分区基于密度的聚类算法在激光雷达行人检测系统中的应用

发布时间：2018-11-20 13:28

【摘要】：行人检测过程中原始DBSCAN算法不能正确地对密度不均匀的激光点云聚类,产生错误的聚类结果导致行人检测系统出现误检和漏检。为解决这一问题,基于激光雷达的行人检测系统在原始密度聚类算法DBSCAN的基础上提出了分区DBSCAN算法。该算法将密度不均匀的点云数据划分为若干个密度相对均匀的分区,从而能实现对行人的快速准确检测。实验结果表明原始DBSCAN算法行人检测率为62.47%,使用分区DBSCAN算法的激光雷达行人检测系统行人检测率达到82.21%,相对于原始DBSCAN算法检测精度提高了19.74%;而且在时间消耗上也比原始DBSCAN算法降低了16.22%。
[Abstract]:In the process of pedestrian detection, the original DBSCAN algorithm can not correctly cluster the laser point cloud with uneven density, which leads to false detection and missed detection in pedestrian detection system. In order to solve this problem, based on the original density clustering algorithm (DBSCAN), a partition DBSCAN algorithm is proposed for pedestrian detection system based on lidar. In this algorithm, the point cloud data with uneven density can be divided into several areas with relatively uniform density, so that the pedestrian can be detected quickly and accurately. The experimental results show that the pedestrian detection rate of the original DBSCAN algorithm is 62.47, and the pedestrian detection rate of the lidar pedestrian detection system using the partitioned DBSCAN algorithm is 82.21, which improves the detection accuracy by 19.74 compared with the original DBSCAN algorithm. Moreover, the time consumption is 16.22% lower than the original DBSCAN algorithm.
【作者单位】： 长安大学汽车学院;
【基金】：长江学者和创新团队发展计划项目(IRT1286) 陕西省自然科学基金(2016JQ5096) 中央高校基本科研业务费专项资金(10822151028,310822172001)资助
【分类号】：TN958.98;TP311.13

