本发明涉及雷达应用领域,尤其涉及基于聚类算法的雷达采集道路车辆信息的方法及系统。
背景技术:
现有检测道路车辆信息的方式有诸多弊端,例如:采用光学相机进行视频检测的方式受光照、天气影响,无法对交通状况进行24小时连续监测;采用埋设于地面下磁感应检测器进行检测的方法,在安装设备时会破坏地面,安装成本较高且安装时会严重影响交通;采用空气管道进行检测,能获取的信息维度有限,只能得到车辆的数目,无法得到速度等更多有价值的信息。
与以上方式相较,采用毫米波雷达采集道路车辆信息,可以不受光照、天气的影响,对交通状况进行24小时连续监测;安装方便快捷,成本更低。毫米波雷达通过多普勒公式计算目标速度,可以得到一段时间内车辆的平均速度、最大速度、最小速度等更多统计信息。
然而,利用毫米波雷达检测道路车辆信息的难点在于,接收的电磁波存在背景杂波,以及同一目标的多次反射回波形成的多径噪点。多径噪点和目标点特征相近,难以区分,极易造成计数错误等问题。
技术实现要素:
本发明的目的在于提供基于聚类算法的雷达采集道路车辆信息的方法及系统,通过筛选雷达测量点数据、归一化处理和聚类处理等操作,删除多径噪点等噪音数据,可快速、精确的获得目标道路车辆信息。
为了实现上述目的,本发明提供如下技术方案:
一种基于聚类算法的雷达采集道路车辆信息的方法,包括:
获取特征变量符合预设特征区间的雷达测量点数据,并存储为第一数据集,其中,每个雷达测量点数据的特征变量包括目标与雷达的纵向相对距离和数据采集时间;
基于时间对第一数据集中的雷达测量点数据分别添加帧序号,并对第一数据集中的雷达测量点数据进行归一化处理和聚类处理,以从第一数据集中的雷达测量点数据获取多个目标簇数据;
利用所述帧序号和所述目标与雷达的纵向相对距离构建坐标系,将目标簇数据中每一个雷达测量点数据映射到所述坐标系中,并基于起始雷达测量点数据和终止雷达测量点数据落在所述坐标系中的位置筛选出有效簇数据;
基于有效簇数据包含的雷达测量点数据计算道路车辆信息。
其中,雷达测量点数据的特征变量还包括目标与雷达的横向相对距离、目标的速度以及目标的雷达散射截面中的至少一种;特征区间为针对特征变量分别预先设置的有效区间;获取特征变量符合预设的特征区间的雷达测量点数据的方法包括:
获取全部的雷达测试点数据;
将雷达测试点数据的特征变量分别与对应的特征区间比较;
筛选出特征变量都分别符合对应的特征区间的雷达测量点数据,并存储为第一数据集。
优选地,添加帧序号的方法包括:将第一数据集中的雷达测量点数据按测量时间排序,从时间最早的雷达测量点数据开始依次添加帧序号。
较佳地,对第一数据集中的雷达测量点数据的所有特征变量分别进行归一化处理。
进一步地,聚类处理的方法包括:
利用dbscan算法将归一化处理之后的雷达测量点数据归类为簇数据,或同时获取并删除离散数据;
将簇数据存储为目标簇数据。
优选地,归一化处理包括第一归一化处理和第二归一化处理,聚类处理包括第一聚类处理和第二聚类处理;对第一数据集中的雷达测量点数据进行归一化处理和聚类处理的方法包括:
对第一数据集中的雷达测量点数据依次进行第一归一化处理和第一聚类处理,获取第一簇数据和第一离散数据,通过删除第一离散数据以过滤测量噪点,并将所有的第一簇数据中的雷达测量数据存储到第二数据集;
对第二数据集中的雷达测量点数据依次进行第二归一化处理和第二聚类处理,获取第二簇数据,并将所有的第二簇数据存储为目标簇数据。
较佳地,利用帧序号和目标与雷达的纵向相对距离构建坐标系,将目标簇数据中每一个雷达测量点数据映射到坐标系中,并基于起始雷达测量点数据和终止雷达测量点数据落在坐标系中的位置筛选出有效簇数据,包括:
将帧序号作为坐标系横轴变量,将目标与雷达的纵向相对距离作为坐标系纵轴变量,建立坐标系;
将数据采集时间特征区间两极值对应的帧序号分别设置为第一最小值
将目标与雷达纵向相对距离的特征区间的两极值分别设置为第二最小值
基于第一最小值
