CN115546526B - 三维点云聚类方法、装置及存储介质 - Google Patents

三维点云聚类方法、装置及存储介质 Download PDF

Info

Publication number
CN115546526B
CN115546526B CN202211488679.4A CN202211488679A CN115546526B CN 115546526 B CN115546526 B CN 115546526B CN 202211488679 A CN202211488679 A CN 202211488679A CN 115546526 B CN115546526 B CN 115546526B
Authority
CN
China
Prior art keywords
cluster
data point
clustering
clusters
point set
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
CN202211488679.4A
Other languages
English (en)
Other versions
CN115546526A (zh
Inventor
徐刚
裴昊
张慧
郭坤鹏
张燎
严涵
冯友怀
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.)
Southeast University
Nanjing Hawkeye Electronic Technology Co Ltd
Original Assignee
Southeast University
Nanjing Hawkeye Electronic 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 Southeast University, Nanjing Hawkeye Electronic Technology Co Ltd filed Critical Southeast University
Priority to CN202211488679.4A priority Critical patent/CN115546526B/zh
Publication of CN115546526A publication Critical patent/CN115546526A/zh
Application granted granted Critical
Publication of CN115546526B publication Critical patent/CN115546526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/7635—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks based on graphs, e.g. graph cuts or spectral clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种三维点云聚类方法、装置及存储介质，用于合成孔径雷达，其中，所述方法包括：对雷达回波信号进行三维成像处理以得到三维数据点集合；基于箱线图对三维数据点集合进行异常点排除以得到目标数据点集合；针对预设的多个聚簇数量中的每个聚簇数量，对目标数据点集合进行谱聚类以得到谱聚类模型的多个评估参数；根据每个聚簇数量对应的谱聚类模型的多个评估参数确定最佳聚簇数量；基于最佳聚簇数量对目标数据点集合进行谱聚类以得到目标聚簇。本发明所提供的技术方案能够解决现有技术中点云成像密度稀疏，定位精度较低，雷达检测结果伴随虚警，且基于密度的聚类算法因调参难度大导致聚簇存在误差的技术问题。

Description

三维点云聚类方法、装置及存储介质
技术领域
本发明涉及雷达技术领域，尤其涉及一种三维点云聚类方法、装置及存储介质。
背景技术
传统毫米波雷达在每个脉冲周期发射调频连续波，并在接收端对回波进行混频。最终获取的数据中混叠着多个目标的回波数据。混叠数据先后经过距离维快速傅里叶变换（FFT）和速度维FFT处理，得到距离-多普勒图（RDM）。在距离-多普勒图（RDM）上使用恒虚警检测（Constant False Alarm Rate, CFAR）算法可以得到距离维和速度维的2D毫米波点云。当毫米波雷达具有多个接收天线时，每个接收天线都可以获得一张距离-多普勒图（RDM）。不同通道的距离-多普勒图（RDM）上同一目标的强度分布基本一致，但相位取决于目标的角度，因此将目标点在每个距离-多普勒图（RDM）中的复回波取出，进行波束形成，即可测角。根据毫米波雷达天线阵列的排布，传统测角算法可以进行方位向和高度向测角，最终可以得到包含距离维、方位维、高度维和时间维的4D毫米波点云。在对雷达探测的数据点进行聚类时，通常使用密度聚类算法对整个成像场景进行聚类，从而将场景内的目标从背景中分离。
现有技术中，雷达探测目标的检测点，并对检测点进行信号分析和成像场景聚类的过程中，至少存在如下的技术问题：
1、传统毫米波雷达由于阵列分辨率受限制等因素，其点云成像密度稀疏、定位精度较低。
2、恒虚警检测（CFAR）检测技术在信噪比较低的场景难以发挥作用，且检测结果一定会伴随着虚警。
3、基于密度的聚类算法在多数情况下调参难度较大，且面对密度分布不均匀的目标，会将单一目标聚类为多个聚簇，存在聚类容易出现误差的技术问题。
发明内容
本发明提供了一种三维点云聚类方法、装置及存储介质，旨在有效解决现有技术中点云成像密度稀疏，定位精度较低，雷达检测结果伴随虚警，且基于密度的聚类算法因调参难度大导致聚簇存在误差的技术问题。
根据本发明的一方面，本发明提供一种三维点云聚类方法，用于合成孔径雷达，所述方法包括：
对目标针对所述合成孔径雷达的探测信号反馈的回波信号进行三维成像处理以得到三维数据点集合；
基于箱线图以及所述三维数据点集合中各个点的三维坐标和信号强度排除异常点以得到目标数据点集合；
针对预设的多个聚簇数量中的每个聚簇数量，对所述目标数据点集合进行谱聚类以得到该聚簇数量对应的谱聚类模型的多个评估参数；
根据每个所述聚簇数量对应的所述谱聚类模型的所述多个评估参数确定最佳聚簇数量；
基于所述最佳聚簇数量对所述目标数据点集合进行谱聚类，以得到所述目标数据点集合对应的目标聚簇。
进一步地，所述多个评估参数包括平均轮廓系数、方差比和类内方差。
进一步地，所述根据每个所述聚簇数量对应的所述谱聚类模型的所述多个评估参数确定最佳聚簇数量包括：
针对每个聚簇数量，获取该聚簇数量对应的所述平均轮廓系数的第一权重系数、所述方差比的第二权重系数和所述类内方差的第三权重系数，并根据所述平均轮廓系数、所述第一权重系数、所述方差比、所述第二权重系数、所述类内方差和所述第三权重系数得到该聚簇数量对应的决策分数；
确定所述多个聚簇数量对应的多个决策分数中数值最大的决策分数为目标决策分数，并确定所述目标决策分数对应的聚簇数量为所述最佳聚簇数量。
进一步地，所述根据所述平均轮廓系数、所述第一权重系数、所述方差比、所述第二权重系数、所述类内方差和所述第三权重系数得到该聚簇数量对应的决策分数包括：
基于下式计算所述决策分数：
Figure DEST_PATH_IMAGE001
，
其中，
Figure DEST_PATH_IMAGE002
表示所述决策分数，/>
Figure DEST_PATH_IMAGE003
表示所述平均轮廓系数，/>
Figure DEST_PATH_IMAGE004
