鞠夕強(qiáng)， 孟 文， 孟祥印*， 謝江鵬

(1.西南交通大學(xué)機(jī)械工程學(xué)院， 成都 610031; 2.軌道交通運(yùn)維技術(shù)與裝備四川省重點(diǎn)實(shí)驗(yàn)室， 成都 610031)

毫米波雷達(dá)，因其能夠全天候使用，獲取目標(biāo)徑向速度，對(duì)天氣敏感度低，成本較低等優(yōu)點(diǎn)，是當(dāng)前汽車輔助駕駛系統(tǒng)與無人駕駛實(shí)驗(yàn)中必不可少的傳感器之一[1]。但雷達(dá)仍有角分辨率低；雜波、虛假目標(biāo)和噪聲影響目標(biāo)識(shí)別；數(shù)據(jù)輸出稀疏，均勻性差等缺點(diǎn)[2]。根據(jù)毫米波雷達(dá)特性，需要針對(duì)性開發(fā)數(shù)據(jù)處理算法，尤其是數(shù)據(jù)聚類算法。

目前數(shù)據(jù)聚類方法主要有劃分法[3-4]、層次法[5-6]、基于密度的方法[7-8]、基于網(wǎng)格的方法[9-10]。結(jié)合雷達(dá)特性分析：以K-means[11]算法為代表的劃分法雖然簡單快速，但仍需預(yù)先選定K值且對(duì)噪聲及離群點(diǎn)敏感，無法實(shí)時(shí)處理雷達(dá)數(shù)據(jù)；以AGNES算法為代表的層次法，簇間距離容易定義，不需要預(yù)先制定聚類數(shù)，但該方法計(jì)算復(fù)雜度高，實(shí)時(shí)性不強(qiáng)；基于網(wǎng)格的聚類方法[12]聚類速度快，對(duì)高數(shù)據(jù)量數(shù)據(jù)處理效果好，但毫米波雷達(dá)數(shù)據(jù)量小、點(diǎn)數(shù)稀疏，應(yīng)用該方法聚類精度不高；以DBSCAN[13]算法為代表的基于密度的聚類算法對(duì)噪聲不敏感，能發(fā)現(xiàn)任意形狀的簇，缺點(diǎn)是對(duì)數(shù)據(jù)均勻性要求較高，數(shù)據(jù)的稀疏程度影響聚類效果。針對(duì)雷達(dá)特性，中外學(xué)者提出許多雷達(dá)聚類算法。Scheiner等[14]對(duì)雷達(dá)數(shù)據(jù)進(jìn)行二次聚類，第一次聚類使用自適應(yīng)調(diào)整點(diǎn)數(shù)閾值，并擴(kuò)充速度維度的DBSCAN算法；第二次聚類仍使用DBSCAN算法，但參數(shù)不同，取得了較好的數(shù)據(jù)聚類效果。但該算法僅自適應(yīng)調(diào)節(jié)點(diǎn)數(shù)閾值參數(shù)，未能優(yōu)化雷達(dá)均勻性問題。Haag等[15]提出了一種利用跟蹤先驗(yàn)信息最小化聚類誤差的自適應(yīng)聚類方法，使用卡方檢驗(yàn)得到某個(gè)目標(biāo)的先驗(yàn)知識(shí)來針對(duì)性設(shè)置聚類參數(shù)；若無先驗(yàn)知識(shí)，使用基于網(wǎng)格方法進(jìn)行初步劃分，并使用 DBSCAN 算法在網(wǎng)格內(nèi)進(jìn)行聚類。該算法在噪聲及特定場(chǎng)景下跟蹤效果較好，但由于引入先驗(yàn)知識(shí)，可能引起誤差時(shí)域傳遞[16-17]。蔣留兵等[18]利用卡爾曼濾波算法對(duì)DBSCAN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, 提高了聚類實(shí)時(shí)性。但改進(jìn)算法仍有誤差時(shí)域傳遞問題。Kuang等[19]根據(jù)船用雷達(dá)使用場(chǎng)景，提出一種自適應(yīng)水上艦艇聚類方法：首先利用先驗(yàn)知識(shí)進(jìn)行初步聚類，得出聚類估計(jì)目標(biāo)數(shù)目，并作為二次聚類中K-means聚類算法的初始聚類個(gè)數(shù)。最后使用經(jīng)驗(yàn)規(guī)則對(duì)二次聚類后目標(biāo)進(jìn)行合并，在雜波環(huán)境下取得較好的聚類結(jié)果。