筛选出起始雷达测量点数据和终止雷达测量点数据都落在目标区域内的目标簇数据,并存储为有效簇数据。
优选地,利用帧序号和目标与雷达的纵向相对距离构建坐标系,将目标簇数据中每一个雷达测量点数据映射到坐标系中,并基于起始雷达测量点数据和终止雷达测量点数据落在坐标系中的位置筛选出有效簇数据,包括:
将帧序号作为坐标系横轴变量,将目标与雷达的纵向相对距离作为坐标系纵轴变量,建立坐标系;
将数据采集时间特征区间两极值对应的帧序号分别设置为第一最小值
将目标与雷达纵向相对距离的特征区间的两极值分别设置为第二最小值
基于第一最小值
筛选出起始雷达测量点数据和/或终止雷达测量点数据落在无效区域内的目标簇数据,判断为无效簇数据并删除;
将剩余目标簇数据存储为有效簇数据。
优选地,计算道路车辆信息的方法包括以下任意一项或多项:
选取所有有效簇数据中同一时刻的雷达测量点数据,获取对应簇中对应帧的数据点,计算数据点的速度的平均值,即为该目标指定时刻的速度;或通过截取各簇中该时间帧的数据点,分别计算该帧中属于各簇的点的速度平均值;
选取任一有效簇数据中的所有雷达测量点数据,通过首末时刻的位移及采样时间差计算有效簇数据对应的目标车辆的平均车速;或同时基于所有目标车辆的平均速度计算总平均速度,并统计最大车速与最小车速。
一种基于聚类算法的雷达采集道路车辆信息的系统,包括数据采集模块、数据处理模块和道路车辆信息计算模块,数据处理模块包括加载单元、第一处理单元和第二处理单元,其中,
数据采集模块用于获取雷达测量点数据,其中,每个雷达测量点数据的特征变量包括目标与雷达的纵向相对距离和数据采集时间;
加载单元,用于获取特征变量符合预设特征区间的雷达测量点数据,并存储为第一数据集;
第一处理单元,用于基于时间对第一数据集中的雷达测量点数据分别添加帧序号,并对第一数据集中的雷达测量点数据进行归一化处理和聚类处理,以从第一数据集中的雷达测量点数据获取多个目标簇数据;
第二处理单元,用于利用帧序号和目标与雷达的纵向相对距离构建坐标系,将目标簇数据中每一个雷达测量点数据映射到坐标系中,并基于起始雷达测量点数据和终止雷达测量点数据落在坐标系中的位置筛选出有效簇数据;
道路车辆信息计算模块用于基于有效簇数据包含的雷达测量点数据计算道路车辆信息。
与现有技术相比,本发明提供的基于聚类算法的雷达采集道路车辆信息的方法及系统具有以下有益效果:
本发明提供的基于聚类算法的雷达采集道路车辆信息的方法,利用雷达测量道路车辆数据通过设置特征区间对雷达测量点数据进行初筛,再经过聚类处理进一步去除噪声,通过逻辑判断筛选出表示完整轨迹的雷达测量点数据、去除多径噪声,最后计算得出估计的道路车辆信息。去除了噪声的干扰,能得到更精确的道路车辆信息。
本发明提供的基于聚类算法的雷达采集道路车辆信息的系统,采用上述方法,通过设置阈值与逻辑判断,相比已有系统,能更好地识别并剔除背景噪声、测量噪声和多径噪声等噪音数据,能更快速地得到更准确的道路车辆信息。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例中操作流程的示意图;
图2为本发明实施例中毫米波雷达安装示意图;
图3为本发明实施例中雷达坐标二维示意图;
图4为本发明实施例中单帧雷达测量点数据二维示意图;
图5为本发明实施例中多帧雷达测量点数据合并显示三维示意图;
图6为本发明实施例中经过初步筛选和第一聚类的三维簇示意图;
图7为本发明实施例中去除噪声后的三维簇示意图;
图8为本发明实施例中去除多径噪声前经过第二聚类的三维簇示意图;
图9为本发明实施例中目标区域的示意图;
图10为本发明实施例中无效区域的示意图;
图11为本发明实施例中去除多径噪声后的三维簇示意图;
图12(a)为本发明实施例中去除多径噪声前的二维示意图;
图12(b)为本发明实施例中去除多径噪声后的二维示意图;
图13为本发明实施例中需删除的异常簇的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例,均属于本发明保护的范围。
