雷达追踪方法、噪声消除方法、装置和设备与流程

1.本技术涉及信息技术领域，尤其涉及一种雷达追踪方法、噪声消除方法、装置和设备。


背景技术：

2.雷达通过无线信号感知运动物体的距离、速度和方位角等信息并形成点云。常规的雷达追踪算法通过点云的空间信息进行聚类和滤波等操作实现对目标的追踪。但是在距离较远处，雷达的空间测量精度变差，点云容易分散无法进行聚类。
3.应该注意，上面对技术背景的介绍只是为了方便对本技术的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本技术的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。


技术实现要素：

4.为了解决在距离较远处，雷达的空间测量精度变差，点云容易分散无法进行聚类的问题，本技术实施例提供了一种雷达追踪方法、噪声消除方法、装置和设备。
5.根据本技术实施例的第一方面，提供一种雷达追踪方法，所述方法包括：
6.在距离-多普勒平面对通过雷达感知获得的点云进行聚类，得到距离-多普勒点云簇；
7.在空间维或者角度维对所述距离-多普勒点云簇进行二次聚类，得到二次聚类点云簇；
8.根据所述距离-多普勒点云簇及其对应的所述二次聚类点云簇确定追踪目标。
9.根据本技术实施例的第二方面，提供一种噪声消除方法，所述方法包括：
10.统计距离-多普勒平面上的点云噪声信息，所述点云噪声信息包括：噪声统计总次数nn和距离-多普勒平面上每个位置出现噪声点的次数n
r，v
；
11.根据所述点云噪声信息对所述距离-多普勒平面上的点云簇进行分析，判断所述点云簇是否是由噪声引起的点云簇；
12.如果所述点云簇是由噪声引起的点云簇，则消除所述距离-多普勒平面上的所述由噪声引起的点云簇。
13.根据本技术实施例的第三方面，提供一种雷达追踪装置，所述装置包括：
14.第一聚类单元，其在距离-多普勒平面对通过雷达感知获得的点云进行聚类，得到距离-多普勒点云簇；
15.第二聚类单元，其在空间维或者角度维对所述距离-多普勒点云簇进行二次聚类，得到二次聚类点云簇；
16.确定单元，其根据所述距离-多普勒点云簇及其对应的所述二次聚类点云簇确定追踪目标。
17.根据本技术实施例的第四方面，提供一种噪声消除装置，所述装置包括：
18.统计单元，其统计距离-多普勒平面上的点云噪声信息，所述点云噪声信息包括：噪声统计总次数nn和距离-多普勒平面上每个位置出现噪声点的次数n
r，v
；
19.分析单元，其根据所述点云噪声信息对所述距离-多普勒平面上的点云簇进行分析，判断所述点云簇是否是由噪声引起的点云簇；
20.处理单元，其在所述点云簇是由噪声引起的点云簇时，消除所述距离-多普勒平面上的所述由噪声引起的点云簇。
21.根据本技术实施例的又一方面，提供一种计算机设备，其中，所述计算机设备包括处理器和存储器，所述存储器存储计算机程序，所述处理器被配置为执行所述计算机程序而实现前述第一方面或第二方面所述的方法。
22.本技术实施例的有益效果之一在于：根据本技术实施例，一方面，利用两次聚类的策略提高追踪精度，扩展追踪的有效范围，解决了在距离较远处，雷达的空间测量精度变差，点云容易分散无法进行聚类的问题；另一方面，通过消除距离-多普勒平面上的由噪声引起的点云簇，进一步提高了空间测量精度。
23.参照后文的说明和附图，详细公开了本技术的特定实施方式，指明了本技术的原理可以被采用的方式。应该理解，本技术的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本技术的实施方式包括许多改变、修改和等同。
24.针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。
25.应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
26.在本技术实施例的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。此外，在附图中，类似的标号表示几个附图中对应的部件，并可用于指示多于一种实施方式中使用的对应部件。
27.所包括的附图用来提供对本技术实施例的进一步的理解，其构成了说明书的一部分，用于例示本技术的实施方式，并与文字描述一起来阐释本技术的原理。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。在附图中：
28.图1是本技术实施例的雷达追踪方法的一个示例的示意图；
29.图2是距离-多普勒平面的一个示意图；
30.图3是消除距离-多普勒平面上的噪声点云簇的一个示例的示意图；
31.图4是更新距离-多普勒平面上的点云噪声信息的一个示例的示意图；
32.图5是雷达点云在x-y平面的一个示意图；
33.图6是雷达点云在距离-多普勒平面的一个示意图；
34.图7是在空间维对所述距离-多普勒点云簇进行二次聚类的一个示例的示意图；
35.图8是空间位置校正的一个示例的示意图；
36.图9是在角度维对所述距离-多普勒点云簇进行二次聚类的一个示例的示意图；
37.图10是确定追踪目标的一个示例的示意图；
38.图11是本技术实施例的噪声消除方法的一个示例的示意图；
39.图12是本技术实施例的雷达追踪装置的一个示例的示意图；
40.图13是本技术实施例的噪声消除装置的一个示例的示意图；
41.图14是本技术实施例的计算机设备的一个示意图。
具体实施方式
42.参照附图，通过下面的说明书，本技术的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本技术的特定实施方式，其表明了其中可以采用本技术的原则的部分实施方式，应了解的是，本技术不限于所描述的实施方式，相反，本技术包括落入所附权利要求的范围内的全部修改、变型以及等同物。
43.在本技术实施例中，术语“第一”、“第二”等用于对不同元素从称谓上进行区分，但并不表示这些元素的空间排列或时间顺序等，这些元素不应被这些术语所限制。术语“和/或”包括相关联列出的术语的一种或多个中的任何一个和所有组合。术语“包含”、“包括”、“具有”等是指所陈述的特征、元素、元件或组件的存在，但并不排除存在或添加一个或多个其他特征、元素、元件或组件。
44.在本技术实施例中，单数形式“一”、“该”等包括复数形式，应广义地理解为“一种”或“一类”而并不是限定为“一个”的含义；此外术语“所述”应理解为既包括单数形式也包括复数形式，除非上下文另外明确指出。此外术语“根据”应理解为“至少部分根据......”，术语“基于”应理解为“至少部分基于......”，除非上下文另外明确指出。
