[发明专利]一种基于GDBSCAN的雷达目标分类方法及装置

说明书

本发明公开一种基于GDBSCAN的雷达目标分类方法及装置，该方法包括：获取雷达检测返回的目标点群并使用GDBSCAN聚类算法进行聚类步骤，使用GDBSCAN聚类算法进行聚类时，当划分网格并形成一个以上的网格区间簇后、执行聚类前还包括边界处理步骤，边界处理步骤包括：查找出不属于任一网格区间簇且与每个网格区间簇的距离在指定范围内的第一类边界网格，根据各第一类边界网格中目标点的目标信息以及各网格区间簇中各目标点的目标信息将各第一类边界网格划分至对应的网格区间簇。本发明能够尽可能的减少GDBSCAN聚类时噪点的生成，提高雷达目标分类的精度。

技术领域

本发明涉及雷达目标分类技术领域，尤其涉及一种基于GDBSCAN的雷达目标分类方法及装置。

背景技术

如毫米波雷达等雷达在探测目标过程中发挥着十分重要的作用。雷达检测目标时，当雷达扫到具有较大反射面的物体的时候，往往会反射回多个点，这些点构成了点群，在后续的雷达数据处理中，需要将这些点采取合理的聚类策略聚类成正确的目标。

在目前的聚类算法中，常用的聚类算法是DBSCAN(Density-Based SpatialClustering of Applications with Noise，具有噪声的基于密度的聚类方法)算法，该算法具有可以发现任意形状的优点，然而该算法存在着输入参数比较敏感的缺点，针对这个缺点，基于网格的密度聚类(GDBSCAN)算法应运而生，该算法针对DBSCAN算法的缺点进行了相应的优化。基于网格的聚类(GDBSCAN)方法的基本思想是：首先将数据空间分成不相交的单元网格，同一单元中的点是相似的，相邻的高密度单元连接在一起组成一个聚类，而那些低密度单元的点作为孤立点、噪声点而被舍弃，即GDBSCAN算法在聚类过程中是将网格的点当作一个整体处理，而不是考虑单元中的每个点，因而聚类的结果与输入数据的顺序无关、算法速度快，可扩展性好、能识别不同的聚类，该方法在所有聚类方法中效率最高。

传统雷达信号处理中使用GDBSCAN算法实现目标分类时，通常都是在得到返回的目标点群后直接使用GDBSCAN算法进行聚类，由GDBSCAN算法通过峰值点的扩散形成多个网格簇，针对网格簇分别对包含其中的点进行聚类，然而在划分网格时只能处理高密度单元，对于低密度单元的点均是作为孤立点、噪点被舍弃，缺少良好的边界处理，不能充分利用落在低密度单元的边界点，尤其是若存在大量边界点落在低密度单元，会极大的损失目标点信息而降低目标分类精度，同时雷达在检测过程中会存在大量的如目标位置、速度等先验信息，直接使用GDBSCAN算法进行聚类时也没有充分利用雷达的先验信息。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种能够尽可能的减少GDBSCAN聚类时噪点的生成，提高雷达目标分类的精度的基于GDBSCAN的雷达目标分类方法及装置。

为解决上述技术问题，本发明提出的技术方案为：

一种基于GDBSCAN的雷达目标分类方法，包括获取雷达检测返回的目标点群并使用GDBSCAN聚类算法进行聚类步骤，所述使用所述GDBSCAN聚类算法进行聚类时，当划分网格并形成一个以上的网格区间簇后、执行聚类前还包括边界处理步骤，所述边界处理步骤包括：查找出不属于任一所述网格区间簇且与每个所述网格区间簇的距离在指定范围内的第一类边界网格，根据各第一类边界网格中目标点的目标信息以及各网格区间簇中各目标点的目标信息将各第一类边界网格划分至对应的所述网格区间簇。

进一步的，所述将所述第一类边界网格划分至对应的所述网格区间簇时，通过计算所述第一类边界网格中目标点的目标信息对每个所述网格区间簇的隶属度，根据计算得到的各所述隶属度的大小将所述第一类边界网格划分至对应的所述网格区间簇中。

进一步的，将所述边界网格划分至对应的所述网格区间簇的具体步骤包括：

S1.获取当前第一类边界网格中目标点的多个目的参数的信息，以及根据各所述网格区间簇中各目标点的目标信息为每个所述网格区间簇分别构建每个目的参数的隶属度函数；