车载雷达测量数据的聚类方法、存储介质和电子装置制造方法及图纸

本发明专利技术实施例提供车载雷达测量数据的聚类方法、存储介质和电子装置，以能够在目标数量未知的情况下自适应识别出测量数据中所包含的目标数量，其中所述方法包括：获取车载雷达的测量数据，作为待聚类的数据集；计算数据集中每个测量数据的密度；按照密度的大小，确定数据集中属于峰值点的测量数据；根据峰值点，计算数据集的聚类信息，其中聚类信息中包括的聚类数量为车载雷达的测量数据中的目标数量。

【技术实现步骤摘要】
车载雷达测量数据的聚类方法、存储介质和电子装置
本专利技术涉及数据处理
，尤其涉及一种车载雷达测量数据的聚类方法、存储介质和电子装置。
技术介绍
目前，车载毫米波雷达因其环境适应能力强、探测距离远、测量精度高且成本较低的优点，而被广泛应用于车辆智能驾驶系统中。作为系统中关键的环境传感器之一，车载毫米波雷达能够检测车辆行驶环境中的目标(障碍物)，工作原理大致是：雷达在有效测量范围内发射电磁波信号，被其发射路径上的障碍物阻挡后发生反射；通过捕捉反射的信号生成测量数据加以处理分析，系统可以确定障碍物的距离、速度和角度等信息。由此可见，测量数据处理分析算法的好坏对目标的正确识别起着至关重要的作用。然而，在满足无人驾驶性能要求的车载毫米波雷达测量数据分析中，混有各种实物干扰、虚假目标以及镜像测量数据。其中，实物干扰测量数据如路牌广告、栏杆、路灯以及对应绿化带等干扰物体测量数据；虚假目标测量数据可能为因为复杂电磁环境产生的一些虚假数据；镜像测量数据包括各种复杂场景中其它物体与车辆、车辆与车辆之间的镜像数据。在处理这些数据之前，需要对其进行分类，使其真实目标的测量数据能够有效的与各种实物干扰、虚假目标以及镜像测量数据进行区分。但是，现有的分类方法存在需要提前人工标注有多少个目标数量以及分类不准确或错误等问题，无法满足复杂场景下车载毫米波雷达测量数据分类的要求。
技术实现思路
本专利技术提供车载雷达测量数据的聚类方法、存储介质和电子装置，以能够在目标数量未知的情况下自适应识别出测量数据中所包含的目标数量。第一方面，本专利技术实施例提供一种车载雷达测量数据的聚类方法，该方法包括：获取车载雷达的测量数据，作为待聚类的数据集；计算数据集中每个测量数据的密度；按照密度的大小，确定数据集中属于峰值点的测量数据；根据峰值点，计算数据集的聚类信息，其中聚类信息中包括的聚类数量为车载雷达的测量数据中的目标数量。第二方面，本专利技术实施例提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上文所述的方法。第三方面，本专利技术实施例提供一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上文所述的方法。本专利技术提供的技术方案，可以解决车载雷达测量数据中目标数据的自动提取和抗干扰问题，使后续算法处理数据更准确，可提高整个系统处理结果的精度以及提高系统抗干扰能力，且方法效率较高，成本较低，可靠性高。附图说明图1为本专利技术实施例提供的一种车载雷达测量数据的聚类方法的流程图；图2为本专利技术实施例提供的一种根据峰值点计算数据集的聚类信息的流程图；图3为本专利技术实施例提供的具体示例中的车载雷达测量数据的聚类方法的流程图；图4为本专利技术实施例提供的一种车载雷达测量数据的聚类装置的结构示意图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，显然，所描述的实施例仅仅是本专利技术一部份实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。为满足车载雷达测量数据分析中复杂场景测量数据分类需自适应及分类准确的要求，本专利技术实施例可以根据测量数据自身的特点，计算出测量数据包含的类数量即目标数量，基于这些类数量对测量数据进行精确分类，方法稳定可靠。参见图1，本专利技术实施例提供了一种车载雷达测量数据的聚类方法，该方法包括如下步骤。步骤101、获取车载雷达的测量数据，作为待聚类的数据集。在本步骤中，车载雷达可以是车载毫米波雷达，其测得的每个测量数据可以是多维向量，每一维向量元素表示车载雷达在车辆行驶环境中测量得到的障碍物的一种物理参数值，比如1个测量数据为{v，R，θ}，其中v为车载雷达测量到的障碍物的速度、该障碍物距离当前车辆的距离R和角度θ。并且，获取到的作为待聚类的测量数据可以是车载雷达在同一时刻或者不同时刻得到的多个测量数据。需要说明的是，若测量数据中各物理参数值的度量单位不同，则需要预先归一化测量数据，也即：按照测量数据中各物理参数值的精度，将各物理参数值归一化。归一化过程属于现有技术，在此不再赘述。步骤102、计算数据集中每个测量数据的密度。在本步骤中，测量数据的密度描述了本数据周围区域内数据的密集程度，具体可以采用该测量数据邻域范围内所包含的其它测量数据的个数来表示。示例性的，可以针对数据集中的每个测量数据：计算本测量数据与数据集中其它所有测量数据的欧式距离；计算与本测量数据的欧式距离小于预设的第一邻域阈值的测量数据的个数，将该个数作为本测量数据在预设的第一邻域范围内的密度。其中，本测量数据指的是当前所针对的测量数据；第一邻域阈值为本领域技术人员根据经验设定。步骤103、按照密度的大小，确定数据集中属于峰值点的测量数据。在本步骤中，具体可以针对数据集中的每个测量数据：判断在预设的第二邻域范围内是否存在高于自己密度的测量数据；如果是，确定本测量数据属于普通点，否则确定本测量数据属于峰值点。其中，预设的第二邻域范围可以是与所针对的测量数据的欧式距离小于第二邻域阈值的范围，第二邻域阈值为本领域技术人员根据经验设定。步骤104、根据峰值点，计算数据集的聚类信息，其中聚类信息中包括的聚类数量为车载雷达的测量数据中的目标数量。在本步骤中，可直接将每个峰值点作为一个聚类，峰值点个数为聚类个数，聚类中心为峰值点本身；将数据集中的普通点划分给对应的聚类。聚类信息包括聚类数量，当然还可进一步包括每个聚类的聚类中心。考虑到如果两个峰值点成为聚类中心的概率都很高且离得很近，那么该情况下的两个峰值点应为同一聚类，而不应划分为两个独立的聚类，为消除该情况，参见图2，作为一种优选的具体实施方式，步骤104具体包括：子步骤1041、基于欧式距离，识别属于同一类的峰值点；子步骤1042、将属于同一类的峰值点划分为一个聚类，取一个聚类内所有峰值点的平均值作为聚类中心；子步骤1043、将数据集中除所有的属于同一类的峰值点之外的每个峰值点作为一个独立的聚类，聚类中心为作为独立的聚类的峰值点本身；子步骤1044、计算得到的全部聚类的数量；子步骤1045、将数据集中的普通点划分给对应的聚类。其中，子步骤1041中基于欧式距离识别属于同一类的峰值点，包括：①提取确定得到的所有峰值点中满足如下条件的峰值点：峰值点是聚类中心的概率大于预设的概率阈值；②在提取得到的峰值点中，基于欧式距离识别属于同一类的峰值点。其中，概率阈值由本领域技术人员根据经验预先设定。在上述①提取峰值点之前，采用如下方式计算各测量数据为聚类中心的概率ξ(xi)为：其中，ξ(xi)为数据集中当前测量数据xi为聚类中心的概率，ρ(xi)为数据集中当前测量数据xi的密本文档来自技高网...

