CN113378751A - 一种基于dbscan算法的交通目标识别方法 - Google Patents

一种基于dbscan算法的交通目标识别方法 Download PDF

Info

Publication number
CN113378751A
CN113378751A CN202110697622.4A CN202110697622A CN113378751A CN 113378751 A CN113378751 A CN 113378751A CN 202110697622 A CN202110697622 A CN 202110697622A CN 113378751 A CN113378751 A CN 113378751A
Authority
CN
China
Prior art keywords
target
point
cluster
points
traffic
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.)
Pending
Application number
CN202110697622.4A
Other languages
English (en)
Inventor
余建国
贺越
宋铮
王斓
张佳
郭江奇
何继开
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 University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202110697622.4A priority Critical patent/CN113378751A/zh
Publication of CN113378751A publication Critical patent/CN113378751A/zh
Pending legal-status Critical Current

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
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/50—Systems of measurement based on relative movement of target
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

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

Abstract

本发明公开了一种基于DBSCAN算法的交通目标识别方法，属于数据处理技术领域。首先利用毫米波雷达对待测目标进行连续时间段内的探测，得到待测目标不同的位置信息；然后将位置信息作为点云数据，利用DBSCAN聚类算法对点云数据进行聚类，得到各簇；接着，利用簇内的散射点数量进行目标类型的识别划分，得到各簇对应的目标类型后，对目标类型的数量进行统计，最终完成综合交通环境中交通目标的识别和计数。本发明提高了目标识别的准确性，识别过程简单高效。