針對(duì)上述問題，并結(jié)合雷達(dá)數(shù)據(jù)特性，提出一種基于DBSCAN的自適應(yīng)雷達(dá)聚類算法，能夠根據(jù)K近鄰距離和雷達(dá)散射截面面積(radar cross section, RCS)自適應(yīng)調(diào)整聚類半徑，提高對(duì)不同反射強(qiáng)度、不同稀疏程度目標(biāo)的聚類效果。

1 雷達(dá)目標(biāo)點(diǎn)云特征

對(duì)雷達(dá)數(shù)據(jù)輸出的點(diǎn)云特征進(jìn)行分析總結(jié)，根據(jù)數(shù)據(jù)特征設(shè)計(jì)聚類改進(jìn)算法。選用Continental公司生產(chǎn)的ARS408-21型雷達(dá)作為實(shí)驗(yàn)雷達(dá)，實(shí)驗(yàn)雷達(dá)安裝在實(shí)驗(yàn)車輛前方中網(wǎng)中心左25 cm處。實(shí)驗(yàn)平臺(tái)及雷達(dá)安裝位置如圖1紅框所示。毫米波雷達(dá)經(jīng)過恒虛警檢測(cè)(constant false alarm rate, CFAR)[20]后，通過CAN(controller area network)總線在上位機(jī)接收到的目標(biāo)數(shù)據(jù)如圖2(a)所示，實(shí)時(shí)圖像記錄數(shù)據(jù)如圖2(b)所示。

圖1 實(shí)驗(yàn)平臺(tái)及毫米波雷達(dá)安裝位置

圖2 上位機(jī)接收數(shù)據(jù)

該型號(hào)雷達(dá)角度分辨率為1.6°，固定的角分辨率會(huì)導(dǎo)致在笛卡爾坐標(biāo)系中采樣密度變化[21]。統(tǒng)計(jì)得到目標(biāo)點(diǎn)數(shù)與距離關(guān)系如圖3所示，統(tǒng)計(jì)選取小型客車和行人兩類目標(biāo)，考慮到同目標(biāo)同距離幀間點(diǎn)數(shù)不同，選取連續(xù)7幀數(shù)據(jù)并計(jì)算平均值得到該數(shù)據(jù)。由圖3可知，雖有一定幅度波動(dòng)，同一目標(biāo)在雷達(dá)中獲取點(diǎn)數(shù)隨距離提高而減小。

圖3 目標(biāo)點(diǎn)數(shù)與距離的關(guān)系

毫米波雷達(dá)探測(cè)動(dòng)態(tài)行人與動(dòng)態(tài)車輛點(diǎn)云分布情況及實(shí)時(shí)圖像記錄如圖4所示。該場(chǎng)景為行人向雷達(dá)方向行進(jìn)，車輛橫向及轉(zhuǎn)彎運(yùn)動(dòng)。其中，雷達(dá)靜止，行人在縱向相對(duì)速度vx為0.75～1.25 m/s，車輛vx與橫向相對(duì)速度vy均為0～1.25 m/s。在圖4中，圖4(a)中綠色框選為行人目標(biāo)，紅色框選為車輛目標(biāo)，圖4(b)為作為參考的實(shí)時(shí)圖像記錄。由此可得出：行人目標(biāo)點(diǎn)云間距小，密度大，車輛點(diǎn)云間距大，密度相較行人偏小。

圖4 雷達(dá)探測(cè)數(shù)據(jù)顯示

根據(jù)上述雷達(dá)目標(biāo)描述，可得出雷達(dá)點(diǎn)云目標(biāo)特征：雷達(dá)由于角度分辨率固定，雷達(dá)數(shù)據(jù)存在不均勻性；不同目標(biāo)反射強(qiáng)度、形狀、體積不同，在雷達(dá)中顯示的點(diǎn)云密度不同。

