CN113256990B - 基于聚类算法的雷达采集道路车辆信息的方法及系统 - Google Patents

基于聚类算法的雷达采集道路车辆信息的方法及系统 Download PDF

Info

Publication number
CN113256990B
CN113256990B CN202110789117.2A CN202110789117A CN113256990B CN 113256990 B CN113256990 B CN 113256990B CN 202110789117 A CN202110789117 A CN 202110789117A CN 113256990 B CN113256990 B CN 113256990B
Authority
CN
China
Prior art keywords
data
radar
target
point data
measurement point
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
CN202110789117.2A
Other languages
English (en)
Other versions
CN113256990A (zh
Inventor
李洋
陆海凌
王彦平
申文杰
林赟
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.)
Beijing Shuning Information Technology Co ltd
Original Assignee
Beijing Shuning Information Technology 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 Beijing Shuning Information Technology Co ltd filed Critical Beijing Shuning Information Technology Co ltd
Priority to CN202110789117.2A priority Critical patent/CN113256990B/zh
Publication of CN113256990A publication Critical patent/CN113256990A/zh
Application granted granted Critical
Publication of CN113256990B publication Critical patent/CN113256990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
    • G01S13/92—Radar or analogous systems specially adapted for specific applications for traffic control for velocity measurement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开基于聚类算法的雷达采集道路车辆信息的方法和系统，其中该方法包括：获取特征变量符合预设特征区间的雷达测量点数据，存储为第一数据集；基于时间对第一数据集中的雷达测量点数据分别添加帧序号，对第一数据集中的雷达测量点数据进行归一化处理和聚类处理，从第一数据集中的雷达测量点数据获取多个目标簇数据；利用帧序号和目标与雷达的纵向相对距离构建坐标系，将目标簇数据中每一个雷达测量点数据映射到所述坐标系中，并基于起始雷达测量点数据和终止雷达测量点数据落在所述坐标系中的位置筛选出有效簇数据；基于有效簇数据包含的雷达测量点数据计算道路车辆信息，解决了现有统计方法精度不足的问题。

Description

基于聚类算法的雷达采集道路车辆信息的方法及系统
技术领域
本发明涉及雷达应用领域，尤其涉及基于聚类算法的雷达采集道路车辆信息的方法及系统。
背景技术
现有检测道路车辆信息的方式有诸多弊端，例如：采用光学相机进行视频检测的方式受光照、天气影响，无法对交通状况进行24小时连续监测；采用埋设于地面下磁感应检测器进行检测的方法，在安装设备时会破坏地面，安装成本较高且安装时会严重影响交通；采用空气管道进行检测，能获取的信息维度有限，只能得到车辆的数目，无法得到速度等更多有价值的信息。
与以上方式相较，采用毫米波雷达采集道路车辆信息，可以不受光照、天气的影响，对交通状况进行24小时连续监测；安装方便快捷，成本更低。毫米波雷达通过多普勒公式计算目标速度，可以得到一段时间内车辆的平均速度、最大速度、最小速度等更多统计信息。
然而，利用毫米波雷达检测道路车辆信息的难点在于，接收的电磁波存在背景杂波，以及同一目标的多次反射回波形成的多径噪点。多径噪点和目标点特征相近，难以区分，极易造成计数错误等问题。
发明内容
本发明的目的在于提供基于聚类算法的雷达采集道路车辆信息的方法及系统，通过筛选雷达测量点数据、归一化处理和聚类处理等操作，删除多径噪点等噪音数据，可快速、精确的获得目标道路车辆信息。
为了实现上述目的，本发明提供如下技术方案：
一种基于聚类算法的雷达采集道路车辆信息的方法，包括：
获取特征变量符合预设特征区间的雷达测量点数据，并存储为第一数据集，其中，每个雷达测量点数据的特征变量包括目标与雷达的纵向相对距离和数据采集时间；
基于时间对第一数据集中的雷达测量点数据分别添加帧序号，并对第一数据集中的雷达测量点数据进行归一化处理和聚类处理，以从第一数据集中的雷达测量点数据获取多个目标簇数据；
利用所述帧序号和所述目标与雷达的纵向相对距离构建坐标系，将目标簇数据中每一个雷达测量点数据映射到所述坐标系中，并基于起始雷达测量点数据和终止雷达测量点数据落在所述坐标系中的位置筛选出有效簇数据；