表示所述第一权重系数，CHI表示所述方差比，/>
Figure DEST_PATH_IMAGE005
表示所述第二权重系数，Inertia表示所述类内方差，/>
Figure DEST_PATH_IMAGE006
表示所述第三权重系数。
进一步地，所述对目标针对所述合成孔径雷达的探测信号反馈的回波信号进行三维成像处理以得到三维数据点集合包括：
对所述回波信号进行方向维成像和距离维成像以得到二维数据点集合，对所述二维数据点集合进行高程向成像以得到所述三维数据点集合。
进一步地，所述基于箱线图以及所述三维数据点集合中各个点的三维坐标和信号强度排除异常点以得到目标数据点集合包括：
针对所述三维数据点集合在笛卡尔坐标系中的每一维坐标和信号强度，分别计算上四分数、下四分数以及四分位距离值，并基于所述上四分数、所述下四分数以及所述四分位距离值确定上限值和下限值；
针对所述三维数据点集合的三维坐标，基于所述每一维坐标对应的上限值和下限值筛除坐标异常点；
针对所述三维数据点集合的信号强度，基于所述信号强度的下限值筛除信号强度异常点。
进一步地，所述基于所述上四分数、所述下四分数以及所述四分位距离值确定上限值和下限值包括：
基于下式确定所述上限值：
R= Q1 − k × IQR，
其中，R表示所述上限值，Q1表示所述上四分数，IQR表示所述四分位距离值，k表示对异常数据的容忍程度；
基于下式确定所述下限值：
T=Q3 +k×IQR，
其中，T表示所述上限值，Q3表示所述下四分数，IQR表示所述四分位距离值，k表示对异常数据的容忍程度。
进一步地，所述针对预设的多个聚簇数量中的每个聚簇数量，对所述目标数据点集合进行谱聚类以得到该聚簇数量对应的谱聚类模型的多个评估参数包括：
针对所述每个聚类数量，基于该聚类数量对所述目标数据点集合进行谱聚类以得到多个初始聚簇；
根据所述多个初始聚簇中每个初始聚簇对应的数据点数量确定多个聚簇，其中，所述多个聚簇中的每个聚簇的数据点数量大于预设数量；
基于所述多个聚簇计算所述平均轮廓系数、所述方差比和所述类内方差。
进一步地，所述基于所述多个聚簇计算所述平均轮廓系数包括：
（1）针对所述多个聚簇中的每个聚簇，计算该聚簇和其它每个聚簇之间的距离以确定该聚簇对应的最近距离聚簇；
针对该聚簇中的每个数据点，执行如下操作：
计算该数据点到该聚簇内其它每个数据点的距离以获得多个第一距离值，对所述多个第一距离值进行求均值运算以得到该数据点对应的内聚度距离值；
计算该数据点到所述最近距离聚簇内的每个数据点的距离以获得多个第二距离值，对所述多个第二距离值进行求均值运算以得到该数据点对应的分离度距离值；
基于所述内聚度距离值和所述分离度距离值得到该数据点对应的轮廓系数；
（2）基于所述目标数据点集合的每个数据点对应的轮廓系数得到所述平均轮廓系数。
进一步地，所述基于所述多个聚簇计算所述方差比包括：
计算所述目标数据点集合的集合中心点坐标以及所述多个聚簇中每个聚簇的聚类中心点坐标；
基于所述每个聚簇内的每个数据点的坐标和所述聚类中心点坐标得到该聚簇对应的簇内协方差矩阵；
基于所述每个聚簇的聚类中心点坐标和所述集合中心点坐标计算该聚簇对应的簇间协方差矩阵；
基于所述簇内协方差矩阵、所述簇间协方差矩阵、当前的聚簇数量以及所述目标数据点集合的总数据点数量得到所述方差比。
进一步地，所述基于所述多个聚簇计算所述类内方差包括：
针对所述多个聚簇的每个聚簇，计算该聚簇的每个数据点到其它聚簇的聚类中心点坐标的距离以获得多个第三距离值，对所述多个第三距离值进行求均值运算以得到该聚簇对应的簇间平均距离值；
对所述多个聚簇对应的多个簇间平均距离值进行求均值运算以得到所述类内方差。
根据本发明的另一方面，本发明还提供了一种三维点云聚类装置，用于合成孔径雷达，所述装置包括：
三维数据点集合生成模块，用于对目标针对所述合成孔径雷达的探测信号反馈的回波信号进行三维成像处理以得到三维数据点集合；
目标数据点集合生成模块，用于基于箱线图以及所述三维数据点集合中各个点的三维坐标和信号强度排除异常点以得到目标数据点集合；
评估参数计算模块，用于针对预设的多个聚簇数量中的每个聚簇数量，对所述目标数据点集合进行谱聚类以得到该聚簇数量对应的谱聚类模型的多个评估参数；
最佳聚簇数量确定模块，用于根据每个所述聚簇数量对应的所述谱聚类模型的所述多个评估参数确定最佳聚簇数量；
目标聚簇生成模块，用于基于所述最佳聚簇数量对所述目标数据点集合进行谱聚类，以得到所述目标数据点集合对应的目标聚簇。
根据本发明的另一方面，本发明还提供了一种存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行如上所述的任一三维点云聚类方法。
通过本发明中的上述实施例中的一个实施例或多个实施例，至少可以实现如下技术效果：
在本发明所公开的技术方案中，提出了一种不需要人工调参且自动化的三维点云聚类算法。首先，本发明不使用传统的毫米波点云成像方法，而是借鉴合成孔径雷达（SAR）的成像方式，使用时域BP算法进行二维SAR成像，再配合基于压缩感知的阵列三维成像算法获取高分辨率且稠密的三维数据点集合。然后，使用箱线图分析预处理三维数据点集合，筛除数据点集合中的异常点。最后，使用谱聚类算法对目标数据点集合进行聚类。最终，基于轮廓系数、方差比以及类间方差三种聚类评估指标评估聚类模型，自动确定谱聚类算法的最近聚类数量并进行谱聚类以获得目标聚簇。
本发明采用合成孔径雷达（SAR）的成像方式，不受阵列分辨率等因素的限制，能够获得稠密的数据点集合，且检测结果没有虚警，提高了定位精度。
本发明通过箱线图筛除掉异常点，并使用谱聚类算法进行聚类，相比于基于密度的聚类算法，在处理离散且分布不均的点云时，能获得更好的聚类效果，能够有效地降低将单一目标聚类为多个聚簇的概率，提高了聚类精确度。
附图说明
下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其它有益效果显而易见。
图1为本发明实施例提供的一种三维点云聚类方法的步骤流程图；
图2为本发明实施例提供的一种不同聚簇数量下的评估参数曲线图；
图3为高程分辨原理的示意图；
图4为本发明实施例提供的一种三维成像数据点集合的示意图；
图5为箱线图原理示意图；
图6为本发明实施例提供的一种谱聚类结果的示意图；
图7为本发明实施例提供的一种三维点云聚类装置的结构示意图。
具体实施方式
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，本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，本文中术语“和/或”，仅仅是一种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：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，在不做特别说明的情况下，一般表示前后关联对象是一种“或”的关系。
在雷达系统中，雷达探测目标的原理是利用发射脉冲与接收脉冲之间的时间差和电磁波的传播速度(光速)，来得到雷达与目标之间的精确距离。目标角位置的测量原理是利用天线的方向性，当天线波束对准目标时，回波信号最强，根据接收回波最强时的天线波束指向，就可确定目标的方向。测量速度原理是雷达根据自身和目标之间有相对运动产生的频率多普勒效应。雷达接收到的目标回波频率与雷达发射频率不同，两者的差值称为多普勒频率。从多普勒频率中可提取的主要信息之一是雷达与目标之间的距离变化率，进而得出目标的运动速度。综上可以得到目标的运动速度、运动方向和距离等信息。
