一种雷达探测系统密度聚类预警方法

摘要

本发明公开了一种雷达探测系统密度聚类预警方法，包括采用雷达探测系统进行周期性探测，得到探测区域的点迹多维参数；采用DBSCAN聚类算法对每个探测周期内的点迹进行聚类，得到若干个簇，每个簇代表一个入侵物体；对聚类后得到的若干个簇进行过滤；计算过滤后簇的平均距离，如果连续多个探测周期内，簇的平均距离变化趋势符合预警条件则发出预警等步骤。进一步地，还包括对每个探测周期内的点迹多维参数进行预处理和预警的方法，以及计算DBSCAN聚类算法中邻域参数的方法。采用本发明的方法，既能保证探测的精度，同时又通过后期处理减少虚警，而且运算量较小，使得整个系统的预警更加及时。

说明书

技术领域

本发明涉及灾害和异物入侵探测预警领域，特别是一种雷达探测系统密度聚类预警方法。

背景技术

我国地域辽阔，自然地理条件比较复杂，地质构造运动强烈，极易诱发各类地质灾害。在我国超过2/3的山区均有滑坡、崩塌地质灾害发生。此外，我国基础设施建设发展迅速，但是公路、铁路等一些分布在山区集中地区的交通线路，其地质灾害频发。一旦道路旁的山体出现塌方、滑坡、泥石流、雪崩、洪水、异物入侵等现象，则会影响交通线路的运营安全，也会对人类生命安全和财产安全构成直接危害。因此，迫切需要一种能够在各种天气条件下在高危地段长期监测并能够提供预警的自动探测及预警技术。

雷达监测方法属于非接触式监控，通过监控雷达实时监控侵入物体的距离和速度，然后对监控数据进行分析处理，得出侵入物体落点的大概位置，为判断落物是否侵限提供准确的信息。该技术主要是借助电磁波反射原理完成对进入监控区域的目标物体的速度、距离等。雷达装置安装灵活，不受地形等限制，监控距离远，雷达波束覆盖范围广；报警响应速度快，上报及时，也能够实现动目标实时监控及提供报警功能。同时雷达监测技术具有监控范围广(大于100m)，安装及维修方便的优点。雷达监测不受光线问题及大雾、云和雨等天气因素的影响，并有一定的穿透能力，可以全天候使用。

现有技术中，基于雷达的监测预警的方案主要有：

1)山体滑坡落石和路基坍塌必然导致物体速度、距离、位置发生变化，监测雷达可以捕捉到这些变化，并通过计算物体形状和距钢轨位置，决定预报等级和类型。同时当雷达捕捉到变化后，打开摄像头辅助判断[1]。

2)边坡监测雷达提出了一套基于雷达监测的边坡位移分析及预警方法流程[2]。首先确定预警值为搜索阈值，对每次监测数据进行数据搜索，确定所有大于该阈值的数据点，对搜索到的数据点进行邻域搜索和面积计算，当计算的连续邻域面积大于预设阈值时，系统向用户进行报警。

3)近程警戒雷达提出一种基于入侵物体轨迹的预警方法流程[3]。首先通过对点迹进行凝聚，然后基于航迹起始、航迹关联、航迹维持来获得单个入侵物体的轨迹。根据获得的轨迹信息来预警。

在上述方案(1)中，雷达探测到物体运动就预警，会造成虚警率过高，系统可靠性不高。方案(2)中，边坡雷达主要用于监测滑坡、泥石流等大面积滑落的自然灾害，对于落石、汽车、动物等小型目标的入侵无法监测。方案(3)中对每个目标进行轨迹处理，计算量较大，当入侵物体数量较多时，轨迹维持易发生预警延误错误。

文献[5]提出了一种基于PAM(Partitioning Around Medoid，围绕中心点的划分)聚类分析的雷达点迹凝聚方法，主要利用基于时间序列判决的多参数综合方法进行目标个数估计，同时采用围绕中心点划分方法以解决对杂波点迹敏感的问题。但是该方案对不规则形状物体的聚类效果并不太好，且算法复杂度偏高，可能导致预警延迟。

参考文献

[1]成都智胜通科技有限责任公司.铁路地质灾害预报与监视系统:中国,201020584449.4[P].2011.05.04

[2]杨晓琳,马海涛,乞耀龙,王彦平.边坡安全监测技术新发展——中国安科院边坡雷达―S-SAR”诞生记[J].劳动保护,2015,05:96-99.

