毫米波雷達(dá)點(diǎn)云的密度和劃分聯(lián)合聚類方法

彭耀霖,李榮冰*,何梓君

(1.南京航空航天大學(xué) 自動化學(xué)院 導(dǎo)航研究中心,江蘇 南京 211106; 2.空軍駐南京地區(qū)第四軍事代表室,江蘇 南京 210000)

毫米波雷達(dá)被廣泛應(yīng)用于智能家居、智慧養(yǎng)老和患者監(jiān)護(hù)等領(lǐng)域[1-2],當(dāng)雷達(dá)系統(tǒng)檢測到目標(biāo)的多個點(diǎn)跡時,首先考慮的是聚類問題。目前,聚類算法根據(jù)原理主要分為5類,包括劃分、層次、密度、網(wǎng)格和模型。毫米波雷達(dá)獲取的是目標(biāo)徑向信息,點(diǎn)云數(shù)據(jù)沿徑向發(fā)散,存在角分辨率低、輸出稀疏、分布不均勻等缺點(diǎn),同時還存在噪聲雜波和虛假目標(biāo)影響。為方便處理量測信息,需要對雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行精確劃分聚類和去除雜波噪聲,特別是在人多密集的情況下,點(diǎn)云分布沒有一個明顯的分界線,存在多目標(biāo)點(diǎn)云數(shù)據(jù)密集分布的現(xiàn)象,點(diǎn)云聚類劃分難度更大。目前在針對人員檢測的毫米波雷達(dá)應(yīng)用中,沒有較好的點(diǎn)云聚類方法,因此,很有必要采取適當(dāng)?shù)牟呗詠硖岣吆撩撞ɡ走_(dá)點(diǎn)云聚類算法性能。

針對毫米波雷達(dá)數(shù)據(jù)的特性,國內(nèi)外學(xué)者提出許多相關(guān)的聚類算法。Smith等[8]引入加權(quán)密度函數(shù),提出一種橢圓聚類算法,使點(diǎn)云簇以橢圓結(jié)構(gòu)進(jìn)行擴(kuò)展,取得了與標(biāo)準(zhǔn)聚類算法相當(dāng)?shù)男阅堋cheiner等[9]對雷達(dá)數(shù)據(jù)進(jìn)行了二次聚類,第1次聚類使用自適應(yīng)調(diào)整核心點(diǎn)數(shù)閾值的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法,第2次聚類仍使用DBSCAN算法,但參數(shù)不同,取得了較好的數(shù)據(jù)聚類效果。該算法僅自適應(yīng)調(diào)節(jié)核心點(diǎn)數(shù)閾值參數(shù),未能較好地優(yōu)化雷達(dá)均勻性問題。蔣留兵等[10]利用卡爾曼濾波算法對DBSCAN算法進(jìn)行改進(jìn),實(shí)現(xiàn)聚類算法參數(shù)自適應(yīng)和增量聚類,但改進(jìn)算法存在誤差時域傳遞問題。

現(xiàn)有這些研究大都是對雷達(dá)二維數(shù)據(jù)進(jìn)行聚類[11-13],具有局限性,同時現(xiàn)有的基于密度原理改進(jìn)的聚類算法沒有考慮密度擴(kuò)張的影響[14-15]。因此,針對室內(nèi)人員檢測環(huán)境的毫米波雷達(dá)點(diǎn)云數(shù)據(jù)特性,并考慮多目標(biāo)點(diǎn)云密集的復(fù)雜情況,本文提出一種毫米波雷達(dá)點(diǎn)云的密度和劃分聯(lián)合聚類方法。針對毫米波雷達(dá)點(diǎn)云數(shù)據(jù)特性,該方法首先采用基于DBSCAN改進(jìn)的參數(shù)自適應(yīng)聚類算法,根據(jù)K個近鄰點(diǎn)判斷目標(biāo)點(diǎn)處密度分布來自適應(yīng)調(diào)整聚類參數(shù);然后針對密度聚類對密度相似的空間點(diǎn)間會出現(xiàn)無限制地幾何擴(kuò)張問題,對異常數(shù)據(jù)簇使用K均值聚類算法進(jìn)行二次聚類。改進(jìn)的點(diǎn)云聚類方法更加適應(yīng)毫米波雷達(dá)點(diǎn)云數(shù)據(jù)的特性,聚類效果更加細(xì)膩和準(zhǔn)確。

