【技术实现步骤摘要】
一种基于KDE
‑
DBSCAN的毫米波雷达点云目标聚类方法
[0001]本专利技术涉及点云目标分割聚类和识别
,尤其涉及一种基于KDE
‑
DBSCAN的毫米波雷达点云目标聚类方法。
技术介绍
[0002]毫米波雷达具有对目标测距、测速和测角的功能,且在很多工况下鲁棒性较好,因此在自动驾驶中得到越来越多的应用。在毫米波雷达的应用中,雷达目标点云聚类是很重要的一环,随着毫米波雷达分辨率的提高,雷达从同一目标反射得到的数据量也随之增多,因此需要利用合适的聚类算法对毫米波雷达的目标点云进行聚类。
[0003]目前,毫米波雷达常用的聚类算法为K
‑
means聚类、DBSCAN聚类等,但是这些算法在处理数据密度均匀的数据集时效果比较好,但是毫米波雷达目标点云的数据密度是不均匀的,由于毫米波雷达在确定方向上的角度分辨率固定,不同方向上的角度分辨率不同,所以目标点云的密度和目标所在的距离、角度有很大关系,一般距离越近,角度越小,目标点云密度越大,距离越远,角度越大,目标点云 ...
【技术保护点】
【技术特征摘要】
1.一种基于KDE
‑
DBSCAN的毫米波雷达点云目标聚类方法,其特征在于,包括以下步骤:S1、对于毫米波雷达点云数据集D中的每一个点,根据此点所在区域对应的k值,计算对应的关联窗宽度W以及该点的关联相邻点RN;S2、根据每个点的关联窗宽度W和关联相邻点集合RN,把雷达点云数据集D初步划分为不同的伪簇FC;S3、统计步骤S2中生成的每个伪簇FC
i
中的点数,删除点数小于λ的伪簇;S4、确定每个伪簇的最优关联半径ε和最小关联点个数minP;S5、由步骤S4得到每个伪簇的最优关联半径ε和最小关联点个数minP,然后使用DBSCAN算法对分别对每个伪簇进行聚类。2.如权利要求1所述的一种基于KDE
‑
DBSCAN的毫米波雷达点云目标聚类方法,其特征在于,关于步骤S1,具体如下:S1
‑
1、按照径向距离划分为N个区域,N个区域分别记为r0,r1,
……
,r
N
‑1;S1
‑
2、遍历点云数据集D中的每一个点x,根据x所处的区域,寻找距离点x最近的k
ri
个相邻点,生成欧式距离集合D
nn
(x)={d
j
=d(x,x
j
)|j=[1,......,k
ri
]},其中ri=0,1,
……
,N
‑
1,且d
j
按照升序排列;S1
‑
3、选取核密度函数K(x),使用K(x)以及步骤S1
‑
2中的欧式距离集合D
nn
(x)来生成距离概率密度分布函数其中h是核度函数K(x)的带宽,i=1,2,
……
,k
ri
;S1
‑
4、根据生成的距离概率密度分布函数寻找该函数的第一个极大值点{(x
j
,f(x
j
))|1<j≤h,h≤k
ri
},则x
j=[1,...,h]
属于该点的关联相邻点RN,该点的关联窗宽度W等于d
h
。3.如权利要求1所述的一种基于KDE
‑
DBSCAN的毫米波雷达点云目标聚类方法,其特征在于,关于步骤S2,具体如下:S2<...
【专利技术属性】
技术研发人员:丁永超,程豪,姜文娟,徐礼成,郑泽民,
申请(专利权)人:山东五征集团有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。