CN112689775B - 雷达点云聚类方法和装置 - Google Patents

雷达点云聚类方法和装置 Download PDF

Info

Publication number
CN112689775B
CN112689775B CN202080004810.8A CN202080004810A CN112689775B CN 112689775 B CN112689775 B CN 112689775B CN 202080004810 A CN202080004810 A CN 202080004810A CN 112689775 B CN112689775 B CN 112689775B
Authority
CN
China
Prior art keywords
points
target point
cluster
point
geometric center
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.)
Active
Application number
CN202080004810.8A
Other languages
English (en)
Other versions
CN112689775A (zh
Inventor
李晓波
劳大鹏
刘劲楠
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Publication of CN112689775A publication Critical patent/CN112689775A/zh
Application granted granted Critical
Publication of CN112689775B publication Critical patent/CN112689775B/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
    • 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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • 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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请公开了一种雷达点云聚类方法和装置，涉及雷达成像领域，用于区分距离相近的不同目标的点云。雷达点云聚类方法，包括：根据点云数据的M个点中任意两个点相对于雷达的角度信息和距离信息，计算任意两个点之间的欧氏距离；其中，M为大于等于2整数；对任意两个点相对于雷达的径向速度作差，得到任意两个点之间的径向速度差；对满足欧氏距离小于第一距离门限，并且，径向速度差小于第一速度门限的任意两个点进行聚类，得到N个目标点云；其中，N为大于1的整数。

