CN111929676A - 一种基于密度聚类的x波段雷达目标检测与跟踪方法 - Google Patents

Abstract

本发明涉及一种基于密度聚类的X波段雷达目标检测与跟踪方法，包括以下步骤：1)获得极坐标下雷达的点云数据，将点云数据从极坐标转化为笛卡尔坐标，并引入船体位置和艏向修正，得到全局坐标系下的雷达点云数据；2)采用DBSCAN聚类算法，根据每个点之间的疏密程度将距离相近的点分为一组，输出不同的点云集合，获得每个点云集合的最小包络圆，最小包络圆即代表雷达的探测目标；3)对探测目标与已有目标作最优数据联合，并估计目标的位置和速度，实现多目标跟踪。与现有技术相比，本发明有效提高了雷达目标检测和跟踪的准确性和稳定性，可提供准确的目标位置、速度和大小信息，从而为船舶安全导航和避碰提供了可靠的参考依据。

Description

一种基于密度聚类的X波段雷达目标检测与跟踪方法

技术领域

本发明涉及无人艇感知技术领域，尤其是涉及一种基于密度聚类的X波段雷达目标检测与跟踪方法。

背景技术

X波段雷达对保障海上航行安全具有十分重要的意义，其受到天气和光照的影响较小，并能在拥挤水道时能辅助航行和避碰，虽然现有的技术能够实时探测与显示船舶周围的障碍物，但依靠人工观察与标绘获得障碍物目标位置和大小往往存在效率低、延迟高、精度低等缺点。

利用计算机技术对雷达数据进行处理，实现自动检测目标，并获得目标的位置、航向和航速。同时结合自身船体的位置和速度，预测自身与目标碰撞点的位置以及碰撞发生的时间，并给出避让的提示。然而这项技术在可靠性和精确性等方面有一定的局限性。因而研究开发一种高精度、高可靠性、高实时性的系统的X波段雷达感知算法，对提高航行的安全性具有很大的实用价值。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于密度聚类的X波段雷达目标检测与跟踪方法。

本发明的目的可以通过以下技术方案来实现：

一种基于密度聚类的X波段雷达目标检测与跟踪方法，包括以下步骤：

1)根据雷达接收机输出的数字信号，获得极坐标下雷达的点云数据，将点云数据从极坐标转化为笛卡尔坐标，并引入船体位置和艏向修正，得到全局坐标系下的雷达点云数据；

2)对全局坐标系下的雷达点云数据采用DBSCAN聚类算法，根据每个点之间的疏密程度将距离相近的点分为一组，输出不同的点云集合，通过Welzl算法获得每个点云集合的最小包络圆，并计算每个包络圆的位置和直径，所述的最小包络圆即代表雷达的探测目标；

3)对探测目标与已有目标进行最优数据关联，并利用Alpha-Beta滤波器估计目标的位置和速度，实现多目标跟踪。

所述的步骤1)中，在雷达每一轮扫描过程中，船体的位置和艏向保持不变，则有：

其中，θ_s和ρ为极坐标系下雷达扫描数据的角度和距离，(x_r，y_r)^T为雷达相对于船体重心的坐标，(x_s，y_s)^T和(x_CoG，y_CoG)^T分别为雷达点云数据和船体重心在全局坐标系下的坐标，θ为船体的艏向角。

所述的步骤2)中，以样本集D＝(x₁，x₂，...，x_m)、领域参数(∈，MinPts)和样本距离度量方式作为DBSCAN聚类算法的输入，以簇划分C作为DBSCAN聚类算法的输出，其中，x_m表示第m个雷达点云数据在全局坐标系下的坐标，所述的DBSCAN聚类算法具体包括以下步骤：

21)初始化核心对象集合

初始化聚类簇数的类别序号k＝0，初始化未访问样本集合Γ＝D，簇划分

22)对于p＝1，2，...，m，获取所有的核心对象；

23)当核心对象集合

则结束，否则转入步骤24)；

24)在核心对象集合Ω中，随机选择一个核心对象o，并初始化当前簇核心对象队列Ω_cur＝{o}，初始化聚类簇数的类别序号k＝k+1，初始化当前簇样本集合C_k＝{o}，更新未访问样本集合Γ＝Γ-{o}；

25)若当前簇核心对象队列

则当前聚类簇C_k生成完毕，更新簇划分C＝{C₁，C₂，...，C_k}，即点云集合，更新核心对象集合Ω＝Ω-C_k，返回步骤3)，否则更新核心对象集合Ω＝Ω-C_k；

