目标分类方法技术

本申请属于智慧交通领域，提出了一种目标分类方法

【技术实现步骤摘要】
目标分类方法、装置、设备及存储介质


[0001]本申请属于智慧交通领域，尤其涉及目标分类方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]毫米波雷达具有不受天气影响
、
全天时
、
全天候和穿透水雾
、
烟尘的能力，具有很强的环境适应性
。
毫米波雷达的点云数据具有噪点少
、
穿透性强
、
精度高的特点，毫米波雷达被广泛应用于智慧交通领域重要的路侧感知设备
。
[0003]由于毫米波雷达的点云稀疏，并且现实中毫米波雷达安装的方位角度不同，在交通场景下，毫米波雷达的点云特点为：小目标具有少量点甚至只有一个点，大目标有多个点但分散性比较大
。
毫米波雷达的点云特点对点云的聚类及目标分类产生很大影响
。
当前毫米波的点云多使用基于密度的聚类算法
(
英文简称为
DBSCAN
，英文全称为
Density
‑
Based Spatial Clustering of Applications with Noise)
进行处理，该算法不需要预先设置聚类数，可以通过区分不同区域点云的密度，识别不同目标，具有处理任意大小和形状数据集的能力
。
[0004]传统的
DBSCAN
算法需要人工输入
Eps
邻域和密度阈值
MinPts
两个全局参数来确定核心点，并通过实际检测结果不断地进行调整，以确定合适的
Eps
邻域和密度阈值
MinPts
两个全局参数
。
在
DBSCAN
算法使用欧式距离进行密度聚类的过程中，由于大目标点云有多个点但分散性比较大的特点，基于欧式距离的密度聚类算法可能会将多个目标，或者噪声点聚类，使得聚类簇的属性出现偏差，导致点云聚类识别精度不高，不利于提高目标分类精度
。

