WO2021189328A1

WO2021189328A1 - 一种雷达目标聚类方法及装置

Info

Publication number: WO2021189328A1
Application number: PCT/CN2020/081219
Authority: WO
Inventors: 魏子平; 陶艺文; 李德建; 李晓波
Original assignee: 华为技术有限公司
Priority date: 2020-03-25
Filing date: 2020-03-25
Publication date: 2021-09-30
Also published as: CN112654883A; CN112654883B

Abstract

一种雷达目标聚类方法及装置，涉及自动驾驶领域。该方法包括：获取多个雷达样本在第一坐标轴的第一坐标信息和第二坐标轴的第二坐标信息（101）；对多个雷达样本中的第一样本，以第一样本为中心确定预定聚类半径R范围内的多个区域（102）；根据第一样本的第一坐标信息和第二坐标信息以及多个区域中的每个区域中的雷达样本在第一坐标轴的第一坐标信息和在第二坐标轴的第二坐标信息计算第一样本与多个区域中的每个区域的相似度（103）；根据第一样本与多个区域中的每个区域的相似度，将相似度最大的区域确定为目标区域，根据目标区域中雷达样本的簇信息确定第一样本归属的簇（104）。该方法有效提高了目标聚类的准确性和鲁棒性。

Description

一种雷达目标聚类方法及装置

技术领域

本申请涉及自动驾驶领域，尤其涉及一种雷达目标聚类方法及装置。

背景技术

高级驾驶辅助系统(advanced driving assistant system，ADAS)通过车载传感器对周围环境进行数据采集、分析和相关处理，实现对车辆周围目标物体的检测与追踪，使车辆在自动驾驶过程中发生危险的可能性大大降低，从而提高交通出行的安全性。因而，车载传感器需要能够实时地对驾驶车辆周围环境进行监控，并且可以在环境变化时呈现鲁棒自适应的检测效果。同时，复杂多变的路况还对车载传感器的检测精度提出严格的要求。因此，在动态环境下实现对监测目标的实时高精度检测是一直以来的难点。毫米波雷达作为常用的车载雷达之一，能够有效满足上述自动驾驶过程中的需求。一直以来，毫米波雷达以探测距离远，测量精确度高，同时具备极强的穿透能力而受到极大的关注。它是未来自动驾驶不可或缺的关键技术。与此同时，由于毫米波雷达的高分辨率以及交通路况环境的高复杂度，检测目标的散射特性呈现复杂的多样性。对单个目标而言，其散射点数通常并不唯一，而当一个目标的散射点数目很多时，对所有散射点进行追踪会大大提高系统处理复杂度，尤其是在多目标环境下。因而对所有散射点追踪的方法应用在实际场景中并不现实。所以，对目标散射点的统计特性进行研究至关重要。

聚类(clustering)分析作为一种广泛应用的数据信息分析方法，可以提取出对象的统计特性，并对对象进行类别区分。因而，在多目标多散射点的情况下，对所有散射点进行聚类可以在区分不同检测目标的情况下，对各检测目标对应散射点的特征信息进行提取，以实现复杂环境下多目标的定位和追踪。在毫米波雷达目标追踪过程中，实现对不同目标散射点的聚类分析极为重要，因而，如何提高聚类算法的准确性和鲁棒性成为目前需要解决的问题。

发明内容

本申请提供一种雷达目标聚类方法及装置，有效提高了目标聚类的准确性和鲁棒性。

第一方面，提供一种雷达目标聚类方法。包括如下步骤：首先，获取多个雷达样本在第一坐标轴的第一坐标信息和第二坐标轴的第二坐标信息，其中第一坐标轴垂直于第二坐标轴；其次，对多个雷达样本中的第一样本，在第一坐标轴和第二坐标轴所限定的平面上，以第一样本为中心确定预定聚类半径R范围内的多个区域；在此并不限定区域的形状，例如区域的形状可以为：圆、扇形或者多边形，此外第一样本可以为雷达样本中的任意一个，由于需要对多个雷达样本进行遍历，因此在下一次可以选选取多个雷达样本中的第二样本执行以下步骤；然后，根据第一样本的第一坐标信息和第二坐标信息以及多个区域中的每个区域中的雷达样本在第一坐标轴的第一坐标信息和在第二坐标轴的第二坐标信息计算第一样本与多个区域中的每个区域的相似度，其中相似度用于表示第一样本与多个区域中的每个区域中的雷达样本的相似性；最后，根据第一样本与多个区域中的每个区域的相似度，将相似度最大的区域确定为目标区域，根据目标区域中雷达样本的簇信息确定第一样本归属的簇，簇信息用于标识雷达样本所属的簇。在上述方案中，雷达目标聚类过程使用了一种新的蚁群聚类算法(ant colony clustering，ACC)算法，首先在多个雷达样本中确定第一样本，在第一坐标轴和第二坐标轴所限定的平面上，以第一样本为中心，在预定聚类半径R的范围内确定多个区域，从而为第一样本的聚类提供参考；并基于多个区域，通过第一样本与每个区域的相似度计算制定第一样本的聚类准则，而相似度表示第一样本与每个区域中的雷达样本的相似性，因此根据相似度最大的目标区域中雷达样本的簇信息确定第一样本所属的簇，能够使得第一样本更快速地向一个区域的中心靠近，提高算法收敛速度；该方案对聚类数目无要求，并且参数简单仅涉及预定聚类半径R，最小化参数输入，有效提高了目标聚类的准确性和鲁棒性。

