CN114398996A

CN114398996A - 目标处理方法以及控制系统

Info

Publication number: CN114398996A
Application number: CN202210058225.7A
Authority: CN
Inventors: 苏泉; 麦志恒; 周森标; 黄培奎; 吴秶菘; 邹小飞
Original assignee: Guangdong Haohang Technology Co ltd
Current assignee: Guangdong Haohang Technology Co ltd
Priority date: 2022-01-19
Filing date: 2022-01-19
Publication date: 2022-04-26

Abstract

本申请实施例提供一种目标处理方法以及控制系统，所述方法包括：获取待处理目标，所述待处理目标中包含多个点云；基于多个所述点云，获得多组聚类参数；基于每组所述聚类参数，分别对多个所述点云进行聚类处理，得到多个聚类结果；基于多个所述聚类结果，得到目标聚类结果，所述目标聚类结果中包含参与聚类的多个所述点云。

Description

目标处理方法以及控制系统

技术领域

本申请涉及目标处理技术领域，特别涉及一种目标处理方法以及控制系统。

背景技术

随着自动驾驶技术在农业领域应用的发展，能在全天候场景下工作的毫米波雷达成为了农业自动驾驶感知功能的关键部件。毫米波雷达点云和视觉数据的融合是智能驾驶控制系统如农机等实现停障功能的重要支持技术。毫米波雷达通常默认使用Object输出模式，该模式是由一些由毫米波雷达Cluster输出模式得到的数据进行目标聚类和跟踪处理而来，包含目标的历史信息和多种属性,每周期支持最多100个目标的输出，总体包含信息相对较少，会因处理算法的局限导致部分有用信息丢失，引起后续融合误匹配。毫米波雷达Cluster输出模式的目标是原始点目标，Cluster模式每周期支持最多250个目标的输出，包含的信息相对丰富。但是由于毫米波雷达内嵌聚类算法通常不公开，不能直接使用Cluster输出模式下的数据，另外考虑到批量生产关联的成本因素，需要提供一种有效的聚类算法对毫米波点云进行聚类。

目前常用的聚类算法有基于划分的聚类算法、基于层次的聚类算法、基于网格的聚类算法、基于模型的聚类算法、基于模糊理论的聚类算法以及基于密度的聚类算法等，然而，这些算法通常存在效率低或无最优解等情况，无法做到自适应聚类，导致聚类效果较差，存在误检、漏检或误匹配等或者有用信息遗漏等情况，无法提供稳定可靠的点云，导致数据融合效果不佳，难以满足农田场景中对人或车辆等目标检测及跟踪需求，影响停障效果及后续决策等。

发明内容

本申请提供了一种目标处理方法以及控制系统，能够自适应聚类，提高聚类效果，降低误检、漏检或误匹配等或者有用信息遗漏等情况的发生，以提供稳定可靠的点云。

第一方面，本申请提供了一种目标处理方法，所述方法包括：

获取待处理目标，所述待处理目标中包含多个点云；

基于多个所述点云，获得多组聚类参数；

基于每组所述聚类参数，分别对多个所述点云进行聚类处理，得到多个聚类结果；

基于多个所述聚类结果，得到目标聚类结果，所述目标聚类结果中包含参与聚类的多个所述点云。

其中一种可能的实现方式中，所述基于多个所述点云，获得多组聚类参数，包括：

对每个所述点云分别与多个其他所述点云之间的距离关系进行计算，得到多个所述点云之间的距离关系信息，所述距离关系信息包括第一矩阵，所述第一矩阵的行与所述点云相对应，所述第一矩阵的每行中包含相对应的所述点云分别与多个其他所述点云之间的多个距离；

对所述第一矩阵的每行中多个所述距离按照大小顺序进行排序，得到第二矩阵；

基于所述第二矩阵，得到多组聚类参数。

其中一种可能的实现方式中，在所述基于所述第二矩阵，得到多组聚类参数之后，所述基于多个所述点云，获得多组聚类参数，还包括：

获取衰减系数；

基于所述衰减系数，对多组所述聚类参数进行衰减处理，得到衰减处理后的多组所述聚类参数。

其中一种可能的实现方式中，每组所述聚类参数中包含第一参数和/或第二参数，所述衰减系数包括第一衰减系数和/或第二衰减系数，所述第一参数由公式：

计算得到；

其中，A_ij为所述第二矩阵中第i行第j列的距离，

为第二矩阵中第j列的距离平均值，Eps_j为第j个第一参数，a₁为第一衰减系数，n为点云的数量；

和/或，所述第二参数由公式：

计算得到；

其中，MinPts_j为第j个第二参数，N_K_jk为第二矩阵的第j行中小于第k列的距离平均值的距离数量，a₂为第二衰减系数。

其中一种可能的实现方式中，多个所述聚类结果按照顺序排列，所述基于多个所述聚类结果，得到目标聚类结果，包括：

判断多个所述聚类结果中是否存在多个连续相同的所述聚类结果；

若存在多个连续相同的所述聚类结果，则基于连续相同的所述聚类结果的数量，得到目标聚类结果。

其中一种可能的实现方式中，所述基于连续相同的所述聚类结果的数量，得到目标聚类结果，包括：

判断连续相同的所述聚类结果的数量是否大于第一阈值，若连续相同的所述聚类结果的数量大于所述第一阈值，则连续相同且数量大于所述第一阈值的所述聚类结果为目标聚类结果；

若连续相同的所述聚类结果的数量小于或等于所述第一阈值，则判断连续相同的所述聚类结果的数量是否大于第二阈值，则连续相同的所述聚类结果的数量大于所述第二阈值，则连续相同且数量大于所述第二阈值的所述聚类结果为目标聚类结果，其中，所述第一阈值大于所述第二阈值。

其中一种可能的实现方式中，在所述获取待处理目标之后，所述方法还包括：

获取滤波阈值，并基于所述滤波阈值对所述待处理目标中的多个所述点云进行滤波，得到滤波后的待处理目标，所述滤波阈值包括雷达散射截面积阈值、纵向距离阈值、横向距离阈值、纵向相对速度阈值、横向相对速度阈值中的一种或多种。

