[发明专利]一种高分辨毫米波雷达多目标聚类方法

说明书

本发明属于雷达信号处理技术领域，公开了一种高分辨毫米波雷达多目标聚类方法，包括：获取雷达检测到的点迹的信噪比，设置信噪比检测阈值，舍弃雷达检测到的点迹中信噪比低于所述信噪比检测阈值的点迹，得到有效点迹；将所述有效点迹按照信噪比由高到低进行排序，得到排序后的有效点迹；获取每个有效点迹与雷达的相对距离和相对角度，得到每个有效点迹的空间直角坐标位置及速度；对所述排序后的有效点迹进行聚类，得到多个簇类；计算每个簇类对应的目标的中心点位置、尺寸及速度。本发明可实现高分辨率雷达的目标点云聚类识别，聚类结果无滞后，可准确计算识别目标，计算目标信息。

技术领域

本发明属于雷达信号处理技术领域，尤其涉及一种高分辨毫米波雷达多目标聚类方法，可实现复杂电磁环境和多目标环境下有效排除噪声点，对每个目标进行多维数据综合处理聚类。

背景技术

多目标聚类对于目标检测后的识别具有重要意义，高分辨率毫米波雷达在车辆检测、无人机检测等领域有着广泛的应用前景。毫米波雷达带来高分辨力、宽工作频带、短的波长易获得目标细节特征等特点，适于目标分类的同时，对目标聚类的算法也提出了更高要求。在高分辨率探测下，雷达探测到的每个目标不再是以单个目标点的形式显示，而是形成点云，因此，需要使用聚类算法对多个目标形成的点云进行分类，统计，计算目标整体参数。

传统的DBSCAN算法(Density-Based Spatial Clustering of Applicationswith Noise，具有噪声的基于密度的聚类算法)是一种基于样本数据密度的聚类算法，该算法是最常用的一种聚类方法，将具有足够密度区域作为距离中心，不断生长该区域，要求聚类空间中的一定区域内所包含对象(点或其他空间对象)的数目不小于某一给定阈值。该方法能在具有噪声的空间数据库中发现任意形状的簇，可将密度足够大的相邻区域连接，能有效处理异常数据，主要用于对空间数据的聚类，而由于雷达检测到的目标信息就是目标与雷达的相对径向速度和几何距离(即空间数据)，而且DBSCAN算法不需要预先确定要划分出的聚类个数，与雷达在某一时刻探测到的目标数量不确定这一事实相匹配，因此常使用此种算法进行雷达目标聚类。

虽然理论上，DBSCAN能够有效利用空间数据对多目标点云进行划分，且能在具有噪声的数据中一定程度上排除噪声干扰，但实际上，算法聚类效果依赖于距离公式选取，实际应用中常用欧式距离，对于高维数据，存在“维数灾难”，即算法只能利用目标的距离信息，无法使用目标的速度信息。而且，空间聚类的密度不均匀、聚类间距差相差很大时，聚类质量较差，且生长效果受数据顺序影响导致边界样本数据分类不准确。

发明内容

针对上述现有技术存在的问题，本发明的目的在于提供一种高分辨毫米波雷达多目标聚类方法，解决现有的聚类方法不能很好反映高维数据、边界样本易受到样本数据顺序的影响等问题，提高聚类准确率。

为达到上述目的，本发明采用如下技术方案予以实现。

一种高分辨毫米波雷达多目标聚类方法，所述方法包括如下步骤：

步骤1，获取雷达检测到的点迹的信噪比，设置信噪比检测阈值，舍弃雷达检测到的点迹中信噪比低于所述信噪比检测阈值的点迹，得到有效点迹；将所述有效点迹按照信噪比由高到低进行排序，得到排序后的有效点迹；

步骤2，获取所述排序后的有效点迹中，每个有效点迹与雷达的相对距离和相对角度，得到每个有效点迹的空间直角坐标位置及速度；

步骤3，根据每个有效点迹的空间直角坐标位置及速度，对所述排序后的有效点迹进行聚类，得到多个簇类；

步骤4，计算每个簇类对应的目标的中心点位置、尺寸及速度。

本发明技术方案的特点和进一步的改进为：

(1)步骤3具体包括如下子步骤：

(3a)确定聚类算法的邻域半径eps，以及每个簇类包含的最少核心点迹个数min，避免噪声点成为核心点；