{ "paper_id": "1805176e41aeb6c73eece265e5d4e465", "paper_title": "Person Tracking Using Ankle-Level LiDAR Based on Enhanced DBSCAN and OPTICS", "paper_authors": [ "Mahmudul Hasan", "Junichi Hanawa", "Riku Goto", "Hisato Fukuda", "Yoshinori Kuno", "Yoshinori Kobayashi" ], "publication_date": "2021", "publication_venue": "Institute of Electrical Engineers of Japan (IEEJ)", "abstract": "Along with the progress of deep learning techniques, people tracking using video cameras became easy and accurate. However, privacy and security issues are not enough to be concerned with vision-based monitoring. People may not be tolerated surveillance cameras installed everywhere in our daily life. A camera-based system may not work robustly in unusual situations such as smoke, fogs, or darkness. To cope with these problems, we propose a two-dimensional (2D) LiDAR-based people tracking technique based on clustering algorithms. A LiDAR sensor is a prominent approach for tracking people without disclosing their identity, even under challenging conditions. For tracking people, we propose modified density-based spatial clustering of applications with noise (DBSCAN) and ordering points to identify cluster structure (OPTICS) algorithms for clustering 2D LiDAR data. We have confirmed that our approach significantly improves the accuracy and robustness of people tracking through the experiments. © 2021 Institute of Electrical Engineers of Japan. Published by Wiley Periodicals LLC.", "keywords": [ "person tracking", "DBSCAN", "OPTICS", "density-based clustering", "LiDAR" ], "paper_institutions": [ "Saitama University", "Comilla University" ], "output_language": "zh", "provider": "doubao", "model": "ark-code-latest", "prompt_template": "simple", "extracted_at": "2026-08-16T19:46:37.611787Z", "template_tag": "deep_read", "summary": "# Person Tracking Using Ankle-Level LiDAR Based on Enhanced DBSCAN and OPTICS\n\n\n**作者 / Authors:** Mahmudul Hasan, Junichi Hanawa, Riku Goto, Hisato Fukuda, Yoshinori Kuno, Yoshinori Kobayashi\n\n\n**单位 / Institutions:** Saitama University, Comilla University\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 2021\n\n\n\n**期刊/会议 / Publication Venue:** IEEJ Transactions on Electrical and Electronic Engineering (Wiley)\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n## 模块A：阅读对齐与输入验证\n\n### 论文元数据\n\n- **标题**：Person Tracking Using Ankle-Level LiDAR Based on Enhanced DBSCAN and OPTICS\n- **作者**（姓名/单位/背景简介）：\\ - Mahmudul Hasan（琦玉大学人机交互实验室博士生，同时在孟加拉国库米拉大学计算机科学与工程系任教；研究方向为人机交互与计算机视觉）\\ - Junichi Hanawa（琦玉大学理工学研究科学生，2020年获琦玉大学信息与计算机科学学士学位；研究兴趣为用于人体感知的计算机视觉）\\ - Riku Goto（琦玉大学理工学研究科学生，2019年获琦玉大学信息与计算机科学学士学位；研究兴趣为用于人体感知的计算机视觉）\\ - Hisato Fukuda（琦玉大学理工学研究科助理教授，2015年获琦玉大学信息与计算机科学博士学位；研究兴趣包括物体识别与人机交互）\\ - Yoshinori Kuno（琦玉大学名誉教授，1982年获东京大学博士学位，曾于卡内基梅隆大学访问，研究兴趣包括计算机视觉、智能机器人、人机交互）\\ - Yoshinori Kobayashi（琦玉大学教授，2007年获东京大学博士学位，研究兴趣包括用于人体感知的计算机视觉及其在人机交互和人机协作中的应用）\n- **发表渠道**：期刊（IEEJ Transactions on Electrical and Electronic Engineering，Wiley出版，2021年）。收到日期：2020年10月30日；修订日期：2021年2月1日。\n\n### 研究定位\n\n- **研究领域**：计算机视觉、激光雷达感知、密度聚类、人员追踪\n- **具体任务**：基于2D LiDAR（踝部高度）的人员追踪，使用增强型DBSCAN和OPTICS聚类算法对LiDAR点进行聚类，并利用卡尔曼滤波器进行轨迹跟踪。\n- **目标用户/应用场景**：需要人员轨迹但不需要身份识别的场景（如机场、车站、博物馆、超市），以及紧急救援、移动机器人导航、护理等。\n\n### 输入材料清单\n\n- **PDF**：是（本文档即为论文内容）\n- **附录/补充材料**：未提供\n- **代码链接**：未提供\n- **数据集链接**：未提供（作者自建数据集）\n\n### 缺失材料与风险\n\n- **缺失项**：无公开代码、无公开数据集、补充材料缺失。\n- **可能影响**：无法复现实验细节（如具体数据采集设置、参数选择范围），难以验证算法实现与性能；但论文中提供了参数范围（如maxPts=50~300）和性能数据，部分缓解此问题。\n\n### 阅读路线（3-6步）\n\n- **步骤1**：快速浏览标题、摘要、引言，确定论文类型为方法类（method），明确核心贡献是提出EDBSCAN和EOPTICS算法。\n- **步骤2**：阅读方法论（第3节），重点理解EDBSCAN和EOPTICS的修改机制（引入maxPts参数、动态半径调整），以及追踪流程（传感器、预处理、聚类、卡尔曼滤波）。\n- **步骤3**：阅读实验部分（第4节），对比表格中的性能数据，分析与传统DBSCAN/OPTICS及其他方法的优劣。\n- **步骤4**：阅读相关工作和结论，评估方法创新性与局限性，思考扩展方向。\n- **步骤5**：（可选）根据参考文献追溯LiDAR追踪和密度聚类相关文献，深化背景理解。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n## 模块B：第一遍概览\n\n### 1. 论文类型与类别\n\n- **类型**：方法类（method）论文，提出改进的聚类算法用于基于2D LiDAR的人员追踪。\n- **子领域**：计算机视觉、激光雷达感知、密度聚类、人员追踪。\n- **论文定位**：针对隐私保护和恶劣环境下的人员追踪，提出基于改进DBSCAN和OPTICS的踝部级LiDAR追踪系统。\n\n### 2. 背景与研究背景\n\n- **动机**：视频监控存在隐私问题和在烟雾、雾、黑暗等环境下鲁棒性不足的问题。\n- **替代方案**：2D LiDAR传感器可以在不暴露身份的情况下追踪人员，且具有视角广和计算成本低的优势。\n- **现有问题**：传统聚类算法（DBSCAN、OPTICS）在人员踝部距离接近时容易产生错误聚类（数据过拟合或欠拟合），影响追踪准确性。\n- **解决思路**：引入maxPts参数并动态调整半径，增强聚类对人员密集场景的适应性。\n\n### 3. 直观正确性检查\n\n- **核心假设**：人员踝部在2D LiDAR图像中表现为密度区域，通过密度聚类可分离不同人员。\n- **合理性分析**：\n - 踝部位置在LiDAR扫描中呈现为连续点簇，密度与人员姿态相关（两个踝部靠近时形成高密度区域）。\n - DBSCAN/OPTICS无需预设簇数，适合处理任意形状簇，且能滤除噪声。\n - 引入maxPts可限制单簇最大点数，防止多个人员踝部合并为一个簇；动态调整半径有助于分离密集中的人群。这些修改在逻辑上合理，但实际有效性依赖于参数的启发式选择（如maxPts范围50~300）。