2 改進(jìn)的聚類算法

2.1 經(jīng)典的密度聚類算法-DBSCAN

基于密度的聚類方法一般思想是：搜索空間中每一個(gè)點(diǎn)，使用適合的距離度量來確定鄰域目標(biāo)個(gè)數(shù)，如果一個(gè)點(diǎn)的鄰域范圍內(nèi)目標(biāo)數(shù)超過某一閾值，則形成一個(gè)聚類簇，對(duì)應(yīng)的目標(biāo)點(diǎn)為核心點(diǎn)。若一個(gè)核心點(diǎn)位于另一個(gè)核心點(diǎn)的聚類簇中，則認(rèn)為兩點(diǎn)直接密度可達(dá)。多個(gè)點(diǎn)由直接密度可達(dá)串聯(lián)起來，則點(diǎn)與點(diǎn)之間為密度可達(dá)。從一個(gè)核心點(diǎn)開始，不斷向密度可達(dá)的區(qū)域生長，最終得到一個(gè)包括核心點(diǎn)及其鄰域目標(biāo)的最大化區(qū)域，形成最終聚類。不滿足核心點(diǎn)定義且不包含在聚類簇中的目標(biāo)點(diǎn)被認(rèn)為噪聲點(diǎn)。

DBSCAN算法需給定兩個(gè)參數(shù)：距離半徑Eps和點(diǎn)數(shù)閾值minPts，原始算法中該參數(shù)均為固定值。

2.2 K最近鄰算法

K最近鄰算法[22]主要應(yīng)用于分類以及非線性參數(shù)統(tǒng)計(jì)，該算法思路是：在特征空間中，若一個(gè)樣本附近的k個(gè)最近鄰樣本屬于某一個(gè)類別，則這個(gè)樣本屬于這個(gè)類別。借鑒k最近鄰算法的思路，通過限定k的取值，計(jì)算得到目標(biāo)第k個(gè)最近點(diǎn)的距離，來判斷該點(diǎn)處的密度，并作為Eps取值的決定因素之一。

2.3 改進(jìn)的聚類算法

提出一種聚類參數(shù)自適應(yīng)調(diào)整的毫米波雷達(dá)聚類算法。通過提取并組合K近鄰距離和雷達(dá)反射截面半徑，自適應(yīng)確定聚類半徑。同時(shí)，解決了因聚類半徑不同產(chǎn)生的對(duì)稱性問題。針對(duì)雷達(dá)型號(hào)，調(diào)整聚類算法參數(shù)，實(shí)現(xiàn)更好的聚類效果。與其他雷達(dá)聚類算法[14,18-19]相比，提出的改進(jìn)算法更適應(yīng)不均勻的毫米波雷達(dá)數(shù)據(jù)，包括因雷達(dá)角分辨率固定造成的沿徑向數(shù)據(jù)不均勻，因目標(biāo)體積不同造成的數(shù)據(jù)不均勻。

改進(jìn)算法在DBSCAN算法基礎(chǔ)上改進(jìn)，使Eps值能夠自適應(yīng)調(diào)整，該值的決定變量有：通過K最近鄰距離計(jì)算的距離半徑Eps,K；根據(jù)目標(biāo)在雷達(dá)處的反射截面計(jì)算得到的距離半徑Eps,RCS。Eps計(jì)算公式為

Eps=Eps，K+Eps，RCS

(1)

式(1)中：Eps為某點(diǎn)采用的聚類半徑；Eps,K為通過K最近鄰距離計(jì)算得到的值；Eps，RCS為利用雷達(dá)提供的RCS值轉(zhuǎn)換得到的雷達(dá)假象面積半徑。公式的含義為：以Eps,K作為基礎(chǔ)值，Eps,RCS作為增量確定Eps取值。

通過提取雷達(dá)散射截面作為Eps自適應(yīng)取值的補(bǔ)充量。雷達(dá)散射截面是度量目標(biāo)在雷達(dá)波照射下產(chǎn)生的回波強(qiáng)度的一種物理量，是目標(biāo)的假象面積。由于雷達(dá)照射目標(biāo)的回波強(qiáng)度隨形狀、物理截面大小、材質(zhì)、方向等有很大關(guān)系，但車輛與行人差異較大，文獻(xiàn)[23]給出行人與車輛平均反射強(qiáng)度差值為9 dB/m2，故可作為補(bǔ)充增量。

