CN113325383A - 基于网格和dbscan的自适应车载毫米波雷达聚类算法及装置 - Google Patents
基于网格和dbscan的自适应车载毫米波雷达聚类算法及装置 Download PDFInfo
- Publication number
- CN113325383A CN113325383A CN202110674446.2A CN202110674446A CN113325383A CN 113325383 A CN113325383 A CN 113325383A CN 202110674446 A CN202110674446 A CN 202110674446A CN 113325383 A CN113325383 A CN 113325383A
- Authority
- CN
- China
- Prior art keywords
- grid
- data
- grids
- data points
- points
- 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
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
- G01S7/418—Theoretical aspects
-
- 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
- G01S13/006—Theoretical aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- 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
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于网格和DBSCAN的自适应车载毫米波雷达聚类算法及装置,针对车载毫米波雷达数据多密度的特点,可以使聚类参数根据数据密度的不同而发生变化,并且该变化来自数据本身,无需人工调整,可以解决车载毫米波雷达数据多密度聚类问题,无论高密度区域还是低密度区域都可以准确分辨物体的个数以及对应的速度;并且本申请的聚类算法可以准确区分出接近的多个目标。从而解决了现有DBSCAN聚类算法的参数是静态的,导致对多密度的数据容易产生错误的聚类结果的计算问题。
Description
技术领域
本申请涉及雷达技术领域,尤其涉及一种基于网格和DBSCAN的自适应车载毫米波雷达聚类算法及装置。
背景技术
毫米波雷达是指工作在毫米波波段探测的雷达,毫米波雷达抗干扰能力强,识别很小的目标以及多个目标。聚类是指当数据点数庞大的情况下,利用数学方法将数据点进行归类处理。在车载毫米波雷达方面,聚类是必不可少的模块,因为聚类的结果往往对自动驾驶系统后续的处理产生重大的影响。
现有的毫米波聚类算法一般是利用原始的DBSCAN聚类算法,DBSCAN聚类需要的两个参数分别是最小邻域半径(eps),邻近最少点数(Minpts),但是原始DBSCAN算法的参数是全局参数,而毫米波雷达通过探测获得的数据可能是多密度的数据集,即一定范围内,数据点的点数会不一样,原因是毫米波雷达的探测会受到信噪比的影响,距离或环境不同,信噪比也不一样。因此参数是全局参数的原始DBSCAN算法只能针对数据密度高的区域,而对于数据密度低的区域,往往会出现错误,例如同类物体被错误判别成多个物体。
发明内容
本申请提供了一种基于网格和DBSCAN的自适应车载毫米波雷达聚类算法及装置,用于解决现有DBSCAN聚类算法的参数是静态的,导致对多密度的数据容易产生错误的聚类结果的计算问题。
有鉴于此,本申请第一方面提供了一种基于网格和DBSCAN的自适应车载毫米波雷达聚类算法,所述方法包括:
获取车载毫米波雷达的数据点,根据所述数据点中的速度最大值、速度最小值、距离最大值、距离最小值生成数据区域;
将所述数据区域划分成若干个网格,并将数据点接近的相邻网格合并,得到若干个大网格,设所述大网格的面积为S,总数据点为M,则所述大网格的网格密度为P=M/S;
将每个所述大网格在理想情况下包含的数据点数与实际包含的数据点数之差设为丢失点数,得到丢失点数集;
计算第一数据点与第二数据点的距离,将所述距离定义为最小邻域半径,所述第一数据点和所述第二数据点为相邻数据点且所述丢失点数集在所述第一数据点和所述第二数据点的连线上;
根据所述最小邻域半径计算邻域面积,并根据所述邻域面积和所述网格密度获得所述邻域面积包含的数据点数,将数据点数定义为邻近最少点数;