\n- **潜在风险**：参数选择依赖实验经验，缺乏自适应机制；在快速奔跑或遮挡严重时，精度下降明显（表II显示combined running精度仅77.94%）。\n\n### 4. 核心贡献（3-5条）\n\n- **贡献1**：提出增强型DBSCAN（EDBSCAN）和增强型OPTICS（EOPTICS），通过引入maxPts参数并动态调整半径解决传统算法在人员追踪中的过拟合问题。\n- **贡献2**：将算法应用于踝部级2D LiDAR人员追踪系统，使用运动历史图像进行聚类，仅需一步聚类即可区分个体，避免传统两步聚类（先分踝再配对）的复杂性。\n- **贡献3**：在自建数据集上进行了系统性实验，验证了算法在个体行走/奔跑、踝部运动、组合行走/奔跑等场景下的有效性，与DBSCAN、OPTICS及其他基准（Euclidean clustering, Depth clustering等）相比，显著提升了准确率（EOPTICS在组合行走达到96.95%）。\n- **贡献4**：分析了算法的时间复杂度，指出增强算法与原始算法相同（O(n^2)），保持了计算效率。\n\n### 5. 清晰度评估\n\n- **结构**：逻辑清晰，包括引言、相关工作、方法论（传感、聚类、追踪）、实验与讨论、结论，符合标准论文框架。\n- **图表**：提供了大量LiDAR图像和聚类可视化（图2-图13），直观展示问题和算法效果；表I-III呈现了详细数据和对比。\n- **公式**：OPTICS的reachability距离、卡尔曼滤波的预测和修正公式清晰给出，但缺少对变量含义的充分解释。\n- **可读性**：部分段落行文稍显松散，存在语法小问题，但整体可理解。算法细节主要靠文字描述和示例说明，缺乏伪代码或算法步骤列表，可能影响复现性。\n\n### 6. 继续阅读建议\n\n- **推荐**：继续阅读（进入第二遍/第三遍）。\n- **理由**：论文提出的改进聚类方法简单而有效，对LiDAR人员追踪领域有实际贡献；实验数据翔实，但缺乏开源代码和公开数据集，需要读者自行实现验证。深入了解算法细节和实验设置有助于评估其可复现性和推广性。\n\n### 7. 结构大纲图\n\n```markmap\n# 论文概览\n## 引言\n## 相关工作\n### 基于传感器的追踪\n### 基于聚类的追踪\n## 方法论\n### 传感（LiDAR设置与预处理）\n### 聚类\n#### 增强DBSCAN (EDBSCAN)\n#### 增强OPTICS (EOPTICS)\n### 跟踪（卡尔曼滤波）\n## 实验与讨论\n### 数据集与实验设置\n### 结果分析\n### 对比实验\n## 结论\n```\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n## 模块C1：论文试图解决什么问题？\n\n### 1. 一句话问题定义\n\n本文旨在解决在隐私敏感及恶劣环境（如烟雾、黑暗）下，如何仅利用踝部高度的2D LiDAR数据，通过改进的密度聚类算法（增强型DBSCAN和OPTICS）实现鲁棒、准确且低成本的多人跟踪问题。\n\n### 2. 痛点或缺陷\n\n- **隐私与安全问题**：基于视频摄像头的监控系统存在隐私泄露风险，人们难以接受在日常生活场所普遍安装监控摄像头（见引言第1段）。\n- **环境鲁棒性不足**：摄像头系统在烟雾、雾气或黑暗等异常情况下无法稳定工作（引言第1段）。\n- **传统两步聚类耗时且识别困难**：现有方法需先对每个踝部聚类，再配对两条踝部以区分个体，过程耗时，且在多人场景下难以判断哪些踝部属于同一人（引言第2段）。\n- **传统DBSCAN/OPTICS的过拟合问题**：当多人踝部靠近时，传统DBSCAN/OPTICS会因固定半径和最小点数限制，将不同人的踝部误合并为一个簇，导致误检（方法3.2.1及图4）。\n\n### 3. 形式化目标或优化目标\n\n论文未给出统一的数学优化目标，但其核心目标可表述为：在给定LiDAR点序列 $P = \\{p_1, p_2, \\dots, p_n\\}$（每个点代表踝部位置）时，通过引入新参数 `maxPts`（最大点数）和自适应半径调整机制，设计聚类算法（EDBSCAN/EOPTICS），使得聚类结果 $C = \\{c_1, c_2, \\dots, c_k\\}$ 满足：每个簇 $c_i$ 内的点数介于 `minPts` 和 `maxPts` 之间，且簇内点距离小于当前半径 $\\epsilon$，从而正确区分不同个体，并利用卡尔曼滤波（KF）进行轨迹跟踪。\n\n### 4. 成功标准（指标或期望属性）\n\n- **准确率/精度**：与DBSCAN、OPTICS及现有方法对比，在“个体行走”“个体跑步”“仅踝部运动”“组合行走”“组合跑步”五种场景下的识别准确率（或正确识别帧数比例）。实验结果表明EOPTICS在多数场景下优于EOPTICS和传统方法（见表II和表III）。\n- **实时性**：算法时间复杂度保持为 $O(n^2)$，内存为 $O(n)$（见方法3.2和结果部分），且实验使用的UTM-30LX传感器扫描周期为25 ms（结果部分），系统可实时运行。\n- **鲁棒性**：能够处理多人靠近、遮挡、快速移动和异常数据（如垃圾数据），并在下一帧自动纠正误检（见结果部分图13及叙述）。\n- **隐私友好**：不采集身份信息，仅利用踝部位置进行跟踪，满足隐私保护需求（见引言第1段）。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n### 模块C2：哪些相关工作重要？\n\n#### 1. 最强基线（Strongest baseline）与比较轴\n\n- **最强基线**：传统DBSCAN和OPTICS算法（论文作者之前的工作[^16]中使用DBSCAN，表II中对比了DBSCAN、OPTICS、EDBSCAN、EOPTICS）。此外，表III中对比了其他聚类方法：Euclidean clustering（[^11]）、Depth clustering（[^18]）、Run clustering（[^19]）、Online learning（[^20]）。\n- **比较轴**：追踪精度（正确识别帧的比例）和算法复杂度（时间/空间）。论文主要对比EDBSCAN/EOPTICS与传统DBSCAN/OPTICS的精度提升，以及与其他聚类方法的精度对比。\n\n#### 2. 最接近的方法（Closest approach）与关键差异\n\n- **最接近的方法**：\n - **传统DBSCAN/OPTICS**（[^10]原始DBSCAN，[^15] HDBSCAN）：论文直接基于它们改进，引入maxPts参数，并动态调整半径。\n - **基于DBSCAN的LiDAR分段方法**（[^12] Wang et al., 2019）：自动估计EPS进行LiDAR点云分割，但未应用于行人追踪和实时数据。\n - **作者之前的工作**（[^16] Hasan et al., 2020）：使用踝部2D LiDAR和DBSCAN进行追踪，本文是其增强版。\n- **关键差异**：\n - 传统DBSCAN/OPTICS仅使用minPts和ε，无法处理多个行人的脚踝过于接近导致的数据过拟合（将一个或多个行人误聚为一类）。\n - 本文引入maxPts参数，当点数超过maxPts时丢弃该簇，并动态减小半径ε以重新聚类，从而解决脚踝接近时的误分类。\n - EOPTICS还通过检查子簇（core distance和reachability distance）来进一步处理高密度区域。\n\n#### 3. 正交方向（Orthogonal directions）\n\n- **传感器替代方案**：\n - 基于视频的追踪（[^1]）、3D骨骼追踪（[^2]）、多相机追踪（[^6]）等，依赖摄像头，存在隐私和成本问题。\n - 热红外传感器（[^8]）结合RGB和红外，但为多传感器方案。\n - 基于无线信号的多传感器（[^5]）系统复杂度高。\n- **其他聚类方法**：\n - HDBSCAN（[^15]）层次密度聚类，但论文指出其不适用于欧氏空间，且不一定优于本文的EDBSCAN。\n - 深度聚类（[^18]）、运行聚类（[^19]）用于3D点云，但精度较低。\n- **本文正交于这些方向**：采用2D LiDAR踝部位置，替代摄像头，利用密度聚类实现无需身份识别的追踪，强调隐私性和鲁棒性。\n\n#### 4. 本文的定位（一句话）\n\n本文通过为DBSCAN和OPTICS引入maxPts参数并动态调整半径，提出增强版EDBSCAN和EOPTICS，首次将此类方法应用于踝部2D LiDAR实时人员追踪，在联合行走和奔跑场景下显著优于传统密度聚类及现有方法，同时保持O(n²)时间复杂度和O(n)空间复杂度。\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n## 模块C3：论文如何解决问题？\n\n### 核心机制概述\n\n本文提出一种基于2D LiDAR（踝部高度）的人员追踪方法，核心机制是对传统DBSCAN和OPTICS密度聚类算法进行增强，通过引入第三个参数maxPts（最大点数）来解决多人在近距离行走或遮挡时踝部点云合并导致的数据过拟合问题。增强后的算法（EDBSCAN和EOPTICS）在聚类失败时动态调整聚类半径（ε），并基于运动历史图像（Motion History Image）进行一步聚类，从而识别个体，避免传统两步（先聚类踝部，再配对双脚）的复杂性和错误。最后使用卡尔曼滤波器（KF）对聚类重心进行轨迹跟踪。\n\n### 逐步分解\n\n1. **数据获取（Sensing）**：使用HOKUYO UTM-30LX 2D LiDAR传感器，置于踝部高度（20cm），采集270°水平距离数据，生成“LiDAR图像”（俯视图）。背景减除去除静态结构（如墙壁），提取运动物体（踝部）点。\n2. **特征提取**：将连续帧点云叠加生成运动历史图像（MHI），包含踝部运动轨迹信息，用于处理双脚接近时的判别。\n3. **聚类（核心）**：应用增强的密度聚类算法（EDBSCAN或EOPTICS）对MHI中的点进行单步聚类，根据簇内点数是否介于minPts和maxPts之间来判定是否为一个人。若点数超过maxPts（意味着多个人的踝部合并），则丢弃该簇，并动态减小半径ε重新聚类，直到满足条件。\n4. **跟踪**：对聚类后的簇计算重心（centroid），使用卡尔曼滤波器（KF）进行预测和更新，输出人员轨迹。\n5. **参数自适应**：若聚类结果异常（簇数过多或过少），算法自动调整minPts或ε，具体规则见3.2.2节（EOPTICS中的a/b/c三条准则）。