合成孔径雷达(Sy nthetic Aperture Radar ，SAR) 是一种高分辨率成像雷达，是利用一个小天线沿着长线阵的轨迹等速移动并辐射相参信号，把在不同位置接收的回波进行相干处理，从而获得较高分辨率的成像雷达，可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成一较大的等效天线孔径的雷达，也称综合孔径雷达。合成孔径雷达的特点是分辨率高，能全天候工作，能有效地识别伪装和穿透掩盖物。合成孔径雷达所得到的高方位分辨力相当于一个大孔径天线所能提供的方位分辨力。与其它大多数雷达一样，合成孔径雷达通过发射电磁脉冲和接收目标回波之间的时间差测定距离，其分辨率与脉冲宽度或脉冲持续时间有关，脉宽越窄分辨率越高。
图1所示为本发明实施例所提供的三维点云聚类方法的步骤流程图，根据本发明的一方面，本发明提供一种三维点云聚类方法，用于合成孔径雷达，所述方法包括：
步骤101：对目标针对所述合成孔径雷达的探测信号反馈的回波信号进行三维成像处理以得到三维数据点集合；
步骤102：基于箱线图以及所述三维数据点集合中各个点的三维坐标和信号强度排除异常点以得到目标数据点集合；
步骤103：针对预设的多个聚簇数量中的每个聚簇数量，对所述目标数据点集合进行谱聚类以得到该聚簇数量对应的谱聚类模型的多个评估参数；
步骤104：根据每个所述聚簇数量对应的所述谱聚类模型的所述多个评估参数确定最佳聚簇数量；
步骤105：基于所述最佳聚簇数量对所述目标数据点集合进行谱聚类，以得到所述目标数据点集合对应的目标聚簇。
以下对上述步骤101~105进行具体描述。
在上述步骤101中，对目标针对所述合成孔径雷达的探测信号反馈的回波信号进行三维成像处理以得到三维数据点集合。
示例性地，本发明不使用传统的毫米波点云成像方法，而是借鉴合成孔径雷达（SAR）的成像方式。
合成孔径雷达的发射天线向目标发射雷达探测信号，目标对探测信号进行反射，向合成孔径雷达的接收天线反馈回波信号。其中，天线包括多个发射天线和多个接收天线，任意一个发射天线和任意一个接收天线之间对应一个通道。一个发射天线对应多个接收天线，相应地，一个发射天线和多个接收天线之间形成一个通道阵列。因此，雷达可以收到多个通道阵列的回波信号。
针对所有通道的回波信号，先使用时域误差反向传播（Error Back Propagation,BP）算法进行二维合成孔径雷达（SAR）成像。然后再配合基于压缩感知的阵列三维SAR成像算法获取高分辨率且稠密的三维SAR点云，即三维数据点集合。
在上述步骤102中，基于箱线图以及所述三维数据点集合中各个点的三维坐标和信号强度排除异常点以得到目标数据点集合。
示例性地，使用箱线图分析三维数据点集合中数据X、Y、Z 坐标以及信号强度等特征的分布情况。利用箱线图的结果限制数据点的X、Y、Z 坐标的上下限，以及信号强度的下限。以筛除特征分布不在限制范围内的异常点，减少异常散射点对聚类结果的影响。经过箱线图筛除掉异常点后，基于剩余的数据点得到目标数据点集合。
其中，箱线图也称箱须图、箱形图、盒图，用于反映一组或多组连续型定量数据分布的中心位置和散布范围。箱形图包含数学统计量，不仅能够分析不同类别数据各层次水平差异，还能揭示数据间离散程度、异常值、分布差异等等。
在上述步骤103中，针对预设的多个聚簇数量中的每个聚簇数量，对所述目标数据点集合进行谱聚类以得到该聚簇数量对应的谱聚类模型的多个评估参数。
示例性地，本步骤对目标数据点集合进行谱聚类以得到多个聚簇。其中，谱聚类过程需要提前确定聚簇数量，雷达系统对算法模型不断学习优化，根据模型学习结果提前预设多个聚簇数量，并基于每个聚簇数量分别对目标数据点集合进行谱聚类。在每次谱聚类得到对应数量的聚簇以后，对多个聚簇进行数据分析并确定当前的谱聚类模型的多个评估参数。
其中，谱聚类是基于图理论的聚类算法。谱聚类将数据点当作特征空间内的一个点，数据点之间两两连接形成边，边的权值由点之间的特征距离决定，两点越近权重越高。最终构建描述整个数据集分布的图。谱聚类的目的是对生成的图进行切割，使切割后的子图内的边权重尽量高而子图间的边权重尽量低。
谱聚类的最终目标就是找到一种切割图的方法，使得切割之后的各个子图内的权重很大，子图之间的权重很小。谱聚类过程中可使用Normalized cuts 方法切图，由于实际场景中目标数据点集合的数据规模可以达到数十万甚至百万级别。如果使用全连接的方式建图，需要消耗
Figure DEST_PATH_IMAGE007
级别的空间复杂度来存储邻接矩阵，同时消耗大量的时间来分解该矩阵。因此，可使用k-nearest neighbor graphs方法选择每个点的k最近邻建立稀疏图，来降低算法的复杂度，增加谱聚类的效率。
在上述步骤104中，根据每个所述聚簇数量对应的所述谱聚类模型的所述多个评估参数确定最佳聚簇数量。
示例性地，在获取到每个聚簇数量对应的多个聚簇后，对聚簇进行数据分析，得到多个评估参数。基于不同聚簇数量对应的多个评估参数，可分析出最佳聚簇数量，以对应于真实世界中的多个雷达探测目标，获取最准确的聚簇结果。
在上述步骤105中，基于所述最佳聚簇数量对所述目标数据点集合进行谱聚类，以得到所述目标数据点集合对应的目标聚簇。
示例性地，最佳聚簇数量的评估参数可达到最优值，和真实目标的匹配度最高，因此，最终基于最近聚簇数量对目标数据点集合进行谱聚类，以得到所述目标数据点集合对应的目标聚簇。
进一步地，所述多个评估参数包括平均轮廓系数、方差比和类内方差。
示例性地，在基于每个预设的聚簇数量对目标数据点集合进行谱聚类后，对获得的对应数量的聚簇进行数据分析，获得多个评估参数。在本申请中，多个评估参数包括平均轮廓系数、方差比和类内方差，图2为本发明实施例提供的一种不同聚簇数量K下的评估参数曲线图，其中，CHI表示方差比，Silhouette表示平均轮廓系数，Interia表示类内方差，图中显示当聚簇数量K为9时谱聚类效果最好，因此，9为最佳聚簇数量。
方差比（CHI）可以用来确定聚类的最佳数量，具体可根据聚簇数量、集合的样本数量、不同聚簇之间的平方和误差以及簇内平方和误差来计算方差比。其中，簇间的平方和误差越大越好，簇内平方和误差越小越好，表征聚类效果越好。方差比则是越大越好，方差比的数值越大，聚簇之间的协方差较大，簇与簇之间界限则越明显。
平均轮廓系数（Silhouette Coefficient）是聚类效果的一种评价参数。平均轮廓系数为所有样本的轮廓系数的均值，结合内聚度和分离度两种因素。可以用来在相同原始数据的基础上用来评价不同算法，或者算法不同运行方式对聚类结果所产生的影响。平均轮廓系数的取值范围为[-1,1]，且簇内样本的距离越近，簇间样本距离越远，平均轮廓系数越大，聚类效果越好。
类内方差（Interia）越小越好，整个聚类结果的类内方差可以表示为所有聚簇类内方差的平均值，因此，类内方差越小越好。
进一步地，在上述步骤104中，所述根据每个所述聚簇数量对应的所述谱聚类模型的所述多个评估参数确定最佳聚簇数量包括：
针对每个聚簇数量，获取该聚簇数量对应的所述平均轮廓系数的第一权重系数、所述方差比的第二权重系数和所述类内方差的第三权重系数，并根据所述平均轮廓系数、所述第一权重系数、所述方差比、所述第二权重系数、所述类内方差和所述第三权重系数得到该聚簇数量对应的决策分数；
确定所述多个聚簇数量对应的多个决策分数中数值最大的决策分数为目标决策分数，并确定所述目标决策分数对应的聚簇数量为所述最佳聚簇数量。
示例性地，在评估谱聚类模型的优劣时，多个评估参数的每个评估参数的权重不同，有些参数比较重要，作为优先参考标准，因此，在根据评估参数评估最佳匹配的聚簇数量时，需要获取不同的评估参数对应的权重系。针对每个聚簇数量，获取该聚簇数量对应的所述平均轮廓系数的第一权重系数、所述方差比的第二权重系数和所述类内方差的第三权重系数。
