CN112612011A - 基于kd-树空间搜索的dbscan生命探测雷达点迹凝聚方法和系统 - Google Patents

基于kd-树空间搜索的dbscan生命探测雷达点迹凝聚方法和系统 Download PDF

Info

Publication number
CN112612011A
CN112612011A CN202011553750.3A CN202011553750A CN112612011A CN 112612011 A CN112612011 A CN 112612011A CN 202011553750 A CN202011553750 A CN 202011553750A CN 112612011 A CN112612011 A CN 112612011A
Authority
CN
China
Prior art keywords
point
points
tree
eps
life 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
CN202011553750.3A
Other languages
English (en)
Other versions
CN112612011B (zh
Inventor
包敏
暴亚豪
范龙飞
刘宗元
樊松松
史林
邢孟道
李亚超
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202011553750.3A priority Critical patent/CN112612011B/zh
Publication of CN112612011A publication Critical patent/CN112612011A/zh
Application granted granted Critical
Publication of CN112612011B publication Critical patent/CN112612011B/zh
Active 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
    • 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
    • G01S7/411—Identification of targets based on measurements of radar reflectivity

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

本发明公开了一种基于KD‑树空间搜索的DBSCAN生命探测雷达点迹凝聚方法和系统，所述方法包括：获得生命探测雷达原始回波图像并利用所述原始回波图像的目标像素点创建KD‑树；利用所述KD‑树搜索树中每一点p的Eps邻域半径内的子样本集合；根据所述子样本集合获得p点的聚类簇；遍历所述原始回波图像中未判断的点，直到所有点判断结束，获得所述原始回波图像的聚类后图像；对所述聚类后图像做点迹凝聚处理，以获得点迹凝聚结果。本发明的方法在邻域查询过程中，只需遍历KD‑树中有限数量的路径，减少了目标点迹的聚类时间，极大地提高了点迹凝聚效率，有效满足雷达系统处理的实时性要求。

