本发明涉及毫米波雷达信号处理，具体涉及一种基于毫米波雷达的密集目标点云聚类方法。
背景技术：
1、人员监管是现有多个场景中不可缺少的应用，如机场、商场、连锁店、车站、博物馆、会议室、楼道进出口等场合，人员发现清点和数据估计在安全管理，提高整体服务水平等方面起重要作用。但是常用的监控设备和定位方法或多或少受到定位设备，监测环境，人员隐私，成本花销等主观与客观因素的影响，使得这些解决方案或多或少存在某些弊端，不能方便有效的应用于不同的环境中，因此急需一个更优的传感器解决方案来弥补传统传感技术存在的缺陷。
2、毫米波雷达传感器的利用可以对传统传感技术的这些缺陷进行补足，具有广阔的应用前景。毫米波雷达应用于室内人员检测与跟踪是近几年新兴的技术，在复杂环境下基于毫米波雷达进行人员检测的相关技术尚未成熟，需要考虑到对多目标密集情况下的点云聚类划分、墙体反射带来的扰动噪声和狭窄空间中跟踪目标之间存在的与雷达直线距离上的遮挡导致的量测信息丢失等复杂情况下的信号处理难题。
3、通过毫米波雷达获取的是动态目标的径向信息，存在角分辨率低，点云数据输出稀疏，均匀性差等缺点，同时存在杂波、虚假目标和噪声影响。为了方便对量测信息处理，需要对雷达点云数据进行精确地聚类划分和去除杂波噪声，而目前在针对人员检测的毫米波雷达应用中，没有较好的基于毫米波雷达的点云聚类方法，特别是在多目标密集情况下，毫米波雷达探测的量测数据更为复杂，存在多人点云量测数据密集分布的现象，点云划分的难度更大。常用的聚类算法中，以k-means算法为代表的划分法虽然简单快速，但仍需预先选定k值且对噪声及离群点敏感，无法实时处理雷达数据；以agnes算法为代表的层次法，簇间距离容易定义，不需要预先制定聚类数，但该方法计算复杂度高，实时性不强；基于网格的聚类方法聚类速度快，对高数据量数据处理效果好，但毫米波雷达数据量小、点数稀疏，应用该方法聚类精度不高；以dbscan算法为代表的基于密度的聚类算法对噪声不敏感，能发现任意形状的簇，缺点是对数据均匀性要求较高，数据的稀疏程度影响聚类效果。因此需要根据毫米波雷达的点云数据特性，针对性地研究点云聚类划分方法。
技术实现思路
1、本发明的目的是提供一种基于毫米波雷达的密集目标点云聚类方法，更加适合毫米波雷达的点云数据特性，解决多目标密集情况下的点云划分难题，给之后的信号处理提供更可靠的量测参考信息，为毫米波雷达在目标检测识别和跟踪方面的研究提供重要的参考资料。
2、为实现上述目的，本发明采用的技术方案为：
3、一种基于毫米波雷达的密集目标点云聚类方法，其包括步骤：
4、s100初始化算法相关参数并获取毫米波雷达探测的点云数据；
5、s200将获取的点云数据采用基于dbscan改进的参数自适应聚类算法进行聚类；
6、s300对聚类出来的点云簇进行特征提取，并送入cart决策树中进行目标数归类；
7、s400对于决策树给出的异常点云簇通过k均值聚类算法进行二次聚类。
8、进一步地，步骤s100中，所述毫米波雷达采用fmcw调频连续波雷达，60至64ghz覆盖范围，4ghz可用带宽，射频前端有四个接收通道，三个发射通道，雷达视场分布为水平120°、垂直30°，可以获取探测空间中动态目标的三维点云数据。设置相关参数，包括：探测空间范围大小、密度阈值minpts、k个最近邻点的k值、发散阈值ε0和精度阈值p。通过设置雷达探测区域，可以有效的滤除狭窄环境中墙体、玻璃和门等巨大障碍物体反射所产生的杂波干扰，通过设定合适的密度阈值minpts可以有效地滤除噪点干扰。
9、进一步地，所述步骤s200中具体包括如下步骤：
10、步骤s210、设置dbscan密度聚类算法中邻域半径内点云数目密度阈值minpts范围为4～8，以有效地滤除噪声干扰；
11、步骤s220、对dbscan算法进行改进，将dbscan原算法中的固定参数邻域半径eps进行优化，改进的算法根据k个最近邻点判断目标点i处的密度分布和发散程度来自适应调整邻域半径参数eps,i：
12、eps,i＝eps,knn+eps,ε
13、其中，eps,knn代表目标点i附近空间点的密度分布；eps,ε代表目标点i附近空间点的发散程度。
14、步骤s230、使用改进的dbscan密度聚类算法进行聚类，其聚类原理同dbscan算法，搜索空间中每一个点，使用适合的距离度量来确定邻域内目标个数，如果一个点的邻域范围内目标数超过minpts阀值，则形成一个聚类簇，对应的目标点为核心点。若一个核心点位于另一个核心点的聚类簇中，则认为两点直接密度可达。多个点由直接密度可达串联起来，则点与点之间为密度可达。从一个核心点开始，不断向密度可达的区域生长，最终得到一个包括核心点及其邻域目标的最大化区域，形成最终聚类簇。不满足核心点定义但包含在聚类簇中的目标点被认为是边界点，不满足核心点定义且不包含在聚类簇中的目标点被认为噪声点。除此之外，改进算法在原算法聚类原理上添加一条规则：核心点之间密度可达的同时需要满足对称性，即核心点之间需要相互密度可达才能聚成一类。
15、进一步地，所述步骤220中具体包括如下计算步骤：