1 雷達(dá)點(diǎn)云聚類方法設(shè)計

針對人員目標(biāo)檢測需求,對毫米波雷達(dá)數(shù)據(jù)輸出的點(diǎn)云特征進(jìn)行分析,并根據(jù)數(shù)據(jù)特征設(shè)計雷達(dá)點(diǎn)云聚類算法。實(shí)時視頻畫面記錄如圖1(a)所示,該場景為相鄰2人以0.35～0.75 m/s速度靠近雷達(dá)行進(jìn);雷達(dá)傳感器在片上經(jīng)過恒虛警檢測等信號鏈處理后,通過串口通信在上位機(jī)接收到的點(diǎn)云數(shù)據(jù)如圖1(b)所示。

圖1 毫米波雷達(dá)人員目標(biāo)點(diǎn)云數(shù)據(jù)示例

從圖1中可以看出,室內(nèi)人員目標(biāo)的雷達(dá)點(diǎn)云特征有:① 雷達(dá)點(diǎn)云輸出稀疏,且存在噪聲;② 點(diǎn)云分布沿徑向發(fā)散,均勻性差;③ 雷達(dá)對擴(kuò)展目標(biāo)的檢測包含許多局部輪廓信息;④ 多目標(biāo)密集情況下,點(diǎn)云無明顯的分界線。

常用的單一經(jīng)典算法都不太適用于毫米波雷達(dá)數(shù)據(jù)特性[7],針對毫米波雷達(dá)點(diǎn)云數(shù)據(jù)特性和室內(nèi)人員檢測應(yīng)用場景,本文設(shè)計一種毫米波雷達(dá)點(diǎn)云密度和劃分聯(lián)合聚類方法,框架如圖2所示。

圖2 雷達(dá)多目標(biāo)點(diǎn)云聚類方法框架

為解決雷達(dá)點(diǎn)云輸出稀疏問題,可采用多幀數(shù)據(jù)融合處理方法。從方法框架中可以看出,該方法主要分為2個部分。

① 為解決雷達(dá)點(diǎn)云數(shù)據(jù)點(diǎn)云分布不均勻和存在大量噪點(diǎn)雜波的影響,采用基于DBSCAN改進(jìn)的參數(shù)自適應(yīng)聚類算法對雷達(dá)單/多幀數(shù)據(jù)進(jìn)行聚類。

② 為解決密度聚類算法會對密度相似空間點(diǎn)進(jìn)行無限制地幾何擴(kuò)張,從而導(dǎo)致數(shù)據(jù)簇屬性不具備單一性問題,將聚好的數(shù)據(jù)簇通過CART(Classification and Regression Tree)決策樹進(jìn)行目標(biāo)數(shù)歸類,對目標(biāo)數(shù)大于1的異常數(shù)據(jù)簇使用k均值聚類算法進(jìn)行二次劃分。

2 基于DBSCAN改進(jìn)的密度聚類

毫米波雷達(dá)點(diǎn)云數(shù)據(jù)為非凸數(shù)據(jù)集且存在雜波和噪聲,適合采用密度聚類方法處理。由于雷達(dá)點(diǎn)云數(shù)據(jù)均勻性差,需對傳統(tǒng)的DBSCAN聚類算法進(jìn)行改進(jìn),改進(jìn)的聚類算法能夠根據(jù)K個最近鄰點(diǎn)判斷目標(biāo)點(diǎn)處密度的分布來自適應(yīng)調(diào)整聚類半徑參數(shù),解決雷達(dá)點(diǎn)云數(shù)據(jù)存在的分布不均勻問題。

2.1 傳統(tǒng)DBSCAN聚類算法

DBSCAN是基于密度的聚類算法,該算法對噪聲點(diǎn)不敏感,有較好的濾除噪點(diǎn)能力,能發(fā)現(xiàn)任意形狀的簇。DBSCAN算法需給定2個參數(shù):鄰域半徑Eps和核心點(diǎn)數(shù)閾值pts,這2個算法參數(shù)用來定義數(shù)據(jù)的密集特征,原算法中這2個參數(shù)均為固定值,這導(dǎo)致了DBSCAN算法對數(shù)據(jù)均勻性要求較高,數(shù)據(jù)的稀疏程度會直接影響聚類的效果。