基于有效簇数据包含的雷达测量点数据计算道路车辆信息。
其中，雷达测量点数据的特征变量还包括目标与雷达的横向相对距离、目标的速度以及目标的雷达散射截面中的至少一种；特征区间为针对特征变量分别预先设置的有效区间；获取特征变量符合预设的特征区间的雷达测量点数据的方法包括：
获取全部的雷达测试点数据；
将雷达测试点数据的特征变量分别与对应的特征区间比较；
筛选出特征变量都分别符合对应的特征区间的雷达测量点数据，并存储为第一数据集。
优选地，添加帧序号的方法包括：将第一数据集中的雷达测量点数据按测量时间排序，从时间最早的雷达测量点数据开始依次添加帧序号。
较佳地，对第一数据集中的雷达测量点数据的所有特征变量分别进行归一化处理。
进一步地，聚类处理的方法包括：
利用DBSCAN算法将归一化处理之后的雷达测量点数据归类为簇数据，或同时获取并删除离散数据；
将簇数据存储为目标簇数据。
优选地，归一化处理包括第一归一化处理和第二归一化处理，聚类处理包括第一聚类处理和第二聚类处理；对第一数据集中的雷达测量点数据进行归一化处理和聚类处理的方法包括：
对第一数据集中的雷达测量点数据依次进行第一归一化处理和第一聚类处理，获取第一簇数据和第一离散数据，通过删除第一离散数据以过滤测量噪点，并将所有的第一簇数据中的雷达测量数据存储到第二数据集；
对第二数据集中的雷达测量点数据依次进行第二归一化处理和第二聚类处理，获取第二簇数据，并将所有的第二簇数据存储为目标簇数据。
较佳地，利用帧序号和目标与雷达的纵向相对距离构建坐标系，将目标簇数据中每一个雷达测量点数据映射到坐标系中，并基于起始雷达测量点数据和终止雷达测量点数据落在坐标系中的位置筛选出有效簇数据，包括：
将帧序号作为坐标系横轴变量，将目标与雷达的纵向相对距离作为坐标系纵轴变量，建立坐标系；
将数据采集时间特征区间两极值对应的帧序号分别设置为第一最小值
Figure 100002_DEST_PATH_IMAGE001
和第一最大值
Figure 534653DEST_PATH_IMAGE002
，并且针对帧序号设置第一偏移量
Figure 100002_DEST_PATH_IMAGE003
；
将目标与雷达纵向相对距离的特征区间的两极值分别设置为第二最小值
Figure 794733DEST_PATH_IMAGE004
和第二最大值
Figure 100002_DEST_PATH_IMAGE005
，并且针对目标与雷达的纵向相对距离设置第二偏移量
Figure 935865DEST_PATH_IMAGE006
；
基于第一最小值
Figure 965001DEST_PATH_IMAGE001
、第一最大值
Figure 736647DEST_PATH_IMAGE002
、第一偏移量
Figure 218444DEST_PATH_IMAGE003
、第二最小值
Figure 632108DEST_PATH_IMAGE004
、第二最大值
Figure 250171DEST_PATH_IMAGE005
和第二偏移量
Figure 458299DEST_PATH_IMAGE006
在坐标系中选取目标区域，目标区域中任一点
Figure 100002_DEST_PATH_IMAGE007
满足：
Figure 100002_DEST_PATH_IMAGE009
筛选出起始雷达测量点数据和终止雷达测量点数据都落在目标区域内的目标簇数据，并存储为有效簇数据。
优选地，利用帧序号和目标与雷达的纵向相对距离构建坐标系，将目标簇数据中每一个雷达测量点数据映射到坐标系中，并基于起始雷达测量点数据和终止雷达测量点数据落在坐标系中的位置筛选出有效簇数据，包括：
将帧序号作为坐标系横轴变量，将目标与雷达的纵向相对距离作为坐标系纵轴变量，建立坐标系；
将数据采集时间特征区间两极值对应的帧序号分别设置为第一最小值
Figure 964410DEST_PATH_IMAGE001
和第一最大值
Figure 916185DEST_PATH_IMAGE002
，并且针对帧序号设置第一偏移量
Figure 654334DEST_PATH_IMAGE003
；
将目标与雷达纵向相对距离的特征区间的两极值分别设置为第二最小值
Figure 33363DEST_PATH_IMAGE004
和第二最大值
Figure 489752DEST_PATH_IMAGE005
，并且针对目标与雷达的纵向相对距离设置第二偏移量
Figure 979639DEST_PATH_IMAGE006
；
基于第一最小值
Figure 572294DEST_PATH_IMAGE001
、第一最大值
Figure 387804DEST_PATH_IMAGE002
、第一偏移量
Figure 65910DEST_PATH_IMAGE003
、第二最小值
Figure 359488DEST_PATH_IMAGE004
、第二最大值
Figure 72229DEST_PATH_IMAGE005
和第二偏移量
Figure 793060DEST_PATH_IMAGE006
在坐标系中选取无效区域，无效区域中任一点
Figure 224042DEST_PATH_IMAGE010
满足：
Figure DEST_PATH_IMAGE011
筛选出起始雷达测量点数据和/或终止雷达测量点数据落在无效区域内的目标簇数据，判断为无效簇数据并删除；
将剩余目标簇数据存储为有效簇数据。
优选地，计算道路车辆信息的方法包括以下任意一项或多项：
选取所有有效簇数据中同一时刻的雷达测量点数据，获取对应簇中对应帧的数据点，计算数据点的速度的平均值，即为该目标指定时刻的速度；或通过截取各簇中该时间帧的数据点，分别计算该帧中属于各簇的点的速度平均值；
选取任一有效簇数据中的所有雷达测量点数据，通过首末时刻的位移及采样时间差计算有效簇数据对应的目标车辆的平均车速；或同时基于所有目标车辆的平均速度计算总平均速度，并统计最大车速与最小车速。