26)在当前簇核心对象队列Ω_cur中取出一个核心对象o′，通过邻域距离阈值∈获取所有的∈-邻域子样本集N_∈(o′)，并获取邻域子样本集与未访问样本集合的交集Δ＝N_∈(o′)∩Γ，更新当前簇样本集合C_k＝C_k∪Δ，更新未访问样本集合Γ＝Γ-Δ，更新Ω_cur＝Ω_cur∪(Δ∩Ω)-o′，返回步骤25)。

所述的步骤22)具体为：

221)通过距离度量方式获取样本x_p的∈领域子样本集N_∈(x_p)；

222)当子样本集样本个数满足|N_∈(x_p)|≥MinPts时，则将样本x_p加入核心对象样本集合Ω＝Ω∪{x_p}。

所述的步骤3)具体包括以下步骤：

31)将上一时刻的探测目标与当前时刻的对应的探测目标进行关联；

32)采用Alpha-Beta滤波器获得关联后的探测目标在平面上的最优状态，得到探测目标当前时刻估计的位置和速度。

所述的步骤31)中，定义参数v_j0和

分别为上一时刻第j个探测目标的速度向量和半径，变量

为当前时刻第i个探测目标的半径，v_ji为利用第i个探测目标的位置估算出的第j个目标的速度，当上一时刻第j个探测目标的速度v_j0的范数||v_j0||₂小于速度阈值V_T时，则针对速度向量v_ji舍弃以下两种情况：

速度的范数||v_ji||₂大于最大速度V_max以及加速度的范数||v_j0-v_ji||₂大于最大加速度a_max，对于没有被舍弃的速度向量，则计算惩罚函数，获取所有惩罚函数中的最小惩罚项，即将上一时刻的探测目标j与当前时刻的对应的探测目标进行关联。

所述的惩罚函数L(i，j)的计算式为：

其中，

为上一时刻第j个探测目标的半径，k_R、k_V均为惩罚常数，||·||₂和|·|分别表示欧几里得范数和绝对值运算。

所述的步骤31)中，定义参数v_j0和

分别为上一时刻第j个探测目标的速度向量和半径，变量

为当前时刻第i个探测目标的半径，v_ji为利用第i个探测目标的位置估算出的第j个目标的速度，当上一时刻第j个探测目标的速度v_j0的范数||v_j0||₂大于速度阈值V_T时，则针对速度向量v_ji舍弃以下三种情况：

速度的范数||v_ji||₂大于最大速度V_max、加速度的范数||v_j0-v_ji||₂大于最大加速度a_max以及速度变化方向|∠(v_j0，v_ji)|大于最大角速度，对于没有被舍弃的速度向量，则计算惩罚函数，获取所有惩罚函数中的最小惩罚项，即将上一时刻的探测目标j与当前时刻的对应的探测目标进行关联。

所述的惩罚函数L(i，j)的计算式为：

其中，

为上一时刻第j个探测目标的半径，k_R、k_V、k_A为均为惩罚常数，||·||₂和|·|分别表示欧几里得范数和绝对值运算

所述的步骤32)中，假定探测目标的运动模型为线性，采用Alpha-Beta滤波器获得关联后的探测目标在平面上的最优状态，假定上一时刻的估计位置和速度分别为

和

则有：

其中，x_q为当前时刻探测目标测量得到的位置，

分别为当前时刻探测目标的估计位置和速度，α、β为Alpha-Beta滤波器常数，ΔT为时间步长。

与现有技术相比，本发明具有以下优点：

一、本发明通过DBSCAN算法，根据雷达点云数据的密度，将二维平面的离散点云聚类成每个目标所反射的点云集合，有效提高了目标检测的精度。

二、本发明通过最优数据联合算法，基于惩罚函数的思路约束目标跟新的最大速度、最大加速度和半径增量，从而获得最有可能的目标匹配，适用于多个目标的跟踪与定位。

三、本发明通过Alpha-Beta滤波器，有效减少状态估计器的计算复杂度，同时减少可调节的参数，使得算法简单可靠。

附图说明

图1为本发明X波段雷达坐标转换与运动补偿示意图。

图2为本发明的方法流程图。

图3为本发明实施例中试验场景示意图。

图4为本发明实施例中目标跟踪结果示意图。

具体实施方式

下面结合附图对本发明的实施例作详细的说明：本实施例在以本发明技术方案为前提下进行实施，给出详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。