[3]江兰.近程警戒雷达数据处理算法及软件设计[D].电子科技大学,2010.

[4]M.Ester,H.P.Kriegel,and X.Xu.A density-based algo-rithm for discovering clusters in large spatial databases with noise.In Proceedings of 2nd ACM SIGKDD,pages 226–231,Portand,Oregon,1996.

[5]乔大雷,童卫勇,蔡文彬.一种基于PAM聚类分析的雷达点迹凝聚方法[P].江苏：CN104931934A,2015-09-23.

[6]李宗林,罗可.DBSCAN算法中参数的自适应确定[J].计算机工程与应用,2016,03:70-73+80.

发明内容

本发明的目的是提供一种雷达探测系统密度聚类预警方法，技术方案如下：

一种雷达探测系统的密度聚类预警方法，包括

采用所述雷达探测系统进行周期性探测，得到探测区域的点迹多维参数，包括点迹的距离、方位角和速度；所述距离为点迹到所述雷达探测系统的雷达的距离，方位角为点迹相对于雷达的方位角，速度为点迹相对于雷达的径向速度；

采用DBSCAN聚类算法对每个探测周期内的点迹进行聚类，得到若干个簇，每个簇代表一个入侵物体；所述DBSCAN聚类算法的输入参数包括点迹多维参数和一组预先设定的邻域参数(∈，MinPts)；其中，∈为以对象点迹为中心的圆的半径，MinPts为以对象点迹为中心的圆内相邻点迹的数量的阈值；

对聚类后得到的若干个簇进行过滤：计算每个簇的距离最大差值和方位角最大差值，分别设定威胁性物体长、宽的阈值；如果簇的距离最大差值小于威胁性物体长的阈值，或方位角最大差值小于威胁性物体宽的阈值，则删除该簇；否则，计算每个簇的平均速度，若平均速度小于预设的安全速度，则删除该簇；所述簇的距离最大差值为该簇内的最大点迹距离与最小点迹距离的差值，簇的方位角最大差值为该簇内的最大点迹方位角与最小点迹方位角的差值，簇的平均速度为该簇内的所有点迹的速度的均值。

计算过滤后簇的平均距离，如果连续多个探测周期内，簇的平均距离变化趋势符合预警条件则发出预警；所述簇的平均距离变化趋势包括簇的平均距离递增或簇的平均距离递减；所述簇的平均距离为一个探测周期内所有簇的平均点迹距离的平均值，所述簇的平均点迹距离为该簇内所有点迹的距离的平均值。

进一步地，还包括对每个探测周期内的点迹多维参数进行预处理：统计点迹的数量，如果点迹的数量超过探测区域设定的数量阈值，则计算探测区域所有点迹的平均距离和平均速度，分别与探测区域设定的安全距离和安全速度进行比较；若平均距离小于安全距离或者平均速度大于安全速度则发出预警；所述预处理的步骤位于采用DBSCAN聚类算法对每个探测周期内的点迹进行聚类之前。

进一步地，所述邻域参数(∈，MinPts)中，∈的计算方法为：设置多维参数中每一项参数能容忍的最大差异阈值，令其加权欧几里得距离为∈；各点迹之间的连接性通过多维参数的加权欧几里得距离来体现，并基于可连接点迹的不断扩展聚类簇以获得最终的聚类结果。