针对每个聚簇数量，基于评估参数和其对应的权重系数得到每个聚簇结果的决策分数，决策分数越高，则表示聚簇结果越优，因此，数值最大的决策分数对应的聚簇数量为最佳聚簇数量。
进一步地，在上述步骤104中，所述根据所述平均轮廓系数、所述第一权重系数、所述方差比、所述第二权重系数、所述类内方差和所述第三权重系数得到该聚簇数量对应的决策分数包括：
基于下式计算所述决策分数：
Figure DEST_PATH_IMAGE008
，
其中，
Figure 913661DEST_PATH_IMAGE002
表示所述决策分数，/>
Figure 909298DEST_PATH_IMAGE003
表示所述平均轮廓系数，/>
Figure DEST_PATH_IMAGE009
表示所述第一权重系数，CHI表示所述方差比，/>
Figure 765128DEST_PATH_IMAGE005
表示所述第二权重系数，Inertia表示所述类内方差，/>
Figure 165016DEST_PATH_IMAGE006
表示所述第三权重系数。
示例性地，针对每个聚簇数量得到的聚簇结果，为了综合三种评估指标的决策结果，使用如上公式计算在不同待聚簇数量K条件下，基于当前聚簇的多个评估参数和对应的权重系数得到决策分数
Figure 184925DEST_PATH_IMAGE002
。其中，/>
Figure 79194DEST_PATH_IMAGE009
,/>
Figure 133738DEST_PATH_IMAGE005
,/>
Figure DEST_PATH_IMAGE010
分别是平均轮廓系数/>
Figure 501265DEST_PATH_IMAGE003
、方差比CHI和类内方差Inertia的权重系数。在不同待聚簇数据K条件下，分别计算决策分数
Figure 398683DEST_PATH_IMAGE002
，取/>
Figure 204965DEST_PATH_IMAGE002
最大时的K为最佳聚簇数量。
进一步地，在上述步骤101中，所述对目标针对所述合成孔径雷达的探测信号反馈的回波信号进行三维成像处理以得到三维数据点集合包括：
对所述回波信号进行方向维成像和距离维成像以得到二维数据点集合，对所述二维数据点集合进行高程向成像以得到所述三维数据点集合。
示例性地，针对回波信号，进行两次成像处理，三维成像为三维SAR成像，可以分解为二维成像和高程向成像。首先在方向维和距离维被聚焦，生成方位范围的2D高分辨率图像，之后使用数字高程模型（DEM）来测量复杂图像之间的相位差，在高程方向，由不同的视角确定以恢复高度信息。
图3为本发明实施例提供的一种高程分辨原理的示意图，其中，d为阵列的阵元间距，H是目标高度，
Figure DEST_PATH_IMAGE011
是雷达的俯仰角，/>
Figure DEST_PATH_IMAGE012
是场景中心作用距离。三维SAR成像的回波信号在进行二维成像处理后，SAR二维图像某个像素由不同高度上的N个散射体回波组成。像素值g(n)可以视为回波沿高程向h的后向散射系数积分，基于下式计算后向散射系数积分：
Figure DEST_PATH_IMAGE013
，
其中，
Figure DEST_PATH_IMAGE014
是后向散射系数，/>
Figure DEST_PATH_IMAGE015
是对应高程h的空间频率。
高程h的空间频率
Figure 327729DEST_PATH_IMAGE015
的具体形式如下式所示：
Figure DEST_PATH_IMAGE016
，
其中，N为阵列的总阵元数目，d为阵列的阵元间距， λ为雷达探测信号的波长，
Figure 600579DEST_PATH_IMAGE011
为雷达的俯仰角。
SAR处理的是离散样本，因此图像序列中某个通道的像素值实际上是目标后向散射函数
Figure 860659DEST_PATH_IMAGE014
频谱在空间频率/>
Figure 96730DEST_PATH_IMAGE015
上的离散采样值，考虑实际录取数据过程中伴随的噪声/>
Figure DEST_PATH_IMAGE017
，根据下式进行离散采样：
Figure DEST_PATH_IMAGE018
，
其中，
Figure DEST_PATH_IMAGE019
为/>
Figure DEST_PATH_IMAGE020
维的观测矢量，/>
Figure DEST_PATH_IMAGE021
是/>
Figure DEST_PATH_IMAGE022
维的观测矩阵，/>
Figure 391446DEST_PATH_IMAGE021
的第j列如下式表示：
Figure DEST_PATH_IMAGE023
，
上式表明，SAR高程向聚焦本质为从离散采样频谱中恢复原始信号的过程，SAR高程向成像可以转变为阵列雷达波达方向估计（DOA，direction of arrival）问题，可以使用基于压缩感知的谱估计方法实现高程向分辨，从而生成三维SAR点云，图4为本发明实施例提供的一种三维成像数据点集合的示意图，由图像可知，通过三维成像算法可获取稠密的三维数据点集合。
进一步地，在上述步骤102中，所述基于箱线图以及所述三维数据点集合中各个点的三维坐标和信号强度排除异常点以得到目标数据点集合包括：
针对所述三维数据点集合在笛卡尔坐标系中的每一维坐标和信号强度，分别计算上四分数、下四分数以及四分位距离值，并基于所述上四分数、所述下四分数以及所述四分位距离值确定上限值和下限值；
针对所述三维数据点集合的三维坐标，基于所述每一维坐标对应的上限值和下限值筛除坐标异常点；
针对所述三维数据点集合的信号强度，基于所述信号强度的下限值筛除信号强度异常点。
示例性地，图5为箱线图原理示意图，箱线图常用于分析数据的分布情况。通过绘制和分析箱线图，可以限制数据主要分布范围以及过滤异常分布的数据。箱线图对异常值的判定原理如图5所示。箱线图中Q1表示一组数据的上四分数，Q3表示下四分数，Q2为该组数据的中位数，Q3 与Q1 的差值代表数据的四分位距离IQR。因此数据的合理分布范围可以限制为[Q1 − k × IQR, Q3 +k×IQR]。其中k 为非负常数，反映了对异常数据的容忍度。
进一步地，在上述步骤102中，所述基于所述上四分数、所述下四分数以及所述四分位距离值确定上限值和下限值包括：
基于下式确定所述上限值：
R= Q1 − k × IQR，
其中，R表示所述上限值，Q1表示所述上四分数，IQR表示所述四分位距离值，k表示对异常数据的容忍程度；
基于下式确定所述下限值：
T=Q3 +k×IQR，
其中，T表示所述上限值，Q3表示所述下四分数，IQR表示所述四分位距离值，k表示对异常数据的容忍程度。
示例性地，通过坐标点的上限值和下限值，可以筛除掉三维数据点集合中坐标点处于异常状态的点，比如特别偏的坐标点。同理，通过信号强度的下限值可以筛除掉信号强度较弱的检测点。
进一步地，在上述步骤103中，所述针对预设的多个聚簇数量中的每个聚簇数量，对所述目标数据点集合进行谱聚类以得到该聚簇数量对应的谱聚类模型的多个评估参数包括：
针对所述每个聚类数量，基于该聚类数量对所述目标数据点集合进行谱聚类以得到多个初始聚簇；
根据所述多个初始聚簇中每个初始聚簇对应的数据点数量确定多个聚簇，其中，所述多个聚簇中的每个聚簇的数据点数量大于预设数量；
基于所述多个聚簇计算所述平均轮廓系数、所述方差比和所述类内方差。