Description

基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法和 系统
技术领域
本发明属于雷达点迹凝聚技术领域，具体涉及一种基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法和系统。
背景技术
生命探测雷达是一种特殊的雷达，其不需要电极和传感器接触生命体，而是间隔一定的距离穿透非金属介质获取目标区域人体的呼吸和心跳信息。雷达发射的电磁波穿透介质照射到人体，受到人体体表微动的多普勒调制，对后向散射回波做相干处理可检测出回波中的多普勒信息，经放大滤波后可获得人的呼吸和心跳信息，由于该技术不受环境温度、热物体和声音干扰等优点，被广泛应用于地震、坍塌、建筑物倒塌下的废墟救援，反恐行动中对人员情况的掌握，生物医疗中对人体呼吸心跳信号的检测等领域。
早期雷达由于其分辨率较低，雷达目标仅由一个或少数几个点组成，目标点迹凝聚处理运算量相对较少。近些年，随着生命探测雷达系统向多发多收大实孔径阵列发展，并采用超宽带雷达体制及目标成像算法，使得目标成像后结果不再是点目标，而是围绕目标真实位置的点迹簇。高分辨率的雷达系统通常数据量较大，为了满足雷达高数据率的处理要求，需要尽可能快地对雷达数据进行凝聚处理。传统点迹凝聚算法对目标形状要求较高，其自适应窗宽并不能完全适应所有目标的形状，得到目标凝聚点迹的估值精度不够，远不能满足高分辨生命探测雷达目标凝聚处理的实时性与凝聚结果的精确性要求。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法和系统。本发明要解决的技术问题通过以下技术方案实现：
本发明的一个方面提供了一种基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法，包括：
S1：获得生命探测雷达原始回波图像并利用所述原始回波图像的目标像素点创建KD-树；
S2：利用所述KD-树搜索树中任一点p的Eps邻域半径内的子样本集合；
S3：根据所述子样本集合获得p点的聚类簇；
S4：重复S2至S3，遍历所述原始回波图像中未判断的点，直到所有点判断结束，获得所述原始回波图像的聚类后图像；
S5：对所述聚类后图像做点迹凝聚处理，以获得点迹凝聚结果。
在本发明的一个实施例中，所述S1包括：
S11：获取所述原始回波图像中所有的像素点坐标；
S12：计算所有像素点坐标在两个维度上的数据方差，获得最大方差值；
S13：选取最大方差值所在维度作为分割维Split-dim；
S14：在所述分割维Split-dim上对所述原始回波图像的所有像素点进行排序，取像素点中值作为KD-树超平面的分割点xk；
S15：将所述原始回波图像除分割点xk之外的所有像素点中，第Split-dim维小于等于xk的像素点划分到左子树，其余划分到右子树；
S16：对所述左子树和所述右子树中的像素点重复执行S12至S15，直至只包含一个像素点，获得KD-树。
在本发明的一个实施例中，所述S2包括：
S21：从所述KD-树的根节点开始，深度优先搜索至叶子节点，并在堆栈中顺序存储已访问的节点；
S22：检测所述叶子节点是否在p点的Eps邻域半径内，若是，则将所述叶子节点加入p点的子样本集合；
S23：从所述叶子节点通过堆栈进行回溯，若正在判断的当前点与p点的距离在Eps邻域半径内，则将所述当前点加入p点的子样本集合；
S24：判断以p点为圆心，Eps为半径的圆是否与所述当前点的父节点的超平面相交，若是，则在所述父节点的另一侧继续搜索Eps邻域半径内的节点，若否，则将父节点的另一侧子节点舍弃并继续向上回溯；
S25：当搜索回溯至所述根节点，搜索完成，得到Eps-邻域半径内的子样本集合NEps(p)。
在本发明的一个实施例中，所述S3包括：
S31：判断p点的Eps邻域半径是否满足|NEps(p)|≥MinPts，若是，则将p点标记为核心点，形成包含p点及其Eps邻域中所有点的聚类簇，其中，MinPts为给定阈值；
S32：遍历p点Eps邻域半径内的所有点，获得p点的所有密度可达的点并加入所述聚类簇。
在本发明的一个实施例中，所述S32包括：
S321：获得p点Eps邻域半径内的q点，若q点未被判断且满足|NEps(q)|≥MinPts，则将q点的Eps邻域半径内所有未判断的点加入所述聚类簇；