进一步地，所述雷达探测系统为毫米波探测系统。

采用本发明的方法，既能保证探测的精度，同时又通过后期处理减少虚警，而且运算量较小，使得整个系统的预警更加及时。

附图说明

图1是本发明实施例1的系统网络架构示意图；

图2是本发明中密度聚类的仿真示例图；

图3是本发明实施例2的应用场景示意图。

具体实施方式

在对灾害和异物入侵进行探测和预警时，由于出现大规模异物入侵时(如滑坡、泥石流等)，会导致大范围的探测面积移动，因此雷达探测的点迹数量会非常多，如果每次对所有这些点迹进行分别处理会导致运算量较大，导致探测系统效率异常低下。因此，根据大范围探测面积移动导致的点迹数量异常多这一现象可以直接进行预警。

为了及时预警，预警方法需尽量减少系统不必要的运算量，首先对点迹进行预处理，预处理主要是先统计点迹数量，如果点迹数量超过探测区域设定的阈值，则计算所有点迹的平均距离和平均速度，分别与区域设定的安全距离和安全速度进行比较。若平均距离小于安全距离或者平均速度大于安全速度则直接预警，并附上点迹的平均距离和速度信息，否则继续下一周期的探测与处理。探测区域设定的点迹数量阈值与雷达探测的分辨率和安全级别程度有关。分辨率越高，点迹数量阈值越高；安全级别越低，点迹数量阈值越高。探测区域设定的安全距离和安全速度与安全级别有关。安全级别越高，安全距离越大，安全速度越小。

在雷达探测目标的过程中，由于受到背景杂波和目标自身的散射效应等因素导致回波存在一定程度的起伏，一个目标可能在不同位置产生多个点迹，即出现目标分裂现象。当雷达分辨率较高时，即小于物体的尺寸时，一个目标会返回多个点迹。同时，杂波信号与真实目标信号糅合在一起，会增加雷达数据处理难度。为完成雷达的数据处理首先要找到同一目标分裂的各个可能点迹并将其凝聚起来，同时还要去除杂波信息。

DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)聚类算法是一种基于高密度连通区域的、基于密度的聚类算法，能够将具有足够高密度的区域划分为簇，并在具有噪声的数据中发现任意形状的簇[4]。DBSCAN的一个主要缺点在于当空间聚类的密度不均匀、聚类间距差相差很大时，聚类质量较差。而用于雷达点迹凝聚时，由于雷达的分辨率恒定，所以点迹的密度相对均匀，正好适合使用DBSCAN算法。

另外，在具体应用时，由于毫米波频段拥有丰富的频谱资源，波束比微波窄得多，与激光相比受天气影响程度较小。毫米波元器件的尺寸较小，因此毫米波系统更容易小型化。为此，它们在通信、雷达、制导、遥感技术、射电天文学和波谱学方面都有重大的应用。本发明的方法也可应用于毫米波雷达探测系统。

具体的技术方案如下：

采用雷达探测系统进行周期性探测，得到探测区域的点迹多维参数，包括点迹的距离、方位角和速度；所述距离为点迹到所述雷达探测系统的雷达的距离，方位角为点迹相对于雷达的方位角，速度为点迹相对于雷达的径向速度；

采用DBSCAN聚类算法对每个探测周期内的点迹进行聚类，得到若干个簇，每个簇代表一个入侵物体；所述DBSCAN聚类算法的输入参数包括点迹多维参数和一组预先设定的邻域参数(∈，MinPts)；其中，∈为以对象点迹为中心的圆的半径，MinPts为以对象点迹为中心的圆内相邻点迹的数量的阈值；

对聚类后得到的若干个簇进行过滤：计算每个簇的距离最大差值和方位角最大差值，分别设定威胁性物体长、宽的阈值；如果簇的距离最大差值小于威胁性物体长的阈值，或方位角最大差值小于威胁性物体宽的阈值，则删除该簇；否则，计算每个簇的平均速度，若平均速度小于预设的安全速度，则删除该簇；所述簇的距离最大差值为该簇内的最大点迹距离与最小点迹距离的差值，簇的方位角最大差值为该簇内的最大点迹方位角与最小点迹方位角的差值，簇的平均速度为该簇内的所有点迹的速度的均值；