分别对各所述大网格的最小邻域半径和邻近最少点数进行DBSCAN聚类。
可选地,所述根据所述数据点中的速度最大值、速度最小值、距离最大值、距离最小值生成数据区域,具体包括:
将所述距离最大值与所述距离最小值之差作为直角坐标系上的横轴长度,将所述速度最大值与所述速度最小值之差作为直角坐标系上的纵轴长度,从而得到所述数据区域。
可选地,所述将数据点接近的相邻网格合并,具体包括:
当第一网格的数据点数与预设检测概率的乘积不大于第二网格的数据点数时,则将所述第一网格和所述第二网格合并,所述第一网格和所述第二网格为相邻网格。
可选地,所述将每个所述大网格在理想情况下包含的数据点与实际包含的数据点之差设为丢失点数,得到丢失点数集,具体包括:
设第一大网格中数据点数最多的小网格的数据点数为N1,所述第一大网格的小网格数量为m,则所述第一大网格的在理想情况下包含的数据点为NT=N1*m;
设所述第一大网格的实际包含的数据点数为NR,则所述第一大网格的丢失点数为L=NT-NR,分别计算每个大网格的丢失点数得到所述丢失点数集。
可选地,所述计算第一数据点与第二数据点的距离,具体包括:基于欧氏距离公式计算计算第一数据点与第二数据点的距离。
本申请第二方面提供一种基于网格和DBSCAN的自适应车载毫米波雷达聚类装置,所述装置包括:
区域生成单元,用于获取车载毫米波雷达的数据点,根据所述数据点中的速度最大值、速度最小值、距离最大值、距离最小值生成数据区域;
网格合并单元,用于将所述数据区域划分成若干个网格,并将数据点接近的相邻网格合并,得到若干个大网格,设所述大网格的面积为S,总数据点为M,则所述大网格的网格密度为P=M/S;
第一计算单元,用于将每个所述大网格在理想情况下包含的数据点数与实际包含的数据点数之差设为丢失点数,得到丢失点数集;
第二计算单元,用于计算第一数据点与第二数据点的距离,将所述距离定义为最小邻域半径,所述第一数据点和所述第二数据点为相邻数据点且所述丢失点数集在所述第一数据点和所述第二数据点的连线上;
第三计算单元,用于根据所述最小邻域半径计算邻域面积,并根据所述邻域面积和所述网格密度获得所述邻域面积包含的数据点数,将数据点数定义为邻近最少点数;
聚类单元,用于分别对各所述大网格的最小邻域半径和邻近最少点数进行DBSCAN聚类。
可选地,所述区域生成单元,具体用于:
获取车载毫米波雷达的数据点,提取所述数据点中的速度最大值、速度最小值、距离最大值、距离最小值;
将所述距离最大值与所述距离最小值之差作为直角坐标系上的横轴长度,将所述速度最大值与所述速度最小值之差作为直角坐标系上的纵轴长度,从而得到所述数据区域。
可选地,所述网格合并单元,具体用于:
将所述数据区域划分成若干个网格;
当第一网格的数据点数与预设检测概率的乘积不大于第二网格的数据点数时,则将所述第一网格和所述第二网格合并,得到若干个大网格,所述第一网格和所述第二网格为相邻网格。
可选地,所述第一计算单元,具体用于:
设第一大网格中数据点数最多的小网格的数据点数为N1,所述第一大网格的小网格数量为m,则所述第一大网格的在理想情况下包含的数据点为NT=N1*m;
设所述第一大网格的实际包含的数据点数为NR,则所述第一大网格的丢失点数为L=NT-NR,分别计算每个大网格的丢失点数得到所述丢失点数集。
可选地,所述第二计算单元,具体用于:
基于欧氏距离公式计算计算第一数据点与第二数据点的距离;
将所述距离定义为最小邻域半径,所述第一数据点和所述第二数据点为相邻数据点且所述丢失点数集在所述第一数据点和所述第二数据点的连线上。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供了一种基于网格和DBSCAN的自适应车载毫米波雷达聚类算法,包括:获取车载毫米波雷达的数据点,根据数据点中的速度最大值、速度最小值、距离最大值、距离最小值生成数据区域;将数据区域划分成若干个网格,并将数据点接近的相邻网格合并,得到若干个大网格,设大网格的面积为S,总数据点为M,则大网格的网格密度为P=M/S,其中k为正整数;将每个大网格在理想情况下包含的数据点数与实际包含的数据点数之差设为丢失点数,得到丢失点数集;计算第一数据点与第二数据点的距离,将距离定义为最小邻域半径,第一数据点和第二数据点为相邻数据点且丢失点数集在第一数据点和第二数据点的连线上;根据最小邻域半径计算邻域面积,并根据邻域面积和网格密度获得邻域面积包含的数据点数,将数据点数定义为邻近最少点数;分别对各大网格的最小邻域半径和邻近最少点数进行DBSCAN聚类。