Description

雷达点云聚类方法和装置
技术领域
本申请涉及雷达成像领域，尤其涉及一种雷达点云聚类方法和装置。
背景技术
随着高级驾驶辅助系统(advanced driver assistance systems，ADAS)和无人驾驶技术的发展，对车载雷达的探测距离、角度分辨率等性能提出了更高的要求。目前的车载雷达(例如毫米波雷达)在对一个目标进行成像时会检测出多个测量点，形成高分辨率的目标点云，这种车载雷达也称之为点云成像雷达。
毫米波雷达对于同一目标进行测量会形成点云，为了对同一时刻检测的多个目标进行目标区分和状态估计，首先需要通过聚类方法对点云按照不同目标进行聚类。传统的带噪声的基于密度的聚类(density-based spatial clustering of applications withnoise，DBSCAN)算法，是基于一定距离范围内的点云密度来对点云进行聚类的，当多个目标距离相近时会出现多个目标的点云被聚成一个类的情况。
发明内容
本申请实施例提供一种雷达点云聚类方法和装置，用于区分距离相近的不同目标的点云。
为达到上述目的，本申请的实施例采用如下技术方案：
第一方面，提供了一种雷达点云聚类方法，包括：根据点云数据的M个点中任意两个点相对于雷达的角度信息和距离信息，计算任意两个点之间的欧氏距离；其中，M为大于等于2整数；对任意两个点相对于雷达的径向速度作差，得到任意两个点之间的径向速度差；对满足欧氏距离小于第一距离门限，并且，径向速度差小于第一速度门限的任意两个点进行聚类，得到N个目标点云；其中，N为大于1的整数。
本申请实施例提供的雷达点云聚类方法，根据点云数据的M个点中任意两个点相对于雷达的角度信息和距离信息，计算该任意两个点之间的欧氏距离；对该任意两个点相对于雷达的径向速度作差，得到任意两个点之间的径向速度差；对满足欧氏距离小于第一距离门限，并且，径向速度差小于第一速度门限的所述任意两个点进行聚类，得到N个目标点云。如果仅将距离相近的点聚类为一个目标的点云，会将距离相近的不同目标的点云聚类为一个目标的点云。本申请基于距离相近的不同目标的点云虽然欧氏距离相近，但是由于不同目标的运动速度不同导致对应的点云的径向速度也不同的原理，将点云数据中欧氏距离相近并且径向速度差较小的点聚类为一个目标的点云，从而能够区分距离相近的不同目标的点云。
在一种可能的实施方式中，还包括：根据N个目标点云中每个目标点云的所有点相对于雷达的角度信息和径向速度，计算N个目标点云分别对应的移动速度；根据N个目标点云分别对应的N个几何中心点相对于雷达的角度信息、距离信息和径向速度差，计算N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差；对N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群；对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群。
在一种可能的实施方式中，根据N个目标点云中每个目标点云的所有点相对于雷达的角度信息和径向速度，计算N个目标点云分别对应的移动速度，包括：针对N个目标点云中的任一目标点云，根据K个步进角度、任一目标点云的所有T个点相对于雷达的角度信息和径向速度，计算T个点的与K个步进角度对应的移动速度；其中，K为正整数；根据T个点的与K个步进角度对应的移动速度，计算任一目标点云的移动速度。
在一种可能的实施方式中，根据K个步进角度、任一目标点云的所有T个点相对于雷达的角度信息和径向速度，计算T个点的与K个步进角度对应的移动速度，包括：针对T个点中的第t个点，将K个步进角度分别与第t个点的角度信息相减，得到第t个点的K个候选角度；K个候选角度表示第t个点的K个移动方向，1≤t≤T，t为正整数；将第t个点的径向速度向第t个点的K个候选角度分别进行逆投影，得到第t个点的与K个步进角度对应的移动速度。
在一种可能的实施方式中，根据T个点的与K个步进角度对应的移动速度，计算任一目标点云的移动速度，包括：针对K个步进角度中的第k个步进角度，对T个点的与第k个步进角度对应的移动速度取平均，得到均值；1≤k≤K，且k为整数；计算T个点的与第k个步进角度对应的移动速度与均值之间的均方差；根据最小的均方差计算目标步进角度；对T个点的与目标步进角度对应的移动速度取平均，得到任一目标点云的移动速度。此时目标步进角度对应的点的径向速度向对应的候选角度进行的逆投影，与真实速度的偏差最小。
在一种可能的实施方式中，根据N个目标点云分别对应的N个几何中心点相对于雷达的角度信息、距离信息和径向速度差，计算N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差，包括：根据任意两个几何中心点相对于雷达的角度信息和距离信息，计算任意两个几何中心点之间的欧氏距离；对任意两个几何中心点相对于雷达的径向速度作差，得到任意两个几何中心点之间的径向速度差。
在一种可能的实施方式中，对N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群，包括：将N个目标点云中不属于第一集群的，与第二几何中心点对应的目标点云，加入第一集群，其中，第二几何中心点与第一几何中心点之间的欧氏距离小于第二距离门限并且径向速度差小于第二速度门限，第一几何中心点为N个目标点云中属于第一集群的任一目标点云的几何中心点。第二距离门限大于第一距离门限，第二速度门限大于第一速度门限。原因在于，与点云中的点之间的欧氏距离和径向速度差相比，点云之间的欧氏距离和径向速度差都会更大。
在一种可能的实施方式中，对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：将属于第一集群的、移动速度之差小于第三速度门限的任意两个目标点云加入第二集群。由于第二集群中的目标点云之间满足距离相近、径向速度差较小，所以根据移动速度满足条件对第二集群进一步进行聚类，则可以将距离相近、径向速度差较小，并且移动速度差别较小的目标点云聚类为一个目标的集群。
在一种可能的实施方式中，对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：根据属于第一集群的任意两个目标点云的几何中心点的距离信息、角度信息和移动速度计算余弦相似度，其中，几何中心点的移动速度等于对应的目标点云的移动速度；将余弦相似度小于相似度门限的任意两个目标点云加入第二集群。
在一种可能的实施方式中，对欧氏距离小于第一距离门限，并且，径向速度差小于第一速度门限的任意两个点进行聚类，得到N个目标点云，包括：针对N个目标点云中任一目标点云，将任意两个点中不属于任一目标点云的，并且，与第一点之间的欧氏距离小于第一距离门限并且径向速度差小于第一速度门限的第二点，加入任一目标点云；其中，第一点为任意两个点中属于任一目标点云的点。也就是说，对于N个目标点云中任一目标点云，选取一点，那么都可以从该任一目标点云中找到至少一点，与选取的一点之间的欧氏距离小于第一距离门限并且径向速度差小于第一速度门限。
在一种可能的实施方式中，第一距离门限和第一速度门限满足以下条件中至少一个：第一点或第二点的距离信息越大，对应的第一距离门限越大；第一点或第二点的距离信息越大，对应的第一速度门限越大。原因在于，目标距离雷达越远，点的信噪比越小，点云密度越稀疏，通过分级改变上述门限可以适应上述变化，使得聚类时不会漏掉属于同一目标的点。
第二方面，提供了一种雷达点云聚类方法，包括：根据N个目标点云中每个目标点云的所有点相对于雷达的角度信息和径向速度，计算N个目标点云分别对应的移动速度；根据N个目标点云分别对应的N个几何中心点相对于雷达的角度信息、距离信息和径向速度差，计算N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差；对N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群；对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群。
本申请实施例提供的雷达点云聚类方法，根据同一目标的点云的移动速度差别较小的原理，通过将距离相近、径向速度差较小，并且移动速度差别较小的目标点云聚类为一个目标的集群，从而能够防止一个目标受到部分遮挡或不同位置材料不同而导致一个目标的点云被聚类为多个目标的点云。
在一种可能的实施方式中，根据N个目标点云中每个目标点云的所有点相对于雷达的角度信息和径向速度，计算N个目标点云分别对应的移动速度，包括：针对N个目标点云中的任一目标点云，根据K个步进角度、任一目标点云的所有T个点相对于雷达的角度信息和径向速度，计算T个点的与K个步进角度对应的移动速度；其中，K为正整数；根据T个点的与K个步进角度对应的移动速度，计算任一目标点云的移动速度。
在一种可能的实施方式中，根据K个步进角度、任一目标点云的所有T个点相对于雷达的角度信息和径向速度，计算T个点的与K个步进角度对应的移动速度，包括：针对T个点中的第t个点，将K个步进角度分别与第t个点的角度信息相减，得到第t个点的K个候选角度；K个候选角度表示第t个点的K个移动方向，1≤t≤T，t为正整数；将第t个点的径向速度向第t个点的K个候选角度分别进行逆投影，得到第t个点的与K个步进角度对应的移动速度。
在一种可能的实施方式中，根据T个点的与K个步进角度对应的移动速度，计算任一目标点云的移动速度，包括：针对K个步进角度中的第k个步进角度，对T个点的与第k个步进角度对应的移动速度取平均，得到均值；1≤k≤K，且k为整数；计算T个点的与第k个步进角度对应的移动速度与均值之间的均方差；根据最小的均方差计算目标步进角度；对T个点的与目标步进角度对应的移动速度取平均，得到任一目标点云的移动速度。
在一种可能的实施方式中，根据N个目标点云的N个几何中心点相对于雷达的角度信息、距离信息和径向速度差，计算N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差，包括：根据任意两个几何中心点相对于雷达的角度信息和距离信息，计算任意两个几何中心点之间的欧氏距离；对任意两个几何中心点相对于雷达的径向速度作差，得到任意两个几何中心点之间的径向速度差。
在一种可能的实施方式中，对N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群，包括：将N个目标点云中不属于第一集群的，与第二几何中心点对应的目标点云，加入第一集群，其中，第二几何中心点与第一几何中心点之间的欧氏距离小于第二距离门限并且径向速度差小于第二速度门限，第一几何中心点为N个目标点云中属于第一集群的任一目标点云的几何中心点。第二距离门限大于第一距离门限，第二速度门限大于第一速度门限。原因在于，与点云中的点之间的欧氏距离和径向速度差相比，点云之间的欧氏距离和径向速度差都会更大。