在一种可能的实现方式中，在确定相似度最大的目标区域之后需要将第一样本移动至目标区域，在该示例中，提供了一种将第一样本移动至目标区域的具体方式，将第一样本的第一坐标信息更新为目标区域中的雷达样本的第一坐标信息的均值，将第一样本的第二坐标信息更新为目标区域中的雷达样本的第二坐标信息的均值。

在一种可能的实现方式中，区域的相似度是一个参数，用于指示第一样本与多个区域中任意一个区域内的雷达样本的相似性(或者相关性)的程度。相似度可以由雷达样本之间的距离、速度、加速度、角度等参数的相似程度表征。例如，如果第一样本与一个区域中的雷达样本的平均欧氏距离较小，则称第一样本与该区域的雷达样本具有较高的相似度，在聚类后可以归为一类。基于此本申请的实施例提供一种相似度的计算方式：根据第一样本的第一坐标信息和第二坐标信息以及多个区域中的每个区域中的雷达样本在第一坐标轴的第一坐标信息和在第二坐标轴的第二坐标信息，确定第一样本与多个区域中的每个区域中的雷达样本的欧氏距离；根据欧氏距离计算第一样本与多个区域中的每个区域的相似度。还提供另一种计算相似度的方式，根据如下公式计算相似度，

其中，

为第一样本与多个区域中的每个区域的相似度，X _K为区域中的雷达样本K在第一坐标轴的第一坐标信息，Y _K为区域中的雷达样本K在第二坐标轴的第二坐标信息，X _O为第一样本在第一坐标轴的第一坐标信息，Y _O为第一样本在第二坐标轴的第二坐标信息，L _i为区域的样本集合。还提供又一种计算相似度的方式，根据如下公式计算相似度，

其中，P _Li为第一样本与多个区域中的每个区域的相似度，X _K为区域中的雷达样本K在第一坐标轴的第一坐标信息，Y _K为区域中的雷达样本K在第二坐标轴的第二坐标信息，X _O为第一样本在第一坐标轴的第一坐标信息，Y _O为第一样本在第二坐标轴的第二坐标信息，L _i为区域的样本集合。

在一种可能的实现方式中，由于簇信息用于标识雷达样本所属的簇，因此一种示例是簇信息包括簇编号。在一种示例中提供了一种确定第一样本归属的簇的方式：将第一样本的簇编号更新为目标区域中距离第一样本最近的雷达样本的簇编号；在另一种示例中提供了一种确定第一样本归属的簇的方式：将第一样本的簇编号更新为目标区域中雷达样本使用的簇编号最多的簇编号。在该可能的实现方式中通过更新第一样本的簇编号实现了第一样本的聚类。

在一种可能的实现方式中，由于雷达样本通常为三维空间中对物体捕捉的样本到的样本，上述方案中已经对第一样本在第一坐标轴以及第二坐标轴形成的平面进行了聚类，还需要对第一样本在垂直于第一坐标轴以及第二坐标轴的第三坐标轴进行聚类，因此该方法还包括：将第一样本在第三坐标轴的第三坐标信息更新为目标区域中的雷达样本在第三坐标轴的第三坐标信息的均值，第三坐标轴垂直于第一坐标轴，第三坐标轴垂直于第二坐标轴。这样实现了三维空间中的雷达样本的聚类。

第二方面，提供了一种雷达目标聚类装置用于实现上述各种方法。该雷达目标聚类装置包括实现上述方法相应的模块、单元、或手段(means)，该模块、单元、或means可以通过硬件实现，软件实现，或者通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块或单元。

第三方面，提供了一种雷达目标聚类装置，包括：处理器和存储器；该存储器用于存储计算机指令，当该处理器执行该指令时，以使该通信装置执行上述任一方面所述的方法。该雷达聚类装置可以为雷达。

第四方面，提供了一种雷达目标聚类装置，包括：处理器；所述处理器用于与存储器耦合，并读取存储器中的指令之后，根据所述指令执行如上述任一方面所述的方法。该雷达聚类装置可以为雷达。

第五方面，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指令，当其在计算机上运行时，使得计算机可以执行上述任一方面所述的方法。

第六方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机可以执行上述任一方面所述的方法。

第七方面，提供了一种雷达目标聚类装置(例如，该雷达目标聚类装置可以是芯片或芯片系统)，该雷达目标聚类装置包括处理器，用于实现上述任一方面中所涉及的功能。在一种可能的设计中，该雷达目标聚类装置还包括存储器，该存储器，用于保存必要的程序指令和数据。该雷达目标聚类装置是芯片系统时，可以由芯片构成，也可以包含芯片和其他分立器件。该雷达聚类装置可以为雷达。