技术实现思路

[0005]有鉴于此，本申请实施例提供了一种目标分类方法
、
装置
、
设备及存储介质，以解决现有技术中由于大目标点云有多个点但分散性比较大的特点，基于欧式距离的密度聚类算法会将大目标误判为多个小目标，导致点云聚类识别精度不高，不利于提高目标分类精度的问题
。
[0006]本申请实施例的第一方面提供了一种目标分类方法，其特征在于，所述方法包括：
[0007]通过雷达获取点云信息，以及跟踪点云得到点云的航迹信息，所述点云信息包括所述点云的位置；
[0008]根据所述点云的航迹信息，计算所述点云的速度
、
点云的运动方向；
[0009]基于所述点云的位置确定点之间的距离，采用基于密度的聚类方法得到第一聚类簇；
[0010]基于所述第一聚类簇中的点云的速度所确定的点之间的速度差，采用基于密度的聚类方法得到第二聚类簇；
[0011]基于所述第二聚类簇中的点云的运动方向所确定的点之间的运动方向夹角，采用基于密度的聚类方法得到第三聚类簇；
[0012]根据所述点云信息确定所述第三聚类簇对应的属性，根据所述属性对目标进行分类
。
[0013]结合第一方面，在第一方面的第一种可能实现方式中，根据所述点云的航迹信息，计算所述点云的速度，包括：
[0014]根据所述点云的航迹信息中的点云的纵向相对速度和横向相对速度，按照公式计算所述点云的速度，其中，
V
xy
为点云的速度，
VrelLong
为点云的纵向相对速度，
VrelLat
为点云的横向相对速度
。
[0015]结合第一方面，在第一方面的第二种可能实现方式中，根据所述点云的航迹信息，计算所述点云的运动方向，包括：
[0016]根据所述点云的航迹信息中的点云的纵向相对速度和横向相对速度，按照公式
θ
xy
＝
arctan2(VrelLat,VrelLong)
计算所述点云的运动方向，其中，为所述点云的运动方向，
VrelLong
为点云的纵向相对速度，
VrelLat
为点云的横向相对速度
。
[0017]结合第一方面，在第一方面的第三种可能实现方式中，基于所述点云的位置确定点之间的距离，采用基于密度的聚类方法得到第一聚类簇，包括：
[0018]根据所述点云的位置确定点云中的两个点之间的距离；
[0019]根据点云中的两个点之间的距离，结合预先设定的距离阈值，确定点云中的点所属的簇，直到完成点云中的所有点的分类，得到第一聚类簇
。
[0020]结合第一方面，在第一方面的第四种可能实现方式中，基于所述第一聚类簇中的点云的速度所确定的点之间的速度差，采用基于密度的聚类方法得到第二聚类簇，包括：
[0021]根据所述点云的速度确定点云中的两个点之间的速度差；
[0022]根据点云中的两个点之间的速度差，结合预先设定的速度差阈值，确定第一聚类簇中的点所属的簇，直到完成点云中的所有点的分类，得到第二聚类簇
。
[0023]结合第一方面，在第一方面的第五种可能实现方式中，基于所述第二聚类簇中的点云的运动方向所确定的点之间的运动方向夹角，采用基于密度的聚类方法得到第三聚类簇，包括：
[0024]根据所述点云的运动方向确定点云中的两个点之间的运动方向夹角；
[0025]根据点云中的两个点之间的运动方向夹角，结合预先设定的夹角阈值，确定第二聚类簇中的点所属的簇，直到完成点云中的所有点的分类，得到第三聚类簇
。
[0026]结合第一方面，在第一方面的第六种可能实现方式中，根据所述点云信息确定所述第三聚类簇对应的属性，包括：
[0027]根据第三聚类簇中的点云位置确定所述第三聚类簇中的各簇的质心；
[0028]根据第三聚类簇中的点云位置确定所述第三聚类簇中的各簇的最大距离；
[0029]根据簇中的最大的雷达截面积的点云，根据最大的雷达截面积对应的点云的方向确定为该簇对应的目标物的运动方向
。
[0030]本申请实施例的第二方面提供了一种目标分类装置，所述装置包括：
[0031]点云信息获取单元，用于通过雷达获取点云信息，以及跟踪点云得到点云的航迹信息，所述点云信息包括所述点云的位置；
[0032]点云计算单元，用于根据所述点云的航迹信息，计算所述点云的速度
、
点云的运动方向；
[0033]第一聚类单元，用于基于所述点云的位置确定点之间的距离，采用基于密度的聚类方法得到第一聚类簇；
[0034]第二聚类单元，用于基于所述第一聚类簇中的点云的速度所确定的点之间的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种目标分类方法，其特征在于，所述方法包括：通过雷达获取点云信息，以及跟踪点云得到点云的航迹信息，所述点云信息包括所述点云的位置；根据所述点云的航迹信息，计算所述点云的速度
、
点云的运动方向；基于所述点云的位置确定点之间的距离，采用基于密度的聚类方法得到第一聚类簇；基于所述第一聚类簇中的点云的速度所确定的点之间的速度差，采用基于密度的聚类方法得到第二聚类簇；基于所述第二聚类簇中的点云的运动方向所确定的点之间的运动方向夹角，采用基于密度的聚类方法得到第三聚类簇；根据所述点云信息确定所述第三聚类簇对应的属性，根据所述属性对目标进行分类
。2.
根据权利要求1所述的方法，其特征在于，根据所述点云的航迹信息，计算所述点云的速度，包括：根据所述点云的航迹信息中的点云的纵向相对速度和横向相对速度，按照公式计算所述点云的速度，其中，
V
xy
为点云的速度，
VrelLong
为点云的纵向相对速度，
VrelLat
为点云的横向相对速度
。3.
根据权利要求1所述的方法，其特征在于，根据所述点云的航迹信息，计算所述点云的运动方向，包括：根据所述点云的航迹信息中的点云的纵向相对速度和横向相对速度，按照公式
θ
xy
＝
arctan2(VrelLat,VrelLong)
计算所述点云的运动方向，其中，为所述点云的运动方向，
VrelLong
为点云的纵向相对速度，
VrelLat
为点云的横向相对速度
。4.
根据权利要求1所述的方法，其特征在于，基于所述点云的位置确定点之间的距离，采用基于密度的聚类方法得到第一聚类簇，包括：根据所述点云的位置确定点云中的两个点之间的距离；根据点云中的两个点之间的距离，结合预先设定的距离阈值，确定点云中的点所属的簇，直到完成点云中的所有点的分类，得到第一聚类簇
。5.
根据权利要求1所述的方法，其特征在于，基于所述第一聚类簇中的点云的速度所确定的点之间的速度差，采用基于密度的聚类方法得到第二聚类簇，包括：根据所述点云的速度确定点云中的两个点之间的速度...

【专利技术属性】
技术研发人员：曹健，李新权，瞿仕波，周智民，
申请(专利权)人：长沙智能驾驶研究院有限公司，
类型：发明
国别省市：