S322：重复执行，遍历p点Eps邻域半径内的所有点，获得p点的所有密度可达的点并加入所述聚类簇。
本发明的另一方面提供了一种基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚系统，其特征在于，所述生命探测雷达点迹凝聚系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的生命探测雷达点迹凝聚程序，所述生命探测雷达点迹凝聚程序被所述处理器执行时实现如上述实施例中任一项所述的方法的步骤。
本发明的另一方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有生命探测雷达点迹凝聚程序，所述生命探测雷达点迹凝聚程序被处理器执行时实现如上述实施例中任一项所述生命探测雷达点迹凝聚方法的步骤。
与现有技术相比，本发明的有益效果在于：
本发明基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法，通过空间搜索算法减少了Eps-邻域的查询次数，将处理时间复杂度降到O(nlogn)，只需遍历KD-树中有限数量的路径，从而减少目标点迹的聚类时间，极大地提高点迹凝聚效率，从而更能满足生命探测雷达系统处理的实时性要求。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法的流程图；
图2是本发明实施例提供的一种KD-树创建过程的流程图；
图3是本发明实施例提供的一种原始回波图像经过二值化预处理的图像；
图4示意性地示出了DBSCAN算法的Eps-邻域、核心点、噪点的示意图；
图5示意性地示出了DBSCAN算法的直接密度可达、密度可达和密度相连的示意图；
图6是图3中的图像的聚类后图像；
图7是图6中的图像的点迹凝聚结果图像；
图8是参数(Eps,MinPts)为(1.5,5)时不同数据量时两种方法运行时间对比折线图；
图9是参数(Eps,MinPts)为(3.5,35)时不同数据量时两种方法运行时间对比折线图。
具体实施方式
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的一种基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法和系统进行详细说明。
有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
实施例一
请参见图1，图1是本发明实施例提供的一种基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法的流程图。该方法包括：
S1：获得生命探测雷达原始回波图像并利用所述原始回波图像的目标像素点创建KD-树；
KD-树(K-Dimension Tree)是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构，广泛应用于高维空间的数据查询和索引(范围搜索和最近邻搜索)。KD-树中的每个节点对应于多维空间的一个超矩形。设D维空间中，在k维度对数据集进行划分，h∈[kmin,kmax]，kmin表示超矩形第k维的下界，kmax表示上界，该空间被一个正交于第k维的分割超平面划分为两个子空间，分割超平面为：
H＝{|x∈RD；xk＝h|}
被超平面H划分后的两个子空间Rl和Rr分别表示为：
Figure BDA0002857901460000061
假设x表示样本集中的任意一个D维样本点，则R-Range表示包含样本点的节点所对应的数据空间。垂直于Split-dim(分割维)且通过样本点x的分割超平面，将数据空间划分成两个更小的子空间。Split-dim为k时，如果R-Range中某个样本点第k维的数据小于x[k]，则该数据点就被划分到左子空间中去，反之，则划分到右子空间中。Rl，Rr分别表示左子空间和右子空间包含的所有样本点构成的KD-树。KD-树每个节点的数据结构如下表1所示。
表1 KD-树每个节点的数据结构
变量 数据类型 描述
x 数据向量 数据集中某个样本点，D维向量
R-Range 空间向量 该节点包含的样本点构成的超矩形
Split-dim 整数 垂直于超平面的分割维索引
R<sub>l</sub> KD-树 该节点分割超平面左子空间内包含的所有样本点构成的KD-树