如图1和2所示，本发明提供一种基于密度聚类的X波段雷达目标检测与跟踪方法，包括以下步骤：

(1)通过雷达接收机输出的数字信号，获得极坐标下雷达的点云数据。将点云数据从极坐标转化为笛卡尔坐标，并引入船体位置和艏向修正，得到全局坐标系下的雷达点云数据；

步骤(1)具体为：

由于雷达每一轮扫描的时间间隔较短，假设在每一轮扫描过程中，船体的位置和艏向保持不变。同时我们只考虑二维平面的坐标转换，

其中，θ_s和ρ表示雷达扫描数据的角度和距离。向量(x_r，y_r)^T表示雷达相对于船体重心的坐标，而向量(x_s，y_s)^T和(x_CoG，y_CoG)^T表示雷达扫描数据和重心在全局坐标系下的坐标。

(2)对点云数据采用DBSCAN聚类算法，根据每个点之间的疏密程度将距离相近的点分为一组，输出不同的点云集合；通过Welzl算法获得每一个点云集合的最小包络圆，并计算每一个圆的位置和直径。这个最小包络圆即代表雷达所探测得目标。

步骤(2)具体为：

(21)对点云数据采用DBSCAN聚类算法，根据每个点之间的疏密程度将距离相近的点分为一组，输出不同的点云集合，该算法步骤如下

输入：样本集D＝(x₁，x₂，...，x_m)，领域参数(∈，MinPts)，样本距离度量方式

输出：簇划分C

1)初始化核心对象集合

初始化聚类簇数k＝0，初始化未访问样本集合Γ＝D，簇划分

2)对于j＝1，2，...，m，按下面的步骤找出所有的核心对象：

21)通过距离度量方式，找到样本x_j的∈领域子样本集N_∈(x_j)

22)如果子样本集样本个数满足|N_∈(x_j)|≥MinPts，将样本x_j加入核心对象样本集合Ω＝Ω∪{x_j}；

3)如果核心对象集合

则算法结束，否则转入步骤4；

4)在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇核心对象队列Ω_cur＝{o}，初始化类别序号k＝k+1，初始化当前簇样本集合C_k＝{o}，更新未访问样本集合Γ＝Γ-{o}；

5)如果当前簇核心对象队列

则当前聚类簇C_k生成完毕，更新簇划分C＝{C₁，C₂，...，C_k}，更新核心对象集合Ω＝Ω-C_k，转入步骤3。否则更新核心对象集合Ω＝Ω-C_k；

6)在当前簇核心对象队列Ω_cur中取出一个核心对象o′，通过邻域距离阈值∈找出所有的∈-邻域子样本集N_∈(o′)，令Δ＝N_∈(o′)∩Γ，更新当前簇样本集合C_k＝C_k∪Δ，更新未访问样本集合Γ＝Γ-Δ，更新Ω_cur＝Ω_cur∪(Δ∩Ω)-o′，转入步骤5；

输出结果为：簇划分C＝{C₁，C₂，...，C_k}，即为点云集合；

(22)通过Welzl算法获得每一个点云集合的最小包络圆，并计算每一个圆的位置和直径，这个最小包络圆即代表雷达所探测得目标。

(3)对探测目标与已有目标作最优数据联合算法，并利用Alpha-Beta滤波器估计目标的位置和速度，实现多目标跟踪。

具体为：

(31)给定v_j0和

为上个时刻的第j个目标的速度向量和半径。变量

表示第i个探测目标的半径，v_ji表示利用第i个探测目标的位置估算第j个目标的速度；使得||·||₂和|·|分别代表欧几里得范数和绝对值，具体步骤如下：

311)定义参数v_j0和

分别为上一时刻第j个探测目标的速度向量和半径，变量

为当前时刻第i个探测目标的半径，v_ji为利用第i个探测目标的位置估算出的第j个目标的速度，||·||₂和|·|分别表示欧几里得范数和绝对值运算；

312)获取上一时刻第j个探测目标的速度v_j0的范数||v_j0||₂，若范数||v_j0||₂小于速度阈值V_T，则根据速度向量v_ji舍弃以下两种情况：

速度的范数||v_ji||₂大于最大速度V_max或者加速度的范数||v_j0-v_ji||₂大于最大加速度a_max，对于没有被舍弃的速度向量，则计算惩罚函数：