其中，第二方面至第七方面中任一种设计方式所带来的技术效果可参见上述第一方面中不同设计方式所带来的技术效果，此处不再赘述。

附图说明

图1为本申请实施例提供的一种车载终端的结构示意图；

图2为本申请的实施例提供的一种雷达目标聚类方法的流程示意图；

图3为本申请的实施例提供的一种行驶道路场景示意图；

图4为本申请的实施例提供的一种区域的形状示意图一；

图5为本申请的实施例提供的一种区域的形状示意图二；

图6为本申请的实施例提供的一种区域的形状示意图三；

图7为本申请的实施例提供的一种区域的形状示意图四；

图8为本申请的实施例提供的针对图3展示的行驶道路场景的雷达样本图例；

图9为本申请的实施例提供使用Dbscan对图8展示的行驶道路场景中的雷达样本的聚类结果；

图10为使用本申请的实施例提供的雷达目标聚类方法对图8展示的行驶道路场景中的雷达样本的聚类结果；

图11为本申请实施例提供的一种雷达目标聚类装置的结构示意图。

具体实施方式

首先对本申请的实施例用到的技术术语描述如下：

K-means，k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。

Dbscan，具有噪声的基于密度的聚类方法(density-based spatial clustering of applications with noise)是基于密度的一种聚类方法，通过定义密度直达、密度可达、密度相连三类关系对当前样本点和其余样本点按照相连关系进行划分，以此实现对样本点的最终聚类。执行Dbscan算法时，需给定邻域距离阈值X，由此定义邻域S为样本集内与当前样本点距离不大于X的所有点构成的子集。同时，给定邻域内样本个数阈值M。当该样本点的邻域S内其他样本点数不小于M时，该点标记为核心对象。首先计算样本集内所有的核心对象并进行标记。而后，选择样本集内任一核心对象作为起始点，然后找到和起始点具有密度可达关系的样本点作为一个集合，该集合所有点即具有同一类别关系。如此遍历所有核心对象直至结束。

ACO，蚁群算法(ant colony optimization)的基本原理是：用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。蚁群聚类算法(ant colony clustering，ACC)是一种基于当前数据密度进行聚类的方法。蚂蚁寻找食物以及搬运尸体过程可看成一种智能自主聚类过程，每只蚂蚁依据信息素强度自主的向蚂蚁数目最多的地方靠拢，最终形成簇。传统蚁群聚类算法将所有样本点放置在二维网格内，并在该二维网格中放置若干蚂蚁，利用该蚂蚁在二维网格中的不断移动来将所有样本点进行聚类。

本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，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的情况，其中A，B可以是单数或者复数。“以下至少一项(个)”或其类似表达，是指的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-b，a-c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个。另外，本申请的实施例采用了“第一”、“第二”等字样对名称或功能或作用类似的对象进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定。

本申请的实施例可以应用于终端设备，终端设备可以是用于实现无线通信功能的设备，例如终端或者可用于终端中的芯片等。可以是用户设备(user equipment，UE)、移动台(mobile station，MS)、移动终端(mobile terminal，MT)等，是一种向用户提供语音和/或数据连通性的设备。例如，终端设备包括具有无线连接功能的手持式设备、车载设备等。目前，终端设备可以是：手机(mobile phone)、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device，MID)、可穿戴设备，虚拟现实(virtual reality，VR)设备、增强现实(augmented reality，AR)设备、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程手术(remote medical surgery)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端，或智慧家庭(smart home)中的无线终端等。在本申请中尤其可以应用于需要实施目标识别的终端设备，例如高级驾驶辅助系统(advanced driving assistant system，ADAS)的车载终端或雷达。

可选的，如图1所示，为本申请实施例提供的车载终端01的结构示意图，本申请的实施例提供的雷达目标聚类装置可以是车载终端01本身或者集成于车载终端01的芯片。

其中，车载终端01包括至少一个处理器(图1中示例性的以包括一个处理器101为例进行说明)和至少一个收发器(图1中示例性的以包括一个收发器103为例进行说明)。可选的，车载终端01还可以包括至少一个存储器(图1中示例性的以包括一个存储器102为例进行说明)、至少一个输出设备(图1中示例性的以包括一个输出设备104为例进行说明)和至少一个输入设备(图1中示例性的以包括一个输入设备105为例进行说明)。

处理器101、存储器102和收发器103通过通信线路相连接。通信线路可包括一通路，在上述组件之间传送信息。

处理器101可以是通用中央处理器(central processing unit，CPU)、微处理器、特定应用集成电路(application-specific integrated circuit，ASIC)，或者一个或多个用于控制本申请方案程序执行的集成电路。在具体实现中，作为一种实施例，处理器101也可以包括多个CPU，并且处理器101可以是单核(single-CPU)处理器或多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路或用于处理数据(例如计算机程序指令)的处理核。

存储器102可以是具有存储功能的装置。例如可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器102可以是独立存在，通过通信线路与处理器101相连接。存储器102也可以和处理器101 集成在一起。

其中，存储器102用于存储执行本申请方案的计算机执行指令，并由处理器101来控制执行。具体的，处理器101用于执行存储器102中存储的计算机执行指令，从而实现本申请实施例中所述的目标聚类方法。

或者，可选的，本申请实施例中，也可以是处理器101执行本申请下述实施例提供的目标聚类方法中的处理相关的功能，收发器103负责与其他设备或通信网络通信，本申请实施例对此不作具体限定。

可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码或者计算机程序代码，本申请实施例对此不作具体限定。

收发器103可以使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网、无线接入网(radio access network，RAN)、或者无线局域网(wireless local area networks，WLAN)等。收发器103包括发射机(transmitter，Tx)和接收机(receiver，Rx)。

输出设备104和处理器101通信，可以以多种方式来显示信息。例如，输出设备104可以是液晶显示器(liquid crystal display，LCD)，发光二极管(light emitting diode，LED)显示设备，阴极射线管(cathode ray tube，CRT)显示设备，或投影仪(projector)等。

