一种目标分类方法及装置与流程
本发明属于数据处理技术领域，尤其涉及一种目标分类方法及装置。
背景技术：
车载毫米波雷达具有受天气环境影响小，探测距离远，测距测速精度高的特点，是当前高级驾驶辅助系统(advanceddriverassistantsystem，简称adas)中重要的环境传感器之一。基于车载毫米波雷达可以检测车辆行驶环境中的目标(障碍物)。由于运动目标和静止目标具有不同的特征、用途和危险等级，因此若针对运动目标和静止目标都采用相同的跟踪策略可能导致跟踪效果差。因此对检测到的目标进行动、静分类是十分必要的。
现有的车载毫米波雷达对目标的分类方法都是应用于前视雷达场景下，目标距离车载毫米波雷达较远、方位角较小，在这种情况下，目标相对车载毫米波雷达的径向速度方向与车辆行驶方向可近似相等，因此对于静止目标来说，其相对速度与车辆自身行驶速度的绝对值十分接近。通过将车载毫米波雷达测得的目标径向速度与车辆自身行驶速度相比较，若二者之差小于预设阈值，确定该目标为静止目标，否则，确定该目标为运动目标。
然而，在近距应用场景下，目标通常距离车载毫米波雷达较近、方位角较大，在这种情况下，目标相对车载毫米波雷达的径向速度与车辆自身行驶速度相比，二者差距较大。特别地，若车辆按照一定速度行驶时，位于行驶车辆侧方的静止目标相对车载毫米波雷达的径向速度为0，而径向速度与车辆自身行驶速度差距极大。
因此在前视雷达场景下的对目标的动、静分类方法无法应用在近距应用场景中。需要开发一种能够应用到近距应用场景中的目标分类方法。
技术实现要素：
有鉴于此，本发明的目的在于提供一种目标分类方法及装置，以解决现有在近距应用场景下不能准确实现对目标分类的问题。
技术方案如下：
本发明提供一种目标分类方法，应用于近距应用场景下，包括：
获取车载毫米波雷达所探测到散射点的散射点信息，每个所述散射点信息包括散射点位置以及散射点径向速度；
针对所探测到的每个散射点，根据与之对应的所述车载毫米波雷达的安装角度和所述散射点位置，以及车速计算该散射点的静止径向速度；所述静止径向速度为将该散射点虚拟为静止散射点时，该散射点相对与之对应的所述车载毫米波雷达的径向速度；
针对所探测到的每个散射点，判断所述静止径向速度与所述散射点径向速度之差的绝对值是否小于速度阈值；
针对所探测到的每个散射点，如果所述静止径向速度与所述散射点径向速度之差的绝对值小于速度阈值，则确定该散射点的运动状态为静止；否则，确定该散射点的运动状态为运动；
根据所有所述散射点位置对探测到的所有散射点进行聚类，得到聚类出的目标；
针对聚类出的每个目标，确定该目标内运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值是否大于等于预设比值；
若该目标内运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值大于等于预设比值，则确定该目标的状态类别为静止，否则，确定该目标的状态类别为运动。
可选地，所述车载毫米波雷达的数量为至少两个，分设在车辆周围的不同位置上，根据所有所述散射点位置对探测到的所有散射点进行聚类，得到聚类出的目标，包括：
对每个所述散射点位置进行坐标变换，得到所探测到的每个散射点在车身坐标系下的位置坐标；
根据所探测到的每个散射点在车身坐标系下的位置坐标对探测到的所有散射点进行聚类，得到聚类出的目标。
可选地，根据所探测到的每个散射点在车身坐标系下的位置坐标对探测到的所有散射点进行聚类，得到聚类出的目标包括：
根据所探测到的每个散射点在车身坐标系下的位置坐标，计算散射点之间的距离关系；
利用dbscan算法，将散射点之间的距离关系满足密度可达的散射点聚类为一个目标，直至完成对所有散射点的聚类，得到聚类出的目标。
可选地，还包括：
对每个状态类别为运动的目标，根据该目标内各个散射点在车身坐标系下的位置坐标，计算该目标的横向尺寸和纵向尺寸；
对每个状态类别为运动的目标，若该目标的横向尺寸小于等于第一预置尺寸值且该目标的纵向尺寸大于等于第二预置尺寸值，则修正该目标的状态类别为静止。
可选地，还包括：
根据相同类别的全部目标所包括的每个散射点在车身坐标系下的位置坐标，计算散射点之间的距离关系；
利用dbscan算法，将散射点之间的距离关系满足密度可达且满足e半径横向尺寸需求、e半径纵向尺寸需求的散射点聚类为一个目标，直至完成对相同类别的全部目标所包括的所有散射点的重新聚类，得到二次聚类的目标；其中，目标的状态类别不同需要满足的e半径横向尺寸需求以及e半径纵向尺寸需求不同。