一种基于聚类算法的雷达采集道路车辆信息的系统，包括数据采集模块、数据处理模块和道路车辆信息计算模块，数据处理模块包括加载单元、第一处理单元和第二处理单元，其中，
数据采集模块用于获取雷达测量点数据，其中，每个雷达测量点数据的特征变量包括目标与雷达的纵向相对距离和数据采集时间；
加载单元，用于获取特征变量符合预设特征区间的雷达测量点数据，并存储为第一数据集；
第一处理单元，用于基于时间对第一数据集中的雷达测量点数据分别添加帧序号，并对第一数据集中的雷达测量点数据进行归一化处理和聚类处理，以从第一数据集中的雷达测量点数据获取多个目标簇数据；
第二处理单元，用于利用帧序号和目标与雷达的纵向相对距离构建坐标系，将目标簇数据中每一个雷达测量点数据映射到坐标系中，并基于起始雷达测量点数据和终止雷达测量点数据落在坐标系中的位置筛选出有效簇数据；
道路车辆信息计算模块用于基于有效簇数据包含的雷达测量点数据计算道路车辆信息。
与现有技术相比，本发明提供的基于聚类算法的雷达采集道路车辆信息的方法及系统具有以下有益效果：
本发明提供的基于聚类算法的雷达采集道路车辆信息的方法，利用雷达测量道路车辆数据通过设置特征区间对雷达测量点数据进行初筛，再经过聚类处理进一步去除噪声，通过逻辑判断筛选出表示完整轨迹的雷达测量点数据、去除多径噪声，最后计算得出估计的道路车辆信息。去除了噪声的干扰，能得到更精确的道路车辆信息。
本发明提供的基于聚类算法的雷达采集道路车辆信息的系统，采用上述方法，通过设置阈值与逻辑判断，相比已有系统，能更好地识别并剔除背景噪声、测量噪声和多径噪声等噪音数据，能更快速地得到更准确的道路车辆信息。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例中操作流程的示意图；
图2为本发明实施例中毫米波雷达安装示意图；
图3为本发明实施例中雷达坐标二维示意图；
图4为本发明实施例中单帧雷达测量点数据二维示意图；
图5为本发明实施例中多帧雷达测量点数据合并显示三维示意图；
图6为本发明实施例中经过初步筛选和第一聚类的三维簇示意图；
图7为本发明实施例中去除噪声后的三维簇示意图；
图8为本发明实施例中去除多径噪声前经过第二聚类的三维簇示意图；
图9为本发明实施例中目标区域的示意图；
图10为本发明实施例中无效区域的示意图；
图11为本发明实施例中去除多径噪声后的三维簇示意图；
图12(a)为本发明实施例中去除多径噪声前的二维示意图；
图12(b)为本发明实施例中去除多径噪声后的二维示意图；
图13为本发明实施例中需删除的异常簇的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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的前提下所获得的所有其它实施例，均属于本发明保护的范围。
实施例一
请参阅图1，本实施例提供一种基于聚类算法的雷达采集道路车辆信息的方法，包括：
获取特征变量符合预设特征区间的雷达测量点数据，并存储为第一数据集，其中，每个雷达测量点数据的特征变量包括目标与雷达的纵向相对距离和数据采集时间；
基于时间对第一数据集中的雷达测量点数据分别添加帧序号，并对第一数据集中的雷达测量点数据进行归一化处理和聚类处理，以从第一数据集中的雷达测量点数据获取多个目标簇数据；
利用所述帧序号和所述目标与雷达的纵向相对距离构建坐标系，将目标簇数据中每一个雷达测量点数据映射到所述坐标系中，并基于起始雷达测量点数据和终止雷达测量点数据落在所述坐标系中的位置筛选出有效簇数据；
基于有效簇数据包含的雷达测量点数据计算道路车辆信息。
本申请提供的基于聚类算法的雷达采集道路车辆信息的方法，利用特征区间对雷达测量点数据的初筛，以及对筛选后的雷达测量点数据进行归一化及聚类处理，有效地删除了背景噪声、测量噪声及多径噪声等噪音数据，能更准确地计算道路车辆信息，避免噪声干扰导致计算结果偏离实际。
本申请提供的基于聚类算法的雷达采集道路车辆信息的方法中，毫米波雷达如图2所示安装在道路上方，雷达坐标系如图3所示。单帧雷达测量点数据如图4所示，多帧雷达测量点数据合并显示如图5所示。其中，沿道路方向建立
Figure 321311DEST_PATH_IMAGE012
轴，垂直于道路的方向建立
Figure DEST_PATH_IMAGE013
轴，用以获取雷达测量点数据，该雷达测量点数据的特征变量除了包括上述目标与雷达的纵向相对距离和数据采集时间，还包括目标与雷达的横向相对距离、目标的速度以及目标的雷达散射截面中的至少一种；特征区间为针对特征变量分别预先设置的有效区间。在此基础上，获取特征变量符合预设的特征区间的雷达测量点数据的方法包括：
获取全部的雷达测试点数据；
将雷达测试点数据的特征变量分别与对应的特征区间比较；
筛选出特征变量都分别符合对应的特征区间的雷达测量点数据，并存储为第一数据集。
具体实施中，特征区间为目标统计范围的阈值，具体包括目标与雷达的纵向相对距离阈值、目标与雷达的横向相对距离阈值、目标的速度阈值、采集时间阈值以及目标的雷达散射截面阈值中的至少一项。例如只需统计超速车辆，则将目标的速度阈值设为
Figure 154137DEST_PATH_IMAGE014
以上。
本领域技术人员应当知道的是，雷达获取到的原始数据包含斜距向距离
Figure DEST_PATH_IMAGE015
和方位角
Figure 577028DEST_PATH_IMAGE016
。雷达通过
Figure 229727DEST_PATH_IMAGE015
与
Figure 865107DEST_PATH_IMAGE016
可以直接计算出检测点在直角坐标系中的位置
Figure DEST_PATH_IMAGE017
，
