一种用于无人船的毫米波雷达目标点迹凝聚方法与流程

本发明涉及雷达数据处理领域，特别是涉及一种毫米波雷达目标点迹凝聚方法。
背景技术：
：毫米波雷达当前在汽车上的应用较为常见，例如自动驾驶、防撞预警等。由于海面环境复杂，当毫米波雷达应用于无人船时，检测结果中会存在大量无效目标，同时受到目标反射面大小，目标材质、距离以及雷达分辨率等因素的影响，一个被测目标可能会反射多个回波，从而雷达可能会将其识别为多个目标点迹，产生目标点迹分裂问题。现有技术通常是获取雷达返回的目标点迹信息后，以点迹的相对距离和角度等信息为判断条件依次对比，通过选取参考点逐点比较或根据瀑布规则等方法对点迹进行聚类处理，并以目标的质心信息表示该目标。这类方法存在数据量大、过程繁琐、目标表示不够准确、可能将属于同一目标的目标点迹处理为多个目标以及有些方法实施前必须明确目标实际数量等问题。技术实现要素：为了解决现有技术存在的问题，本发明提供了一种用于无人船的毫米波雷达目标点迹凝聚方法。通过阈值滤波法滤除无效目标点迹，按照“属于同一个目标的点迹位置相近、速度相同”这一规律，对目标点迹进行聚类处理，计算目标主要信息，表示出障碍目标的大小范围，完成目标点迹凝聚。本发明所采用的具体技术方案是：从毫米波雷达获取到目标点迹数据信息(包括：相对距离(r)、角度(a)、速度(v)，雷达散射截面(rcs)和位置(x、y)等)后，采用阈值滤波法进行数据预处理，设置r、a、v、rcs阈值，确定信息有效范围，滤除无效目标点迹。按相对距离值由近及远重新排列有效目标点迹，得到一组有序目标点迹数据。根据点迹的r、a、v三个参数计算点迹之间的欧几里得距离(以下简称欧氏距离)，用其度量点迹之间的相似度，并据此对目标点迹进行聚类处理。属于同一目标的点迹均称为该目标的“成员点迹”，根据成员点迹的数据信息，计算相应目标的距离、角度、速度和横向、纵向截面宽度等信息。与现有技术相比，本发明提出的方法更加简便、易于理解和实现，通过数据预处理，降低了数据量，提高了后续数据处理的效率，通过根据点迹的位置信息和速度信息计算点迹间相似度的方式判定点迹是否属于同一目标，简化了目标点迹聚类过程，提高了数据处理的实时性，且获取到了目标的横向、纵向截面宽度，使得有效目标信息更加完整，提高了雷达检测结果的准确性，为后续无人船自主避碰提供良好的数据支撑。附图说明图1为本发明的方法流程图；图2为图1所示方法中步骤103“目标点迹聚类”具体实现流程图；图3为实施例中数据处理前的目标点迹图；图4为实施例中数据预处理后的目标点迹图；图5为实施例中本发明的总体实施效果图。具体实施方式本发明公开了一种用于无人船的毫米波雷达目标点迹凝聚方法，属于雷达数据处理领域。本发明通过对毫米波雷达返回的目标点迹数据信息进行预处理，然后按照“属于同一个目标的点迹位置相近、速度相同”这一规律，对目标点迹进行聚类处理并计算目标主要信息。本发明降低了数据量，提高了数据处理效率以及雷达检测结果的准确性，为后续无人船自主避碰提供良好的数据支撑。下面通过介绍本发明具体实施步骤，结合实施例和附图做更进一步的具体说明，根据以下说明，本发明的内容、特征、优点和效果等将会变得更加清楚。图1为本发明的方法流程图，具体实施步骤如下：步骤101：从毫米波雷达获取到无人船前方目标点迹数据信息(包括：相对距离(r)、角度(a)、速度(v)，雷达散射截面(rcs)和位置(x、y)等)后，采用阈值滤波法进行数据预处理，设置r、a、v、rcs阈值，确定信息有效范围，滤除无效目标点迹，降低数据量，即当点迹m的r、a、v、rcs值不满足以下公式时，则该点迹将被视为无效目标点迹，从而会被滤除。其中rmin0、amin0、vmin0、rmax0、amax0、vmax0分别为相对距离、角度、速度的最小阈值和最大阈值，具体数值根据所用毫米波雷达的性能指标去设置；rcs0为雷达散射截面最小阈值，具体数值应针对具体应用场景通过实验分析设定。步骤102：将预处理后所得有效目标点迹按相对距离值由近及远进行重排列。步骤103：目标点迹的聚类，方法流程如图2所示。