获取所有惩罚函数中的最小惩罚项，即将上一时刻的探测目标j与当前时刻的对应的探测目标进行关联。

313)如果范数||v_j0||₂大于速度阈值V_T，则根据速度向量v_ji舍弃以下三种情况：

速度的范数||v_ji||₂大于最大速度V_max、加速度的范数||v_j0-v_ji||₂大于最大加速度a_max或者速度变化方向|∠(v_j0，v_ji)|大于最大角速度，对于没有被舍弃的速度向量，则计算惩罚函数：

获取所有惩罚函数中的最小惩罚项，即将上一时刻的探测目标j与当前时刻的对应的探测目标进行关联。

314)假定探测目标的运动模型是线性的，采用Alpha-Beta滤波器获得关联后的探测目标在平面上的最优状态，假定上一时刻的估计位置和速度分别为

和

则有：

其中，x_k表示当前时刻测量得到的位置。

实施例：

实验设置在一条长为100米，宽为50米的弯曲河道中(如图3所示)，需要雷达识别的目标一共有两条船，其中一条用锚链单点系泊，另一条船以一定的速度沿直线运动。

对航海雷达扫描得到得数据进行预处理并可视化，得到如图4所示的雷达数据散点图，然后通过DBSCAN聚类算法，根据每个点之间的疏密程度将距离相近的点分为一组，输出不同的点云集合；通过Welzl算法获得每一个点云集合的最小包络圆，并计算每一个圆的位置和直径，图4中蓝色圆形表示探测得到的目标。

最后对探测目标与已有目标作最优数据联合算法，并利用Alpha-Beta滤波器估计目标的位置和速度，实现多目标跟踪，图4中红色圆圈表示跟踪得到的目标。每次雷达扫描之后，该算法所需的计算时间的平均值为100毫秒，满足实时性的要求。

上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (10)

1.一种基于密度聚类的X波段雷达目标检测与跟踪方法，其特征在于，包括以下步骤：

1)根据雷达接收机输出的数字信号，获得极坐标下雷达的点云数据，将点云数据从极坐标转化为笛卡尔坐标，并引入船体位置和艏向修正，得到全局坐标系下的雷达点云数据；

2)对全局坐标系下的雷达点云数据采用DBSCAN聚类算法，根据每个点之间的疏密程度将距离相近的点分为一组，输出不同的点云集合，通过Welzl算法获得每个点云集合的最小包络圆，并计算每个包络圆的位置和直径，所述的最小包络圆即代表雷达的探测目标；

3)对探测目标与已有目标进行最优数据关联，并利用Alpha-Beta滤波器估计目标的位置和速度，实现多目标跟踪。

2.根据权利要求1所述的一种基于密度聚类的X波段雷达目标检测与跟踪方法，其特征在于，所述的步骤1)中，在雷达每一轮扫描过程中，船体的位置和艏向保持不变，则有：

其中，θ_s和ρ为极坐标系下雷达扫描数据的角度和距离，(x_r，y_r)^T为雷达相对于船体重心的坐标，(x_s，y_s)^T和(x_CoG，y_CoG)^T分别为雷达点云数据和船体重心在全局坐标系下的坐标，θ为船体的艏向角。

3.根据权利要求1所述的一种基于密度聚类的X波段雷达目标检测与跟踪方法，其特征在于，所述的步骤2)中，以样本集D＝(x₁，x₂，...，x_m)、领域参数(∈，MinPts)和样本距离度量方式作为DBSCAN聚类算法的输入，以簇划分C作为DBSCAN聚类算法的输出，其中，x_m表示第m个雷达点云数据在全局坐标系下的坐标，所述的DBSCAN聚类算法具体包括以下步骤：

21)初始化核心对象集合

初始化聚类簇数的类别序号k＝0，初始化未访问样本集合Γ＝D，簇划分

22)对于p＝1，2，...，m，获取所有的核心对象；

23)当核心对象集合

则结束，否则转入步骤24)；

24)在核心对象集合Ω中，随机选择一个核心对象o，并初始化当前簇核心对象队列Ω_cur＝{o}，初始化聚类簇数的类别序号k＝k+1，初始化当前簇样本集合C_k＝{o}，更新未访问样本集合Γ＝Γ-{o}；

25)若当前簇核心对象队列

则当前聚类簇C_k生成完毕，更新簇划分C＝{C₁，C₂，...，C_k}，即点云集合，更新核心对象集合Ω＝Ω-C_k，返回步骤3)，否则更新核心对象集合Ω＝Ω-C_k；