Figure 818020DEST_PATH_IMAGE012
为目标与雷达的纵向相对距离，
Figure 880654DEST_PATH_IMAGE013
为目标与雷达的横向相对距离。读入数据时进行数据筛选，根据雷达性能和自身需求，将
Figure 20648DEST_PATH_IMAGE012
值限定在数据精度较高的范围
Figure 194140DEST_PATH_IMAGE018
，建议。根据实际道路情况，结合测量误差，限制
Figure 735980DEST_PATH_IMAGE013
值在实际道路宽度的2倍范围内，例如实际道路宽度为
Figure DEST_PATH_IMAGE019
，则设置
Figure 500674DEST_PATH_IMAGE020
。限制速度在目标的速度的可能范围，如
Figure DEST_PATH_IMAGE021
内。然后设置
Figure 393544DEST_PATH_IMAGE022
值在
Figure DEST_PATH_IMAGE023
范围内，以去除
Figure 901885DEST_PATH_IMAGE022
值不在此范围内的背景噪声。雷达散射截面是度量目标在雷达波照射下所产生回波强度的一种物理量，简称。它是目标的假想面积，用一个各向均匀的等效反射器的投影面积来表示，该等效反射器与被定义的目标在接收方向单位立体角内具有相同的回波功率。一般用符号
Figure 298232DEST_PATH_IMAGE024
表示目标的雷达散射截面。除了用平方米为单位反映雷达散射截面外，另一种更通用的方法是用雷达散射截面的对数值的十倍来表示，符号是
Figure DEST_PATH_IMAGE025
，单位是分贝平方米（
Figure 233827DEST_PATH_IMAGE026
），即
Figure DEST_PATH_IMAGE027
。例如，
Figure 348413DEST_PATH_IMAGE022
值
Figure 129287DEST_PATH_IMAGE028
平方米对应的是
Figure DEST_PATH_IMAGE029
。
添加帧序号的方法包括：将第一数据集中的雷达测量点数据按测量时间排序，从时间最早的雷达测量点数据开始依次添加帧序号。
对采集得到的数据中，时间最早的一帧的数据，将其帧序号记为
Figure 911298DEST_PATH_IMAGE030
，时间晚于此帧数据的按照时间先后依次记为
Figure DEST_PATH_IMAGE031
，
Figure 752216DEST_PATH_IMAGE032
，…。经过这样处理后，保留数据的特征包括帧序号
Figure DEST_PATH_IMAGE033
，
Figure 371676DEST_PATH_IMAGE012
值、
Figure 956241DEST_PATH_IMAGE013
值、
Figure 61601DEST_PATH_IMAGE034
速度。如果当帧没有数据，则记为空值。
使用帧序号而不是绝对时间，可以避免因不同目标出现在目标区域内的间隔时间过长导致的数据稀疏，提高统计效率改善统计效果。
本实施例提供的基于聚类算法的雷达采集道路车辆信息的方法中，基于时间对第一数据集中的雷达测量点数据分别添加帧序号后，对第一数据集中的雷达测量点数据的所有特征变量分别进行归一化处理。其中，归一化处理是指，将某一特征变量在所有雷达测量点数据中的值以最大值为
Figure 73419DEST_PATH_IMAGE030
为标准等比缩放。将各特征变量分别进行归一化处理可以避免单位不同导致后续DBSCAN中计算欧氏距离时数量级不统一的问题。
对归一化后的雷达测量点数据进行聚类处理的方法包括：
利用DBSCAN算法将归一化处理之后的雷达测量点数据归类为簇数据，或同时获取并删除离散数据；将簇数据存储为目标簇数据。
在DBSCAN中可使用通用的自适应参数设置方法（或使用固定的经验值：
Figure DEST_PATH_IMAGE035
，
Figure 162598DEST_PATH_IMAGE036
），点间距离类型选用欧式距离。任意
Figure DEST_PATH_IMAGE037
、
Figure 550854DEST_PATH_IMAGE038
两点间的欧式距离
Figure DEST_PATH_IMAGE039
计算公式为：
Figure DEST_PATH_IMAGE041
DBSCAN结果中标记为
Figure 838616DEST_PATH_IMAGE042
的离群点即为杂乱噪点。
本领域技术人员应了解的是，DBSCAN是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。
归一化处理包括第一归一化处理和第二归一化处理，聚类处理包括第一聚类处理和第二聚类处理；对第一数据集中的雷达测量点数据进行归一化处理和聚类处理的方法包括：
对第一数据集中的雷达测量点数据依次进行第一归一化处理和第一聚类处理，结果如图6所示，获取第一簇数据和第一离散数据，通过删除第一离散数据以过滤测量噪点，并将所有的第一簇数据中的雷达测量数据存储到第二数据集，结果如图7所示；
对第二数据集中的雷达测量点数据依次进行第二归一化处理和第二聚类处理，获取第二簇数据，并将所有的第二簇数据存储为目标簇数据，结果如图8所示。
在第一聚类处理后删除噪声数据并进行第二归一化处理和第二聚类处理，可以去除噪声对归一化及聚类结果的影响，提高数据处理准确度。
请参阅图9，利用帧序号和目标与雷达的纵向相对距离构建坐标系，将目标簇数据中每一个雷达测量点数据映射到坐标系中，并基于起始雷达测量点数据和终止雷达测量点数据落在坐标系中的位置筛选出有效簇数据，包括：
将帧序号作为坐标系横轴变量，将目标与雷达的纵向相对距离作为坐标系纵轴变量，建立坐标系；
将数据采集时间特征区间两极值对应的帧序号分别设置为第一最小值