R<sub>r</sub> KD-树 该节点分割超平面右子空间内包含的所有样本点构成的KD-树
Parent KD-树 父节点
在本实施例中，在方差最大维度对所述原始回波图像的像素点集进行划分，在该维度对像素电极进行分割可以获得较好的分辨率及平衡性。当划分维度被选定后，为了节省建树时间，直接将划分特征对应维的中点作为分割点，实践证明该方式可以取得很好的性能。
通常，KD-树的构造规则如下：
(1)每一层的分割维度相同，随着树深度的增加，循环的选取Split-dim作为分割超平面的法向量。具体地，根节点选取x轴，根节点的孩子选取y轴，根节点的孙子选取x轴，这样循环下去。
(2)每次均为分割维的中位数对应的数据点作为超平面的分割点，分割点作为父节点，左右两侧均为划分的左右子树。
在上述描述的基础上，请参见图2和图3，图2是本发明实施例提供的一种KD-树创建过程的流程图，图3是本发明实施例提供的一种原始回波图像经过二值化预处理的图像。需要说明的是，在创建KD-树之前，所述原始回波图像经二值化预处理，也即数据只有0和1，假如1为目标像素点，则本步骤仅对1建立KD-树，搜索也只需要对这些目标反射回来的回波进行处理。
步骤S1具体包括：
S11：获取所述原始回波图像中所有目标像素点的像素点坐标；
S12：计算所有像素点坐标在两个维度上的数据方差，获得最大方差值；
S13：选取最大方差值所在维度作为分割维Split-dim；
S14：在所述分割维Split-dim上对所述原始回波图像的所有像素点进行排序，取像素点中值作为KD-树超平面的分割点xk；
S15：将所述原始回波图像除分割点xk之外的所有像素点中，第Split-dim维小于等于xk的像素点划分到左子树，其余划分到右子树；
S16：对所述左子树和所述右子树中的像素点重复执行S12至S15，直至只包含一个像素点，获得KD-树。
需要说明的是，对于k维数据来说，建立KD-树的时间复杂度为O(k*nlogn)，因此KD算法的时间复杂度为O(nlogn)，其中，n为图像中包含的像素点个数。
S2：利用所述KD-树搜索所述KD-树中任一点p的Eps邻域半径内的子样本集合；
在本步骤中，将KD-树用于DBSCAN凝聚算法中，通过空间搜索算法减少了Eps-邻域的查询次数。
首先，需要说明的是，DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)是一种在具有噪声的数据集中，基于密度对数据集进行划分的空间聚类算法，其思想是：对于簇中的每个对象，Eps-邻域中的对象个数必须大于等于某个给定的阈值MinPts。与一般的聚类算法不同，DBSCAN算法不需要人为指定聚类个数和聚类中心，根据对象的密度分布情况，将人为设定的一定密度的样本集划分为不同的类簇，具有一定的抗噪能力。
具体地，DBSCAN算法的相关概念如下：
Eps-邻域：对于一个样本集D，从中选择任意对象p，以p为核心点，Eps作半径的球形区域即称为Eps-邻域，满足：
NEps(p)＝{q∈D|dist(p,q)≤Eps}
其中，
Figure BDA0002857901460000091
表示n维空间上的对象集合，dist表示距离函数。
核心点与边界点：对于样本对象p，若满足：
|NEps(p)|≥MinPts
则称样本点p为核心点。如果p仍满足上述公式，但却不属于核心点，则p被称为边界点。
噪点：对于样本对象p，如果它既不是边界点，也不是核心点，那么p为噪点。
直接密度可达：对于样本集中的任意样本对象p、q，如果p∈NEps(q)且满足：
|NEps(q)|≥MinPts
则称从q到p直接密度可达。
密度可达：给定样本集D，如果存在一系列样本点p1,p2…pn满足p1＝q,pn＝p，且对于pi∈D(1≤i≤n)，样本点pi+1是从pi直接密度可达的，则称p是从q密度可达的。
密度相连：对于样本集合D，o∈D,p∈D,q∈D，如果p和q均由样本点o密度可达，则称对象p和q是密度相连的。密度相连是对称的。
请参见图4和图5，图4示意性地示出了DBSCAN算法的Eps-邻域、核心点、噪点的示意图；图5示意性地示出了DBSCAN算法的直接密度可达、密度可达和密度相连的示意图。传统的DBSCAN凝聚算法对于含有大量噪声的数据集，在没有设定聚类数目的情况下，对任意数量和形状的簇有很好的划分效果。但是，传统的DBSCAN凝聚算法的算法时间复杂度较高，需要对样本集中的每个对象进行是否为核心对象的计算，每当选取一个样本对象，需要计算此对象至其它对象的距离，并对Eps-邻域中包含的对象数是否满足给定的阈值MinPts进行判断，得到该对象的所属类别。因此DBSCAN算法的总体时间复杂度为O(n2)。