26)在当前簇核心对象队列Ω_cur中取出一个核心对象o′，通过邻域距离阈值∈获取所有的∈-邻域子样本集N_∈(o′)，并获取邻域子样本集与未访问样本集合的交集Δ＝N_∈(o′)∩Γ，更新当前簇样本集合C_k＝C_k∪Δ，更新未访问样本集合Γ＝Γ-Δ，更新Ω_cur＝Ω_cur∪(Δ∩Ω)-o′，返回步骤25)。

4.根据权利要求3所述的一种基于密度聚类的X波段雷达目标检测与跟踪方法，其特征在于，所述的步骤22)具体为：

221)通过距离度量方式获取样本x_p的∈领域子样本集N_∈(x_p)；

222)当子样本集样本个数满足|N_∈(x_p)|≥MinPts时，则将样本x_p加入核心对象样本集合Ω＝Ω∪{x_p}。

5.根据权利要求1所述的一种基于密度聚类的X波段雷达目标检测与跟踪方法，其特征在于，所述的步骤3)具体包括以下步骤：

31)将上一时刻的探测目标与当前时刻的对应的探测目标进行关联；

32)采用Alpha-Beta滤波器获得关联后的探测目标在平面上的最优状态，得到探测目标当前时刻估计的位置和速度。

6.根据权利要求5所述的一种基于密度聚类的X波段雷达目标检测与跟踪方法，其特征在于，所述的步骤31)中，定义参数v_j0和

分别为上一时刻第j个探测目标的速度向量和半径，变量

为当前时刻第i个探测目标的半径，v_ji为利用第i个探测目标的位置估算出的第j个目标的速度，当上一时刻第j个探测目标的速度v_j0的范数||v_j0||₂小于速度阈值V_T时，则针对速度向量v_ji舍弃以下两种情况：

速度的范数||v_ji||₂大于最大速度V_max以及加速度的范数||v_j0-v_ji||₂大于最大加速度a_max，对于没有被舍弃的速度向量，则计算惩罚函数，获取所有惩罚函数中的最小惩罚项，即将上一时刻的探测目标j与当前时刻的对应的探测目标进行关联。

7.根据权利要求6所述的一种基于密度聚类的X波段雷达目标检测与跟踪方法，其特征在于，所述的惩罚函数L(i，j)的计算式为：

其中，

为上一时刻第j个探测目标的半径，k_R、k_V均为惩罚常数，||·||₂和|·|分别表示欧几里得范数和绝对值运算。

8.根据权利要求5所述的一种基于密度聚类的X波段雷达目标检测与跟踪方法，其特征在于，所述的步骤31)中，定义参数v_j0和

分别为上一时刻第j个探测目标的速度向量和半径，变量

为当前时刻第i个探测目标的半径，v_ji为利用第i个探测目标的位置估算出的第j个目标的速度，当上一时刻第j个探测目标的速度v_j0的范数||v_j0||₂大于速度阈值V_T时，则针对速度向量v_ji舍弃以下三种情况：

速度的范数||v_ji||₂大于最大速度V_max、加速度的范数||v_j0-v_ji||₂大于最大加速度a_max以及速度变化方向|∠(v_j0，v_ji)|大于最大角速度，对于没有被舍弃的速度向量，则计算惩罚函数，获取所有惩罚函数中的最小惩罚项，即将上一时刻的探测目标j与当前时刻的对应的探测目标进行关联。

9.根据权利要求8所述的一种基于密度聚类的X波段雷达目标检测与跟踪方法，其特征在于，所述的惩罚函数L(i，j)的计算式为：

其中，

为上一时刻第j个探测目标的半径，k_R、k_V、k_A为均为惩罚常数，||·||₂和|·|分别表示欧几里得范数和绝对值运算。

10.根据权利要求5所述的一种基于密度聚类的X波段雷达目标检测与跟踪方法，其特征在于，所述的步骤32)中，假定探测目标的运动模型为线性，采用Alpha-Beta滤波器获得关联后的探测目标在平面上的最优状态，假定上一时刻的估计位置和速度分别为

和

则有：

其中，x_q为当前时刻探测目标测量得到的位置，

分别为当前时刻探测目标的估计位置和速度，α、β为Alpha-Beta滤波器常数，ΔT为时间步长。

Images