本发明还提供了一种目标分类装置，包括：
第一获取单元，用于获取车载毫米波雷达所探测到散射点的散射点信息，每个所述散射点信息包括散射点位置以及散射点径向速度；
第一计算单元，用于针对所探测到的每个散射点，根据与之对应的所述车载毫米波雷达的安装角度和所述散射点位置，以及车速计算该散射点的静止径向速度；所述静止径向速度为将该散射点虚拟为静止散射点时，该散射点相对与之对应的所述车载毫米波雷达的径向速度；
第一判断单元，用于针对所探测到的每个散射点，判断所述静止径向速度与所述散射点径向速度之差的绝对值是否小于速度阈值；
第一确定单元，用于针对所探测到的每个散射点，如果所述静止径向速度与所述散射点径向速度之差的绝对值小于速度阈值，则确定该散射点的运动状态为静止；否则，确定该散射点的运动状态为运动；
聚类单元，用于根据所有所述散射点位置对探测到的所有散射点进行聚类，得到聚类出的目标；
第二确定单元，用于针对聚类出的每个目标，确定该目标内运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值是否大于等于预设比值；若该目标内运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值大于等于预设比值，则确定该目标的状态类别为静止，否则，确定该目标的状态类别为运动。
可选地，聚类单元包括：
坐标变换子单元，用于对每个所述散射点位置进行坐标变换，得到所探测到的每个散射点在车身坐标系下的位置坐标；
聚类子单元，用于根据所探测到的每个散射点在车身坐标系下的位置坐标对探测到的所有散射点进行聚类，得到聚类出的目标。
可选地，聚类子单元包括：
计算子模块，用于根据所探测到的每个散射点在车身坐标系下的位置坐标，计算散射点之间的距离关系；
聚类子模块，用于利用dbscan算法，将散射点之间的距离关系满足密度可达的散射点聚类为一个目标，直至完成对所有散射点的聚类，得到聚类出的目标。
可选地，还包括：
第二计算单元，用于对每个状态类别为运动的目标，根据该目标内各个散射点在车身坐标系下的位置坐标，计算该目标的横向尺寸和纵向尺寸；
修正单元，用于对每个状态类别为运动的目标，若该目标的横向尺寸小于等于第一预置尺寸值且该目标的纵向尺寸大于等于第二预置尺寸值，则修正该目标的状态类别为静止。
可选地，还包括：
第三计算单元，用于根据相同类别的全部目标所包括的每个散射点在车身坐标系下的位置坐标，计算散射点之间的距离关系；
二次聚类单元，用于利用dbscan算法，将散射点之间的距离关系满足密度可达且满足e半径横向尺寸需求、e半径纵向尺寸需求的散射点聚类为一个目标，直至完成对相同类别的全部目标所包括的所有散射点的重新聚类，得到二次聚类的目标；其中，目标的状态类别不同需要满足的e半径横向尺寸需求以及e半径纵向尺寸需求不同。
与现有技术相比，本发明提供的上述技术方案具有如下优点：
从上述技术方案可知，本发明中获取到车载毫米波雷达所探测到散射点的散射点位置以及散射点径向速度后，针对探测到的每个散射点，假设该散射点是静止散射点，根据与之对应的车载毫米波雷达的安装角度和散射点位置，以及车速计算该散射点的静止径向速度，并将静止径向速度与该散射点径向速度比较，若两者之差的绝对值在速度阈值内，则确定该散射点的运动状态为静止，若两者之差的绝对值不在速度阈值内，则确定该散射点的运动状态为运动；然后对探测到的所有散射点进行聚类，得到聚类出的目标，并根据每个目标内运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值，确定该目标的状态类别，实现对目标的分类。避免了利用散射点的径向速度与车速比较确定目标运动状态的方案中，由于近距应用场景下车载毫米波雷达检测到的散射点径向速度与车速相差较大，容易造成将运动状态为静止的目标误判断为运动状态为运动的目标的问题产生，实现了准确地对目标分类的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种目标分类方法的流程图；
图2是本发明实施例提供的安装在车辆右上角的车载毫米波雷达与其探测到的一个散射点之间的几何关系图；
图3是本发明实施例提供的近距应用场景下车载毫米波雷达的设置方式示意图；
图4是本发明实施例提供的另一种目标分类方法的流程图；
图5是本发明实施例提供的四部车载毫米波雷达实际测量散射点的结果示意图；
图6是本发明实施例提供的聚类效果示意图；
图7是本发明实施例提供的对多部车载毫米波雷达检测到的目标的散射点进行分类后的效果图；