45.下面结合附图对本技术实施例的各种实施方式进行说明。这些实施方式只是示例性的，不是对本技术实施例的限制。
46.第一方面的实施例
47.本技术实施例提供一种雷达追踪方法。图1是本技术实施例的雷达追踪方法的一个示例的示意图，请参照图1，该方法包括：
48.101：在距离-多普勒平面对通过雷达感知获得的点云进行聚类，得到距离-多普勒点云簇；
49.102：在空间维或者角度维对所述距离-多普勒点云簇进行二次聚类，得到二次聚类点云簇；
50.103：根据所述距离-多普勒点云簇及其对应的所述二次聚类点云簇确定追踪目标。
51.根据本技术实施例的方法，利用两次聚类的策略提高追踪精度，扩展追踪的有效范围，解决了在距离较远处，雷达的空间测量精度变差，点云容易分散无法进行聚类的问题。
52.在本技术实施例中，雷达周期性地向空间发送无线信号，并接收经空间中的物体反射的信号(称为反射信号)；通过对反射信号进行分析，雷达输出点云，点云包含了雷达覆盖范围内物体的空间位置和速度信息。雷达输出的点云(称为雷达点云)用{oi，1≤i≤no}表示，其中oi是第i个点，no为点云中点的个数。
53.其中，雷达点云中的点oi可以用oi＝(ri，vi，xi，yi，zi，αi，βi)表示，ri是点oi的距离频点，vi是点oi的多普勒速度频点，(xi，yi，zi)为点oi的空间坐标，αi和βi分别为点oi的水平
和垂直角度频点。其中，距离频点ri可用于计算点oi到雷达的距离，当雷达的距离分辨率为δr时，点oi到雷达的距离表示为riδr。其中，多普勒速度频点vi用于计算点oi相对雷达的速度，当雷达的速度分辨率为δv时，点oi相对雷达的多普勒速度为viδv。雷达的最大距离频点数和最大多普勒速度频点数分别用nr和nv表示。其中，水平角度频点αi可用于计算点oi相对雷达的水平角度a＝waαi/na，其中，na为水平角度fft的总频点数，wa是与雷达多天线配置相关的参数。此外，与水平角度频点αi类似，通过垂直角度频点βi可以计算点oi相对雷达的垂直角度。
54.在本技术实施例中，在101的一些实施例中，在距离-多普勒平面对点云进行聚类，包括：将上述点云映射到距离-多普勒平面；根据该点云在该距离-多普勒平面上的距离，将上述点云划分为多个点云簇(称为距离-多普勒点云簇)以及未成簇点云(无法形成点云簇的点称为未成簇点云)，每个点云簇中的点的数量大于第一阈值t
n1
，并且，每个点云簇中的每个点到该点云簇的距离小于第二阈值t
d1
。
55.在上述实施例中，距离-多普勒平面是一个二维平面，其横轴为距离频点，纵轴为多普勒速度频点，根据雷达点云中各个点的距离频点和多普勒速度频点，雷达点云可以映射到该距离-多普勒平面上。
56.图2是映射到距离-多普勒平面的雷达点云的一个示例的示意图，其中，区域a的点云中点的数量大且分布集中，其可能是由移动目标引起的；区域b的点云中点的数量少且分布分散，其可能是由噪声引起的。
57.在上述实施例中，聚类的操作在距离-多普勒平面上执行，根据点云在该距离-多普勒平面上的距离，将该点云划分成若干簇，称为距离-多普勒点云簇。在执行完距离-多普勒聚类后，点云中的所有点被划分到若干个距离-多普勒点云簇或未成簇点云。其中，未成簇点云中的点可能是由噪声引起的。
58.在上述实施例中，一个距离-多普勒点云簇由多个在距离-多普勒平面上距离相近的点组成，其中，点的数量大于阈值t
n1
(称为第一阈值)，并且每个点到点云簇的距离小于阈值t
d1
(称为第二阈值)。
59.例如，用c＝{ok，1≤k≤nc}表示距离-多普勒点云簇，其中，nc为该点云簇中的点的个数，ok是属于该点云簇的第k个点，则nc＞t
n1
，点ok到点云簇c的距离d(ok，c)小于阈值于
d1
，即d(ok，c)＜t
d1
。
60.在一些实施例中，每个点云簇中的每个点到该点云簇的距离，是指：该点到该点云簇中所有其他点的距离的最小值。
61.例如，点ok到点云簇c的距离d(ok，c)是指，点ok与点云簇c中其他点的距离的最小值，表示为：其中，d(oj，ok)是指点oj和ok之间在距离-多普勒平面上的距离。
62.在一些实施例中，点云簇中的两个点之间的距离为该两个点的距离频点的差的绝对值和该两个点的多普勒速度频点的差的绝对值的加权和。
63.例如，点云簇c中点oj和ok之间在距离-多普勒平面上的距离d(oj，ok)为点oj和ok的距离频点差的绝对值和多普勒速度频点差的绝对值的加权和，即：
64.d(oj，ok)＝a|r
j-rk|+(1-a)|v
j-vk|
ꢀꢀ
(1)
65.其中，rj和rk分别为点云oj和ok的距离频点，vj和vk分别为点云oj和ok的多普勒速度
频点，a为预设的范围在0～1之间的加权值。
66.以上用于计算点云簇中点与点之间的距离的公式(1)只是举例说明，本技术不限于此，点云簇中点与点之间的距离也可以通过其他常规距离计算方法计算获得，例如欧氏距离算法等。
67.在本技术实施例中，对在距离-多普勒平面进行聚类的具体算法不做限制，例如可以采用dbscan(density-based spatial clustering ofapplications with noise，基于密度的噪声应用空间聚类)或optics(ordering points to identify the clustering structure，通过点排序识别聚类结构)等常用的聚类方法。
68.在一些实施例中，如图1所示，该方法还包括：
69.104：消除所述距离-多普勒点云簇中由噪声引起的点云簇。
70.在一些实施例中，如图1所示，104在101之后执行，也即，在通过101得到距离-多普勒点云簇之后，可以消除该距离-多普勒点云簇中由噪声引起的点云簇。通过消除由噪声引起的点云簇，可以进一步提高雷达追踪的空间测量精度。
71.在一些实施例中，在102之后，也可以增加消除二次聚类点云簇中由噪声引起的点云簇的操作，其具体的操作流程与104类似，下面仅以104为例对消除点云簇中由噪声引起的点云簇的方法进行说明。
72.图3是消除距离-多普勒点云簇中由噪声引起的点云簇的一个示例的示意图，如图3所示，该方法包括：
73.301：统计距离-多普勒平面上的点云噪声信息，所述点云噪声信息包括：噪声统计总次数nn和距离-多普勒平面上每个位置出现噪声点的次数n
r，v
；
74.302：根据所述点云噪声信息对所述距离-多普勒点云簇进行分析，判断所述点云簇是否是由噪声引起的点云簇；