在一种可能的实施方式中，对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：将属于第一集群的、移动速度之差小于第三速度门限的任意两个目标点云加入第二集群。由于第二集群中的目标点云之间满足距离相近、径向速度差较小，所以根据移动速度满足条件对第二集群进一步进行聚类，则可以将距离相近、径向速度差较小，并且移动速度差别较小的目标点云聚类为一个目标的集群。
在一种可能的实施方式中，对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：根据属于第一集群的任意两个目标点云的几何中心点的距离信息、角度信息和移动速度计算余弦相似度，其中，几何中心点的移动速度等于对应的目标点云的移动速度；将余弦相似度小于相似度门限的任意两个目标点云加入第二集群。
第三方面，提供了一种雷达点云聚类装置，包括：计算模块，用于根据点云数据的M个点中任意两个点相对于雷达的角度信息和距离信息，计算任意两个点之间的欧氏距离；其中，M为大于等于2整数；计算模块，还用于对任意两个点相对于雷达的径向速度作差，得到任意两个点之间的径向速度差；聚类模块，用于对满足欧氏距离小于第一距离门限，并且，径向速度差小于第一速度门限的任意两个点进行聚类，得到N个目标点云；其中，N为大于1的整数。
在一种可能的实施方式中，计算模块，还用于根据N个目标点云中每个目标点云的所有点相对于雷达的角度信息和径向速度，计算N个目标点云分别对应的移动速度；计算模块，还用于根据N个目标点云分别对应的N个几何中心点相对于雷达的角度信息、距离信息和径向速度差，计算N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差；聚类模块，还用于对N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群；聚类模块，还用于对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群。
在一种可能的实施方式中，计算模块，还用于根据N个目标点云中每个目标点云的所有点相对于雷达的角度信息和径向速度，计算N个目标点云分别对应的移动速度，包括：计算模块，具体用于针对N个目标点云中的任一目标点云，根据K个步进角度、任一目标点云的所有T个点相对于雷达的角度信息和径向速度，计算T个点的与K个步进角度对应的移动速度；其中，K为正整数；计算模块，具体用于根据T个点的与K个步进角度对应的移动速度，计算任一目标点云的移动速度。
在一种可能的实施方式中，计算模块，具体用于根据K个步进角度、任一目标点云的所有T个点相对于雷达的角度信息和径向速度，计算T个点的与K个步进角度对应的移动速度，包括：计算模块，具体用于针对T个点中的第t个点，将K个步进角度分别与第t个点的角度信息相减，得到第t个点的K个候选角度；K个候选角度表示第t个点的K个移动方向，1≤t≤T，t为正整数；计算模块，具体用于将第t个点的径向速度向第t个点的K个候选角度分别进行逆投影，得到第t个点的与K个步进角度对应的移动速度。
在一种可能的实施方式中，计算模块，具体用于根据T个点的与K个步进角度对应的移动速度，计算任一目标点云的移动速度，包括：计算模块，具体用于针对K个步进角度中的第k个步进角度，对T个点的与第k个步进角度对应的移动速度取平均，得到均值；1≤k≤K，且k为整数；计算模块，具体用于计算T个点的与第k个步进角度对应的移动速度与均值之间的均方差；计算模块，具体用于根据最小的均方差计算目标步进角度；计算模块，具体用于对T个点的与目标步进角度对应的移动速度取平均，得到任一目标点云的移动速度。
在一种可能的实施方式中，计算模块根据N个目标点云分别对应的N个几何中心点相对于雷达的角度信息、距离信息和径向速度差，计算N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差，包括：计算模块，具体用于根据任意两个几何中心点相对于雷达的角度信息和距离信息，计算任意两个几何中心点之间的欧氏距离；计算模块，具体用于对任意两个几何中心点相对于雷达的径向速度作差，得到任意两个几何中心点之间的径向速度差。
在一种可能的实施方式中，聚类模块，还用于对N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群，包括：聚类模块，具体用于将N个目标点云中不属于第一集群的，与第二几何中心点对应的目标点云，加入第一集群，其中，第二几何中心点与第一几何中心点之间的欧氏距离小于第二距离门限并且径向速度差小于第二速度门限，第一几何中心点为N个目标点云中属于第一集群的任一目标点云的几何中心点。
在一种可能的实施方式中，聚类模块，还用于对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：聚类模块，具体用于将属于第一集群的、移动速度之差小于第三速度门限的任意两个目标点云加入第二集群。
在一种可能的实施方式中，聚类模块，还用于对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：计算模块，具体用于根据属于第一集群的任意两个目标点云的几何中心点的距离信息、角度信息和移动速度计算余弦相似度，其中，几何中心点的移动速度等于对应的目标点云的移动速度；聚类模块，具体用于将余弦相似度小于相似度门限的任意两个目标点云加入第二集群。
在一种可能的实施方式中，聚类模块，用于对欧氏距离小于第一距离门限，并且，径向速度差小于第一速度门限的任意两个点进行聚类，得到N个目标点云，包括：聚类模块，具体用于针对N个目标点云中任一目标点云，将任意两个点中不属于任一目标点云的，并且，与第一点之间的欧氏距离小于第一距离门限并且径向速度差小于第一速度门限的第二点，加入任一目标点云；其中，第一点为任意两个点中属于任一目标点云的点。
在一种可能的实施方式中，第一距离门限和第一速度门限满足以下条件中至少一个：第一点或第二点的距离信息越大，对应的第一距离门限越大；第一点或第二点的距离信息越大，对应的第一速度门限越大。
第四方面，提供了一种雷达点云聚类装置，包括：计算模块，用于根据N个目标点云中每个目标点云的所有点相对于雷达的角度信息和径向速度，计算N个目标点云分别对应的移动速度；计算模块，还用于根据N个目标点云分别对应的N个几何中心点相对于雷达的角度信息、距离信息和径向速度差，计算N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差；聚类模块，用于对N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群；聚类模块，还用于对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群。
在一种可能的实施方式中，计算模块，用于根据N个目标点云中每个目标点云的所有点相对于雷达的角度信息和径向速度，计算N个目标点云分别对应的移动速度，包括：计算模块，具体用于针对N个目标点云中的任一目标点云，根据K个步进角度、任一目标点云的所有T个点相对于雷达的角度信息和径向速度，计算T个点的与K个步进角度对应的移动速度；其中，K为正整数；根据T个点的与K个步进角度对应的移动速度，计算任一目标点云的移动速度。
在一种可能的实施方式中，计算模块，具体用于根据K个步进角度、任一目标点云的所有T个点相对于雷达的角度信息和径向速度，计算T个点的与K个步进角度对应的移动速度，包括：计算模块，具体用于针对T个点中的第t个点，将K个步进角度分别与第t个点的角度信息相减，得到第t个点的K个候选角度；K个候选角度表示第t个点的K个移动方向，1≤t≤T，t为正整数；计算模块，具体用于将第t个点的径向速度向第t个点的K个候选角度分别进行逆投影，得到第t个点的与K个步进角度对应的移动速度。
在一种可能的实施方式中，计算模块，具体用于根据T个点的与K个步进角度对应的移动速度，计算任一目标点云的移动速度，包括：计算模块，具体用于针对K个步进角度中的第k个步进角度，对T个点的与第k个步进角度对应的移动速度取平均，得到均值；1≤k≤K，且k为整数；计算模块，具体用于计算T个点的与第k个步进角度对应的移动速度与均值之间的均方差；计算模块，具体用于根据最小的均方差计算目标步进角度；计算模块，具体用于对T个点的与目标步进角度对应的移动速度取平均，得到任一目标点云的移动速度。
在一种可能的实施方式中，计算模块根据N个目标点云的N个几何中心点相对于雷达的角度信息、距离信息和径向速度差，计算N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差，包括：计算模块，具体用于根据任意两个几何中心点相对于雷达的角度信息和距离信息，计算任意两个几何中心点之间的欧氏距离；计算模块，具体用于对任意两个几何中心点相对于雷达的径向速度作差，得到任意两个几何中心点之间的径向速度差。
在一种可能的实施方式中，聚类模块，用于对N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群，包括：聚类模块，具体用于将N个目标点云中不属于第一集群的，与第二几何中心点对应的目标点云，加入第一集群，其中，第二几何中心点与第一几何中心点之间的欧氏距离小于第二距离门限并且径向速度差小于第二速度门限，第一几何中心点为N个目标点云中属于第一集群的任一目标点云的几何中心点。
在一种可能的实施方式中，聚类模块，还用于对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：聚类模块，具体用于将属于第一集群的、移动速度之差小于第三速度门限的任意两个目标点云加入第二集群。
在一种可能的实施方式中，聚类模块，还用于对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：计算模块，具体用于根据属于第一集群的任意两个目标点云的几何中心点的距离信息、角度信息和移动速度计算余弦相似度，其中，几何中心点的移动速度等于对应的目标点云的移动速度；聚类模块，具体用于将余弦相似度小于相似度门限的任意两个目标点云加入第二集群。