输入设备105和处理器101通信，可以以多种方式接受用户的输入。例如，输入设备105可以是鼠标、键盘、触摸屏设备或传感设备等。此外，输入设备可以包括本申请的实施例用到的雷达传感器，其中雷达传感器可以对路面空间的物体(例如：人、动物、车辆等等)进行信息采集以获取雷达样本。

可以理解的是，图1所示的结构并不构成对车载终端01的具体限定。比如，在本申请另一些实施例中，车载终端01可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。

下面将结合图1所示的车载终端01，对本申请实施例提供的目标聚类方法进行展开说明。需要说明的是，本申请下述实施例中各个网元之间的消息名字或消息中各参数的名字等只是一个示例，具体实现中也可以是其他的名字，本申请实施例对此不作具体限定。

在本申请的雷达目标聚类方法中，由于一个目标(例如车或人)的雷达回波信号经过信号处理(测距、测速、测角等)后，得到该目标在三维空间中的多个散射点和/或反射点(大量散射点和/或反射点形成点云)，因而一个目标对应多个散射点和/或反射点。本发明中的一个目标的一个散射点和/或反射点也称为第一样本、目标点或雷达样本。

参照图2所示，提供一种雷达目标聚类方法，包括如下步骤：

101、获取多个雷达样本在第一坐标轴的第一坐标信息和第二坐标轴的第二坐标信息，其中第一坐标轴垂直于第二坐标轴。

在该步骤中，参照图3所示，当应用于行驶道路场景中时，终端设备可以通过雷达传感器对图3中展示的行驶道路场景中的人物、车辆进行样本采集，生成雷达样本。其中，雷达样本具体可以以样本点的行驶记录起来，由于是在三维空间采集的样本，因此每个样本点可以是具有三个空间坐标的例如在第一坐标轴X上的第一坐标信息、在第二坐标轴Y上的第二坐标信息以及在第三坐标轴Z上的第三坐标信息，其中X、Y、Z形成三维空间坐标系，两两之间相互垂直。在步骤101中，由于只用到了X、Y两个轴坐标的坐标信息，因此可以将三维的雷达样本分为两部分，一部分以平面形式存储，即一部分保存XY的坐标信息{X，Y}，另一部分保存Z的坐标信息{Z}。当然该方案主要是以行驶道路场景为例进行说明，因此终端设备主要以车载终端为例进行说明。当然在应用到虚拟现实场景时，例如家庭VR游戏场景下时，例如需要对家庭中的物品进行目标识别聚类时，本申请的实施例提供的方案也可以用到VR设备中。

102、对多个雷达样本中的第一样本，在第一坐标轴和第二坐标轴所限定的平面上，以第一样本为中心确定预定聚类半径R范围内的多个区域。

在步骤102中，以第一样本O为中心，利用第一样本O的坐标信息{X，Y}，分别计算坐标系中其他样本与第一样本O的距离。对于其他样本，利用所设置的预定聚类半径R可以确定第一样本0在半径R范围内的邻域，然后使用类似二维坐标平面象限划分方式，可以在预定聚类半径R范围内确定多个区域。具体的参照图4所示，可以在半径为R的邻域内确定四个方形区域中，每个区域长宽均为R/(2^(1/2))。如图4所示，在坐标系中确定多个区域(1-4)，区域1-4均属于第一样本O的邻域的范围内。以上图4中区域的形状是以边长为R/(2^(1/2))的方形为例进行说明。此外，区域的形状还可以为：圆、扇形或者多边形。如图5所示，还可以直接将第一样本O的邻域划分为四个扇形的区域(1-4)，当然也可以是更多的扇形区域。又例如，参照图6所示，也可以在第一样本O的邻域中确定更多的区域，如图6所示的九宫格形式确定出区域(1-9)。或者如图7所示，在第一样本O的邻域中确定圆形的区域(1-4)等等。

此外，需要说明的是：对于预定聚类半径R，在聚类开始前先设置预定聚类半径R。R的值根据所需的聚类分辨率，和/或实际道路场景中各目标物体之间间隔距离得到。例如，对于目标间隔较小、存在行人/自行车的场景，R设置为0.6～0.8米；对于目标间隔较大、主要检测目标为车辆的场景，R设置为约1.5米。在点云检测特性不理想导致单一目标的多个点之间不密集时，R可进一步变长。此外第一样本O可以为雷达样本中的任意一个，由于需要对多个雷达样本进行遍历，因此在下一次可以选取多个雷达样本中的任一雷达样本作为第二样本执行以下步骤。

103、根据第一样本的第一坐标信息和第二坐标信息以及多个区域中的每个区域中的雷达样本在第一坐标轴的第一坐标信息和在第二坐标轴的第二坐标信息计算第一样本与多个区域中的每个区域的相似度。

其中，步骤103具体为：根据第一样本的第一坐标信息和第二坐标信息多个区域中的每个区域中的雷达样本在第一坐标轴的第一坐标信息和在第二坐标轴的第二坐标信息，确定第一样本与多个区域中的每个区域中的雷达样本的欧氏距离；根据欧氏距离计算第一样本与多个区域中的每个区域的相似度。其中，相似度是一个参数，用于指示第一样本O与区域1-4(以图4为例)中一个区域内的雷达样本的相似性(或者相关性)的程度。相似度可以由样本之间的距离、速度、加速度、角度等参数的相似程度表征。例如，如果第一样本与一个区域的雷达样本的平均欧氏距离较小，则称第一样本与该区域的雷达样本具有较高的相似度，在聚类后可以归为一类。

