[发明专利]一种基于交通毫米波雷达点云数据的聚类方法

说明书

本发明公开了一种基于交通毫米波雷达点云数据的聚类方法，所述方法包括以下步骤：获取当前帧的点云数据；对当前帧数据进行帧内DBSCAN处理；获取上一帧的聚类结果；使用当前帧的聚类结果和上一帧的聚类结果进行帧间聚类；输出聚类结果并进行点迹凝聚。本发明解决了小目标远距离时没有轨迹，大目标近距离时目标分裂两个难题，提升了点云数据聚类的质量，从而提升目标追踪的质量。

技术领域

本发明涉及雷达信号处理的技术领域，具体涉及一种基于交通毫米波雷达点云数据的聚类方法。

背景技术

在交通场景下，毫米波雷达对运动目标的追踪一般分为聚类和追踪两个部分，其中点云数据聚类后的输出点作为后续目标跟踪模块的输入，因此，点云目标聚类效果的优劣对于后续跟踪效果有巨大影响。

目前在交通道路场景中，毫米波雷达点云数据呈现两个特点：稀疏性和目标数量不确定性。这就决定了，基于密度的聚类算法(如DBSCAN)较为适合该场景。然而，在实际道路场景中，点云数据的特点表现为：小目标，远距离的目标只有少量点甚至只有一个点，大目标的反射点数量多，但是分布范围很散，并且，对于同一个目标，由于其不同位置的RCS不同，不同位置的点云密度也不相同。因此，若仅进行帧内聚类，参数Minpts设置为1，会将噪声点判断为目标，而将参数Minpts值设置为大于等于2的值，则会将只有一个反射点的目标当做噪声点去除，这都会造成后续跟踪目标的效果变差。

综上所述，单独使用DBSCAN算法仅对点云数据进行帧内聚类很难获得较好效果，如何提升点云聚类效果，为追踪模块提供较好的点迹数据，是本领域亟需解决的问题。

发明内容

针对现有技术的不足，本发明旨在提供一种基于交通毫米波雷达点云数据的聚类方法，实现了：

1、针对交通场景下车辆点云数据形状呈矩形状态，将原始的DBSCAN圆形扩展邻域改进为矩形扩展邻域，可以更准确的将同一个目标点的数据聚类为一簇。

2、针对交通场景下的小目标，远距离目标和大目标所出现的问题，本发明先进行帧内聚类，再进行帧间聚类，可以有效解决小目标在较远距离时没有轨迹，大目标近距离时目标分裂这两个难题，提升了点云数据聚类的质量，从而提升目标追踪的质量。

为了实现上述目的，本发明采用如下技术方案：

一种基于交通毫米波雷达点云数据的聚类方法，所述方法包括以下步骤：

S1获取当前帧的点云数据；

S2对当前帧数据进行帧内DBSCAN处理；

S3获取上一帧的聚类结果；

S4使用当前帧的聚类结果和上一帧的聚类结果进行帧间聚类；

S5输出聚类结果并进行点迹凝聚。

需要说明的是，在所述步骤S1中，还包括：

S1.1获取当前帧点云的原始目标点数据{P_i}，i＝1,2,3,…，N，其中N为原始目标点数量，每个目标点的信息包括P_i＝{r_i,v_i,θ_i,F_i},r_i为目标的距离信息，v_i为目标的速度信息，θ_i为目标的角度信息,F_i为目标的帧号信息；

S1.2：将上述点迹数据转化到直角坐标系得到P′_i＝{r_i,x_i,y_i,v_i,θ_i,F_i},其中，x_i和y_i分别是原始点迹在直角坐标系下的位置信息；