图8是本发明实施例提供的一种目标分类装置的结构示意图；
图9是本发明实施例提供的另一种目标分类装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例公开了一种目标分类方法，可应用于基于车载毫米波雷达的驾驶辅助系统中，如adas中，具体应用场景为近距应用场景，如倒车雷达场景、角雷达场景，参见图1，该实施例包括以下步骤：
s101、获取车载毫米波雷达所探测到散射点的散射点信息，每个所述散射点信息包括散射点位置以及散射点径向速度。
车载毫米波雷达在自身探测范围内探测到一个散射点时，可以得到该散射点的散射点信息，每个散射点信息包括散射点位置以及散射点径向速度。
其中，散射点位置为散射点所在位置，散射点径向速度为散射点相对车载毫米波雷达的径向速度，以v0表示。
s102、针对所探测到的每个散射点，根据与之对应的所述车载毫米波雷达的安装角度和所述散射点位置，以及车速计算该散射点的静止径向速度；所述静止径向速度为将该散射点虚拟为静止散射点时，该散射点相对与之对应的所述车用毫米波雷达的径向速度。
本实施例中以安装在车辆右上角的车载毫米波雷达获取到的一个散射点为例，详细描述计算该散射点的静止径向速度的方法。
参见图2所示，为安装在车辆右上角的车载毫米波雷达与其探测到的一个散射点之间的几何关系图；以车辆中心为原点，车辆前进方向为y轴，与地平面平行的方向上与y轴垂直的方向为x轴，建立车身坐标系，图2中x-o-y为车身坐标系；以车载毫米波雷达所在位置为原点，车载毫米波雷达所在平面的水平方向为x轴，车载毫米波雷达发射波束的方向为y轴，建立雷达坐标系，图2中xc-oc-yc为雷达坐标系；车速为v，车速方向与车辆前进方向一致，雷达纵坐标轴yc与车身纵坐标轴y的夹角为
假设该散射点是静止的，基于公式
针对车辆右上角的车载毫米波雷达探测到的每个散射点，均基于公式
此外，在实际应用中，车载毫米波雷达的数目也可以为两个或两个以上，每个车载毫米波雷达分设在车辆周围的不同位置上。如车载毫米波雷达的数量为两个，这两个车载毫米波雷达分设在车辆后部的两个角上，以实现对车辆后部的盲区检测。又如，为实现自动驾驶，需实现对车身周围的360°的检测，此时，车载毫米波雷达可分设在车辆的四个角上。
针对分布在车辆不同位置上的车载毫米波雷达探测到的每个散射点，均基于公式
s103、针对所探测到的每个散射点，判断所述静止径向速度与所述散射点径向速度之差的绝对值是否小于等于速度阈值。
针对所探测到的每个散射点，如果所述静止径向速度与所述散射点径向速度之差的绝对值小于等于速度阈值，则执行步骤s104；
否则，执行步骤s105。
即针对所探测到的每个散射点，若|vt-v0|≤δv，则确定散射点的运动状态为静止；若|vt-v0|＞δv，则确定散射点的运动状态为运动。其中，δv为速度阈值，通过综合考虑车速误差和车载毫米波雷达的测速误差来设置。
s104、确定该散射点的运动状态为静止。
s105、确定该散射点的运动状态为运动。
s106、根据所有所述散射点位置对探测到的所有散射点进行聚类，得到聚类出的目标。
目标指的是实际场景中的障碍物，如行驶中的车辆，公路两旁的建筑物等。目标是由多个散射点构成的，在探测到多个散射点后基于聚类算法对探测到的所有散射点进行聚类，得到聚类出的目标。
s107、针对聚类出的每个目标，确定该目标内运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值是否大于等于预设比值。
若该目标内运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值大于等于预设比值，则执行步骤s108；否则，执行步骤s109。
对聚类出的每个目标，分别获取每个目标中包括的各个散射点的运动状态。在本实施例中为了标识散射点的运动状态，设置运动标识符m，运动标识符m取值1表示运动状态为运动，运动标识符m取值为0表示运动状态为静止。
针对聚类出的每个目标，分别计算该目标内全部散射点中运动标识符m为0的散射点数量与运动标识符m为1的散射点数量之间比值，并确定计算出的比值是否大于等于预设比值。
例如，目标1包括30个散射点，其中，25个散射点的运动标识符m为0，5个散射点的运动标识符m为1，计算得到目标1中运动标识符m为0的散射点数量与运动标识符m为1的散射点数量之间的比值为5，预设比值为1，则确定目标内运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值大于等于预设比值。其中，在实际应用中，预设比值取大于等于1的数。
