雷达目标识别最常用的聚类算法之一——密度聚类DBSCAN

最新推荐文章于 2024-05-15 08:46:26 发布

深耕智能驾驶

最新推荐文章于 2024-05-15 08:46:26 发布

阅读量1.1k

点赞数

分类专栏：目标跟踪系列文章标签：聚类算法数据挖掘目标跟踪数据分析

本文链接：https://blog.csdn.net/jane0819/article/details/130654277

版权

目标跟踪系列专栏收录该内容

25 篇文章 70 订阅 ¥39.90 ¥99.00

订阅专栏

当雷达检测目标点的数据达到一定程度，基于原始检测点目标的跟踪算法耗时耗力，且容易导致目标分裂，所以常见的处理方式是在建立目标的关联航迹之前，先对点目标进行聚类预处理，比如200个目标检测点，经过DBSCAN聚类之后，产生50个左右的聚类目标，在50个聚类目标的基础上再去进行航迹的关联跟踪，这样做有几点好处：
1）大大减少了目标跟踪的复杂度和时间；
2）对大目标的分裂问题友好；
3）通过聚类的结果对单一的虚假点进行过滤，减少虚假航迹；
4）通过类内的点的特征与分布，可以帮助估计目标的特征与运动形态；

本文提供了DBSCAN的matlab代码实现，但在具体应用的过程中，需要根据实际雷达检测点的质量、精度、分辨率等信号的指标特性，动态调整DBSCAN的代码逻辑或者聚类门限，以下代码仅供大家学习和研究。

%----------------DBSCAN聚类算法-----------------
% 基于密度聚类，不需要设定类的数量
% 优势：首先，它根本不需要pe-set数量的簇。 它还将异常值识别为噪声，而不像mean-shift，即使数据点非常不同，
%       它们也会将它们引入群集中。 另外，它能够很好地找到任意大小和任意形状的簇。
% 缺点：当簇的密度不同时，DBSCAN的性能不如其他组织。 这是因为当密度变化时，用于识别邻近点的距离阈值ε和
%       minPoints的设置将随着群集而变化。 对于非常高维的数据也会出现这种缺点，因为距离阈值ε再次难以估计。
%-----------------------------------------------------
function [IDX, isnoise]=DBSCAN(X,epsilon,MinPts)
    C = 0;
    n = size(X,1);
    IDX = zeros(n,1);
    D = pdist2(X,X); % 计算向量之间的距离
    visited = false(n,1);
    isnoise = false(n,1);
    for i = 1:n
        if ~visited(i)
            visited(i) = true;           
            Neighbors = RegionQuery(i); % 找到第i个点epsilon范围内的点
            if numel(Neighbors) < MinPts % numel()返回满足条件的元素个数
                % X(i,:) is NOISE
                isnoise(i) = true;
            else
                C=C+1;
                ExpandCluster(i,Neighbors,C);
            end          
        end
    end
    
    function ExpandCluster(i,Neighbors,C)
        IDX(i) = C;        
        k = 1;
        while true
            j = Neighbors(k);           
            if ~visited(j)
                visited(j) = true;
                Neighbors2 = RegionQuery(j);
                if numel(Neighbors2) >= MinPts
                    Neighbors=[Neighbors Neighbors2];   %#ok
                end
            end
            if IDX(j) == 0
                IDX(j) = C;
            end            
            k = k + 1;
            if k > numel(Neighbors)
                break;
            end
        end
    end
    
    function Neighbors = RegionQuery(i)
        Neighbors = find(D(i,:) <= epsilon);
    end
end

clc;
clear;
close all;
 