其中一种可能的实现方式中，在所述基于多个所述聚类结果，得到目标聚类结果之后，所述方法还包括：

判断未聚类的所述点云的数量是否大于数目阈值；

若未聚类的所述点云的数量大于数目阈值，则对未聚类的所述点云进行聚类处理，得到待合并聚类结果；

将所述待合并聚类结果与所述目标聚类结果进行合并，得到合并后的目标聚类结果。

第二方面，本申请提供一种目标处理装置，包括：

获取模块，用于获取待处理目标，所述待处理目标中包含多个点云；

参数计算模块，用于基于多个所述点云，获得多组聚类参数；

聚类模块，用于基于每组所述聚类参数，分别对多个所述点云进行聚类处理，得到多个聚类结果；

选取模块，用于基于多个所述聚类结果，得到目标聚类结果，所述目标聚类结果中包含参与聚类的多个所述点云。

第三方面，本申请提供一种控制系统，包括：

目标采集装置，用于采集待处理目标；

控制装置，包括：

一个或多个处理器；存储器；以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述控制系统执行时，使得所述控制系统执行如第一方面所述的方法；

执行装置，用于受控于所述控制装置，以执行操作。

第四方面，本申请提供了一种电子设备，包括：

一个或多个处理器；存储器；以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行如第一方面所述的方法。

第五方面，本申请提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如第一方面所述的方法。

第六方面，本申请提供一种计算机程序，当所述计算机程序被计算机执行时，用于执行第一方面所述的方法。

在一种可能的设计中，第六方面中的程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。

本申请提供的目标处理方法以及控制系统，至少达到以下有益效果：

(1)能够实现自适应聚类，以提高聚类效果，降低误检、漏检或误匹配等或者有用信息遗漏等情况的发生，以提供稳定可靠的点云。

(2)能够通过多次聚类迭代，更大程度的保留有用信息。

附图说明

图1为本申请目标处理方法一个实施例的方法示意图；

图2为本申请目标处理方法一个实施例的流程示意图；

图3为本申请目标处理方法一个实施例中毫米波雷达与视觉融合感知范围示意图；

图4为本申请目标处理方法一个实施例中自适应聚类迭代的流程示意图；

图5为本申请目标处理装置一个实施例的结构示意图；

图6为本申请控制系统一个实施例的结构示意图；

图7为本申请电子设备一个实施例的结构示意图。

具体实施方式

本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。

目前常用的聚类算法有基于划分的聚类算法、基于层次的聚类算法、基于网格的聚类算法、基于模型的聚类算法、基于模糊理论的聚类算法、基于密度的聚类算法等，对比上述各聚类算法的优缺点，本申请人考虑到，结合在农田场景中毫米波雷达点云的特征，基于密度的聚类算法更适合于毫米波雷达Cluster输出模式下输出点云的聚类处理。基于密度的聚类算法是根据数据的稠密程度进行聚类，通过寻找定义为密度相连的对象的最大集合来形成簇。基于密度的聚类算法无须预先确定所要划分的类数，适合于对未知数据进行聚类，对噪声不敏感，能在含有噪声的空间数据集中发现任意形状的簇。其中，DBSCAN聚类算法是一种经典的基于密度的聚类算法。它将空间中的数据抽象为数据点，通过计算点的区域密度来进行聚类，然后根据聚类参数(如邻域阈值或邻域半径Eps以及邻域密度阈值或邻域样本数阈值MinPts等参数)将具有一定密度的区域划分为簇，其聚类效果对设定的聚类参数值较为敏感，因此，聚类参数的合理选取是一个难点。

现有技术中，如采用固定参数或者人为设定参数，当参与聚类的毫米波雷达点云密度不均匀时，相同参数带来的判定标准可能会破坏聚类的自然结构，即密度较小的点云参与聚类会被划分为多个簇，密度较大且离得较近的点云簇会被合并成一个簇。针对农田场景采集每一帧毫米波雷达点云数据，较近或体型较大的农机被毫米波雷达检测得到点云数量较多，较远的的农机或体型较小的物体被检测的点云数量很少，甚至只有单一点。如简单设置MinPts为1，则由多径效应产生的噪声点和其他正常点又难以区分，而MinPts设置大于1时，则只有单个检测点可能被当作干扰点云剔除，造成漏检或误匹配的情况发生。

鉴于上述问题，本申请人考虑到，结合农田场景中物体的密度通常差异较大，可以通过统计信息确定Eps参数值，但需要将MinPts参数固定或指定最终聚类的簇数目，也有构造最优化问题联立约束方程求解最优解，但通常存在效率低且存在无最优解(如无法选取到最优聚类参数等)情况，无法实现自适应聚类，导致聚类效果较差。另外，DBSCAN聚类算法调参(如调整上述距离参数)相对于传统的K-Means之类的算法稍复杂，需要对邻域阈值Eps以及邻域样本数阈值MinPts联合调参，不同的参数组合对最后的聚类效果有较大影响。

为此，本申请提出一种目标处理方法以及控制系统，能够实现自适应聚类，以提高聚类效果，降低误检、漏检或误匹配等或者有用信息遗漏等情况的发生，以提供稳定可靠的点云。

图1所示的目标处理方法可应用于控制系统，该控制系统如车辆如农机等或者内置于该车辆的自动驾驶系统或半自动驾驶系统等。

本实施例中，该控制系统以农机为例，为满足自动控制需求，其可以在农业场景下实现停障功能。本实施例提供的目标处理方法，可以实现自适应聚类，确定出最优聚类参数(或目标聚类参数等)以及利于该最优聚类参数进行点云聚类得到的最优聚类结果(或目标聚类结果等)，而无需人为设置参数，从而提高聚类效果，提供稳定可靠的点云，以利于提高点云数据与视觉数据(如RGB图像等)或多传感器数据等的融合效果(或提高匹配准确度等)，以满足在农业场景中对人或车等目标检测或跟踪需求，保障停障效果以及后续决策的准确性。