示例性地，针对每个预设的聚类数量，对目标数据点集合进行谱聚类，在聚类后可获得数量为对应聚类数量的聚簇，图6为本发明实施例提供的一种谱聚类结果的示意图，如图6所示，某小区建筑物对应的目标数据点集合被聚类为多个聚簇。
在计算评估参数时，并不是所有的聚簇多会用于计算评估参数，而是筛除掉数据点数量较少的聚簇。具体来说，目标数据点集合的每个检测点对应的数据点可以用5维的特征向量来(x, y, z, rcs, phase)表示，具体包括数据点的三维空间坐标x,y,z以及数据点对应的信号强度（rcs）和信号相位（phase）。由于单通道SAR 数据中相位信息存在较大的随机性，且信号强度信息对划分空间内的目标的作用较小。因此，可只使用点的三维空间坐标作为聚类算法的输入，使用欧式距离作为三种算法的距离度量。由于直接聚类结果中可能存在规模极小的聚簇，在计算评估参数时，可筛除规模小于场景内点数量2% 的聚簇，也可筛除数据点数量小于预设数量的聚簇。
进一步地，在上述步骤103中，所述基于所述多个聚簇计算所述平均轮廓系数包括：
1）针对所述多个聚簇中的每个聚簇，计算该聚簇和其它每个聚簇之间的距离以确定该聚簇对应的最近距离聚簇；
针对该聚簇中的每个数据点，执行如下操作：
计算该数据点到该聚簇内其它每个数据点的距离以获得多个第一距离值，对所述多个第一距离值进行求均值运算以得到该数据点对应的内聚度距离值；
计算该数据点到所述最近距离聚簇内的每个数据点的距离以获得多个第二距离值，对所述多个第二距离值进行求均值运算以得到该数据点对应的分离度距离值；
基于所述内聚度距离值和所述分离度距离值得到该数据点对应的轮廓系数；
2）基于所述目标数据点集合的每个数据点对应的轮廓系数得到所述平均轮廓系数。
示例性地，对目标数据点集合进行谱聚类后得到多个聚簇，其中一个聚簇记作
Figure DEST_PATH_IMAGE024
，在聚簇/>
Figure 382666DEST_PATH_IMAGE024
中的有一个数据点/>
Figure DEST_PATH_IMAGE025
，计算平均轮廓系数，则需要计算每个数据点的内聚度距离值和分离度距离值。
针对数据点
Figure 536567DEST_PATH_IMAGE025
，内聚度距离值/>
Figure DEST_PATH_IMAGE026
表示点/>
Figure 340444DEST_PATH_IMAGE025
到本聚簇/>
Figure DEST_PATH_IMAGE027
内其它点的平均距离，衡量了一个点的内聚度。分离度距离值/>
Figure DEST_PATH_IMAGE028
表示点/>
Figure 53447DEST_PATH_IMAGE025
到距离/>
Figure 527154DEST_PATH_IMAGE027
最近的聚簇/>
Figure DEST_PATH_IMAGE029
内其它点的平均距离，衡量了一个点的分离度。具体根据下式计算内聚度距离值：
Figure DEST_PATH_IMAGE030
，
其中，
Figure DEST_PATH_IMAGE031
表示第一距离值，/>
Figure 89722DEST_PATH_IMAGE027
表示聚簇内的数据点集合，/>
Figure DEST_PATH_IMAGE032
表示对聚簇内的数据点集合进行取模操作，/>
Figure DEST_PATH_IMAGE033
表示簇内两个数据点之间的距离。
根据下式计算分离度距离值
Figure DEST_PATH_IMAGE034
：
Figure DEST_PATH_IMAGE035
，
其中，
Figure DEST_PATH_IMAGE036
表示第二距离值，/>
Figure DEST_PATH_IMAGE037
表示最近距离聚簇内的数据点集合，/>
Figure DEST_PATH_IMAGE038
表示对最近距离聚簇内的数据点集合进行取模操作，/>
Figure DEST_PATH_IMAGE039
表示簇间两个数据点之间的距离。
目标数据点集合中数据点
Figure DEST_PATH_IMAGE040
的轮廓系数S(i)可用下式表示：
Figure DEST_PATH_IMAGE041
，
其中，
Figure DEST_PATH_IMAGE042
表示第一距离值，/>
Figure 108011DEST_PATH_IMAGE036
表示第二距离值，max（）对目标数据进行取最大值操作。
目标数据点集合中所有样本的
Figure DEST_PATH_IMAGE043
的均值称为聚类结果的平均轮廓系数
Figure DEST_PATH_IMAGE044
。单一样本的轮廓系数取值在/>
Figure DEST_PATH_IMAGE045
之间，值越大，说明该样本与同类样本相距越近，不同样本相距越远，则聚类效果越好。
进一步地，在上述步骤103中，所述基于所述多个聚簇计算所述方差比包括：
计算所述目标数据点集合的集合中心点坐标以及所述多个聚簇中每个聚簇的聚类中心点坐标；
基于所述每个聚簇内的每个数据点的坐标和所述聚类中心点坐标得到该聚簇对应的簇内协方差矩阵；
基于所述每个聚簇的聚类中心点坐标和所述集合中心点坐标计算该聚簇对应的簇间协方差矩阵；
基于所述簇内协方差矩阵、所述簇间协方差矩阵、当前的聚簇数量以及所述目标数据点集合的总数据点数量得到所述方差比。
示例性地，首先计算簇内协方差矩阵和簇间协方差矩阵，然后计算方差比（CHI）。
其中一个聚簇记作
Figure DEST_PATH_IMAGE046
，在聚簇/>
Figure DEST_PATH_IMAGE047
中的有一个样本点/>
Figure 908477DEST_PATH_IMAGE040
，基于下式计算聚簇内部数据的簇内协方差矩阵/>
Figure DEST_PATH_IMAGE048
：
Figure DEST_PATH_IMAGE049
，
其中，
Figure 241500DEST_PATH_IMAGE048
表示聚簇/>
Figure DEST_PATH_IMAGE050
的簇内协方差矩阵，/>
Figure 104414DEST_PATH_IMAGE050
表示聚簇内的数据点集合，/>
Figure 984514DEST_PATH_IMAGE040
表示聚簇/>
Figure 577170DEST_PATH_IMAGE050
内的一个数据点，/>
Figure DEST_PATH_IMAGE051
表示聚簇/>
Figure 799204DEST_PATH_IMAGE050
的聚类中心点坐标，T表示矩阵转置。
基于下式计算聚簇之间的簇间协方差矩阵
Figure DEST_PATH_IMAGE052
：
Figure DEST_PATH_IMAGE053
，
其中，
Figure DEST_PATH_IMAGE054
表示聚簇/>
Figure 41091DEST_PATH_IMAGE050
的簇间协方差矩阵，/>
Figure 600249DEST_PATH_IMAGE051
表示聚簇/>
Figure 437623DEST_PATH_IMAGE050
的聚类中心点坐标，M表示目标数据点集合的集合中心点坐标，T表示矩阵转置。
基于所述簇内协方差矩阵、所述簇间协方差矩阵、当前的聚簇数量以及所述目标数据点集合的总数据点数量得到所述方差比（CHI），具体根据下式计算所述方差比（CHI）：
Figure DEST_PATH_IMAGE055
，
其中，CHI表示方差比，
Figure 564979DEST_PATH_IMAGE048
表示聚簇/>
Figure 995961DEST_PATH_IMAGE050
的簇内协方差矩阵，/>
Figure 713469DEST_PATH_IMAGE054