Figure 755756DEST_PATH_IMAGE001
和第一最大值
Figure 597810DEST_PATH_IMAGE002
，并且针对帧序号设置第一偏移量
Figure 524178DEST_PATH_IMAGE003
；
将目标与雷达纵向相对距离的特征区间的两极值分别设置为第二最小值
Figure 604129DEST_PATH_IMAGE004
和第二最大值
Figure 957750DEST_PATH_IMAGE005
，并且针对目标与雷达的纵向相对距离设置第二偏移量
Figure 490363DEST_PATH_IMAGE006
；
基于第一最小值
Figure 220421DEST_PATH_IMAGE001
、第一最大值、第一偏移量
Figure 154879DEST_PATH_IMAGE003
、第二最小值
Figure 413822DEST_PATH_IMAGE004
、第二最大值
Figure 699310DEST_PATH_IMAGE005
和第二偏移量
Figure 233060DEST_PATH_IMAGE006
在坐标系中选取目标区域，目标区域中任一点
Figure 22024DEST_PATH_IMAGE007
满足：
Figure DEST_PATH_IMAGE043
，图9中阴影部分即为目标区域示意。
筛选出起始雷达测量点数据和终止雷达测量点数据都落在目标区域内的目标簇数据，并存储为有效簇数据。
请参阅图10，在具体实施中，利用帧序号和目标与雷达的纵向相对距离构建坐标系，将目标簇数据中每一个雷达测量点数据映射到坐标系中，并基于起始雷达测量点数据和终止雷达测量点数据落在坐标系中的位置筛选出有效簇数据，也可以包括：
将帧序号作为坐标系横轴变量，将目标与雷达的纵向相对距离作为坐标系纵轴变量，建立坐标系；
将数据采集时间特征区间两极值对应的帧序号分别设置为第一最小值
Figure 983027DEST_PATH_IMAGE001
和第一最大值
Figure 490232DEST_PATH_IMAGE002
，并且针对帧序号设置第一偏移量
Figure 296514DEST_PATH_IMAGE003
；
将目标与雷达纵向相对距离的特征区间的两极值分别设置为第二最小值
Figure 205564DEST_PATH_IMAGE004
和第二最大值
Figure 337468DEST_PATH_IMAGE005
，并且针对目标与雷达的纵向相对距离设置第二偏移量
Figure 66389DEST_PATH_IMAGE006
；
基于第一最小值
Figure 676362DEST_PATH_IMAGE001
、第一最大值
Figure 439919DEST_PATH_IMAGE002
、第一偏移量
Figure 477145DEST_PATH_IMAGE003
、第二最小值
Figure 693363DEST_PATH_IMAGE004
、第二最大值
Figure 107027DEST_PATH_IMAGE005
和第二偏移量
Figure 725090DEST_PATH_IMAGE006
在坐标系中选取无效区域，无效区域中任一点
Figure 198796DEST_PATH_IMAGE010
满足：
Figure 902310DEST_PATH_IMAGE011
，图10中阴影部分即为该无效区域示意；
筛选出起始雷达测量点数据和/或终止雷达测量点数据落在无效区域内的目标簇数据，判断为无效簇数据并删除；
将剩余目标簇数据存储为有效簇数据。
还可以建立三维坐标系，三个维度分别为目标与雷达的纵向相对距离、目标与雷达的横向相对距离和帧序号。加入目标与雷达的横向相对距离这一维度可以将原本重叠交叉的簇分开，更直观。实际应用中每一簇可以采用不同的颜色，人眼更容易区分识别。
通过前述步骤可以删除代表多径噪声的簇。去除多径噪声后剩余的簇如图11所示，去除多径噪声前后的二维效果对比如图12(a)与图12(b)所示。
请参阅图13，上述判断有效簇的方法，其原理为：在无雷达测量点数据采集时间限制的情况下，即只有目标与雷达的纵向相对距离这一个维度时，正常簇的目标与雷达的纵向相对距离应在最远目标距离与最近目标距离中间连续存在，即：车辆由远及近或由近及远完整经过目标区域
Figure 119665DEST_PATH_IMAGE007
。当雷达测量点数据采集时间（对应帧序号）受限后，即在图中增加帧序号的最大值与最小值后，正常簇在图中应表现为两端点均在两维度的极值向内偏移小于
Figure 592235DEST_PATH_IMAGE003
和
Figure 236843DEST_PATH_IMAGE006
的范围内，而异常簇在图中会表现为至少一端点在两维度的极值向内偏移大于
Figure 427652DEST_PATH_IMAGE003
和
Figure 917540DEST_PATH_IMAGE006
。
计算道路车辆信息的方法包括以下任意一项或多项：
选取所有有效簇数据中同一时刻的雷达测量点数据，获取对应簇中对应帧的数据点，计算数据点的速度的平均值，即为该目标指定时刻的速度；或通过截取各簇中该时间帧的数据点，分别计算该帧中属于各簇的点的速度平均值；
选取任一有效簇数据中的所有雷达测量点数据，通过首末时刻的位移及采样时间差计算有效簇数据对应的目标车辆的平均车速；或同时基于所有目标车辆的平均速度计算总平均速度，并统计最大车速与最小车速。
实施例二
一种基于聚类算法的雷达采集道路车辆信息的系统，包括数据采集模块、数据处理模块和道路车辆信息计算模块，数据处理模块包括加载单元、第一处理单元和第二处理单元，其中，
数据采集模块用于获取雷达测量点数据，其中，每个雷达测量点数据的特征变量包括目标与雷达的纵向相对距离和数据采集时间；
加载单元，用于获取特征变量符合预设特征区间的雷达测量点数据，并存储为第一数据集；