举例地，控制系统可以用于执行停障操作等，该停障操作可以表示在农田场景中控制系统如农机在运行时对规定的工作区域范围附近的人和农用车等物体能及时进行检测或跟踪，并能针对实际情况进行停车等其他决策控制。该停障操作中包含多传感器数据融合，主要指视觉数据与毫米波雷达点云数据等在目标检测与目标跟踪上的融合。因此，毫米波雷达点云数据是否稳定可靠将极大的影响数据融合效果。由于毫米波雷达通常使用Object输出模式，虽然经过内嵌算法的处理，但是输出的点云跟在农田环境中的实际应用依然存在较严重的噪声点、离群点、虚假点、孤立点等干扰点云，还会因算法因素导致关键信息点的遗漏导致融合匹配失败。因而，通过在本申请实施例中提供的方法对毫米波雷达在Cluster输出模式下采集的原始点云进行处理，以提高稳定可靠的点云，减少有用信息丢失，提高数据融合效果。

图1为本申请目标处理方法一个实施例的方法示意图。如图1和图2所示，上述目标处理方法可以包括：

S101、获取待处理目标，所述待处理目标中包含多个点云。

在本实施例中，控制系统可以包括目标采集装置，该目标采集装置用于采集待处理目标。优选地，该目标采集装置如毫米波雷达等传感器，该待处理目标可以由毫米波雷达采集得到，进一步地，该待处理目标中可以包含毫米波雷达在Cluster模式下采集到的多个点云。可以理解的是，在自动驾驶过程中，该目标采集装置如毫米波雷达等可以实时采集到多帧待处理目标，每帧待处理目标中均可以包含多个点云。

考虑到该待处理目标中可能存在噪声点、孤立点、离群点、虚假点或干扰点等干扰点云，在本实施例中，在步骤S101之后，所述方法还可以包括：

对所述待处理目标中的多个所述点云进行滤波，得到滤波后的待处理目标。

考虑毫米波雷达在农业场景下的应用，应重点关注毫米波雷达点云中包含的雷达散射截面积(Radar Cross section，RCS)、纵向距离X、横向距离Y、纵向相对速度V_x、横向相对速度V_y等信息。因此，为提高滤波效率，可以设定多个滤波阈值进行滤波，所述滤波阈值可以包括但不限于雷达散射截面积阈值、纵向距离阈值、横向距离阈值、纵向相对速度阈值或横向相对速度阈值等中的一种或多种。

雷达散射截面积(RCS)，表征了目标在雷达波照射下所产生回波强度的一种物理量，是目标在雷达接收方向上反射雷达信号能力的度量，其影响因素既与目标的形状、尺寸、结构及材料有关，也与入射电磁波的频率、极化方式和入射角等有关。

进一步地，该滤波阈值用于确定滤波范围(如第一滤波范围、第二滤波范围…)，通过判断每个点云是否处于该滤波范围内，实现滤波。例如，雷达散射截面积阈值用于确定第一滤波范围，纵向距离阈值用于确定第二滤波范围，横向距离阈值用于确定第三滤波阈值，纵向相对速度阈值用于确定第四滤波范围，横向相对速度阈值用于确定第五滤波阈值。

具体地，根据待处理目标内所有点云的雷达散射截面积(RCS)强度的均值及标准差，计算得到雷达散射截面积阈值，如雷达散射截面积阈值为所有点云的雷达散射截面积(RCS)强度的均值±第一倍数的标准差，该第一倍数可以为预设值或标定值等，上述第一滤波范围为该雷达散射截面积阈值所界定的范围。若点云的雷达散射截面积未处于该第一滤波范围内，则将该点云剔除或滤波等。

如图2所示为一个实施例中毫米波雷达与视觉融合感知范围示意图，其中，毫米波雷达的纵向融合探测距离依次为5m、10m、20m、30m、40m以及50m，横向融合探测距离依次为±5m、±8.5m、±15.62m、±22.72m、±29.82m以及±36.92m，FOV1为毫米波雷达近场FOV(视场角，Field Of View)，FOV2为摄像头FOV，FOV3为毫米波雷达远场FOV。

在本实施例中，纵向距离阈值可以从毫米波雷达的纵向距离范围中选取得到，考虑到因毫米波雷达的角度分辨率固定，故其采集到的点云越远准确度越差，因此，纵向距离阈值的数值应当低于毫米波雷达的纵向距离范围的最大值。结合农业场景，以毫米波雷达的纵向距离范围为0-200m为例，纵向距离阈值可以设置为0m和50m，并确定上述第二滤波范围为0-50m范围。

相应地，横向距离阈值可以从毫秒波雷达的横向距离范围中选取得到，结合农业场景，横向距离阈值可以±12m，上述第三滤波范围为|Y|≤12m。纵向相对速度阈值可以根据控制系统的移动速度来设置，且纵向相对速度阈值低于控制系统的移动速度，例如，考虑到农业场景属于低速场景，农机速度一般小于30km/h，纵向相对速度阈值可以设置为0m/s和8m/s，上述第四滤波范围为0m/s≤V_x≤8m/s，同理，横向相对速度阈值可以设置为-5m/s和5m/s，上述第五滤波范围为-5m/s≤V_y≤5m/s(正负号用于表示方向)。

可以理解的是，上述待处理目标还可以采用其他滤波方式进行滤波处理，如利用多个点云之间的距离关系信息(如欧式距离)等特性进行滤波处理等，在此不受限制。

S102、基于多个所述点云，获得多组聚类参数。

优选地，本实施例中，采用DBSCAN聚类算法(Density-Based Spatial Clusteringof Applications with Noise，具有噪声的基于密度的聚类算法)进行点云聚类，该聚类算法中可以包含一组聚类参数，该组聚类参数可以包括第一聚类参数以及第二聚类参数等，其中，第一聚类参数为邻域阈值或邻域半径Eps，第二聚类参数为邻域密度阈值或邻域样本数阈值MinPts。

