基于优化DBSCAN算法的激光雷达障碍物检测

TP277; 在激光雷达障碍物检测中,由于数据密度分布不均匀,传统DBSCAN聚类算法无法同时对近距离和远距离目标实现良好聚类,容易导致漏检和误检.为了解决这个问题,改进了传统DBSCAN算法聚类邻域半径ε参数的选值方法,不同于传统DBSCAN算法在聚类过程中使用统一的聚类邻域半径,而是调整为根据目标距离变化而变化的自适应聚类邻域半径.首先根据激光雷达扫描线分布求出相邻两条扫描线的间距建立ε*列表,然后依据每个扫描点的坐标值在列表中查找出对应的列表值,最后通过线性插值法确定对应的邻域半径.福特数据集的实验结果表明,优化之后的DBSCAN算法无论是对近距离目标还是远距离目标,其聚类效果均得到明显...

Full description

Saved in:
Bibliographic Details
Published in:Guang Dian Gong Cheng = Opto-Electronic Engineering 2019-07, Vol.46 (7), p.180514-84
Main Authors: 蔡怀宇, 陈延真, 卓励然, 陈晓冬 / Cai Huaiyu, Chen, Yanzhen, Zhuo Liran, Chen, Xiaodong
Format: Article
Language:chi ; eng
Subjects:
Algorithms
Automobiles
Clustering
Distance learning
Engineering
Information technology
Interpolation
Laboratories
Lasers
Lidar
Obstacle avoidance
R&D
Research & development
Roads & highways
Scanners
Sensors
Vehicles
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:TP277; 在激光雷达障碍物检测中,由于数据密度分布不均匀,传统DBSCAN聚类算法无法同时对近距离和远距离目标实现良好聚类,容易导致漏检和误检.为了解决这个问题,改进了传统DBSCAN算法聚类邻域半径ε参数的选值方法,不同于传统DBSCAN算法在聚类过程中使用统一的聚类邻域半径,而是调整为根据目标距离变化而变化的自适应聚类邻域半径.首先根据激光雷达扫描线分布求出相邻两条扫描线的间距建立ε*列表,然后依据每个扫描点的坐标值在列表中查找出对应的列表值,最后通过线性插值法确定对应的邻域半径.福特数据集的实验结果表明,优化之后的DBSCAN算法无论是对近距离目标还是远距离目标,其聚类效果均得到明显改善.与传统算法相比,障碍物检测正检率提高了17.52％.
ISSN:1003-501X
DOI:10.12086/oee.2019.180514