在本实施例中，提出一种计算效率更高的基于KD-树的DBSCAN凝聚算法，在邻域查询过程中，只需遍历KD-树中有限数量的路径，从而减少了目标点迹的聚类时间，极大地提高了点迹凝聚效率，满足雷达系统处理的实时性要求。
具体地，步骤S2包括：
S21：从所述KD-树的根节点开始，深度优先搜索至叶子节点，并在堆栈中顺序存储已访问的节点；
S22：检测所述叶子节点是否在p点的Eps邻域半径内，若是，则将所述叶子节点加入p点的子样本集合；
S23：从所述叶子节点通过堆栈进行回溯，若正在判断的当前点与p点的距离在Eps邻域半径内，则将所述当前点加入p点的子样本集合；
S24：判断以p点为圆心，Eps为半径的圆是否与所述当前点的父节点的超平面相交，若是，则在所述父节点的另一侧继续搜索Eps邻域半径内的节点，若否，则将父节点的另一侧子节点舍弃并继续向上回溯；
S25：当搜索回溯至所述根节点，搜索完成，得到Eps邻域半径内的子样本集合NEps(p)。
传统DBSCAN算法采用穷举搜索，依次计算样本对象和样本集合中所有对象的距离，这种方法称为蛮力算法，在样本量少、样本特征少的时候适用，时间复杂度为O(n2)。但在实际应用中，对于数以千百万级的数据量，蛮力算法的时间开销是相当大的。本实施例将KD-树用于DBSCAN算法，先对预处理后的生命探测雷达原始回波图像构建KD-树，然后将KD-树用于DBSCAN算法。通过空间搜索算法减少了Eps-邻域的查询次数，将算法时间复杂度降到O(nlogn)。在进行Eps-邻域查询过程中，只搜索有限数量的路径，对原始回波图像做聚类处理，在包含杂波干扰的图像中检测出有效的人体目标，最后用质心法对目标进行点迹凝聚，得到目标唯一点迹位置。
通过将KD-树用于DBSCAN算法，用空间搜索算法更高效地进行Eps-邻域检测。对于一个数据集的n个点来说，KD-树最糟糕情况下的复杂度是O(logn)，如果对“小”区域进行查询，只需遍历KD-树中有限个搜索路径。由于在Eps-邻域查询过程中，只与整个数据空间的一小部分数据进行比较，所以单一区域查询的运行时间复杂度是O(logn)。对于原始回波图像中的n个像素点，最多只需一次Eps-邻域查询，因此，本发明实施例所提方法的时间复杂度为O(nlogn)。
S3：根据所述子样本集合获得p点的聚类簇；
进一步地，所述S3包括：
S31：判断p点的Eps邻域半径是否满足|NEps(p)|≥MinPts，若是，则将p点标记为核心点，形成包含p点及其Eps邻域中所有点的聚类簇，其中，MinPts为给定阈值；
S32：遍历p点Eps邻域半径内的所有点，获得p点的所有密度可达的点并加入所述聚类簇。
具体地，获得p点Eps邻域半径内的q点，若q点未被判断且满足|NEps(q)|≥MinPts，则将q点的Eps邻域半径内所有未判断的点加入所述聚类簇；接着重复执行，遍历p点Eps邻域半径内的所有点，获得p点的所有密度可达的点并加入所述聚类簇，获得p点的聚类簇。
S4：重复S2至S3，遍历所述原始回波图像中未判断的点，直到所有点判断结束，获得所述原始回波图像的聚类后图像。
S5：对所述聚类后图像做点迹凝聚处理，以获得点迹凝聚结果。
在聚类之后，此时图像中大部分噪声、杂波等干扰都已被滤除，为了提高生命探测雷达获取的人体目标的精确性，接下来对其进行点迹凝聚处理。具体地，对聚类后图像做点迹凝聚处理，幅度取原始回波数据对应的最大值，最后输出点迹凝聚结果。
本实施例将KD-树用于DBSCAN算法，先对二值化后的生命探测雷达原始回波图像构建KD-树，然后将KD-树用于DBSCAN算法。通过空间搜索算法减少了Eps-邻域的查询次数，将算法时间复杂度降到O(nlogn)。在进行Eps-邻域查询过程中，只搜索有限数量的路径，对原始回波图像做聚类处理，在包含杂波干扰的图像中检测出有效的人体目标，最后用质心法对目标进行点迹凝聚，得到目标唯一点迹位置。
以下将通过实验验证本发明实施例所述的基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法的效果。
设生命探测雷达成像后的图像大小为1000×1000的数据矩阵，通过本发明实施例所述的基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法快速检测出场景中的人体目标，再对其进行点迹凝聚处理。