本申请基于网格和DBSCAN的自适应车载毫米波雷达聚类算法,针对车载毫米波雷达数据多密度的特点,可以使聚类参数根据数据密度的不同而发生变化,并且该变化来自数据本身,无需人工调整,可以解决车载毫米波雷达数据多密度聚类问题,无论高密度区域还是低密度区域都可以准确分辨物体的个数以及对应的速度;并且本申请的聚类算法可以准确区分出接近的多个目标。从而解决了现有DBSCAN聚类算法的参数是静态的,导致对多密度的数据容易产生错误的聚类结果的计算问题。
附图说明
图1为本申请实施例中提供的一种基于网格和DBSCAN的自适应车载毫米波雷达聚类算法实施例的流程示意图;
图2为本申请实施例中提供的一种基于网格和DBSCAN的自适应车载毫米波雷达聚类装置实施例的结构图;
图3为本申请实施例中提供的一种数据区域的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,DBSCAN聚类需要的两个参数分别是最小邻域半径(eps),邻近最少点数(Minpts),DBSCAN的具体原理是当某个数据点的邻近面积内的其他数据点数量若大于或等于Minpts,则认为该数据点与这些邻近数据点应属于同一目标,而邻近面积由公式2*π*(eps)2得到;获得该两个参数后便可进行DBSCAN聚类,但两个参数一般是静态的,即通过人工设定,不能因为环境的变化而自己变化。而本申请提出的聚类算法可以使这两个参数根据环境不同而自己变化。请见以下实施例。
请参阅图1,图1为本申请实施例中提供的一种基于网格和DBSCAN的自适应车载毫米波雷达聚类算法实施例的流程示意图。
本实施例提供的一种基于网格和DBSCAN的自适应车载毫米波雷达聚类算法,包括:
步骤101、获取车载毫米波雷达的数据点,根据数据点中的速度最大值、速度最小值、距离最大值、距离最小值生成数据区域。
需要说明的是,本实施例从车载毫米波雷达的数据点寻找速度最大值Vmax、速度最小值Vmin、距离最大值Rmax、距离最小值Rmin;然后根据上述获得的四个值,在直角坐标系上生成数据区域,横轴长度为WR=Rmax-Rmin,纵轴长度为VR=Vmax-Vmin,如图3所示。
步骤102、将数据区域划分成若干个网格,并将数据点接近的相邻网格合并,得到若干个大网格,设大网格的面积为S,总数据点为M,则大网格的网格密度为P=M/S。
需要说明的是,本实施例设置网格数量值k,k为正整数;然后根据网格数量值k,将数据区域划分成k个网格,其中每个网格的面积为D;接着计算每个网格包含的数据点数N,并定义网格密度为P=N/D;将数据点数接近的相邻网格合并,此处引入毫米波雷达的检测概率Pd,设某一网格网格的数据点数为N1,则当相邻网格数据点数N2≥N1*Pd,则认为两个网格数据点数接近;最后设合并后的大网格面积为S,总数据点数为M,则大网格的网格密度为P=M/S,直至所有数据点都完成大网格合并步骤,获得若干个大网格。
步骤103、将每个大网格在理想情况下包含的数据点数与实际包含的数据点数之差设为丢失点数,得到丢失点数集。
需要说明的是,由于大网格中的每个网格数据点数接近,但是却不尽相同,首先假设某个大网格中数据点数最多的小网格的数据点数为N1,该大网格包含的小网格数量为m,则理想情况下,整个大网格的数据点数为NT=N1*m;接着计算大网格实际包含的数据点数,并设为NR;设丢失点数L=NT-NR,丢失点数即因为毫米波雷达的漏警而没有成功检测到的实际存在的数据点;最后通过计算每个大网格丢失点数,从而得到丢失点数集。
步骤104、计算第一数据点与第二数据点的距离,将距离定义为最小邻域半径,第一数据点和第二数据点为相邻数据点且丢失点数集在第一数据点和第二数据点的连线上。
步骤105、根据最小邻域半径计算邻域面积,并根据邻域面积和网格密度获得邻域面积包含的数据点数,将数据点数定义为邻近最少点数。
需要说明的是,首先设最大距离为R,则邻域面积Sr=2*π*R2。
因为大网格密度是针对整个大网格而言,则包含其中的邻域面积的密度也应当与大网格密度一致,而网格密度定义为P=M/S(请见步骤102);假设邻域面积应包含数据点数为T,则以下等式成立:T/Sr=M/S,即可得到T=M*Sr/S,令T=Minpts,即邻近最少点数。
步骤106、分别对各大网格的最小邻域半径和邻近最少点数进行DBSCAN聚类。
最后,按上述步骤获得各个大网格的eps以及Minpts,然后对各个大网格进行参数不同的DBSCAN聚类,直至所有大网格完成。