计算过滤后簇的平均距离，如果连续多个探测周期内，簇的平均距离变化趋势符合预警条件则发出预警；所述簇的平均距离变化趋势包括簇的平均距离递增或簇的平均距离递减；所述簇的平均距离为一个探测周期内所有簇的平均点迹距离的平均值，所述簇的平均点迹距离为该簇内所有点迹的距离的平均值。

以下对技术方案进行进一步地说明：

由于雷达分辨率较高时会导致的单个目标出现多个点迹，为了更加准确的分析入侵物体的运动信息，提出一种雷达探测系统中采用密度聚类的雷达点迹凝聚算法，将属于同一目标的点迹进行凝聚。本方法通过对点迹进行密度聚类，将所有点迹分成若干个簇，每个簇代表一个运动物体。

雷达探测的点迹中包含的信息是多维的，比如距离、方位角、速度等。各点迹之间的连接性通过多维参数的加权欧几里得距离来体现，并基于可连接点迹的不断扩展聚类簇以获得最终的聚类结果。

本方法基于一组“邻域”参数(∈，MinPts)。给定对象半径∈内的邻域称为该对象的∈邻域。如果对象的∈邻域至少包含最小数目MinPts的对象，则称该对象为核心对象。通过检查所有点迹中每点的∈邻域来搜索簇。对于同一个物体的相邻点迹，设置多维参数中每一项能容忍的最大差异阈值，然后获取加权欧几里得距离，即可获得算法初始参数∈。MinPts主要与雷达探测的分辨率有关，分辨率越高，则MinPts可相对取值大一些。

在复杂杂波背景下，为了减少由杂波或者无威胁性物体的运动(比如鸟类、细小石子等)带来的虚警问题，本方法密度聚类算法将得到的入侵物体的信息进行无威胁物体过滤，并保存相关结果到时间序列中。

对于采用本方法聚类后的每个簇，获取簇的距离最大差值和方位角最大差值即可近似认为是该入侵物体的长和宽，分别设定一个威胁性物体长和宽的阈值，如果簇的最大距离差值小于威胁性物体的长阈值或最大方位角差值小于威胁性物体的宽阈值，则删除该簇；否则，计算每个簇的平均速度，若平均速度小于预设的安全速度，则删除该簇。

威胁性物体长宽的阈值与区域的安全级别程度有关。安全级别越低，威胁性物体长宽的阈值越大。

无威胁物体过滤后将所有簇的平均距离、平均方位角、平均速度、长宽再取均值保存到时间序列中，同时保存簇的数量。如果连续多周期后所有簇的距离雷达的平均距离变化趋势符合预警条件则预警，并附上平均距离、平均方位角、平均速度、平均大小和数量等信息。

下面是本发明的两个具体应用的实施例：

实施例1：

为了降低探测虚警率，减少系统复杂度，提高探测效率，本发明提供一种雷达探测系统中采用密度聚类的预警方法，本发明实施例一将雷达探测系统中采用密度聚类的预警方法实施于铁路沿线自然灾害和异物入侵探测，能够提高铁路沿线自然灾害和铁轨周围异物入侵的检测效率，同时降低虚警率。

如图1所示，为本发明应用实施例一的系统网络架构的示意图。为实现资源共享、减少建设成本，本探测雷达探测系统与铁路移动通信系统共站建设，其组成包括BBU(Building Base band Unit)池、交换结构、公网或专网授权频段RRU(Radio Remote Unit)与非授权毫米波频段RRU，RRU通过高速回传与交换结构连接，然后交换结构通过高速回传连接到BBU池。公网或专网授权频段RRU进行大范围覆盖，保障低容量通信数据的可靠传输；毫米波频段RRU布置天线阵，通过波束赋形技术实现定向波束覆盖。为提高通信与灾害探测的有效性，当有列车通过时，毫米波频段RRU与列车进行通信；没有列车通过时，进行波束扫描、环境监测。特别需要说明的是，根据实际应用场景，通信与探测也可以使用频分的方式同时全时段工作。