表示聚簇/>
Figure 546296DEST_PATH_IMAGE050
的簇间协方差矩阵，/>
Figure DEST_PATH_IMAGE056
表示矩阵的迹，/>
Figure DEST_PATH_IMAGE057
表示目标数据点集合的总数据点数量，/>
Figure DEST_PATH_IMAGE058
当前的聚簇数量。
进一步地，在上述步骤103中，所述基于所述多个聚簇计算所述类内方差包括：
针对所述多个聚簇的每个聚簇，计算该聚簇的每个数据点到其它聚簇的聚类中心点坐标的距离以获得多个第三距离值，对所述多个第三距离值进行求均值运算以得到该聚簇对应的簇间平均距离值；
对所述多个聚簇对应的多个簇间平均距离值进行求均值运算以得到所述类内方差。
示例性地，对于聚类结果中的多个聚簇
Figure DEST_PATH_IMAGE059
中的每一个聚簇/>
Figure DEST_PATH_IMAGE060
，其中，/>
Figure DEST_PATH_IMAGE061
，根据多个聚簇/>
Figure 392023DEST_PATH_IMAGE059
，计算聚簇/>
Figure DEST_PATH_IMAGE062
内每一个点/>
Figure DEST_PATH_IMAGE063
到其它聚类中心点坐标/>
Figure DEST_PATH_IMAGE064
的簇间平均距离值/>
Figure DEST_PATH_IMAGE065
，具体根据下式计算簇间平均距离值：
Figure DEST_PATH_IMAGE066
，
其中，
Figure 169355DEST_PATH_IMAGE065
表示簇间平均距离值，/>
Figure 945681DEST_PATH_IMAGE050
表示聚簇内的数据点集合，/>
Figure 367435DEST_PATH_IMAGE063
表示聚簇/>
Figure 321747DEST_PATH_IMAGE062
内每一个数据点，/>
Figure 461742DEST_PATH_IMAGE064
表示其它聚簇的聚类中心点坐标。
根据下式计算类内方差：
Figure DEST_PATH_IMAGE067
，
其中，Interia表示类内方差，
Figure 572917DEST_PATH_IMAGE050
表示聚簇内的数据点集合，Ω表示多个聚簇。
通过本发明中的上述实施例中的一个实施例或多个实施例，至少可以实现如下技术效果：
在本发明所公开的技术方案中，提出了一种不需要人工调参且自动化的三维点云聚类算法。首先，本发明不使用传统的毫米波点云成像方法，而是借鉴合成孔径雷达（SAR）的成像方式，使用时域BP算法进行二维SAR成像，再配合基于压缩感知的阵列三维成像算法获取高分辨率且稠密的三维数据点集合。然后，使用箱线图分析预处理三维数据点集合，筛除数据点集合中的异常点。最后，使用谱聚类算法对目标数据点集合进行聚类。最终，基于轮廓系数、方差比以及类间方差三种聚类评估指标评估聚类模型，自动确定谱聚类算法的最近聚类数量并进行谱聚类以获得目标聚簇。
本发明采用合成孔径雷达（SAR）的成像方式，不受阵列分辨率等因素的限制，能够获得稠密的数据点集合，且检测结果没有虚警，提高了定位精度。
本发明通过箱线图筛除掉异常点，并使用谱聚类算法进行聚类，相比于基于密度的聚类算法，在处理离散且分布不均的点云时，能获得更好的聚类效果，能够有效地降低将单一目标聚类为多个聚簇的概率，提高了聚类精确度。
根据本发明的另一方面，基于与本发明实施例的一种三维点云聚类方法同样的发明构思，本发明实施例还提供了一种三维点云聚类装置，用于合成孔径雷达，请参考图7，所述装置包括：
三维数据点集合生成模块201，用于对目标针对所述合成孔径雷达的探测信号反馈的回波信号进行三维成像处理以得到三维数据点集合；
目标数据点集合生成模块202，用于基于箱线图以及所述三维数据点集合中各个点的三维坐标和信号强度排除异常点以得到目标数据点集合；
评估参数计算模块203，用于针对预设的多个聚簇数量中的每个聚簇数量，对所述目标数据点集合进行谱聚类以得到该聚簇数量对应的谱聚类模型的多个评估参数；
最佳聚簇数量确定模块204，用于根据每个所述聚簇数量对应的所述谱聚类模型的所述多个评估参数确定最佳聚簇数量；
目标聚簇生成模块205，用于基于所述最佳聚簇数量对所述目标数据点集合进行谱聚类，以得到所述目标数据点集合对应的目标聚簇。
进一步地，所述最佳聚簇数量确定模块204还用于：
针对每个聚簇数量，获取该聚簇数量对应的所述平均轮廓系数的第一权重系数、所述方差比的第二权重系数和所述类内方差的第三权重系数，并根据所述平均轮廓系数、所述第一权重系数、所述方差比、所述第二权重系数、所述类内方差和所述第三权重系数得到该聚簇数量对应的决策分数；
确定所述多个聚簇数量对应的多个决策分数中数值最大的决策分数为目标决策分数，并确定所述目标决策分数对应的聚簇数量为所述最佳聚簇数量。
进一步地，所述最佳聚簇数量确定模块204还用于：
基于下式计算所述决策分数：
Figure DEST_PATH_IMAGE068
，
其中，
Figure DEST_PATH_IMAGE069
表示所述决策分数，/>
Figure DEST_PATH_IMAGE070
表示所述平均轮廓系数，/>
Figure DEST_PATH_IMAGE071
表示所述第一权重系数，CHI表示所述方差比，/>
Figure DEST_PATH_IMAGE072
表示所述第二权重系数，Inertia表示所述类内方差，/>
Figure DEST_PATH_IMAGE073
表示所述第三权重系数。
进一步地，所述三维数据点集合生成模块201还用于：
对所述回波信号进行方向维成像和距离维成像以得到二维数据点集合，对所述二维数据点集合进行高程向成像以得到所述三维数据点集合。
进一步地，所述目标数据点集合生成模块202还用于：
针对所述三维数据点集合在笛卡尔坐标系中的每一维坐标和信号强度，分别计算上四分数、下四分数以及四分位距离值，并基于所述上四分数、所述下四分数以及所述四分位距离值确定上限值和下限值；
针对所述三维数据点集合的三维坐标，基于所述每一维坐标对应的上限值和下限值筛除坐标异常点；
针对所述三维数据点集合的信号强度，基于所述信号强度的下限值筛除信号强度异常点。
进一步地，所述目标数据点集合生成模块202还用于：
基于下式确定所述上限值：
R= Q1 − k × IQR，
其中，R表示所述上限值，Q1表示所述上四分数，IQR表示所述四分位距离值，k表示对异常数据的容忍程度；
基于下式确定所述下限值：
T=Q3 +k×IQR，
其中，T表示所述上限值，Q3表示所述下四分数，IQR表示所述四分位距离值，k表示对异常数据的容忍程度。
进一步地，所述评估参数计算模块203还用于：
针对所述每个聚类数量，基于该聚类数量对所述目标数据点集合进行谱聚类以得到多个初始聚簇；
根据所述多个初始聚簇中每个初始聚簇对应的数据点数量确定多个聚簇，其中，所述多个聚簇中的每个聚簇的数据点数量大于预设数量；
基于所述多个聚簇计算所述平均轮廓系数、所述方差比和所述类内方差。
进一步地，所述评估参数计算模块203还用于：
1）针对所述多个聚簇中的每个聚簇，计算该聚簇和其它每个聚簇之间的距离以确定该聚簇对应的最近距离聚簇；
针对该聚簇中的每个数据点，执行如下操作：
计算该数据点到该聚簇内其它每个数据点的距离以获得多个第一距离值，对所述多个第一距离值进行求均值运算以得到该数据点对应的内聚度距离值；
计算该数据点到所述最近距离聚簇内的每个数据点的距离以获得多个第二距离值，对所述多个第二距离值进行求均值运算以得到该数据点对应的分离度距离值；