Description

一种基于DBSCAN算法的交通目标识别方法
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于DBSCAN算法的交通目标识别方法。
背景技术
随着全国机动车保有量的迅猛提高，交通拥堵、乱停乱放、事故纠纷和车辆安全等交通相关的问题日益严重。为了应对此类问题，各类“电子警察系统”应运而生，而雷达在电子警察系统中占有重要的地位。其中，毫米波雷达因为其全天候工作、体积小、质量轻和空间分辨率好的优点，被广泛应用在电子警察系统中。
现有的对交通目标进行识别的常用技术手段是通过摄像头采集数据，之后进行图像数据处理进行目标识别。但是，针对雷达的目标识别技术方案一般是通过目标的雷达散射截面积(Radar Cross Section,RCS)来对目标进行分类识别，也有学者通过构建基于多特征融合的决策树-支持向量机分类器，对目标进行分类识别。同样，也有专利提出新的雷达目标分类方法。
如公开号为CN 109870680 A的一种目标分类方法及装置，通过比较散射点的静止径向速度以及雷达实际检测到的散射点的径向速度，确定散射点的运动状态，代替直接将雷达实际检测到的散射点的径向速度与车速比较确定散射点的运动状态的方案，实现对目标的分类。但是，该方法通过速度对目标进行运动和静止的分类，并没有对在综合交通环境下的交通目标进行目标识别与分类。
发明内容
为了解决综合交通环境下目标识别的问题，本发明提出了一种基于DBSCAN算法的交通目标识别方法，不仅实现目标识别，同时能够对目标进行计数。
所述的基于DBSCAN算法的交通目标识别方法，具体步骤包括：
步骤一，针对某个待识别目标，利用毫米波雷达在该目标所在范围内进行探测，获取一段时间内目标的位置信息；
步骤二，将目标的位置信息作为点云数据，利用DBSCAN聚类算法，对点云数据进行聚类；
所述的聚类过程如下：
步骤201，从点云数据中选出核心样本点以及各核心样本点的邻居；
核心样本点的选择为：针对点p，其与周围各点的距离小于等于ε的所有点的数量大于阈值MinPts；则标记点p为核心样本点；
与点p距离小于等于ε的点称为点p的邻居；ε为人为规定的距离阈值，根据实际情况设定。
步骤202，逐个选择点云数据中的各点，判断当前点p是否为核心样本，如果是，给点p分配一个簇标签，进入步骤203；否则，点p被标记为噪声。
步骤203，访问核心样本点p的所有邻居，并将点p的簇标签分配给所有邻居。
步骤204，判断每个被访问的邻居是否为核心样本点，若是，则点p依次访问各核心样本的邻居，并将点p的簇标签分配给所有访问的邻居点，直到点p的邻居没有核心样本点为止。
步骤205，选取点云数据中另一个未被访问过的点，返回步骤202重复上述过程，直至所有点云数据都被分配簇标签或被标记为噪声，完成聚类。
步骤三，针对聚类后的点云数据，根据每个簇中的邻居点数量进行目标识别，得到各个簇标签对应的目标类型，保存到目标标签表中。
具体为：
首先，创建一个空的目标标签表，其长度与簇的数量相同；
然后，逐个选择各簇，针对当前簇，判断其标签包含的邻居点数量是否符合四类目标中的某一类，如果是，则将该簇对应到具体的目标类别，并将该簇的邻居点数量以及对应的目标类型保存到目标标签表中；否则，暂不进行处理；
四类目标类型分别为：行人、摩托车、小型汽车和重型卡车；根据不同的数量值设定目标类型，各个类型的数量根据实际情况确定取值。
步骤四，统计目标标签表中同一目标类型的个数，得到区域内最终行人、摩托车、小型汽车和重型卡车各自的数量。
本发明的优点及其有益效果在于：
1、本发明一种基于DBSCAN算法的交通目标识别方法，能够在综合交通环境下进行目标识别，为后续毫米波雷达在综合交通环境下的电子警察系统中的应用作了铺垫。
2、本发明一种基于DBSCAN算法的交通目标识别方法，能够准确地对交通目标类型进行识别并计数，识别过程简单高效。
附图说明
图1是本发明一种基于DBSCAN算法的交通目标识别方法的流程图；
图2是本发明实施例的雷达点云数据图；
图3是本发明实施例的经过DBSCAN聚类后的雷达点云数据图；
图4是本发明实施例的一种基于DBSCAN算法的交通目标识别方法的执行结果图。
具体实施方式
下面结合附图和示例性实施例对本发明作进一步的详细说明。
本发明一种基于DBSCAN(Density-Based Spatial Clustering of Applicationswith Noise)算法的交通目标识别方法，是一种基于密度的空间聚类算法，它将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，并将簇定义为密度相连的点的最大集合。
DBSCAN算法的原理为：由密度可达关系导出最大密度相连的样本集合，这样的一个集合里有一个或多个核心对象，如果只有一个核心对象，则簇中其他非核心对象都在这个核心对象的ε邻域内；如果是多个核心对象，那么任意一核心对象的ε邻域一定包含另一个核心对象。这些核心对象以及包含在它ε邻域内的所有样本构成一个类。
一种基于DBSCAN算法的交通目标识别方法，流程如图1所示，具体步骤如下：
步骤一，针对某个待识别目标，利用毫米波雷达在该目标所在范围内进行探测，获取一段时间内目标的位置信息作为雷达点云数据；
雷达点云数据相对于毫米波雷达的径向速度，以v0表示。
由于毫米波雷达一般工作在高频区，分辨率较高，且道路车辆的目标尺寸远大于毫米波雷达波长。在这种情况下，雷达目标散射特性由一组散射中心近似表示，因此在基带信号处理过程中，真实目标的雷达回波会覆盖多个距离-多普勒分辨单元，形成雷达点云。本实施例中，毫米波雷达探测到的点云数据如图2所示。
步骤二，利用DBSCAN聚类算法，对雷达点云数据进行聚类；
针对本实施例图2所示的点云数据，若以每个点云为单位进行处理，将真实目标识别为多个目标。因此需要采用DBSCAN点云聚类算法将属于同一目标的点云进行归类，不仅有助于降低虚警率，还可以帮助获得目标的大小信息并对需要跟踪的目标进行筛选。
对点云数据进行聚类的具体过程如下：
步骤201，从点云数据中选出核心样本点以及各核心样本点的邻居；
核心样本点的选择为：针对点p，其与周围各点的距离小于等于ε的所有点的数量大于阈值MinPts；则标记点p为核心样本点；
与点p距离小于等于ε的点称为点p的邻居；ε为人为规定的距离阈值，根据实际情况设定。
步骤202，逐个选取点云数据中的各点，判断当前点p是否为核心样本，若是，点p被标记为核心样本，并被分配一个簇标签，进入步骤203；若否，则点p被标记为噪声。
步骤203，访问核心样本点p的所有邻居，并将点p的簇标签分配给所有邻居。
步骤204，判断每个被访问的邻居是否为核心样本，若是，则点p依次访问该核心样本的邻居，并将点p的簇标签分配给所有访问的点，直到点p的邻居没有核心样本点为止。
步骤205，选取点云数据中另一个未被访问过的点，返回步骤202重复上述过程，直至所有点云数据都被分配簇标签或被标记为噪声，完成聚类，聚类后的雷达点云数据如图3所示。
步骤三，对聚类后的点云数据进行目标识别，得到各个簇标签对应的目标类型，并保存在目标标签表中。
将聚类后的雷达点云数据依据每个簇中的散射点数量m进行目标识别决策，具体为：
首先，创建一个空的目标标签表，其长度与簇的数量相同。
然后，逐个选择各簇，针对当前簇，计算其标签包含的散射点数量m，根据每个簇的散射点数量判断其是否为四类目标中的某一类，如果是，则将该簇对应到具体的目标类别，并将目标类型以及簇中散射点数量m一同保存到目标标签表中；否则，暂时不进行标记，如果后续具体应用场景中出现同类物体，则根据具体情况进行添加；
所述的四类目标类型分别为：行人、摩托车、小型汽车和重型卡车；
在本实施例中，四种目标类型分别对应的目标决策条件为：行人：3≤m≤5；摩托车：6≤m≤8；小型汽车：9≤m≤13；重型卡车：m≥15。识别得到的目标类型结果如图4所示。根据每个簇的目标类型对应的填写到目标标签表中，如表1所示。
表1
簇标签 散射点数量m 目标类型
簇1○ 9 小型汽车
簇2△ 9 小型汽车
簇3※ 19 重型卡车
簇4+ 5 行人
簇5· 7 摩托车
步骤四，根据目标识别决策结果进行目标分类计数；
首先，创建与4个目标类型对应的目标分类计数表；
然后，依次计算目标标签表中同一目标类型的个数，将其赋值给目标分类计数表。
最后，输出目标分类计数表，得到现有区域内行人、摩托车、小型汽车和重型卡车各自的数量。
本实施例中得到的目标分类计数表如表2所示。
表2
Figure BDA0003129157800000041
Figure BDA0003129157800000051
本发明能够在综合交通环境下进行目标识别，为后续毫米波雷达在综合交通环境下的电子警察系统中的应用作了铺垫，能够准确地对交通目标小型汽车、重型卡车、行人、摩托车进行识别，并对各类型目标进行计数。
所述雷达可以是毫米波雷达也可以是激光雷达。所述通过聚类后的散射点的数量关系在具体实施例中给出了具体数值，但数值可以根据具体环境进行变换。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (4)

