一种基于微波雷达回波信号的智能车道划分方法及装置制造方法及图纸

本发明专利技术提供了一种基于微波雷达回波信号的智能车道划分方法及装置，涉及智能交通技术领域。方法包括：根据雷达系统采集的数据确定车辆目标样本点数据，其包括用于表示雷达系统与车辆目标距离的第一样本点坐标集、第一样本点坐标集中各样本点的幅度值以及第一样本点坐标集的能量分布数据；根据第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集；采用基于样本密度特征的动态半径提取方法对第二样本点坐标集进行处理，从第二样本点坐标集中提取有效样本点；采用基于核的相似性的动态聚类算法对有效样本点进行聚类，生成聚类结果，并确定车道中心线。

A method and device for intelligent Lane division based on microwave radar echo signal

The invention provides an intelligent Lane dividing method and device based on the microwave radar echo signal, which relates to the field of intelligent traffic technology. The method includes: according to the sample data to determine the target vehicle radar data acquisition system, which includes representation for radar system and vehicle target distance coordinates of the first set of sample points and coordinates of the first sample points each sample point amplitude and value distribution data coordinates of the first set of sample points; according to the energy distribution data of coordinates of the first sample set the threshold processing method, based on statistical features, select from the coordinates of the first magnitude sample value is greater than a dynamic threshold coordinates of second sample points set; the dynamic radius of sample density feature extraction method based on the coordinates of the second sample points set for processing, extraction of effective samples from the coordinates of the second sample points by the dynamic concentration; clustering algorithm based on kernel similarity on effective samples clustering, generate the clustering results, and determine the center lane Line\u3002