若一个目标中，运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值大于等于预设比值，则确定此目标的状态类别为静止；若一个目标中，运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值小于预设比值，则确定此目标的状态类别为运动。
s108、确定该目标的状态类别为静止。
s109、确定该目标的状态类别为运动。
从上述技术方案可知，本实施例中获取到车载毫米波雷达所探测到散射点的散射点位置以及散射点径向速度后，针对探测到的每个散射点，假设该散射点是静止散射点，根据与之对应的车载毫米波雷达的安装角度和散射点位置，以及车速计算该散射点的静止径向速度，并将静止径向速度与该散射点径向速度比较，若两者之差的绝对值在速度阈值内，则确定该散射点的运动状态为静止，若两者之差的绝对值不在速度阈值内，则确定该散射点的运动状态为运动；然后对探测到的所有散射点进行聚类，得到聚类出的目标，并根据每个目标内运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值，确定该目标的状态类别，实现对目标的分类。避免了利用散射点的径向速度与车速比较确定目标运动状态的方案中，由于近距应用场景下车载毫米波雷达检测到的散射点径向速度与车速相差较大，容易造成将运动状态为静止的目标误判断为运动状态为运动的目标的问题产生，实现了准确地对目标分类的目的。
如前所述，在实际应用中，车载毫米波雷达的数量可以为至少两个，分设在车辆周围的不同位置上。在一种可能的实现方式中，具体可以为将车载毫米波雷达设置在车辆的边角位置处，参见图3所示，为本实施例近距应用场景下车载毫米波雷达的设置方式示意图。图3中四部车载毫米波雷达分别安装在车辆四个角上，分别为右上角雷达1，右下角雷达4，左上角雷达2，左下角雷达3，四部车载毫米波雷达按照不同角度发射的信号，各部车载毫米波雷达对其信号覆盖范围区域进行探测，探测到散射点时可得到散射点信息。此种情形下，由于不同车载毫米波雷达的雷达坐标系是不同的，因此对所有散射点进行聚类时，需要进行坐标变换，将所有车载毫米波雷达所探测到散射点的散射点位置变换到车身坐标系下。此时相应的目标分类方法可参见图4所示实施例的流程图。
参见图4所示，该实施例包括以下步骤：
s201、获取车载毫米波雷达所探测到散射点的散射点信息，每个所述散射点信息包括散射点位置以及散射点径向速度。
s202、针对所探测到的每个散射点，根据与之对应的所述车载毫米波雷达的安装角度和所述散射点位置，以及车速计算该散射点的静止径向速度；所述静止径向速度为将该散射点虚拟为静止散射点时，该散射点相对与之对应的所述车载毫米波雷达的径向速度。
s203、针对所探测到的每个散射点，判断所述静止径向速度与所述散射点径向速度之差的绝对值是否小于速度阈值。
针对所探测到的每个散射点，如果所述静止径向速度与所述散射点径向速度之差的绝对值小于速度阈值，则执行步骤s204；
否则，执行步骤s205。
s204、确定该散射点的运动状态为静止。
s205、确定该散射点的运动状态为运动。
参见图5所示为四部车载毫米波雷达实际测量散射点的结果示意图，range代表斜距，单位为m，velocity代表速度，单位为m/s。其中上方四幅图为四部车载毫米波雷达散射点的斜距-速度图；下方四幅图为假设散射点静止，计算得到的散射点的斜距-速度图，编号1～4依次对应于右上角、左上角、左下角、右下角四部车载毫米波雷达。对比上、下四幅图，大部分散射点的斜距-速度分布是一致的，说明近距应用场景内大部分散射点的运动状态为静止，剩余的不一致的散射点来自运动目标的回波。
本实施例中步骤s201-s205的实现方式与上一实施例中步骤s101-s105的实现方式类似，此处不再赘述。
s206、对每个所述散射点位置进行坐标变换，得到所探测到的每个散射点在车身坐标系下的位置坐标。
每个散射点位置包括散射点方位角θ0以及散射点距离r0。
基于公式x0＝r0·sinθ0；y0＝r0·cosθ0，将散射点方位角以及散射点距离所表示的散射点位置转换为直角坐标(x0,y0)；其中，x0为散射点在探测到该散射点的车载毫米波雷达所在的雷达坐标系下的横坐标，y0为散射点在探测到该散射点的车载毫米波雷达所在的雷达坐标系下的纵坐标。
再通过以下线性变换得到散射点在车身坐标系的位置坐标：
其中，
