Документация

Загрузите, предварительно обработайте и визуализируйте набор данных.

Загрузите последовательность облак точек. Выберите последнюю метку времени в последовательности и извлеките x, y, z координаты объектов, окружающих автомобиль.

d = load('01_city_c2s_fcw_10s_Lidar.mat'); 
pcloud = d.LidarPointCloud; 
X = pcloud(end).ptCloud.Location;

Чтобы подсветить среду вокруг автомобиля, установите видимую область охватывать 20 метров налево и право на автомобиль, 20 метров впереди и заднюю часть автомобиля и область выше поверхности дороги.

xBound  = 20; % in meters
yBound  = 20; % in meters
zLowerBound = 0; % in meters

Обрежьте облако точек, чтобы содержать только точки в заданной области.

indices = X(:,1) <= xBound & X(:,1) >= -xBound ...
    & X(:,2) <= yBound & X(:,2) >= -yBound ...
    & X(:,3) > zLowerBound;
X = X(indices,:); 

Визуализируйте данные как 2D график рассеивания. Аннотируйте график подсветить автомобиль.

scatter(X(:,1),X(:,2),'.');
annotation('ellipse',[0.48 0.48 .1 .1],'Color','red')

Центр облака точек (кружился в красном) содержит крышу и капот автомобиля. Все другие точки являются препятствиями.

Выберите значение для minpts.

Чтобы выбрать значение для minpts, считайте значение больше, чем или равный одному плюс количество размерностей входных данных [1]. Например, для n-by-p матричный X, устанавливает значение 'minpts', больше, чем или равный p+1.

Для набора определенных данных задайте значение minpts, больше, чем или равный 4, в частности значение 50.

minpts = 50; % Minimum number of neighbors for a core point

Выберите значение для epsilon.

Одна стратегия оценки значения для epsilon состоит в том, чтобы сгенерировать график k-расстояния для входных данных X. Для каждой точки в X найдите расстояние до kth самой близкой точки и постройте отсортированные точки против этого расстояния. График содержит колено. Расстояние, которое соответствует колену, обычно является хорошим выбором для epsilon, потому что это - область, где точки начинают затихать в выброс (шум) территория [1].

Прежде, чем построить график k-расстояния, сначала найдите minpts наименьшими попарными расстояниями для наблюдений в X в порядке возрастания.

kD = pdist2(X,X,'euc','Smallest',minpts); % The minpts smallest pairwise distances

Постройте график k-расстояния.

plot(sort(kD(end,:)));
title('k-distance graph')
xlabel('Points sorted with 50th nearest distances')
ylabel('50th nearest distances')
grid

Колено, кажется, приблизительно 2; поэтому, установите значение epsilon к 2.

epsilon = 2;

Кластер с помощью dbscan.

Используйте dbscan со значениями minpts и epsilon, которые были определены на предыдущих шагах.

labels = dbscan(X,epsilon,minpts);

Визуализируйте кластеризацию и аннотируйте фигуру, чтобы подсветить определенные кластеры.

gscatter(X(:,1),X(:,2),labels);
title('epsilon = 2 and minpts = 50')
grid
annotation('ellipse',[0.54 0.41 .07 .07],'Color','red')
annotation('ellipse',[0.53 0.85 .07 .07],'Color','blue')
annotation('ellipse',[0.39 0.85 .07 .07],'Color','black')

dbscan идентифицирует 11 кластеров и набор шумовых точек. Алгоритм также идентифицирует автомобиль в центре облака точек как отличный кластер.

dbscan идентифицирует некоторые отличные кластеры, такие как кластер, окруженный в черном цвете (и сосредоточенный (приблизительно-6,18)) и кластер, окруженный в синем (и сосредоточенный (приблизительно 2.5,18)). Функция также присваивает группу точек, окруженных в красном (и сосредоточенный вокруг (3,–4)) к тому же кластеру (группа 7) как группа точек в юго-восточном квадранте графика. Ожидание состоит в том, что эти группы должны быть в отдельных кластерах.

Используйте меньшее значение для epsilon, чтобы разделить большие кластеры и дальнейший раздел облако точек.

epsilon2 = 1;
labels2 = dbscan(X,epsilon2,minpts);

Визуализируйте кластеризацию и аннотируйте фигуру, чтобы подсветить определенные кластеры.

gscatter(X(:,1),X(:,2),labels2);
title('epsilon = 1 and minpts = 50')
grid
annotation('ellipse',[0.54 0.41 .07 .07],'Color','red')
annotation('ellipse',[0.53 0.85 .07 .07],'Color','blue')
annotation('ellipse',[0.39 0.85 .07 .07],'Color','black')

При помощи меньшего значения эпсилона dbscan может присвоить группу точек, окруженных в красном к отличному кластеру (группа 13). Однако некоторые кластеры, что dbscan, правильно идентифицированный прежде, теперь разделен между точками накопления и выбросами. Например, смотрите, кластерная группа 2 (кружился в черном цвете), и кластерная группа 3 (кружился в синем). Правильное значение epsilon где-нибудь между 1 и 2.

Используйте значение epsilon 1.55, чтобы кластеризировать данные.

epsilon3 = 1.55;
labels3 = dbscan(X,epsilon3,minpts);

Визуализируйте кластеризацию и аннотируйте фигуру, чтобы подсветить определенные кластеры.

gscatter(X(:,1),X(:,2),labels3);
title('epsilon = 1.55 and minpts = 50')
grid
annotation('ellipse',[0.54 0.41 .07 .07],'Color','red')
annotation('ellipse',[0.53 0.85 .07 .07],'Color','blue')
annotation('ellipse',[0.39 0.85 .07 .07],'Color','black')

dbscan делает лучшее задание идентификации кластеров, когда epsilon установлен в 1.55. Например, функция идентифицирует отличные кластеры, окруженные в красном, черном цвете цвете, и синий (с центрами вокруг (3,–4), (–6,18), и (2.5,18), соответственно).