【技术实现步骤摘要】
一种基于微波雷达回波信号的智能车道划分方法及装置
本专利技术涉及智能交通
，尤其涉及一种基于微波雷达回波信号的智能车道划分方法及装置。
技术介绍
当前，在智能交通系统中，车道检测是一个长期的研究热点。车道检测包括车道线的检测、道路边界的检测以及车辆可通行区域的检测等。目前，基于视觉的检测技术由于摄像机获取信息量大、成本低等优势应用最为广泛。但摄像机拍摄的图片极易受到光照和天气等外部环境的影响，对环境条件要求较为苛刻，造成基于视觉的检测技术的结果不准确。近年来，随着雷达探测技术的发展，且由于雷达不受光照和恶劣天气等环境因素影响，具有探测范围广，测距精度高等优点，因此研究人员开始采用雷达来代替或者辅助摄像机来进行车道检测。目前，现有技术中有利用雷达数据并采用一种双阈值的方法来提取道路边界点的方法，但该方法需要预先确定两个阈值，缺乏自适应性；另外现有技术还有将雷达获取的数据点分成若干个区域，计算该区域的随机密度来检测车道边界，方法简单，但需要计算每个区域的协方差矩阵，计算量较大；另外，现有技术还有采用阈值分割和综合概率数据关联滤波器(IntegratedProbabilisticDataAssociationFilter，简称IPDAF)算法来检测和跟踪道路边沿；还有采用改进的迭代自组织数据分析(IterativeSelfOrganizingDataAnalysis，简称ISODATA)算法对雷达数据进行聚类，虽然ISODATA算法具有一定的自组织性和启发性，但还是需要给出先验的最小样本数目和长度约束。可见，当前的雷达数据的应用还较为不便。特别是对于多目标雷达来说，除了车道检测之外，还需要对车道进行划分，即判断出车辆归属于哪个车道。如图1(a)和图1(b)所示，两幅图像是由雷达捕获到车辆并触发相机进行抓拍得到的，图1(a)和图1(b)间接表明了雷达的安装方位，通常抓拍照片中会同时出现多辆汽车，我们需要在雷达算法中检测出车道并给出当前抓拍车辆的车道号，这样才能判断出抓拍照片的信息来自于哪一辆车。多目标雷达用于卡口测速时一般有两种安装方式：正装和侧装。图1(a)所示的就是安装在道路上方的横杆上或者天桥上的正装雷达，此时通过测量车道的实际宽度并设置固定阈值可以大致判断出车辆所在车道，但对安装位置的准确性要求较高。另外，在某些应用场景中，雷达只能侧装在路边的高杆上，如图1(b)所示。在这种情况下，需要人工测量出雷达的摆角以及雷达到车道中心的距离等信息，然后才能进行车道划分，实际操作起来较为不便。可见，当前缺少一种准确且简便的智能车道划分方法。
技术实现思路
本专利技术的实施例提供一种基于微波雷达回波信号的智能车道划分方法及装置，以解决当前的车道检测与划分方法中，需要对雷达安装位置要求较高，且需要人工测量出雷达的摆角以及雷达到车道中心的距离等信息，使得车道检测与划分过程较为繁琐和不便的问题。为达到上述目的，本专利技术采用如下技术方案：一种基于微波雷达回波信号的智能车道划分方法，包括：根据雷达系统采集的数据确定车辆目标样本点数据；所述车辆目标样本点数据包括用于表示雷达系统与车辆目标距离的第一样本点坐标集、第一样本点坐标集中各样本点的幅度值以及第一样本点坐标集的能量分布数据；根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集；采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点；采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果；根据聚类结果中的每类的聚类中心和特征向量确定每个聚类对应的车道中心线。具体的，所述根据雷达系统采集的数据确定车辆目标样本点数据，包括：根据微波雷达采集的车辆数据求出微波雷达到车辆目标的距离R和微波雷达的天线法线与车辆目标的夹角θ，形成各样本点的极坐标距离数据(R，θ)；其中，c为光速；为同一接收天线两个不同发射频率f1和f2的相位差；λ波为雷达发射电磁波的波长；为两个接收天线的同一发射频率的相位差；d为雷达的两个接收天线之间的距离；将各样本点的极坐标距离数据(R，θ)转换为直角坐标数据(x，y)，形成所述第一样本点坐标集；将微波雷达采集的车辆数据进行傅里叶变换，得到第一样本点坐标集中各样本点的幅度值z；将各样本点的幅度值z从小到大进行排序，形成第一样本点坐标集的能量分布数据q(z)。具体的，根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集，包括：在区间(0，1)之间遍历第一样本点坐标集的能量分布数据q(z)的上分位数α；其中，其中，I{zi>zα}＝1，I{zi≤zα}＝0；所述上分位数α表示能量高于zα的样本点的百分比，0<α<1；zα表示第一样本点坐标集的能量分布数据q(z)在上分位数α所表示的百分比处的幅度值；Nq表示第一样本点坐标集的样本总数；根据每个遍历到的上分位数α，将第一样本点坐标集的能量分布数据q(z)分为两部分样本点；所述两部分样本点为幅度值大于zα的α·Nq个样本点和幅度值小于等于zα的(1-α)Nq个样本点；分别确定所述两部分样本点的幅度值的均值λ1和λ2；根据所述两部分样本点的幅度值的均值λ1和λ2确定两部分样本点的方差；所述两部分样本点的方差为δ2(α)＝α(λ1-λ均)2+(1-α)(λ2-λ均)2＝α(1-α)(λ1-λ2)2；其中，λ均为第一样本点坐标集的样本点的总体幅度值的均值，λ均＝αλ1+(1-α)λ2；在所述两部分样本点的方差最大时，确定遍历到的目标上分位数α′，并将第一样本点坐标集的能量分布数据q(z)中的第个样本点对应的幅度值作为所述动态阈值；从所述第一样本点坐标集中选取幅度值大于所述动态阈值的第二样本点坐标集。具体的，所述采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点，包括：确定所述第二样本点坐标集各样本点的局部密度ρi；ρi表示第二样本点坐标集中第i个样本点的局部密度，其中dij表示第二样本点坐标集中第i个样本点与第二样本点坐标集中第j个样本点的距离；dc为预先设置的截断距离；确定第二样本点坐标集中第i个样本点的局部密度ρi达到预先设置的密度阈值N密的最小半径τi；其中，将第二样本点坐标集的所有样本点的最小半径τi求平均得半径阈值在所述最小半径τi小于半径阈值时，将所述第二样本点坐标集中第i个样本点提取为有效样本点。具体的，所述采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果，包括：步骤1、将所述有效样本点初始化分为k类；所述k类用于表示所述雷达系统所监测的车道数目；步骤2、随机初始化每一类有效样本点的核Kj；步骤3、确定每个有效样本点到每一类有效样本点的核Kj的距离；其中，所述核为Kj(x(i),Uj)＝UjTx(i)，每个有效样本点到每一类有效样本点的核Kj的距离为其中x(i)表示第i个有效样本点；μj表示第j类有效样本点的均值向量；Uj表示第j类有效样本点内离散度矩本文档来自技高网...

【技术保护点】
一种基于微波雷达回波信号的智能车道划分方法，其特征在于，包括：根据雷达系统采集的数据确定车辆目标样本点数据；所述车辆目标样本点数据包括用于表示雷达系统与车辆目标距离的第一样本点坐标集、第一样本点坐标集中各样本点的幅度值以及第一样本点坐标集的能量分布数据；根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集；采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点；采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果；根据聚类结果中的每类的聚类中心和特征向量确定每个聚类对应的车道中心线。