以下提供了两种计算相似度的具体方法，方法一：根据如下公式计算相似度。

其中，

为第一样本与多个区域中的每个区域的相似度，X _K为区域中的雷达样本K的第一坐标信息，Y _K为区域中的雷达样本K的第二坐标信息，X _O为第一样本O的第一坐标信息，Y _O为第一样本O的第二坐标信息，L _i为区域的样本集合。可以看出，该方案中将相似度定义为区域中所有雷达样本与第一样本的X轴和Y轴坐标绝对差值和的倒数和。

方法二：根据如下公式计算相似度。

其中，

为第一样本与多个区域中的每个区域的相似度，X _K为区域中的雷达样本K的第一坐标信息，Y _K为区域中的雷达样本K的第二坐标信息，X _O为第一样本O的第一坐标信息，Y _O为第一样本O的第二坐标信息，L _i为区域的样本集合。其中上述102中获得了四个区域(1-4)，因此需要计算每个区域(1-4)的相似度。

104、根据第一样本与多个区域中的每个区域的相似度，将相似度最大的区域确定为目标区域，根据目标区域中雷达样本的簇信息确定第一样本归属的簇。

此外，在步骤104之前，需要将第一样本移入相似度最大的目标区域中。具体为：将第一样本的第一坐标信息更新为目标区域中的雷达样本的第一坐标信息的均值，将第一样本的第二坐标信息更新为目标区域中的雷达样本的第二坐标信息的均值。对于当前第一样本O，比较所有区域(如图4中的区域1-4)对应的相似度大小，将第一样本移向相似度最大的目标区域，并将该目标区域内所有雷达样本的坐标信息的均值作为第一样本O的新坐标信息。具体地，根据计算所得到的四个区域对应的相似度，当其中的最大值不为0时，将第一样本O移向相似度最大的区域，并将该区域中所有雷达样本的坐标信息的均值作为第一样本O的新坐标信息；而当其中的相似度的最大值为0时，则代表当前第一样本O为独立噪声点，不对该第一样本O进行移动。

此外在步骤104中，簇信息表示目标区域内的雷达样本具有的指示自己归属哪个簇的信息，例如簇信息可以是簇编号。这样，通过簇编号可以指示将各个雷达样本进行聚类后，每个雷达样本所属聚类(簇)的编号。每个雷达样本在每次迭代中所属的簇编号可能根据对第一样本的聚类结果而发生变化。具体地，根据第一样本O的移动特性，当第一样本O不是独立噪声点时，如果该第一样本O没有簇编号，则将第一样本O的簇编号更新为目标区域中距离第一样本最近的雷达样本的簇编号，即将距离第一样本O最近的雷达样本C的簇编号赋值给该第一样本O；或者，如果距离第一样本O最近的雷达样本C没有簇编号，则将第一样本O的簇编号更新为目标区域中雷达样本使用的簇编号最多的簇编号，即将则将目标区域中出现次数最多的簇编号赋值给第一样本O。

另外，对于第一样本O为独立噪声点的情况，跳过簇编号更新阶段，并且对此次循环中其他未进行更新的独立非噪声点的样本进行迭代；对于第一样本为非独立噪声点的情况，进行移动且更新簇编号后，迭代样本更换同非独立噪声点情况一致。

当所有雷达样本都进行迭代更新后，即判断该轮迭代是否达到收敛条件，如果是则循环结束，否则继续进行下轮迭代。收敛条件的判定的步骤具体为：每轮迭代过后，计算每个簇中第一样本O和簇内其它所有雷达样本的距离累加和S，当计算结果S小于预设的门限时，判定聚类结束。一般而言，迭代次数为3次左右时，样本数据的聚类过程即可收敛。迭代停止后，将具有相同簇编号的雷达样本视为同一个簇的雷达样本，从而完成各个雷达样本的聚类。

最后，对于第一样本O在第三坐标轴(Z轴)的第三坐标信息更新方式为：将第一样本O在第三坐标轴的第三坐标信息更新为目标区域中的雷达样本在第三坐标轴的第三坐标信息的均值。

在上述方案中，雷达目标聚类过程使用了一种新的蚁群聚类算法ACC算法，首先在多个雷达样本中确定第一样本，在第一坐标轴和第二坐标轴所限定的平面上，以第一样本为中心，在预定聚类半径R的范围内确定多个区域，从而为第一样本的聚类提供参考；并基于多个区域，通过第一样本与每个区域的相似度计算制定第一样本的聚类准则，而相似度表示第一样本与每个区域中的雷达样本的相似性，因此根据相似度最大的目标区域中雷达样本的簇信息确定第一样本所属的簇，能够使得第一样本更快速地向一个区域的中心靠近，提高算法收敛速度；该方案对聚类数目无要求，并且参数简单仅涉及预定聚类半径R，最小化参数输入，有效提高了目标聚类方法的准确性和鲁棒性。