75.303：如果所述点云簇是由噪声引起的点云簇，则消除所述距离-多普勒平面上的所述由噪声引起的点云簇。
76.在本技术实施例中，距离-多普勒平面上点云噪声信息包括噪声统计总次数和该平面上每个位置出现噪声点的次数。在302中，在一些实施例中，判断距离-多普勒点云簇(例如点云簇c)是否为由噪声引起的点云簇(称为噪声点云簇)，可以根据上述点云噪声信息计算该点云簇c为噪声的概率(表示为p(c))；如果该点云簇c为噪声的概率p(c)大于阈值tn(称为第三阈值)，则判定为该点云簇c是噪声点云簇；否则判定为该点云簇c为活动目标。
77.在一些实施例中，距离-多普勒点云簇为噪声点云簇的概率是所有属于该点云簇的各点为噪声的概率的均值。仍以点云簇c为例，则点云簇c为噪声的概率p(c)是该点云簇c中各个点为噪声的概率的均值，表示如下：
[0078][0079]
其中，c是一个距离-多普勒点云簇，ok是点云簇c中的点，nc是点云簇c中点的个数；p(c)是距离-多普勒点云簇c为噪声点云簇的概率；p(ok)是点ok为噪声的概率。
[0080]
在一些实施例中，点云簇c中各个点为噪声的概率是距离-多普勒平面上每个位置出现噪声点的次数与噪声统计总次数的比值。
[0081]
例如，噪声统计总次数用nn表示。距离-多普勒平面上，每个位置(距离频点r和多
普勒频点v的位置)出现噪声点的次数用n
r，v
表示，该位置出现噪声概率用p(r，v)表示，则：
[0082][0083]
在公式(2)中，p(ok)＝p(rk，vk)，其中rk和vk分别为点ok的距离频点和多普勒速度频点。
[0084]
在本技术实施例中，在一些实施例中，如图3所示，该方法还包括：
[0085]
304：更新距离-多普勒平面上的点云噪声信息，包括：将所述噪声统计总次数加1；将所有属于距离-多普勒噪声点云簇中的点和未成簇点云中的点对应的距离-多普勒平面位置处的出现噪声次数加1。
[0086]
图4是更新距离-多普勒平面上点云噪声信息的一个示例的示意图。如图4所示，该方法包括：
[0087]
401：更新噪声统计总次数，噪声统计总次数加1；
[0088]
402～405：更新距离-多普勒平面上各位置的点出现噪声的次数。
[0089]
在图4的示例中，用(r，v)表示距离-多普勒平面上的一个位置的点，其中r为距离频点，v为多普勒速度频点。在403中，确定距离-多普勒噪声点云簇或未成簇点云中是否存在距离频点为r，多普勒频速度点为v的点；如果存在，则执行404的操作，否则不做处理。在404中，更新(r，v)位置出现噪声的次数，该位置的噪声出现次数加1。
[0090]
值得注意的是，以上仅以消除通过101得到的距离-多普勒点云簇中由噪声引起的点云簇为例进行了说明，同样的方法也适用于消除通过102得到的二次聚类点云簇中由噪声引起的点云簇，此处省略说明。
[0091]
此外，进一步值得注意的是，以上仅给出了一种消除由噪声引起的点云簇的方法，本技术不限于此，在本技术实施例中，也可以采用其他可实施的方法来消除由噪声引起的点云簇。此处省略说明。
[0092]
在本技术实施例中，在102中，可以在空间维对上述距离-多普勒点云簇进行二次聚类，也可以在角度维对上述距离-多普勒点云簇进行二次聚类，得到二次聚类点云簇。
[0093]
在本技术实施例中，如果两个运动目标到雷达的距离和速度相同，它们的点云映射到距离-多普勒平面后，距离-多普勒聚类操作无法区分出这两个物体。如图5所示，雷达捕捉到两个运动目标的点云，运动目标a和b到雷达的距离相同，且相对雷达的速度也相同。如图6所示，映射到距离-多普勒平面后，雷达点云混杂在一起，只有一个距离-多普勒点云簇，无法区分出目标a和b。本技术实施例通过上述102对判定为运动目标的距离-多普勒点云簇进行二次聚类，可以利用空间位置信息(空间维)或角度信息(角度维)切分距离-多普勒点云簇中属于不同运动目标的点云。
[0094]
图7是在空间维对所述距离-多普勒点云簇进行二次聚类(简称为空间位置聚类)的一个示例的示意图，如图7所示，该方法包括：
[0095]
701：对每个距离-多普勒点云簇中距离频点大于第四阈值tr的所有点，进行空间位置校正；
[0096]
702：根据校正后的空间位置，对每个距离-多普勒点云簇中的所有点进行空间位置聚类，得到对应每个距离-多普勒点云簇的作为所述二次聚类点云簇的空间点云簇和/或未聚类点云。
[0097]
在本技术实施例中，根据点的空间距离，空间位置聚类能够将属于同一个距离-多普勒点云簇的点划分为若干个子点云簇和1个未成簇点云。在本技术实施例中，将通过空间位置聚类得到的子点云簇称为空间点云簇。
[0098]
在本技术实施例中，空间位置聚类分为两个步骤：首先对需要进行空间位置校正的点的空间位置(即x，y，z)进行校正(701)，由此可以解决雷达在远处测量不准的问题；然后利用校正的点的空间位置执行聚类操作。本技术对聚类的方法不做限制，可采用dbscan或optics等常用的聚类方法。
[0099]
图8是空间位置校正的一个示例的示意图。如图8所示，该方法包括：
[0100]
801：输入点oi＝(ri，vi，xi，yi，zi，αi，βi)，其中，ri是点oi的距离频点，vi是点oi的多普勒速度频点，(xi，yi，zi)是点oi的空间坐标，αi和βi分别为点oi的水平和垂直角度频点；
[0101]
802：判断该点oi的距离频点ri是否大于阈值tr；如果是，则进行后续操作，反之不进行空间位置校正；
[0102]
803：对需要进行空间位置校正的点进行空间位置校正；
[0103]
804：点的空间位置无需校正；
[0104]
805：(x
′
，y
′
，z
′
)为校正后的点的空间坐标。
[0105]
在本技术实施例中，如图8的803所示，给出了两种空间位置校正方法。
[0106]
例如，对距离频点大于第四阈值tr的每个点，使其空间坐标中的x的值保持不变，将其空间坐标中的z的值设为预定值，重新计算其空间坐标中的y的值，表示为：
[0107][0108]
其中，(xi，yi，zi)为所述点的原来的空间坐标，(xi′
，yi′
，zi′
)为所述点的更新后的空间坐标，z
p
为所述预设值，其为运动目标相对雷达的平均高度。
[0109]
再例如，对距离频点大于第四阈值tr的每个点，将其空间坐标中的y的值和z的值分别设为预定值，重新计算其空间坐标中的x的值，表示为：
[0110][0111]
其中，(xi，yi，zi)为所述点的原来的空间坐标，(xi′
，yi′
，zi′
)为所述点的更新后的空间坐标，y
p
和z
p
为预设值，y