【参考文献】

相关期刊论文 前9条

1 吴伟民;黄焕坤;;基于差分隐私保护的DP-DBScan聚类算法研究[J];计算机工程与科学;2015年04期

2 张晓;;基于并查集的DBSCAN算法设计[J];伊犁师范学院学报(自然科学版);2014年04期

3 卢志茂;冯进玫;范冬梅;杨朋;田野;;面向大数据处理的划分聚类新方法[J];系统工程与电子技术;2014年05期

4 蔡岳;袁津生;;基于改进DBSCAN算法的文本聚类[J];计算机工程;2011年12期

5 于亚飞;周爱武;;一种改进的DBSCAN密度算法[J];计算机技术与发展;2011年02期

6 袁夏;赵春霞;;一种应用于机器人导航的激光点云聚类算法[J];机器人;2011年01期

7 关超华;陈泳丹;陈慧岩;龚建伟;;基于改进DBSCAN算法的激光雷达车辆探测方法[J];北京理工大学学报;2010年06期

8 冯少荣;肖文俊;;基于密度的DBSCAN聚类算法的研究及应用[J];计算机工程与应用;2007年20期

9 周水庚,周傲英,曹晶;基于数据分区的DBSCAN算法[J];计算机研究与发展;2000年10期

相关硕士学位论文 前1条

1 万忠涛;基于激光雷达的道路与障碍检测研究[D];国防科学技术大学;2010年

【共引文献】

相关期刊论文 前10条

1 宋柱;付锐;张名芳;刘新雨;;分区基于密度的聚类算法在激光雷达行人检测系统中的应用[J];科学技术与工程;2017年18期

2 段建民;任璐;王昶人;刘丹;;基于四线激光雷达的道路信息提取与目标检测[J];激光杂志;2017年06期

3 秦绪华;王秋平;陈志强;;基于改进k-means算法的电站最优外部运行工况划分[J];热力发电;2017年06期

4 孙昊;张明新;戴娇;尚赵伟;;基于网格的快速搜寻密度峰值的聚类算法优化研究[J];计算机工程与科学;2017年05期

5 王荣荣;傅秀芬;;一种改进的m_(pts)-HDBSCAN算法[J];广东工业大学学报;2017年03期

6 陈广胜;程逸群;景维鹏;;基于KD树划分的云计算DBSCAN优化算法[J];计算机工程;2017年04期

7 刘岩;王存睿;;基于抽样融合改进的大数据聚类方法[J];微电子学与计算机;2017年04期

8 王媛媛;李翔;;基于人口统计学的改进聚类模型协同过滤算法[J];计算机科学;2017年03期

9 陈继峰;刘广聪;彭成平;;一种改进的无线传感器网络DV-Hop定位算法[J];广东工业大学学报;2017年02期

10 王晓燕;邹坚敏;裘晨露;邓毅萍;;基于数据挖掘的交通事故信息综合分析研判系统构建研究[J];中国公共安全(学术版);2016年04期

相关硕士学位论文 前10条

1 李龙杰;基于四线激光雷达的道路信息提取技术研究[D];北京工业大学;2016年

2 崔熠明;基于激光雷达的智能车防撞预警系统研究[D];吉林大学;2016年

3 严征;无人车的道路边界检测研究[D];西安工业大学;2016年

4 乔佳楠;基于二维激光雷达的无人运动平台环境感知方法研究[D];北京理工大学;2016年

5 刘柏楠;道路坡度及车辆质量自适应的自主驾驶车辆纵向速度控制研究[D];吉林大学;2015年

6 张子君;社会群优化算法及其在机器人导航中的应用[D];华东理工大学;2014年

7 胡金辉;基于多源融合的行人检测方法研究[D];吉林大学;2013年

8 张双喜;基于雷达与相机的无人驾驶智能车障碍物检测技术研究[D];长安大学;2013年

9 丁磊;基于16位单片机MC9S12XS128的两轮自平衡智能车的系统研究与开发[D];长安大学;2013年

10 杨光祖;基于多种激光雷达数据融合的障碍检测技术的研究[D];北京工业大学;2013年

【二级参考文献】

相关期刊论文 前10条

1 李杨;郝志峰;温雯;谢光强;;差分隐私保护k-means聚类方法研究[J];计算机科学;2013年03期

2 陈海明;崔莉;谢开斌;;物联网体系结构与实现方法的比较研究[J];计算机学报;2013年01期

3 ;Adaptive monopulse beamforming with partial parallel structure[J];Journal of Systems Engineering and Electronics;2012年06期

4 李杨;温雯;谢光强;;差分隐私保护研究综述[J];计算机应用研究;2012年09期

5 贾建华;焦李成;;空间一致性约束谱聚类算法用于图像分割[J];红外与毫米波学报;2010年01期

6 李莉平;沈俊媛;;基于数据挖掘的DBSCAN算法及其应用[J];科技创业月刊;2009年08期

7 夏鲁宁;荆继武;;SA-DBSCAN:一种自适应基于密度聚类算法[J];中国科学院研究生院学报;2009年04期

8 刘志勇;耿新青;;基于模糊聚类的文本挖掘算法[J];计算机工程;2009年05期

9 索红光;王玉伟;;基于参考区域的k-means文本聚类算法[J];计算机工程与设计;2009年02期

10 马秀丽;焦李成;;基于分水岭-谱聚类的SAR图像分割[J];红外与毫米波学报;2008年06期

相关硕士学位论文 前3条

1 刘钊;多传感器时空一致及其信息融合技术研究[D];国防科学技术大学;2008年

2 吴维一;激光雷达及多传感器融合技术应用研究[D];国防科学技术大学;2006年

3 刘春明;基于多扫描线式激光雷达的环境理解技术研究[D];国防科学技术大学;2006年

【相似文献】

相关期刊论文 前10条

1 ;Scaling up the DBSCAN Algorithm for Clustering Large Spatial Databases Based on Sampling Technique[J];Wuhan University Journal of Natural Sciences;2001年Z1期