通过步骤s206实现了将所有车载毫米波雷达所探测到散射点的散射点位置变换到车身坐标系下。后续可根据所探测到的每个散射点在车身坐标系下的位置坐标对探测到的所有散射点进行聚类，得到聚类出的目标，以实现对目标的聚类。在实际应用中，根据所探测到的每个散射点在车身坐标系下的位置坐标对探测到的所有散射点进行聚类，得到聚类出的目标可以有多种实现方式。同样，参见图4所示实施例，根据所探测到的每个散射点在车身坐标系下的位置坐标对探测到的所有散射点进行聚类，得到聚类出的目标可以包括：
s207、根据所探测到的每个散射点在车身坐标系下的位置坐标，计算散射点之间的距离关系。
通过坐标变换实现将位于不同雷达坐标系下的散射点位置转换为统一的车身坐标系下的位置坐标后，根据散射点的位置坐标，计算散射点之间的距离关系。其中，本实施例中距离关系包括散射点之间的距离是否在预设距离内，以及在预设距离范围内的散射点个数是否大于等于预设点数。
s208、利用dbscan算法，将散射点之间的距离关系满足密度可达的散射点聚类为一个目标，直至完成对所有散射点的聚类，得到聚类出的目标。
在本实施例中，利用dbscan(density-basedspatialclusteringofapplicationswithnoise，密度聚类算法)算法对散射点聚类。dbscan算法是将属于同一个目标的散射点定义为密度可达的散射点的最大集合，因此将密度可达的散射点聚类为一个目标。
以四部车载毫米波雷达为例进行说明：在实际应用中，输入四部车载毫米波雷达探测到的全部散射点在车身坐标系的位置坐标，以及e半径、最小邻域点数minpts。其中，e半径和最小邻域点数minpts的取值都和车载毫米波雷达的分辨率有关，车载毫米波雷达的分辨率越高，e半径越小，最小邻域点数minpts越大。
经过dbscan算法处理后，输出结果为满足密度可达的散射点的聚类结果。其中，密度可达的散射点是由多个邻域的散射点构成的，其中，每个邻域内的散射点满足的条件是相邻散射点之间的距离小于等于e半径、邻域内散射点的点数大于等于minpts。示例性的，在道路路况下，常见的聚类效果如图6所示，dbscan算法将路障(如马路牙、建筑物等)聚集为簇1(目标1)；图6中由于两辆车距离较近，dbscan算法可能将来自两辆车的散射点聚集为一个目标，以簇2(目标2)表示。
在聚类出目标后，可进行后续有关目标状态类别的判断，具体可参见图4中的步骤s209-s211。
s209、针对聚类出的每个目标，确定该目标内运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值是否大于等于预设比值。
若该目标内运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值大于等于预设比值，则执行步骤s210；否则，执行步骤s211。
s210、确定该目标的状态类别为静止。
s211、确定该目标的状态类别为运动。
通过执行上述步骤s209-s211，实现对聚类输出的所有目标的状态类别的判断。
需要注意的是，此步骤确定得到的状态类别为静止的目标以及运动状态为运动的目标是初次对目标分类的结果。可能存在将运动状态为静止的目标确定为运动状态为运动的情况，通过执行后续第二次对目标运动状态的识别，以提高目标分类结果的准确性。另外，该实施例中用的聚类算法为基于密度的聚类算法，如dbscan算法，也可以为其他聚类算法，如基于划分法的聚类算法，k-means算法；基于层次法的聚类算法，birch(balancediterativereducingandclusteringusinghierarchies)算法；基于网格的聚类算法，sting(statisticalinformationgrid)算法；基于模型的聚类算法，神经网络的聚类算法。其中，第二次对目标运动状态的识别可参见步骤s212和步骤s213。
s212、对每个状态类别为运动的目标，根据该目标内各个散射点在车身坐标系下的位置坐标，计算该目标的横向尺寸和纵向尺寸。
在实际场景中，以道路路况为例，多个车载毫米波雷达探测到的运动状态为静止的目标大多为道路两侧路障或建筑物，如图6所示，簇1表示道路两侧路障或建筑物，是运动状态为静止的目标，即静止目标。静止目标的散射点以纵轴方向线状分布，因此静止目标具有较大的纵向尺寸
基于静止目标具有的散射点以纵轴方向线状分布这一特性，本实施例中利用目标尺寸实现对目标的第二次运动状态的识别。
本实施例中可以只对已经确定运动状态为运动的目标进行二次识别。相较于对经过聚类后输出的全部目标分别都计算目标的尺寸，降低了计算量，且并不影响计算结果的准确性。