第五方面，提供了一种雷达点云聚类装置，包括处理器、存储器和毫米波雷达，处理器、存储器和毫米波雷达耦合，存储器用于存储计算机程序，处理器用于执行存储器中存储的计算机程序，以使得雷达点云聚类装置执行如第一方面及其任一项实施方式所述的方法，或者，执行如第二方面及其任一项实施方式所述的方法。
第六方面，提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，如第一方面及其任一项实施方式所述的方法被执行，或者，如第二方面及其任一项实施方式所述的方法被执行。
第七方面，提供了一种包含指令的计算机程序产品，当指令在计算机或处理器上运行时，如第一方面及任一项实施方式所述的方法被执行，或者，如第二方面及其任一项实施方式所述的方法被执行。
第三方面到第七方面的技术效果参照第一方面至第二方面的内容，在此不再重复。
附图说明
图1为本申请实施例提供的一种毫米波雷达的工作原理的示意图；
图2为本申请实施例提供的一种对点云进行聚类的示意图；
图3为本申请实施例提供的一种雷达点云聚类方法的流程示意图一；
图4为本申请实施例提供的一种点云的距离信息、角度信息和径向速度的示意图；
图5为本申请实施例提供的另一种对点云进行聚类的示意图；
图6为本申请实施例提供的一种雷达点云聚类方法的流程示意图二；
图7为本申请实施例提供的一种雷达点云聚类方法的流程示意图三；
图8为本申请实施例提供的一种步进角度和候选角度的示意图；
图9为本申请实施例提供的一种雷达点云聚类方法的流程示意图四；
图10为本申请实施例提供的又一种对点云进行聚类的示意图；
图11为本申请实施例提供的一种雷达点云聚类装置的结构示意图；
图12为本申请实施例提供的另一种雷达点云聚类装置的结构示意图。
具体实施方式
毫米波雷达，是工作在毫米波波段(millimeter wave)探测的雷达。通常毫米波是指30～300GHz频域(波长为1～10mm)。
如图1所示，毫米波雷达的工作原理是向目标发射毫米波的探测信号，然后接收从目标反射回来的反射信号。根据发射信号与反射信号之间的时间差即可以得到目标相对于雷达的距离信息。根据接收机处的阵列天线的位置对接收信号进行波达方向(DirectionOf Arrival，DOA)估计，即可得到目标相对于雷达的角度信息。根据接收信号的多普勒频移可以得到目标相对于雷达的径向速度，等等。将每个反射信号对应的目标相对于雷达的距离信息、角度信息、径向速度作为一个数据点(本申请实施例简称为“点”)，筛选能量较高的点得到的集合即为点云。通过对点云数据中的点进行聚类并获取属于同一点云的质心，可以用于表示该点云对应的目标，该质心进一步可以用于对该目标进行目标跟踪、轨迹检测等。
现有技术中，DBSCAN算法仅根据一定距离范围内的点云密度来对点云进行聚类，当多个目标交汇时会出现多个目标的点云聚成一个类的情况，当一个目标受到部分遮挡或不同位置材料不同，会导致一个目标的点云被聚类为多个目标的点云的问题。如果将这样的聚类结果用于航迹检测，会导致同一目标出现多条航迹；如果用于目标跟踪，会导致点云的质心点突变，严重影响跟踪性能。
示例性的，如图2中A所示，一个较大目标由于部分受到遮挡或不同位置材料不同导致出现三个点云，由于三个点云之间距离较大，使得这三个点云未能被聚类成一个目标的点云，从而得到了三个质心。如图2中B所示，三个较小目标由于距离较近，使得被识别成一个点云，从而得到一个质心。
针对上述问题，考虑到对于运动的刚体目标，两端的径向速度可能不同，但是其整体的移动速度具有一致性。因此本申请实施例提供的毫米波雷达点云聚类方法和装置，不仅考虑点与点的距离相近，还考虑径向速度差异小，这样的点聚类为一个目标的点云，从而能够区分距离相近的径向速度不同的多个目标。另外，还通过属于同一点云的点的径向速度得到该点的移动速度，通过将距离较远但是移动速度一致的点云作为一个目标的集群，从而能够防止体积大的目标被识别成多个小目标。
具体的，如图3所示，本申请实施例提供的雷达点云聚类方法，包括S301-S303：
S301、根据点云数据的M个点中任意两个点相对于雷达的角度信息和距离信息转换为第一直角坐标，计算第一直角坐标计算点云数据的M个点中任意两个点之间的欧氏距离。
其中，M为大于等于2整数。
前文所述的毫米波雷达在完成信号处理后输出点云数据，如图4所示，每个点记为x＝[ρ,φ,vγ]，即包括(目标相对于雷达的)距离信息ρ、角度信息φ、径向速度vγ。其中，距离信息ρ、角度信息φ均为球面坐标，目标相对于雷达的移动速度v为矢量，其相对于目标与雷达之间连线的夹角为γ，移动速度v向目标与雷达之间连线的投影为径向速度vγ，vγ＝v·cosγ。对于二维坐标来说，角度信息φ可以包括方位角θ，对于三维坐标来说，角度信息还可以包括俯仰角α。
具体的，可以根据点的角度信息和距离信息得到点的直角坐标，对于二维坐标来说，点的直角坐标为x＝ρ·cosθ，y＝ρ·sinθ，则第i个点与第j个点之间的欧氏距离dij见公式1：
Figure BDA0002955201610000081
其中，1≤i≤M，1≤j≤M，i≠j。
对于三维坐标来说，点的直角坐标为x＝ρ·cosθ·cosα，y＝ρ·sinθ·cosα，z＝ρ·sinα，则第i个点与第j个点之间的欧氏距离dij见公式2：
Figure BDA0002955201610000082
根据点云数据的M个点中任意两个点之间的欧氏距离可以得到欧氏距离矩阵如表1所示。其中dij＝dji。
表1
点编号 1 2 …… j …… M
1 d<sub>12</sub> …… d<sub>1j</sub> …… d<sub>1M</sub>
2 d<sub>21</sub> …… d<sub>2j</sub> …… d<sub>2M</sub>
…… …… …… …… …… …… ……
i d<sub>i1</sub> d<sub>i2</sub> …… d<sub>ij</sub> …… d<sub>iM</sub>
…… …… …… …… …… …… ……
M d<sub>M1</sub> d<sub>M2</sub> …… d<sub>Mj</sub> ……
S302、对点云数据的M个点中任意两个点相对于雷达的径向速度作差，得到该任意两个点之间的径向速度差。
具体的，第i个点的径向速度
Figure BDA0002955201610000083
第j个点的径向速度
Figure BDA0002955201610000084
则第i个点与第j个点之间的径向速度差的1范数(即绝对值)Δvij见公式3：
Figure BDA0002955201610000085
根据M个点中任意两个点之间的径向速度差可以得到径向速度差矩阵如表2所示。其中Δvij＝Δvji。
表2
Figure BDA0002955201610000086
Figure BDA0002955201610000091
S303、对满足欧氏距离小于第一距离门限，并且，径向速度差小于第一速度门限的任意两个点进行聚类，得到N个目标点云。
其中，N为大于1的整数。
同一目标的点云在距离上是相近的，但是如果仅对距离相近(欧氏距离小于第一距离门限)的点聚类为一个目标点云，则会将距离相近的不同目标的点云也聚类为一个目标点云。
根据距离相近的不同目标其移动速度是不同的，测量得到的不同目标的点云的径向速度也不同，但是同一目标的点云的径向速度差别很小，因此，可以结合以上两个条件对M个点进行聚类，就可以区分出距离相近的不同目标的点云。
需要说明的是，步骤S303描述的是针对一个目标点云如何聚类。对于M个点中不属于目标点云的点，可以再次按照步骤S303进行聚类。
本申请实施例提供的雷达点云聚类方法，根据点云数据的M个点中任意两个点相对于雷达的角度信息和距离信息，计算该任意两个点之间的欧氏距离；对该任意两个点相对于雷达的径向速度作差，得到任意两个点之间的径向速度差；对满足欧氏距离小于第一距离门限，并且，径向速度差小于第一速度门限的所述任意两个点进行聚类，得到N个目标点云。如果仅将距离相近的点聚类为一个目标的点云，会将距离相近的不同目标的点云聚类为一个目标的点云。本申请基于距离相近的不同目标的点云虽然欧氏距离相近，但是由于不同目标的运动速度不同导致对应的点云的径向速度也不同的原理，将点云数据中欧氏距离相近并且径向速度差较小的点聚类为一个目标的点云，从而能够区分距离相近的不同目标的点云。
在一种可能的实施方式中，针对N个目标点云中任一目标点云，假设任意两个点中属于该任一目标点云的点为第一点，如果该任意两个点中的第二点不属于该任一目标点云，并且，该第二点与第一点之间的欧氏距离小于第一距离门限并且径向速度差小于第一速度门限，则将该第二点加入该任一目标点云。
也就是说，对于N个目标点云中任一目标点云，选取一点，那么都可以从该任一目标点云中找到至少一点，与选取的一点之间的欧氏距离小于第一距离门限并且径向速度差小于第一速度门限。
M个点中每个点最多属于N个目标点云中一个目标点云，即可能有的点不属于任何目标点云，这类点被识别为噪声。但是N个目标点云中的点都属于M个点。
目标点云中包括的点的数量以及目标点云的数量是随着聚类过程逐渐增加的。初始时，对第一个目标点云进行聚类：按顺序或随机从M个点中选择一个点作为第一个目标点云的第一点。将剩余M-1个点中满足上述条件的第二点加入第一个目标点云后即变为第一个目标点云的第一点，随着不断将第二点加入第一个目标点云，满足上述条件的第二点数目逐渐减少直到为零，此时即完成了对第一个目标点云的聚类，假设第一个目标点云中的点有A个。
然后，对第二个目标点云进行聚类：按照顺序或随机从剩余M-A个点中选择一个点作为第二个目标点的第一点，然后按照上述方式不断将满足上述条件的第二点加入第二个目标点云，直到满足上述条件的第二点数目为零，此时即完成了对第二个目标点云的聚类。以此类推。
需要说明的是，第二点的数量不小于第一数量门限，这样可以防止离散的少量点被聚类成一个目标点云。
下面，示例性的对第一个目标点云如何聚类进行描述：
示例性的，如图5所示，假设第一数量门限为2，在对第一个目标点云初始化时按顺序或随机选择一个点(例如点a)加入第一个目标点云，点a首先作为第一点，点b与点a之间的欧氏距离小于第一距离门限并且径向速度差小于第一速度门限，点c与点a之间的欧氏距离小于第一距离门限并且径向速度差小于第一速度门限，并且数量为2不小于第一数量门限，因此将点b和点c作为第二点加入第一个目标点云。
点d虽然与点a之间的欧氏距离小于第一距离门限，但是点d与点a之间的径向速度差不小于第一速度门限，因此不能将点d作为第二点，即不能加入第一个目标点云。点e、点f、点g与点a之间的欧氏距离不小于第一距离门限，因此不能将点e、点f、点g作为第二点，即不能加入第一个目标点云。