2.2 基于DBSCAN改進(jìn)的參數(shù)自適應(yīng)聚類算法

雷達(dá)點(diǎn)云數(shù)據(jù)沿徑向發(fā)散,存在角分辨率低、輸出稀疏、均勻性差等缺點(diǎn),因此需針對原算法中的固定參數(shù)鄰域半徑Eps進(jìn)行自適應(yīng)調(diào)整。鄰域半徑參數(shù)自適應(yīng)的工作原理如圖3所示。

圖3 鄰域半徑參數(shù)自適應(yīng)工作原理

鄰域半徑Eps的選取需要考慮目標(biāo)點(diǎn)i處空間點(diǎn)的密度分布,基于KNN(K-Nearest Neighbor)算法思想,選取目標(biāo)點(diǎn)i處的K個近鄰點(diǎn)來研究空間點(diǎn)間的拓?fù)潢P(guān)系,K值一般稍大于或等于核心點(diǎn)數(shù)閾值pts。圖3中,選用了目標(biāo)點(diǎn)i處的4個近鄰點(diǎn)進(jìn)行空間密度特征分析,即K=4,圖中標(biāo)注為A、B、C、D,并分別計算目標(biāo)點(diǎn)i與第j個近鄰點(diǎn)的歐式距離為

(1)

式中:xi、yi、zi為目標(biāo)點(diǎn)i的空間三維坐標(biāo);xj、yj、zj為目標(biāo)點(diǎn)i的第j個最近鄰點(diǎn)的空間三維坐標(biāo),0

用目標(biāo)點(diǎn)i與2個相鄰近點(diǎn)的距離差大小來判斷近鄰點(diǎn)之間的相似度。

(2)

如果εj,j-1大于發(fā)散閾值ε,則認(rèn)為兩近鄰點(diǎn)的相似度小,同時通過傳遞性可認(rèn)為目標(biāo)點(diǎn)i與第j個最近鄰點(diǎn)相似度小,則選取目標(biāo)點(diǎn)i的第j-1個最近鄰點(diǎn)距離作為鄰域半徑Eps的決定因素之一。

同時,針對毫米波雷達(dá)點(diǎn)云數(shù)據(jù)在徑向距離方向的發(fā)散,還需要考慮目標(biāo)點(diǎn)i與m個近鄰點(diǎn)間的發(fā)散程度為

(3)

式中:0

改進(jìn)的密度聚類算法對鄰域半徑Eps參數(shù)分別根據(jù)目標(biāo)點(diǎn)與第k個最近鄰點(diǎn)距離和目標(biāo)點(diǎn)近鄰空間點(diǎn)的發(fā)散程度來進(jìn)行自適應(yīng)地調(diào)整。

Eps,i=Eps,knn+Eps,ε

(4)

由圖3可以看出,ε3,4明顯大于發(fā)散閾值,因此k值取3,紅色圓形實(shí)線即為目標(biāo)點(diǎn)i的鄰域半徑參數(shù)自適應(yīng)結(jié)果。

在改進(jìn)的DBSCAN聚類算法中,參數(shù)鄰域半徑Eps由目標(biāo)點(diǎn)自適應(yīng)確定,會導(dǎo)致數(shù)據(jù)處理存在不對稱性[7],即初始點(diǎn)選擇的不同可能出現(xiàn)聚類效果不同的情況,如圖4所示。為此,在改進(jìn)算法中添加一條規(guī)則:核心點(diǎn)之間密度可達(dá)的同時需要滿足對稱性,即核心點(diǎn)之間需要相互密度可達(dá)才能聚成一類。