DBSCAN聚类算法是一种很典型的密度聚类算法，它假定类别可以通过样本分布的紧密程度决定，既可以适用于凸样本集，也可以适用于非凸样本集，即可以对任意形状的稠密数据集进行聚类，聚类结果没有偏倚，优点在于不仅可以发现任意形状的簇,还可以发现噪音点和离群点等。而如k-means clustering algorithm等之类的其他聚类算法一般只适用于凸数据集，其初始值对聚类结果有很大影响，聚类效果相较于DBSAN聚类算法较差。可以理解的是，上述聚类算法可以替换为其他具有类似效果的密度聚类算法，如k均值(k-means clustering algorithm)聚类算法等，在此不受限制。

DBSCAN聚类算法是基于一组邻域来描述样本集的紧密程度的聚类算法，其包含聚类参数(如Eps，MinPts等)用来描述邻域的样本分布紧密程度。其中，Eps(Epsneighborhood)描述了某一样本的邻域距离或领域半径等，MinPts描述了某一样本的距离为Eps领域半径中样本个数的阈值或领域密度阈值等。

DBSCAN聚类算法的聚类定义为：由密度可达关系导出的最大密度相连的样本集合，即为最终聚类的一个类别，或一个簇(如上述聚类结果等)。其核心思想为：从某个选定的核心点出发，不断向密度可达区域扩张，从而得到一个包含核心点和边界点的最大化区域，区域中任意两点密度相连。也就是说，其核心思想是用一个点的邻域内的邻点数衡量所在空间的密度，它可以找出形状不规则的簇或集群(cluster)，且聚类时不需要事先知道簇的个数。

进一步地，DBSCAN聚类算法具体的概念描述定义如下：

定义1(Eps邻域)：一个对象p的Eps邻域是指以对象p为中心，以Eps为半径的区域内，即

N_Eps(p)＝{q∈D|dist(p,q)≤Eps} (1)

式中，D为数据集(如上述待处理目标等)；dist(p,q)为对象p和对象q之间的距离；N_Eps(p)包含了数据集D中与对象p距离不大于Eps的所有对象。

定义2(核心对象)：给定数据集D，设定邻域密度阈值MinPts，若存在对象p∈D，且满足式(2)时，则对象p是一个核心对象。

|N_Eps(p)|≥MinPts (2)

式中，|N_Eps(p)|表示对象p的Eps邻域对象个数。

定义3(边界点)：非核心点但在某核心点的N_Eps邻域内的对象称为边界点。

定义4(密度直达)：给定数据集D，若存在对象q∈N_Eps(p)且对象p满足式(2)，即对象q在对象p的Eps邻域内且对象p为核心对象，则称对象q是从对象p密度直达的。

密度可达是非对称的。

定义6(密度相连)：给定数据集D，若存在对象o∈D，使得对象p和对象q是从对象o密度可达的，则称对象p和对象q是密度相连的。密度相连是对称的。

定义7(簇)：给定数据集D，数据集合C是数据集D的非空子集，且满足以下条件，则称数据集合C为簇：

(1)对任意对象q，若核心对象p∈C且对象q是从核心对象p密度可达的，则对象q∈C。

(2)对任意对象p,q∈C，对象p和对象q是密度相连的。

定义8(噪声点)：给定数据集D，若对象p不属于任何簇，则对象p为噪声点，即

其中，noise为噪声点集合，C_i表示数据集D中的簇。

在本实施例中，为提高聚类效果，将单帧经过上述滤波处理后的待处理目标作为一个数据集，处理得到多组聚类参数，并利用该多组聚类参数分别进行点云聚类，得到多个聚类结果，然后利用该多个聚类结果，确定出目标聚类参数以及目标聚类结果，该目标聚类参数用于表示最优聚类参数，该目标聚类结果用于表示最优聚类结果，实现自适应聚类，提供稳定可靠的点云，并且每帧待处理目标均对应有最优聚类参数以及最优聚类结果，从而不会因人为设定参数而导致难以完全适应所有帧点云的情况发生，避免了用联立约束条件解最优化方程等。

其中一种可能的实现方式中，步骤S102可以包括：

S201、对每个所述点云分别与多个其他所述点云之间的距离关系进行计算，得到多个所述点云之间的距离关系信息，所述距离关系信息包括第一矩阵，所述第一矩阵的行与所述点云相对应，所述第一矩阵的每行中包含相对应的所述点云分别与多个其他所述点云之间的多个距离；

S202、对所述第一矩阵的每行中多个所述距离按照大小顺序进行排序，得到第二矩阵；

S203、基于所述第二矩阵，得到多组聚类参数。

优选地，每个点云中可以包含多个维度信息，该维度信息可以包括但不限于雷达散射截面积(Radar Cross section，RCS)、纵向距离X以及横向距离Y等中的一种或多种，每个点云分别与多个其他点云之间的距离可以由上述多个维度信息计算得到的欧式距离等。可选地，该距离还可以替换为曼哈顿距离、闵可夫斯基距离等，在此不受限制。

考虑到算法的聚类质量效果与距离公式的选取相关，算法不适用于数据集中或密度差异较大的情形。通常欧式距离公式使用二维数据进行度量，使用多维数据度量时通常会有量纲问题，如对高维信息用归一化进行处理，这会使得某些维度上的信息过近而无法区分。因此，本实施例中，利用三个维度信息(如雷达散射截面积、纵向距离以及横向距离)进行度量，量纲大致范围相同，避免归一化带来的问题，同时更大程度的使用了点云的数据信息，有利于保留稳定鲁棒性高的点云。

优选地，上述距离可以由公式：

其中，D_ij为第i个点云与第j个点云之间的欧式距离。

在步骤S201中，将经过滤波处理后的待处理目标中多个点云作为数据集D，遍历各点云，计算数据集D中各点云两两间三维欧氏距离，得到距离关系矩阵D_n×n，n为数据集D中点云的数目，其中，