p
为监控场景中中心线相对雷达的y轴的平均值，z
p
为运动目标相对雷达的平均高度。
[0112]
以上两种空间位置校正方法只是举例说明，本技术不限于此。
[0113]
在公式(4)和(5)中，空间坐标的z值置为预设值z
p
，该预设值为运动目标相对雷达的平均高度。在公式(4)中，空间坐标的x值保持不变，然后重新计算y值。在公式(5)中，空间坐标的y值被置为预设值y
p
，然后重新计算x值，这种校正方式适用于狭窄的目标跟踪场景(比如走廊)，y轴指向狭窄场景的细长方向，预设值y
p
可以设为监控场景中心线相对雷达的y轴平均值，预设值z
p
为运动目标相对雷达的平均高度。
[0114]
在本技术实施例中，距离-多普勒点云簇中的点进行空间位置校正后，根据校正后的点的空间距离进行聚类，获得多个空间点云簇和未聚类点云。一个空间点云簇由多个在空间中距离相近的点组成，其中，点的数量大于阈值t
n2
(称为第五阈值)，每个点到点云簇的距离小于阈值t
d2
(称为第六阈值)。
[0115]
在一些实施例中，每个空间点云簇中的每个点到该空间点云簇的距离，为所述点到所述空间点云簇中所有其他点的距离的最小值。
[0116]
例如，用d＝{o
l
，1≤l≤nd}表示空间点云簇，其中，nd为该空间点云簇中点的数量，nd＞t
n2
；o
l
是属于该空间点云簇的第l个点，它到该空间点云簇的距离是该点o
l
与该空间点云簇中其他点的距离的最小值，表示为：其中，d(oj，o
l
)是点oj和o
l
之间在空间上的距离。如上所述，点到空间点云簇的距离小于阈值t
d2
，即d(o
l
，c)＜t
d2
。
[0117]
在一些实施例中，空间点云簇中的两个点之间的距离为该两个点的空间坐标的欧氏距离。
[0118]
例如，点oj和o
l
之间的距离为这两个点的空间坐标的欧式距离，即：
[0119][0120]
其中，(x
′j，y
′j，z
′j)和(x
′
l
，y
′
l
，z
′
l
)分别为点oj和o
l
校正后的空间坐标。
[0121]
以上计算空间点云簇中的两个点之间的距离的方法只是举例说明，本技术不限于此，还可以采用其他可实施的方法计算空间点云簇中的两个点之间的距离。
[0122]
图9是在角度维对所述距离-多普勒点云簇进行二次聚类(简称为方位角聚类)的一个示例的示意图，如图9所示，该方法包括：
[0123]
901：对每个距离-多普勒点云簇中的所有点，根据所述所有点的方位角信息进行方位角聚类，得到对应每个距离-多普勒点云簇的作为所述二次聚类点云簇的方位点云簇和/或未聚类点云。
[0124]
在本技术实施例中，根据点的角度频点的距离，方位角聚类能够将属于同一个距离-多普勒点云簇的点划分为若干个子点云簇和1个未成簇点云。在本技术实施例中，将方位角聚类得到的子点云簇称为方位点云簇。
[0125]
在本技术实施例中，一个方位点云簇由多个角度频点的距离相近的点组成，其中，点的数量大于阈值t
n3
(称为第七阈值)，每个点到方位点云簇的距离小于阈值t
d3
(第八阈值)。
[0126]
在一些实施例中，每个方位点云簇中的每个点到该方位点云簇的距离，为该点到该方位点云簇中所有其他点的距离的最小值。
[0127]
例如，用e＝{om，1≤m≤ne}表示方位点云簇，其中，ne为该方位点云簇的点的数量，ne＜t
n3
；om是属于该方位点云簇的第m个点，它到该方位点云簇的距离是该点om与方位点云簇中其他点的距离的最小值，表示为：其中，d(oj，om)点oj和om之间在角度频点的距离。如上所述，点到方位点云簇的距离小于阈值t
d3
，即d(om，e)＜t
d3
。
[0128]
在一些实施例中，方位点云簇中的两个点之间的距离为这两个点的水平角度频点
的差的绝对值和这两个点的垂直角度频点的差的绝对值的加权和。
[0129]
例如，点oj和om的角度频点距离是这两个点的水平角度频点差的绝对值和垂直角度频点差的绝对值的加权和，即：
[0130]
d(oj，om)＝b|α
j-αm|+(1-b)|β
j-βm|
ꢀꢀ
(7)
[0131]
其中，αj和βj是点oj的水平角度频点和垂直角度频点，αm和βm是点om的水平角度频点和垂直角度频点，b为预设的0～1之间的加权值。
[0132]
值得注意的是，本技术对在角度维对距离-多普勒点云簇进行聚类的方法不做限制，可采用dbscan或optics等常用的聚类方法。
[0133]
在本技术实施例中，在103中，可以根据两次聚类结果(对雷达点云进行距离-多普勒聚类处理得到的距离-多普勒点云簇，以及对每个距离-多普勒点云簇进行二次聚类得到的二次聚类点云簇)确定追踪目标。其中，根据二次聚类方式不同，二次聚类点云簇可以是空间点云簇或方位点云簇。
[0134]
在一些实施例中，如果所述距离-多普勒点云簇对应的二次聚类点云簇的个数大于1，则将所述二次聚类点云簇作为追踪目标；如果所述距离-多普勒点云簇对应的二次聚类点云簇的个数不大于1，则将所述距离-多普勒点云簇作为追踪目标。
[0135]
图10是确定追踪目标的一个示例的示意图，如图10所示，该方法包括：
[0136]
1001：输入距离-多普勒点云簇及其对应的二次聚类点云簇；这里，用c表示一个距离-多普勒点云簇，其对应的二次聚类点云簇用{si，0≤i≤ns}表示；
[0137]
1002：判断二次聚类点云簇的个数ns是否大于1；如果是，则执行1004，否则执行1003；
[0138]
1003：确定距离-多普勒点云簇c为追踪目标；
[0139]
1004：确定二次聚类点云簇为追踪目标。
[0140]
值得注意的是，以上仅对与本技术相关的各操作或过程进行了说明，但本技术不限于此。该方法还可以包括其他操作或者过程，关于这些操作或者过程的具体内容，可以参考相关技术。
[0141]
根据本技术实施例的方法，利用两次聚类的策略提高追踪精度，扩展追踪的有效范围，解决了在距离较远处，雷达的空间测量精度变差，点云容易分散无法进行聚类的问题。
[0142]
第二方面的实施例
[0143]
本技术实施例提供一种噪声消除方法。该方法与第一方面的实施例的图3的噪声消除方法类似，内容相同之处不再重复说明。
[0144]
图11是本技术实施例的噪声消除方法的一个示例的示意图，如图11所示，该方法包括：
[0145]
1101：统计距离-多普勒平面上的点云噪声信息，所述点云噪声信息包括：噪声统计总次数nn和距离-多普勒平面上每个位置出现噪声点的次数n
r，v
；
[0146]
1102：根据所述点云噪声信息对所述距离-多普勒平面上的点云簇进行分析，判断所述点云簇是否是由噪声引起的点云簇；