第一处理单元，用于基于时间对第一数据集中的雷达测量点数据分别添加帧序号，并对第一数据集中的雷达测量点数据进行归一化处理和聚类处理，以从第一数据集中的雷达测量点数据获取多个目标簇数据；
第二处理单元，用于利用帧序号和目标与雷达的纵向相对距离构建坐标系，将目标簇数据中每一个雷达测量点数据映射到坐标系中，并基于起始雷达测量点数据和终止雷达测量点数据落在坐标系中的位置筛选出有效簇数据；
道路车辆信息计算模块用于基于有效簇数据包含的雷达测量点数据计算道路车辆信息。
本实施例提供的基于聚类算法的雷达采集道路车辆信息的系统采用上述基于聚类算法的雷达采集道路车辆信息的方法，通过模块化设计将不同步骤拆分为不同模块，使逻辑更清晰、应用更便捷、维护更容易。同时本系统利用前述方法，可以减小噪声对结果的影响，更快地得到更准确的结果。
在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于聚类算法的雷达采集道路车辆信息的方法，其特征在于，包括：
获取特征变量符合预设特征区间的雷达测量点数据，并存储为第一数据集，其中，每个所述雷达测量点数据的特征变量包括目标与雷达的纵向相对距离和数据采集时间；
基于时间对所述第一数据集中的雷达测量点数据分别添加帧序号，并对所述第一数据集中的雷达测量点数据进行归一化处理和聚类处理，以从所述第一数据集中的雷达测量点数据获取多个目标簇数据；
利用所述帧序号和所述目标与雷达的纵向相对距离构建坐标系，将目标簇数据中每一个雷达测量点数据映射到所述坐标系中，并基于起始雷达测量点数据和终止雷达测量点数据落在所述坐标系中的位置筛选出有效簇数据；
基于所述有效簇数据包含的雷达测量点数据计算道路车辆信息;
其中，所述利用所述帧序号和所述目标与雷达的纵向相对距离构建坐标系，将目标簇数据中每一个雷达测量点数据映射到所述坐标系中，并基于起始雷达测量点数据和终止雷达测量点数据落在所述坐标系中的位置筛选出有效簇数据，包括：
将帧序号作为坐标系横轴变量，将目标与雷达的纵向相对距离作为坐标系纵轴变量，建立坐标系；
将数据采集时间特征区间两极值对应的帧序号分别设置为第一最小值
Figure DEST_PATH_IMAGE001
和第一最大值
Figure 807798DEST_PATH_IMAGE002
，并且针对所述帧序号设置第一偏移量
Figure DEST_PATH_IMAGE003
；
将目标与雷达纵向相对距离的特征区间的两极值分别设置为第二最小值
Figure 502214DEST_PATH_IMAGE004
和第二最大值
Figure DEST_PATH_IMAGE005
，并且针对所述目标与雷达的纵向相对距离设置第二偏移量
Figure 32553DEST_PATH_IMAGE006
；
基于所述第一最小值
Figure 51324DEST_PATH_IMAGE001
、第一最大值
Figure 198272DEST_PATH_IMAGE002
、第一偏移量
Figure 960692DEST_PATH_IMAGE003
、第二最小值
Figure 125963DEST_PATH_IMAGE004
、第二最大值
Figure 50056DEST_PATH_IMAGE005
和第二偏移量
Figure 418721DEST_PATH_IMAGE006
在坐标系中选取目标区域;
筛选出起始雷达测量点数据和终止雷达测量点数据都落在所述目标区域内的目标簇数据，并存储为有效簇数据；或者
基于所述第一最小值
Figure 719252DEST_PATH_IMAGE001
、第一最大值
Figure 755341DEST_PATH_IMAGE002
、第一偏移量
Figure 850336DEST_PATH_IMAGE003
、第二最小值
Figure 971876DEST_PATH_IMAGE004
、第二最大值
Figure 325366DEST_PATH_IMAGE005
和第二偏移量
Figure 950382DEST_PATH_IMAGE006
在坐标系中选取无效区域;
筛选出起始雷达测量点数据和/或终止雷达测量点数据落在所述无效区域内的目标簇数据，判断为无效簇数据并删除；
将剩余目标簇数据存储为有效簇数据。
2.根据权利要求1所述的基于聚类算法的雷达采集道路车辆信息的方法，其特征在于，所述雷达测量点数据的特征变量还包括目标与雷达的横向相对距离、目标的速度以及目标的雷达散射截面中的至少一种；所述特征区间为针对所述特征变量分别预先设置的有效区间；所述获取特征变量符合预设的特征区间的雷达测量点数据的方法包括：
获取全部的雷达测试点数据；
将所述雷达测试点数据的特征变量分别与对应的特征区间比较；
筛选出特征变量都分别符合对应的特征区间的雷达测量点数据，并存储为第一数据集。
3.根据权利要求1所述的基于聚类算法的雷达采集道路车辆信息的方法，其特征在于，所述添加帧序号的方法包括：将第一数据集中的雷达测量点数据按测量时间排序，从时间最早的雷达测量点数据开始依次添加帧序号。
4.根据权利要求1所述的基于聚类算法的雷达采集道路车辆信息的方法，其特征在于，对所述第一数据集中的雷达测量点数据的所有特征变量分别进行归一化处理。
5.根据权利要求4所述的基于聚类算法的雷达采集道路车辆信息的方法，其特征在于，所述聚类处理的方法包括：
利用DBSCAN算法将归一化处理之后的雷达测量点数据归类为簇数据，或同时获取并删除离散数据；
将所述簇数据存储为目标簇数据。
6.根据权利要求1所述的基于聚类算法的雷达采集道路车辆信息的方法，其特征在于，所述归一化处理包括第一归一化处理和第二归一化处理，所述聚类处理包括第一聚类处理和第二聚类处理；对所述第一数据集中的雷达测量点数据进行归一化处理和聚类处理的方法包括：
对所述第一数据集中的雷达测量点数据依次进行第一归一化处理和第一聚类处理，获取第一簇数据和第一离散数据，通过删除第一离散数据以过滤测量噪点，并将所有的第一簇数据中的雷达测量数据存储到第二数据集；