基于所述内聚度距离值和所述分离度距离值得到该数据点对应的轮廓系数；
2）基于所述目标数据点集合的每个数据点对应的轮廓系数得到所述平均轮廓系数。
进一步地，所述评估参数计算模块203还用于：
计算所述目标数据点集合的集合中心点坐标以及所述多个聚簇中每个聚簇的聚类中心点坐标；
基于所述每个聚簇内的每个数据点的坐标和所述聚类中心点坐标得到该聚簇对应的簇内协方差矩阵；
基于所述每个聚簇的聚类中心点坐标和所述集合中心点坐标计算该聚簇对应的簇间协方差矩阵；
基于所述簇内协方差矩阵、所述簇间协方差矩阵、当前的聚簇数量以及所述目标数据点集合的总数据点数量得到所述方差比。
进一步地，所述评估参数计算模块203还用于：
针对所述多个聚簇的每个聚簇，计算该聚簇的每个数据点到其它聚簇的聚类中心点坐标的距离以获得多个第三距离值，对所述多个第三距离值进行求均值运算以得到该聚簇对应的簇间平均距离值；
对所述多个聚簇对应的多个簇间平均距离值进行求均值运算以得到所述类内方差。
其中，所述的三维点云聚类装置其它方面以及实现细节与前面所描述的三维点云聚类方法相同或相似，在此不再赘述。
根据本发明的另一方面，本发明还提供一种存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行如上所述的任一三维点云聚类方法。
综上所述，虽然本发明已以优选实施例揭露如上，但上述优选实施例并非用以限制本发明，本领域的普通技术人员，在不脱离本发明的精神和范围内，均可作各种更动与润饰，因此本发明的保护范围以权利要求界定的范围为准。

Claims (11)

1.一种三维点云聚类方法，用于合成孔径雷达，其特征在于，所述方法包括：
对目标针对所述合成孔径雷达的探测信号反馈的回波信号进行三维成像处理以得到三维数据点集合；
基于箱线图以及所述三维数据点集合中各个点的三维坐标和信号强度排除异常点以得到目标数据点集合；
基于针对预设的多个聚簇数量中的每个聚簇数量，对所述目标数据点集合进行谱聚类以得到该聚簇数量对应的谱聚类模型的多个评估参数；
根据每个所述聚簇数量对应的所述谱聚类模型的所述多个评估参数确定最佳聚簇数量；
基于所述最佳聚簇数量对所述目标数据点集合进行谱聚类，以得到所述目标数据点集合对应的目标聚簇；
其中，所述多个评估参数包括平均轮廓系数、方差比和类内方差；
其中，所述根据每个所述聚簇数量对应的所述谱聚类模型的所述多个评估参数确定最佳聚簇数量包括：
针对每个聚簇数量，获取该聚簇数量对应的所述平均轮廓系数的第一权重系数、所述方差比的第二权重系数和所述类内方差的第三权重系数，并根据所述平均轮廓系数、所述第一权重系数、所述方差比、所述第二权重系数、所述类内方差和所述第三权重系数得到该聚簇数量对应的决策分数；
确定所述多个聚簇数量对应的多个决策分数中数值最大的决策分数为目标决策分数，并确定所述目标决策分数对应的聚簇数量为所述最佳聚簇数量。
2.如权利要求1所述的方法，其特征在于，所述根据所述平均轮廓系数、所述第一权重系数、所述方差比、所述第二权重系数、所述类内方差和所述第三权重系数得到该聚簇数量对应的决策分数包括：
基于下式计算所述决策分数：
Figure QLYQS_1
，
其中，Score表示所述决策分数，Silhouette表示所述平均轮廓系数，
Figure QLYQS_2
表示所述第一权重系数，CHI表示所述方差比，/>
Figure QLYQS_3
表示所述第二权重系数，Inertia表示所述类内方差，/>
Figure QLYQS_4
表示所述第三权重系数。
3.如权利要求1所述的方法，其特征在于，所述对目标针对所述合成孔径雷达的探测信号反馈的回波信号进行三维成像处理以得到三维数据点集合包括：
对所述回波信号进行方向维成像和距离维成像以得到二维数据点集合，对所述二维数据点集合进行高程向成像以得到所述三维数据点集合。
4.如权利要求1所述的方法，其特征在于，所述基于箱线图以及所述三维数据点集合中各个点的三维坐标和信号强度排除异常点以得到目标数据点集合包括：
针对所述三维数据点集合在笛卡尔坐标系中的每一维坐标和信号强度，分别计算上四分数、下四分数以及四分位距离值，并基于所述上四分数、所述下四分数以及所述四分位距离值确定上限值和下限值；
针对所述三维数据点集合的三维坐标，基于所述每一维坐标对应的上限值和下限值筛除坐标异常点；
针对所述三维数据点集合的信号强度，基于所述信号强度的下限值筛除信号强度异常点。
5.如权利要求4所述的方法，其特征在于，所述基于所述上四分数、所述下四分数以及所述四分位距离值确定上限值和下限值包括：
基于下式确定所述上限值：
R= Q1 − k × IQR，
其中，R表示所述上限值，Q1表示所述上四分数，IQR表示所述四分位距离值，k表示对异常数据的容忍程度；
基于下式确定所述下限值：
T=Q3 + k × IQR，
其中，T表示所述上限值，Q3表示所述下四分数，IQR表示所述四分位距离值，k表示对异常数据的容忍程度。
6.如权利要求1所述的方法，其特征在于，所述针对预设的多个聚簇数量中的每个聚簇数量，对所述目标数据点集合进行谱聚类以得到该聚簇数量对应的谱聚类模型的多个评估参数包括：
针对所述每个聚类数量，基于该聚类数量对所述目标数据点集合进行谱聚类以得到多个初始聚簇；
根据所述多个初始聚簇中每个初始聚簇对应的数据点数量确定多个聚簇，其中，所述多个聚簇中的每个聚簇的数据点数量大于预设数量；
基于所述多个聚簇计算所述平均轮廓系数、所述方差比和所述类内方差。
7.如权利要求6所述的方法，其特征在于，所述基于所述多个聚簇计算所述平均轮廓系数包括：
（1）针对所述多个聚簇中的每个聚簇，计算该聚簇和其它每个聚簇之间的距离以确定该聚簇对应的最近距离聚簇；
针对该聚簇中的每个数据点，执行如下操作：
计算该数据点到该聚簇内其它每个数据点的距离以获得多个第一距离值，对所述多个第一距离值进行求均值运算以得到该数据点对应的内聚度距离值；
计算该数据点到所述最近距离聚簇内的每个数据点的距离以获得多个第二距离值，对所述多个第二距离值进行求均值运算以得到该数据点对应的分离度距离值；
基于所述内聚度距离值和所述分离度距离值得到该数据点对应的轮廓系数；
（2）基于所述目标数据点集合的每个数据点对应的轮廓系数得到所述平均轮廓系数。
8.如权利要求6所述的方法，其特征在于，所述基于所述多个聚簇计算所述方差比包括：
计算所述目标数据点集合的集合中心点坐标以及所述多个聚簇中每个聚簇的聚类中心点坐标；
基于所述每个聚簇内的每个数据点的坐标和所述聚类中心点坐标得到该聚簇对应的簇内协方差矩阵；
基于所述每个聚簇的聚类中心点坐标和所述集合中心点坐标计算该聚簇对应的簇间协方差矩阵；
基于所述簇内协方差矩阵、所述簇间协方差矩阵、当前的聚簇数量以及所述目标数据点集合的总数据点数量得到所述方差比。
9.如权利要求6所述的方法，其特征在于，所述基于所述多个聚簇计算所述类内方差包括：
针对所述多个聚簇的每个聚簇，计算该聚簇的每个数据点到其它聚簇的聚类中心点坐标的距离以获得多个第三距离值，对所述多个第三距离值进行求均值运算以得到该聚簇对应的簇间平均距离值；
对所述多个聚簇对应的多个簇间平均距离值进行求均值运算以得到所述类内方差。
10.一种三维点云聚类装置，用于合成孔径雷达，其特征在于，所述装置包括：
三维数据点集合生成模块，用于对目标针对所述合成孔径雷达的探测信号反馈的回波信号进行三维成像处理以得到三维数据点集合；
目标数据点集合生成模块，用于基于箱线图以及所述三维数据点集合中各个点的三维坐标和信号强度排除异常点以得到目标数据点集合；
评估参数计算模块，用于针对预设的多个聚簇数量中的每个聚簇数量，对所述目标数据点集合进行谱聚类以得到该聚簇数量对应的谱聚类模型的多个评估参数；