\n\n### 关键公式或模块作用\n\n- **DBSCAN核心参数**：传统DBSCAN依赖半径ε和minPts，本文新增maxPts。\n - 若簇内点数 < minPts → 不构成簇；若点数 > maxPts → 认为多个目标合并，丢弃该簇，并递减ε重新聚类。\n- **EOPTICS的改进**：OPTICS利用核心距离（Core Distance）和可达距离（Reachability Distance）处理可变密度，本文引入maxPts，若主簇点数超过maxPts，则忽略外层主簇，转而计算内层子簇（基于核心距离和可达距离），从而分离不同个体。\n - 可达距离公式：\\( R_d = \\max\\{Dist(Q,S), \\; CoreDist(Q)\\} \\) （原文公式1）\n- **卡尔曼滤波（KF）**：用于轨迹预测与修正。\n - 预测方程：\\( F(n) = XF(n-1) + S(n-1) \\)\n - 修正方程：\\( R(n) = YF(n) + M(n) \\)\n - 其中，X和Y为状态转移矩阵和测量矩阵，S和M分别为系统噪声和测量噪声。\n- **自适应规则（EOPTICS）**：\n - a) 若只形成一个簇，则计算核心距离并找子簇，若子簇多于1个则保留子簇；若簇内点数过少则增大ε重新聚类。\n - b) 若创建m个簇且 \\( m \\geq D/2 \\)（D为数据点总数），则丢弃簇，倍增minPts（但仍小于maxPts），直到 \\( m < D/2 \\)。\n - c) 若未找到簇，则增大ε；若找到多个簇则保留，否则丢弃。\n\n### 过程图（流程）\n\n```mermaid\nflowchart TD\n A[\"2D LiDAR 传感（踝部高度）\"] --> B[\"背景减除 & 运动历史图像 (MHI)\"]\n B --> C{\"应用聚类算法\"}\n C -- \"EDBSCAN 或 EOPTICS\" --> D[\"判断簇内点数 ≤ maxPts?\"]\n D -- 否 --> E[\"丢弃簇，减小ε重新聚类\"]\n E --> C\n D -- 是 --> F[\"保留簇（视为一个人）\"]\n F --> G[\"卡尔曼滤波跟踪（重心轨迹）\"]\n G --> H[\"输出人员轨迹\"]\n```\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n## 模块C4：数据集、基准与实现/评估设置\n\n### 1. 数据集/基准列表\n\n- **数据集**：作者自建（无公开数据集可用），基于2D LiDAR传感器（HOKUYO UTM-30LX）在踝部高度（20 cm）采集的时序距离数据。\n- **规模**：实验涉及不同性别/年龄的参与者，分为5种行为场景：单独行走（Individual walking）、单独跑步（Individual running）、仅踝部运动（Ankle movements）、组合行走（Combined walking）、组合跑步（Combined running）。具体帧数见表I。\n- **场景**：室内/受控环境，传感器静止，行人移动。\n\n### 2. 预处理与划分/覆盖设置\n\n- **预处理**：\n - 传感器安装在踝部高度（20 cm），获取270°水平距离数据。\n - 将距离数据映射为二维“LiDAR图像”（俯视图）。\n - 应用背景减除去除静态结构（墙、固定物体），仅保留移动踝部点。\n - 生成运动历史图像（motion history images）用于聚类。\n- **划分**：未提及训练/验证/测试划分，采用随机选取连续帧进行验证（见表I中帧数）。\n- **覆盖**：覆盖单人/多人、步行/跑步、踝部遮挡等场景。\n\n### 3. 训练/推理/评估环境\n\n- **训练**：无监督聚类方法，无训练阶段。\n- **推理/评估**：\n - 传感器扫描时间：25 ms/次（UTM-30LX）。\n - 算法：增强型DBSCAN（EDBSCAN）和增强型OPTICS（EOPTICS），参数maxPts在50至300之间启发式调整。\n - 追踪：基于卡尔曼滤波器（KF）追踪聚类重心。\n - 评估指标：正确识别帧数/总帧数的准确率。\n- **环境**：未详细说明硬件（CPU等），但算法复杂度为O(n²)，内存O(n)。\n\n### 4. 选择理由与验证意义\n\n- **为何自建数据集**：论文指出“没有现成的基于LiDAR的人员追踪数据集”（第4节），因此必须自建以验证方法。\n- **场景设计**：涵盖个体和群体、走/跑等不同运动模式，用于验证算法在不同密度和速度下的鲁棒性，尤其是踝部近距离/遮挡情况下的聚类准确性。\n- **参数选择**：maxPts范围（50–300）根据人群密度和频率动态调整，体现算法适应性。\n- **验证效果**：通过与传统DBSCAN、OPTICS及现有方法（如表III）对比，证明增强算法的改进，尤其在组合行走（EOPTICS 96.95%）和组合跑步（EOPTICS 77.94%）场景中的提升。\n- **局限**：未提供公开数据集或代码，复现性受限，但帧级准确率和耗时数据提供了部分参考。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n## 模块C5：指标与结果\n\n### 1. 指标（含定义或简要说明）\n\n论文采用的主要指标是**逐帧识别准确率（Frame-wise Recognition Accuracy）**，即正确识别出人数的帧数占总测试帧数的百分比。在表I和表II中，作者统计了不同运动场景下算法正确识别人数的帧数，并计算准确率（=正确识别帧数/总帧数×100%）。此外，在表III中给出了与现有方法的**精度（Precision）**对比，但未给出精度的具体定义（通常指检测/识别的正确率）。运行时间方面，记录了算法处理帧的总耗时（表I中combined running实验的算法总时间为32.41s和27.63s）。\n\n### 2. 主要结果（具体数值）\n\n- **表I（EDBSCAN与EOPTICS在不同运动模式下的正确识别帧数）**：\n - Individual walking：3人，44帧，EDBSCAN=44，EOPTICS=44\n - Individual running：4人，49帧，EDBSCAN=48，EOPTICS=48\n - Ankle movement：5人，56帧，EDBSCAN=52，EOPTICS=53\n - Combined walking：9人，131帧，EDBSCAN=123，EOPTICS=127\n - Combined running：9人，136帧，EDBSCAN=101，EOPTICS=106\n- **表II（准确率对比）**：\n - Individual walking：DBSCAN 99%，OPTICS 99.5%，EDBSCAN 100%，EOPTICS 100%\n - Individual running：DBSCAN 98.01%，OPTICS 97.86%，EDBSCAN 97.96%，EOPTICS 97.96%\n - Ankle movement：DBSCAN 92.07%，OPTICS 92.02%，EDBSCAN 92.86%，EOPTICS 94.64%\n - Combined walking：DBSCAN 93.71%，OPTICS 93.81%，EDBSCAN 93.89%，EOPTICS 96.95%\n - Combined running：DBSCAN 71.87%，OPTICS 72.11%，EDBSCAN 74.26%，EOPTICS 77.94%\n- 算法复杂度：EDBSCAN与EOPTICS的最坏时间复杂度仍为O(n²)，内存需求O(n)，与原始算法相同（见第4节）。\n- 传感器扫描时间：UTM-30LX LiDAR每次扫描25ms（见第4节）。\n\n### 3. 与基线或代表性先前工作的比较\n\n- **表II**显示：在所有场景中，EOPTICS准确率均高于或等于传统OPTICS和DBSCAN；EDBSCAN在多数场景下优于传统DBSCAN（除Individual running持平，98.01% vs 97.96%略低0.05%）。例如Combined walking中EOPTICS较OPTICS提升3.14个百分点（96.95% vs 93.81%），Combined running中EOPTICS较OPTICS提升5.83个百分点（77.94% vs 72.11%）。\n- **表III**（与现有方法对比）：\n - Euclidean clustering（Rusu et al., 2011）: 阈值0.5m，精度64.5%\n - DBSCAN（作者前期工作，2020）: 自适应阈值，精度93.7%\n - Depth clustering（Bogoslavskyi et al., 2016）: 阈值10°，精度39.2%\n - Run clustering（Zermas et al., 2017）: 阈值Params_SLR，精度51.7%\n - Online learning（Yan et al., 2020）: 自适应阈值，精度89.8%\n - **Our (EDBSCAN)**: 自适应阈值，精度93.9%\n - **Our (EOPTICS)**: 自适应阈值，精度96.9%\n- 结论：EOPTICS达到最高精度96.9%，较DBSCAN基线提升3.2个百分点，较最优现有方法（Online learning）提升7.1个百分点。注意：不同方法使用的数据集不同（论文自建数据集），比较仅具参考性（论文中未做一致性测试）。\n\n### 4. 消融、敏感性或跨论文差异综合（如有）\n\n- **参数敏感性分析**：论文在方法论部分（第3.2.1节）提到maxPts参数是启发式设定的，实验中从50到300变化（见“For our experiments, we varied this from 50 to 300 points”），但未给出不同maxPts值对准确率的量化影响表。epsilon和minPts的具体取值示例：在Fig.4实验中，minPts=20，epsilon=900（距离单位）；在Fig.7中maxPts=300。\n- **消融实验**：论文未单独设置消融实验来分离maxPts和动态半径调整的贡献，而是整体对比EDBSCAN/EOPTICS与传统算法。从表II可间接推断：EDBSCAN与DBSCAN的差异主要来自maxPts和半径自适应调整，EOPTICS的改进更大。