[0147]
1103：如果所述点云簇是由噪声引起的点云簇，则消除所述距离-多普勒平面上的所述由噪声引起的点云簇。
[0148]
在1102中，在一些实施例中，根据所述点云噪声信息得到每个距离-多普勒点云簇c为噪声的概率p(c)；如果所述点云簇c为噪声的概率p(c)大于第三阈值tn，则认为所述点云簇c是由噪声引起的点云簇。
[0149]
在上述实施例中，每个所述点云簇c为噪声的概率p(c)是所述点云簇c中各个点为噪声的概率的均值；所述点云簇c中各个点为噪声的概率是距离-多普勒平面上每个位置出现噪声点的次数n
r，v
与噪声统计总次数nn的比值。
[0150]
在本技术实施例中，如图11所示，该方法还包括：
[0151]
1104：更新所述距离-多普勒平面上的点云噪声信息，包括：将所述噪声统计总次数加1；将所有属于距离-多普勒噪声点云簇中的点和未成簇点云中的点对应的距离-多普勒平面位置处的出现噪声次数加1。
[0152]
具体的更新方法可以参考第一方面的实施例的图4的说明。
[0153]
值得注意的是，以上仅对与本技术相关的各操作或过程进行了说明，但本技术不限于此。该方法还可以包括其他操作或者过程，关于这些操作或者过程的具体内容，可以参考相关技术。
[0154]
根据本技术实施例的方法，根据距离-多普勒平面上的点云噪声信息确定距离-多普勒平面上的点云簇是否是由噪声引起的点云簇，进而通过消除由噪声引起的点云簇，能够进一步提高追踪精度。
[0155]
第三方面的实施例
[0156]
本技术实施例提供一种雷达追踪装置，该雷达追踪装置对应实施例的第一方面的雷达追踪方法，相同的内容不再重复说明。
[0157]
图12是本技术实施例的雷达追踪装置的一个示例的示意图。如图12所示，本技术实施例的雷达追踪装置1200包括：
[0158]
第一聚类单元1201，其在距离-多普勒平面对通过雷达感知获得的点云进行聚类，得到距离-多普勒点云簇；
[0159]
第二聚类单元1202，其在空间维或者角度维对所述距离-多普勒点云簇进行二次聚类，得到二次聚类点云簇；
[0160]
确定单元1203，其根据所述距离-多普勒点云簇及其对应的所述二次聚类点云簇确定追踪目标。
[0161]
在一些实施例中，第一聚类单元1201将所述点云映射到距离-多普勒平面；根据所述点云在所述距离-多普勒平面上的距离，将所述点云划分为多个点云簇以及未成簇点云，每个点云簇中的点的数量大于第一阈值t
n1
，并且，每个点云簇中的每个点到该点云簇的距离小于第二阈值t
d1
。具体的聚类方法包括但不限于dbscan或optics等。
[0162]
在上述实施例中，每个点云簇中的每个点到该点云簇的距离，为所述点到所述点云簇中所有其他点的距离的最小值。
[0163]
在上述实施例中，点云簇中的两个点之间的距离为所述两个点的距离频点的差的绝对值和所述两个点的多普勒速度频点的差的绝对值的加权和。
[0164]
例如，点云簇中的点和点之间的距离通过以下公式计算获得：
[0165]
d(oj，ok)＝a|r
j-rk|+(1-a)|v
j-vk|
[0166]
其中，rj和rk分别为点云簇c中的点oj和点ok的距离频点，vj和vk分别为点云簇c中
点oj和点ok的多普勒速度频点，a为预设的范围在0～1之间的加权值。
[0167]
在本技术实施例中，可选的，如图12所示，该装置1200还包括：
[0168]
噪声消除单元1204，其消除所述距离-多普勒点云簇中由噪声引起的点云簇。
[0169]
在一些实施例中，噪声消除单元1204统计距离-多普勒平面上的点云噪声信息，所述点云噪声信息包括：噪声统计总次数nn和距离-多普勒平面上每个位置出现噪声点的次数n
r，v
；根据所述点云噪声信息对所述距离-多普勒点云簇进行分析，判断所述距离-多普勒点云簇是否是由噪声引起的点云簇；如果所述距离-多普勒点云簇是由噪声引起的点云簇，则消除所述距离-多普勒平面上的所述由噪声引起的点云簇。
[0170]
在一些实施例中，噪声消除单元1204根据所述点云噪声信息得到每个距离-多普勒点云簇c为噪声的概率p(c)；如果所述距离-多普勒点云簇c为噪声的概率p(c)大于第三阈值tn，则认为所述距离-多普勒点云簇c是由噪声引起的点云簇。
[0171]
在一些实施例中，每个所述距离-多普勒点云簇c为噪声的概率p(c)是所述距离-多普勒点云簇c中各个点为噪声的概率的均值；所述距离-多普勒点云簇c中各个点为噪声的概率是距离-多普勒平面上每个位置出现噪声点的次数n
r，v
与噪声统计总次数nn的比值。
[0172]
在一些实施例中，噪声消除单元1204还可以更新距离-多普勒平面上的点云噪声信息，包括：将所述噪声统计总次数加1；将所有属于距离-多普勒噪声点云簇中的点和未成簇点云中的点对应的距离-多普勒平面位置处的出现噪声次数加1。
[0173]
在一些实施例中，第二聚类单元1202在空间维对所述距离-多普勒点云簇进行二次聚类包括：对每个距离-多普勒点云簇中距离频点大于第四阈值tr的所有点，进行空间位置校正；根据校正后的空间位置，对每个距离-多普勒点云簇中的所有点进行空间位置聚类，得到对应每个距离-多普勒点云簇的作为所述二次聚类点云簇的空间点云簇和/或未聚类点云。具体的聚类方法包括但不限于dbscan或optics等。
[0174]
在上述实施例中，空间位置校正可以是：对距离频点大于第四阈值tr的每个点，使其空间坐标中的x的值保持不变，将其空间坐标中的z的值设为预定值，重新计算其空间坐标中的y的值，表示为：
[0175][0176]
其中，(xi，yi，zi)为所述点的原来的空间坐标，(xi′
，yi′
，zi′
)为所述点的更新后的空间坐标，z
p
为所述预设值，其为运动目标相对雷达的平均高度。
[0177]
在一些实施例中，空间位置校正可以是：对距离频点大于第四阈值tr的每个点，将其空间坐标中的y的值和z的值分别设为预定值，重新计算其空间坐标中的x的值，表示为：
[0178][0179]
其中，(xi，yi，zi)为所述点的原来的空间坐标，(xi′
，yi′
，zi′
)为所述点的更新后的空间坐标，y
p
和z
p
为预设值，y
p
为监控场景中中心线相对雷达的y轴的平均值，z
p
为运动目标
相对雷达的平均高度。
[0180]
在一些实施例中，每个空间点云簇中点的数量大于第五阈值t
n2
，每个空间点云簇中的每个点到该空间点云簇的距离小于第六阈值t
d2
。
[0181]
在一些实施例中，每个空间点云簇中的每个点到该空间点云簇的距离，为所述点到所述空间点云簇中所有其他点的距离的最小值。