在步骤S202中，可以将第一矩阵的每行中多个距离按照从小到大顺序进行排序，得到第二矩阵。具体地，第二矩阵为E1_n×n，第二矩阵中多个距离对应为A_ij。

在本实施例中，在步骤S203中，上述多组聚类参数(如第一聚类参数和/或第二距离参数)可以根据该第二矩阵计算得到。进一步地，为避免噪声点的干扰引起Eps过大，在步骤S203之后，所述方法还可以包括：

S204、获取衰减系数；

S205、基于所述衰减系数，对多组所述聚类参数进行衰减处理，得到衰减处理后的多组所述聚类参数。

具体地，所述衰减系数可以包括第一衰减系数和/或第二衰减系数，求对排序后的距离关系矩阵E1_n×n各列依次求平均值，得到

所述第一参数可以由公式：

计算得到；

其中，A_ij为所述第二矩阵中第i行第j列的距离，

为第二矩阵中第j列的距离平均值，Eps_j为第j个第一参数，a₁为第一衰减系数，n为点云的数量，其中，0＜a₁＜1，优选地，a₁＝0.2。

和/或，所述第二参数可以由公式：

计算得到；

其中，MinPts_j为第j个第二参数，N_K_jk为第二矩阵的第j行中小于第k列的距离平均值的距离数量，a₂为第二衰减系数，其中，0＜a₂＜1，优选地，a₂＝0.2。N_K_jk用于表示第j个对象的Eps邻域范围内邻域对象的数目。可选地，N_K_kj可以由第三矩阵的每行中小于第k列的距离平均值的距离数量计算得到，其中，第三矩阵为对第二矩阵进行截取后的矩阵，如截取第二矩阵中的前三分之一列或其他比例列得到第三矩阵等，在此不受限制。

具体地，以第三矩阵为E2_3×3举例，

其中，n＝3，第1列的距离平均值为

第2列的距离平均值为

第3列的距离平均值为

将第1行中A₁₁、A₁₂、A₁₃依次与

进行比较，得到第1行中小于第1列的距离平均值的距离数量N_K₁₁，将第1行中A₁₁、A₁₂、A₁₃依次与

进行比较，得到第1行中小于第2列的距离平均值的距离数量N_K₁₂，将第1行中A₁₁、A₁₂、A₁₃依次与

进行比较，得到第1行中小于第3列的距离平均值的距离数量N_K₁₃，则第1行中小于第k列的距离平均值的距离数量和为

同理，第2行中小于第k列的距离平均值的距离数量和为

第3行中小于第k列的距离平均值的距离数量和为

可以理解的是，对上述聚类参数进行衰减处理后，可在一定程度上可以避免农田场景中异常点(或干扰点云等)造成的影响。因此，在农田场景下，即便农机振动或者在坑洼地面停留，本申请实施例中提供的所述方法仍然可以从当前帧待处理目标中多个点云中找出符合当前密度特征的聚类参数点对(或聚类参数组)，从而有利于在聚类处理过程中尽可能剔除异常点，提供稳定可靠的点云，提高点云与视觉数据(如目标检测框等)关联匹配成功率，提高目标跟踪的稳定性。

进一步地，上述多组聚类参数可以包括聚类参数点对集合(或聚类参数组集合)，该聚类参数点对集合可以表示为INput_j＝{(Eps_j，MinPts_j)|(1≤j≤n)}，INput_j为第j个聚类参数点对或聚类参数组，Eps_j为第j个第一聚类参数，MinPts_j为第j个第二聚类参数，其中，该聚类参数点对集合中包含第一聚类参数集合以及第二聚类参数集合，第一聚类参数集合由多个第一聚类参数汇集得到，其中，第一聚类参数集合为：Eps_L＝{Eps_j|(1≤j≤n)}，第二聚类参数集合由多个第二聚类参数汇集得到，其中，第二聚类参数集合为：MinPts_L＝{MinPts_j|(1≤j≤n)}。

S103、基于每组所述聚类参数，分别对多个所述点云进行聚类处理，得到多个聚类结果。

在本实施例中，优选采用DBSCAN聚类算法进行聚类处理，DBSCAN聚类算法明确一个聚类可以由其中的任何核心对象唯一确定，可等价表述为：任意满足核心对象条件的数据对象A，数据集D中所有从A密度可达的数据对象o所组成的集合构成了一个完整的聚类C，且A属于C。

具体地，DBSCAN聚类算法的具体实施步骤可以包括：

L1、输入数据集D(如上述待处理目标)和聚类参数(如上述每组聚类参数)。举例地，输入农田场景下经过滤波处理后的m个毫米波雷达点云数据集D＝{x⁽¹⁾,x⁽²⁾,...,x^(m)}，每个点云包含多个维度信息。输入DBSCAN聚类算法的聚类参数：如邻域参数(Eps邻域半径，MinPts邻域密度阈值)。样本距离度量方式：如欧式距离。

L2、扩充密度相连的核心点。扫描整个数据集D，找到任意一个核心点，对该核心点进行扩充。扩充的方法是寻找从该核心点出发的所有密度相连的数据点。遍历该核心点的Eps邻域内的所有核心点(因为边界点是无法扩充的)，寻找与这些数据点密度相连的点，直到没有可以扩充的数据点为止。最后聚类成的簇的边界节点都是非核心数据点。

L3、排除干扰点云(或异常点等)。重新扫描数据集(不包括之前寻找到的簇中的任何数据点)，寻找没有被聚类的核心点，再重复上面的步骤L2，对该核心点进行扩充直到数据集中没有新的核心点为止。数据集中包含在簇中的数据点为聚类后的多个点云(即上述聚类结果)，数据集中没有包含在任何簇中的数据点就构成异常点(即上述干扰点云等)。

L4、输出聚类簇数目(即上述聚类结果)，该聚类簇数目用于表示参与聚类的点云数目。

在步骤S103中，将每组聚类参数依次输入DBSCAN聚类算法中，依次得到多个聚类簇数目(即多个聚类结果)，，并将其汇总成聚类簇数目集合(或聚类结果集合)为：K_L＝{K_j|(1≤j≤n)}，K_j为第j个聚类簇数目(或第j个聚类结果)。