\n- **跨论文差异**：表III中不同方法的精度来自不同论文的数据集，不可直接对比；但作者强调在相同自建数据集上，他们的方法优于其此前使用传统DBSCAN的结果（93.7%提高至93.9%和96.9%）。\n- **运行时间**：在Combined running实验中，EDBSCAN总耗时27.63s，EOPTICS为32.41s（表I下方文字），表明EOPTICS计算量略高，但仍在可接受范围。\n- **局限性**：Combined running准确率最低（EOPTICS 77.94%），作者承认快跑场景难以精确追踪；且未报告隐私、光线变化等影响。\n\n\n## 模块 C6：有什么可以进一步探索的点？（理论/工程/数据/评测） / Module C6: What can be further explored? (theory/engineering/data/evaluation)\n\n### 模块C6：未来可探索方向\n\n基于对论文的深入阅读（方法部分第3节、实验部分第4节、结论第5节），从理论、工程和数据/评估三个维度提出以下可进一步探索的方向：\n\n#### 理论方向\n\n- **自适应参数自动调优机制**：论文中EDBSCAN和EOPTICS的核心改进是引入maxPts参数并动态调整半径ε，但maxPts的取值仍依赖人工启发式设定（实验范围50~300，见第3.2.2节）。未来可在理论上探索基于数据分布（如k距离曲线、密度梯度）自动估计minPts、maxPts和初始ε的方法，减少人为干预，增强算法在不同场景下的自适应性。\n- **算法复杂度的理论分析**：论文指出最坏情况时间复杂度为O(n²)，但尚未分析增强机制（如动态缩小半径、重聚类）对平均复杂度和实际运行时间的影响。可建立理论模型，分析maxPts参数与聚类正确率、计算开销之间的权衡关系。\n- **与HDBSCAN的对比理论**：论文提到HDBSCAN不适用于欧氏空间（第2.2节），但未给出严格论证。可进一步从数学上分析EDBSCAN/EOPTICS与HDBSCAN在密度变化场景下的聚类特性差异，为选择算法提供理论依据。\n\n#### 工程方向\n\n- **多传感器融合与扩展**：论文仅使用单个2D LiDAR（HOKUYO UTM-30LX），且指出增加第二个传感器会增加成本和复杂性（第3.1节）。未来可在工程上探索多传感器布置策略（如不同高度、多方位），在控制成本的同时解决遮挡问题，并设计传感器融合算法。\n- **实时性能优化**：当前算法复杂度O(n²)，虽在实验中满足实时性，但面对高密度人群或更高速运动时可能受限。可探索使用空间索引（如KD-tree）、并行计算（GPU）、或近似聚类方法加速，确保在嵌入式设备或移动机器人上稳定实时运行。\n- **与深度学习结合的系统集成**：结论中提及未来可将DNN用于克服样本学习缺陷。工程上可设计端到端系统，将LiDAR点云预处理、聚类、跟踪与深度学习分类器（如人形检测、步态识别）结合，提升复杂场景鲁棒性。\n\n#### 数据/评估方向\n\n- **构建公开基准数据集**：论文使用自建数据集，且未公开（第4节）。未来应构建并公开一个多场景、多人数、多姿态（走、跑、遮挡）的踝部LiDAR人员追踪基准数据集，包含标注轨迹和ID，便于不同方法公平比较。\n- **扩大实验范围和多样性**：当前实验参与者仅涉及不同性别和群体，但场景限于实验室环境。需在真实公共场景（车站、机场、商场）中测试，涵盖更多人数（如10人以上）、不同光照（LiDAR不受光照影响但需测试烟雾、灰尘）、不同地面材质、以及机器人动态运动等。\n- **评估指标标准化**：论文仅用“正确识别帧数”和准确率，缺乏更严格的追踪指标（如MOTA、MOTP、IDSW、F1分数）。应引入多目标追踪标准评估指标，并区分聚类性能与跟踪性能，进行消融研究，明确各改进模块（maxPts、动态半径）的贡献量。\n\n\n## 模块 C7：现实场景如何体现/实现？（部署约束、算力、延迟、鲁棒性） / Module C7: How would this work in real-world scenarios? (deployment constraints, compute, latency, robustness)\n\n## 模块C7：实际部署中的形态\n\n### 部署约束\n\n- **传感器安装**：系统使用2D LiDAR传感器（HOKUYO UTM-30LX），需固定安装于踝部高度（约20cm），以实现对人脚踝的稳定扫描。传感器需保持静态，且安装位置需避免障碍物遮挡，以确保270°视野内无遮挡。\n- **应用场景**：适用于机场、车站、博物馆、超市等需要人员轨迹但无需身份识别的场所，以及紧急救援、移动机器人导航、护理等场景。需部署在平坦地面，且人流量适中，避免过于拥挤导致频繁遮挡。\n- **隐私优势**：利用LiDAR而非摄像头，避免人脸等身份信息泄露，符合隐私敏感场所的合规要求，但需注意传感器本身的数据安全，防止未经授权的数据访问。\n- **成本与集成**：相比RGB-D摄像头或3D LiDAR，2D LiDAR成本较低，但需要额外的数据处理单元（如嵌入式计算机）进行实时聚类与跟踪。系统集成时需考虑传感器与处理器的接口、电源供应及网络通信。\n\n### 计算/延迟影响\n\n- **算法复杂度**：EDBSCAN和EOPTICS的最坏时间复杂度为O(n²)，与原始算法一致，但由于引入maxPts参数，实际运行中可减少无效聚类，提升处理速度。内存需求为O(n)（无矩阵补全）。\n- **实时性**：所用LiDAR传感器每次扫描耗时25ms（40Hz），算法需在帧间隔内完成聚类与跟踪。根据实验结果（表I），处理131帧耗时约32.41s（EOPTICS）和27.63s（EDBSCAN），平均每帧约0.25s和0.21s，尚未达到严格的实时要求，但可通过优化实现接近实时。\n- **计算资源**：算法依赖欧氏距离计算和参数动态调整，需中等计算能力。对于多目标跟踪（如9人），需要更频繁的聚类更新，计算负担增加。建议部署时使用专用GPU或高性能CPU，并优化数据预处理（如背景减法）以减少输入点数。\n- **参数调整开销**：maxPts为启发式设置（50~300），需根据场景人流量和密度预先调整。实际部署中可能需要在线自适应调整，增加额外计算。\n\n### 鲁棒性/安全问题\n\n- **遮挡处理**：系统对遮挡有一定的处理能力（图13），通过动态调整半径和利用运动历史图像，可在短暂遮挡后恢复跟踪。但严重遮挡（如多人完全重叠）可能导致身份切换或丢失，需结合预测算法（卡尔曼滤波）缓解。\n- **环境干扰**：传感器对烟雾、雾气、黑暗等不敏感，但受灰尘、雨滴、反射面（如玻璃）影响，可能产生噪声点，需加强滤噪机制。文中未讨论天气条件的影响，实际部署需考虑防护罩或数据清洗。\n- **运动类型**：快速奔跑（Combined running）场景下准确率较低（EOPTICS仅77.94%），系统对高速运动目标的跟踪能力有限，可能需要更高扫描频率或更深的模型。\n- **隐私与安全**：LiDAR数据不包含身份特征，但轨迹数据仍可能泄露个人行为模式。需确保数据加密存储和传输，防止恶意追踪。此外，传感器易受物理干扰（如故意遮挡），可能造成功能失效，需定期检查。\n- **误检与漏检**：动态调整参数以减少过拟合，但可能误将其他移动物体（如宠物、推车）识别为人，尤其是当点云密度接近maxPts时。需结合形状或运动特征进行确认，但论文未提及额外分类器。\n\n### 可维护性\n\n- **模型与算法维护**：算法参数（minPts、maxPts、ε）依赖经验设置，不同场景需重新调参，维护成本较高。建议提供参数自动标定工具。\n- **硬件维护**：LiDAR传感器需定期清洁镜头、校准安装高度和角度，防止物理漂移。传感器故障时需备件替换，系统需有自诊断功能。\n- **软件维护**：代码实现未开源，依赖论文描述，复现困难。未来若发布代码，需支持模块化更新。算法逻辑简单，但需处理传感器数据格式变化（如升级型号）。\n- **扩展性**：系统设计为单传感器，扩展为多传感器协同（论文提到放弃双传感器方案）可能需重新设计算法。适用于静态场景，对移动机器人平台需额外处理自身运动补偿。\n- **数据与标注**：自建数据集无公开标注，新场景需重新采集数据并标注，耗时耗力。可考虑迁移学习或半自动标注工具。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n## 模块C8：简明总结\n\n### 总结段落\n\n本文提出了一种基于二维LiDAR（踝部高度）的人员跟踪系统，通过改进的密度聚类算法（EDBSCAN和EOPTICS）对LiDAR点进行聚类，并结合卡尔曼滤波器实现轨迹跟踪。传统DBSCAN和OPTICS在多人场景下因踝部距离过近而出现聚类过拟合或漏检，本文通过引入第三个参数maxPts（最大点数限制）和动态调整半径ε来缓解该问题。EDBSCAN在超过maxPts时丢弃过拟合簇并缩小半径重新聚类；EOPTICS则利用簇内子结构，通过核心距离和可达距离分割过度密集的簇。实验在自建数据集上评估了五种运动模式（个人行走、个人跑步、仅踝部运动、组合行走、组合跑步），结果表明EOPTICS在组合行走和跑步中分别达到96.95%和77.94%的准确率，优于传统算法及EDBSCAN。与现有方法相比，EOPTICS获得96.9%的最高精度，且算法复杂度保持O(n²)，内存占用O(n)，适用于实时跟踪。\n\n### 五大关键要点\n\n1. **引入maxPts参数**：在DBSCAN和OPTICS中增加最大点数限制，防止多个人的踝部点被误合并为单一簇（见第3.2.1节、3.2.2节）。\n2. **动态半径调整**：当簇内点数超限时，自动缩小半径ε重新聚类，避免数据过拟合（见图5、图6及第3.2.1节）。\n3. **EOPTICS利用子簇结构**：通过核心距离和可达距离识别主簇内的子簇，将密集区域分解为独立个体（见第3.2.2节及图10）。\n4. **实时性保障**：算法时间复杂度保持O(n²)，内存O(n)，LiDAR扫描周期25ms（见第4节最后段）。\n5. **隐私友好**：LiDAR不采集生物特征，适用于隐私敏感场景（如机场、博物馆），且对烟雾、黑暗等环境鲁棒（见引言）。\n\n### 核心公式或机制\n\nEDBSCAN的关键机制是引入maxPts参数并动态调整半径ε：当簇内点数超过maxPts时，丢弃该簇并缩小半径ε以重新聚类（条件为minPts ≤ 点数 ≤ maxPts）。