[0182]
在上述实施例中，空间点云簇中的两个点之间的距离为所述两个点的空间坐标的欧氏距离。
[0183]
在一些实施例中，第二聚类单元1202在角度维对所述距离-多普勒点云簇进行二次聚类包括：对每个距离-多普勒点云簇中的所有点，根据所述所有点的方位角信息进行方位角聚类，得到对应每个距离-多普勒点云簇的作为所述二次聚类点云簇的方位点云簇和/或未聚类点云。具体的聚类方法包括但不限于dbscan或optics等。
[0184]
在一些实施例中，每个方位点云簇中的点的数量大于第七阈值t
n3
，并且，每个方位点云簇中的每个点到该方位点云簇的距离小于第八阈值t
d3
。
[0185]
在一些实施例中，每个方位点云簇中的每个点到该点云簇的距离，为所述点到所述方位点云簇中所有其他点的距离的最小值。
[0186]
在上述实施例中，方位点云簇中的两个点之间的距离为所述两个点的水平角度频点的差的绝对值和所述两个点的垂直角度频点的差的绝对值的加权和。
[0187]
例如，方位点云簇中的点和点之间的距离通过以下公式计算获得：
[0188]
d(oj，om)＝b|α
j-αm|+(1-b)|β
j-βm|
[0189]
其中，αj和βj是方位点云簇中的点oj的水平角度频点和垂直角度频点，αm和βm是方位点云簇中的点om的水平角度频点和垂直角度频点，b为预设的范围在0～1之间的加权值。
[0190]
在一些实施例中，如果所述距离-多普勒点云簇对应的二次聚类点云簇的个数大于1，则确定单元1203将所述二次聚类点云簇作为追踪目标；如果所述距离-多普勒点云簇对应的二次聚类点云簇的个数不大于1，则确定单元1203将所述距离-多普勒点云簇作为追踪目标。
[0191]
值得注意的是，以上仅对与本技术相关的各部件或模块进行了说明，但本技术不限于此。雷达追踪装置1200还可以包括其他部件或者模块，关于这些部件或者模块的具体内容，可以参考相关技术。
[0192]
根据本技术实施例，利用两次聚类的策略提高追踪精度，扩展追踪的有效范围，解决了在距离较远处，雷达的空间测量精度变差，点云容易分散无法进行聚类的问题。
[0193]
第四方面的实施例
[0194]
本技术实施例提供一种噪声消除装置，该噪声消除装置对应实施例的第二方面的噪声消除方法，相同的内容不再重复说明。
[0195]
图13是本技术实施例的噪声消除装置的一个示例的示意图。如图13所示，本技术实施例的噪声消除装置1300包括：
[0196]
统计单元1301，其统计距离-多普勒平面上的点云噪声信息，所述点云噪声信息包括：噪声统计总次数nn和距离-多普勒平面上每个位置出现噪声点的次数n
r，v
；
[0197]
分析单元1302，其根据所述点云噪声信息对所述距离-多普勒平面上的点云簇进行分析，判断所述距离-多普勒点云簇是否是由噪声引起的点云簇；
[0198]
处理单元1303，如果所述距离-多普勒点云簇是由噪声引起的点云簇，则处理单元1303消除所述距离-多普勒平面上的所述由噪声引起的点云簇。
[0199]
在一些实施例中，分析单元1302根据所述点云噪声信息得到每个距离-多普勒点云簇c为噪声的概率p(c)；如果所述距离-多普勒点云簇c为噪声的概率p(c)大于第三阈值tn，则认为所述距离-多普勒点云簇c是由噪声引起的点云簇。
[0200]
在一些实施例中，每个所述距离-多普勒点云簇c为噪声的概率p(c)是所述距离-多普勒点云簇c中各个点为噪声的概率的均值；所述距离-多普勒点云簇c中各个点为噪声的概率是距离-多普勒平面上每个位置出现噪声点的次数n
r，v
与噪声统计总次数nn的比值。
[0201]
在一些实施例中，如图13所示，所述装置1300还包括：
[0202]
更新单元1304，其更新所述距离-多普勒平面上的点云噪声信息，包括：将所述噪声统计总次数加1；将所有属于距离-多普勒噪声点云簇中的点和未成簇点云中的点对应的距离-多普勒平面位置处的出现噪声次数加1。
[0203]
值得注意的是，以上仅对与本技术相关的各部件或模块进行了说明，但本技术不限于此。噪声消除装置1300还可以包括其他部件或者模块，关于这些部件或者模块的具体内容，可以参考相关技术。
[0204]
根据本技术实施例，根据距离-多普勒平面上的点云噪声信息确定距离-多普勒平面上的点云簇是否是由噪声引起的点云簇，进而通过消除由噪声引起的点云簇，能够进一步提高追踪精度。
[0205]
第五方面的实施例
[0206]
本技术实施例提供一种计算机设备，该计算机设备例如可以是计算机、服务器、工作站、膝上型计算机、智能手机，等等；但本技术实施例不限于此。
[0207]
图14是本技术实施例的计算机设备的一个示意图，如图14所示，计算机设备1400可以包括：至少一个接口(图中未示出)，处理器(例如，中央处理器(cpu))1401，存储器1402；存储器1402耦合到处理器1401。其中存储器1402可存储各种数据；此外还存储程序1403，并且在处理器1401的控制下执行该程序1403，并存储各种数据，例如预设的各种阈值和预定的条件等。
[0208]
在一些实施例中，第三方面的实施例所述的雷达追踪装置1200的功能可以被集成到处理器1401中，实现第一方面的实施例所述的雷达追踪方法。例如，该处理器1401可以被配置为执行以下处理：
[0209]
在距离-多普勒平面对通过雷达感知获得的点云进行聚类，得到距离-多普勒点云簇；
[0210]
在空间维或者角度维对所述距离-多普勒点云簇进行二次聚类，得到二次聚类点云簇；
[0211]
根据所述距离-多普勒点云簇及其对应的所述二次聚类点云簇确定追踪目标。
[0212]
在一些实施例中，第四方面的实施例的噪声消除装置1300的功能可以被集成到处理器1401中，实现第二方面的实施例所述的噪声消除方法。例如，该处理器1401可以被配置为执行以下处理：
[0213]
统计距离-多普勒平面上的点云噪声信息，所述点云噪声信息包括：噪声统计总次数nn和距离-多普勒平面上每个位置出现噪声点的次数n
r，v
；
[0214]
根据所述点云噪声信息对所述距离-多普勒平面上的点云簇进行分析，判断所述距离-多普勒点云簇是否是由噪声引起的点云簇；
[0215]
如果所述距离-多普勒点云簇是由噪声引起的点云簇，则消除所述距离-多普勒平面上的所述由噪声引起的点云簇。
[0216]
在一些实施例中，第三方面的实施例所述的雷达追踪装置1200或第四方面的实施例所述的噪声消除装置1300可以与处理器1401分开配置，例如可以将该雷达追踪装置1200或噪声消除装置1300配置为与处理器1401连接的芯片，通过处理器1401的控制来实现雷达追踪装置1200或噪声消除装置1300的功能。