针对每个运动状态为运动的目标，获取该目标中的各个散射点在车身坐标系下的位置坐标，得到该目标的各个散射点在车身坐标系下的横纵坐标；根据各个散射点的横纵坐标，计算该目标的横向尺寸和纵向尺寸，其中，横向尺寸为沿着车身坐标系的x轴方向的尺寸，纵向尺寸为沿着车身坐标系的y轴方向的尺寸。
具体计算该目标的横向尺寸和纵向尺寸的方式为：确定该目标中各个散射点的横坐标最小值以及横坐标最大值，并确定该目标中各个散射点的纵坐标最小值以及纵坐标最大值；计算横坐标最大值以及横坐标最小值之差，得到该目标的横向尺寸；计算纵坐标最大值以及纵坐标最小值之差，得到该目标的纵向尺寸。
其中，xj和yj分别表示第j个目标内的散射点在车身坐标系下的位置坐标的集合，
例如，目标1包括散射点a、散射点b、散射点c和散射点d，散射点a在车身坐标系下的坐标为(2，3)，散射点b在车身坐标系下的坐标为(3，9)，散射点c在车身坐标系下的坐标为(4，15)，散射点d在车身坐标系下的坐标为(3，17)。确定目标1中四个散射点的横坐标最小值为2，横坐标最大值为4，纵坐标最小值为3，纵坐标最大值为17，则计算得到目标1的横向尺寸为2，目标1的纵向尺寸为14。
s213、对每个状态类别为运动的目标，若该目标的横向尺寸小于等于第一预置尺寸值且该目标的纵向尺寸大于等于第二预置尺寸值，则修正该目标的状态类别为静止。
若第j个目标的横向尺寸满足
其中，δx为第一预置尺寸值，δy为第二预置尺寸值。在不同的应用场景下，面对的障碍物可能不同，可以根据不同的障碍物调整δy和δx的取值。
在其他实施例中，还可以针对聚类出的每个目标，再次进行运动状态的识别，然后根据两次目标的运动状态的识别结果对静止目标和运动目标进行划分。
具体为：针对聚类出的每个目标，根据该目标内各个散射点在车身坐标系下的位置坐标，计算该目标的横向尺寸和纵向尺寸；针对聚类出的每个目标，若该目标的横向尺寸小于等于第三预置尺寸值且该目标的纵向尺寸大于等于第四预置尺寸值，确定该目标的状态类别为静止；否则，确定该目标的状态类别为运动；将所有通过目标的横向尺寸和纵向尺寸确定出状态类别为静止的目标，以及通过目标内各个散射点的运动状态确定出状态类别为静止的目标确定为静止目标，将剩余的目标确定为运动目标。其中，计算目标的横向尺寸和纵向尺寸的方式与步骤s212计算目标的横向尺寸和纵向尺寸的方式类似，此处不再赘述。需要注意的是，将根据通过目标内各个散射点的运动状态确定出状态类别为静止的目标以及通过目标的横向尺寸和纵向尺寸确定出状态类别为静止的目标，全部确定为静止目标，将剩余的目标确定为运动目标。
如获取的目标包括目标1-10，根据通过目标内各个散射点的运动状态确定出状态类别为静止的目标为目标1、目标2、目标4、目标6以及目标7，通过目标的横向尺寸和纵向尺寸确定出状态类别为静止的目标为目标2、目标4以及目标5，则静止目标为目标1、目标2、目标4、目标5、目标6以及目标7。所有目标中，除去静止目标后其他目标均为运动目标。
经过对目标运动状态的第二次识别，可以得到准确的目标分类结果，减小了运动目标识别的虚警率。
在对车载毫米波雷达探测到的目标动、静分类的过程中，由于无法确定哪些目标是静止目标，哪些目标是运动目标，因此，对所有散射点聚类时输入的参数是相同的，如基于dbscan算法对全部散射点进行聚类时，输入的e半径是相同的。但是，静止目标的散射点分布特性与运动目标的散射点分布特性是不同的。如图6所示，簇1表示道路两侧路障或建筑物，为静止目标，静止目标的散射点以纵轴方向线状分布，散射点分布较为分散，而簇2表示车辆，为运动目标，运动目标的散射点分布较为集中。采用相同的e半径对散射点进行密度聚类处理时，若设置的e半径较大，则可能出现如图6所示的将两个运动目标聚类为一个目标的情况；若设置的e半径较小，则可能出现将一个静止目标分裂为多个目标的情况。针对此，本实施例中在对目标实现准确的静、动分类后，再次对分类后的运动目标和/或静止目标进行聚类处理，以实现对目标的准确分类，避免了将多个运动目标当作一个运动目标或将一个静止目标分裂为多个静止目标的情况发生。具体可参见步骤s214和s215。
s214、根据相同类别的全部目标所包括的每个散射点在车身坐标系下的位置坐标，计算散射点之间的距离关系。
通过执行上述步骤已经完成了对目标状态类别的分类，确定了状态类别为静止的目标和状态类别为运动的目标。
本步骤中根据状态类别相同的全部目标所包括的每个散射点在车身坐标系下的位置坐标，计算散射点之间的距离关系。