EOPTICS则基于OPTICS的可达距离 $R_d=\\max\\{\\mathrm{Dist}(Q,S), \\mathrm{CoreDist}(Q)\\}$，当主簇点数超限时，利用核心距离和可达距离找到内部分裂的子簇，并缩小ε重新计算。公式表示为：若簇C的点数 > maxPts，则降低ε为ε'，重新对C内点进行聚类（minPts和maxPts保持不变），直至满足条件。\n\n\n## 模块 D：第二遍内容理解（方法结构/关键图表/实验） / Module D: Second Pass (method structure, key figures, experiments)\n\n## 模块D：第二遍深入理解\n\n### 1. 结构树（Structure Tree）\n\n- **标题**: Person Tracking Using Ankle-Level LiDAR Based on Enhanced DBSCAN and OPTICS\n - **摘要**: 提出基于2D LiDAR的人员追踪方法，通过改进的DBSCAN和OPTICS聚类算法提高准确性和鲁棒性，强调隐私保护和恶劣条件下的适用性。\n - **第1节 引言**: 提出动机（隐私、恶劣环境）、研究背景（视频监控的弊端）、LiDAR优势、系统概述（单步聚类代替两步聚类）、主要贡献（引入maxPts参数增强聚类算法）。\n - **第2节 相关研究**: \n - 2.1 基于传感器的追踪（视频、3D骨架、无线电、红外等）\n - 2.2 基于聚类的追踪（DBSCAN、OPTICS、HDBSCAN、点云分割等）\n - 先前工作（作者前作）及存在问题。\n - **第3节 方法论**: \n - 3.1 感知（传感）：硬件（HOKUYO UMT30LX）、传感器放置（20cm高度）、预处理（背景减法）、特征提取（时间序列帧）。\n - 3.2 聚类：密度聚类基础、传统DBSCAN和OPTICS的缺陷、增强算法（EDBSCAN和EOPTICS）的设计。\n - 3.2.1 增强DBSCAN (EDBSCAN)：引入maxPts参数、动态半径调整、处理过拟合和错误聚类。\n - 3.2.2 增强OPTICS (EOPTICS)：引入maxPts、基于核心距离和可达距离的子簇挖掘、半径调整策略。\n - 3.3 追踪：卡尔曼滤波（KF）的预测和修正公式。\n - **第4节 结果与讨论**: \n - 自有数据集（无公开数据集）、实验设置（5种运动类型）、结果表格（Table I：EDBSCAN和EOPTICS的识别正确帧数；Table II：与传统算法准确率对比；Table III：与其他方法精度对比）。\n - 运行时间和复杂度分析（O(n^2)）。\n - **第5节 结论**: 总结贡献、应用场景（移动机器人、护理）、未来工作（DNN、步态识别）。\n - **参考文献**: 20个引用。\n\n### 2. 方法或系统分解（Method/System Breakdown）\n\n**整体流程**（图1）：LiDAR传感 → 预处理（背景减除） → 聚类（EDBSCAN或EOPTICS） → 卡尔曼滤波追踪。\n\n- **输入**: 2D LiDAR距离数据（270°视野，踝部高度），时间序列帧。\n- **输出**: 追踪到的人员轨迹（在图像上以ID标注）。\n\n**模块分解**：\n1. **感知模块**: \n - 传感器：HOKUYO UTM30LX（25ms/扫描）\n - 放置高度：20cm（原因：单脚踝识别优于全身遮挡）\n - 预处理：背景减法移除墙壁等静态物体，仅保留移动物体（踝部）位置，形成“LiDAR图像”。\n2. **聚类模块**: \n - 输入：预处理后的点坐标（2D像素位置）。\n - 输出：聚类簇，每个簇对应一个人员（或一个踝部）。\n - **传统DBSCAN参数**：minPts（最小点数）、ε（半径）。\n - **EDBSCAN新增参数**：maxPts（最大点数）。机制：若一个簇的点数超过maxPts，则拒绝该簇，并减小半径ε重新聚类，直至找到合适簇。\n - **EOPTICS**：基于OPTICS，同样引入maxPts。若点数超限，则丢弃外层主簇，利用核心距离和可达距离生成内部子簇，并调整ε。\n - **动态参数调整规则**（论文第3.2.2节）：\n - 若只产生一个簇，则计算核心距离并寻找子簇；若多于一个子簇，则丢弃外层主簇，考虑内部子簇；若簇数过少，则增大ε。\n - 若对于n个minPts，产生m个簇且m≥D/2（D为数据点总数），则丢弃簇，将minPts翻倍（但小于maxPts）继续，直到m maxPts，则：\n - 减小ε = ε - Δε。\n - 仅对C中的点重新执行聚类（递归或迭代），直到簇大小在[minPts, maxPts]之间或无法进一步细分。\n6. 输出最终簇。\n\n**EOPTICS 伪代码**：\n\n1. 输入：点集P，参数minPts、maxPts、ε，以及步长Δε。\n2. 使用OPTICS生成可达距离和核心距离，形成簇层次。\n3. 对于每个簇C：\n - 如果|C| > maxPts，则：\n - 减小ε = ε - Δε，仅对C中的点重新执行OPTICS，提取内部子簇。\n - 选择内部子簇作为最终簇。\n4. 输出最终簇。\n\n**追踪流程**：\n\n- 对每帧LiDAR数据，进行背景减除，得到脚踝位置点集。\n- 用EDBSCAN或EOPTICS聚类，每个簇的质心作为一个人。\n- 使用卡尔曼滤波器预测下一帧位置，匹配合并轨迹。\n\n注意：论文未给出代码或详细的参数调整规则（如Δε的选择），重建时需根据具体实验数据调节。maxPts值在实验结果中从50到300变化，需根据人群密度设定。\n\n#### 2. 假设（Assumptions）\n\n- 假设LiDAR传感器固定安装，且视角包含地面区域，脚踝高度（约20cm）可探测到行人的脚踝。\n- 假设背景是静止的，通过背景减除可以分离移动物体。\n- 假设单个行人的两个脚踝会形成一个密度足够的簇，且不同行人的脚踝点之间距离更大，存在空隙。\n- 假设行人的密度不会过高，使得maxPts参数能够区分单一和多人。\n- 假设传感器分布范围（270°）内能够捕获所有行人的脚踝，且没有完全遮挡导致点完全消失。\n\n#### 3. 失败模式或盲点（Failure Modes / Blind Spots）\n\n- **极端拥挤情况**：当多个人紧密围绕时，即使减小ε也可能无法正确分离，导致追踪丢失或合并。\n- **快速运动**：高速奔跑可能导致脚踝点稀疏或模糊，聚类不稳定，实验显示奔跑准确率较低（77.94%）。\n- **非行人移动物体**：带有轮子的物体（如行李箱）可能被误识别为脚踝，产生虚假簇。\n- **传感器盲区**：LiDAR只能覆盖270°，后方区域不可见，人员离开视野后无法追踪。\n\n#### 4. 优点与缺点（Strengths and Weaknesses）\n\n**优点**：\n\n- 隐私友好：不采集身份信息，适用于公共场合。\n- 低成本高效：2D LiDAR比相机和3D LiDAR便宜，计算复杂度低（O(n^2)），适合实时。\n- 改进算法有效：引入maxPts参数解决了数据过拟合问题，实验显示EOPTICS在合并行走场景下准确率达96.95%，优于原始算法。\n- 自建数据集，但提供了详细的实验设置，初步验证了可行性。\n\n**缺点**：\n\n- 依赖静态环境和背景减除，不适用于移动平台（如机器人移动中）。\n- 参数选择启发式，需人工调整，缺乏自适应机制。\n- 仅从脚踝层面处理，无法处理上半身遮挡或复杂姿态。\n- 缺乏与公开基准的对比，数据集未公开，可复现性不足。\n- 当人群密度超过maxPts时，性能下降明显（合并奔跑仅77.94%）。\n\n#### 5. 下一步研究方向（Next-Step Research Directions）\n\n- **在移动机器人上部署**：结合里程计或SLAM实现动态背景处理，使系统能在机器人移动中工作。\n- **自适应参数学习**：利用机器学习方法（如强化学习）自动选择minPts、maxPts和ε，适应不同密度场景。\n- **多模态融合**：集成RGB相机或热成像，弥补LiDAR在遮挡和识别上的不足，同时保持隐私敏感应用的可能性。\n- **扩展到3D LiDAR**：虽然成本较高，但3D点云可提供更多信息，可能提升复杂场景下的追踪鲁棒性。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n## 模块F：术语表与概念依赖图\n\n### 术语表（按论文出现顺序，共24条）\n\n1. **LiDAR (Light Detection and Ranging)** / 激光雷达\n - 定义：通过发射激光束并测量反射光时间来获取目标距离的传感器技术。\n - 直觉：像蝙蝠用声波“看”世界，LiDAR用光脉冲测距。\n - 作用：论文的核心传感器，用于获取踝部水平距离数据，构建2D点云。\n - 先验知识：基础光学、传感器原理。\n\n2. **2D LiDAR** / 二维激光雷达\n - 定义：只能在单一平面内扫描的LiDAR，输出二维极坐标距离数据。\n - 直觉：用一个“光刀”水平切过环境，记录每个角度的距离。\n - 作用：论文使用的HOKUYO UTM-30LX即为2D LiDAR，安装在踝部高度（20cm），获取270°范围内的距离信息。\n - 先验知识：LiDAR基础知识。\n\n3. **Ankle-level** / 踝部水平\n - 定义：将LiDAR传感器放置在人的小腿下部（踝部）高度。\n - 直觉：人走路时脚踝运动最频繁且不易被身体遮挡，从踝部扫描可减少身体遮挡问题。\n - 作用：论文选择20cm高度安放传感器，以获得最准确的数据。\n - 先验知识：人体运动学、传感器布置常识。\n\n4. **LiDAR image** / 激光雷达图像\n - 定义：将LiDAR测得的距离数据映射到二维平面图像（顶视图）中形成的图像。\n - 直觉：从上方俯视，把每个扫描点的位置画成像素点。\n - 作用：论文将每帧的测距数据绘制成图像，用于后续预处理和聚类。\n - 先验知识：坐标映射、图像表示。\n\n5. **Background subtraction** / 背景减除\n - 定义：从当前帧中减去固定背景（如墙壁、静止物体）以提取前景运动物体的技术。\n - 直觉：拿掉静态场景，只剩移动的东西。\n - 作用：用于去除LiDAR图像中的建筑结构等固定背景，只保留移动的踝部点。\n - 先验知识：图像处理、运动检测。\n\n6. **Motion history image** / 运动历史图像\n - 定义：将连续帧中的运动信息累积在一张图像上，不同时间点的运动以不同衰减程度显示。