请参见图3、图6和图7，其中，图3是预处理之后的二值化图像，对图中的雷达回波像素点，也即黑色像素点建立KD-树；图6是图3中的图像的聚类后图像，使用建立的KD-树来搜索并进行聚类，以此来筛选目标的回波，同时对噪声进行过滤；图7是图6中的图像的点迹凝聚结果图像，将已经聚类的目标进行凝聚，得到目标的质心位置。
进一步地，基于预处理后的成像结果图像(图像数据量为7935个像素点，大小为1000×1000的数据矩阵)，对本发明实施例所提出的方法在不同的参数(Eps，MinPts)下分别进行10次运行时间实验，并与传统DBSCAN方法进行对比。为了进行区分，下面将传统DBSCAN算法用A表示，本发明的方法用B表示。
表2不同参数(Eps,MinPts)下两种方法运行时间对比
Figure BDA0002857901460000131
由表2和表3可以看出，当数据量为7935时，本发明提出的方法在(1.5,5)、(2.5,20)、(3.5,35)三个参数下，运行时间分别比传统DBSCAN算法减少了93.2％、91.8％和91.1％，运算效率提高了近10倍，极大地提高了目标检测效率。
表3不同参数(Eps,MinPts)下两种方法效率对比
Figure BDA0002857901460000141
进一步地，为了对算法效率进一步分析验证，下面选取1000、5000、10000、15000和20000的原始回波图像数据量，分别在参数(Eps，MinPts)为(1.5,5)和(3.5,35)下进行5次运行时间实验并统计分析。
表4(1.5,5)参数下不同数据量时两种方法的运行时间对比
Figure BDA0002857901460000142
表5(3.5,35)参数下不同数据量时两种方法的运行时间对比
Figure BDA0002857901460000143
表6(1.5,5)、(3.5,35)参数下两种方法的平均运行时间对比
Figure BDA0002857901460000151
表7(1.5,5)、(3.5,35)参数下两种方法的效率分析
Figure BDA0002857901460000152
由06和07可得，当数据量为1000时，两种方法运行时间差距不大。随着数据量的增加，本发明实施例所提出的方法所用时间迅速减少，当数据量达到20000时，在(1.5,5)，(3.5,35)两个参数下，本发明实施例所提出的方法运行时间是传统DBSCAN算法的37.45倍、25.18倍。请参见图8和图9，图8是参数(Eps,MinPts)为(1.5,5)时不同数据量时两种方法运行时间对比折线图；图9是参数(Eps,MinPts)为(3.5,35)时不同数据量时两种方法运行时间对比折线图，在图8和图9中，DBSCAN表示传统的DBSCAN方法，KD-DBSCAN表示本发明实施例的方法。可以看出，数据量越大时间对比越明显，验证了本发明实施例提出的基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚系统更适用于大数据量的优越性。
此外，本发明实施例还提出一种基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚系统，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的生命探测雷达点迹凝聚程序，所述生命探测雷达点迹凝聚程序被所述处理器执行时实现如上述实施例所述的方法的步骤。
本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有生命探测雷达点迹凝聚程序，所述生命探测雷达点迹凝聚程序被处理器执行时实现如上述实施例所述生命探测雷达点迹凝聚方法的步骤。
综上，本发明基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法，通过空间搜索算法减少了Eps-邻域的查询次数，将处理时间复杂度降到O(nlogn)，只需遍历KD-树中有限数量的路径，从而减少目标点迹的聚类时间，极大地提高点迹凝聚效率，从而更能满足生命探测雷达系统处理的实时性要求。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (7)

