Los algoritmos de agrupamiento se utilizan comúnmente en la minería de datos estáticos. Algunos ejemplos incluyen la minería de datos para relaciones entre variables y la segmentación de datos en componentes. El uso de un algoritmo de agrupamiento para datos en tiempo real es mucho menos común. Esto se debe a una variedad de factores, incluido el alto costo computacional del algoritmo. En otras palabras, el algoritmo puede ser poco práctico para su implementación en tiempo real o casi en tiempo real. Además, los algoritmos de agrupamiento requieren la sintonización de hiperparámetros para ajustarse al conjunto de datos. En este artículo, abordamos el agrupamiento de puntos en movimiento utilizando nuestro algoritmo propuesto de Agrupamiento Espacial Basado en Densidad Jerárquica Adaptativa (HDBSCAN), que es una implementación de un enfoque adaptativo para construir el árbol de expansión mínima. Alternamos entre los algoritmos de Boruvka y Prim como medio para construir el árbol de expansión mínima, que es uno de los componentes más costosos del HDBSCAN. El HDBSCAN Adaptativo produce una mejora en el tiempo de ejecución del 5.31% sin depreciar la precisión del algoritmo. La motivación para esta investigación proviene del deseo de agrupar puntos en movimiento en video. Se utilizan cámaras para monitorear multitudes y mejorar la seguridad pública. Podemos identificar riesgos potenciales debido a la sobrepoblación y los movimientos de grupos de personas al comprender los movimientos y el flujo de las multitudes. El equipo de vigilancia combinado con algoritmos de aprendizaje profundo puede ayudar a abordar este problema al detectar personas u objetos, y el HDBSCAN Adaptativo se utiliza para agrupar estos elementos en tiempo real para generar información sobre los grupos.