圖4 自適應(yīng)處理存在的數(shù)據(jù)不對稱性

3 異常數(shù)據(jù)簇的劃分聚類

通過上述改進(jìn)的聚類算法雖可解決毫米波雷達(dá)點(diǎn)云數(shù)據(jù)存在噪點(diǎn)雜波和點(diǎn)云分布不均勻的缺點(diǎn),但還存在著多人密集情況下點(diǎn)云劃分困難的問題。由上述算法聚類的數(shù)據(jù)簇會對密度相似的空間點(diǎn)間進(jìn)行無限制地幾何擴(kuò)張,如圖5所示,導(dǎo)致數(shù)據(jù)簇屬性不具備單一性,甚至出現(xiàn)多人密集情況下多個目標(biāo)源點(diǎn)云數(shù)據(jù)聚成一類的現(xiàn)象,圖5(c)中通過密度聚類形成的點(diǎn)云簇1包含了2個目標(biāo)源的量測信息。

圖5 密集點(diǎn)云聚類幾何擴(kuò)張示例

同時,在擴(kuò)展目標(biāo)檢測中,目標(biāo)不同部位的數(shù)據(jù)屬性也不同。因此,不能只單從空間點(diǎn)間的拓?fù)潢P(guān)系來聚類,還需要對聚類數(shù)據(jù)簇進(jìn)行實(shí)際目標(biāo)數(shù)的歸類分析,對異常數(shù)據(jù)簇進(jìn)行更加精準(zhǔn)的二次劃分。

3.1 決策樹歸類

由改進(jìn)的聚類算法對密度相似的空間點(diǎn)間進(jìn)行幾何擴(kuò)張可能導(dǎo)致異常數(shù)據(jù)簇沒有一個明顯的數(shù)據(jù)分界線,因此需要使用先驗(yàn)知識對數(shù)據(jù)簇進(jìn)行目標(biāo)數(shù)歸類分析。本文采用CART算法來構(gòu)建決策樹,針對不同目標(biāo)、環(huán)境和幀數(shù)疊加的應(yīng)用背景,分別采集不同目標(biāo)群的數(shù)據(jù)簇作為訓(xùn)練樣本數(shù)據(jù),用數(shù)據(jù)簇的三維空間輪廓長度、面積和所包含的點(diǎn)云數(shù)目構(gòu)造樣本特征向量,參照實(shí)時同步圖像樣本數(shù)據(jù)簇所包含的實(shí)際目標(biāo)源是否為單一目標(biāo)源來賦予樣本類標(biāo)簽,通過分析每個結(jié)點(diǎn)處樣本特征的基尼指數(shù),選擇基尼指數(shù)最小的特征及其對應(yīng)切分點(diǎn)作為最優(yōu)特征與最優(yōu)切分點(diǎn)。依據(jù)最優(yōu)特征與最優(yōu)切分點(diǎn),從現(xiàn)結(jié)點(diǎn)生成2個子結(jié)點(diǎn),將數(shù)據(jù)集往下細(xì)分,最終形成二叉樹形式的決策樹。

3.2 數(shù)據(jù)簇二次劃分

采用K均值聚類算法(K-means Clustering Algorithm)對異常數(shù)據(jù)簇進(jìn)行二次劃分,通過不斷迭代求解的劃分聚類算法,以距離度量作為數(shù)據(jù)相似度的依據(jù),根據(jù)與k個已知類質(zhì)心的相似度將數(shù)據(jù)分為k類。將密度聚類后的數(shù)據(jù)簇送入構(gòu)建好的決策樹中,由決策樹給出異常數(shù)據(jù)簇中的目標(biāo)數(shù),并作為K-means算法的k值入?yún)ⅰ?/p>

對于K-means算法,需要注意的是k值準(zhǔn)確性和k個初始類質(zhì)心選取,k個初始類質(zhì)心的位置選擇對最后的聚類結(jié)果和運(yùn)行時間都有很大影響。判斷異常數(shù)據(jù)簇附近是否存在鄰近的跟蹤目標(biāo),如果存在,則將鄰近跟蹤目標(biāo)位置信息作為算法初始類質(zhì)心的位置;否則在異常數(shù)據(jù)簇最大輪廓方向選取距離差異較大的k個特殊點(diǎn)作為初始質(zhì)心的位置。選用歐式距離作為距離度量,將異常數(shù)據(jù)簇的數(shù)據(jù)子集根據(jù)相似度大小歸類到k個集合中,然后分別對每個集合求均值(更新類質(zhì)心),重復(fù)迭代使得每個樣本和所屬集合的類質(zhì)心的距離平方誤差最小。

