(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210380269.1 (22)申请日 2022.04.12 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新西区西源 大道2006号 (72)发明人 黄际彦　王珍　刘宁宁　李汉君　 慕方方　马敏　刘宇飞　谭艳敏　 刘志远　胡伟　匡振东　 (74)专利代理 机构 成都点睛专利代理事务所 (普通合伙) 51232 专利代理师 孙一峰 (51)Int.Cl. G06T 7/246(2017.01) G06V 10/762(2022.01) G06V 10/80(2022.01)G06K 9/62(2022.01) G01S 13/88(2006.01) (54)发明名称 一种基于目标运动特 征的DBSCAN聚类方法 (57)摘要 本发明属于道路场景下扩展目标跟踪 领域， 具体涉及一种基于目标运动特征的DBSCAN聚类 方法。 本发明首先利用DBSCAN实现目标点 云的初 步聚类， 将雷达视场中的点云分为不同的簇； 然 后利用预实验设计了针对单目标点簇及双目标 点簇的分类识别方法， 可有效识别包含多个目标 的点簇； 最后通过多帧累积方法确定识别结果， 依据识别结果确定是否利用kmeans对双目标点 簇执行二次聚类。 有效解决了传统DBSCAN算法在 多目标场景下， 因目标之间距离较近且运动状态 相似而导致的无法准确聚类的问题。 提高了道路 场景下扩展目标的聚类性能。 权利要求书1页 说明书5页 附图3页 CN 114693740 A 2022.07.01 CN 114693740 A 1.一种基于目标运动特 征的DBSCAN聚类方法， 其特 征在于， 包括以下步骤： S1、 利用毫米波雷达获取道路场景下行人、 自行车、 汽车三类典型目标在单目标运动场 景下的大量点云数据， 通过DBSCAN实现点迹凝聚， 并从聚类得到的单个目标的点云数据中 提取出18个分类特征， 分别为点云个数、 X轴方向距离 极差、 X轴方向距离方差、 Y轴方向距离 极差、 Y轴方向距离方差、 目标面积、 点云密度、 速度值极差、 速度值方差、 平均速度、 snr极 差、 snr方差、 snr均值、 snr最大值、 径向距离极差、 径向距离方差、 方位角极差、 方位角方差； S2、 利用互信息描述18个特 征与目标类别之间的相关程度， 互信息计算公式为： 其中， X为特征对应的随机变量， Y为目标类别； p(x,y)为随机变量X、 Y的联合概率密度； p(x)、 p(y)分别为随机变量X、 Y的概率密度函数， 若两个随机变量X、 Y的互信息值越大， 则认 为两个变量的相关程度越高； 反之， 则认为两个变量的相关程度越低， 通过以上公 式计算获 取的18个特 征与目标类别之间的互信息值； S3、 将各个特征与与目标类别之间互信息量的估计值从大到小进行排序， 只保留前K个 特征， 以实现在不降低分类结果的前提下降低特征维度从而降低模型复杂度的目的， 基于 支持向量机 分类器， 采用十折交叉验证， 得到所保留的特征数目与分类结果的关系， 以此确 定保留的特 征数目K及要保留的K个特 征； S4、 通过实测数据统计行人、 自行车、 汽车三类单目标点云对应的K个特征范围， 将所有 的双目标组合视为 一个目标类别， 三类单目标 各对应一个目标类别； S5、 利用DBSCAN对毫米波雷达一次扫描获取的所有点云数据进行初次聚类； S6、 针对初次聚类结果确定每个聚类点簇对应的K个特征值， 将其与S4中确定的三类单 目标的K个特征范围进行匹配， 若K个特征均满足某一类单目标的特征范围， 则判定该聚类 点簇为单目标； 否则判定其 为双目标， 保存当前帧聚类点簇的识别结果； S7、 利用最近邻算法及卡尔曼滤波算法将每个目标前后时刻的聚类结果进行关联， 保 存每个目标点簇连续10帧的聚类识别 结果， 对于起航成功的目标， 取10帧聚类识别结果中 最多的识别结果作为该目标最 终的识别结果； 若识别结果为单目标， 则聚类完成； 若识别结 果为双目标， 则将第10帧点云数据的目标数量设置为2， 利用K ‑means算法进 行二次聚类， 以 此获取正确的目标 数量， 聚类完成。权　利　要　求　书 1/1 页 2 CN 114693740 A 2一种基于目标运动特征的DBSCAN聚类方 法 技术领域 [0001]本发明属于道路场景下扩展目标跟踪领域， 具体涉及一种基于目标运动特征的 DBSCAN聚类方法。 背景技术 [0002]近年来， 随着道路环境的日渐复杂， 智能交通系统(Intelligent  Transport   System,ITS)的作用日渐凸显。 毫米波雷达凭借全天时、 全天候、 高分辨等优点成为ITS中的 核心传感器之一。 随着毫米波雷达分辨率不断提高， 一个目标可占据传感器的多个分辨单 元， 此类目标称为扩展目标。 基于实际应用环境中复杂的点云数据设计精确度尽可能高、 实 时性尽可能好的扩展目标跟踪框架对于提升ITS工作性能而言具有重要意 义。 [0003]扩展目标跟踪技术往往需要利用点迹凝聚算法将传感器视场内所有点迹凝聚为 不同的簇， 每个簇对应一个运动目标。 在经典的聚类算法中， 基于密度的空间聚类应用噪声 (Density ‑Based Spatial Clustering  of Applications  with Noise,DBSCAN)算法常被 用于实现扩展目标的点迹凝聚。 在算法实现过程中， 聚类参数Eps和MinPts的设置情况将直 接影响DBSCAN的聚类结果。 Eps过大可能导致相距较近的两个目标聚类成为一个点簇； Eps 过小可能导致目标分裂成多个点簇。 MinPts过大可能导致目标点簇聚类失败， MinPts过小 可能导致噪声聚类成目标点簇。 针对此问题， 目前大多 数做法都是对聚类参数进 行改进， 提 出不同的自适应参数聚类方法。 但是在实时道路系统中， 雷达采集的每一帧点云都可能出 现新的扩展目标， 且目标类型未知， 所以无法依据目标的先验信息自适应确定聚类参数Eps 和MinPts， 只能在固定参数下完成扩展目标的点迹凝聚。 利用固定参数的DBSCAN方法进行 点迹凝聚能够完成常见运动目标的聚类， 但该方法会将相距较近且运动状态相似的双目标 凝聚为一个目标点簇， 即出现目标消失的情况。 发明内容 [0004]针对上述问题， 本发明提出基于 目标运动特征的DBSCAN方法， 该方法有效解决了 固定参数的DBSCAN方法存在的问题， 提高了扩展目标的聚类性能。 [0005]本发明的目的在于提供一种适用于道路场景的基于目标运动特征的DBSCAN聚类 方法， 该方法通过判断初步DBS CAN初步聚类结果是否为双目标点簇确定是否对其进 行二次 聚类， 有效解决了传统DBSCAN算法在多目标场景下， 因目标距离较近且运动状态相 似而导 致的无法准确聚类的问题， 提高了扩展目标的聚类性能。 [0006]本发明采用的技 术方案是： [0007]一种基于目标运动特 征的DBSCAN聚类方法， 包括以下步骤： [0008]S1、 利用毫米波雷达获取道路场景下行人、 自行车、 汽车三类典型目标在单目标运 动场景下的大量点云数据， 通过DBSCAN实现点迹凝聚， 并从聚类得到的单个目标的点云数 据中提取 出表1中的18个分类特 征； [0009]表1 18个分类特 征说　明　书 1/5 页 3 CN 114693740 A 3