式(1)中Eps，K的求解思路為：對(duì)感知目標(biāo)進(jìn)行分析，確定K最近鄰距離中設(shè)置的k參數(shù)，并求出每一個(gè)目標(biāo)第k個(gè)相鄰點(diǎn)的距離，與已設(shè)置閾值進(jìn)行比較，函數(shù)可表示為

(2)

式(2)中：α1、α2、α3為提前給定的距離閾值；xk為目標(biāo)離第k個(gè)相鄰點(diǎn)的距離；ε1、ε2為判斷閾值。

在改進(jìn)算法中假設(shè)目標(biāo)假象面積為圓形，通過面積計(jì)算目標(biāo)的假象半徑，該半徑與Eps，RCS的關(guān)系為

Eps,RCS=rRCS

(3)

式(3)中：rRCS為假象半徑，由雷達(dá)的RCS值通過圓形面積公式計(jì)算獲得。

(4)

式(4)中：ωRCS為目標(biāo)的假象面積，m2。本文中采用雷達(dá)輸出目標(biāo)的RCS使用另一種更通用的表達(dá)方式，即使用雷達(dá)散射截面的對(duì)數(shù)值的10倍來表示，單位為dBsm，其與ωRCS的關(guān)系公式為

RCS=10lgωRCS

(5)

改進(jìn)的聚類算法中，參數(shù)Eps由目標(biāo)點(diǎn)自適應(yīng)確定，由此產(chǎn)生初始點(diǎn)選擇不同，聚類結(jié)果不同的問題。圖5展示了一種聚類可能的情景：首先目標(biāo)點(diǎn)具有不同的Eps，在圖5中表現(xiàn)為各點(diǎn)所屬圓的半徑不同。假設(shè)各點(diǎn)均為核心點(diǎn)，藍(lán)點(diǎn)到紅點(diǎn)能夠進(jìn)行密度傳遞，各核心點(diǎn)之間滿足密度相連，但是從紅點(diǎn)到藍(lán)點(diǎn)不能進(jìn)行密度傳遞，不能滿足密度相連條件。為解決改進(jìn)算法引起的上述問題，在本文算法中添加一條規(guī)則：核心點(diǎn)之間密度可達(dá)需滿足對(duì)稱性。圖5中紅藍(lán)核心點(diǎn)密度可達(dá)不滿足對(duì)稱性，認(rèn)定為不同聚類簇。

圖5 一種聚類傳遞示意圖

3 聚類參數(shù)設(shè)定及聚類過程

3.1 聚類參數(shù)設(shè)定

根據(jù)改進(jìn)算法定義，需要輸入的參數(shù)有k、α1、α2、α3、ε1、ε2共6個(gè)參數(shù)。

選取行人和車輛目標(biāo)作為研究對(duì)象，通過統(tǒng)計(jì)目標(biāo)點(diǎn)云個(gè)數(shù)，得出k值。根據(jù)圖3所示，探測(cè)目標(biāo)在小于80 m距離處目標(biāo)點(diǎn)個(gè)數(shù)大于等于2，故k值選定為2。

在改進(jìn)算法中，α1、α2、α3分別表示類行人目標(biāo)聚類閾值，體積介于行人與車輛間的目標(biāo)聚類閾值，類車輛目標(biāo)聚類閾值。α1、α3由式(6)計(jì)算得到，其中δ為閾值放大系數(shù)，本文算法中δ=1.2，Δmax1、Δmax3分別為行人目標(biāo)聚類點(diǎn)間隔最大值與車輛目標(biāo)聚類點(diǎn)間隔最大值。考慮到α2閾值介于行人體積與車輛體積之間，選擇式(7)計(jì)算得到α2。

αn=δΔmaxn,n=1,3

(6)

式(6)中：Δmaxn為設(shè)定的目標(biāo)聚類點(diǎn)間隔最大值，由Δmax1和Δmax3構(gòu)成，根據(jù)式(6)及對(duì)各變量的取值，計(jì)算得α1=0.54，α3=2.412，α2滿足：

(7)