\n - 直觉：像长曝光照片，运动的轨迹会留下痕迹。\n - 作用：论文使用运动历史图像来捕捉两只脚踝接近的时序信息，辅助单步聚类。\n - 先验知识：时序图像处理、运动分析。\n\n7. **DBSCAN (Density-Based Spatial Clustering of Applications with Noise)** / 基于密度的空间聚类算法\n - 定义：根据数据点的密度（半径ε和最小点数minPts）划分簇，能识别噪声点。\n - 直觉：抱团成簇，孤立点被忽略。\n - 作用：论文的基础聚类算法，用于将LiDAR点聚类成踝部，但存在过度拟合问题。\n - 先验知识：聚类算法基础、密度概念。\n\n8. **OPTICS (Ordering Points To Identify the Cluster Structure)** / 排序点以识别聚类结构\n - 定义：基于密度的聚类算法，通过生成可达距离图来处理密度差异大的簇。\n - 直觉：它不仅分簇，还告诉你簇的层次结构和密度变化。\n - 作用：论文作为另一个基础聚类算法，能处理变密度数据，但在踝部过近时也会失效。\n - 先验知识：DBSCAN、图论、可达距离。\n\n9. **Enhanced DBSCAN (EDBSCAN)** / 增强型DBSCAN\n - 定义：在DBSCAN基础上增加第三参数maxPts（最大点数），并引入动态半径调整机制的改进算法。\n - 直觉：限制一个簇最多能包含多少点，若超过则缩小半径重新聚类，防止多个人的脚踝混在一起。\n - 作用：论文提出的核心算法之一，解决传统DBSCAN在多人靠近时的数据过度拟合问题。\n - 先验知识：DBSCAN、参数调优、动态阈值。\n\n10. **Enhanced OPTICS (EOPTICS)** / 增强型OPTICS\n - 定义：在OPTICS基础上增加maxPts参数，并利用核心距离和可达距离重新计算子簇的改进算法。\n - 直觉：像放大镜，不仅看主簇，还关注内部子簇，当主簇过大时拆分成多个小簇。\n - 作用：论文提出的另一核心算法，在实验中表现优于EDBSCAN。\n - 先验知识：OPTICS、簇内部结构。\n\n11. **maxPts** / 最大点数参数\n - 定义：人为设定的一个簇内允许包含的数据点数量上限。\n - 直觉：给簇设个“人数上限”，超了就是混入他人了。\n - 作用：论文引入的新参数，用于防止多个人的踝部点被合并为一个簇。\n - 先验知识：DBSCAN/OPTICS参数概念。\n\n12. **minPts** / 最小点数参数\n - 定义：DBSCAN和OPTICS中用于定义核心点所需的最小邻域点数。\n - 直觉：一个点周围至少要多少邻居才能算核心。\n - 作用：基础聚类算法的原有参数，论文中沿用，与maxPts配合。\n - 先验知识：密度聚类概念。\n\n13. **ε (epsilon)** / 半径参数\n - 定义：定义邻域半径的大小，两点距离小于ε才被视为邻居。\n - 直觉：划定一个圆，圆内的点才是邻居。\n - 作用：密度聚类的基本参数，论文中动态调整半径以解决过度拟合。\n - 先验知识：欧氏距离、邻域定义。\n\n14. **Data overfitting** / 数据过度拟合\n - 定义：聚类时将不同对象的数据错误地合并为一个簇。\n - 直觉：把不属于同一类的东西强行塞在一起。\n - 作用：论文指出的传统DBSCAN的主要问题，也是提出maxPts的动机。\n - 先验知识：机器学习泛化概念。\n\n15. **Kalman filter (KF)** / 卡尔曼滤波器\n - 定义：一种利用线性状态方程和观测数据，递推估计系统状态的滤波算法。\n - 直觉：用预测和测量修正来平滑跟踪目标的位置。\n - 作用：用于对聚类后的踝部重心进行轨迹追踪，预测下一帧位置。\n - 先验知识：概率论、线性系统、状态估计。\n\n16. **Cluster** / 簇\n - 定义：通过聚类算法将相似数据点分组形成的集合。\n - 直觉：一堆紧密的点组成一团。\n - 作用：每个簇代表一只脚踝或一个人，论文中通过簇来识别个体。\n - 先验知识：无监督学习。\n\n17. **Noise** / 噪声\n - 定义：数据中不属于任何簇的孤立点。\n - 直觉：游离在群体之外的杂点。\n - 作用：密度聚类可以排除噪声点，论文用背景减除减少噪声，但仍有部分残留。\n - 先验知识：数据预处理、异常值。\n\n18. **Reachability distance (R_d)** / 可达距离\n - 定义：OPTICS中定义的点间距离，取两点实际距离与核心点核心距离的较大值。\n - 直觉：从核心点出发到达另一点所需的最小距离。\n - 作用：用于生成可达距离图，帮助OPTICS识别不同密度层级。\n - 先验知识：核心距离、图论。\n\n19. **Core distance** / 核心距离\n - 定义：使某点成为核心点的最小半径，即该点成为核心所需的最短邻域半径。\n - 直觉：这个点要“罩”住minPts个邻居所需的最小圈。\n - 作用：OPTICS计算可达距离的基础，EOPTICS也依赖它来细分簇。\n - 先验知识：DBSCAN核心点概念。\n\n20. **Occlusion** / 遮挡\n - 定义：一个物体被另一个物体挡住，导致传感器无法获取该物体数据。\n - 直觉：人挡住另一个人的脚踝，激光打不到后面的。\n - 作用：论文需要解决的问题之一，通过聚类和重新计算参数来处理。\n - 先验知识：传感器感知、障碍物影响。\n\n21. **HOKUYO UTM-30LX** / 北阳电机UTM-30LX型号\n - 定义：一种2D LiDAR传感器，扫描范围270°，测量距离30米，精度高。\n - 直觉：论文使用的具体硬件设备。\n - 作用：实验数据采集设备，每25ms完成一次扫描。\n - 先验知识：传感器规格了解。\n\n22. **Point cloud** / 点云\n - 定义：由大量点构成的三维或二维空间数据集。\n - 直觉：空中密密麻麻的点阵。\n - 作用：LiDAR扫描结果即点云，论文中的LiDAR图像本质上是二维点云。\n - 先验知识：三维表示。\n\n23. **Euclidean distance** / 欧氏距离\n - 定义：在欧几里得空间中两点间的直线距离，常用于聚类算法。\n - 直觉：直线距离量尺。\n - 作用：DBSCAN中计算两点距离以判断邻居关系，论文用它作为聚类距离度量。\n - 先验知识：几何基础。\n\n24. **Complexity** / 复杂度\n - 定义：算法运行时间和空间资源的增长速度，常用大O表示。\n - 直觉：数据量变大时，算法耗时的增加速度。\n - 作用：论文强调增强算法不增加复杂度，最坏情况仍为O(n²)，利于实时应用。\n - 先验知识：算法分析。\n\n### 概念依赖图（文本形式）\n\n```text\n[2D LiDAR传感器] --提供--> [距离数据] --绘制--> [LiDAR图像] --背景减除--> [移动点集]\n[移动点集] --形成--> [运动历史图像] --输入--> [聚类算法]\n[DBSCAN] --改进--> [EDBSCAN]\n[OPTICS] --改进--> [EOPTICS]\n[EDBSCAN] 和 [EOPTICS] --包含参数--> [minPts, ε, maxPts]\n[EDBSCAN/EOPTICS] --聚类--> [簇(代表踝部/人)] --提取重心--> [卡尔曼滤波器] --预测/修正--> [追踪轨迹]\n[Occlusion] --影响--> [聚类结果] --动态调整参数--> [重新聚类]\n[复杂度O(n²)] --约束--> [实时性]\n```\n\n依赖逻辑：传感器获取数据，预处理后形成运动历史图像，然后聚类算法（传统或增强）根据密度参数产生簇，每个簇对应一个人，最后用卡尔曼滤波跟踪簇重心。增强算法通过引入maxPts和动态半径来解决过度拟合和遮挡问题。\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n## 模块G：验证与引用核查\n\n### 1. 关键事实声明及来源核查\n\n### 声明1：论文提出了增强型DBSCAN（EDBSCAN）和增强型OPTICS（EOPTICS），通过引入maxPts参数和动态半径调整来改进人员追踪的聚类效果。\n\n- 来源1：本文第3.2.1节“Enhanced (E) DBSCAN”中明确描述了设置maxPts参数（如20-50）以解决数据过拟合问题，并动态减小半径ε重新聚类（图5和图6）。\n- 来源2：本文第3.2.2节“Enhanced (E) OPTICS”中说明EOPTICS同样引入maxPts参数，并在簇内数据点数超过maxPts时丢弃外层簇，计算内部子簇并减小半径重新聚类（图10）。\n- 一致性：两个来源均一致描述了核心机制，无冲突。\n\n### 声明2：论文使用HOKUYO UMT-30LX 2D LiDAR传感器，安装在踝部高度（20 cm），用于数据采集。\n\n- 来源1：本文第3.1节“Sensing”第一段明确提到“HOKUYO UMT30LX LiDAR sensor”，并在第3节开头描述“we placed our LiDAR sensor at 20 cm height”。\n- 来源2：本文第4节结果部分提到“Our used LiDAR sensor (UTM-30LX) took 25 ms per scan”，与来源1一致。\n- 一致性：两个来源均指向同一传感器型号和安装高度，无冲突。\n\n## 声明3：实验结果表明，EOPTICS在所有手势类别中均优于或等于传统OPTICS、DBSCAN和EDBSCAN，尤其在组合行走和组合跑步场景中提升明显。\n\n- 来源1：本文表II（Comparison of EDBSCAN and EOPTICS with DBSCAN and OPTICS）提供了各算法的准确率数据，例如组合行走：EOPTICS 96.95% 对比传统OPTICS 93.81%、EDBSCAN 93.89%；组合跑步：EOPTICS 77.94% 对比传统OPTICS 72.11%、EDBSCAN 74.26%。\n- 来源2：本文第4节文字描述：“Almost in all cases, EOPTICS plays better results. EDBSCAN also performs well compared with previously applied density-based algorithms.”