S104、基于多个所述聚类结果，得到目标聚类结果，所述目标聚类结果中包含参与聚类的多个所述点云。

也就是说，该目标聚类结果用于表示最优聚类结果，该目标聚类结果对应于目标聚类参数(或最优聚类参数)，对于每帧待处理目标进行聚类处理得到的多个聚类结果，可以用于确定与该帧待处理目标相对应目标聚类结果以及目标聚类参数，因此，不会因人为设定参数而导致难以完全适应所有帧点云的情况发生，避免了用联立约束条件解最优化方程等。

其中一种可能的实现方式中，上述聚类结果集合中多个所述聚类结果按照顺序排列，步骤S104可以包括：

S301、判断多个所述聚类结果中是否存在多个连续相同的所述聚类结果；

S302、若存在多个连续相同的所述聚类结果，则基于连续相同的所述聚类结果的数量，得到目标聚类结果。

考虑到在农业场景中毫米波雷达点云数量相对较少，因此，当聚类结果收敛至稳定数目时，可以选择该稳定位置的聚类结果为目标聚类结果，其对应的聚类参数为目标聚类参数，从而实现自适应聚类。因此，在本实施例中，可以通过判断存在连续相同的聚类结果的数量，来确定聚类结果是否收敛至稳定数目。例如，若存在连续相同且数量大于预设阈值的聚类结果，则认为聚类结果收敛至稳定数目，其中，连续相同且数量大于预设阈值的聚类结果为目标聚类结果，其对应的聚类参数为目标聚类参数。

可选地，在步骤S302中，若存在连续相同且数量大于预设阈值的聚类结果，则选取对应的聚类参数为目标聚类参数，将该目标聚类参数输入上述DBSCAN聚类算法中对上述待处理目标(或经滤波处理后的待处理目标)中多个点云进行聚类处理，得到目标聚类结果。

其中一种可能的实现方式中，上述预设阈值可以包括第一阈值、第二阈值等，步骤S302可以包括：

S303、判断连续相同的所述聚类结果的数量是否大于第一阈值，若连续相同的所述聚类结果的数量大于所述第一阈值，则连续相同且数量大于所述第一阈值的所述聚类结果为目标聚类结果；

S304、若连续相同的所述聚类结果的数量小于或等于所述第一阈值，则判断连续相同的所述聚类结果的数量是否大于第二阈值，则连续相同的所述聚类结果的数量大于所述第二阈值，则连续相同且数量大于所述第二阈值的所述聚类结果为目标聚类结果，其中，所述第一阈值大于所述第二阈值。

举例地，第一阈值为N(例如3等)，第二阈值为N-1，若从聚类结果集合中查找到连续相同且数目或数量大于N的聚类结果，则认为聚类结果收敛至稳定数目，且该数目大于N且连续相同的聚类结果为目标聚类结果，其对应的聚类参数为目标聚类参数。

若不存在连续相同且数量大于N的聚类结果，则从聚类结果集合中查找是否存在连续相同且数目或数量大于N-1的聚类结果，若存在，则认为聚类结果收敛至稳定数目，该连续相同且数目或数量大于N-1的聚类结果为目标聚类结果，其对应的聚类参数为目标聚类参数。

可以理解的是，上述第一阈值或第二阈值等可以根据点云数目来确定或根据经验值设定等，可选地，上述预设阈值还可以包括第三阈值、第四阈值等，如第三阈值为N-2，第四阈值为N-3，在此不受限制。

进一步地，步骤S302还可以包括：若不存在连续相同的聚类结果，则从上述聚类结果集合中选取第M个聚类结果为目标聚类结果，其对应的聚类参数为目标聚类参数，例如，第M个聚类结果为第1个聚类结果，由于上述聚类参数集合中的第一个聚类参数为0，如第一聚类参数集合Eps_L中的第一个第一聚类参数以及第二聚类参数集合MinPts_L中的第一个第二聚类参数均为0，则目标聚类参数为0等，目标聚类结果为空集或0等。

其中一种可能的实现方式中，在步骤S104之后，所述方法还可以包括：

S401、判断未聚类的所述点云的数量是否大于数目阈值；

S402若未聚类的所述点云的数量大于数目阈值，则对未聚类的所述点云进行聚类处理，得到待合并聚类结果；

S403、将所述待合并聚类结果与所述目标聚类结果进行合并，得到合并后的目标聚类结果。

在本实施例中，未聚类的点云可以用于表示未参与聚类到上述目标聚类结果中的点云，或者，被DBSCAN聚类算法滤除的点云等。

如图4所示，因为不同物体的毫米波雷达点云带有明显的密度特征，考虑到在单次聚类处理后，可能有部分点云因为不匹配参数的缘故被剔除，可能会导致有用信息丢失。因此，在本实施例中，在每次聚类处理后，当未参与聚类的点云数目大于数目阈值时，将这些未聚类的点云作为一个整体(如由未聚类点云构成的数据集)进行自适应聚类迭代处理(具体步骤可以参考上述步骤S102至步骤S104，在此不再赘述)，直至未参与聚类的点云数量或数目小于数目阈值范围为止，从而得到一个或多个待合并聚类结果，若未聚类的点云数目小于或等于数目阈值，则将该未聚类的点云数目滤除。然后，将该待合并的聚类结果与上述目标聚类结果进行合并，得到合并后的目标聚类结果，因此，通过实现多层次的聚类迭代处理，达到信息复用的功能，尽可能保留有用信息。

可以理解的是，上述实施例中的部分或全部步骤或操作仅是示例，本申请实施例还可以执行其它操作或者各种操作的变形。此外，各个步骤可以按照上述实施例呈现的不同的顺序来执行，并且有可能并非要执行上述实施例中的全部操作。

