[发明专利]基于网格和DBSCAN的自适应车载毫米波雷达聚类算法及装置

说明书

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。

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：