本申请基于网格和DBSCAN的自适应车载毫米波雷达聚类算法,针对车载毫米波雷达数据多密度的特点,可以使聚类参数根据数据密度的不同而发生变化,并且该变化来自数据本身,无需人工调整,可以解决车载毫米波雷达数据多密度聚类问题,无论高密度区域还是低密度区域都可以准确分辨物体的个数以及对应的速度;并且本申请的聚类算法可以准确区分出接近的多个目标。从而解决了现有DBSCAN聚类算法的参数是静态的,导致对多密度的数据容易产生错误的聚类结果的计算问题。
在一个具体的实施方式中,本申请根据数据点中的速度最大值、速度最小值、距离最大值、距离最小值生成数据区域,具体为:
将距离最大值与距离最小值之差作为直角坐标系上的横轴长度,将速度最大值与速度最小值之差作为直角坐标系上的纵轴长度,从而得到数据区域。
在一个具体的实施方式中,本申请将数据点接近的相邻网格合并,具体为:
当第一网格的数据点数与预设检测概率的乘积不大于第二网格的数据点数时,则将第一网格和第二网格合并,第一网格和第二网格为相邻网格。
在一个具体的实施方式中,本申请将每个大网格在理想情况下包含的数据点与实际包含的数据点之差设为丢失点数,得到丢失点数集,具体为:
设第一大网格中数据点数最多的小网格的数据点数为N1,第一大网格的小网格数量为m,则第一大网格的在理想情况下包含的数据点为NT=N1*m;设第一大网格的实际包含的数据点数为NR,则第一大网格的丢失点数为L=NT-NR,分别计算每个大网格的丢失点数得到丢失点数集。
在一个具体的实施方式中,本申请计算第一数据点与第二数据点的距离,具体为:基于欧氏距离公式计算计算第一数据点与第二数据点的距离。
以上为本申请提供的一种基于网格和DBSCAN的自适应车载毫米波雷达聚类算法实施例,以下为本申请提供的一种基于网格和DBSCAN的自适应车载毫米波雷达聚类装置实施例。
请参阅图2,图2为本申请实施例中提供的一种基于网格和DBSCAN的自适应车载毫米波雷达聚类装置实施例的结构图。
本实施例提供的一种基于网格和DBSCAN的自适应车载毫米波雷达聚类装置,包括:
区域生成单元201,用于获取车载毫米波雷达的数据点,根据数据点中的速度最大值、速度最小值、距离最大值、距离最小值生成数据区域。
网格合并单元202,用于将数据区域划分成若干个网格,并将数据点接近的相邻网格合并,得到若干个大网格,设大网格的面积为S,总数据点为M,则大网格的网格密度为P=M/S。
第一计算单元203,用于将每个大网格在理想情况下包含的数据点数与实际包含的数据点数之差设为丢失点数,得到丢失点数集。
第二计算单元204,用于计算第一数据点与第二数据点的距离,将距离定义为最小邻域半径,第一数据点和第二数据点为相邻数据点且丢失点数集在第一数据点和第二数据点的连线上。
第三计算单元205,用于根据最小邻域半径计算邻域面积,并根据邻域面积和网格密度获得邻域面积包含的数据点数,将数据点数定义为邻近最少点数。
聚类单元206,用于分别对各大网格的最小邻域半径和邻近最少点数进行DBSCAN聚类。
本申请基于网格和DBSCAN的自适应车载毫米波雷达聚类装置,针对车载毫米波雷达数据多密度的特点,可以使聚类参数根据数据密度的不同而发生变化,并且该变化来自数据本身,无需人工调整,可以解决车载毫米波雷达数据多密度聚类问题,无论高密度区域还是低密度区域都可以准确分辨物体的个数以及对应的速度;并且本申请的聚类算法可以准确区分出接近的多个目标。从而解决了现有DBSCAN聚类算法的参数是静态的,导致对多密度的数据容易产生错误的聚类结果的计算问题。
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。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
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,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置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,装置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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于网格和DBSCAN的自适应车载毫米波雷达聚类算法,其特征在于,包括:
获取车载毫米波雷达的数据点,根据所述数据点中的速度最大值、速度最小值、距离最大值、距离最小值生成数据区域;