实施例一
请参阅图1,本实施例提供一种基于聚类算法的雷达采集道路车辆信息的方法,包括:
获取特征变量符合预设特征区间的雷达测量点数据,并存储为第一数据集,其中,每个雷达测量点数据的特征变量包括目标与雷达的纵向相对距离和数据采集时间;
基于时间对第一数据集中的雷达测量点数据分别添加帧序号,并对第一数据集中的雷达测量点数据进行归一化处理和聚类处理,以从第一数据集中的雷达测量点数据获取多个目标簇数据;
利用所述帧序号和所述目标与雷达的纵向相对距离构建坐标系,将目标簇数据中每一个雷达测量点数据映射到所述坐标系中,并基于起始雷达测量点数据和终止雷达测量点数据落在所述坐标系中的位置筛选出有效簇数据;
基于有效簇数据包含的雷达测量点数据计算道路车辆信息。
本申请提供的基于聚类算法的雷达采集道路车辆信息的方法,利用特征区间对雷达测量点数据的初筛,以及对筛选后的雷达测量点数据进行归一化及聚类处理,有效地删除了背景噪声、测量噪声及多径噪声等噪音数据,能更准确地计算道路车辆信息,避免噪声干扰导致计算结果偏离实际。
本申请提供的基于聚类算法的雷达采集道路车辆信息的方法中,毫米波雷达如图2所示安装在道路上方,雷达坐标系如图3所示。单帧雷达测量点数据如图4所示,多帧雷达测量点数据合并显示如图5所示。其中,沿道路方向建立
获取全部的雷达测试点数据;
将雷达测试点数据的特征变量分别与对应的特征区间比较;
筛选出特征变量都分别符合对应的特征区间的雷达测量点数据,并存储为第一数据集。
具体实施中,特征区间为目标统计范围的阈值,具体包括目标与雷达的纵向相对距离阈值、目标与雷达的横向相对距离阈值、目标的速度阈值、采集时间阈值以及目标的雷达散射截面阈值中的至少一项。例如只需统计超速车辆,则将目标的速度阈值设为
本领域技术人员应当知道的是,雷达获取到的原始数据包含斜距向距离
添加帧序号的方法包括:将第一数据集中的雷达测量点数据按测量时间排序,从时间最早的雷达测量点数据开始依次添加帧序号。
对采集得到的数据中,时间最早的一帧的数据,将其帧序号记为
使用帧序号而不是绝对时间,可以避免因不同目标出现在目标区域内的间隔时间过长导致的数据稀疏,提高统计效率改善统计效果。
本实施例提供的基于聚类算法的雷达采集道路车辆信息的方法中,基于时间对第一数据集中的雷达测量点数据分别添加帧序号后,对第一数据集中的雷达测量点数据的所有特征变量分别进行归一化处理。其中,归一化处理是指,将某一特征变量在所有雷达测量点数据中的值以最大值为
对归一化后的雷达测量点数据进行聚类处理的方法包括:
利用dbscan算法将归一化处理之后的雷达测量点数据归类为簇数据,或同时获取并删除离散数据;将簇数据存储为目标簇数据。
在dbscan中可使用通用的自适应参数设置方法(或使用固定的经验值:
dbscan结果中标记为
本领域技术人员应了解的是,dbscan是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
归一化处理包括第一归一化处理和第二归一化处理,聚类处理包括第一聚类处理和第二聚类处理;对第一数据集中的雷达测量点数据进行归一化处理和聚类处理的方法包括:
对第一数据集中的雷达测量点数据依次进行第一归一化处理和第一聚类处理,结果如图6所示,获取第一簇数据和第一离散数据,通过删除第一离散数据以过滤测量噪点,并将所有的第一簇数据中的雷达测量数据存储到第二数据集,结果如图7所示;
对第二数据集中的雷达测量点数据依次进行第二归一化处理和第二聚类处理,获取第二簇数据,并将所有的第二簇数据存储为目标簇数据,结果如图8所示。
在第一聚类处理后删除噪声数据并进行第二归一化处理和第二聚类处理,可以去除噪声对归一化及聚类结果的影响,提高数据处理准确度。