以圖5中密集點(diǎn)云幾何擴(kuò)張聚類所生成的異常數(shù)據(jù)簇為例,對該數(shù)據(jù)簇進(jìn)行二次聚類,結(jié)果如圖6所示。其通過決策樹得到的目標(biāo)數(shù)為2,由于不存在相鄰的2個跟蹤目標(biāo),在點(diǎn)云簇X-Y平面上的X軸輪廓方向進(jìn)行初始質(zhì)心位置選擇,分別為k1和k2。由圖6(b)可以看到,通過二次聚類,可有效且準(zhǔn)確地劃分開多目標(biāo)密集點(diǎn)云。與其他雷達(dá)聚類算法相比[14-15],通過K-means算法對異常數(shù)據(jù)簇進(jìn)行二次劃分有效地解決了由于空間點(diǎn)間的密度相似所導(dǎo)致幾何擴(kuò)張過大、不能代表單一屬性和多目標(biāo)數(shù)據(jù)聚成一簇等難題。

圖6 異常數(shù)據(jù)簇的二次聚類

4 聚類算法設(shè)置與評估指標(biāo)

4.1 聚類參數(shù)設(shè)定及聚類過程

改進(jìn)的雷達(dá)點(diǎn)云聚類算法中,需要設(shè)置的參數(shù)主要有核心點(diǎn)數(shù)閾值pts、K個近鄰點(diǎn)的K值、發(fā)散閾值ε。各個參數(shù)的定義和設(shè)置如下。

(1) 核心點(diǎn)數(shù)閾值pts:是定義核心點(diǎn)對象的重要指標(biāo),如圖7所示,為單個人員目標(biāo)雷達(dá)探測點(diǎn)數(shù)的統(tǒng)計,參考均值分布曲線可將pts數(shù)值區(qū)間設(shè)置為3～6。

圖7 單個人員目標(biāo)的雷達(dá)探測點(diǎn)數(shù)統(tǒng)計

(2)K個近鄰點(diǎn)的K值:K近鄰點(diǎn)的K值依據(jù)核心點(diǎn)數(shù)閾值選取,一般稍大于或等于核心點(diǎn)數(shù)閾值。

(3) 發(fā)散閾值ε:近鄰點(diǎn)距離差εj,j-1的發(fā)散閾值,若小于發(fā)散閾值則數(shù)據(jù)的相似性大,視為同類,否則數(shù)據(jù)的相似性小,視為異類。發(fā)散閾值ε可用函數(shù)表示為

(5)

式中:α0為給定的距離閾值;β為隨徑向距離變化的線性漸變量。具體數(shù)值選取依據(jù)人員目標(biāo)距離特性和雷達(dá)距離分辨率dres。

(6)

式中:c為光速;Bw為雷達(dá)信號調(diào)制帶寬。

將雷達(dá)單/多幀點(diǎn)云數(shù)據(jù)經(jīng)過坐標(biāo)系轉(zhuǎn)換得到算法的入?yún)?shù)據(jù)集D={d1,d2,d3,…,dn},其中包含了n個目標(biāo)點(diǎn)對象,每個目標(biāo)點(diǎn)對象具有3個維度的屬性dn={rnx,rny,rnz}。算法出參數(shù)據(jù)集為F={f1,f2,…,fm},其中,fm={rmx,rmy,rmz,llabel,m},llabel,m為對應(yīng)的點(diǎn)云簇標(biāo)簽,基于毫米波雷達(dá)的密集目標(biāo)點(diǎn)云聚類方法具體步驟如下。

① 雷達(dá)數(shù)據(jù)預(yù)處理,對雷達(dá)單/多幀點(diǎn)云數(shù)據(jù)進(jìn)行時空校準(zhǔn)和野值剔除,形成點(diǎn)云數(shù)據(jù)集作為算法的入?yún)ⅰ?/p>