計(jì)算可得α2=1.476。

行人目標(biāo)與車輛目標(biāo)在同一幀數(shù)據(jù)中，點(diǎn)間隔最大值隨距離變化的統(tǒng)計(jì)如圖6所示。其中，圖6(a) 是對(duì)行人目標(biāo)的統(tǒng)計(jì)，圖6(b)是對(duì)小型客車目標(biāo)的統(tǒng)計(jì)。行人統(tǒng)計(jì)場(chǎng)景為圖4，小型客車統(tǒng)計(jì)場(chǎng)景為圖2。由圖6可見，行人目標(biāo)點(diǎn)間隔最大值在0～50 m范圍內(nèi)基本保持穩(wěn)定，在26 m處和 42 m 處有偏離點(diǎn)?？紤]Eps,RCS增量效果及對(duì)多行人的分辨能力，將兩偏離點(diǎn)作為異常點(diǎn)進(jìn)行剔除。取剩余目標(biāo)中點(diǎn)距最大值作為Δmax1取值，可得Δmax1=0.45 m。

圖6 距離與同一聚類點(diǎn)間隔最大值曲線

車輛目標(biāo)在0～80 m處基本保持穩(wěn)定，而在大于等于80 m范圍處距離大幅提高，這與該型號(hào)雷達(dá)特性相關(guān)：該型號(hào)雷達(dá)優(yōu)先保證近距離目標(biāo)的傳輸。若近處目標(biāo)繁多復(fù)雜，雷達(dá)探測(cè)超過100 m的目標(biāo)，僅會(huì)顯示一到兩個(gè)目標(biāo)點(diǎn)。因此，選取80 m范圍內(nèi)，車輛聚類點(diǎn)間隔最大值作為Δmax2取值，可得Δmax2=2.01 m。同時(shí)規(guī)定了改進(jìn)算法在本雷達(dá)的適用范圍：行人目標(biāo)≤50 m；車輛目標(biāo)≤80 m。

選擇具有行人與車輛目標(biāo)的數(shù)據(jù)，計(jì)算所有目標(biāo)的k=2近鄰處目標(biāo)距離，統(tǒng)計(jì)場(chǎng)景與圖4一致，統(tǒng)計(jì)結(jié)果如圖7所示。其中，圖7(a)為統(tǒng)計(jì)獲得的條形圖，圖7(b)為該幀數(shù)據(jù)的圖像記錄。圖7(a)以0.2 m為間隔將數(shù)據(jù)離散化，統(tǒng)計(jì)落入間隔內(nèi)的點(diǎn)數(shù)，其中有3處峰值，根據(jù)點(diǎn)屬性及距離推算，分別對(duì)應(yīng)人車混合點(diǎn)，人車混合點(diǎn)，車輛點(diǎn)。選取(0.4,0.6]上界作為τ1，(1.0,1.2]上界作為τ2。τ1、τ2與判斷閾值ε1、ε2的關(guān)系為

圖7 第k個(gè)最近點(diǎn)距離統(tǒng)計(jì)

ε=στ

(8)

式(8)中：σ為峰值放大系數(shù)，選取σ=1.3，得出ε1=0.78，ε2=1.56。

根據(jù)上述計(jì)算過程，完成改進(jìn)算法中所有參數(shù)設(shè)置。

3.2 實(shí)驗(yàn)數(shù)據(jù)與設(shè)計(jì)

算法需要輸入的數(shù)據(jù)包括雷達(dá)單幀運(yùn)動(dòng)(相對(duì)速度不為0)數(shù)據(jù)集D={d(1),d(2),…,d(N)}共N個(gè)目標(biāo)，數(shù)據(jù)集D的組成元素d(i)有以下屬性d(i)={x(i),y(i),RCS(i)}，算法運(yùn)行所需參數(shù)：k、α1、α2、α3、ε1、ε2。輸出數(shù)據(jù)為F={f(1),f(2),…,f(M)}，數(shù)據(jù)集F的組成元素f(i)有以下屬性f(i)={x(i),y(i),RCS(i),label}，其中l(wèi)abel為聚類簇?cái)?shù)據(jù)標(biāo)簽，表示該目標(biāo)類別。改進(jìn)聚類算法具體步驟如下。