16、步骤s221、邻域半径eps的选取需要参考目标点i处空间点的密度分布，基于knn(k-nearestneighbor)算法思想来研究空间点间的拓扑关系，通过计算目标点i与第k个最近邻点的欧式距离si,k代表目标点i处的密度分布eps,knn：
17、
18、其中，xi，yi，zi为目标点i的空间三维信息，xk，yk，zk为目标点i的第k个最近邻点的空间三维信息；
19、步骤s222、需要考虑近邻点数据的相关性来选取最优k值，空间点间不同的密度分布应该被分配不同的k值。通过获取目标点i的k个近邻目标点信息来判断目标点i处的密度分布，并用目标点i相邻的两个近邻点距离差εk,k-1代表近邻点数据的相关性：
20、
21、利用εk,k-1数值的大小来判断相邻点之间的相关性，如果εk,k-1大于发散阈值ε0，则选取目标点i的第k-1个最近邻点距离来作为目标点i处密度分布的计算，即eps,knn＝si,k-1；如果εk,k-1都不大于发散阈值ε0，则eps,knn＝si,k，其中k＝k。
22、针对毫米波雷达的点云数据在径向距离方向上的发散，邻域半径eps的选取还需要参考目标点i处的空间点发散程度，通过近邻点间间隔来反映目标点i处的发散程度：
23、
24、进一步地，所述步骤s300中具体包括如下步骤：
25、步骤s310、对聚类出来的点云簇进行特征提取，其中包括三维空间位置信息特征、轮廓长度与面积信息特征、点云簇中所包含点云个数和点云稀疏程度；
26、步骤s320、针对不同目标的应用，分别采集单目标情况、多目标密集情况下的点云簇作为训练样本数据，其中，参照真实情况下点云簇中包含的实际目标个数来赋予标签，以此构建cart决策树。其中选择基尼系数(giniimpurity)作为构建决策树的指标度量：
27、
28、其中，m为数据簇目标数的m种取值，pm为数据簇目标数取值为m的概率；
29、步骤s330、将点云簇送入决策树中进行目标数归类，如果点云簇的目标数大于1，则为异常点云簇；如果点云簇的目标数为1，则为正常点云簇，结束聚类。
30、进一步地，所述步骤s400中具体包括如下步骤：
31、步骤s410、由决策树给出异常点云簇中的目标数作为k-means聚类算法中的k值入参，并且还需要初始化k个聚类中心{c1,c2,c3,…,ck}。判断附近是否存在邻近的跟踪目标，如果存在则将邻近跟踪目标的位置信息作为初始聚类中心；如果不存在邻近的跟踪目标，则在最大轮廓方向上选取距离差异较大的k个特殊点作为初始聚类中心；
32、步骤s420、使用k-means算法对异常点云簇进行二次聚类。假定通过改进的聚类算法聚类得到异常数据簇的数据子集为x＝{x1,x2,x3,…,xn}，k-means算法的目标是将n个对象依据对象间的相似性聚集到指定的k个类簇中，每个对象属于且仅属于一个其到类簇中心距离最小的类簇中。通过计算每一个对象到每一个聚类中心的欧式距离：
33、
34、上式中，xi表示第i个数据对象，1≤i≤n，cj表示第j个聚类中心，1≤j≤k，xit表示第i个数据对象的第t个维度属性，cjt表示第j个聚类中心的第t个维度属性，1≤t≤m，其中，m为数据对象的维度。对比dis(xi,cj)大小进行归类，把所有数据归好成k个集合后，重新计算每个集合的质心；
35、选用和方差(sum of the squared errors，sse)作为k-means聚类算法迭代的判断指标：
36、
37、其中，wi为数据维度的权值，为数据在该维度的均值。对比k-means算法迭代前后sse的差值，小于精度阈值p时停止迭代。
38、与现有技术相比，本发明的有益效果包括：本发明算法可以通过设置的dbscan密度聚类算法中邻域半径内点云数目密度阈值minpts来有效地滤除噪声干扰；通过设置雷达探测区域，可以有效的滤除狭窄环境中墙体、玻璃和门等巨大障碍物体反射所产生的杂波干扰；通过改进的密度聚类算法可以有效地解决毫米波雷达点云数据均匀性差所导致的聚类难题；通过二次聚类使得聚类效果更加细腻和准确，有效地解决了多目标密集情况下多个目标源的点云数据聚成一类的难题，实现了点云数据精准聚类划分的效果。
1.一种基于毫米波雷达的密集目标点云聚类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤s100具体包括：设置相关参数，包括：探测空间范围大小、密度阈值minpts、k个最近邻点的k值、发散阈值ε0和精度阈值p，通过设置探测空间范围滤除范围边界外的障碍物体反射所产生的杂波噪声；通过设定合适的密度阈值minpts以有效地滤除噪点干扰，设好参数后，在指定探测空间范围内通过毫米波雷达获取目标的三维点云数据。
3.根据权利要求2所述的方法，其特征在于，所述步骤s200具体包括如下步骤：
4.根据权利要求3所述的方法，其特征在于，所述步骤s220具体包括如下计算步骤：
5.根据权利要求4所述的方法，其特征在于，所述步骤s300具体包括如下步骤：
6.根据权利要求5所述的方法，其特征在于，所述步骤s400具体包括如下步骤：