1.一种基于DBSCAN算法的交通目标识别方法，其特征在于，具体为：
针对待识别的交通目标，首先通过毫米波雷达进行连续时间段的探测，获得待测目标的不同时刻的位置信息，并将测得的位置信息作为点云数据；利用DBSCAN聚类算法对点云数据进行聚类，将符合距离限制的点云数据分配相同的簇标签或者标记为噪声；根据每个簇中的散射点数量进行目标类型的匹配，并将识别到的目标类型保存在目标标签表中；最后对目标标签表中的同一类型的标签进行计数，得到综合交通环境下各交通目标的数量。
2.根据权利要求1所述的一种基于DBSCAN算法的交通目标识别方法，其特征在于，所述的DBSCAN聚类算法的过程如下：
步骤201，从点云数据中选出核心样本点以及各核心样本点的邻居；
核心样本点的选择为：针对点p，其与周围各点的距离小于等于ε的所有点的数量大于阈值MinPts，则标记点p为核心样本点；
与点p距离小于等于ε的点称为点p的邻居；
步骤202，逐个选择点云数据中的各点，判断当前点p是否为核心样本，如果是，给点p分配一个簇标签，进入步骤203；否则，点p被标记为噪声；
步骤203，访问核心样本点p的所有邻居，并将点p的簇标签分配给所有邻居；
步骤204，判断每个被访问的邻居是否为核心样本点，若是，则点p依次访问各核心样本的邻居，并将点p的簇标签分配给所有访问的邻居点，直到点p的邻居没有核心样本点为止；
步骤205，选取点云数据中另一个未被访问过的点，返回步骤202重复上述过程，直至所有点云数据都被分配簇标签或被标记为噪声，完成聚类。
3.根据权利要求1所述的一种基于DBSCAN算法的交通目标识别方法，其特征在于，所述的目标识别的具体过程为：
首先，创建一个空的目标标签表，其长度与簇的数量相同；
然后，逐个选择各簇，针对当前簇，判断其标签包含的散射点数量是否符合四类目标中的某一类，如果是，则将该簇对应到具体的目标类别，并将目标类型保存到目标标签表中；否则，对当前簇暂不处理。
4.根据权利要求1或3所述的一种基于DBSCAN算法的交通目标识别方法，其特征在于，所述的目标类型分为四类，分别为：行人、摩托车、小型汽车和重型卡车。
CN202110697622.4A 2021-06-23 2021-06-23 一种基于dbscan算法的交通目标识别方法 Pending CN113378751A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110697622.4A CN113378751A (zh) 2021-06-23 2021-06-23 一种基于dbscan算法的交通目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110697622.4A CN113378751A (zh) 2021-06-23 2021-06-23 一种基于dbscan算法的交通目标识别方法

Publications (1)