参照图8对本申请的实施例提供的目标聚类算法的具体效果说明如下，其中图8提供了针对图3展示的行驶道路场景的雷达样本图例，其中X轴、Y轴的单位为m，每个点代表目标的一个散射点和/或反射点，图8中还展示了雷达样本的速度velocity(m/s)，其中在图9提供了使用Dbscan对图8展示的行驶道路场景中的雷达样本的聚类结果，图10提供了本申请的实施例提供的方案得到对图8展示的行驶道路场景中的雷达样本的聚类结果，其中图9、图10中的一个点表示图3中的一个目标(例如车或人)，将图9、图10两者相比明显可以看出在圈内Dbscan的聚类结果为一个雷达样本分类，而本申请的方法聚类结果为两个样本分类，因此图10的聚类结果与图3中圈内的两个行人目标相符合，聚类结果准确性较高；而图9将图3中圈内的两个行人目标聚类成为了一个目标，因而聚类结果准确性较低。

此外相对于K-mean算法，本申请的实施例提供的方案由于无需提前获知聚类数目K，避免了在无法获知K的情况下造成的限制。而相对于传统的ACC由于蚁群聚类移动的无目的性，收敛速度过慢而本申请设置了第一样本的移动准则有利于第一样本更快速地向区域中心靠近，提高算法收敛速度。相对于Dbscan算法，由于其在实际场景个需要双参数X、M联合调配，存在算法复杂度高和聚类性能不佳的问题，而本申请仅采用一个参数R，降低了算法复杂度，提高了聚类性能，有效保证了算法的鲁棒性。

可以理解的是，以上各个实施例中，由车载终端实现的方法和/或步骤，也可以由可用于车载终端的部件(例如芯片或者电路)实现。

上述主要从车载终端实施的方法流程的角度对本申请实施例提供的方案进行了介绍。相应的，本申请实施例还提供了雷达目标聚类装置，该雷达目标聚类装置用于实现上述各种方法。该雷达目标聚类装置可以为上述的车载终端或雷达；或者雷达目标聚类装置可以为包含上述车载终端或雷达的装置，或者雷达目标聚类装置可以车载终端或雷达的部件。可以理解的是，该雷达目标聚类装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，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，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，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。

本申请实施例可以根据上述方法实施例中对雷达目标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处理模块中。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。

参照图11所示，雷达目标聚类装置，包括：获取单元1101、处理单元1102。

获取单元1101，用于获取多个雷达样本在第一坐标轴的第一坐标信息和第二坐标轴的第二坐标信息，其中所述第一坐标轴垂直于所述第二坐标轴；处理单元1102，用于对所述获取单元1101获取的所述多个雷达样本中的第一样本，在所述第一坐标轴和所述第二坐标轴所限定的平面上，以所述第一样本为中心确定预定聚类半径R范围内的多个区域；所述处理单元1102，还用于根据所述第一样本的第一坐标信息和第二坐标信息以及所述多个区域中的每个区域中的所述雷达样本在所述第一坐标轴的第一坐标信息和在所述第二坐标轴的第二坐标信息计算所述第一样本与所述多个区域中的每个区域的相似度，其中所述相似度用于表示所述第一样本与所述多个区域中的每个区域中的所述雷达样本的相似性；所述处理单元1102，还用于根据所述第一样本与所述多个区域中的每个区域的相似度，将所述相似度最大的区域确定为目标区域，根据所述目标区域中所述雷达样本的簇信息确定所述第一样本归属的簇，所述簇信息用于标识所述雷达样本所属的簇。

可选的，所述处理单元1102还用于将所述第一样本的第一坐标信息更新为所述目标区域中的所述雷达样本的第一坐标信息的均值，将所述第一样本的第二坐标信息更新为所述目标区域中的所述雷达样本的第二坐标信息的均值。

可选的，所述处理单元1102具体用于根据所述第一样本的第一坐标信息和第二坐标信息以及所述多个区域中的每个区域中的所述雷达样本在所述第一坐标轴的第一坐标信息和在所述第二坐标轴的第二坐标信息，确定所述第一样本与所述多个区域中的每个区域中的雷达样本的欧氏距离；根据所述欧氏距离计算所述第一样本与所述多个区域中的每个区域的相似度。

可选的，所述处理单元1102具体用于根据如下公式计算所述区域的相似度，

其中，

为所述第一样本与所述多个区域中的每个区域的相似度，X _K为所述区域中的雷达样本K在所述第一坐标轴的第一坐标信息，Y _K为所述区域中的雷达样本K在所述第二坐标轴的第二坐标信息，X _O为所述第一样本在所述第一坐标轴的第一坐标信息，Y _O为所述第一样本在所述第二坐标轴的第二坐标信息，L _i为所述区域的样本集合。

其中，

为所述第一样本与所述多个区域中的每个区域的相似度，X _K为所述区域中的雷达样本K在所述第一坐标轴的第一坐标信息，Y _K为所述区域中的雷达样本K在第二坐标轴的第二坐标信息，X _O为所述第一样本在所述第一坐标轴的第一坐标信息，Y _O为所述第一样本在所述第二坐标轴的第二坐标信息，L _i为所述区域的样本集合。

可选的，所述簇信息包括簇编号，所述处理单元1102具体用于将所述第一样本的簇编号更新为所述目标区域中距离所述第一样本最近的雷达样本的簇编号；或者，将所述第一样本的簇编号更新为所述目标区域中所述雷达样本使用的簇编号最多的簇编号。

可选的，所述处理单元1102还用于将所述第一样本在第三坐标轴的第三坐标信息更新为所述目标区域中的所述雷达样本在所述第三坐标轴的第三坐标信息的均值，所述第三坐标轴垂直于所述第一坐标轴，所述第三坐标轴垂直于所述第二坐标轴。