本发明提出的雷达探测系统中采用密度聚类的预警方法在本实施例中主要应用在BBU池上。BBU池主要对毫米波频段RRU基站传回的雷达探测数据进行处理。RRU基站主要部署在需要重点监测的区域，以山区铁路沿线为实施例。

由于探测雷达安装于通信基站上，不能很好的做到天线之间的隔离，会导致同频回波信号的干扰，所以本实施例中探测系统采用非许可证的毫米波频段，可以使用的带宽范围较大，如考虑到大气损耗及探测精度可选择19GHz附近频段，最大带宽1GHz。由于毫米波频段的衰减特性，因此毫米波频段RRU的雷达探测通过天线阵使用波束赋形技术进行定向波束覆盖。如图1所示，将山体表面和铁轨区域划分为若干个区域，通过变换波束赋形的码本分时顺序扫描这些区域来完成对整个探测区域的探测。其中，自然灾害或者异物入侵出现的地方越接近铁轨区域，其对铁路系统的安全威胁性越高。

探测雷达通过波束定向扫描探测区域，对回波信号进行MTD(Moving Target Detection，动目标检测)和CFAR(Constant False Alarm Rate,恒虚警率)处理，可获取动目标的点迹信息。本实施例中点迹信息主要包括：距离、方位角、速度等。当波束分时顺序扫描完整个探测区域后即可获取整个探测区域的所有运动物体的点迹信息。

由于偏远山区地形复杂，即使经过对回波进行相应的信号处理，仍然有因为杂波或其他环境而留下较多的点迹信息。同时，由于雷达分辨率较高，会导致一个运动物体返回多个点迹信息。以上两点问题会对入侵物体的分析带来很大难度，因此有必要进行点迹凝聚处理，去除杂波点迹，合成属于同一运动物体的点迹。

滑坡、泥石流等自然灾害在偏远山区经常发生，对于此类会发生大面积位移的情形，会导致出现异常多的点迹信息。如果对如此多的点迹信息进行点迹凝聚处理，会使得运算量很大，影响探测系统效率和预警时间，而且当数量众多的点迹同时出现时，有很大可能是大面积位移导致的，可以直接产生预警信息，提醒控制中心可能发生了滑坡或者泥石流，继续对数量众多的点迹进行凝聚处理是不必要的。

预处理主要是先统计点迹数量，如果点迹数量超过探测区域设定的阈值，则计算所有点迹的平均距离和平均速度，分别与区域设定的安全距离和安全速度进行比较。若平均距离小于安全距离或者平均速度大于安全速度则直接预警，并附上点迹的平均距离和速度信息，否则继续下一周期的探测与处理。

预警信息由BBU池回传给列车控制中心，同时通过公网或授权频段RRU广播预警信息，提醒过往列车。

探测区域设定的点迹数量阈值与雷达探测的分辨率和安全级别程度有关。分辨率越高，点迹数量阈值越高；安全级别越高，点迹数量阈值越低，比如滑坡、泥石流频发的地区，点迹数量阈值可相对较低。探测区域设定的安全距离和安全速度与安全级别有关。安全级别越高，安全距离越大，安全速度越小。本实施例中安全距离会较大，主要为了覆盖周围的山体表面，且安全速度较小以便能尽早发现发生滑坡或泥石流的征兆。

为了更加准确的分析入侵物体的运动信息，本发明提出一种雷达探测系统中采用密度聚类的雷达点迹凝聚算法，将属于同一目标的点迹进行凝聚。本方法通过对点迹进行密度聚类，将所有点迹分成若干个簇，每个簇代表一个运动物体。图2为本算法对二维数据进行聚类处理的示例。

本方法基于一组“邻域”参数(∈，MinPts)。给定对象半径∈内的邻域称为该对象的∈邻域。如果对象的∈邻域至少包含最小数目MinPts的对象，则称该对象为核心对象。通过检查数据库中每点的∈邻域来搜索簇。邻域参数可以采用预先设定的方式，即根据经验值直接确定，也可以采用以下方式来确定：采用非参数核密度估计理论分析数据样本的分布特征来自动确定∈，MinPts参数[6]，避免了聚类过程的人工干预，但是运算量过大，不适用于实时度要求较高的雷达应用场景。