该步骤按照“属于同一个目标的点迹位置相近、速度相同”这一规律，计算点迹之间的欧氏距离，用其度量点迹之间的相似度，并据此对目标点迹进行聚类处理，具体实现过程如下：步骤103.1：获取预处理及重排列后的目标点迹数据，建立目标点迹集dataset，用dataset[k]表示目标点迹k，dataset[k]＝{rk，ak，vk，xk，yk}，k初始值为0。步骤103.2：建立空的目标集objset，用objset[n][p]表示n的成员点迹p，objset[n][p]＝{rp，ap，vp，xp，yp}，n、p初始值均为0。步骤103.3：将目标点迹k的信息赋值给目标n的成员点迹p。步骤103.4：将k值加1(下一目标点迹)，计算目标点迹k与目标n成员点迹p的欧氏距离，公式如下：其中s为两点迹间的欧氏距离；(x,y)和v分别为点迹的位置和速度信息。步骤103.5：以欧氏距离s来度量两点迹间的相似度，判断s是否小于欧氏距离最大阈值s0，若否，则转到步骤103.6，继续进行判定；若是，则认为目标点迹k属于目标n，转到步骤103.8。其中，由于本发明主要应用对象为无人船，考虑安全性，s0具体数值应根据无人船的宽度以及避碰安全距离等因素进行设置。步骤103.6：判断是否遍历目标n的所有成员点迹，若否，则令p值加1，返回步骤103.4，判断目标点迹k与目标n下一成员点迹的关系；若是，则转到步骤103.7。步骤103.7：判断是否遍历所有目标，若否，则令n值加1(下一目标)，p置0，返回步骤103.4；若是，则令n值加1(新目标)，p置0，返回步骤103.3。步骤103.8：令p值加1，将目标点迹k赋值给目标n的成员点迹p，即：认为目标点迹k是属于目标n的一个成员点迹。步骤103.9：判断是否遍历所有目标点迹，若否，则令k值加1(下一目标点迹)，返回步骤103.4；若是，则对当前帧数据的目标点迹聚类处理结束。步骤104：目标点迹聚类完成后，根据各个有效障碍目标包含的所有成员点迹信息，计算目标的各参数信息，具体如下：xn＝xmin(3)yn＝ymin(4)xwidthn＝xmax-xmin(5)ywidthn＝ymax-ymin(6)rn＝rmin(7)vn＝vmax(9)本发明根据目标包含的所有成员点迹信息，通过计算得到一个矩形区域来表示出障碍目标的大小范围。上述公式中(xn,yn)表示目标n的左下角位置；xwidthn和ywidthn分别表示目标n的横向、纵向截面宽度，考虑安全性，设置最小目标宽度值width0，若其值小于width0，则令其等于width0；rn，an和vn则表示目标n的距离，角度和速度；xmin、ymin、xmax、ymax分别代表目标n所包含所有成员点迹的横、纵向距离最小值和最大值；rmin、amin、amax、vmax分别为目标n所包含成员点迹的距离最小值、角度最小值、角度最大值和速度最大值。下面结合具体实施例对本发明的实施过程进行演示。步骤1：从毫米波雷达获取目标点迹的数据信息并进行预处理。步骤1.1：上述具体实施步骤中涉及的距离、角度、速度的最小阈值和最大阈值，雷达散射截面最小阈值，欧氏距离最大阈值以及最小目标宽度值分别设置为：rmin0＝0，rmax0＝100，amin0＝-60，amax0＝60，vmin0＝-40，vmax0＝25，rcs0＝-10，s0＝5，width0＝3。步骤1.2：从毫米波雷达获取目标点迹(共12个)的数据信息(包括：相对距离(r)、角度(a)、速度(v)，雷达散射截面(rcs)和位置(x、y)等)，并生成目标点迹图，如图3所示，由于雷达探测过程中会受到干扰，图中所示的目标点迹包括有效目标点迹和无效目标点迹，这些目标点迹的数据信息如下表所示：表1.