一种基于密度的模糊聚类方法及装置

1.本发明涉及交通场景下的毫米波雷达雷达点云数据处理领域，尤其涉及一种基于密度的模糊聚类方法及装置。


背景技术：

2.交通场景下，毫米波雷达点云数据具有稀疏性，在整个雷达监测范围内，有目标的区域数据密度很高，无目标的区域数据密度很低。同时，交通场景下检测目标还具有数目不确定这一特性。因此基于密度的聚类算法，如dbscan非常适合在交通场景中使用，该算法可以很好的将高密度区域的点云数据聚类为一簇，并且不需要提前给出聚类数目。
3.同时由于交通场景较为复杂，同一辆车在距离雷达的不同距离，其数据密度不同，不同车型车辆也有不同的数据密度。而大型车辆的点云数据往往散射范围较广，为确保其点迹不分裂，dbscan算法中的参数ε_d(距离邻域阈值)需要设置较大，这时要将相邻车辆区分开只能通过比较它们之间的速度差异。
4.但是当出现两辆相邻车辆同速行驶或者两者速度差异在阈值之内的情况，dbscan算法很容易将两相邻车辆聚成一个目标。
5.为了在交通场景下获得更好的聚类效果，本领域很多研究者都在开发新的聚类算法，以获得更准确的聚类结果。
6.2019年4月，苏涛等提出了一种高分辨毫米波雷达多目标聚类方法，该方法在将点云数据进行聚类之前，先设置信噪比检测阈值，对雷达检测到的点迹进行过滤，获得有效点迹，再对有效点迹进行聚类，减小了运算量。
7.2019年12月，张臣勇提出一种用于雷达目标检测的密度聚类方法及装置，该方法通过统计检测到的各目标点的分布状态，若成方向性分布，则使用椭圆波门；否则使用圆形波门。
8.2020年6月，刘晓昀提出一种基于主轴的密度峰值模糊聚类(sdpfc)算法。该算法使用了二次聚类以修正聚类结果的思想，先通过快速搜索和查找密度峰(cfsfdp)算法进行聚类，获得初次聚类的聚类中心，再通过基于主轴更新的模糊聚类算法对初次聚类结果进行修正，得到最终的聚类结果。
9.2021年4月，张鑫怡提出自适应椭圆距离密度峰值模糊(aeddpf)算法，该算法通过自适应椭圆距离对点云数据进行处理，然后通过指数函数曲线对cfsfdp算法产生的决策图完成对密度峰值点的快速选择，得到簇类中心和簇类数，再使用模糊聚类算法对初次聚类结果进行迭代，得到最终的聚类结果。
10.同期，刘佳欢提出一种汽车毫米波雷达点迹凝聚方法及系统。该方法在对当前帧点迹数据进行聚类时，优先根据上一帧反馈的航迹目标位置预测值、速度以及目标的尺寸进行航迹与点迹之间的聚类，有效解决汽车毫米波雷达大目标分裂问题。
11.2021年9月，何雨毅等提出车载毫米波雷达的椭圆dbscan聚类算法，该算法将dbscan聚类算法中的圆形邻域变成椭圆邻域，并且可以根据目标数据的特征信息自适应计
算邻域参数，从而在数据密度不均匀的情况下得到正确的聚类结果。
12.2021年11月，张正文等提出一种基于毫米波雷达的改进模糊聚类算法，该算法将dpc算法和fcm算法结合，并分别使用目标位置信息和速度信息进行二次fcm聚类，具有精度高、鲁棒性好、能正确聚类相邻车辆目标。
13.同期，陆海凌等提出帧间dbscan聚类算法，使用多帧合并处理的方式，利用帧序特征解决多径噪点问题，并利用空间纵向分段的方法改善了原算法在纵向上目标区分度不足的缺点。
14.2022年3月，许孝勇等提供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。
15.但是上述聚类方法运算量均较大。


技术实现要素：

16.本发明的目的是提供一种基于密度的模糊聚类方法，优化聚类结果，并且有效解决相邻同速车辆被聚为一簇的问题。
17.为实现上述目的，本发明提供了一种基于密度的模糊聚类方法，包括以下步骤：
18.s1：根据接收到的点云数据获取当前帧数据，先进行dbscan预聚类，获得簇类个数k；
19.s2：计算初次聚类后每个簇类横向距离最大差值max_y,更新簇类个数k
new
：
[0020][0021]
其中，d为车道宽度；
[0022]