【技术特征摘要】
1.一种基于微波雷达回波信号的智能车道划分方法，其特征在于，包括：根据雷达系统采集的数据确定车辆目标样本点数据；所述车辆目标样本点数据包括用于表示雷达系统与车辆目标距离的第一样本点坐标集、第一样本点坐标集中各样本点的幅度值以及第一样本点坐标集的能量分布数据；根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集；采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点；采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果；根据聚类结果中的每类的聚类中心和特征向量确定每个聚类对应的车道中心线。2.根据权利要求1所述的基于微波雷达回波信号的智能车道划分方法，其特征在于，所述根据雷达系统采集的数据确定车辆目标样本点数据，包括：根据微波雷达采集的车辆数据求出微波雷达到车辆目标的距离R和微波雷达的天线法线与车辆目标的夹角θ，形成各样本点的极坐标距离数据(R，θ)；其中，c为光速；为同一接收天线两个不同发射频率f1和f2的相位差；λ波为雷达发射电磁波的波长；为两个接收天线的同一发射频率的相位差；d为雷达的两个接收天线之间的距离；将各样本点的极坐标距离数据(R，θ)转换为直角坐标数据(x，y)，形成所述第一样本点坐标集；将微波雷达采集的车辆数据进行傅里叶变换，得到第一样本点坐标集中各样本点的幅度值z；将各样本点的幅度值z从小到大进行排序，形成第一样本点坐标集的能量分布数据q(z)。3.根据权利要求2所述的基于微波雷达回波信号的智能车道划分方法，其特征在于，根据所述第一样本点坐标集的能量分布数据，采用基于统计特征的阈值处理方法，从所述第一样本点坐标集中选取幅度值大于一动态阈值的第二样本点坐标集，包括：在区间(0，1)之间遍历第一样本点坐标集的能量分布数据q(z)的上分位数α；其中，其中，I{zi>zα}＝1，I{zi≤zα}＝0；所述上分位数α表示能量高于zα的样本点的百分比，0<α<1；zα表示第一样本点坐标集的能量分布数据q(z)在上分位数α所表示的百分比处的幅度值；Nq表示第一样本点坐标集的样本总数；根据每个遍历到的上分位数α，将第一样本点坐标集的能量分布数据q(z)分为两部分样本点；所述两部分样本点为幅度值大于zα的α·Nq个样本点和幅度值小于等于zα的(1-α)Nq个样本点；分别确定所述两部分样本点的幅度值的均值λ1和λ2；根据所述两部分样本点的幅度值的均值λ1和λ2确定两部分样本点的方差；所述两部分样本点的方差为δ2(α)＝α(λ1-λ均)2+(1-α)(λ2-λ均)2＝α(1-α)(λ1-λ2)2；其中，λ均为第一样本点坐标集的样本点的总体幅度值的均值，λ均＝αλ1+(1-α)λ2；在所述两部分样本点的方差最大时，确定遍历到的目标上分位数α′，并将第一样本点坐标集的能量分布数据q(z)中的第个样本点对应的幅度值作为所述动态阈值；从所述第一样本点坐标集中选取幅度值大于所述动态阈值的第二样本点坐标集。4.根据权利要求3所述的基于微波雷达回波信号的智能车道划分方法，其特征在于，所述采用基于样本密度特征的动态半径提取方法对所述第二样本点坐标集进行处理，从所述第二样本点坐标集中提取有效样本点，包括：确定所述第二样本点坐标集各样本点的局部密度ρi；ρi表示第二样本点坐标集中第i个样本点的局部密度，其中dij表示第二样本点坐标集中第i个样本点与第二样本点坐标集中第j个样本点的距离；dc为预先设置的截断距离；确定第二样本点坐标集中第i个样本点的局部密度ρi达到预先设置的密度阈值N密的最小半径τi；其中，将第二样本点坐标集的所有样本点的最小半径τi求平均得半径阈值在所述最小半径τi小于半径阈值时，将所述第二样本点坐标集中第i个样本点提取为有效样本点。5.根据权利要求4所述的基于微波雷达回波信号的智能车道划分方法，其特征在于，所述采用基于核的相似性的动态聚类算法对所述有效样本点进行聚类，生成聚类结果，包括：步骤1、将所述有效样本点初始化分为k类；所述k类用于表示所述雷达系统所监测的车道数目；步骤2、随机初始化每一类有效样本点的核Kj；步骤3、确定每个有效样本点到每一类有效样本点的核Kj的距离；其中，所述核为Kj(x(i),Uj)＝UjTx(i)，每个有效样本点到每一类有效样本点的核Kj的距离为其中x(i)表示第i个有效样本点；μj表示第j类有效样本点的均值向量；Uj表示第j类有效样本点内离散度矩阵Sj的最大特征值所对应的特征向量；其中，步骤4、将每个有效样本点聚类到该样本点与每一类核Kj的距离最小值对应的类中；步骤5、对进行聚类后形成的类，根据更新所述Sj和Uj；在步骤5之后返回执行步骤3至步骤5，直至根据公式：确定失真函数Jc,μ的值不变或变化量小于预设变化阈值为止，将每一类最终收敛的聚类中心以及特征向量作为所述聚类...

【专利技术属性】
技术研发人员：曹林，修超，王东峰，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京,11