可选的，所述区域的形状为：扇形、圆形或者多边形。

其中，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。

在本实施例中，该雷达目标聚类装置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。在一个简单的实施例中，本领域的技术人员可以想到该雷达目标聚类装置可以采用图1所示的车载终端或雷达的形式。

比如，图1所示的车载终端中的处理器101可以通过调用存储器102中存储的计算机执行指令，使得车载终端执行上述方法实施例中的方法。

具体的，图11中的获取单元1101和处理单元1102的功能/实现过程可以通过图1所示的所示的车载终端中的处理器101调用存储器102中存储的计算机执行指令来实现。由于本实施例提供的雷达目标聚类装置可执行上述的方法，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。

可选的，本申请实施例还提供了一种雷达目标聚类装置(例如，该雷达目标聚类装置可以是芯片或芯片系统)，该雷达目标聚类装置包括处理器和接口，处理器用于读取指令以执行上述任一方法实施例中的方法。在一种可能的设计中，该雷达目标聚类装置还包括存储器。该存储器，用于保存必要的程序指令和数据，处理器可以调用存储器中存储的程序代码以指令该雷达目标聚类装置执行上述任一方法实施例中的方法。当然，存储器也可以不在该计算装置中。该雷达目标聚类装置是芯片系统时，可以由芯片构成，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。

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。本申请实施例中,计算机可以包括前面所述的装置。

尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

最后应说明的是：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，任何在本申请揭露的技术范围内的变化或替换，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

一种雷达目标聚类方法，其特征在于，包括：

获取多个雷达样本在第一坐标轴的第一坐标信息和第二坐标轴的第二坐标信息，其中所述第一坐标轴垂直于所述第二坐标轴；

对所述多个雷达样本中的第一样本，在所述第一坐标轴和所述第二坐标轴所限定的平面上，以所述第一样本为中心确定预定聚类半径R范围内的多个区域；

根据所述第一样本的第一坐标信息和第二坐标信息以及所述多个区域中的每个区域中的所述雷达样本在所述第一坐标轴的第一坐标信息和在所述第二坐标轴的第二坐标信息计算所述第一样本与所述多个区域中的每个区域的相似度，其中所述相似度用于表示所述第一样本与所述多个区域中的每个区域中的所述雷达样本的相似性；

根据所述第一样本与所述多个区域中的每个区域的相似度，将所述相似度最大的区域确定为目标区域，根据所述目标区域中所述雷达样本的簇信息确定所述第一样本归属的簇，所述簇信息用于标识所述雷达样本所属的簇。
根据权利要求1所述的方法，其特征在于，所述将所述相似度最大的区域确定为目标区域之后，还包括：

将所述第一样本的第一坐标信息更新为所述目标区域中的所述雷达样本的第一坐标信息的均值，将所述第一样本的第二坐标信息更新为所述目标区域中的所述雷达样本的第二坐标信息的均值。
根据权利要求1或2所述的方法，其特征在于，所述根据所述第一样本的第一坐标信息和第二坐标信息以及所述多个区域中的每个区域中的所述雷达样本在所述第一坐标轴的第一坐标信息和在所述第二坐标轴的第二坐标信息计算所述第一样本与所述多个区域中的每个区域的相似度，包括：

根据所述第一样本的第一坐标信息和第二坐标信息以及所述多个区域中的每个区域中的所述雷达样本在所述第一坐标轴的第一坐标信息和在所述第二坐标轴的第二坐标信息，确定所述第一样本与所述多个区域中的每个区域中的雷达样本的欧氏距离；

根据所述欧氏距离计算所述第一样本与所述多个区域中的每个区域的相似度。
根据权利要求1或2所述的方法，其特征在于，所述根据所述第一样本的第一坐标信息和第二坐标信息以及所述多个区域中的每个区域中的所述雷达样本在所述第一坐标轴的第一坐标信息和在所述第二坐标轴的第二坐标信息计算所述第一样本与所述多个区域中的每个区域的相似度，包括：

根据如下公式计算所述区域的相似度，

其中，
为所述第一样本与所述多个区域中的每个区域的相似度，X _K为所述区域中的雷达样本K在所述第一坐标轴的第一坐标信息，Y _K为所述区域中的雷达样本K在所述第二坐标轴的第二坐标信息，X _O为所述第一样本在所述第一坐标轴的第一坐标信息，Y _O为所述第一样本在所述第二坐标轴的第二坐标信息，L _i为所述区域的样本集合。
根据权利要求1或2所述的方法，其特征在于，所述根据所述第一样本的第一坐标信息和第二坐标信息以及所述多个区域中的每个区域中的所述雷达样本在所述第一坐标轴的第一坐标信息和在所述第二坐标轴的第二坐标信息计算所述第一样本与所述多个区域中的每个区域的相似度，包括：

根据如下公式计算所述区域的相似度，

其中，
为所述第一样本与所述多个区域中的每个区域的相似度，X _K为所述区域中的雷达样本K在所述第一坐标轴的第一坐标信息，Y _K为所述区域中的雷达样本K在第二坐标轴的第二坐标信息，X _O为所述第一样本在所述第一坐标轴的第一坐标信息，Y _O为所述第一样本在所述第二坐标轴的第二坐标信息，L _i为所述区域的样本集合。
根据权利要求1-5任一项所述的方法，其特征在于，所述簇信息包括簇编号，所述根据所述目标区域中所述雷达样本的簇信息确定所述第一样本归属的簇，包括：