[0217]
值得注意的是，计算机设备1400还可以包括显示器1405以及i/o设备1404，或者也并不是必须要包括图14中所示的所有部件，例如还可以包括摄像头和/或雷达(未图示)，用于获取图像或雷达点云；此外，该计算机设备1400还可以包括图14中没有示出的部件，可以参考现有技术。
[0218]
在本技术实施例中，处理器1401有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该处理器1401接收输入并控制计算机设备1400的各个部件的操作。
[0219]
在本技术实施例中，存储器1402例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存各种信息，此外还可存储执行有关信息的程序。并且处理器1401可执行该存储器1402存储的该程序，以实现信息存储或处理等。其他部件的功能与现有类似，此处不再赘述。计算机设备1400的各部件可以通过专用硬件、固件、软件或其结合来实现，而不偏离本技术的范围。
[0220]
本技术实施例还提供一种计算机可读程序，其中当在计算机设备中执行所述程序时，所述程序使得所述计算机设备执行实施例的第一方面或第二方面所述的方法。
[0221]
本技术实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机设备中执行实施例的第一方面或第二方面所述的方法。
[0222]
本技术以上的装置和方法可以由硬件实现，也可以由硬件结合软件实现。本技术涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。本技术还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、dvd、flash存储器等。
[0223]
结合本技术实施例描述的方法/装置可直接体现为硬件、由处理器执行的软件模块或二者组合。图中所示的功能框图中的一个或多个和/或功能框图的一个或多个组合，既可以对应于计算机程序流程的各个软件模块，亦可以对应于各个硬件模块。这些软件模块，可以分别对应于图中所示的各个步骤。这些硬件模块例如可利用现场可编程门阵列(fpga)将这些软件模块固化而实现。
[0224]
软件模块可以位于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、移动磁盘、cd-rom或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息；或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于asic中。该软件模块可以存储在移动终端的存储器中，也可以存储在可插入移动终端的存储卡中。例如，若设备(如移动终端)采用的是较大容量的mega-sim卡或者大容量的闪存装置，则该软件模
块可存储在该mega-sim卡或者大容量的闪存装置中。
[0225]
针对附图中描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，可以实现为用于执行本技术所描述功能的通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。针对附图描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，还可以实现为计算设备的组合，例如，dsp和微处理器的组合、多个微处理器、与dsp通信结合的一个或多个微处理器或者任何其它这种配置。
[0226]
以上结合具体的实施方式对本技术进行了描述，但本领域技术人员应该清楚，这些描述都是示例性的，并不是对本技术保护范围的限制。本领域技术人员可以根据本技术的精神和原理对本技术做出各种变型和修改，这些变型和修改也在本技术的范围内。
[0227]
关于本技术实施例公开的上述实施方式，还公开了如下的附记：
[0228]
1、一种雷达追踪方法，包括：
[0229]
s1：在距离-多普勒平面对通过雷达感知获得的点云进行聚类，得到距离-多普勒点云簇；
[0230]
s3：在空间维或者角度维对所述距离-多普勒点云簇进行二次聚类，得到二次聚类点云簇；
[0231]
s4：根据所述距离-多普勒点云簇及其对应的所述二次聚类点云簇确定追踪目标。
[0232]
2、根据附记1所述的方法，其中，s1包括：
[0233]
s11：将所述点云映射到距离-多普勒平面；
[0234]
s12：根据所述点云在所述距离-多普勒平面上的距离，将所述点云划分为多个点云簇以及未成簇点云，每个点云簇中的点的数量大于第一阈值t
n1
，并且，每个点云簇中的每个点到该点云簇的距离小于第二阈值t
d1
。
[0235]
3、根据附记2所述的方法，其中，每个点云簇中的每个点到该点云簇的距离，为所述点到所述点云簇中所有其他点的距离的最小值。
[0236]
4、根据附记3所述的方法，其中，点云簇中的两个点之间的距离为所述两个点的距离频点的差的绝对值和所述两个点的多普勒速度频点的差的绝对值的加权和。
[0237]
5、根据附记4所述的方法，其中，点云簇中的点和点之间的距离通过以下公式计算获得：
[0238]
d(oj，ok)＝a|r
j-rk|+(1-a)|v
j-vk|
[0239]
其中，rj和rk分别为点云簇c中的点oj和点ok的距离频点，vj和vk分别为点云簇c中点oj和点ok的多普勒速度频点，a为预设的范围在0～1之间的加权值。
[0240]
6、根据附记1所述的方法，其中，s1之后，该方法还包括：
[0241]
s2：消除所述距离-多普勒点云簇中由噪声引起的点云簇。
[0242]
7、根据附记6所述的方法，其中，s2包括：
[0243]
s21：统计距离-多普勒平面上的点云噪声信息，所述点云噪声信息包括：噪声统计总次数nn和距离-多普勒平面上每个位置出现噪声点的次数n
r，v
；
[0244]
s22：根据所述点云噪声信息对所述距离-多普勒点云簇进行分析，判断所述距离-多普勒点云簇是否是由噪声引起的点云簇；
[0245]
s23：如果所述距离-多普勒点云簇是由噪声引起的点云簇，则消除所述距离-多普
勒平面上的所述由噪声引起的点云簇。
[0246]
8、根据附记7所述的方法，其中，在s22中，
[0247]
根据所述点云噪声信息得到每个距离-多普勒点云簇c为噪声的概率p(c)；
[0248]
