何雨毅，李光平，陈春，林映生

（1. 广东工业大学信息工程学院，广州 510006； 2. 惠州市金百泽电路科技有限公司，惠州 516000）

0 引言

近几年，随着毫米波雷达技术的发展，车载毫米波雷达的分辨率越来越高。车载毫米波雷达从探测环境中获取的数据量越来越多，甚至可能从同一目标处获得多个目标数据。目标数据量的增加有利于无人驾驶系统对目标状态的分析。但随着目标数据量的增加，无人驾驶系统对于探测环境中目标数量的判断能力下降。因此需要通过聚类算法处理车载毫米波雷达数据集来简化目标数量，提高无人驾驶系统对目标数量的判断能力。

为了提高无人驾驶系统对目标数量的判断能力，不同类型的聚类算法陆续被应用于车载毫米波雷达聚类中，如K-means 聚类算法、DBSCAN聚类算法、OPTICS 聚类算法、基于二值图的聚类算法等[1-3]。这些聚类算法在处理数据密度均匀的数据集或已知最优聚类结果时算法的性能良好。实际中车载毫米波雷达目标数据集的数据密度是不均匀的，并且最优聚类结果难以预测。因此利用上述的聚类算法处理车载毫米波雷达目标数据集时，得到的结果不能准确反映探测环境中的目标状态。

针对上述问题，本文提出了一种车载毫米波雷达的椭圆DBSCAN 聚类算法——Ellipse-DBSCAN 聚类算法。算法在DBSCAN 聚类算法的基础上，将DBSCAN 聚类算法中的圆形邻域变成椭圆邻域，并且邻域参数能够通过目标数据的特征信息自适应计算。本文所提出的聚类算法在数据密度不均匀的情况下依然能够得到正确的聚类结果，使无人驾驶系统在实际应用中对目标数量的判断能力提高。……