%% test Data
% 这里使用的iris数据的一部分，由于第3维和第4为数据数据区分度好，因此用3、4维数据测试
% Iris-setosa
X1 = [5.1,3.5,1.4,0.2;
        4.9,3.0,1.4,0.2;
        4.7,3.2,1.3,0.2;
        4.6,3.1,1.5,0.2;
        5.1,3.7,1.5,0.4;
        4.6,3.6,1.0,0.2;
        5.1,3.3,1.7,0.5;
        5.0,3.6,1.4,0.2;
        5.4,3.9,1.7,0.4;
        4.6,3.4,1.4,0.3;
        5.0,3.4,1.5,0.2;
        4.4,2.9,1.4,0.2;
        4.9,3.1,1.5,0.1;
        5.4,3.7,1.5,0.2;
        4.8,3.4,1.6,0.2;
        4.8,3.0,1.4,0.1;
        4.3,3.0,1.1,0.1;
        5.8,4.0,1.2,0.2;
        5.7,4.4,1.5,0.4;
        5.4,3.9,1.3,0.4;
        5.1,3.5,1.4,0.3;
        5.7,3.8,1.7,0.3;
        5.1,3.8,1.5,0.3;
        5.4,3.4,1.7,0.2;
        6.4,3.2,4.5,1.5;
        6.9,3.1,4.9,1.5;
        5.5,2.3,4.0,1.3;
        6.5,2.8,4.6,1.5;
        5.7,2.8,4.5,1.3;
        6.3,3.3,4.7,1.6;
        4.9,2.4,3.3,1.0;
        4.9,2.4,3.3,1.0;
        6.6,2.9,4.6,1.3;
        5.2,2.7,3.9,1.4;
        5.0,2.0,3.5,1.0;
        5.9,3.0,4.2,1.5;
        6.0,2.2,4.0,1.0];
X = X1(:,3:4);
A = X;
%% 计算每个点的最邻近距离，并存储在Kdist中
% knnsearch K近邻算法是找到K个最近的邻居。% KNN k distance graph, to determine the epsilon
numData = size(A,1);
Kdist = zeros(numData,1);
[IDX,Dist] = knnsearch(A(2:numData,:),A(1,:));% IDX 返回A(2:numData,:)中离A(1,:)最近的向量索引值，Dist表示对应的距离
Kdist(1) = Dist;
for i = 2:numData
    [IDX,Dist] = knnsearch(A([1:i-1,i+1:numData],:),A(i,:));
    Kdist(i) = Dist;
end
[sortKdist,sortKdistIdx] = sort(Kdist,'descend');
distX = [1:numData]';
plot(distX,sortKdist,'r+-','LineWidth',2);
set(gcf,'position',[1000 340 350 350]);
grid on;
 
%% Run DBSCAN Clustering Algorithm
epsilon = 0.2;
MinPts =  3;
IDX1=DBSCAN(A,epsilon,MinPts);

%% Plot Results
figure;
PlotClusterinResult(A, IDX1);
title(['DBSCAN Clustering (\epsilon = ' num2str(epsilon) ', MinPts = ' num2str(MinPts) ')']);
set(gcf,'position',[30 -10 500 500]); 
 
%% Run DBSCAN Clustering Algorithm
epsilon= 0.25 ;
MinPts=  3   ;
IDX2=DBSCAN(A,epsilon,MinPts);
%% Plot Results
figure;
PlotClusterinResult(A, IDX2);
title(['DBSCAN Clustering (\epsilon = ' num2str(epsilon) ', MinPts = ' num2str(MinPts) ')']);
set(gcf,'position',[530 -10 500 500]);

%% Run DBSCAN Clustering Algorithm
epsilon= 0.5 ;
MinPts=  3   ;
IDX3=DBSCAN(A,epsilon,MinPts);
%% Plot Results
figure;
PlotClusterinResult(A, IDX3);
title(['DBSCAN Clustering (\epsilon = ' num2str(epsilon) ', MinPts = ' num2str(MinPts) ')']);
set(gcf,'position',[30 380 500 500]);

%结果显示子函数，需另外创建.m文件保存
% Copyright (c) 2015, Yarpiz (www.yarpiz.com)
% All rights reserved. Please read the "license.txt" for license terms.
%
% Project Code: YPML110
% Project Title: Implementation of DBSCAN Clustering in MATLAB
% Publisher: Yarpiz (www.yarpiz.com)
% 
% Developer: S. Mostapha Kalami Heris (Member of Yarpiz Team)
% 
% Contact Info: sm.kalami@gmail.com, info@yarpiz.com
function PlotClusterinResult(X, IDX)
    k=max(IDX);
    Colors=hsv(k);
    Legends = {};
    for i=0:k
        Xi=X(IDX==i,:);
        if i~=0
            Style = 'x';
            MarkerSize = 8;
            Color = Colors(i,:);
            Legends{end+1} = ['Cluster #' num2str(i)];
        else
            Style = 'o';
            MarkerSize = 6;
            Color = [0 0 0];
            if ~isempty(Xi)
                Legends{end+1} = 'Noise';
            end
        end
        if ~isempty(Xi)
            plot(Xi(:,1),Xi(:,2),Style,'MarkerSize',MarkerSize,'Color',Color);
        end
        hold on;
    end
    hold off;
    axis equal;
    grid on;
    legend(Legends);
    legend('Location', 'NorthEastOutside');
end