1.一种基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法，其特征在于，包括：
S1：获得生命探测雷达原始回波图像并利用所述原始回波图像的目标像素点创建KD-树；
S2：利用所述KD-树搜索树中任一点p的Eps邻域半径内的子样本集合；
S3：根据所述子样本集合获得p点的聚类簇；
S4：重复S2至S3，遍历所述原始回波图像中未判断的点，直到所有点判断结束，获得所述原始回波图像的聚类后图像；
S5：对所述聚类后图像做点迹凝聚处理，以获得点迹凝聚结果。
2.根据权利要求1所述的基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法，其特征在于，所述S1包括：
S11：获取所述原始回波图像中所有的像素点坐标；
S12：计算所有像素点坐标在两个维度上的数据方差，获得最大方差值；
S13：选取最大方差值所在维度作为分割维Split-dim；
S14：在所述分割维Split-dim上对所述原始回波图像的所有像素点进行排序，取像素点中值作为KD-树超平面的分割点xk；
S15：将所述原始回波图像除分割点xk之外的所有像素点中，第Split-dim维小于等于xk的像素点划分到左子树，其余划分到右子树；
S16：对所述左子树和所述右子树中的像素点重复执行S12至S15，直至只包含一个像素点，获得KD-树。
3.根据权利要求2所述的基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法，其特征在于，所述S2包括：
S21：从所述KD-树的根节点开始，深度优先搜索至叶子节点，并在堆栈中顺序存储已访问的节点；
S22：检测所述叶子节点是否在p点的Eps邻域半径内，若是，则将所述叶子节点加入p点的子样本集合；
S23：从所述叶子节点通过堆栈进行回溯，若正在判断的当前点与p点的距离在Eps邻域半径内，则将所述当前点加入p点的子样本集合；
S24：判断以p点为圆心，Eps为半径的圆是否与所述当前点的父节点的超平面相交，若是，则在所述父节点的另一侧继续搜索Eps邻域半径内的节点，若否，则将父节点的另一侧子节点舍弃并继续向上回溯；
S25：当搜索回溯至所述根节点，搜索完成，得到Eps-邻域半径内的子样本集合NEps(p)。
4.根据权利要求1所述的基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法，其特征在于，所述S3包括：
S31：判断p点的Eps邻域半径是否满足|NEps(p)|≥MinPts，若是，则将p点标记为核心点，形成包含p点及其Eps邻域中所有点的聚类簇，其中，MinPts为给定阈值；
S32：遍历p点Eps邻域半径内的所有点，获得p点的所有密度可达的点并加入所述聚类簇。
5.根据权利要求4所述的基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚方法，其特征在于，所述S32包括：
S321：获得p点Eps邻域半径内的q点，若q点未被判断且满足|NEps(q)|≥MinPts，则将q点的Eps邻域半径内所有未判断的点加入所述聚类簇；
S322：重复执行，遍历p点Eps邻域半径内的所有点，获得p点的所有密度可达的点并加入所述聚类簇。
6.一种基于KD-树空间搜索的DBSCAN生命探测雷达点迹凝聚系统，其特征在于，所述生命探测雷达点迹凝聚系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的生命探测雷达点迹凝聚程序，所述生命探测雷达点迹凝聚程序被所述处理器执行时实现如权利要求1-5任一项所述的方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有生命探测雷达点迹凝聚程序，所述生命探测雷达点迹凝聚程序被处理器执行时实现如权利要求1-5任一项所述生命探测雷达点迹凝聚方法的步骤。
CN202011553750.3A 2020-12-24 2020-12-24 基于kd-树空间搜索的dbscan生命探测雷达点迹凝聚方法和系统 Active CN112612011B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011553750.3A CN112612011B (zh) 2020-12-24 2020-12-24 基于kd-树空间搜索的dbscan生命探测雷达点迹凝聚方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011553750.3A CN112612011B (zh) 2020-12-24 2020-12-24 基于kd-树空间搜索的dbscan生命探测雷达点迹凝聚方法和系统