s3：若更新后的簇类个数不变，则对每簇数据点进行点迹凝聚，获得初始簇类中心vi，计算所有点到各簇类中心的距离，以及所有样本点关于各簇类中心的隶属度μ
ij
，μ
ij
表示第j个样本对第i个聚类中心的隶属度，构造目标函数j；
[0023]
若更新后簇类个数变化，则仅输入簇类个数k
new
，随机生成隶属度矩阵μ
ij
，构造目标函数j；
[0024]
s4：使用拉格朗日乘子法求解目标函数，获得一次模糊聚类结果；
[0025]
s5：重复步骤s4直至满足一次模糊聚类的迭代终止条件，并且更新隶属度矩阵为μ'
ij
和簇中心v'i；
[0026]
s6：由步骤s5所更新的一次聚类结果u'
ij
作为输入初始值，代入fcm算法，构造新的目标函数q；
[0027]
s7：再次使用拉格朗日乘子式求解目标函数q，获得二次模糊聚类结果，迭代更新隶属度矩阵μ'
ij
和位置中心点ii；
[0028]
s8：若二次模糊聚类满足迭代条件，则继续执行s9，否则重复步骤s8；
[0029]
s9：输出更新的隶属度矩阵μ
″
ij
和位置中心点i'i,得到二次模糊聚类结果，所得更新的隶属度矩阵μ
″
ij
即为最终的隶属度模糊矩阵。
[0030]
优选的，步骤s1中具体包括以下子步骤：
[0031]
s11：获取当前帧数据
[0032]
s111：获取当前帧点云的原始目标点数据{pj}，j＝1,2,3,
…
，n，其中n为原始目标点数量，每个目标点的信息包括pj＝{rj,vj,θj},rj为目标的距离信息，vj为目标的速度信息，θj为目标的角度信息；
[0033]
s112：将上述点迹数据转化到直角坐标系得到：p
′j＝{rj,xj,yj,vj,θj}
[0034]
其中，xj＝rj*cosθj,yj＝rj*sinθj，xi和yi分别是原始点迹在直角坐标系下的位置信息；
[0035]
s12：使用dbscan算法进行预聚类
[0036]
s121：确定预聚类中的参数:椭圆邻域参数eps_d,a,b，以及每个簇中包含的最小点数minpts＝2；
[0037]
s122：初始化聚类簇数k＝0，未访问样本集合γ1＝p',簇划分集
[0038]
s123：点迹数据经过dbscan算法处理，将它们划分到各簇，得到簇划分集c＝{c1,c2,
…
,ck}。
[0039]
优选的，步骤s121中经dbscan聚类算法对eps_d邻域计算做了改进：
[0040][0041]
其中，x＝r*cos(θ)；y＝r*sin(θ)；
[0042]
式中，x是纵向方向距离，y是横向方向距离，a为均衡纵向距离的权重，b为均衡横向距离的权重。
[0043]
优选的，步骤s3中若更新后的簇类个数不变时目标函数j计算公式如下：
[0044][0045]
其中，m表示样本对聚类中心的各模糊度的加权值；
[0046]
约束条件为：
[0047][0048]
优选的，步骤s4中采用拉格朗日乘数法将约束条件拿到目标函数中去，可得到拉格朗日函数为：
[0049][0050]
其中，λ为拉格朗日乘子；
[0051]
分别对隶属度μ
ij
和初始聚类中心vi求偏导，并令偏导为0，计算得：
[0052]
[0053]
优选的，步骤s5中一次模糊聚类的迭代终止条件为：
[0054]
ε＝j
new-j
pre
《ε0[0055]jnew
表示当前计算所得目标函数值，j
pre
表示上一次迭代计算的目标函数值，ε0是最小更新量，ε表示j
new
和j
pre
的差值；
[0056]
ε0＝0.0001，计算迭代次数在100以内。
[0057]
优选的，步骤s8中二次模糊聚类终止条件：
[0058]
η＝q
new-q
pre
《η0[0059]qnew
表示当前计算所得目标函数值，q
pre
表示上一次迭代计算的目标函数值，η0是最小更新量，η表示q
new
和q
pre
的差值；
[0060]
η0＝0.0001，计算迭代次数在100以内。
[0061]
基于密度的模糊聚类方法的装置，包括：
[0062]
雷达信号处理模块，用于对雷达信号进行2d-fft、cfar、doa处理，并输出雷达点迹信息；