最佳聚簇数量确定模块，用于根据每个所述聚簇数量对应的所述谱聚类模型的所述多个评估参数确定最佳聚簇数量；
目标聚簇生成模块，用于基于所述最佳聚簇数量对所述目标数据点集合进行谱聚类，以得到所述目标数据点集合对应的目标聚簇；
其中，所述多个评估参数包括平均轮廓系数、方差比和类内方差；
其中，所述最佳聚簇数量确定模块还用于：
针对每个聚簇数量，获取该聚簇数量对应的所述平均轮廓系数的第一权重系数、所述方差比的第二权重系数和所述类内方差的第三权重系数，并根据所述平均轮廓系数、所述第一权重系数、所述方差比、所述第二权重系数、所述类内方差和所述第三权重系数得到该聚簇数量对应的决策分数；
确定所述多个聚簇数量对应的多个决策分数中数值最大的决策分数为目标决策分数，并确定所述目标决策分数对应的聚簇数量为所述最佳聚簇数量。
11.一种存储介质，其特征在于，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行如权利要求1至9中任一项所述的方法。
CN202211488679.4A 2022-11-25 2022-11-25 三维点云聚类方法、装置及存储介质 Active CN115546526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211488679.4A CN115546526B (zh) 2022-11-25 2022-11-25 三维点云聚类方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211488679.4A CN115546526B (zh) 2022-11-25 2022-11-25 三维点云聚类方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN115546526A CN115546526A (zh) 2022-12-30
CN115546526B true CN115546526B (zh) 2023-07-07

Family

ID=84721628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211488679.4A Active CN115546526B (zh) 2022-11-25 2022-11-25 三维点云聚类方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115546526B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116973860B (zh) * 2023-09-19 2024-01-02 杭州岸达科技有限公司 雷达回波信号自适应混检方法、混检装置
CN118501883B (zh) * 2024-07-17 2024-10-01 哈尔滨工程大学三亚南海创新发展基地 船舶泊位探测方法、电子设备和船舶泊位探测系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114609626A (zh) * 2022-03-16 2022-06-10 电子科技大学 一种车载毫米波雷达多目标检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10908261B2 (en) * 2017-11-09 2021-02-02 Vadum, Inc. Target identification and clutter mitigation in high resolution radar systems
CN110895333B (zh) * 2019-12-05 2022-06-03 电子科技大学 一种基于多普勒频率的77g车载雷达数据快速聚类方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114609626A (zh) * 2022-03-16 2022-06-10 电子科技大学 一种车载毫米波雷达多目标检测方法

Also Published As

Publication number Publication date
CN115546526A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
CN115546526B (zh) 三维点云聚类方法、装置及存储介质
US8125370B1 (en) Polarimetric synthetic aperture radar signature detector
US6437728B1 (en) A-scan ISAR target recognition system and method
CN109633598B (zh) 基于特征分析的阵列雷达目标检测方法
Ries et al. Geometry-induced range-dependence compensation for bistatic STAP with conformal arrays
CN115061113B (zh) 用于雷达的目标检测模型训练方法、装置及存储介质
US5821896A (en) Radar system
CN109116352A (zh) 一种圆扫isar模式船只超分辨率成像方法
CN115291207A (zh) 基于mimo雷达的小型旋翼无人机多目标检测方法
Gao et al. Static background removal in vehicular radar: Filtering in azimuth-elevation-doppler domain
CN113419238A (zh) 基于毫米波雷达的山体滑坡监测方法、电子设备、存储介质
CN115754969A (zh) 基于宽窄带结合和差单脉冲的识别雷达方法及系统
CN112558067B (zh) 一种基于距离像与isar像融合的雷达成像方法
Roldan et al. See Further Than CFAR: a Data-Driven Radar Detector Trained by Lidar
CN113093174B (zh) 基于phd滤波雷达起伏微弱多目标的检测前跟踪方法
CN115656944A (zh) 基于mimo雷达的舰船图像电磁散射特征闪烁的精确校正方法
CN116184343A (zh) 基于相控阵雷达的三维空间蜂群目标检测及信息估计方法
CN114265058A (zh) Mimo雷达目标测角方法、装置、电子设备及存储介质
JP4275425B2 (ja) レーダ装置
CN116047442A (zh) 一种检测目标角度的方法、装置及电子设备
CN115598614A (zh) 三维点云目标检测方法、装置及存储介质
Kohlleppel Ground target tracking with signal adaptive measurement error covariance matrix
CN116027317B (zh) 一种基于星载宽带雷达的海面舰船目标二维速度估计方法
Daojing et al. 2D-OS-CFAR detector for cloud clutter suppression
CN114609604B (zh) 无人机集群目标检测及目标轮廓、集群规模估计方法

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