2 岳士弘,李平,郭继东,周水庚;Using Greedy algorithm: DBSCAN revisited II[J];Journal of Zhejiang University Science;2004年11期

3 蔡颖琨,谢昆青,马修军;屏蔽了输入参数敏感性的DBSCAN改进算法[J];北京大学学报(自然科学版);2004年03期

4 宋明,刘宗田;基于数据交叠分区的并行DBSCAN算法[J];计算机应用研究;2004年07期

5 熊忠阳,孙思,张玉芳,王秀琼;一种基于划分的不同参数值的DBSCAN算法[J];计算机工程与设计;2005年09期

6 何中胜;刘宗田;庄燕滨;;基于数据分区的并行DBSCAN算法[J];小型微型计算机系统;2006年01期

7 李杰;贾瑞玉;张璐璐;;一个改进的基于DBSCAN的空间聚类算法研究[J];计算机技术与发展;2007年01期

8 冯少荣;肖文俊;;基于密度的DBSCAN聚类算法的研究及应用[J];计算机工程与应用;2007年20期

9 谭颖;胡瑞飞;殷国富;;多密度阈值的DBSCAN改进算法[J];计算机应用;2008年03期

10 冯少荣;肖文俊;;一种提高DBSCAN聚类算法质量的新方法[J];西安电子科技大学学报;2008年03期

相关会议论文 前8条

1 马帅;宋国杰;唐世渭;杨冬青;王腾蛟;;基于单元划分的DBSCAN聚类算法[A];第十九届全国数据库学术会议论文集（技术报告篇）[C];2002年

2 朵春红;王翠茹;;基于取样的DBSCAN聚类算法及其遗传优化[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年

3 庞洋;李海林;郭义喜;;基于DBSCAN算法的日志信息聚类研究[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

4 宫蕊;舒红平;郭远远;;基于DBSCAN的密度聚类算法的研究[A];2008'中国信息技术与应用学术论坛论文集（二）[C];2008年

5 张健沛;许慧;杨静;崔洪晶;;基于数据分区、QR~*-树的并行DBSCAN算法[A];2006北京地区高校研究生学术交流会——通信与信息技术会议论文集（下）[C];2006年

6 Yi-Chun Xu;Man Zhu;Zunhai Ke;Yong Liu;Suifa Sun;;Isolating Ships from Shape Curve with DBSCAN[A];第25届中国控制与决策会议论文集[C];2013年

7 范晔;周水庚;曹晶;周傲英;;通过数据取样扩展基于密度的聚类算法[A];第十六届全国数据库学术会议论文集[C];1999年

8 曹晶;周水庚;范晔;周傲英;;数据分区:一种改善基于密度的聚类算法的方法[A];第十六届全国数据库学术会议论文集[C];1999年

相关硕士学位论文 前10条

1 陆颖华;基于局部敏感哈希的DBSCAN算法研究[D];南京信息工程大学;2015年

2 汪洋;采用DBSCAN聚类的自适应步长细菌觅食算法[D];南京师范大学;2015年

3 崔熠明;基于激光雷达的智能车防撞预警系统研究[D];吉林大学;2016年

4 邵梦汝;基于铁路客票信息的旅客购票行为分析[D];西南交通大学;2016年

5 韩梅;基于改进DBSCAN的复杂工业过程建模数据异常点检测研究[D];天津工业大学;2016年

6 刘聪;基于SPARK平台的LAMOST早M型光谱聚类的研究[D];山东大学;2016年

7 冯振华;基于DBSCAN聚类算法的研究与应用[D];江南大学;2016年

8 田路强;基于DBSCAN的分布式聚类及增量聚类的研究与应用[D];北京工业大学;2016年

9 李宗林;基于DBSCAN的自适应聚类算法研究[D];长沙理工大学;2015年

10 刘宏超;基于DBSCAN的文本聚类算法研究[D];江西财经大学;2016年

，

本文编号：2345044