[0063]
密度聚类模块，用于对点云数据进行聚类处理，最终输出各聚类中心的距离、速度角度信息；
[0064]
程序存储芯片，用于将firmware烧写入flash中，并从外部flash启动程序；
[0065]
雷达经雷达信号处理模块与密度聚类模块相连，密度聚类模块还与程序存储芯片相连。
[0066]
优选的，雷达点迹信息包括每个点的距离，速度，角度信息。
[0067]
与现有技术相比，本发明的有益效果为：
[0068]
1、在步骤s1中改进了eps邻域范围的dbscan算法更适合在交通场景使用，并且dbscan算法可以自动获取聚类个数。
[0069]
2、在步骤s2中对每簇数据的y方向最大差值与车道宽度进行比较，可以有效检测出是否出现两辆相邻车辆是否被聚为一簇。
[0070]
3、在通过dbscan算法获取聚类个数后，还根据每个聚类中的y方向最大差值与车道宽度之比，更新聚类个数，解决城市道路中相邻同速车辆聚类效果较差的问题；并且在无相邻目标被聚为一簇时，将聚类中心输入，可以初始化更准确的隶属度矩阵，减少迭代次数；并且使用模糊聚类算法可以优化聚类中心，得到更精确的聚类结果。
[0071]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0072]
图1为本发明的方法流程图；
[0073]
图2为仅用dbscan对相邻车辆聚类效果图；
[0074]
图3为本发明对相邻车辆的聚类效果图。
具体实施方式
[0075]
以下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。
[0076]
图1为本发明的方法流程图，如图1所示，本发明包括以下步骤：
[0077]
s1：根据接收到的点云数据获取当前帧数据，先进行dbscan预聚类，获得簇类个数k；
[0078]
优选的，步骤s1中具体包括以下子步骤：
[0079]
s11：获取当前帧数据
[0080]
s111：获取当前帧点云的原始目标点数据{pj}，j＝1,2,3,
…
，n，其中n为原始目标点数量，每个目标点的信息包括pj＝{rj,vj,θj},rj为目标的距离信息，vj为目标的速度信息，θj为目标的角度信息；
[0081]
s112：将上述点迹数据转化到直角坐标系得到：p
′j＝{rj,xj,yj,vj,θj}
[0082]
其中，xj＝rj*cosθj,yj＝rj*sinθj，xi和yi分别是原始点迹在直角坐标系下的位置信息；
[0083]
s12：使用dbscan算法进行预聚类
[0084]
s121：确定预聚类中的参数:椭圆邻域参数eps_d,a,b，以及每个簇中包含的最小点数minpts＝2；
[0085]
优选的，步骤s121中经dbscan聚类算法对eps_d邻域计算做了改进：
[0086][0087]
其中，x＝r*cos(θ)；y＝r*sin(θ)；
[0088]
式中，x是纵向方向距离，y是横向方向距离，a为均衡纵向距离的权重，b为均衡横向距离的权重，a,b根据道路实际情况设置。
[0089]
s122：初始化聚类簇数k＝0，未访问样本集合γ1＝p
′
,簇划分集
[0090]
s123：点迹数据经过dbscan算法处理，将它们划分到各簇，得到簇划分集c＝{c1,c2,
…
,ck}。
[0091]
s2：计算初次聚类后每个簇类横向距离最大差值max_y,更新簇类个数k
new
：
[0092][0093]
其中，d为车道宽度；
[0094]
s3：若更新后的簇类个数不变，即每簇的宽度小于车道宽度，则对每簇数据点进行点迹凝聚，获得初始簇类中心vi，计算所有点到各簇类中心的距离，以及所有样本点关于各簇类中心的隶属度μ
ij
，μ
ij
表示第j个样本对第i个聚类中心的隶属度，构造目标函数j；
[0095]
若更新后簇类个数变化，则仅输入簇类个数k
new
，随机生成隶属度矩阵μ
ij
，构造目标函数j；
[0096]
优选的，步骤s3中若更新后的簇类个数不变时目标函数j计算公式如下：