步驟1雷達(dá)數(shù)據(jù)預(yù)處理，將相對(duì)速度為0的目標(biāo)剔除，形成數(shù)據(jù)集D。

步驟2對(duì)數(shù)據(jù)進(jìn)行遍歷，利用上述改進(jìn)過程計(jì)算目標(biāo)Eps。

步驟3執(zhí)行改進(jìn)聚類算法，生成最終聚類結(jié)果。

毫米波雷達(dá)可以檢測(cè)相對(duì)速度為0的目標(biāo)，但考慮到本文算法主要應(yīng)用到動(dòng)態(tài)車輛的目標(biāo)檢測(cè)且毫米波雷達(dá)對(duì)動(dòng)靜(相對(duì)速度是否為0)目標(biāo)成像差異較大，故將相對(duì)速度為0的目標(biāo)剔除。

4 實(shí)驗(yàn)分析

4.1 實(shí)驗(yàn)數(shù)據(jù)與設(shè)計(jì)

對(duì)改進(jìn)聚類算法及其選定參數(shù)進(jìn)行評(píng)估。實(shí)驗(yàn)選用DBSCAN算法與本文算法進(jìn)行對(duì)比。重點(diǎn)比較不同密度數(shù)據(jù)的聚類效果。DBSCAN算法參數(shù)選擇方面，根據(jù)雷達(dá)屬性及過往聚類經(jīng)驗(yàn)值，聚類半徑Eps選取0.5、1.0、1.5，minPts選取為2[minPts為DBSCAN聚類參數(shù)中的點(diǎn)數(shù)閾值，如果聚類半徑(Eps)劃定的范圍內(nèi)點(diǎn)數(shù)超過設(shè)定的點(diǎn)數(shù)閾值(minPts)，則認(rèn)為構(gòu)成一個(gè)聚類簇]。分別記錄改進(jìn)聚類算法與對(duì)比算法在行人目標(biāo)與車輛目標(biāo)的聚類效果，并根據(jù)聚類評(píng)價(jià)指標(biāo)進(jìn)行聚類效果量化評(píng)價(jià)。

所有實(shí)驗(yàn)基于真實(shí)的數(shù)據(jù)集。該數(shù)據(jù)集特征為：實(shí)驗(yàn)車輛靜止，復(fù)雜場(chǎng)景下探測(cè)車輛與行人目標(biāo)，將靜止(相對(duì)速度為0)目標(biāo)濾除以模擬具有相對(duì)速度的場(chǎng)景。數(shù)據(jù)處理平臺(tái)軟件采用Ubuntu16.04系統(tǒng)下ROS Kinect開源平臺(tái)進(jìn)行處理。硬件配置為INTEL i5-6300 4核處理器，8 G內(nèi)存。

4.2 聚類評(píng)價(jià)指標(biāo)

為了評(píng)估改進(jìn)算法及對(duì)比算法，引入2個(gè)評(píng)價(jià)指標(biāo)：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，計(jì)算公式為

(9)

式(9)中：

分別為數(shù)據(jù)f(i)所對(duì)應(yīng)的改進(jìn)聚類標(biāo)簽與真實(shí)標(biāo)簽；N表示雷達(dá)目標(biāo)點(diǎn)個(gè)數(shù)；τ表示的函數(shù)為

(10)

聚類正確率用于比較正確聚類簇?cái)?shù)與實(shí)際探測(cè)對(duì)象個(gè)數(shù)。目標(biāo)聚類正確的定義為：目標(biāo)聚類形成的聚類簇與實(shí)際探測(cè)對(duì)象一一對(duì)應(yīng)。聚類正確的量化標(biāo)準(zhǔn)為：單目標(biāo)AC≥80%。同步記錄圖像與未聚類雷達(dá)數(shù)據(jù)作為真實(shí)場(chǎng)景進(jìn)行驗(yàn)證。聚類正確率公式為

(11)