Publications (2)

Publication Number Publication Date
CN112612011A true CN112612011A (zh) 2021-04-06
CN112612011B CN112612011B (zh) 2023-12-26

Family

ID=75244844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011553750.3A Active CN112612011B (zh) 2020-12-24 2020-12-24 基于kd-树空间搜索的dbscan生命探测雷达点迹凝聚方法和系统

Country Status (1)

Country Link
CN (1) CN112612011B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495026A (zh) * 2022-01-07 2022-05-13 武汉市虎联智能科技有限公司 一种激光雷达识别方法、装置、电子设备和存储介质
CN114999638A (zh) * 2022-07-19 2022-09-02 武汉蓝嵊科技有限公司 基于人工智能医疗诊断用的大数据可视化处理方法及系统
CN117970251A (zh) * 2024-03-28 2024-05-03 安徽隼波科技有限公司 一种安防雷达杂波区动态检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0453707A2 (en) * 1990-04-26 1991-10-30 International Business Machines Corporation Method and means for managing space re-use in a shadow written B-tree via free space lists
WO2018086433A1 (zh) * 2016-11-08 2018-05-17 江苏大学 一种医学图像分割方法
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
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0453707A2 (en) * 1990-04-26 1991-10-30 International Business Machines Corporation Method and means for managing space re-use in a shadow written B-tree via free space lists
WO2018086433A1 (zh) * 2016-11-08 2018-05-17 江苏大学 一种医学图像分割方法
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
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘美云;: "一种基于两坐标搜索雷达的点迹凝聚算法", 科学技术创新, no. 24 *
吴丹;冯新喜;: "多雷达多目标航迹起始算法研究", 空军工程大学学报(自然科学版), no. 01 *
周红芳;赵雪涵;周扬;: "基于限定区域数据取样的密度聚类算法", 计算机应用, no. 08 *
潘章明;: "基于KD树子样的聚类初始化算法", 计算机系统应用, no. 01 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495026A (zh) * 2022-01-07 2022-05-13 武汉市虎联智能科技有限公司 一种激光雷达识别方法、装置、电子设备和存储介质
CN114999638A (zh) * 2022-07-19 2022-09-02 武汉蓝嵊科技有限公司 基于人工智能医疗诊断用的大数据可视化处理方法及系统
CN114999638B (zh) * 2022-07-19 2022-12-30 武汉蓝嵊科技有限公司 基于人工智能医疗诊断用的大数据可视化处理方法及系统
CN117970251A (zh) * 2024-03-28 2024-05-03 安徽隼波科技有限公司 一种安防雷达杂波区动态检测方法

Also Published As

Publication number Publication date
CN112612011B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN112612011B (zh) 基于kd-树空间搜索的dbscan生命探测雷达点迹凝聚方法和系统
CN109859245B (zh) 视频目标的多目标跟踪方法、装置及存储介质
WO2018098891A1 (zh) 一种立体匹配方法及系统
CN110211126A (zh) 基于直觉模糊c均值聚类的图像分割方法
CN110188763B (zh) 一种基于改进图模型的图像显著性检测方法
Carneiro et al. Robust left ventricle segmentation from ultrasound data using deep neural networks and efficient search methods
WO2019007253A1 (zh) 图像识别方法、装置及设备、可读介质
CN111738332B (zh) 基于特征级融合的水下多源声学图像底质分类方法及系统
CN109165658B (zh) 一种基于Faster-RCNN的强负样本水下目标检测方法
Li et al. Simultaneous localized feature selection and model detection for Gaussian mixtures
CN112508963B (zh) 一种基于模糊c均值聚类的sar图像分割方法
CN109658378B (zh) 基于土壤ct图像的孔隙辨识方法及系统
CN110349188A (zh) 基于tsk模糊模型的多目标跟踪方法、装置及存储介质
CN111127532B (zh) 基于深度学习特征光流的医学图像形变配准方法及系统
Aref et al. Automatic fuzzy-DBSCAN algorithm for morphological and overlapping datasets
CN114782715B (zh) 一种基于统计信息的静脉识别方法
Yang et al. Outlier detection: How to Select k for k-nearest-neighbors-based outlier detectors
Farhangi et al. Automatic lung nodule detection in thoracic CT scans using dilated slice‐wise convolutions
He et al. Practical tracking method based on best buddies similarity
CN110781943A (zh) 一种基于毗邻网格搜索的聚类方法
CN115131384B (zh) 基于边缘保持的仿生机器人3d打印方法、装置及介质
Wang et al. Sparse optical flow outliers elimination method based on Borda stochastic neighborhood graph
Murty et al. Homogeneity separateness: a new validity measure for clustering problems
CN116469002A (zh) 基于多级特征融合及混合注意力的sar图像舰船目标检测方法
Zhou et al. A linear fitting density peaks clustering algorithm for image segmentation

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