对所述第二数据集中的雷达测量点数据依次进行第二归一化处理和第二聚类处理，获取第二簇数据，并将所有的第二簇数据存储为目标簇数据。
7.根据权利要求1所述的基于聚类算法的雷达采集道路车辆信息的方法，其特征在于，所述目标区域中任一点
Figure DEST_PATH_IMAGE007
满足：
Figure 216278DEST_PATH_IMAGE008
。
8.根据权利要求1所述的基于聚类算法的雷达采集道路车辆信息的方法，其特征在于，所述无效区域中任一点
Figure DEST_PATH_IMAGE009
满足：
Figure 28377DEST_PATH_IMAGE010
。
9.根据权利要求1所述的基于聚类算法的雷达采集道路车辆信息的方法，其特征在于，所述计算道路车辆信息的方法包括以下任意一项或多项：
选取所有有效簇数据中同一时刻的雷达测量点数据，获取对应簇中对应帧的数据点，计算数据点的速度的平均值，即为该目标指定时刻的速度；或通过截取各簇中该帧的数据点，分别计算该帧中属于各簇的点的速度平均值；
选取任一有效簇数据中的所有雷达测量点数据，通过首末时刻的位移及采样时间差计算所述有效簇数据对应的目标车辆的平均车速；或同时基于所有目标车辆的平均速度计算总平均速度，并统计最大车速与最小车速。
10.一种基于聚类算法的雷达采集道路车辆信息的系统，其特征在于，包括数据采集模块、数据处理模块和道路车辆信息计算模块，所述数据处理模块包括加载单元、第一处理单元和第二处理单元，其中，
所述数据采集模块用于获取雷达测量点数据，其中，每个所述雷达测量点数据的特征变量包括目标与雷达的纵向相对距离和数据采集时间；
所述加载单元，用于获取特征变量符合预设特征区间的雷达测量点数据，并存储为第一数据集；
所述第一处理单元，用于基于时间对所述第一数据集中的雷达测量点数据分别添加帧序号，并对所述第一数据集中的雷达测量点数据进行归一化处理和聚类处理，以从所述第一数据集中的雷达测量点数据获取多个目标簇数据；
所述第二处理单元，用于利用所述帧序号和所述目标与雷达的纵向相对距离构建坐标系，将目标簇数据中每一个雷达测量点数据映射到所述坐标系中，并基于起始雷达测量点数据和终止雷达测量点数据落在所述坐标系中的位置筛选出有效簇数据；
所述道路车辆信息计算模块用于基于所述有效簇数据包含的雷达测量点数据计算道路车辆信息；
其中，所述第二处理单元，具体用于：
将帧序号作为坐标系横轴变量，将目标与雷达的纵向相对距离作为坐标系纵轴变量，建立坐标系；
将数据采集时间特征区间两极值对应的帧序号分别设置为第一最小值
Figure 936290DEST_PATH_IMAGE001
和第一最大值
Figure 930659DEST_PATH_IMAGE002
，并且针对所述帧序号设置第一偏移量
Figure 633036DEST_PATH_IMAGE003
；
将目标与雷达纵向相对距离的特征区间的两极值分别设置为第二最小值
Figure 463589DEST_PATH_IMAGE004
和第二最大值
Figure 909614DEST_PATH_IMAGE005
，并且针对所述目标与雷达的纵向相对距离设置第二偏移量
Figure 509222DEST_PATH_IMAGE006
；
基于所述第一最小值
Figure 382501DEST_PATH_IMAGE001
、第一最大值
Figure 700349DEST_PATH_IMAGE002
、第一偏移量
Figure 684486DEST_PATH_IMAGE003
、第二最小值
Figure 653448DEST_PATH_IMAGE004
、第二最大值
Figure 697627DEST_PATH_IMAGE005
和第二偏移量
Figure 502772DEST_PATH_IMAGE006
在坐标系中选取目标区域;
筛选出起始雷达测量点数据和终止雷达测量点数据都落在所述目标区域内的目标簇数据，并存储为有效簇数据; 或者
基于所述第一最小值
Figure 290600DEST_PATH_IMAGE001
、第一最大值
Figure 864800DEST_PATH_IMAGE002
、第一偏移量
Figure 814302DEST_PATH_IMAGE003
、第二最小值
Figure 841164DEST_PATH_IMAGE004
、第二最大值
Figure 681950DEST_PATH_IMAGE005
和第二偏移量
Figure 110657DEST_PATH_IMAGE006
在坐标系中选取无效区域;
筛选出起始雷达测量点数据和/或终止雷达测量点数据落在所述无效区域内的目标簇数据，判断为无效簇数据并删除；
将剩余目标簇数据存储为有效簇数据。
CN202110789117.2A 2021-07-13 2021-07-13 基于聚类算法的雷达采集道路车辆信息的方法及系统 Active CN113256990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110789117.2A CN113256990B (zh) 2021-07-13 2021-07-13 基于聚类算法的雷达采集道路车辆信息的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110789117.2A CN113256990B (zh) 2021-07-13 2021-07-13 基于聚类算法的雷达采集道路车辆信息的方法及系统

Publications (2)

Publication Number Publication Date
CN113256990A CN113256990A (zh) 2021-08-13
CN113256990B true CN113256990B (zh) 2021-09-28