然后将第一个目标点云中的点b作为第一点，虽然点d、点e、点f与点b的欧氏距离小于第一距离门限，但是点d、点e、点f与点b之间的径向速度差不小于第一速度门限，因此不能将点d、点e、点f作为第二点，即不能加入第一个目标点云。点g与点b之间的欧氏距离不小于第一距离门限，因此不能将点g作为第二点，即不能加入第一个目标点云。
依此类推再遍历第一个目标点云中的点c作为第一点，同理，点d、点e、点f、点g不能作为第二点，即不能加入第一个目标点云。最终聚类得到的第一个目标点云包括点a、点b和点c。
下面示例性的对第二个目标点云如何聚类进行描述：
示例性的，如图5所示，在对第二个目标点云初始化时，按顺序或随机从M个点云中不属于第一个目标点云的点中选择一个点(例如点d)加入第二个目标点云，点d首先作为第一点，点e与点d之间的欧氏距离小于第一距离门限并且径向速度差小于第一速度门限，点f与点d之间的欧氏距离小于第一距离门限并且径向速度差小于第一速度门限，并且数量为2不小于第一数量门限，因此将点e和点f作为第二点加入第二个目标点云。点g与点d之间的欧氏距离不小于第一距离门限，因此不能将点g作为第二点，即不能加入第二个目标点云。
然后依次将第二个目标点云中的点e和点f作为第一点，点g与点e或者点g与点f之间的欧氏距离均不小于第一距离门限，因此不能将点g作为第二点，即不能加入第二个目标点云。
对于不属于任何目标点云的点(例如图5中的点g)将识别为噪声。
对于任一点云可以求取其质心，用于表示该点云对应的目标，该质心进一步可以用于对该目标进行目标跟踪、轨迹检测等。
示例性的，如图5所示，可以通过显示屏显示不同的点云，例如通过虚线框将属于同一点云的点包括其中。或者，可以将属于不同点云的点采用不同的颜色或显示方式进行区别，例如一个点云的点采用圆形，另一个点云的点采用三角形。可选的，还可以显示各个点云的质心。
可选的，第一数量门限、第一距离门限和第一速度门限满足以下条件中至少一个：第一点或第二点的距离信息越大，对应的第一距离门限越大；第一点或第二点的距离信息越大，对应的第一速度门限越大；第一点或第二点的距离信息越大，对应的第一数量门限越小。原因在于，目标距离雷达越远，点的信噪比越小，点云密度越稀疏，通过分级改变上述门限可以适应上述变化，使得聚类时不会漏掉属于同一目标的点。
在按照上述方法对点云数据中的点进行聚类得到多个目标点云后，或者，按照现有技术中其他方法对点云数据中的点进行聚类得到多个目标点云后，还可以结合各个点云的移动速度对这些目标点云进一步聚类得到集群。由于一个目标受到部分遮挡或不同位置材料不同，一个目标的点云被聚类为多个目标点云。但是这些目标点云的移动速度差异很小，因此可以根据目标点云的移动速度的差异性将这些目标点云聚类为一个目标的点云的集群。可以解决一个目标受到部分遮挡或不同位置材料不同会导致一个目标的点云被聚类为多个目标的点云的问题。
可选的，如图6所示，本申请实施例提供了另一种雷达点云聚类方法，包括S601-S602：
S601、根据N个目标点云中每个目标点云的所有点相对于雷达的角度信息和径向速度，计算N个目标点云分别对应的移动速度。
N为正整数。
对于运动的刚体目标，两端的径向速度可能不同，但是目标整体的移动速度具有一致性。本申请可以基于最小均方误差迭代来对目标点云的移动速度进行估计。还可以通过其他方法得到目标点云的移动速度，本申请不作限定。
具体的，如图7所示，针对N个目标点云中的任一目标点云，步骤S601包括S6011-S6012：
S6011、根据K个步进角度、任一目标点云的所有T个点相对于雷达的角度信息和径向速度，计算T个点的与K个步进角度对应的移动速度。
其中，T和K为正整数。
示例性的，如图8所示，以二维坐标为例，可以以K个步进角度的方式遍历角度
Figure BDA0002955201610000111
即在区间
Figure BDA0002955201610000112
内，选择K个等间隔的步进角度。
具体的，如图9所示，步骤S6011包括S60111-S60112：
S60111、针对T个点中的第t个点，将K个步进角度分别第t个点的角度信息相减，得到第t个点的K个候选角度。
K个候选角度表示所述第t个点的K个移动方向，1≤t≤T，t为正整数。
示例性的，如图8所示，取第k个步进角度
Figure BDA0002955201610000113
令
Figure BDA0002955201610000114
则可以遍历K个不同值的候选角度γ。其中，θt为第t个点的方位角。1≤k≤K，且k为整数。
S60112、将第t个点的径向速度向第t个点的K个候选角度分别进行逆投影，得到第t个点的与K个步进角度对应的移动速度。
假设任一目标点云的T个点中第t个点的方位角为θt，第t个点的径向速度为
Figure BDA0002955201610000115
则第t个点的与第k个步进角度对应的移动速度
Figure BDA0002955201610000116
见公式4：
Figure BDA0002955201610000117
S6012、根据T个点的与所述K个步进角度对应的移动速度，计算该任一目标点云的移动速度。
具体的，如图9所示，步骤S6012包括S60121-S60124：
S60121、针对K个步进角度中的第k个步进角度，对T个点的与第k个步进角度对应的移动速度取平均，得到与第k个步进角度对应的T个点的移动速度的均值。
与第k个步进角度对应的T个点的移动速度的均值
Figure BDA0002955201610000118
见公式5：
Figure BDA0002955201610000119
S60122、计算T个点的与第k个步进角度对应的移动速度
Figure BDA00029552016100001110
与均值
Figure BDA00029552016100001111
之间的均方差(即标准差)δk。
该均方差δk见公式6：
Figure BDA0002955201610000121
S60123、根据最小的均方差计算目标步进角度。
即根据公式7得到目标步进角度
Figure BDA0002955201610000122
Figure BDA0002955201610000123
S60124、对T个点的与目标步进角度对应的移动速度取平均，得到任一目标点云的移动速度。
将目标步进角度
Figure BDA0002955201610000124
和第t个点的方位角θt代入公式4可以得到T个点中第t个点的与目标步进角度对应的移动速度，将目标步进角度
Figure BDA0002955201610000125
和T个点的方位角代入公式4即可以得到T个点的与目标步进角度对应的移动速度。对这些移动速度取平均，即代入代入公式5，即可得到任一目标点云的移动速度。此时目标步进角度
Figure BDA0002955201610000126
对应的点的径向速度向对应的候选角度进行的逆投影，与真实速度的偏差最小。
S602、根据N个目标点云分别对应的N个几何中心点相对于雷达的角度信息、距离信息和径向速度差，计算N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差。
对N个目标点云中每个目标点云的所有点取平均，即可以得到与N个目标点云分别对应的N个几何中心点。即每个目标点云对应一个几何中心点。
假设第n个目标点云记为Dn:{xn1,xn2,...,xnT}，1≤n≤N，且n为整数。该目标点云中的第t个点记为xnt＝[ρnt,φnt,vγnt]，其中，1≤t≤T，T为该目标点云中的点的数目，T和t为整数。
则第n个目标点云的几何中心点
Figure BDA0002955201610000127
见公式8：
Figure BDA0002955201610000128
与步骤S301类似的，可以根据任意两个几何中心点相对于雷达的角度信息和距离信息，计算任意两个几何中心点之间的欧氏距离。即根据公式1或公式2可以得到N个目标点云中任意两个目标点云的几何中心点之间的欧氏距离。
与步骤S302类似的，对任意两个几何中心点相对于雷达的径向速度作差，可以得到任意两个几何中心点之间的径向速度差。即根据公式3可以得到N个目标点云中任意两个点云的几何中心点之间的径向速度差。
S603、对N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群。
具体的，假设N个目标点云中属于第一集群的任一目标点云的几何中心点为第一几何中心点，如果在与N个目标点云分别对应的N个几何中心点中存在一个第二几何点，与该第二几何点对应的目标点云不属于第一集群，并且，该第二几何点与第一几何中心点之间的欧氏距离小于第二距离门限并且径向速度差小于第二速度门限，则将与该第二几何点对应的目标点云加入第一集群。
第二距离门限大于第一距离门限，第二速度门限大于第一速度门限。原因在于，与点云中的点之间的欧氏距离和径向速度差相比，点云之间的欧氏距离和径向速度差都会更大。
S604、对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群。
在一种可能的实施方式中，如果第一集群中存在任意两个目标点云，这任意两个目标点云的移动速度差小于第三速度门限，则将这任意两个目标点云加入第二集群。其中，属于第一集群的目标点云中任意两个目标点云的移动速度差Δv见公式9：
Figure BDA0002955201610000131
其中，i、j为小于第一集群中的目标点云的数目的整数，且i≠j。
在另一种可能的实施方式中，可以根据属于第一集群的任意两个目标点云的几何中心点的距离信息、角度信息和移动速度计算余弦相似度。将余弦相似度小于相似度门限的该任意两个目标点云加入第二集群。
假设属于第一集群的任意两个目标点云的几何中心点分别记为xi＝[ρi,φi,vi]、xj＝[ρj,φj,vj]，则这两个几何中心点的余弦相似度ζ见公式10：
Figure BDA0002955201610000132
其中，ρ为几何中心点的距离信息，φ为几何中心点的角度信息，v为几何中心点的移动速度，几何中心点的移动速度等于对应的目标点云的移动速度。
另外，这两个几何中心点也可以分别记为xi＝[ρi,φi,vix,viy]、xj＝[ρj,φj,vjx,vjy]，其中，
Figure BDA0002955201610000133
Figure BDA0002955201610000134
和
Figure BDA0002955201610000135
为该几何中心点对应的目标点云的目标步进角度。
本申请实施例提供的雷达点云聚类方法，根据同一目标的点云的移动速度差别较小的原理，通过将距离相近、径向速度差较小，并且移动速度差别较小的目标点云聚类为一个目标的集群，从而能够防止一个目标受到部分遮挡或不同位置材料不同而导致一个目标的点云被聚类为多个目标的点云。