将所述数据区域划分成若干个网格,并将数据点接近的相邻网格合并,得到若干个大网格,设所述大网格的面积为S,总数据点为M,则所述大网格的网格密度为P=M/S;
将每个所述大网格在理想情况下包含的数据点数与实际包含的数据点数之差设为丢失点数,得到丢失点数集;
计算第一数据点与第二数据点的距离,将所述距离定义为最小邻域半径,所述第一数据点和所述第二数据点为相邻数据点且所述丢失点数集在所述第一数据点和所述第二数据点的连线上;
根据所述最小邻域半径计算邻域面积,并根据所述邻域面积和所述网格密度获得所述邻域面积包含的数据点数,将数据点数定义为邻近最少点数;
分别对各所述大网格的最小邻域半径和邻近最少点数进行DBSCAN聚类。
2.根据权利要求1所述的基于网格和DBSCAN的自适应车载毫米波雷达聚类算法,其特征在于,所述根据所述数据点中的速度最大值、速度最小值、距离最大值、距离最小值生成数据区域,具体包括:
将所述距离最大值与所述距离最小值之差作为直角坐标系上的横轴长度,将所述速度最大值与所述速度最小值之差作为直角坐标系上的纵轴长度,从而得到所述数据区域。
3.根据权利要求1所述的基于网格和DBSCAN的自适应车载毫米波雷达聚类算法,其特征在于,所述将数据点接近的相邻网格合并,具体包括:
当第一网格的数据点数与预设检测概率的乘积不大于第二网格的数据点数时,则将所述第一网格和所述第二网格合并,所述第一网格和所述第二网格为相邻网格。
4.根据权利要求1所述的基于网格和DBSCAN的自适应车载毫米波雷达聚类算法,其特征在于,所述将每个所述大网格在理想情况下包含的数据点与实际包含的数据点之差设为丢失点数,得到丢失点数集,具体包括:
设第一大网格中数据点数最多的小网格的数据点数为N1,所述第一大网格的小网格数量为m,则所述第一大网格的在理想情况下包含的数据点为NT=N1*m;
设所述第一大网格的实际包含的数据点数为NR,则所述第一大网格的丢失点数为L=NT-NR,分别计算每个大网格的丢失点数得到所述丢失点数集。
5.根据权利要求1所述的基于网格和DBSCAN的自适应车载毫米波雷达聚类算法,其特征在于,所述计算第一数据点与第二数据点的距离,具体包括:基于欧氏距离公式计算计算第一数据点与第二数据点的距离。
6.一种基于网格和DBSCAN的自适应车载毫米波雷达聚类装置,其特征在于,包括:
区域生成单元,用于获取车载毫米波雷达的数据点,根据所述数据点中的速度最大值、速度最小值、距离最大值、距离最小值生成数据区域;
网格合并单元,用于将所述数据区域划分成若干个网格,并将数据点接近的相邻网格合并,得到若干个大网格,设所述大网格的面积为S,总数据点为M,则所述大网格的网格密度为P=M/S;
第一计算单元,用于将每个所述大网格在理想情况下包含的数据点数与实际包含的数据点数之差设为丢失点数,得到丢失点数集;
第二计算单元,用于计算第一数据点与第二数据点的距离,将所述距离定义为最小邻域半径,所述第一数据点和所述第二数据点为相邻数据点且所述丢失点数集在所述第一数据点和所述第二数据点的连线上;
第三计算单元,用于根据所述最小邻域半径计算邻域面积,并根据所述邻域面积和所述网格密度获得所述邻域面积包含的数据点数,将数据点数定义为邻近最少点数;
聚类单元,用于分别对各所述大网格的最小邻域半径和邻近最少点数进行DBSCAN聚类。
7.根据权利要求6所述的基于网格和DBSCAN的自适应车载毫米波雷达聚类装置,其特征在于,所述区域生成单元,具体用于:
获取车载毫米波雷达的数据点,提取所述数据点中的速度最大值、速度最小值、距离最大值、距离最小值;
将所述距离最大值与所述距离最小值之差作为直角坐标系上的横轴长度,将所述速度最大值与所述速度最小值之差作为直角坐标系上的纵轴长度,从而得到所述数据区域。
8.根据权利要求6所述的基于网格和DBSCAN的自适应车载毫米波雷达聚类装置,其特征在于,所述网格合并单元,具体用于:
将所述数据区域划分成若干个网格;
当第一网格的数据点数与预设检测概率的乘积不大于第二网格的数据点数时,则将所述第一网格和所述第二网格合并,得到若干个大网格,所述第一网格和所述第二网格为相邻网格。
9.根据权利要求6所述的基于网格和DBSCAN的自适应车载毫米波雷达聚类装置,其特征在于,所述第一计算单元,具体用于:
设第一大网格中数据点数最多的小网格的数据点数为N1,所述第一大网格的小网格数量为m,则所述第一大网格的在理想情况下包含的数据点为NT=N1*m;
设所述第一大网格的实际包含的数据点数为NR,则所述第一大网格的丢失点数为L=NT-NR,分别计算每个大网格的丢失点数得到所述丢失点数集。