并结合表III比较了与现有方法的精度。\n- 一致性：表II数据与文字描述一致，无冲突。\n\n## 声明4：论文声称改进后的算法时间复杂度保持为O(n²)，内存需求为O(n)。\n\n- 来源1：本文第4节最后一段：“The worst-case complexity persists O(n²), and without matrix completion, it requires O(n) memory only.”\n- 来源2：本文第3.2.1节提到“DBSCAN…has a high computational cost of O(n²)”，而改进后并未增加复杂度，因为仅增加参数判断和半径调整，未改变算法基本结构。\n- 一致性：两个来源均支持时间复杂度不变的说法，但来源2未直接提及改进后的复杂度，属于间接支撑，可视为合理性推断。\n\n## 声明5：论文使用自建数据集，因为据作者所述，没有公开的基于LiDAR的人员追踪数据集。\n\n- 来源1：本文第4节开头：“As there were no well-established datasets on LiDAR-based person tracking, we prepared our datasets for experiments.”\n- 来源2：本文第5节结论中：“A well-prepared own dataset made our system more accessible to others.”\n- 一致性：两个来源一致，无冲突。\n\n### 2. 冲突或不确定性说明\n\n- **精度数据不一致的风险**：在表III中，作者将在组合行走场景下获得的准确率93.9%称为“Our (EDBSCAN)”，96.9%为“Our (EOPTICS)”，但表II中组合行走的准确率分别为93.89%和96.95%，二者存在微小差异（0.01%和0.05%）。这可能源于表III仅展示了特定子集或四舍五入，作者未在文中明确解释，存在轻微不一致，但不影响主要结论。\n- **参数设定不确定性**：论文提到maxPts范围在40-300（具体见第4节：“we varied this from 50 to 300 points”），但在第3.2.1节示例中使用了maxPts=50，而第3.2.1节末尾描述“maxPts parameter with value 300”，数值范围有波动，可能因不同实验结果调整。作者未给出每类实验的具体参数值，导致可复现性受限。\n- **算法名称拼写问题**：参考文献[^16]中作者自引的标题包含“ankle-level 2D LiDAR”，但在文中第2.2节提及“In our previous work [^16]”，未标明为期刊或会议论文，且参考文献[^16]中的标题为“Tracking people using ankle-level 2D LiDAR for gait analysis”，与本文标题“Person Tracking Using Ankle-Level LiDAR”相似但不同，需核查引用是否准确对应。\n- **传统算法性能数据来源**：表II中传统DBSCAN和OPTICS的准确率未标明来自本文实验还是引用其他文献，但根据上下文推测为在相同数据集上进行的对比实验，作者未详细说明实验设置，存在一定不确定性。\n\n### 3. 参考文献列表\n\n[^1]: Brubaker MA, Sigal L, Fleet DJ. Video-based people tracking. In Handbook of Ambient Intelligence and Smart Environments. Nakashima H, Aghajan H, Augusto JC (eds). Springer: Boston, MA; 2010.\n\n[^2]: Devarakota PR, Castillo-Franco M, Ginhoux R, Mirbach B, Kater S, Ottersten B. 3-D-skeleton-based head detection and tracking using range images. IEEE Transactions on Vehicular Technology 2009;58(8):4064-4077.\n\n[^3]: McLaughlin N, Rincon JMD and Miller P. Recurrent convolutional network for video-based person re-identification. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, 2016; 1325–1334.\n\n[^4]: Roberto Henschel, Timo von Marcard and Bodo Rosenhahn. Simultaneous identification and tracking of multiple people using video and IMUs. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2019.\n\n[^5]: Köppe E, Bartholmai M, Liers A and Schiller J. Radio-based multi-sensor system for person tracking and indoor positioning. Proceedings of ninth Workshop on Positioning, Navigation and Communication, Dresden, 2012; 180–186.\n\n[^6]: Gai W, Qi M, Ma M, Wang L, Yang C, Liu J, Bian Y, de Melo G, Liu S, Meng X. Employing shadows for multi-person tracking based on a single RGB-D camera. Sensors 2020; 20(4):1056.\n\n[^7]: Christoudias CM, Urtasun R and Darrell T. Unsupervised feature selection via distributed coding for multi-view object recognition. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Anchorage, AK; 2008, 1–8.\n\n[^8]: Kumar S, Marks TK and Jones M. Improving person tracking using an inexpensive thermal infrared sensor. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, Columbus, OH, 2014; 217–224.\n\n[^9]: Benedek C, Gálai B, Nagy B, Jankó Z. Lidar-based gait analysis and activity recognition in a 4D surveillance system. IEEE Transactions on Circuits and Systems for Video Technology 2018; 28(1):101–113.\n\n[^10]: M Ester, H-P Kriegel, J Sander and X Xu. A density-based algorithm for discovering clusters in large spatial databases with noise. Proceedings of Second International Conference on Knowledge Discovery and Data Mining (KDD'96), AAAI Press, 1996; 226–231.\n\n[^11]: Rusu RB and Cousins S. 3D is here: Point cloud library (PCL). Proceedings of IEEE International Conference on Robotics and Automation, Shanghai, 2011; 1–4.\n\n[^12]: Wang C, Ji M, Wang J, Wen W, Li T, Sun Y. An improved DBSCAN method for LiDAR data segmentation with automatic eps estimation. Sensors 2019; 19(1):172.\n\n[^13]: Hollaus M, Wagner W, Eberhöfer C, Karel W. Accuracy of large-scale canopy heights derived from LiDAR data under operational constraints in a complex alpine environment. ISPRS Journal of Photogrammetry and Remote Sensing 2006; 60(5):323–338.\n\n[^14]: Niemeyer J, Rottensteiner F, Soergel U. Contextual classification of lidar data and building object detection in urban areas. ISPRS Journal of Photogrammetry and Remote Sensing 2014; 87:152–165.\n\n[^15]: Campello, RJGB, D Moulavi and J Sander. Density-based clustering based on hierarchical density estimates. Proceedings of Pacific-Asia Conference on Knowledge Discovery and Data Mining, Springer, Berlin, Heidelberg, 2013.