s215、利用dbscan算法，将散射点之间的距离关系满足密度可达且满足e半径横向尺寸需求、e半径纵向尺寸需求的散射点聚类为一个目标，直至完成对相同类别的全部目标所包括的所有散射点的重新聚类，得到二次聚类的目标；其中，目标的状态类别不同需要满足的e半径横向尺寸需求以及e半径纵向尺寸需求不同。
考虑到静止目标的散射点分布与运动目标的散射点分布是不同的，在利用dbscan算法对目标聚类时，定义e半径时不仅需要输入半径e，而且额外增加了e半径横向尺寸ex和e半径纵向尺寸ey。
其中，针对聚类处理的对象是静止目标还是运动目标，设置的ex和ey是不同的。具体地，静止目标的散射点分布特点是在y轴方向分布稀疏、在x轴方向分布密集，因此聚类时设置较大的ey和较小的ex；运动目标的散射点分布特点是在x轴方向以及y轴方向分布都比较密集，因此聚类时设置较小的ex和ey。在实际应用中，设置的ex和ey为车载毫米波雷达距离分辨率的量级。
满足e半径横向尺寸需求、e半径纵向尺寸需求指的是同时满足以下三个条件：
δx＝|xi-xj|≤ex；
δy＝|yi-yj|≤ey；
其中，xj为第j散射点的车身坐标系下x轴坐标，xi第i散射点的车身坐标系下x轴坐标；yj为第j散射点的车身坐标系下y轴坐标，yi第i散射点的车身坐标系下y轴坐标。
利用改进的dbscan算法再次对目标的散射点聚类处理后，图5所示的簇2中分别属于车辆1和车辆2的散射点将聚类为两个不同的运动目标，而不会将簇2误认为是一个运动目标。
本实施例中针对运动状态为运动的目标和运动状态为静止的目标，使用不同的e半径横向尺寸和e半径纵向尺寸进行聚类，提高了聚类结果的准确性，避免了将多个运动目标误认为是一个运动目标或者将一个静止目标误认为是多个静止目标的情况产生。
参见图7所示，为本实施例中对多部车载毫米波雷达检测到的目标的散射点进行分类后的效果图。
图7左图表示的是对多部车载毫米波雷达检测到的目标的散射点位置信息进行坐标变换后得到的在车身坐标系下的位置坐标图；图7右图表示的是对散射点位置信息进行动、静分类并对静止目标、运动目标分别进行聚类处理后的效果图。其中，位于横坐标0位置处的矩形为设置有雷达的车辆，比设置有雷达的车辆所示的矩形面积大的三个矩形为静止目标，另外一个面积最小的矩形为运动目标。图7中横轴和纵轴的单位为m。
另外，图4所示实施例整体上是在车载毫米波雷达的数量为至少两个，分设在车辆周围的不同位置上进行说明的。在实际应用中，如车载毫米波雷达的数目为一个，无需进行坐标变换。此时，将步骤s207、s212和s214中的车身坐标系更换为雷达坐标系即可。
从上述技术方案可知，本实施例中考虑到近距应用场景下雷达实际检测到的散射点的径向速度与车速相差较大的情况，如位于行驶车辆侧方的静止目标，静止目标相对车载毫米波雷达的径向速度为0，径向速度与车辆自身行驶速度差距极大，容易将静止目标误判断为运动目标，采用比较散射点的静止径向速度以及雷达实际检测到的散射点的径向速度确定散射点的运动状态代替直接将雷达实际检测到的散射点的径向速度与车速比较确定散射点的运动状态的方案，避免了将原本静止的目标误判断为运动目标的问题产生，实现了准确地对目标分类的目的。
同时，本实施例中初步对目标分类后，还基于目标尺寸执行第二次目标分类操作，进一步提高了分类准确性。且，对分类后的静止目标以及运动目标采用改进的dbscan算法进行聚类处理，实现了将雷达获取到的散射点准确地聚类为静止目标或者运动目标，避免了将属于两个目标的散射点聚类为一个目标或者将一个目标的散射点分裂为多个目标的问题产生。
对应上述实施例公开的目标分类方法，本实施例公开了一种目标分类装置，该目标分类装置结构示意图请参阅图8所示，本实施例中目标分类装置包括：
第一获取单元801、第一计算单元802、第一判断单元803、第一确定单元804、聚类单元805和第二确定单元806；
第一获取单元801，用于获取车载毫米波雷达所探测到散射点的散射点信息，每个所述散射点信息包括散射点位置以及散射点径向速度；
第一计算单元802，用于针对所探测到的每个散射点，根据与之对应的所述车载毫米波雷达的安装角度和所述散射点位置，以及车速计算该散射点的静止径向速度；所述静止径向速度为将该散射点虚拟为静止散射点时，该散射点相对与之对应的所述车载毫米波雷达的径向速度；
第一判断单元803，用于针对所探测到的每个散射点，判断所述静止径向速度与所述散射点径向速度之差的绝对值是否小于速度阈值；
第一确定单元804，用于针对所探测到的每个散射点，如果所述静止径向速度与所述散射点径向速度之差的绝对值小于速度阈值，则确定该散射点的运动状态为静止；否则，确定该散射点的运动状态为运动；