10.根据权利要求6所述的基于网格和DBSCAN的自适应车载毫米波雷达聚类装置,其特征在于,所述第二计算单元,具体用于:
基于欧氏距离公式计算计算第一数据点与第二数据点的距离;
将所述距离定义为最小邻域半径,所述第一数据点和所述第二数据点为相邻数据点且所述丢失点数集在所述第一数据点和所述第二数据点的连线上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110674446.2A CN113325383B (zh) | 2021-06-17 | 2021-06-17 | 基于网格和dbscan的自适应车载毫米波雷达聚类算法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110674446.2A CN113325383B (zh) | 2021-06-17 | 2021-06-17 | 基于网格和dbscan的自适应车载毫米波雷达聚类算法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113325383A true CN113325383A (zh) | 2021-08-31 |
CN113325383B CN113325383B (zh) | 2023-07-04 |
Family
ID=77423764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110674446.2A Active CN113325383B (zh) | 2021-06-17 | 2021-06-17 | 基于网格和dbscan的自适应车载毫米波雷达聚类算法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113325383B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110161464A (zh) * | 2019-06-14 | 2019-08-23 | 成都纳雷科技有限公司 | 一种雷达多目标聚类方法及装置 |
CN111044986A (zh) * | 2019-12-25 | 2020-04-21 | 成都纳雷科技有限公司 | 一种用于雷达目标检测的密度聚类方法及装置 |
CN112313538A (zh) * | 2019-11-05 | 2021-02-02 | 深圳市大疆创新科技有限公司 | 目标检测方法、雷达、设备及存储介质 |
CN112526513A (zh) * | 2021-02-10 | 2021-03-19 | 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 |
US20210103029A1 (en) * | 2018-04-11 | 2021-04-08 | Panasonic Corporation | Object detection device, object detection system, and object detection method |
WO2021087777A1 (zh) * | 2019-11-05 | 2021-05-14 | 深圳市大疆创新科技有限公司 | 数据处理方法、装置、雷达、设备及存储介质 |
-
2021
- 2021-06-17 CN CN202110674446.2A patent/CN113325383B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210103029A1 (en) * | 2018-04-11 | 2021-04-08 | Panasonic Corporation | Object detection device, object detection system, and object detection method |
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 |
CN110161464A (zh) * | 2019-06-14 | 2019-08-23 | 成都纳雷科技有限公司 | 一种雷达多目标聚类方法及装置 |
CN112313538A (zh) * | 2019-11-05 | 2021-02-02 | 深圳市大疆创新科技有限公司 | 目标检测方法、雷达、设备及存储介质 |