对于同一个物体的相邻点迹，设置多维参数中每一项能容忍的最大差异阈值，然后获取加权欧几里得距离，即可获得算法初始参数∈。MinPts主要与雷达探测的分辨率有关，分辨率越高，则MinPts可相对取值大一些。本实施例中设定雷达距离分辨率为0.5米，方位分辨率为1米。对于同一个物体的相邻点迹，多维参数中每一项能容忍的最大差异阈值如表1所示，则初始参数∈为MinPts取值设置为6。初始参数设定完毕后，将多维参数数据传递给本方法做点迹聚合处理，通过多维参数加权多维欧几里距离的值来判断一个点迹是否位于另一个点迹的∈领域内，即各点迹之间的连接性通过多维参数的加权多维欧几里得距离来体现，并基于可连接点迹的不断扩展聚类簇来获得最终的聚类结果。本方法里多维参数的加权系数与设定初始参数∈的加权系数相同。

表1

聚类参数值权重距离差异阈值1m40％方位差异阈值2m30％速度差异阈值1m/s30％

在复杂杂波背景下，为了减少由杂波或者无威胁性物体的运动(比如鸟类、细小石子等)带来的虚警问题，本方法将密度聚类算法得到的入侵物体的信息进行无威胁物体过滤，并保存相关结果到时间序列中。

对于本方法聚类后的每个簇，获取距离的最大差值和方位角的最大差值即可近似认为是该入侵物体的长和宽，分别设定一个威胁性物体长和宽的阈值，如果该簇的长和宽都小于该阈值则删除该簇。若入侵物体速度小于安全速度，删除该簇。

威胁性物体长宽的阈值与区域的安全级别程度有关。安全级别越低，威胁性物体长宽的阈值越大。本实施例中威胁性物体长宽的阈值均为0.3米。

无威胁物体过滤后将所有簇的平均距离、平均方位角、平均速度、长宽再取均值保存到时间序列中，同时保存簇的数量。如果连续多周期后所有簇的距离雷达的平均距离变小则预警，并附上平均距离、平均方位角、平均速度、平均大小和数量等信息。

实施例2：

本发明可以为铁路现场应急抢险施工和维护人员在没有其他预警或预警系统故障时，提供避免被高速到来的行驶列车碰撞的风险预警方法。当铁路现场应急抢险过程中，由于抢险环境本身恶劣导致其他预警系统失效的情况下，运行的列车有可能会与应急抢险的施工和维护人员或者施工设备发生碰撞，对施工和维护人员、列车以及车上的乘客的安全造成很大的威胁。

为了降低探测虚警率，减少系统复杂度，提高探测效率，本发明实施例二将雷达探测系统中采用密度聚类的预警方法实施于在没有其他预警或预警系统故障的情况下，能够为铁路现场应急抢险施工和维护人员提供高速到来列车的预警功能。

如图3所示，是本发明实施例2的应用场景示意图。本实施例中，探测雷达为便携式设备，安装简单，使用方便，成本较低，其使用频段为毫米波。

本发明提出的雷达探测系统中采用密度聚类的预警方法在本实施例中主要应用在便携式探测雷达上。探测雷达主要部署在应急抢险施工现场附近，方向对准列车可能到来的方向，通过对回波的信号处理判断列车是否接近。

探测雷达通过波束定向扫描指定区域，对回波信号进行MTD(Moving Target Detection，动目标检测)和CFAR(Constant False Alarm Rate，恒虚警率)处理，可获取动目标的点迹信息。本实施例中点迹信息主要包括：距离、方位角、速度等。当波束分时顺序扫描完整个探测区域后即可获取整个探测区域的运动物体的所有点迹信息。