数据处理前目标点迹的数据信息表kravrcsxy016.47-5.23-0.756.5-1.516.41180.32-150.118221.828.17-0.755.53.121.6324.319.23-1-7.53.924442.24-6.120-4-4.542544.5110.220-57.943.8645.49-6.44-0.5-4-5.145.2727.21-1.47-0.75-17.5-0.727.2829.83-20.19-0.5-24.5-10.328930.55-60.206-26.515.21050-17.82-0.75-17-15.347.61178.132.43-1-3.54.578步骤1.3：进行数据预处理，通过阈值滤波法滤除无效目标点迹。依次判断“目标点迹0”至“目标点迹11”的r、a、v、rcs值是否满足以下公式：若满足，则该目标点迹被保留；若不满足，则该目标点迹被滤除。数据预处理后的目标点迹图如图4所示。步骤2：将数据预处理后的目标点迹按照与雷达的相对距离r值由近及远进行重排列，所得目标点迹的数据信息如下表所示：表2.数据处理后目标点迹的数据信息表kravxy016.47-5.23-0.75-1.516.41180.32-10.118221.828.17-0.753.121.6324.319.23-13.924442.24-6.120-4.542544.5110.2207.943.8645.49-6.44-0.5-5.145.2步骤3：实现目标点迹聚类，具体过程如下：步骤3.1：建立目标点迹集dataset与空的目标集objset。其中：dataset＝{{16.47，-5.23，-0.75，-1.5，16.4}，{18，0.32，-1，0.1，18}，{21.82，8.17，-0.75，3.1，21.6}，{24.31，9.23，-1，3.9，24}，{42.24，-6.12，0，-4.5，42}，{44.51，10.22，0，7.9，43.8}，{45.49，-6.44，-0.5，-5.1，45.2}}。用dataset[k]＝{rk，ak，vk，xk，yk}表示目标点迹k，用objset[n][p]＝{rp，ap，vp，xp，yp}表示n的成员点迹p，设k，n、p初始值均为0。步骤3.2：将目标点迹0的信息赋值给目标0的成员点迹0，即：objset[0][0]＝dataset[0]＝{16.47，-5.23，-0.75，-1.5，16.4}。步骤3.3：以欧氏距离度量点迹之间的相似度，据此对目标点迹进行聚类处理。步骤3.3.1：令k＝k+1＝1，dataset[1]＝{18，0.32，-1，0.1，18}，计算dataset[1]与objset[0][0]的欧氏距离：由于s<5，故认为dataset[1]与objset[0][0]属于同一目标，即dataset[1]是objset[0]的一个成员点迹；令p＝p+1＝1，objset[0][1]＝dataset[1]＝{18，0.32，-1，0.1，18}。步骤3.3.2：令k＝k+1＝2，p＝0，dataset[2]＝{21.82，8.17，-0.75，3.1，21.6}，计算dataset[2]与objset[0][0]的欧氏距离：由于s>5，则令p＝p+1＝1，计算dataset[2]与objset[0][1]的欧氏距离：由于s<5，故认为dataset[2]与objset[0][1]属于同一目标，即dataset[2]是objset[0]的一个成员点迹；令p＝p+1＝2，objset[0][2]＝dataset[2]＝{21.82，8.17，-0.75，3.1，21.6}。步骤3.3.3：令k＝k+1＝3，p＝0，dataset[3]＝{24.31，9.23，-1，3.9，24}，计算dataset[3]与objset[0][0]的欧氏距离：由于s>5，则令p＝p+1＝1，计算dataset[3]与objset[0][1]的欧氏距离：由于s>5，则令p＝p+1＝2，计算dataset[3]与objset[0][2]的欧氏距离：由于s<5，故认为dataset[3]与objset[0][2]属于同一目标，即dataset[3]是objset[0]的一个成员点迹；令p＝p+1＝3，objset[0][3]＝dataset[3]＝{24.31，9.23，-1，3.9，24}。