【技术保护点】
1.一种车载雷达测量数据的聚类方法，其特征在于，所述方法包括：/n获取车载雷达的测量数据，作为待聚类的数据集；/n计算数据集中每个测量数据的密度；/n按照密度的大小，确定数据集中属于峰值点的测量数据；/n根据峰值点，计算数据集的聚类信息，其中聚类信息中包括的聚类数量为车载雷达的测量数据中的目标数量。/n

【技术特征摘要】
1.一种车载雷达测量数据的聚类方法，其特征在于，所述方法包括：
获取车载雷达的测量数据，作为待聚类的数据集；
计算数据集中每个测量数据的密度；
按照密度的大小，确定数据集中属于峰值点的测量数据；
根据峰值点，计算数据集的聚类信息，其中聚类信息中包括的聚类数量为车载雷达的测量数据中的目标数量。


2.如权利要求1所述的方法，其特征在于，计算数据集中每个测量数据的密度，包括：
针对数据集中的每个测量数据：计算本测量数据与数据集中其它所有测量数据的欧式距离；计算与本测量数据的欧式距离小于预设的第一邻域阈值的测量数据的个数，将该个数作为本测量数据在预设的第一邻域范围内的密度。


3.如权利要求1所述的方法，其特征在于，按照密度的大小，确定数据集中属于峰值点的测量数据，包括：
针对数据集中的每个测量数据：判断在预设的第二邻域范围内是否存在高于自己密度的测量数据；如果是，确定本测量数据属于普通点，否则确定本测量数据属于峰值点。


4.如权利要求3所述的方法，其特征在于，根据峰值点，计算数据集的聚类信息，包括：
基于欧式距离，识别属于同一类的峰值点；
将属于同一类的峰值点划分为一个聚类，取一个聚类内所有峰值点的平均值作为聚类中心；
将数据集中除所有的属于同一类的峰值点之外的每个峰值点作为一个独立的聚类，聚类中心为作为独立的聚类的峰值点本身；
计算得到的全部聚类的数量；
将数据集中的普通点划分给对应的聚类。


5.如权利要求4所述的方法，其特征在于，基于欧式距离，识别属于同一类的峰值点，包括：
提取确定得到的所有峰值点中满足如...

【专利技术属性】
技术研发人员：戴春杨，王东峰，曹林，李俊，华斌，王涛，杨慧民，赵宇，宋雨轩，刘怡晓，王兆峰，李萌，镡晓林，杨华斌，谢晓鹏，
申请(专利权)人：北京川速微波科技有限公司，
类型：发明
国别省市：北京;11