基于自适应阈值椭圆模型的点云聚类方法及系统技术方案

本发明专利技术提供了一种基于自适应阈值椭圆模型的点云聚类方法及系统，包括：创建数据缓冲池，存储累计帧的雷达点云数据；获取点云数据集；初始化聚类阈值半径R

【技术实现步骤摘要】
基于自适应阈值椭圆模型的点云聚类方法及系统


[0001]本专利技术涉及雷达跟踪及识别的
，具体地，涉及基于自适应阈值椭圆模型的点云聚类方法及系统。

技术介绍

[0002]由于毫米波雷达不受光照因素、天气条件影响，且具有较强穿透性的特点，逐渐在监控安防、交通监测、车载雷达等领域得到了广泛应用。雷达可以获得移动目标的距离、方位、速度等量测信息，但容易受到周围环境噪声的影响，存在多目标跟踪性能不佳的问题。
[0003]随着高分辨率雷达技术的发展，国内外对于毫米波雷达点云数据的研究也逐渐成为了最近几年内的研究热点。虽然雷达点云数据相比较于摄像头、激光雷达的点云数据具有较强稀疏性的特点，但是毫米波雷达具有全天时、全天候检测的优势，且对于移动目标检测具有较高的准确率，运算量也较小。通过雷达获得目标的距离、方位、速度等信息，利用目标聚类、目标关联和跟踪方法，可以实现对机动车、非机动车、行人等目标的监控。目前，毫米波雷达产品在市场的需求旺盛。
[0004]毫米波雷达点云数据是包含目标量测信息(距离、方位、径向速度、信号强度)的多个反射点构成的，可以理解为是一簇聚集多个点的点目标。毫米波雷达点云数据包含目标的空间位置信息(距离、角度)、速度等信息，点云数据优势在于目标有多个反射点，通过合适的空间聚类方法，可以提高目标检测的准确性；然后通过目标关联方法和卡尔曼滤波器，对目标航迹进行预测、更新，提高多目标跟踪的准确性。
[0005]在监控领域，如园区安防、室内人员检测、交通流量检测等，通过获得目标的距离、速度、角度等量测信息，跟踪和预测目标轨迹，实现对目标的实时监测和跟踪；在车载雷达领域，通过获得周围车辆、障碍物的空间位置、速度信息，可以为车辆防撞、车道检测等自动辅助驾驶提供技术服务。
[0006]CN114137509A
‑
一种基于毫米波雷达点云聚类方法及装置：通过获取待检测目标的当前帧雷达点云信息以及上一帧跟踪输出的航迹信息；然后按照预设算法将所述当前帧雷达点云信息与所述上一帧跟踪输出的航迹信息进行关联，得到所述待检测目标的航迹坐标、航向角以及车型分类；最后以椭圆波门为先验知识以及所述待检测目标进行点云聚类。本申请根据车辆为长方形这一先验知识，把聚类中核心对象计算所用的波门设定为椭圆，点云样本通过关联航迹获得航向角和车型分类，再通过航向角和车型分类改变椭圆波门方向及大小，以此提升点云聚类的聚类效果，从而提高目标跟踪质量。
[0007]具有噪声的基于密度的聚类方法(Density
‑
Based Spatial Clustering of Application with Noise，DBSCAN)是一种基于密度的空间聚类算法，也是雷达算法中使用较为广泛的一种聚类方法。该方法是通过密度可达关系导出的最大密度相连的样本集合，即最终聚类的一个类别(或者说一个簇类)。传统的DBSCAN算法是一种使用固定阈值ε作为聚类半径对点云数据进行聚类，存在容易将非本目标的点云数据聚到一个错误的簇类中。