步骤3.3.4：令k＝k+1＝4，p＝0，dataset[4]＝{42.24，-6.12，0，-4.5，42}，通过计算得知dataset[4]与objset[0][0]至objset[0][3]的欧氏距离均大于5，此时已遍历objset[0]的所有成员点迹，那么dataset[4]不属于objset[0]，且此时已遍历所有目标，说明dataset[4]是属于新目标的成员点迹，即：令n＝n+1＝1，p＝0，objset[1][0]＝dataset[4]＝{42.24，-6.12，0，-4.5，42}。步骤3.3.5：令k＝k+1＝5，n＝0，dataset[5]＝{44.51，10.22，0，7.9，43.8}，通过计算得知dataset[5]与objset[0][0]至objset[0][3]的欧氏距离均大于5，此时已遍历完objset[0]的所有成员点迹，那么dataset[5]不属于objset[0]，令n＝n+1＝1，p＝0，计算dataset[5]与objset[1][0]的欧氏距离：由于s>5，此时已遍历objset[1]的所有成员点迹，那么dataset[5]不属于objset[1]，且此时已遍历所有目标，说明dataset[5]是属于新目标的成员点迹，即：令n＝n+1＝2，p＝0，objset[2][0]＝dataset[5]＝{44.51，10.22，0，7.9，43.8}。步骤3.3.6：令k＝k+1＝6，n＝0，dataset[6]＝{45.49，-6.44，-0.5，-5.1，45.2}，通过计算得知dataset[6]与objset[0][0]至objset[0][3]的欧氏距离均大于5，此时已遍历objset[0]的所有成员点迹，那么dataset[6]不属于objset[0]，令n＝n+1＝1，p＝0，计算dataset[6]与objset[1][0]的欧氏距离：由于s<5，故认为dataset[6]与objset[1][0]属于同一目标，即dataset[6]是objset[1]的一个成员点迹；令p＝p+1＝1，objset[1][1]＝dataset[6]＝{45.49，-6.44，-0.5，-5.1，45.2}。步骤3.4：此时已遍历所有目标点迹，目标点迹聚类处理结束，聚类结果如下：objset[0]＝{{16.47，-5.23，-0.75，-1.5，16.4}，{18，0.32，-1，0.1，18}，{21.82，8.17，-0.75，3.1，21.6}，{24.31，9.23，-1，3.9，24}}；objset[1]＝{{42.24，-6.12，0，-4.5，42}，{45.49，-6.44，-0.5，-5.1，45.2}}；objset[2]＝{16.47，-5.23，-0.75，-1.5，16.4}。步骤4：目标点迹聚类完成后，根据各个有效障碍目标包含的所有成员点迹信息，根据公式计算目标的各参数信息，结果如下表所示：表3.计算所得的目标数据信息表nravxyxwidthywidth016.477.23-1-1.516.45.47.6142.246.28-0.5-5.1420.63.2244.5110.2207.943.800根据上述所得信息，可以通过目标n的左下角位置(xn,yn)和横向、纵向截面宽度xwidthn、ywidthn所表示的一个矩形区域，来表示出障碍目标的大小范围。图5为按照本发明进行数据处理后的效果图。通过对比可以看出本发明有效的去除了大量无效目标点迹，成功将属于同一目标的目标点迹聚类，并以矩形的方式来表示出障碍目标的大小范围。通过上述过程可知，本发明提供的一种用于无人船的毫米波雷达目标点迹凝聚方法能够从雷达获取无人船前方目标点迹数据后，通过预处理去除无效目标点迹，通过计算点迹间相似度，对目标点迹进行聚类处理，计算目标各参数信息，以矩形区域表示出障碍目标的大小范围，降低了数据量，提高了数据处理效率以及雷达检测结果的准确性，为后续无人船自主避碰提供良好的数据支撑。当前第1页12