将所述第一样本的簇编号更新为所述目标区域中距离所述第一样本最近的雷达样本的簇编号；

或者，将所述第一样本的簇编号更新为所述目标区域中所述雷达样本使用的簇编号最多的簇编号。
根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：

将所述第一样本在第三坐标轴的第三坐标信息更新为所述目标区域中的所述雷达样本在所述第三坐标轴的第三坐标信息的均值，所述第三坐标轴垂直于所述第一坐标轴，所述第三坐标轴垂直于所述第二坐标轴。
根据权利要求1-7任一项所述的方法，其特征在于，所述区域的形状为：扇形、圆形或者多边形。
一种雷达目标聚类装置，其特征在于，包括：

获取单元，用于获取多个雷达样本在第一坐标轴的第一坐标信息和第二坐标轴的第二坐标信息，其中所述第一坐标轴垂直于所述第二坐标轴；

处理单元，用于对所述获取单元获取的所述多个雷达样本中的第一样本，在所述第一坐标轴和所述第二坐标轴所限定的平面上，以所述第一样本为中心确定预定聚类半径R范围内的多个区域；

所述处理单元，还用于根据所述第一样本的第一坐标信息和第二坐标信息以及所述多个区域中的每个区域中的所述雷达样本在所述第一坐标轴的第一坐标信息和在所述第二坐标轴的第二坐标信息计算所述第一样本与所述多个区域中的每个区域的相似度，其中所述相似度用于表示所述第一样本与所述多个区域中的每个区域中的所述雷达样本的相似性；

所述处理单元，还用于根据所述第一样本与所述多个区域中的每个区域的相似度，将所述相似度最大的区域确定为目标区域，根据所述目标区域中所述雷达样本的簇信息确定所述第一样本归属的簇，所述簇信息用于标识所述雷达样本所属的簇。
根据权利要求9所述的雷达目标聚类装置，其特征在于，所述处理单元还用于将所述第一样本的第一坐标信息更新为所述目标区域中的所述雷达样本的第一坐标信息的均值，将所述第一样本的第二坐标信息更新为所述目标区域中的所述雷达样本的第二坐标信息的均值。
根据权利要求9或10所述的雷达目标聚类装置，其特征在于，所述处理单元具体用于根据所述第一样本的第一坐标信息和第二坐标信息以及所述多个区域中的每个区域中的所述雷达样本在所述第一坐标轴的第一坐标信息和在所述第二坐标轴的第二坐标信息，确定所述第一样本与所述多个区域中的每个区域中的雷达样本的欧氏距离；根据所述欧氏距离计算所述第一样本与所述多个区域中的每个区域的相似度。
根据权利要求9或10所述的雷达目标聚类装置，其特征在于，所述处理单元具体用于根据如下公式计算所述区域的相似度，

其中，
为所述第一样本与所述多个区域中的每个区域的相似度，X _K为所述区域中的雷达样本K在所述第一坐标轴的第一坐标信息，Y _K为所述区域中的雷达样本K在所述第二坐标轴的第二坐标信息，X _O为所述第一样本在所述第一坐标轴的第一坐标信息，Y _O为所述第一样本在所述第二坐标轴的第二坐标信息，L _i为所述区域的样本集合。
根据权利要求9或10所述的雷达目标聚类装置，其特征在于，所述处理单元具体用于根据如下公式计算所述区域的相似度，

其中，
为所述第一样本与所述多个区域中的每个区域的相似度，X _K为所述区域中的雷达样本K在所述第一坐标轴的第一坐标信息，Y _K为所述区域中的雷达样本K在第二坐标轴的第二坐标信息，X _O为所述第一样本在所述第一坐标轴的第一坐标信息，Y _O为所述第一样本在所述第二坐标轴的第二坐标信息，L _i为所述区域的样本集合。
根据权利要求9-13任一项所述的雷达目标聚类装置，其特征在于，所述簇信息包括簇编号，所述处理单元具体用于将所述第一样本的簇编号更新为所述目标区域中距离所述第一样本最近的雷达样本的簇编号；或者，将所述第一样本的簇编号更新为所述目标区域中所述雷达样本使用的簇编号最多的簇编号。
根据权利要求9-14任一项所述的雷达目标聚类装置，其特征在于，所述处理单元还用于将所述第一样本在第三坐标轴的第三坐标信息更新为所述目标区域中的所述雷达样本在所述第三坐标轴的第三坐标信息的均值，所述第三坐标轴垂直于所述第一坐标轴，所述第三坐标轴垂直于所述第二坐标轴。
根据权利要求9-15任一项所述的雷达目标聚类装置，其特征在于，所述区域的形状为：扇形、圆形或者多边形。
一种计算机可读存储介质，其特征在于，包括指令，当其在计算机上运行时，使得所述计算机执行如权利要求1-8任一项所述的方法。
一种芯片，其特征在于，包括处理器和接口；

所述处理器用于读取指令以执行权利要求1至8中任一项所述的方法。
一种雷达，其特征在于，包括：处理器和存储器；

所述存储器用于存储计算机执行指令，当所述处理器执行所述计算机执行指令时，以使所述雷达执行如权利要求1-8中任一项所述的方法。