② 使用基于DBSCAN改進(jìn)的參數(shù)自適應(yīng)聚類算法對數(shù)據(jù)集進(jìn)行遍歷聚類。

③ 將聚類好的數(shù)據(jù)簇送入決策樹中進(jìn)行目標(biāo)數(shù)歸類。

④ 對于目標(biāo)數(shù)大于1的數(shù)據(jù)簇進(jìn)行二次劃分聚類,生成最終聚類結(jié)果。

4.2 聚類效果評估指標(biāo)

為評估改進(jìn)算法及對比算法,引用2個評價指標(biāo)[6]:聚類精確度(Accuracy,AC)和聚類正確率(Accuracy Rate,AR)。聚類精確度用于比較輸出聚類簇標(biāo)簽和數(shù)據(jù)提供的標(biāo)簽,對于原始點(diǎn)云數(shù)據(jù)中人員目標(biāo)的多個局部量測可拆分成多個信號源看待,其中局部信號源可分為上下肢體和軀干,則聚類精確度為

(7)

(8)

聚類正確率用于比較正確聚類簇數(shù)與實(shí)際探測目標(biāo)個數(shù)。目標(biāo)聚類正確的定義:目標(biāo)聚類形成的聚類簇與實(shí)際探測目標(biāo)一一對應(yīng)。聚類正確的量化標(biāo)準(zhǔn)為:單目標(biāo)AC≥70%。實(shí)驗(yàn)中使用同步記錄畫面作為真實(shí)結(jié)果對聚類效果進(jìn)行驗(yàn)證,聚類正確率公式為

(9)

式中:S為目標(biāo)聚類正確個數(shù);P為有量測信號前提下的實(shí)際探測目標(biāo)個數(shù)。

5 實(shí)驗(yàn)對比與結(jié)果分析

實(shí)驗(yàn)雷達(dá)選用美國德州儀器(TI)生產(chǎn)的IWR6843-ISK型雷達(dá)傳感器,該型號雷達(dá)的工作頻率為60～64 GHz,雷達(dá)天線為3發(fā)4收,對于IWR6843的參數(shù)配置如表1所示。測量時雷達(dá)傳感器安置在距地面高度為2.5 m處,向下傾斜30°。

表1 IWR6843參數(shù)配置

為驗(yàn)證改進(jìn)點(diǎn)云聚類方法的有效性,在室內(nèi)場景進(jìn)行了多次人員檢測實(shí)驗(yàn)分析,同時采用2幀雷達(dá)數(shù)據(jù)融合方式以顯示更全面的人員目標(biāo)量測信息。在核心點(diǎn)數(shù)閾值pts統(tǒng)一的條件下進(jìn)行了多次檢測實(shí)驗(yàn)并分別與Eps=0.2 m、Eps=0.5 m的DBSCAN算法聚類效果進(jìn)行對比,結(jié)果如圖8所示。從圖8(c)中可以看出,參數(shù)Eps=0.2 m時的DBSCAN聚類算法只能有效檢測到4個人員目標(biāo)的數(shù)據(jù)簇,將其中1個目標(biāo)量測信息當(dāng)作噪聲濾除,導(dǎo)致出現(xiàn)了漏檢情況,聚類效果與實(shí)際情況存在較大的偏差;觀察圖8(d)可知,參數(shù)Eps=0.5 m時的DBSCAN聚類算法可以檢測到5個人員目標(biāo),但是聚類效果粗糙,點(diǎn)云簇1中包含了人員目標(biāo)多個肢體部位的量測信息,數(shù)據(jù)簇屬性缺乏單一性,并且包含了大量的噪聲信息,沒有較好地濾除噪聲;從圖8(e)中可以看出,使用本文改進(jìn)的點(diǎn)云聚類方法所得的聚類效果相對更精準(zhǔn),既可以有效地濾除噪聲雜波,又能最大程度上利用真實(shí)的量測信息,同時還保證了數(shù)據(jù)簇屬性的單一性,其中點(diǎn)云簇5和點(diǎn)云簇6是通過第2次聚類所得到的,分別代表了人員目標(biāo)的胸腔和肢體信息。

針對該實(shí)驗(yàn)場景共300幀數(shù)據(jù)進(jìn)行量化統(tǒng)計,使用上文聚類效果評價指標(biāo)評估本文改進(jìn)的點(diǎn)云聚類方法的有效性,并分別與參數(shù)為Eps=0.2 m、Eps=0.5 m的DBSCAN算法聚類效果評估進(jìn)行對比,聚類效果量化統(tǒng)計結(jié)果如表2所示。

