[发明专利]一种基于汽车雷达数据的实时增量与自适应聚类方法

摘要

本发明公开了一种基于汽车雷达数据的实时增量与自适应聚类方法，提出将EKF与DBSCAN算法结合来实现汽车雷达数据实时聚类，目的是解决工作在多目标复杂坏境下的汽车雷达数据聚类效率低的缺点，以及无法应对数据密度簇不均匀问题。本发明方法考虑到汽车雷达在对目标进行跟踪预测时常会用到EKF的特点，改进DBSCAN算法，改进的DBSCAN算法可以很大限度上保证聚类结果不受航迹重合的影响；还可以使得卡尔曼滤波参数在同一目标中可以持续迭代，节省了从初始参数迭代需要的时间，提高了聚类效率。本发明方法同时实现增量和自适应DBSCAN聚类，可以保持较低时间内存开销，并且可以用来解决汽车雷达数据簇密度不均匀的情况。

主权项

1.一种基于汽车雷达数据的实时增量与自适应聚类方法，其特征在于，包括如下步骤：S1.ADAS系统接收汽车雷达数据，数据格式为汽车雷达检测到的目标距离、速度以及角度信息；S2.判断数据是否为系统刚启动时的初始数据，如果是初始数据执行S3，否则跳转S6；S3.使用改进的DBSCAN算法，对初始数据使用预先设置的初始参数进行聚类，聚类结果按类依次存放，聚类标准为距离‑角度的二维数据；S4.使用扩展卡尔曼滤波对聚类结果中的每一类分别进行预测，产生预测集；S5.判断S1是否有新数据输入，如有新数据输入跳转S6，如无新数据输入则结束处理；S6.数据合并，将S5产生的卡尔曼预测集与S1新输入的数据，按照预测集数据在前，新输入数据在后的规则合并成的新的数据集，新的数据集使用自适应参数距离半径ε，返回S3使用改进的DBSCAN算法对新的数据集进行聚类；S7.将聚类结果输出。