如果所述距离-多普勒点云簇c为噪声的概率p(c)大于第三阈值tn，则认为所述距离-多普勒点云簇c是由噪声引起的点云簇。
[0249]
9、根据附记8所述的方法，其中，
[0250]
每个所述距离-多普勒点云簇c为噪声的概率p(c)是所述距离-多普勒点云簇c中各个点为噪声的概率的均值；
[0251]
所述距离-多普勒点云簇c中各个点为噪声的概率是距离-多普勒平面上每个位置出现噪声点的次数n
r，v
与噪声统计总次数nn的比值。
[0252]
10、根据附记7所述的方法，其中，s2还包括：
[0253]
s24：更新距离-多普勒平面上的点云噪声信息，包括：
[0254]
将所述噪声统计总次数加1；
[0255]
将所有属于距离-多普勒噪声点云簇中的点和未成簇点云中的点对应的距离-多普勒平面位置处的出现噪声次数加1。
[0256]
11、根据附记1所述的方法，其中，s3中，在空间维对所述距离-多普勒点云簇进行二次聚类包括：
[0257]
s31：对每个距离-多普勒点云簇中距离频点大于第四阈值tr的所有点，进行空间位置校正；
[0258]
s32：根据校正后的空间位置，对每个距离-多普勒点云簇中的所有点进行空间位置聚类，得到对应每个距离-多普勒点云簇的作为所述二次聚类点云簇的空间点云簇和/或未聚类点云。
[0259]
12、根据附记11所述的方法，其中，s31中，对距离频点大于第四阈值tr的每个点，使其空间坐标中的x的值保持不变，将其空间坐标中的z的值设为预定值，重新计算其空间坐标中的y的值，表示为：
[0260][0261]
其中，(xi，yi，zi)为所述点的原来的空间坐标，(xi′
，yi′
，zi′
)为所述点的更新后的空间坐标，z
p
为所述预设值，其为运动目标相对雷达的平均高度。
[0262]
13、根据附记11所述的方法，其中，s31中，对距离频点大于第四阈值tr的每个点，将其空间坐标中的y的值和z的值分别设为预定值，重新计算其空间坐标中的x的值，表示为：
[0263][0264]
其中，(xi，yi，zi)为所述点的原来的空间坐标，(xi′
，yi′
，zi′
)为所述点的更新后的
空间坐标，y
p
和z
p
为预设值，y
p
为监控场景中中心线相对雷达的y轴的平均值，z
p
为运动目标相对雷达的平均高度。
[0265]
14、根据附记11所述的方法，其中，s32中，每个空间点云簇中点的数量大于第五阈值t
n2
，每个空间点云簇中的每个点到该空间点云簇的距离小于第六阈值t
d2
。
[0266]
15、根据附记14所述的方法，其中，每个空间点云簇中的每个点到该空间点云簇的距离，为所述点到所述空间点云簇中所有其他点的距离的最小值。
[0267]
16、根据附记15所述的方法，其中，空间点云簇中的两个点之间的距离为所述两个点的空间坐标的欧氏距离。
[0268]
17、根据附记1所述的方法，其中，s3中，在角度维对所述距离-多普勒点云簇进行二次聚类包括：
[0269]
s31’：对每个距离-多普勒点云簇中的所有点，根据所述所有点的方位角信息进行方位角聚类，得到对应每个距离-多普勒点云簇的作为所述二次聚类点云簇的方位点云簇和/或未聚类点云。
[0270]
18、根据附记17所述的方法，其中，每个方位点云簇中的点的数量大于第七阈值t
n3
，并且，每个方位点云簇中的每个点到该方位点云簇的距离小于第八阈值t
d3
。
[0271]
19、根据附记18所述的方法，其中，每个方位点云簇中的每个点到该点云簇的距离，为所述点到所述方位点云簇中所有其他点的距离的最小值。
[0272]
20、根据附记19所述的方法，其中，方位点云簇中的两个点之间的距离为所述两个点的水平角度频点的差的绝对值和所述两个点的垂直角度频点的差的绝对值的加权和。
[0273]
21、根据附记20所述的方法，其中，方位点云簇中的点和点之间的距离通过以下公式计算获得：
[0274]
d(oj，om)＝b|α
j-αm|+(1-b)|β
j-βm|
[0275]
其中，αj和βj是方位点云簇中的点oj的水平角度频点和垂直角度频点，αm和βm是方位点云簇中的点om的水平角度频点和垂直角度频点，b为预设的范围在0～1之间的加权值。
[0276]
22、根据附记1所述的方法，s4包括：
[0277]
如果所述距离-多普勒点云簇对应的二次聚类点云簇的个数大于1，则将所述二次聚类点云簇作为追踪目标；
[0278]
如果所述距离-多普勒点云簇对应的二次聚类点云簇的个数不大于1，则将所述距离-多普勒点云簇作为追踪目标。
[0279]
23、一种噪声消除方法，其中，所述方法包括：
[0280]
s21：统计距离-多普勒平面上的点云噪声信息，所述点云噪声信息包括：噪声统计总次数nn和距离-多普勒平面上每个位置出现噪声点的次数n
r，v
；
[0281]
s22：根据所述点云噪声信息对所述距离-多普勒平面上的点云簇进行分析，判断所述距离-多普勒点云簇是否是由噪声引起的点云簇；
[0282]
s23：如果所述距离-多普勒点云簇是由噪声引起的点云簇，则消除所述距离-多普勒平面上的所述由噪声引起的点云簇。
[0283]
24、根据附记23所述的方法，其中，在s22中，
[0284]
根据所述点云噪声信息得到每个距离-多普勒点云簇c为噪声的概率p(c)；
[0285]
如果所述距离-多普勒点云簇c为噪声的概率p(c)大于第三阈值tn，则认为所述距
离-多普勒点云簇c是由噪声引起的点云簇。
[0286]
25、根据附记24所述的方法，其中，
[0287]
每个所述距离-多普勒点云簇c为噪声的概率p(c)是所述距离-多普勒点云簇c中各个点为噪声的概率的均值；
[0288]
所述距离-多普勒点云簇c中各个点为噪声的概率是距离-多普勒平面上每个位置出现噪声点的次数n
r，v
与噪声统计总次数nn的比值。
[0289]
26、根据附记23所述的方法，其中，所述方法还包括：
[0290]
s24：更新所述距离-多普勒平面上的点云噪声信息，包括：
[0291]
将所述噪声统计总次数加1；
[0292]
将所有属于距离-多普勒噪声点云簇中的点和未成簇点云中的点对应的距离-多普勒平面位置处的出现噪声次数加1。
[0293]
27、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器被配置为执行所述计算机程序而实现如附记1至26任一项所述的方法。
[0294]
28、一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在计算机设备中执行附记1至26任一项所述的方法。