそのレーダ信号処理方法
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
CN109242759A (zh) * 2018-07-16 2019-01-18 杭州电子科技大学 基于密度聚类的图收缩分组配准方法
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
CN109669990A (zh) * 2018-11-16 2019-04-23 重庆邮电大学 一种基于dbscan对密度不规则数据进行异常挖掘的改进算法
CN109581378A (zh) * 2018-12-29 2019-04-05 中国科学院电子学研究所 动目标检测方法、电子设备及存储介质
CN109450574A (zh) * 2019-01-08 2019-03-08 北京交通大学 高铁通信网络中无线信道多径分簇方法和装置
CN109960703A (zh) * 2019-03-26 2019-07-02 电子科技大学 用于大数据挖掘聚类的自适应pso-pfcm聚类方法
CN110263230A (zh) * 2019-04-25 2019-09-20 北京科技大学 一种基于密度聚类的数据清洗方法及装置
CN110493221A (zh) * 2019-08-19 2019-11-22 四川大学 一种基于聚簇轮廓的网络异常检测方法

Non-Patent Citations (18)

* Cited by examiner, † Cited by third party
Title
CHEN S，等: "Parameter selection algorithm of DBSCAN based on K-means two classification algorithm", 《THE JOURNAL OF ENGINEERING》 *
KELLNER D: "Grid-based DBSCAN for clustering extended objects in radar data", 《INTELLIGENT VEHICLES SYMPOSIUM》 *
LANG H，等: "Ship Detection in High-Resolution SAR Images by Clustering Spatially Enhanced Pixel Descriptor", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
LONG, YI-TAO，等: "Intelligent identification of multi-level nanopore signatures for accurate detection of cancer biomarkers", 《CHEMICAL COMMUNICATIONS》 *
QIN X，等: "Amplitude aiding dual-threshold clustering algorithm and its application to coherent radar", 《PROCEEDINGS OF 2013 2ND INTERNATIONAL CONFERENCE ON MEASUREMENT, INFORMATION AND CONTROL》 *
SHEN W，等: "Moving Target Detection with Modified Logarithm Background Subtraction and Its Application to the GF-3 Spotlight Mode", 《REMOTE SENSING》 *
WAGNER, THOMAS，等: "Order Statistics Based Multidimensional Clustering Scheme for FMCW Radar Targets", 《MICROWAVE CONFERENCE. VDE》 *
周治平, 等: "一种改进的自适应快速AF-DBSCAN聚类算法", 《智能系统学报》 *
徐鹏: "航管一次雷达点迹凝聚方法研究", 《电子世界》 *
曹希: "基于复杂网络理论的航路网络生成及优化", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
李群, 等: "基于DBSCAN的最优密度文本聚类算法", 《计算机工程与设计》 *
李超: "基于融合网络架构的铁路异物侵限及自然灾害预警系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王实美: "基于DBSCAN的自适应非均匀密度聚类算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
贺颖: "多源异质传感器决策层融合算法及其应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
赵梁滨，等: "基于DBSCAN算法的船舶轨迹自适应层次聚类", 《中国航海》 *
赵琨: "基于雷达视频的点迹凝聚方法及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
郑正扬: "基于三维激光雷达的智能汽车障碍物检测与跟踪", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
金加根: "基于元数据的雷达目标检测和跟踪研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269242A (zh) * 2021-05-18 2021-08-17 电子科技大学 一种基于峰值聚类的目标检测点迹凝聚方法
CN113269242B (zh) * 2021-05-18 2022-03-08 电子科技大学 一种基于峰值聚类的目标检测点迹凝聚方法
CN114740467A (zh) * 2022-04-27 2022-07-12 电子科技大学 基于幅度点迹的集群目标跟踪及数量、轮廓动态估计方法
CN114740467B (zh) * 2022-04-27 2023-05-26 电子科技大学 基于幅度点迹的集群目标跟踪及数量、轮廓动态估计方法

Also Published As

Publication number Publication date
CN110988856B (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
CN108490410B (zh) 一种两坐标雷达对海目标联合检测跟踪方法
CN111624567B (zh) 一种恒虚警检测方法及装置
CN110988856B (zh) 一种基于密度聚类的目标检测点迹凝聚算法
CN108181620B (zh) 一种三坐标雷达点迹质量评估方法
CN110058222B (zh) 一种基于传感器选择的双层粒子滤波检测前跟踪方法
CN109521420B (zh) 基于多特征匹配的多目标跟踪方法
JP2010181272A (ja) レーダ信号処理装置とその目標判定方法
CN104062651A (zh) 一种基于g0杂波背景及恒定目标幅度的检测前跟踪方法
CN104680536A (zh) 利用改进的非局部均值算法对sar图像变化的检测方法
CN110261828B (zh) 基于距离-角误差二维聚类的横向干扰判定方法
US10378937B2 (en) Dynamic clustering of transient signals
CN111999726A (zh) 一种基于毫米波雷达的人员定位方法
CN114994656A (zh) 一种基于毫米波雷达的室内人员跟踪方法
CN111610428B (zh) 一种基于响应混叠性度量小波包分解算法的参数优化方法
CN117054998A (zh) 一种基于信息熵背景平稳度的集群目标检测方法和系统
CN107729903A (zh) 基于区域概率统计和显著性分析的sar图像目标检测方法
CN109239677B (zh) 一种环境自适应恒虚警检测门限确定方法
CN112395920A (zh) 基于雷达的姿态识别装置、方法以及电子设备
CN107315169B (zh) 基于二阶统计量相似度的杂波协方差矩阵估计方法
Dai et al. Clustering of DOA data in radar pulse based on SOFM and CDbw
Ivković et al. False alarm analysis of the CATM-CFAR in presence of clutter edge
CN110377798B (zh) 基于角度熵的离群点检测方法
CN104820213B (zh) 一种基于动态剔除的搜索跟踪雷达方向图估计方法
CN112763989B (zh) 一种基于cdif的抖动信号分选方法
CN107561498B (zh) 一种基于多路预置卷积器的线性调频信号快速识别方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210803

Termination date: 20211219

CF01 Termination of patent right due to non-payment of annual fee