如图5所示为本申请目标处理装置100一个实施例的结构示意图。如图5所示，上述目标处理装置100可以包括：

获取模块110，用于获取待处理目标，所述待处理目标中包含多个点云；

参数计算模块120，用于基于多个所述点云，获得多组聚类参数；

聚类模块130，用于基于每组所述聚类参数，分别对多个所述点云进行聚类处理，得到多个聚类结果；

选取模块140，用于基于多个所述聚类结果，得到目标聚类结果，所述目标聚类结果中包含参与聚类的多个所述点云。

其中一种可能的实现方式中，参数计算模块120还用于：

基于所述第二矩阵，得到多组聚类参数。

其中一种可能的实现方式中，参数计算模块120还用于：

获取衰减系数；

计算得到；

其中，A_ij为所述第二矩阵中第i行第j列的距离，

和/或，所述第二参数由公式：

计算得到；

其中一种可能的实现方式中，多个所述聚类结果按照顺序排列，聚类模块130还用于：

其中一种可能的实现方式中，选取模块140还用于：

其中一种可能的实现方式中，目标处理装置100还用于：

判断未聚类的所述点云的数量是否大于数目阈值；

可以理解的是，图5所示实施例提供的目标处理装置100可用于执行本申请图1所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述。

应理解以上图5所示的目标处理装置100的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块以软件通过处理元件调用的形式实现，部分模块通过硬件的形式实现。例如，聚类模块可以为单独设立的处理元件，也可以集成在电子设备的某一个芯片中实现。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit；以下简称：ASIC)，或，一个或多个微处理器(Digital Singnal Processor；以下简称：DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array；以下简称：FPGA)等。再如，这些模块可以集成在一起，以片上系统(System-On-a-Chip；以下简称：SOC)的形式实现。

图6为本申请控制系统200一个实施例的结构示意图，如图6所示，上述控制系统200可以包括：目标采集装置210，用于采集待处理目标；控制装置220；执行装置230，用于受控于所述控制装置220，以执行操作。

控制装置220，包括：

一个或多个处理器；存储器；以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述控制系统执行时，使得所述控制系统执行以下步骤；

获取待处理目标，所述待处理目标中包含多个点云；

基于多个所述点云，获得多组聚类参数；

其中一种可能的实现方式中，当所述指令被所述控制系统执行时，使得所述控制系统执行所述基于多个所述点云，获得多组聚类参数，包括：

基于所述第二矩阵，得到多组聚类参数。

其中一种可能的实现方式中，当所述指令被所述控制系统执行时，使得所述控制系统在执行所述基于所述第二矩阵，得到多组聚类参数之后，所述控制系统还执行：

获取衰减系数；

计算得到；

其中，A_ij为所述第二矩阵中第i行第j列的距离，

和/或，所述第二参数由公式：

计算得到；

其中一种可能的实现方式中，多个所述聚类结果按照顺序排列，当所述指令被所述控制系统执行时，使得所述控制系统执行所述基于多个所述聚类结果，得到目标聚类结果，包括：

其中一种可能的实现方式中，当所述指令被所述控制系统执行时，使得所述控制系统执行所述基于连续相同的所述聚类结果的数量，得到目标聚类结果，包括：

其中一种可能的实现方式中，当所述指令被所述控制系统执行时，使得所述控制系统还执行：

其中一种可能的实现方式中，当所述指令被所述控制系统执行时，使得所述控制系统在执行所述基于多个所述聚类结果，得到目标聚类结果之后，所述系统还执行：

判断未聚类的所述点云的数量是否大于数目阈值；

可以理解的是，图6所示实施例提供的控制系统200可用于执行本申请图1所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述。

举例地，控制系统300可以用于执行停障操作等，该停障操作可以表示在农田场景中控制系统如农机在运行时对规定的工作区域范围附近的人和农用车等物体能及时进行检测或跟踪，并能针对实际情况进行停车等其他决策控制。该停障操作中包含多传感器数据融合，主要指视觉数据与毫米波雷达点云数据(如上述滤波或聚类处理后的点云等)在目标检测与目标跟踪上的融合，满足在农业场景中对人或车等目标检测或跟踪需求，保障停障效果以及后续决策的准确性。

目标采集装置310可以包括毫米波雷达，该毫米波雷达用于采集多帧待处理目标。进一步地，该目标采集装置310还可以包括视觉传感器(如图像传感器等)、深度传感器、激光雷达等一种或多种传感器，以用于采集视觉数据或多传感器数据等，在此不受限制。

执行装置330可以包括移动装置，用于执行移动操作，如受控制装置320发出的控制指令进行移动或停止等。

应理解，本实施例控制系统200可以包括其他不同类型的操作机构，以受控于所述控制装置240，执行不同的操作，在此不受限制。

应理解，控制装置可以被实施为控制电路，控制装置中的处理器可以是片上系统SOC，该处理器中可以包括中央处理器(Central Processing Unit；以下简称：CPU)，还可以进一步包括其他类型的处理器，例如：目标处理器(Graphics Processing Unit；以下简称：GPU)等。

图7为本申请电子设备一个实施例的结构示意图，如图7所示，上述电子设备可以包括：一个或多个处理器；存储器；以及一个或多个计算机程序。

其中，上述电子设备可以为智能驾驶车辆、无人机、农机等。

其中上述一个或多个计算机程序被存储在上述存储器中，上述一个或多个计算机程序包括指令，当上述指令被上述设备执行时，使得上述设备执行以下步骤：

获取待处理目标，所述待处理目标中包含多个点云；

基于多个所述点云，获得多组聚类参数；

其中一种可能的实现方式中，当上述指令被上述设备执行时，使得上述设备执行所述基于多个所述点云，获得多组聚类参数，包括：

基于所述第二矩阵，得到多组聚类参数。

其中一种可能的实现方式中，当上述指令被上述设备执行时，使得上述设备在执行所述基于所述第二矩阵，得到多组聚类参数之后，所述设备还执行：

获取衰减系数；

计算得到；

其中，A_ij为所述第二矩阵中第i行第j列的距离，

和/或，所述第二参数由公式：

计算得到；

其中一种可能的实现方式中，多个所述聚类结果按照顺序排列，当上述指令被上述设备执行时，使得上述设备执行所述基于多个所述聚类结果，得到目标聚类结果，包括：

其中一种可能的实现方式中，当上述指令被上述设备执行时，使得上述设备执行所述基于连续相同的所述聚类结果的数量，得到目标聚类结果，包括：

若连续相同的所述聚类结果的数量小于或等于所述第一阈值，则判断连续相同的所述聚类结果的数量是否大于第二阈值，则连续相同的所述聚类结果的数量大于所述第二阈值，则连续相同数量大于所述第二阈值的所述聚类结果为目标聚类结果，其中，所述第一阈值大于所述第二阈值。