式(11)中：P為實(shí)際探測(cè)對(duì)象個(gè)數(shù)；S為目標(biāo)聚類正確個(gè)數(shù)。

4.3 實(shí)驗(yàn)結(jié)果

測(cè)試實(shí)驗(yàn)分析了該場(chǎng)景下378幀數(shù)據(jù)，其中行人目標(biāo)793個(gè)。車輛目標(biāo)71個(gè)。摘取一幀數(shù)據(jù)及聚類效果如圖8所示。圖8(a)為未聚類原始數(shù)據(jù)，圖8(b)為改進(jìn)算法聚類結(jié)果，圖8(c)、圖8(d)、圖8(e)為Eps參數(shù)0.5、1.0、1.5 m的DBSCAN算法聚類結(jié)果，圖8(f)為實(shí)時(shí)采集到的圖像。根據(jù)圖8可知，改進(jìn)算法將車輛目標(biāo)和行人目標(biāo)完整聚類。相較DBSCAN算法，聚類效果提升明顯。其中，聚類出的虛警目標(biāo)可由目標(biāo)驗(yàn)證算法剔除。該類目標(biāo)不影響正常目標(biāo)識(shí)別。

圖8 改進(jìn)算法與對(duì)比算法聚類結(jié)果

DBSCAN算法與改進(jìn)算法聚類量化結(jié)果如表1和表2所示，其中，表1為行人聚類量化統(tǒng)計(jì)結(jié)果，表2為車輛聚類量化統(tǒng)計(jì)結(jié)果。根據(jù)數(shù)據(jù)可得出：相較對(duì)比算法，改進(jìn)算法在行人目標(biāo)和車輛目標(biāo)中聚類正確率AR均為最高，分別為96.60%，70.42%。行人的聚類精確度最高，達(dá)到98.15%，車輛聚類精確度稍遜與Eps=1.5 m的DBSCAN算法。考慮到車輛聚類正確率高于該對(duì)比算法，并結(jié)合兩種量化指標(biāo)定義，可以得出結(jié)論：改進(jìn)算法更適應(yīng)于點(diǎn)數(shù)稀疏的車輛目標(biāo)。以實(shí)際應(yīng)用中較為可行的，Eps=1.5 m的DBSCAN聚類算法對(duì)比，改進(jìn)聚類算法對(duì)行人目標(biāo)識(shí)別準(zhǔn)確率提高4.18%，對(duì)車輛目標(biāo)識(shí)別準(zhǔn)確率提高5.63%。

表1 行人聚類效果量化統(tǒng)計(jì)結(jié)果

表2 車輛聚類效果量化統(tǒng)計(jì)結(jié)果

值得注意的是，車輛目標(biāo)在Eps=0.5 m的 DBSCAN 算法中聚類正確率為0，Eps=1.0 m聚類正確率為7.04%。因?yàn)樯鲜鰞煞N參數(shù)無法將車輛目標(biāo)完整聚類，或者完成大部分聚類，故目標(biāo)聚類正確個(gè)數(shù)S極小甚至為0，使得聚類正確率較低。總的來說，相較于DBSCAN聚類算法，改進(jìn)算法能夠較好的適應(yīng)毫米波雷達(dá)場(chǎng)景，提高聚類精準(zhǔn)度。

5 結(jié)論

通過實(shí)驗(yàn)分析改進(jìn)算法可得到如下結(jié)論。

(1)針對(duì)毫米波雷達(dá)點(diǎn)云數(shù)據(jù)稀疏，不同類型目標(biāo)均勻性差，噪點(diǎn)較多等特征，提出一種適用于毫米波雷達(dá)的聚類算法，算法基于DBSCAN進(jìn)行改進(jìn)。

(2)通過計(jì)算點(diǎn)周圍的疏密程度，結(jié)合雷達(dá)自身輸出的RCS信息，使聚類半徑能夠自適應(yīng)調(diào)整，最終實(shí)現(xiàn)根據(jù)目標(biāo)的稀疏程度及其反射特征自適應(yīng)聚類的目標(biāo)。針對(duì)改進(jìn)后密度相連可能無法對(duì)稱問題，對(duì)改進(jìn)算法添加對(duì)稱性規(guī)則。

(3)使用真實(shí)雷達(dá)數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明，改進(jìn)聚類算法能夠更好地適用毫米波雷達(dá)點(diǎn)云特征，與DBSCAN算法相比，聚類精度有明顯提升。