对于任一第二集群可以求取其质心，用于表示该集群对应的目标，该质心进一步可以用于对该目标进行目标跟踪、轨迹检测等。
示例性的，如图10所示，可以通过显示屏显示不同的集群，例如通过虚线框将属于同一集群的点云包括其中。或者，可以将属于不同集群的点云采用不同的颜色或显示方式进行区别，例如一个集群的点云采用圆形，另一个集群的点云采用三角形。
可选的，还可以显示各个集群的质心。
如图10中A所示，与图2相比，一个较大目标由于部分受到遮挡或不同位置材料不同导致出现三个点云，虽然三个点云之间距离较大，但是这三个点云的移动速度相近，使得这三个点云可以被聚类成一个目标的集群，从而可以得到一个质心。如图10中B所示，三个较小目标虽然距离较近，但是移动速度均不相同，不能被识别成一个集群，从而可以得到三个质心。
本申请实施例提供了一种雷达点云聚类装置，可以安装在智能汽车、无人机、轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、割草机、娱乐车、游乐场车辆、施工设备、电车、高尔夫球车、火车和手推车等，本申请不作限定。
该雷达点云聚类装置用于执行上述雷达点云聚类方法。可以根据上述方法实施例对雷达点云聚类装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
图11示出了一种雷达点云聚类装置110的结构示意图。该雷达点云聚类装置110包括计算模块1101和聚类模块1102。计算模块1101也可以称为计算单元，用以实现上述方法实施例中的计算功能。例如执行图3中的步骤S301-S302，图6中的步骤S601-S602，图7中的步骤S6011、S6012、S602，图9中的步骤S6011、S60121-S60124、S602。聚类模块1102，也可以称为聚类单元，用以实现上述方法实施例中的聚类功能。例如执行图3中的步骤S303，图6、图7、图9中的步骤S603-S604。
在一种可能的实施方式中，计算模块1101，用于根据点云数据的M个点中任意两个点相对于雷达的角度信息和距离信息，计算任意两个点之间的欧氏距离；其中，M为大于等于2整数；计算模块1101，还用于对任意两个点相对于雷达的径向速度作差，得到任意两个点之间的径向速度差；聚类模块1102，用于对满足欧氏距离小于第一距离门限，并且，径向速度差小于第一速度门限的任意两个点进行聚类，得到N个目标点云；其中，N为大于1的整数。
在一种可能的实施方式中，计算模块1101，还用于根据N个目标点云中每个目标点云的所有点相对于雷达的角度信息和径向速度，计算N个目标点云分别对应的移动速度；计算模块1101，还用于根据N个目标点云分别对应的N个几何中心点相对于雷达的角度信息、距离信息和径向速度差，计算N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差；聚类模块1102，还用于对N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群；聚类模块1102，还用于对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群。
在一种可能的实施方式中，计算模块1101，还用于根据N个目标点云中每个目标点云的所有点相对于雷达的角度信息和径向速度，计算N个目标点云分别对应的移动速度，包括：计算模块1101，具体用于针对N个目标点云中的任一目标点云，根据K个步进角度、任一目标点云的所有T个点相对于雷达的角度信息和径向速度，计算T个点的与K个步进角度对应的移动速度；其中，K为正整数；计算模块1101，具体用于根据T个点的与K个步进角度对应的移动速度，计算任一目标点云的移动速度。
在一种可能的实施方式中，计算模块1101根据K个步进角度、任一目标点云的所有T个点相对于雷达的角度信息和径向速度，计算T个点的与K个步进角度对应的移动速度，包括：计算模块1101，具体用于针对T个点中的第t个点，将K个步进角度分别与第t个点的角度信息相减，得到第t个点的K个候选角度；K个候选角度表示第t个点的K个移动方向，1≤t≤T，t为正整数；计算模块1101，具体用于将第t个点的径向速度向第t个点的K个候选角度分别进行逆投影，得到第t个点的与K个步进角度对应的移动速度。
在一种可能的实施方式中，计算模块1101根据T个点的与K个步进角度对应的移动速度，计算任一目标点云的移动速度，包括：计算模块1101，具体用于针对K个步进角度中的第k个步进角度，对T个点的与第k个步进角度对应的移动速度取平均，得到均值；1≤k≤K，且k为整数；计算模块1101，具体用于计算T个点的与第k个步进角度对应的移动速度与均值之间的均方差；计算模块1101，具体用于根据最小的均方差计算目标步进角度；计算模块1101，具体用于对T个点的与目标步进角度对应的移动速度取平均，得到任一目标点云的移动速度。
在一种可能的实施方式中，计算模块1101根据N个目标点云分别对应的N个几何中心点相对于雷达的角度信息、距离信息和径向速度差，计算N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差，包括：计算模块1101，具体用于根据任意两个几何中心点相对于雷达的角度信息和距离信息，计算任意两个几何中心点之间的欧氏距离；计算模块1101，具体用于对任意两个几何中心点相对于雷达的径向速度作差，得到任意两个几何中心点之间的径向速度差。
在一种可能的实施方式中，聚类模块1102，还用于对N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群，包括：聚类模块1102，具体用于将N个目标点云中不属于第一集群的，与第二几何中心点对应的目标点云，加入第一集群，其中，第二几何中心点与第一几何中心点之间的欧氏距离小于第二距离门限并且径向速度差小于第二速度门限，第一几何中心点为N个目标点云中属于第一集群的任一目标点云的几何中心点。
在一种可能的实施方式中，聚类模块1102，还用于对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：聚类模块1102，具体用于将属于第一集群的、移动速度之差小于第三速度门限的任意两个目标点云加入第二集群。
在一种可能的实施方式中，聚类模块1102，还用于对第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：计算模块1101，具体用于根据属于第一集群的任意两个目标点云的几何中心点的距离信息、角度信息和移动速度计算余弦相似度，其中，几何中心点的移动速度等于对应的目标点云的移动速度；聚类模块1102，具体用于将余弦相似度小于相似度门限的任意两个目标点云加入第二集群。
在一种可能的实施方式中，聚类模块1102，用于对欧氏距离小于第一距离门限，并且，径向速度差小于第一速度门限的任意两个点进行聚类，得到N个目标点云，包括：聚类模块1102，具体用于针对N个目标点云中任一目标点云，将任意两个点中不属于任一目标点云的，并且，与第一点之间的欧氏距离小于第一距离门限并且径向速度差小于第一速度门限的第二点，加入任一目标点云；其中，第一点为任意两个点中属于任一目标点云的点。
在一种可能的实施方式中，第一距离门限和第一速度门限满足以下条件中至少一个：第一点或第二点的距离信息越大，对应的第一距离门限越大；第一点或第二点的距离信息越大，对应的第一速度门限越大。
在本实施例中，该雷达点云聚类装置110以采用集成的方式划分各个功能模块的形式来呈现。这里的“模块”可以指特定ASIC，电路，执行一个或多个软件或固件程序的处理器和存储器，集成逻辑电路，和/或其他可以提供上述功能的器件。
由于本实施例提供的雷达点云聚类装置110可执行上述方法，因此其所能获得的技术效果可参考上述方法实施例，在此不再赘述。
如图12所示，本申请实施例还提供了一种雷达点云聚类装置，该雷达点云聚类装置120包括处理器1201、存储器1202和毫米波雷达1203，处理器1201、存储器1202和毫米波雷达1203耦合，当处理器1201执行存储器1202中的计算机程序或指令时，图3、图6、图7或图9中的方法被执行。处理器1201可以执行图11中计算模块1101和聚类模块1102的功能。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机或处理器上运行时，图3、图6、图7或图9中的方法被执行。
本申请实施例还提供了一种包含指令的计算机程序产品，当指令在计算机或处理器上运行时，图3、图6、图7或图9中的方法被执行。
本申请实施例提供了一种芯片系统，该芯片系统包括处理器，用于雷达点云聚类装置执行图3、图6、图7或图9中的方法。
在一种可能的设计中，该芯片系统还包括存储器，该存储器，用于保存必要的程序指令和数据。该芯片系统，可以包括芯片，集成电路，也可以包含芯片和其他分立器件，本申请实施例对此不作具体限定。
其中，本申请提供的雷达点云聚类装置、芯片、计算机存储介质、计算机程序产品或芯片系统均用于执行上文所述的方法，因此，其所能达到的有益效果可参考上文所提供的实施方式中的有益效果，此处不再赘述。
本申请实施例涉及的处理器可以是一个芯片。例如，可以是现场可编程门阵列(field programmable gate array，FPGA)，可以是专用集成芯片(application specificintegrated circuit，ASIC)，还可以是系统芯片(system on chip，SoC)，还可以是中央处理器(central processor unit，CPU)，还可以是网络处理器(network processor，NP)，还可以是数字信号处理电路(digital signal processor，DSP)，还可以是微控制器(microcontroller unit，MCU)，还可以是可编程控制器(programmable logic device，PLD)或其他集成芯片。
本申请实施例涉及的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-onlymemory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(directrambus RAM，DR RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (34)