\n\n[^16]: Hasan M, Hanawa J, Goto R, Fukuda H, Kuno Y and Kobayashi Y. Tracking people using ankle-level 2D LiDAR for gait analysis. Advances in Artificial Intelligence, Software and Systems Engineering, AHFE 2020. Advances in Intelligent Systems and Computing, vol 1213 Springer, Cham, 2020.\n\n[^17]: Amini A, Wah TY, Saboohi H. Density-based data streams clustering algorithms: A survey. Journal of Computer Science and Technology 2014; 29:116–141.\n\n[^18]: Bogoslavskyi I and Stachniss C. Fast range image-based segmentation of sparse 3d laser scans for online operation. Proceedings of IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2016; 163–169.\n\n[^19]: Zermas D, Izzat I and Papanikolopoulos N. Fast segmentation of 3D point clouds: A paradigm on LiDAR data for autonomous vehicle applications. Proceedings of IEEE international conference on robotics and automation (ICRA) Singapore, 2017; 5067–5073.\n\n[^20]: Yan Z, Duckett T, Bellotto N. Online learning for 3D LiDAR-based human detection: Experimental analysis of point cloud clustering and classification methods. Auton Robot 2020; 44:147–164.\n\n\n\n## 模块 H：图表与表格抽取（索引/打分/深读） / Module H: Figure/Table Mining (index, scoring, top deep dive)\n\n## 模块H：图表提取\n\n### 1. 全量索引（表/图编号、标题、类型、位置、支撑论点、评分）\n\n| 编号 | 标题 | 类型 | 位置 | 支撑论点 | 评分（1-5） |\n|------|------|------|------|----------|------------|\n| 图1 | LiDAR人员追踪系统框图 | 流程图 | 第1节引言 | 说明系统由感知、聚类、追踪三个模块组成，整体架构 | 4 |\n| 图2 | (a)不同踝关节距离值；(b)基于LiDAR的踝关节位置；(c)将靠近的踝关节视为一个人；(d)踝关节不同方向形成簇 | 示意图 | 第3节方法论开头 | 展示2D LiDAR数据的基本形态和传统聚类中的错误分类问题 | 5 |\n| 图3 | 使用LiDAR传感器进行图像感知和预处理 | 实验装置图 | 第3.1节 | 说明传感器放置高度（20cm）及预处理流程（背景减除） | 4 |\n| 图4 | 顶层图像显示踝关节位置，底层图像显示人物检测结果 | 实验对比图 | 第3.2.1节 | 展示传统DBSCAN在人员靠近时的过拟合问题（4人检测为5人，2人合并为1人） | 5 |\n| 图5 | 增强DBSCAN（EDBSCAN）机制 | 概念示意图 | 第3.2.1节 | 说明maxPts参数如何拒绝超过最大值点的簇 | 5 |\n| 图6 | EDBSCAN的缩小半径 | 概念示意图 | 第3.2.1节 | 说明降低半径ε后重新聚类解决过拟合 | 4 |\n| 图7 | 未使用maxPts时的跟踪异常 | 实验帧序列 | 第3.2.1节 | 展示传统DBSCAN在仅一人行走时误检为三人，EDBSCAN（maxPts=300）消除误检 | 5 |\n| 图8 | 使用LiDAR数据的EOPTICS；(a)传感器前的踝关节位置，(b)基于KF的跟踪 | 实验截图 | 第3.2.2节 | 展示EOPTICS在正常情况下的聚类和跟踪效果 | 4 |\n| 图9 | OPTICS；(a)一帧后的踝关节位置，(b)对应的卡尔曼跟踪 | 实验截图 | 第3.2.2节 | 展示传统OPTICS在人员靠近时漏检一个簇（ID 267） | 5 |\n| 图10 | EOPTICS；(a)踝关节位置，(b)KF跟踪 | 实验截图 | 第3.2.2节 | 展示EOPTICS正确处理OPTICS失败的情况（三个簇对应三人） | 5 |\n| 图11 | 基于LiDAR传感器的EDBSCAN群体追踪 | 实验截图 | 第4节 | 展示EDBSCAN在群体行走和跑步中的正确识别 | 4 |\n| 图12 | 基于LiDAR传感器的EOPTICS个体追踪 | 实验截图 | 第4节 | 展示EOPTICS在个体运动中的有效性 | 4 |\n| 图13 | 逐帧的跟踪和遮挡处理 | 实验帧序列 | 第4节 | 说明系统如何处理踝关节遮挡和合并/分裂 | 4 |\n| 表I | EDBSCAN和EOPTICS的实验结果 | 数据表 | 第4节 | 提供五种动作下的正确识别帧数，显示EOPTICS在多数情况下优于EDBSCAN | 5 |\n| 表II | EDBSCAN和EOPTICS与传统DBSCAN和OPTICS的准确性比较 | 数据表 | 第4节 | 量化显示增强算法在各动作下的准确率提升，尤其是EOPTICS | 5 |\n| 表III | 与现有方法和精度的比较 | 数据表 | 第4节 | 对比其他聚类方法，显示EOPTICS达到96.9%的最高精度 | 5 |\n\n### 2. 优先深入阅读（3-5项）\n\n1. **图4 + 图5 + 图6 + 图7**（EDBSCAN的动机与机制）：这组图集中展示了传统DBSCAN的缺陷（图4）以及EDBSCAN的两个核心改进（maxPts参数、动态缩小半径）。结合第3.2.1节的文字描述（第2-6段），能完整理解算法的改进逻辑和参数设置。\n\n2. **图9 + 图10**（OPTICS失败与EOPTICS修正）：图9明确展示传统OPTICS在两人靠近时合并成一个簇（ID 267），图10显示EOPTICS通过maxPts拒绝过大的簇并缩小半径后成功分离两个簇。这两张图直接验证了EOPTICS的有效性，是算法改进的直接证据。\n\n3. **表I + 表II**（量化实验结果）：表I提供五种动作的帧级正确识别数，表II给出百分制准确率。二者结合可以量化评估增强算法的改进幅度，特别是EOPTICS在组合跑步场景下仍达77.94%的准确率（表II），是论文性能结论的核心依据。\n\n4. **图1**（系统框图）：作为整体架构的入口，理解感知模块（LiDAR、背景减除）、聚类模块（EDBSCAN/EOPTICS）、跟踪模块（卡尔曼滤波）之间的数据流，为后续深入理解各算法的作用提供全局背景。\n\n5. **表III**（与现有方法的对比）：该表将本文方法与四种现有聚类方法（欧几里得聚类、深度聚类、运行聚类、在线学习）及本文之前的工作（DBSCAN）进行精度比较，展示了EOPTICS达到96.9%的高精度，是论文宣称“显著提升”的定量支撑。\n\n### 3. 图表关系或实验设置图\n\n```mermaid\ngraph TD\n A[LiDAR传感器] -->|距离数据| B[预处理：背景减除]\n B --> C[运动历史图像]\n C --> D{聚类算法}\n D -->|EDBSCAN 或 EOPTICS| E[簇（对应人员）]\n E --> F[卡尔曼滤波跟踪]\n F --> G[人员轨迹]\n\n subgraph 验证实验\n H[五种动作：个体行走、个体跑步、仅脚踝移动、组合行走、组合跑步]\n I[帧级正确识别比较（表I）]\n J[与传统算法准确率对比（表II）]\n K[与其他方法精度对比（表III）]\n end\n\n G --> H\n H --> I\n H --> J\n H --> K\n```\n\n实验设置说明：实验中LiDAR置于20cm高度（第3节），使用HOKUYO UMT-30LX传感器（25ms/扫描），数据集为自建，涵盖5种动作、不同人数（3-9人），帧数从44到136不等（表I）。图13用于说明遮挡和连续处理。\n\n### 4. 图表到结论的映射\n\n| 论文结论 | 支撑图表 | 映射说明 |\n|----------|----------|----------|\n| 传统DBSCAN/OPTICS在人员靠近时会出现过拟合或漏检 | 图2(c)(d)、图4、图9 | 图4显示DBSCAN将4人误检为5人或将2人合并为1人；图9显示OPTICS漏检一个簇 |\n| EDBSCAN通过加入maxPts参数和动态半径调整解决了过拟合问题 | 图5、图6、图7 | 图5说明maxPts拒绝超过上限的簇；图6展示缩小的半径重新聚类；图7实例显示EDBSCAN消除误检 |\n| EOPTICS基于maxPts和半径调整解决了传统OPTICS的合并问题 | 图10 | 图10对比图9，显示EOPTICS在相同场景下正确分离两个簇 |\n| 增强算法在多种动作下均优于传统算法 | 表I、表II | 表II显示EOPTICS在组合行走和组合跑步中准确率最高（96.95%和77.94%），EDBSCAN次之 |\n| EOPTICS在公开对比中达到最高精度 | 表III | 表III显示EOPTICS精度96.9%，高于其他方法（最高89.8%）和EDBSCAN（93.9%） |\n| 算法复杂度未增加（仍为O(n^2)） | 第4节文字（无图表） | 文字说明，未被图表直接支撑，但可在第4节最后一段找到 |\n| 系统能处理遮挡问题 | 图13 | 图13展示逐帧中遮挡前后的处理，说明连续帧修正机制 |" }