请参阅图9,利用帧序号和目标与雷达的纵向相对距离构建坐标系,将目标簇数据中每一个雷达测量点数据映射到坐标系中,并基于起始雷达测量点数据和终止雷达测量点数据落在坐标系中的位置筛选出有效簇数据,包括:
将帧序号作为坐标系横轴变量,将目标与雷达的纵向相对距离作为坐标系纵轴变量,建立坐标系;
将数据采集时间特征区间两极值对应的帧序号分别设置为第一最小值
将目标与雷达纵向相对距离的特征区间的两极值分别设置为第二最小值
基于第一最小值
筛选出起始雷达测量点数据和终止雷达测量点数据都落在目标区域内的目标簇数据,并存储为有效簇数据。
请参阅图10,在具体实施中,利用帧序号和目标与雷达的纵向相对距离构建坐标系,将目标簇数据中每一个雷达测量点数据映射到坐标系中,并基于起始雷达测量点数据和终止雷达测量点数据落在坐标系中的位置筛选出有效簇数据,也可以包括:
将帧序号作为坐标系横轴变量,将目标与雷达的纵向相对距离作为坐标系纵轴变量,建立坐标系;
将数据采集时间特征区间两极值对应的帧序号分别设置为第一最小值
将目标与雷达纵向相对距离的特征区间的两极值分别设置为第二最小值
基于第一最小值
筛选出起始雷达测量点数据和/或终止雷达测量点数据落在无效区域内的目标簇数据,判断为无效簇数据并删除;
将剩余目标簇数据存储为有效簇数据。
还可以建立三维坐标系,三个维度分别为目标与雷达的纵向相对距离、目标与雷达的横向相对距离和帧序号。加入目标与雷达的横向相对距离这一维度可以将原本重叠交叉的簇分开,更直观。实际应用中每一簇可以采用不同的颜色,人眼更容易区分识别。
通过前述步骤可以删除代表多径噪声的簇。去除多径噪声后剩余的簇如图11所示,去除多径噪声前后的二维效果对比如图12(a)与图12(b)所示。
请参阅图13,上述判断有效簇的方法,其原理为:在无雷达测量点数据采集时间限制的情况下,即只有目标与雷达的纵向相对距离这一个维度时,正常簇的目标与雷达的纵向相对距离应在最远目标距离与最近目标距离中间连续存在,即:车辆由远及近或由近及远完整经过目标区域
计算道路车辆信息的方法包括以下任意一项或多项:
选取所有有效簇数据中同一时刻的雷达测量点数据,获取对应簇中对应帧的数据点,计算数据点的速度的平均值,即为该目标指定时刻的速度;或通过截取各簇中该时间帧的数据点,分别计算该帧中属于各簇的点的速度平均值;
选取任一有效簇数据中的所有雷达测量点数据,通过首末时刻的位移及采样时间差计算有效簇数据对应的目标车辆的平均车速;或同时基于所有目标车辆的平均速度计算总平均速度,并统计最大车速与最小车速。
实施例二
一种基于聚类算法的雷达采集道路车辆信息的系统,包括数据采集模块、数据处理模块和道路车辆信息计算模块,数据处理模块包括加载单元、第一处理单元和第二处理单元,其中,
数据采集模块用于获取雷达测量点数据,其中,每个雷达测量点数据的特征变量包括目标与雷达的纵向相对距离和数据采集时间;
加载单元,用于获取特征变量符合预设特征区间的雷达测量点数据,并存储为第一数据集;
第一处理单元,用于基于时间对第一数据集中的雷达测量点数据分别添加帧序号,并对第一数据集中的雷达测量点数据进行归一化处理和聚类处理,以从第一数据集中的雷达测量点数据获取多个目标簇数据;
第二处理单元,用于利用帧序号和目标与雷达的纵向相对距离构建坐标系,将目标簇数据中每一个雷达测量点数据映射到坐标系中,并基于起始雷达测量点数据和终止雷达测量点数据落在坐标系中的位置筛选出有效簇数据;
道路车辆信息计算模块用于基于有效簇数据包含的雷达测量点数据计算道路车辆信息。
本实施例提供的基于聚类算法的雷达采集道路车辆信息的系统采用上述基于聚类算法的雷达采集道路车辆信息的方法,通过模块化设计将不同步骤拆分为不同模块,使逻辑更清晰、应用更便捷、维护更容易。同时本系统利用前述方法,可以减小噪声对结果的影响,更快地得到更准确的结果。
在上述实施方式的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
本文用于企业家、创业者技术爱好者查询,结果仅供参考。