一种基于距离分布和局部密度估计的自适应DBSCAN聚类方法

本发明属于目标检测与聚类分析，具体涉及一种基于距离分布和局部密度估计的自适应dbscan聚类方法，适用于雷达点云目标检测与分割场景。

背景技术：

1、随着计算机视觉和传感技术的不断演进，目标检测与聚类分析技术在各个领域的应用日益广泛。这项技术不仅在智能监控、安防系统和智能交通等领域发挥着关键作用，该技术的广泛应用将深刻改变人们的生活方式和工作方式，推动着社会向着更加智能化、便捷化的方向不断发展。

2、当前雷达数据聚类方法主要有三个类型，分别是基于划分的聚类方法。 该类方法将数据集预先划分为指定数量的簇，并通过迭代优化目标函数来调整簇内样本的归属关系。代表算法包括k-means、k-medoids等。其优点是计算效率高、实现简单，缺点是需要预先指定聚类数目，且对初始中心敏感，难以发现非凸形状的簇。第二类是基于层次的聚类方法。 该类方法通过构建树状层次结构对数据进行聚类，可分为凝聚式（自底向上）和分裂式（自顶向下）两种策略。代表算法包括birch、cure、agnes等。该类方法能够发现多尺度的聚类结构，但计算复杂度通常较高，且合并或分裂操作一旦执行无法回溯。另一类是基于密度的聚类方法。 该类方法将簇定义为密度相连的数据点的最大集合，能够在存在噪声的空间数据中发现任意形状的簇。代表算法包括dbscan、optics、denclue、mean shift等。该类方法不需要预先指定聚类数目，能够有效识别噪声点，缺点是对输入参数较为敏感，参数的设置极大程度的影响聚类效果。

3、在上述各类算法中，dbscan（density-based spatial clustering ofapplications with noise，基于密度的空间噪声应用聚类算法）是一种经典的密度聚类方法，其核心思想是通过样本分布的紧密程度确定聚类结构，能够发现任意形状的簇并自动识别噪声点，因此被广泛应用于激光雷达点云分割、毫米波雷达目标检测、三维空间数据分析等领域。

4、dbscan算法涉及两个关键输入参数：邻域半径eps和最小邻域点数minpts。其中，eps定义了数据点之间的邻域范围，minpts则规定了构成一个簇所需的最小点数。这两个参数的选取直接决定了聚类结果的优劣：若eps设置过大，可能导致不同簇被错误合并；若eps设置过小，则可能将一个完整簇分裂为多个碎片。类似地，minpts设置不当也会导致聚类性能显著下降。现有技术中，dbscan参数的确定主要存在以下问题：

5、1.依赖人工经验调参。 传统dbscan方法需要用户根据先验知识或反复试验来设定eps和minpts，不仅效率低下，而且当数据分布未知或动态变化时难以获得最优参数组合。在实时性要求较高的应用场景（如自动驾驶环境感知）中，人工调参的方式难以满足实际需求。

6、2.固定参数难以适应密度分布不均的数据。 许多改进方法采用全局统一的参数设定，但真实场景下的点云数据（如车载雷达点云）往往呈现非均匀密度分布——近处点云密集、远处点云稀疏，固定参数无法兼顾稀疏区域与密集区域的聚类需求，导致远处目标漏检或近处目标过分割。

7、3.现有自适应方法计算复杂度高和鲁棒性不足。 近年来，研究者提出了一些自适应dbscan方法，一些方法采用核密度估计（kde）或网格划分进行参数自适应，但计算开销较大，难以满足实时性要求；还有方法利用遗传算法、粒子群优化等启发式算法进行参数搜索，虽然效果较好但计算成本过高，不适于大规模或在线应用场景；

8、针对上述问题，本发明在降低雷达信号的复杂度的同时实现了参数自适应，并且对多目标实现了有效聚类。

技术实现思路

1、本发明的目的在于提供一种基于距离分布和局部密度估计的自适应dbscan聚类方法，旨在解决现有技术中参数设置繁琐、难以适应点云密度不均环境以及计算复杂度高和鲁棒性不足的技术难题。

2、为实现上述目的，本发明提供实现技术方案，包括以下步骤：

3、步骤一、采用调频连续波(frequency modulated continuous wave, fmcw)雷达采集多人体目标行为的雷达信号。通过对回波信号矩阵的快时间、慢时间、方位角天线与俯仰角天线进行4次fft变换，我们可以得到包含距离、速度、方位角与俯仰角在内的具有四个维度信息回波信号矩阵。

4、步骤二、本发明通过ca-cfar算法消除虚功率，进行初步的目标检测，保留可能包含目标的信号单元。其次，通过几何空间坐标转换将高维矩阵信号转化为点云矩阵，有效降低雷达信号的复杂度。

5、步骤三、基于距离分布的自适应邻域半径eps估计。对一帧中的点云矩阵中所有点云向量计算两两之间的欧氏距离，生成距离分布向量；对所述距离分布向量进行统计与高斯平滑处理。根据谷底值与峰值的相对位置关系，取中点确定邻域半径eps。

6、步骤四、基于局部密度的自适应最小邻域点数minpts估计。计算每个点与其k个近邻点的平均距离并取倒数得到局部密度，取所有点局部密度的中位数作为全局密度特征值，经线性变换与边界裁剪，防止取值过大或过小，最后得到最小邻域点数minpts。

7、步骤五、采用密度聚类算法（density-based spatial clustering，dbscan）对点云矩阵进行聚类，将每一帧中的同类型点云聚类成为一簇，同时将不能构成簇的点云标记为噪声并进行去除。

1.一种基于距离分布和局部密度估计的自适应dbscan聚类方法，其特征包括以下步骤：