[0097][0098]
其中，m表示样本对聚类中心的各模糊度的加权值，一般取值为2；
[0099]
约束条件为：
[0100][0101]
s4：使用拉格朗日乘子法求解目标函数，获得一次模糊聚类结果；
[0102]
优选的，步骤s4中采用拉格朗日乘数法将约束条件拿到目标函数中去，可得到拉格朗日函数为：
[0103][0104]
其中，λ为拉格朗日乘子；
[0105]
分别对隶属度μ
ij
和初始聚类中心vi求偏导，并令偏导为0，计算得：
[0106][0107]
s5：由上述式子可知，隶属度矩阵μ
ij
和vi具有一定的关联性，通过不断迭代，得到最优隶属度矩阵和聚类中心，最后使得目标函数j趋于稳定；故重复步骤s4直至满足一次模糊聚类的迭代终止条件，并且更新隶属度矩阵为μ
′
ij
和簇中心v
′i；
[0108]
优选的，步骤s5中一次模糊聚类的迭代终止条件为：
[0109]
ε＝j
new-j
pre
《ε0[0110]jnew
表示当前计算所得目标函数值，j
pre
表示上一次迭代计算的目标函数值，ε0是最小更新量，ε表示j
new
和j
pre
的差值；
[0111]
ε0＝0.0001，计算迭代次数在100以内。
[0112]
s6：由步骤s5所更新的一次聚类结果u
′
ij
作为输入初始值，代入fcm算法，构造新的目标函数q；
[0113]
s7：再次使用拉格朗日乘子式求解目标函数q，获得二次模糊聚类结果，迭代更新隶属度矩阵μ'
ij
和位置中心点ii；
[0114]
s8：若二次模糊聚类满足迭代条件，则继续执行s9，否则重复步骤s8；优选的，步骤s8中二次模糊聚类终止条件：
[0115]
η＝q
new-q
pre
《η0[0116]qnew
表示当前计算所得目标函数值，q
pre
表示上一次迭代计算的目标函数值，η0是最小更新量，η表示q
new
和q
pre
的差值；
[0117]
η0＝0.0001，计算迭代次数在100以内。
[0118]
s9：输出更新的隶属度矩阵μ
″
ij
和位置中心点i'i,得到二次模糊聚类结果，所得更新的隶属度矩阵μ
″
ij
即为最终的隶属度模糊矩阵。
[0119]
基于密度的模糊聚类方法的装置，包括：
[0120]
雷达信号处理模块，用于对雷达信号进行2d-fft、cfar、doa处理，并输出雷达点迹信息；其中，雷达点迹信息包括每个点的距离，速度，角度信息。
[0121]
密度聚类模块，用于对点云数据进行聚类处理，最终输出各聚类中心的距离、速度角度信息；
[0122]
程序存储芯片，用于将firmware烧写入flash中，并从外部flash启动程序；
[0123]
雷达经雷达信号处理模块与密度聚类模块相连，密度聚类模块还与程序存储芯片相连。
[0124]
图2为仅用dbscan对相邻车辆聚类效果图，图3为本发明对相邻车辆的聚类效果图，如图2和图3所示，可知本发明通过dbscan算法对点云数据进行初次聚类，获得聚类结果，获得目标个数。计算每个簇类的y方向最大差值，若大于一个车道的宽度，则可知该簇类是多个目标聚为一簇，可以根据y方向的最大差值除以车道宽度来判断在同距同速下有几个目标被聚为同一簇。
[0125]
若每个簇类宽度均小于车道宽度，可以计算每簇的聚类中心(包括距离中心和速度中心)，将速度中心点作为算法输入条件，进行一次模糊聚类，得到一个较为准确的隶属度函数μ
ij
和修正后的速度中心，再将μ
ij
和距离中心点作为算法输入条件，进行二次模糊聚类，获得修正后的距离中心。使聚类结果更为准确，并且有效减少了模糊聚类算法的迭代次数。
[0126]
若有簇类宽度大于车道宽度，按比例更新簇类数，并将簇类数作为输入条件进行模糊聚类，可有效将初次dbscan聚类被聚为一个目标的相邻车辆分开。
[0127]
因此，本发明采用上述基于密度的模糊聚类方法，优化聚类结果，并且有效解决相邻同速车辆被聚为一簇的问题。
[0128]
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。