表2 聚類效果量化統(tǒng)計結(jié)果

在多人密集情況下,Eps=0.5 m的DBSCAN算法聚類效果粗糙,容易出現(xiàn)誤檢導(dǎo)致聚類精確度較低。Eps=0.2 m的DBSCAN算法在多人密集情況下聚類精確度表現(xiàn)較好,但隨著人數(shù)增加,單目標(biāo)點(diǎn)云數(shù)減少且稀疏,容易出現(xiàn)漏檢導(dǎo)致聚類正確率較低。而與其他算法對比,改進(jìn)方法的聚類精確度和聚類正確率均為最高,分別為93.8%、96.5%,聚類精確度的提升最為明顯。

綜合以上實(shí)驗(yàn)結(jié)果可以看出,傳統(tǒng)的DBSCAN聚類算法在固定的參數(shù)下無法適應(yīng)毫米波雷達(dá)點(diǎn)云數(shù)據(jù)稀疏、均勻性差的特點(diǎn),如果為追求精度將Eps鄰域半徑設(shè)置地較小,雖然可以很好地濾除噪聲,但同時會忽略大量真實(shí)的量測信息,導(dǎo)致目標(biāo)漏檢;而Eps鄰域半徑設(shè)置地較大的時候,聚類結(jié)果會包含了大量的噪聲和虛假目標(biāo)信息,聚類粗糙且數(shù)據(jù)簇屬性缺乏單一性,導(dǎo)致目標(biāo)誤檢。而本文改進(jìn)的點(diǎn)云聚類方法是有效的,更加適應(yīng)毫米波雷達(dá)點(diǎn)云數(shù)據(jù)的特性,所采用的基于DBSCAN的自適應(yīng)參數(shù)聚類算法既可有效地濾除噪聲雜波,又能最大程度地利用真實(shí)的量測信息,而對異常數(shù)據(jù)簇的二次聚類又保證了數(shù)據(jù)簇屬性的單一性,聚類效果更加細(xì)膩和準(zhǔn)確,同時也更適用于多目標(biāo)密集的復(fù)雜情況。

6 結(jié)束語

針對毫米波雷達(dá)點(diǎn)云數(shù)據(jù)特性,同時考慮多目標(biāo)點(diǎn)云密集的復(fù)雜情況,提出一種毫米波雷達(dá)點(diǎn)云的密度和劃分聯(lián)合聚類方法,通過實(shí)驗(yàn)分析改進(jìn)的點(diǎn)云聚類方法可以得到如下結(jié)論。

① 采用基于DBSCAN改進(jìn)的參數(shù)自適應(yīng)聚類算法可以自適應(yīng)地尋找聚類過程中所需要的最佳參數(shù)并實(shí)現(xiàn)聚類,解決了聚類過程中毫米波雷達(dá)點(diǎn)云數(shù)據(jù)存在噪點(diǎn)雜波和點(diǎn)云分布不均勻的影響。

② 通過對異常數(shù)據(jù)簇進(jìn)行劃分聚類,解決了密度聚類算法會對密度相似的空間點(diǎn)進(jìn)行無限制地幾何擴(kuò)張,從而導(dǎo)致數(shù)據(jù)簇屬性不具備單一性的問題,同時也解決了多目標(biāo)密集情況下多個目標(biāo)源的點(diǎn)云數(shù)據(jù)聚成一類的問題,實(shí)現(xiàn)了對多目標(biāo)點(diǎn)云數(shù)據(jù)精準(zhǔn)聚類劃分的效果。

在未來的工作中,將通過多傳感器數(shù)據(jù)融合解決目標(biāo)遮擋、探測盲區(qū)等情況所導(dǎo)致的目標(biāo)量測數(shù)據(jù)丟失問題,并進(jìn)行數(shù)據(jù)簇與跟蹤目標(biāo)之間數(shù)據(jù)關(guān)聯(lián)性的研究,構(gòu)建完整有效的目標(biāo)識別跟蹤與姿態(tài)檢測系統(tǒng)。