基于改进DBSCAN算法的激光雷达水面目标检测

激光雷达点云是一种目标近距离密度大、远距离密度小的不均匀点云.DBSCAN聚类算法有邻域值ε和密度阈值Minpts两个重要参数,参数的选取比较困难.传统的DBSCAN算法,采用固定的邻域值ε和密度阈值Minpts难以对全部数据实现良好聚类,对密度不均匀的激光雷达点云数据集会出现近距离的目标欠分割、远距离的目标漏检的情况.针对上述两个问题,提出了一种自适应参数的改进DBSCAN算法,对每一个不同的点云数据采用独立的ε进行聚类.确定激光雷达相邻两根扫描线距离,再乘以相应的点云距离作为每一个点云的邻域值ε.计算点云每一个点的包含在ε邻域内的点数,统计点数的期望作为Minpts.通过统计近距离出现过分割或视为噪声的目标点云,计算其邻域值ε的最大值获得邻域值下限,防止近距离点云邻域值过小导致过分割的情况.仿真结果表明:改进的DBSCAN算法,既能够区分出近距离的障碍物,也可以对远距离的目标进行聚类.