Publication Number Publication Date
CN113378751A true CN113378751A (zh) 2021-09-10

Family

ID=77578595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110697622.4A Pending CN113378751A (zh) 2021-06-23 2021-06-23 一种基于dbscan算法的交通目标识别方法

Country Status (1)

Country Link
CN (1) CN113378751A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114460582A (zh) * 2021-12-14 2022-05-10 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
CN114897040A (zh) * 2022-03-16 2022-08-12 宁夏广天夏电子科技有限公司 采煤面矫直方法、装置及综采工作面系统
CN115359410A (zh) * 2022-10-21 2022-11-18 正大农业科学研究有限公司 扎堆行为检测方法及系统
CN116721246A (zh) * 2023-07-14 2023-09-08 酷哇科技有限公司 连续帧点云快速标注方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109870680A (zh) * 2018-10-26 2019-06-11 北京润科通用技术有限公司 一种目标分类方法及装置
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
WO2021097618A1 (zh) * 2019-11-18 2021-05-27 深圳市大疆创新科技有限公司 点云分割方法、系统及计算机存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109870680A (zh) * 2018-10-26 2019-06-11 北京润科通用技术有限公司 一种目标分类方法及装置
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
WO2021097618A1 (zh) * 2019-11-18 2021-05-27 深圳市大疆创新科技有限公司 点云分割方法、系统及计算机存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张名芳等: "一种用于道路障碍物识别的激光点云聚类算法", 《激光与红外》 *
张雨晨: "基于DBSCAN聚类算法的激光扫描雷达可视化障碍物检测", 《智能城市》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114460582A (zh) * 2021-12-14 2022-05-10 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
CN114897040A (zh) * 2022-03-16 2022-08-12 宁夏广天夏电子科技有限公司 采煤面矫直方法、装置及综采工作面系统
CN114897040B (zh) * 2022-03-16 2023-06-16 宁夏广天夏科技股份有限公司 采煤面矫直方法、装置及综采工作面系统
CN115359410A (zh) * 2022-10-21 2022-11-18 正大农业科学研究有限公司 扎堆行为检测方法及系统
CN116721246A (zh) * 2023-07-14 2023-09-08 酷哇科技有限公司 连续帧点云快速标注方法及系统
CN116721246B (zh) * 2023-07-14 2024-03-19 酷哇科技有限公司 连续帧点云快速标注方法及系统

Similar Documents

Publication Publication Date Title
CN113378751A (zh) 一种基于dbscan算法的交通目标识别方法
CN111540201B (zh) 基于路侧激光雷达的车辆排队长度实时估计方法及系统
CN106980113B (zh) 物体检测装置和物体检测方法
CN105096340B (zh) 用于检测静态和动态对象以及控制车辆的方法和系统
CN112562405A (zh) 一种雷达视频智能融合与预警方法及系统
CN110781927B (zh) 车路协同下基于深度学习的目标检测与分类方法
CN113155173B (zh) 感知性能评测方法、装置、电子装置和存储介质
Li et al. An adaptive 3D grid-based clustering algorithm for automotive high resolution radar sensor
CN114093165A (zh) 一种基于路侧激光雷达的车辆-行人冲突自动识别方法
CN114694060B (zh) 一种道路抛洒物检测方法、电子设备及存储介质
CN110907909B (zh) 一种基于概率统计的雷达目标识别方法
CN112368593B (zh) 借助用于机动车的雷达传感器来识别静态雷达目标的方法
CN110232827A (zh) 自由流收费车型识别方法、装置及系统
CN114926984A (zh) 一种实时交通冲突收集与道路安全评价方法
CN115657002A (zh) 基于交通毫米波雷达的车辆运动状态估计方法
CN115937827B (zh) 用于汽车紧急主动避险的监控视频处理方法
CN115482672B (zh) 车辆逆行检测的方法、装置、终端设备及存储介质
CN116964472A (zh) 用于借助于雷达传感器系统的反射信号来探测环境的至少一个对象的方法
CN114067552A (zh) 一种基于路侧激光雷达的行人过街轨迹追踪与预测方法
Oliveira et al. Clustering LiDAR Data with K-means and DBSCAN.
CN115719364B (zh) 一种基于移动测量点云数据进行行人跟踪的方法和系统
Sun et al. Intelligent traffic accident detection system using surveillance video
CN117351726B (zh) 一种高速公路事件预警系统及综合感知方法
Zhang et al. Sandbox: a novel algorithm for object recognition using millimeter wave radar
Xu et al. Collision-warning system integrated with merging behaviour prediction model based on multi-sensor fusion

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210910

RJ01 Rejection of invention patent application after publication