WO2021087777A1 (zh) * | 2019-11-05 | 2021-05-14 | 深圳市大疆创新科技有限公司 | 数据处理方法、装置、雷达、设备及存储介质 |
CN111044986A (zh) * | 2019-12-25 | 2020-04-21 | 成都纳雷科技有限公司 | 一种用于雷达目标检测的密度聚类方法及装置 |
CN112526513A (zh) * | 2021-02-10 | 2021-03-19 | 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 |
Non-Patent Citations (2)
Title |
---|
于亚飞;周爱武;: "一种改进的DBSCAN密度算法", 计算机技术与发展 * |
张海龙;王仁彪;聂俊;刘进忠;: "海量数据的网格启发信息密度聚类算法", 吉林大学学报(工学版) * |
Also Published As
Publication number | Publication date |
---|---|
CN113325383B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110161464B (zh) | 一种雷达多目标聚类方法及装置 | |
Braca et al. | Asymptotic efficiency of the PHD in multitarget/multisensor estimation | |
US9430688B1 (en) | Overlapping multi-signal classification | |
US20150109290A1 (en) | Device and method for removing noise points in point clouds | |
CN108228722B (zh) | 破碎化区域采样点的地理空间分布均匀度检测方法 | |
CN108476488B (zh) | 确定无线发射器的位置 | |
CN108834077A (zh) | 基于用户移动特性的跟踪区划分方法、装置及电子设备 | |
CN109839619A (zh) | 基于自适应分桶的雷达信号粗分选方法、系统及存储介质 | |
CN110222936A (zh) | 一种业务场景的根因定位方法、系统及电子设备 | |
CN109840558B (zh) | 基于密度峰值-核心融合的自适应聚类方法 | |
CN112100619B (zh) | 一种恶意文件检测方法、系统、设备及计算机存储介质 | |
CN109583495B (zh) | 陈列图像处理方法和装置 | |
CN110488259B (zh) | 一种基于gdbscan的雷达目标分类方法及装置 | |
CN113296089A (zh) | 用于多预警机目标跟踪系统的lmb密度融合方法及装置 | |
CN113325383A (zh) | 基于网格和dbscan的自适应车载毫米波雷达聚类算法及装置 | |
CN104881670A (zh) | 一种用于sar方位角估计的快速目标提取方法 | |
CN115934699A (zh) | 异常数据筛选方法、装置、电子设备及存储介质 | |
EP3825730A1 (en) | Assigning each point of a point cloud to a scanner position of a plurality of different scanner positions in a point cloud | |
CN109993338B (zh) | 一种链路预测方法及装置 | |
CN106874916B (zh) | 一种复杂外板点云场景对比提取方法及装置 | |
CN114463512B (zh) | 点云数据的处理方法、矢量化方法及装置 | |
CN109239677B (zh) | 一种环境自适应恒虚警检测门限确定方法 | |
CN110532836B (zh) | 核电站信号识别方法、装置、计算机设备及存储介质 | |
CN113156386A (zh) | 一种雷达、辐射源识别方法及计算机可读存储介质 | |
CN114625943A (zh) | 一种群组关系识别方法及系统 |
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 |