1.一种雷达点云聚类方法，其特征在于，包括：
根据点云数据的M个点中任意两个点相对于雷达的角度信息和距离信息，计算所述任意两个点之间的欧氏距离；其中，M为大于等于2的整数；
对所述任意两个点相对于所述雷达的径向速度作差，得到所述任意两个点之间的径向速度差；
对满足欧氏距离小于第一距离门限，并且，径向速度差小于第一速度门限的所述任意两个点进行聚类，得到N个目标点云；其中，N为大于1的整数；
针对所述N个目标点云中的任一目标点云，根据K个步进角度、所述任一目标点云的所有T个点相对于所述雷达的角度信息和径向速度，计算所述T个点的与所述K个步进角度对应的移动速度；其中，K为正整数，所述移动速度与所述径向速度的关系为：所述移动速度向目标与所述雷达之间连线的投影为所述径向速度；
根据所述T个点的与所述K个步进角度对应的移动速度，计算所述任一目标点云的移动速度；
根据所述N个目标点云分别对应的N个几何中心点相对于所述雷达的角度信息、距离信息和径向速度差，计算所述N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差；
对所述N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群；
对所述第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群。
2.根据权利要求1所述的方法，其特征在于，所述根据K个步进角度、所述任一目标点云的所有T个点相对于所述雷达的角度信息和径向速度，计算所述T个点的与所述K个步进角度对应的移动速度，包括：
针对所述T个点中的第t个点，将所述K个步进角度分别与所述第t个点的角度信息相减，得到所述第t个点的K个候选角度；所述K个候选角度表示所述第t个点的K个移动方向，1≤t≤T，t为正整数；
将所述第t个点的径向速度向所述第t个点的所述K个候选角度分别进行逆投影，得到所述第t个点的与所述K个步进角度对应的移动速度，其中，所述K个步进角度中的第k个步进角度为
Figure FDA0003525949680000011
目标点云的T个点中第t个点的方位角为θt，第t个点的径向速度为
Figure FDA0003525949680000012
则第t个点的与第k个步进角度对应的移动速度
Figure FDA0003525949680000013
为：
Figure FDA0003525949680000014
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述T个点的与所述K个步进角度对应的移动速度，计算所述任一目标点云的移动速度，包括：
针对所述K个步进角度中的第k个步进角度，对所述T个点的与所述第k个步进角度对应的移动速度取平均，得到均值；1≤k≤K，且k为整数；
计算所述T个点的与所述第k个步进角度对应的移动速度与所述均值之间的均方差；
根据最小的所述均方差计算目标步进角度；
对所述T个点的与所述目标步进角度对应的移动速度取平均，得到所述任一目标点云的移动速度。
4.根据权利要求1或2所述的方法，其特征在于，所述根据所述N个目标点云分别对应的N个几何中心点相对于所述雷达的角度信息、距离信息和径向速度差，计算所述N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差，包括：
根据所述任意两个几何中心点相对于所述雷达的角度信息和距离信息，计算所述任意两个几何中心点之间的欧氏距离；
对所述任意两个几何中心点相对于所述雷达的径向速度作差，得到所述任意两个几何中心点之间的径向速度差。
5.根据权利要求1或2所述的方法，其特征在于，所述对所述N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群，包括：
将所述N个目标点云中不属于所述第一集群的，与第二几何中心点对应的目标点云，加入所述第一集群，其中，所述第二几何中心点与第一几何中心点之间的欧氏距离小于所述第二距离门限并且径向速度差小于所述第二速度门限，所述第一几何中心点为所述N个目标点云中属于所述第一集群的任一目标点云的几何中心点。
6.根据权利要求1或2所述的方法，其特征在于，所述对所述第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：
将属于所述第一集群的、移动速度之差小于第三速度门限的任意两个目标点云加入所述第二集群。
7.根据权利要求1或2所述的方法，其特征在于，所述对所述第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：
根据属于所述第一集群的任意两个目标点云的几何中心点的距离信息、角度信息和移动速度计算余弦相似度，其中，所述几何中心点的移动速度等于对应的目标点云的移动速度；
将余弦相似度小于相似度门限的所述任意两个目标点云加入所述第二集群。
8.根据权利要求1或2所述的方法，其特征在于，所述对欧氏距离小于第一距离门限，并且，径向速度差小于第一速度门限的所述任意两个点进行聚类，得到N个目标点云，包括：
针对所述N个目标点云中任一目标点云，将所述任意两个点中不属于所述任一目标点云的，并且，与第一点之间的欧氏距离小于所述第一距离门限并且径向速度差小于所述第一速度门限的第二点，加入所述任一目标点云；其中，所述第一点为所述任意两个点中属于所述任一目标点云的点。
9.根据权利要求8所述的方法，其特征在于，所述第一距离门限和所述第一速度门限满足以下条件中至少一个：所述第一点或所述第二点的距离信息越大，对应的第一距离门限越大；所述第一点或所述第二点的距离信息越大，对应的第一速度门限越大。
10.一种雷达点云聚类方法，其特征在于，包括：
针对N个目标点云中的任一目标点云，根据K个步进角度、所述任一目标点云的所有T个点相对于所述雷达的角度信息和径向速度，计算所述T个点的与所述K个步进角度对应的移动速度；其中，K为正整数，所述移动速度与所述径向速度的关系为：所述移动速度向目标与所述雷达之间连线的投影为所述径向速度；
根据所述T个点的与所述K个步进角度对应的移动速度，计算所述任一目标点云的移动速度；
根据所述N个目标点云分别对应的N个几何中心点相对于所述雷达的角度信息、距离信息和径向速度差，计算所述N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差；
对所述N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群；
对所述第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群。
11.根据权利要求10所述的方法，其特征在于，所述根据K个步进角度、所述任一目标点云的所有T个点相对于所述雷达的角度信息和径向速度，计算所述T个点的与所述K个步进角度对应的移动速度，包括：
针对所述T个点中的第t个点，将所述K个步进角度分别与所述第t个点的角度信息相减，得到所述第t个点的K个候选角度；所述K个候选角度表示所述第t个点的K个移动方向，1≤t≤T，t为正整数；
将所述第t个点的径向速度向所述第t个点的所述K个候选角度分别进行逆投影，得到所述第t个点的与所述K个步进角度对应的移动速度，其中，所述K个步进角度中的第k个步进角度为
Figure FDA0003525949680000031
目标点云的T个点中第t个点的方位角为θt，第t个点的径向速度为
Figure FDA0003525949680000032
则第t个点的与第k个步进角度对应的移动速度
Figure FDA0003525949680000033
为：
Figure FDA0003525949680000034
12.根据权利要求10或11所述的方法，其特征在于，所述根据所述T个点的与所述K个步进角度对应的移动速度，计算所述任一目标点云的移动速度，包括：
针对所述K个步进角度中的第k个步进角度，对所述T个点的与所述第k个步进角度对应的移动速度取平均，得到均值；1≤k≤K，且k为整数；
计算所述T个点的与所述第k个步进角度对应的移动速度与所述均值之间的均方差；
根据最小的所述均方差计算目标步进角度；
对所述T个点的与所述目标步进角度对应的移动速度取平均，得到所述任一目标点云的移动速度。
13.根据权利要求10或11所述的方法，其特征在于，所述根据所述N个目标点云的N个几何中心点相对于所述雷达的角度信息、距离信息和径向速度差，计算所述N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差，包括：
根据所述任意两个几何中心点相对于所述雷达的角度信息和距离信息，计算所述任意两个几何中心点之间的欧氏距离；
对所述任意两个几何中心点相对于所述雷达的径向速度作差，得到所述任意两个几何中心点之间的径向速度差。
14.根据权利要求10或11所述的方法，其特征在于，所述对所述N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群，包括：
将所述N个目标点云中不属于所述第一集群的，与第二几何中心点对应的目标点云，加入所述第一集群，其中，所述第二几何中心点与第一几何中心点之间的欧氏距离小于所述第二距离门限并且径向速度差小于所述第二速度门限，所述第一几何中心点为所述N个目标点云中属于所述第一集群的任一目标点云的几何中心点。
15.根据权利要求10或11所述的方法，其特征在于，所述对所述第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：
将属于所述第一集群的、移动速度之差小于第三速度门限的任意两个目标点云加入所述第二集群。
16.根据权利要求10或11所述的方法，其特征在于，所述对所述第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：
根据属于所述第一集群的任意两个目标点云的几何中心点的距离信息、角度信息和移动速度计算余弦相似度，其中，所述几何中心点的移动速度等于对应的目标点云的移动速度；
将余弦相似度小于相似度门限的所述任意两个目标点云加入所述第二集群。
17.一种雷达点云聚类装置，其特征在于，包括：
计算模块，用于根据点云数据的M个点中任意两个点相对于雷达的角度信息和距离信息，计算所述任意两个点之间的欧氏距离；其中，M为大于等于2的整数；
所述计算模块，还用于对所述任意两个点相对于所述雷达的径向速度作差，得到所述任意两个点之间的径向速度差；
聚类模块，用于对满足欧氏距离小于第一距离门限，并且，径向速度差小于第一速度门限的所述任意两个点进行聚类，得到N个目标点云；其中，N为大于1的整数；
所述计算模块，还用于针对所述N个目标点云中的任一目标点云，根据K个步进角度、所述任一目标点云的所有T个点相对于所述雷达的角度信息和径向速度，计算所述T个点的与所述K个步进角度对应的移动速度；其中，K为正整数，所述移动速度与所述径向速度的关系为：所述移动速度向目标与所述雷达之间连线的投影为所述径向速度；
所述计算模块，还用于根据所述T个点的与所述K个步进角度对应的移动速度，计算所述任一目标点云的移动速度；
所述计算模块，还用于根据所述N个目标点云分别对应的N个几何中心点相对于所述雷达的角度信息、距离信息和径向速度差，计算所述N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差；
所述聚类模块，还用于对所述N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群；
所述聚类模块，还用于对所述第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群。
18.根据权利要求17所述的雷达点云聚类装置，其特征在于，所述计算模块，还用于根据K个步进角度、所述任一目标点云的所有T个点相对于所述雷达的角度信息和径向速度，计算所述T个点的与所述K个步进角度对应的移动速度，包括：
所述计算模块，具体用于针对所述T个点中的第t个点，将所述K个步进角度分别与所述第t个点的角度信息相减，得到所述第t个点的K个候选角度；所述K个候选角度表示所述第t个点的K个移动方向，1≤t≤T，t为正整数；
所述计算模块，具体用于将所述第t个点的径向速度向所述第t个点的所述K个候选角度分别进行逆投影，得到所述第t个点的与所述K个步进角度对应的移动速度，其中，所述K个步进角度中的第k个步进角度为
Figure FDA0003525949680000041
目标点云的T个点中第t个点的方位角为θt，第t个点的径向速度为
Figure FDA0003525949680000042
则第t个点的与第k个步进角度对应的移动速度
Figure FDA0003525949680000043
为：
Figure FDA0003525949680000044
19.根据权利要求17或18所述的雷达点云聚类装置，其特征在于，所述计算模块，还用于根据所述T个点的与所述K个步进角度对应的移动速度，计算所述任一目标点云的移动速度，包括：
所述计算模块，具体用于针对所述K个步进角度中的第k个步进角度，对所述T个点的与所述第k个步进角度对应的移动速度取平均，得到均值；1≤k≤K，且k为整数；
所述计算模块，具体用于计算所述T个点的与所述第k个步进角度对应的移动速度与所述均值之间的均方差；
所述计算模块，具体用于根据最小的所述均方差计算目标步进角度；
所述计算模块，具体用于对所述T个点的与所述目标步进角度对应的移动速度取平均，得到所述任一目标点云的移动速度。
20.根据权利要求17或18所述的雷达点云聚类装置，其特征在于，所述计算模块，还用于根据所述N个目标点云分别对应的N个几何中心点相对于所述雷达的角度信息、距离信息和径向速度差，计算所述N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差，包括：
所述计算模块，具体用于根据所述任意两个几何中心点相对于所述雷达的角度信息和距离信息，计算所述任意两个几何中心点之间的欧氏距离；
所述计算模块，具体用于对所述任意两个几何中心点相对于所述雷达的径向速度作差，得到所述任意两个几何中心点之间的径向速度差。
21.根据权利要求17或18所述的雷达点云聚类装置，其特征在于，所述聚类模块，还用于对所述N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群，包括：
所述聚类模块，具体用于将所述N个目标点云中不属于所述第一集群的，与第二几何中心点对应的目标点云，加入所述第一集群，其中，所述第二几何中心点与第一几何中心点之间的欧氏距离小于所述第二距离门限并且径向速度差小于所述第二速度门限，所述第一几何中心点为所述N个目标点云中属于所述第一集群的任一目标点云的几何中心点。
22.根据权利要求17或18所述的雷达点云聚类装置，其特征在于，所述聚类模块，还用于对所述第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：
所述聚类模块，具体用于将属于所述第一集群的、移动速度之差小于第三速度门限的任意两个目标点云加入所述第二集群。
23.根据权利要求17或18所述的雷达点云聚类装置，其特征在于，所述聚类模块，还用于对所述第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：
所述计算模块，具体用于根据属于所述第一集群的任意两个目标点云的几何中心点的距离信息、角度信息和移动速度计算余弦相似度，其中，所述几何中心点的移动速度等于对应的目标点云的移动速度；
所述聚类模块，具体用于将余弦相似度小于相似度门限的所述任意两个目标点云加入所述第二集群。
24.根据权利要求17或18所述的雷达点云聚类装置，其特征在于，所述聚类模块，用于对欧氏距离小于第一距离门限，并且，径向速度差小于第一速度门限的所述任意两个点进行聚类，得到N个目标点云，包括：
所述聚类模块，具体用于针对所述N个目标点云中任一目标点云，将所述任意两个点中不属于所述任一目标点云的，并且，与第一点之间的欧氏距离小于所述第一距离门限并且径向速度差小于所述第一速度门限的第二点，加入所述任一目标点云；其中，所述第一点为所述任意两个点中属于所述任一目标点云的点。
25.根据权利要求24所述的雷达点云聚类装置，其特征在于，所述第一距离门限和所述第一速度门限满足以下条件中至少一个：所述第一点或所述第二点的距离信息越大，对应的第一距离门限越大；所述第一点或所述第二点的距离信息越大，对应的第一速度门限越大。
26.一种雷达点云聚类装置，其特征在于，包括：
计算模块，用于针对N个目标点云中的任一目标点云，根据K个步进角度、所述任一目标点云的所有T个点相对于所述雷达的角度信息和径向速度，计算所述T个点的与所述K个步进角度对应的移动速度；其中，K为正整数，所述移动速度与所述径向速度的关系为：所述移动速度向目标与所述雷达之间连线的投影为所述径向速度；
所述计算模块，还用于根据所述T个点的与所述K个步进角度对应的移动速度，计算所述任一目标点云的移动速度；
所述计算模块，还用于根据所述N个目标点云分别对应的N个几何中心点相对于所述雷达的角度信息、距离信息和径向速度差，计算所述N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差；
聚类模块，用于对所述N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群；
所述聚类模块，还用于对所述第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群。
27.根据权利要求26所述的雷达点云聚类装置，其特征在于，所述计算模块，具体用于根据K个步进角度、所述任一目标点云的所有T个点相对于所述雷达的角度信息和径向速度，计算所述T个点的与所述K个步进角度对应的移动速度，包括：
所述计算模块，具体用于针对所述T个点中的第t个点，将所述K个步进角度分别与所述第t个点的角度信息相减，得到所述第t个点的K个候选角度；所述K个候选角度表示所述第t个点的K个移动方向，1≤t≤T，t为正整数；
所述计算模块，具体用于将所述第t个点的径向速度向所述第t个点的所述K个候选角度分别进行逆投影，得到所述第t个点的与所述K个步进角度对应的移动速度，其中，所述K个步进角度中的第k个步进角度为
Figure FDA0003525949680000061
目标点云的T个点中第t个点的方位角为θt，第t个点的径向速度为
Figure FDA0003525949680000062
则第t个点的与第k个步进角度对应的移动速度
Figure FDA0003525949680000063
为：
Figure FDA0003525949680000064
28.根据权利要求26或27所述的雷达点云聚类装置，其特征在于，所述计算模块，具体用于根据所述T个点的与所述K个步进角度对应的移动速度，计算所述任一目标点云的移动速度，包括：
所述计算模块，具体用于针对所述K个步进角度中的第k个步进角度，对所述T个点的与所述第k个步进角度对应的移动速度取平均，得到均值；1≤k≤K，且k为整数；
所述计算模块，具体用于计算所述T个点的与所述第k个步进角度对应的移动速度与所述均值之间的均方差；
所述计算模块，具体用于根据最小的所述均方差计算目标步进角度；
所述计算模块，具体用于对所述T个点的与所述目标步进角度对应的移动速度取平均，得到所述任一目标点云的移动速度。
29.根据权利要求26或27所述的雷达点云聚类装置，其特征在于，所述计算模块，还用于根据所述N个目标点云的N个几何中心点相对于所述雷达的角度信息、距离信息和径向速度差，计算所述N个几何中心点中任意两个几何中心点之间的欧氏距离和径向速度差，包括：
所述计算模块，具体用于根据所述任意两个几何中心点相对于所述雷达的角度信息和距离信息，计算所述任意两个几何中心点之间的欧氏距离；
所述计算模块，具体用于对所述任意两个几何中心点相对于所述雷达的径向速度作差，得到所述任意两个几何中心点之间的径向速度差。
30.根据权利要求26或27所述的雷达点云聚类装置，其特征在于，所述聚类模块，用于对所述N个目标点云中，几何中心点之间的欧氏距离小于第二距离门限，并且，径向速度差小于第二速度门限的目标点云进行聚类，得到第一集群，包括：
所述聚类模块，具体用于将所述N个目标点云中不属于所述第一集群的，与第二几何中心点对应的目标点云，加入所述第一集群，其中，所述第二几何中心点与第一几何中心点之间的欧氏距离小于所述第二距离门限并且径向速度差小于所述第二速度门限，所述第一几何中心点为所述N个目标点云中属于所述第一集群的任一目标点云的几何中心点。
31.根据权利要求26或27所述的雷达点云聚类装置，其特征在于，所述聚类模块，还用于对所述第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：
所述聚类模块，具体用于将属于所述第一集群的、移动速度之差小于第三速度门限的任意两个目标点云加入所述第二集群。
32.根据权利要求26或27所述的雷达点云聚类装置，其特征在于，所述聚类模块，还用于对所述第一集群中，移动速度满足条件的目标点云进行聚类，得到第二集群，包括：
所述计算模块，具体用于根据属于所述第一集群的任意两个目标点云的几何中心点的距离信息、角度信息和移动速度计算余弦相似度，其中，所述几何中心点的移动速度等于对应的目标点云的移动速度；
所述聚类模块，具体用于将余弦相似度小于相似度门限的所述任意两个目标点云加入所述第二集群。
33.一种雷达点云聚类装置，其特征在于，包括：处理器、存储器和毫米波雷达，所述处理器、所述存储器和所述毫米波雷达耦合，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器中存储的所述计算机程序，以使得所述雷达点云聚类装置执行如权利要求1-9任一项所述的方法，或者，执行如权利要求10-16任一项所述的方法。
34.一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中存储有计算机程序，当其在计算机上运行时，如权利要求1-9任一项所述的方法被执行，或者，如权利要求10-16任一项所述的方法被执行。
CN202080004810.8A 2020-04-29 2020-04-29 雷达点云聚类方法和装置 Active CN112689775B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/087874 WO2021217518A1 (zh) 2020-04-29 2020-04-29 雷达点云聚类方法和装置