技术实现思路

[0008]针对现有技术中的缺陷，本专利技术的目的是提供一种基于自适应阈值椭圆模型的点云聚类方法及系统。
[0009]第一方面，本专利技术提供了一种基于自适应阈值椭圆模型的点云聚类方法，所述方法包括如下步骤：
[0010]步骤S1：创建数据缓冲池，存储累计帧的雷达点云数据；获取点云数据集；
[0011]步骤S2：初始化聚类阈值半径R
a
、R
b
和簇类集合，进行自适应椭圆聚类模型算法；
[0012]步骤S3：得到聚类结果，进行目标匹配；
[0013]步骤S4：得到目标匹配结果，通过设定阈值，对不满足匹配阈值的目标进行解匹配，即匹配失败，删除该组匹配信息；
[0014]步骤S5：进行匹配跟踪；
[0015]步骤S6：重复步骤S1至步骤S5，直至没有数据输入。
[0016]优选地，所述步骤S2包括如下步骤：
[0017]步骤S2.1：输入雷达量测点的点云数据集；
[0018]步骤S2.2：初始化聚类阈值，包括阈值长短轴半径R
a
、R
b
和簇类集合，所述簇类最少包含的点个数为MinPts；
[0019]步骤S2.3：判断是否为新簇类，若是，转至步骤S2.5，若否则转至步骤S2.4；
[0020]步骤S2.4：根据量测点，重新估计阈值长短轴半径R
a
、R
b
，并更新椭圆模型的圆心，生成新的椭圆模型，圆心为新加入的量测点；
[0021]步骤S2.5：邻域聚类搜索；
[0022]步骤S2.6：判断是否有新加入的量测点，若是，转至步骤S2.4，否则转至步骤S2.7；
[0023]步骤S2.7：判断是否所有的量测点都被标记，若是，则输出聚类结果，若否，则创建新簇类，转至步骤S2.2。
[0024]优选地，所述步骤S3得到聚类结果后，根据匈牙利匹配算法进行目标匹配。
[0025]优选地，所述步骤S5为使用卡尔曼滤波器进行匹配跟踪。
[0026]第二方面，本专利技术还提供一种基于自适应阈值椭圆模型的点云聚类系统，所述系统包括如下模块：
[0027]模块M1：创建数据缓冲池，存储累计帧的雷达点云数据；获取点云数据集；
[0028]模块M2：初始化聚类阈值半径R
a
、R
b
和簇类集合，进行自适应椭圆聚类模型算法；
[0029]模块M3：得到聚类结果，进行目标匹配；
[0030]模块M4：得到目标匹配结果，通过设定阈值，对不满足匹配阈值的目标进行解匹配，即匹配失败，删除该组匹配信息；
[0031]模块M5：进行匹配跟踪；
[0032]模块M6：重复调用模块M1至模块M5，直至没有数据输入。
[0033]优选地，所述模块M2包括如下模块：
[0034]模块M2.1：输入雷达量测点的点云数据集；
[0035]模块M2.2：初始化聚类阈值，包括阈值长短轴半径R
a
、R
b
和簇类集合，所述簇类最少包含的点个数为MinPts；
[0036]模块M2.3：判断是否为新簇类，若是，调用模块M2.5，若否则调用模块M2.4；
[0037]模块M2.4：根据量测点，重新估计阈值长短轴半径R
a
、R
b
，并更新椭圆模型的圆心，生成新的椭圆模型，圆心为新加入的量测点；
[0038]模块M2.5：邻域聚类搜索；
[0039]模块M2.6：判断是否有新加入的量测点，若是，重复调用模块M2.4，否则调用模块M2.7；
[0040]模块M2.7：判断是否所有的量测点都被标记，若是，则输出聚类结果，若否，则创建新簇类，重复调用模块M2.2。
[0041]优选地，所述模块M3得到聚类结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应阈值椭圆模型的点云聚类方法，其特征在于，所述方法包括如下步骤：步骤S1：创建数据缓冲池，存储累计帧的雷达点云数据；获取点云数据集；步骤S2：初始化聚类阈值半径R
b
、R
b
和簇类集合，进行自适应椭圆聚类模型算法；步骤S3：得到聚类结果，进行目标匹配；步骤S4：得到目标匹配结果，通过设定阈值，对不满足匹配阈值的目标进行解匹配，即匹配失败，删除该组匹配信息；步骤S5：进行匹配跟踪；步骤S6：重复步骤S1至步骤S5，直至没有数据输入。2.根据权利要求1所述的基于自适应阈值椭圆模型的点云聚类方法，其特征在于，所述步骤S2包括如下步骤：步骤S2.1：输入雷达量测点的点云数据集；步骤S2.2：初始化聚类阈值，包括阈值长短轴半径R
a
、R
b
和簇类集合，所述簇类最少包含的点个数为MinPts；步骤S2.3：判断是否为新簇类，若是，转至步骤S2.5，若否则转至步骤S2.4；步骤S2.4：根据量测点，重新估计阈值长短轴半径R
a
、R
b
，并更新椭圆模型的圆心，生成新的椭圆模型，圆心为新加入的量测点；步骤S2.5：邻域聚类搜索；步骤S2.6：判断是否有新加入的量测点，若是，转至步骤S2.4，否则转至步骤S2.7；步骤S2.7：判断是否所有的量测点都被标记，若是，则输出聚类结果，若否，则创建新簇类，转至步骤S2.2。3.根据权利要求1所述的基于自适应阈值椭圆模型的点云聚类方法，其特征在于，所述步骤S3得到聚类结果后，根据匈牙利匹配算法进行目标匹配。4.根据权利要求1所述的基于自适应阈值椭圆模型的点云聚类方法，其特征在于，所述步骤S5为使用卡尔曼滤波器进行匹配跟踪。5.一种基于自适应阈值椭圆模型的点云聚类系统，其特征在于，所述系统包括如下模块：模块M1：创建数据缓冲池，存储累计帧的雷达点云数据；获取点云数据集；模块M2：初始化聚类阈值半径R
a
...

【专利技术属性】
技术研发人员：廖文龙，汪呈智，何弢，彭湃，
申请(专利权)人：上海酷移机器人有限公司，
类型：发明
国别省市：