Family

ID=77191144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110789117.2A Active CN113256990B (zh) 2021-07-13 2021-07-13 基于聚类算法的雷达采集道路车辆信息的方法及系统

Country Status (1)

Country Link
CN (1) CN113256990B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113850995B (zh) * 2021-09-14 2022-12-27 华设设计集团股份有限公司 一种基于隧道雷视数据融合的事件检测方法、装置及系统
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
CN117289255A (zh) * 2023-10-19 2023-12-26 广州行深智能科技有限公司 目标检测方法、装置、终端设备及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3579013A1 (en) * 2018-06-08 2019-12-11 KPIT Technologies Ltd. System and method for detecting a vehicle in night time
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
CN109686108B (zh) * 2019-02-19 2023-11-21 广州华南路桥实业有限公司 一种车辆目标轨迹跟踪系统及车辆轨迹跟踪方法
CN110361727A (zh) * 2019-07-22 2019-10-22 浙江大学 一种毫米波雷达多目标跟踪方法
CN110488259B (zh) * 2019-08-30 2022-11-04 成都纳雷科技有限公司 一种基于gdbscan的雷达目标分类方法及装置
CN111308458B (zh) * 2020-02-21 2023-06-02 北京理工睿行电子科技有限公司 一种基于车载毫米波雷达的自车速度估计方法
CN111308456B (zh) * 2020-04-08 2023-05-23 加特兰微电子科技(上海)有限公司 目标物位置判断方法、装置、毫米波雷达及存储介质
CN112462381B (zh) * 2020-11-19 2024-06-04 浙江吉利控股集团有限公司 一种基于车路协同的多激光雷达融合方法
CN112526513B (zh) * 2021-02-10 2021-05-25 北方工业大学 基于聚类算法的毫米波雷达环境地图构建方法及装置
CN113093191B (zh) * 2021-03-31 2022-07-05 武汉大学 一种基于毫米波雷达的道路车辆检测系统

Also Published As

Publication number Publication date
CN113256990A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN113256990B (zh) 基于聚类算法的雷达采集道路车辆信息的方法及系统
CN111830506B (zh) 一种基于K-means聚类算法的海面风速方法
CN101807352B (zh) 一种模糊模式识别的车位检测方法
CN109804232A (zh) 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法
CN107507417B (zh) 一种基于微波雷达回波信号的智能车道划分方法及装置
CN112051568B (zh) 一种两坐标雷达的俯仰测角方法
CN109188430B (zh) 一种基于地面监视雷达系统的目标提取方法
CN110208806A (zh) 一种航海雷达图像降雨识别方法
KR101255736B1 (ko) 단일편파 레이더를 이용한 기상 및 비기상 에코 분류 방법
CN112379393B (zh) 一种列车碰撞预警方法及其装置
CN112085950A (zh) 交通状态判别指标的估计方法、系统、存储介质及应用
CN109100697B (zh) 一种基于地面监视雷达系统的目标凝聚方法
CN110599800A (zh) 一种停车场车位状态监测系统及监测方法
CN117390378A (zh) 一种双碳平台数据智能管理方法及系统
CN115856908A (zh) 一种基于三维激光雷达的车辆测速方法及系统
CN113591938A (zh) 多特征融合交通目标识别方法、系统、计算机设备及应用
CN108983194B (zh) 一种基于地面监视雷达系统的目标提取及凝聚方法
CN117932333A (zh) 一种顾及不同地形场景下的城市建筑高度提取方法
CN116913081A (zh) 一种基于路侧激光雷达的车辆排队长度检测方法
CN116165635A (zh) 多级滤波算法的日间条件下不同波束光子云数据去噪方法
CN114443636B (zh) 一种基于毫米波雷达的隧道轨迹数据镜像去除方法
CN113552563B (zh) 垂测信息和高频地波雷达杂波信息的对应性分析方法
CN115840227B (zh) 道路边缘的检测方法及装置
CN116363159B (zh) 一种基于多窗口差分阈值滤波法的点云道路边界提取方法
CN117607865B (zh) 一种地铁沿线形变检测方法、装置、系统以及存储介质

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