Publications (2)

Publication Number Publication Date
CN112689775A CN112689775A (zh) 2021-04-20
CN112689775B true CN112689775B (zh) 2022-06-14

Family

ID=75457661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080004810.8A Active CN112689775B (zh) 2020-04-29 2020-04-29 雷达点云聚类方法和装置

Country Status (2)

Country Link
CN (1) CN112689775B (zh)
WO (1) WO2021217518A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114460582B (zh) * 2021-12-14 2023-04-14 江苏航天大为科技股份有限公司 一种基于点云速度的毫米波雷达大车识别方法
TWI819613B (zh) * 2022-05-19 2023-10-21 緯創資通股份有限公司 物件的雙感測方法及用於物件感測的運算裝置
CN115171378B (zh) * 2022-06-28 2023-10-27 武汉理工大学 一种基于路侧雷达长距离多车辆高精度检测追踪方法
CN115439484B (zh) * 2022-11-10 2023-03-21 苏州挚途科技有限公司 基于4d点云的检测方法、装置、存储介质及处理器
CN115600118B (zh) * 2022-11-29 2023-08-08 山东亚历山大智能科技有限公司 基于二维激光点云的托盘腿识别方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710828A (zh) * 2018-04-18 2018-10-26 北京汽车集团有限公司 识别目标物的方法、装置和存储介质以及车辆
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
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
CN109849930A (zh) * 2018-12-29 2019-06-07 百度在线网络技术（北京）有限公司 自动驾驶汽车的相邻车辆的速度计算方法和装置
US10353053B2 (en) * 2016-04-22 2019-07-16 Huawei Technologies Co., Ltd. Object detection using radar and machine learning

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10353053B2 (en) * 2016-04-22 2019-07-16 Huawei Technologies Co., Ltd. Object detection using radar and machine learning
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
CN108710828A (zh) * 2018-04-18 2018-10-26 北京汽车集团有限公司 识别目标物的方法、装置和存储介质以及车辆
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
CN109849930A (zh) * 2018-12-29 2019-06-07 百度在线网络技术（北京）有限公司 自动驾驶汽车的相邻车辆的速度计算方法和装置

Also Published As

Publication number Publication date
WO2021217518A1 (zh) 2021-11-04
CN112689775A (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN112689775B (zh) 雷达点云聚类方法和装置
US8718323B2 (en) Batch detection association for enhanced target descrimination in dense detection environments
CN111398943B (zh) 目标姿态的确定方法及终端设备
CN109917390A (zh) 基于雷达的车辆检测方法和系统
CN107229033B (zh) 基于高度维分段搜索的多目标到达时间差定位方法
CN102411136A (zh) 一种扩展基线解模糊的相位干涉仪测向方法
CN113009441B (zh) 一种雷达运动反射面多径目标的识别方法及装置
CN112083387B (zh) 一种雷达标定方法及装置
CN104330767A (zh) 基于相位模糊数搜索与最小二乘拟合的干涉仪测向方法
CN110333480B (zh) 一种基于聚类的单无人机多目标aoa定位方法
CN105787081B (zh) 一种基于辐射源空间位置的辐射平台关联方法
GB2496030A (en) Monopulse radar
KR20200071289A (ko) Fmcw 레이다의 신호를 활용하여 표적의 형상을 추정하는 장치 및 그 방법
CN114966591A (zh) 一种大目标检测方法、大目标检测装置及电子设备
Nicolalde-Rodríguez et al. Robust passive coherent location via nonlinearly constrained least squares
CN113325410A (zh) 一种雷达天线信号处理方法、装置、控制设备及存储介质
CN109541541B (zh) 一种室内三角定位精度修正方法及装置
CN116256713B (zh) 用于确定目标对象的移动性状态的方法
US20220091252A1 (en) Motion state determining method and apparatus
Schikora et al. Passive multi-object localization and tracking using bearing data
Kim et al. Deep-learning based multi-object detection and tracking using range-angle map in automotive radar systems
CN112689773B (zh) 雷达信号处理方法和雷达信号处理装置
Wielgo et al. Convolutional neural network for 3D ISAR non-cooperative target recognition
CN113534130A (zh) 基于视线角度的多站雷达多目标数据关联方法
Pidanic et al. Advanced targets association based on GPU computation of PHD function

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