[发明专利]一种基于目标特征和kmeans的雷达目标聚类方法

权利要求书

1.一种基于目标特征和kmeans的雷达目标聚类方法，其特征在于，包括如下步骤：

步骤S1：获取雷达一帧检测的所有目标点T_i的信息，所述信息包括但不限于目标点T_i的距离R_i、角度A_i、速度V_i，其中i∈(1，2，...m)；

步骤S2：根据实际测试场景和测试目标预设方向R上网格的尺寸R_TH和方向X上网格的尺寸X_TH；X_i＝R_isinA_i；

步骤S3：查找所有目标点T_i在方向R上的距离R_i的最大值R_max和最小值R_min；

步骤S4：计算R方向上网格个数R_num，

步骤S5：根据R_num和R_TH计算方向R上的有效网格数K_Rnum；

步骤S6：查找所有目标点T_i在方向X上的横向信息X_i的最大值X_max和最小值X_min；

步骤S7：计算方向X上网格个数X_num，则

步骤S8：根据X_num和X_TH计算方向X上的有效网格数K_Xnum；

步骤S9：选取K_Rnum或者K_Xnum为kmeans算法中心点数目K_num；

步骤S10：从每个网格任意选取一个目标点T_i，初始化K_num个中心点，以K_num个中心点作为聚类中心，进行kmeans算法。

2.根据权利要求1所述的目标聚类方法，其特征在于：X_i为目标点T_i的横向信息，横向信息X_i所在的方向为方向X，目标点T_i和雷达发射点之间的直线距离为R_i，目标点T_i和雷达发射点之间的连线为L_i，连线L_i和雷达发射波的中心轴Z之间的夹角为角度A_i，连线L_i所在的方向为方向R。

3.根据权利要求1所述的目标聚类方法，其特征在于：步骤S10中进行kmeans算法包括如下步骤：

步骤S111：针对数据中每个目标点T_i，计算它到K＝K₁,K₂,K₃,...,K_num个聚类中心的距离并将其分到距离最小的聚类中心的类中；

步骤S112：针对每个类别K_j，重新计算它的聚类中心

步骤S113：重复步骤S111和步骤S112，直到达到设定中止条件。

4.根据权利要求3所述的目标聚类方法，其特征在于：所述中止条件包括但不限于迭代次数达到设定值、误差变化达到设定值。

5.根据权利要求1所述的目标聚类方法，其特征在于：所述雷达检测中，每秒10帧。

6.根据权利要求1所述的目标聚类方法，其特征在于：所述有效网格为网格中有目标点K_i的网格。

7.根据权利要求1所述的目标聚类方法，其特征在于：步骤S5中，根据步骤S1获得的所有目标点T_i的信息和方向R上网格的划分，计算出各目标点T_i落入方向R上的哪个网格中，以及每个网格中落入的目标点T_i的个数。