其中一种可能的实现方式中，当上述指令被上述设备执行时，使得上述设备还执行：

其中一种可能的实现方式中，当上述指令被上述设备执行时，使得上述设备在执行所述基于多个所述聚类结果，得到目标聚类结果之后，所述设备还执行：

判断未聚类的所述点云的数量是否大于数目阈值；

该设备可以用于执行本申请图1所示实施例提供的目标处理方法中的功能/步骤。

如图7所示，电子设备900包括处理器910和存储器920。其中，处理器910和存储器920之间可以通过内部连接通路互相通信，传递控制和/或数据信号，该存储器920用于存储计算机程序，该处理器910用于从该存储器920中调用并运行该计算机程序。

上述存储器920可以是只读存储器(read-only memory，ROM)、可存储静态信息和指令的其它类型的静态存储设备、随机存取存储器(random access memory，RAM)或可存储信息和指令的其它类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备，或者还可以是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质等。

上述处理器910可以和存储器920可以合成一个处理装置，更常见的是彼此独立的部件，处理器910用于执行存储器920中存储的程序代码来实现上述功能。具体实现时，该存储器920也可以集成在处理器910中，或者，独立于处理器910。

除此之外，为了使得电子设备900的功能更加完善，该电子设备900还可以包括传感器930、电源940、输入单元950等中的一个或多个。

可选地，电源950用于给电子设备中的各种器件或电路提供电源。

应理解，图7所示的电子设备900能够实现本申请图1所示实施例提供的方法的各个过程。电子设备900中的各个模块的操作和/或功能，分别为了实现上述方法实施例中的相应流程。具体可参见本申请图1所示方法实施例中的描述，为避免重复，此处适当省略详细描述。

应理解，图7所示的电子设备900中的处理器910可以是片上系统SOC，该处理器910中可以包括中央处理器(Central Processing Unit；以下简称：CPU)，还可以进一步包括其他类型的处理器，例如：目标处理器(Graphics Processing Unit；以下简称：GPU)等。

总之，处理器910内部的各部分处理器或处理单元可以共同配合实现之前的方法流程，且各部分处理器或处理单元相应的软件程序可存储在存储器920中。

本申请还提供一种电子设备，所述设备包括存储介质和中央处理器，所述存储介质可以是非易失性存储介质，所述存储介质中存储有计算机可执行程序，所述中央处理器与所述非易失性存储介质连接，并执行所述计算机可执行程序以实现本申请图1所示实施例提供的方法。

以上各实施例中，涉及的处理器可以例如包括CPU、DSP、微控制器或数字信号处理器，还可包括GPU、嵌入式神经网络处理器(Neural-network Process Units；以下简称：NPU)和图像信号处理器(Image Signal Processing；以下简称：ISP)，该处理器还可包括必要的硬件加速器或逻辑处理硬件电路，如ASIC，或一个或多个用于控制本申请技术方案程序执行的集成电路等。此外，处理器可以具有操作一个或多个软件程序的功能，软件程序可以存储在存储介质中。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行本申请图1所示实施例提供的方法。

本申请实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，当其在计算机上运行时，使得计算机执行本申请图1所示实施例提供的方法。

本申请实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。

本领域普通技术人员可以意识到，本文中公开的实施例中描述的各单元及算法步骤，能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory；以下简称：ROM)、随机存取存储器(Random Access Memory；以下简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。本申请的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种目标处理方法，其特征在于，所述方法包括：

获取待处理目标，所述待处理目标中包含多个点云；

基于多个所述点云，获得多组聚类参数；

2.根据权利要求1所述的方法，其特征在于，所述基于多个所述点云，获得多组聚类参数，包括：

基于所述第二矩阵，得到多组聚类参数。

3.根据权利要求2所述的方法，其特征在于，在所述基于所述第二矩阵，得到多组聚类参数之后，所述基于多个所述点云，获得多组聚类参数，还包括：

获取衰减系数；

4.根据权利要求3所述的方法，其特征在于，每组所述聚类参数中包含第一参数和/或第二参数，所述衰减系数包括第一衰减系数和/或第二衰减系数，所述第一参数由公式：

计算得到；

其中，A_ij为所述第二矩阵中第i行第j列的距离，

和/或，所述第二参数由公式：

计算得到；

5.根据权利要求1所述的方法，其特征在于，多个所述聚类结果按照顺序排列，所述基于多个所述聚类结果，得到目标聚类结果，包括：

6.根据权利要求5所述的方法，其特征在于，所述基于连续相同的所述聚类结果的数量，得到目标聚类结果，包括：

7.根据权利要求1所述的方法，其特征在于，在所述获取待处理目标之后，所述方法还包括：

8.根据权利要求1至7任一项所述的方法，其特征在于，在所述基于多个所述聚类结果，得到目标聚类结果之后，所述方法还包括：

判断未聚类的所述点云的数量是否大于数目阈值；

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如权利要求1至8任一项所述的方法。

10.一种控制系统，其特征在于，包括：

目标采集装置，用于采集待处理目标；

控制装置，包括：

一个或多个处理器；存储器；以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述控制系统执行时，使得所述控制系统执行如权利要求1至8任一项所述的方法；

执行装置，用于受控于所述控制装置，以执行操作。