由于列车面积较大且雷达分辨率较高，因此当列车到来时会导致出现大量的点迹。结合铁路场景下铁轨周围除了列车，很少有其他移动的大目标，此时为了减少不必要的运算，可以直接预警。

因此，本发明提出点迹预处理算法，主要是先统计点迹数量，如果点迹数量超过探测区域设定的阈值，则计算所有点迹的平均距离和平均速度，分别与区域设定的安全距离和安全速度进行比较。若平均距离小于安全距离或者平均速度大于安全速度则直接预警，并附上点迹的平均距离和速度信息，否则继续下一周期的探测与数据处理。本实施例中点迹阈值根据雷达的分辨率与列车的大概尺寸计算获得，安全距离较大，安全速度与列车行驶速度相匹配。

对于其他入侵物体或者距离大于安全距离且行驶速度小于安全速度的列车，为了更加准确的分析入侵物体的信息，本发明提出一种雷达探测系统中采用密度聚类的雷达点迹凝聚算法，将属于同一目标的点迹进行凝聚。本方法通过对点迹进行密度聚类，将所有点迹分成若干个簇，每个簇代表一个运动物体。

本方法基于一组“邻域”参数(∈，MinPts)。给定对象半径∈内的邻域称为该对象的∈邻域。如果对象的∈邻域至少包含最小数目MinPts的对象，则称该对象为核心对象。通过检查数据库中每点的∈邻域来搜索簇。对于同一个物体的相邻点迹，设置多维参数中每一项能容忍的最大差异阈值，然后获取加权欧几里得距离，即可获得算法初始参数∈。MinPts主要与雷达探测的分辨率有关，分辨率越高，则MinPts可相对取值大一些。本实施例中设定雷达距离分辨率为0.3米，方位分辨率为0.6米。对于同一个物体的相邻点迹，多维参数中每一项能容忍的最大差异阈值如表2所示，则初始参数∈为MinPts取值设置为6。初始参数设定完毕后，将多维参数数据传递给本方法做点迹聚合处理，各点迹之间的连接性通过多维参数的加权多维欧几里得距离来体现，并基于可连接点迹的不断扩展聚类簇来获得最终的聚类结果。本方法里多维参数的加权系数与设定初始参数∈的加权系数相同。

表2

聚类参数值权重距离差异阈值0.6m40％方位差异阈值1.2m30％速度差异阈值1m/s30％

在复杂杂波背景下，为了减少由杂波或者无威胁性物体的运动带来的虚警问题，本方法将密度聚类算法得到的入侵物体的信息进行无威胁物体过滤，并保存相关结果到时间序列中。

对于本方法聚类后的每个簇，获取距离的最大差值和方位角的最大差值即可近似认为是该入侵物体的长和宽，分别设定一个威胁性物体长和宽的阈值，如果该簇的长和宽都小于该阈值则删除该簇。同时计算每个簇的平均速度，若入侵物体速度小于安全速度，删除该簇。

威胁性物体长宽的阈值与区域的安全级别程度有关。安全级别越低，威胁性物体长宽的阈值越大。本实施例中主要为了识别能够对应急抢险施工现场造成威胁的入侵物体，因此威胁性物体长宽的阈值可设置的相对大一些以过滤过往行人或者动物等，长宽阈值均为2米。

无威胁物体过滤后将所有簇的平均距离、平均方位角、平均速度、大小再取均值保存到时间序列中，同时保存簇的数量。如果连续多周期后所有簇的距离雷达的平均距离变小则表明有大型入侵物体以超过安全速度的速度向施工现场方向冲来，此时需要立刻预警，并附上入侵物体的平均距离、平均方位角、平均速度、平均大小和数量等信息。时间序列机制可确保在预处理算法没有识别出列车的情况下，通过进一步的运动信息分析，发现即将到来的列车或其他有威胁性的大型入侵物体并预警，避免漏警现象的发生。

采用本发明的基本方案，在实际实施时，可以衍生出多种不同的等同产品，但凡是根据发明的技术方案及其发明构思，加以等同替换与改变，均被认为属于发明的权利要求的保护范围。