聚类单元805，用于根据所有所述散射点位置对探测到的所有散射点进行聚类，得到聚类出的目标；
第二确定单元806，用于针对聚类出的每个目标，确定该目标内运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值是否大于等于预设比值；若该目标内运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值大于等于预设比值，则确定该目标的状态类别为静止，否则，确定该目标的状态类别为运动。
从上述技术方案可知，本实施例中获取到车载毫米波雷达所探测到散射点的散射点位置以及散射点径向速度后，针对探测到的每个散射点，假设该散射点是静止散射点，根据与之对应的车载毫米波雷达的安装角度和散射点位置，以及车速计算该散射点的静止径向速度，并将静止径向速度与该散射点径向速度比较，若两者之差的绝对值在速度阈值内，则确定该散射点的运动状态为静止，若两者之差的绝对值不在速度阈值内，则确定该散射点的运动状态为运动；然后对探测到的所有散射点进行聚类，得到聚类出的目标，并根据每个目标内运动状态为静止的散射点数量与运动状态为运动的散射点数量之间的比值，确定该目标的状态类别，实现对目标的分类。避免了利用散射点的径向速度与车速比较确定目标运动状态的方案中，由于近距应用场景下车载毫米波雷达检测到的散射点径向速度与车速相差较大，容易造成将运动状态为静止的目标误判断为运动状态为运动的目标的问题产生，实现了准确地对目标分类的目的。
可选地，本实施例中，聚类单元805包括：
坐标变换子单元和聚类子单元；
坐标变换子单元，用于对每个所述散射点位置进行坐标变换，得到所探测到的每个散射点在车身坐标系下的位置坐标；
聚类子单元，用于根据所探测到的每个散射点在车身坐标系下的位置坐标对探测到的所有散射点进行聚类，得到聚类出的目标。
可选地，所述聚类子单元包括：
计算子模块和聚类子模块；
所述计算子模块，用于根据所探测到的每个散射点在车身坐标系下的位置坐标，计算散射点之间的距离关系；
所述聚类子模块，用于利用dbscan算法，将散射点之间的距离关系满足密度可达的散射点聚类为一个目标，直至完成对所有散射点的聚类，得到聚类出的目标。
参见图9所示，可选地，本实施例中目标分类装置还可以包括：
第二计算单元901和修正单元902。
第二计算单元901，用于对每个状态类别为运动的目标，根据该目标内各个散射点在车身坐标系下的位置坐标，计算该目标的横向尺寸和纵向尺寸；
修正单元902，用于对每个状态类别为运动的目标，若该目标的横向尺寸小于等于第一预置尺寸值且该目标的纵向尺寸大于等于第二预置尺寸值，则修正该目标的状态类别为静止。
参见图9所示，可选地，本实施例中目标分类装置还可以包括：
第三计算单元903和二次聚类单元904。
第三计算单元903，用于根据相同类别的全部目标所包括的每个散射点在车身坐标系下的位置坐标，计算散射点之间的距离关系；
二次聚类单元904，用于利用dbscan算法，将散射点之间的距离关系满足密度可达且满足e半径横向尺寸需求、e半径纵向尺寸需求的散射点聚类为一个目标，直至完成对相同类别的全部目标所包括的所有散射点的重新聚类，得到二次聚类的目标；其中，目标的状态类别不同需要满足的e半径横向尺寸需求以及e半径纵向尺寸需求不同。
从上述技术方案可知，本实施例中考虑到近距应用场景下雷达实际检测到的散射点的径向速度与车速相差较大的情况，如位于行驶车辆侧方的静止目标，静止目标相对车载毫米波雷达的径向速度为0，径向速度与车辆自身行驶速度差距极大，容易将静止目标误判断为运动目标，采用比较散射点的静止径向速度以及雷达实际检测到的散射点的径向速度确定散射点的运动状态代替直接将雷达实际检测到的散射点的径向速度与车速比较确定散射点的运动状态的方案，避免了将原本静止的目标误判断为运动目标的问题产生，实现了准确地对目标分类的目的。同时，本实施例中初步对目标分类后，还基于目标尺寸执行第二次目标分类操作，进一步提高了分类准确性。且，对分类后的静止目标以及运动目标采用改进的dbscan算法进行聚类处理，实现了将雷达获取到的散射点准确地聚类为静止目标或者运动目标，避免了将属于两个目标的散射点聚类为一个目标或者将一个目标的散射点分裂为多个目标的问题产生。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的装置而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！