CN108615229B - 基于曲率点聚类及决策树的碰撞检测优化方法 - Google Patents

基于曲率点聚类及决策树的碰撞检测优化方法 Download PDF

Info

Publication number
CN108615229B
CN108615229B CN201810193958.5A CN201810193958A CN108615229B CN 108615229 B CN108615229 B CN 108615229B CN 201810193958 A CN201810193958 A CN 201810193958A CN 108615229 B CN108615229 B CN 108615229B
Authority
CN
China
Prior art keywords
decision tree
clustering
bounding box
detected
error
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810193958.5A
Other languages
English (en)
Other versions
CN108615229A (zh
Inventor
张小瑞
吴韵清
孙伟
宋爱国
刘佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201810193958.5A priority Critical patent/CN108615229B/zh
Publication of CN108615229A publication Critical patent/CN108615229A/zh
Application granted granted Critical
Publication of CN108615229B publication Critical patent/CN108615229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于曲率点聚类及决策树的碰撞检测优化方法，包含以下步骤：步骤一、基于曲率点聚类和几何特征选择层次包围盒；步骤二、基于决策树模型优化混合层次树的建立。本方法通过计算不同类型碰撞物轮廓点的曲率，分析其几何特征，采用K均值聚类算法选择合适的包围盒，提高包围盒和碰撞物的匹配度；运用Boosting算法提高决策树模型精度，省去原有碰撞检测算法中的冗余计算，优化混合层次树的建立过程，提高碰撞检测的效率。

Description

基于曲率点聚类及决策树的碰撞检测优化方法
技术领域
本发明属于计算机视觉以及虚拟现实的研究领域，尤其涉及基于曲率点聚类及决策树的碰撞检测优化方法。
背景技术
人体软组织模型的准确度越高，模型越复杂，计算量越大。减少模型加载和碰撞检测过程中的计算量，提高碰撞检测速度，能有效提高虚拟手术仿真系统的实时性。目前空间结构的碰撞检测算法主要有空间划分法和层次包围盒法，前者通过层次细剖分技术模拟整个场景，侧重于减少可能发生碰撞的物体对；后者为每一物体构建层次包围盒实现场景模拟，侧重于降低相交测试的时间复杂度。针对四种包围盒算法存在构造难度大、紧密性差、相交测试复杂、效率低等各种缺点。已有许多研究尝试将多种包围盒混用以取长补短，但效果欠佳。
发明内容
本发明为了解决现有技术中存在的问题，提供基于曲率点聚类及决策树的碰撞检测优化方法来提高提高碰撞检测的效率。
为了达到上述目的，本发明提出的技术方案为：基于曲率点聚类及决策树的碰撞检测优化方法，下面具体说明：
1、基于曲率点聚类及决策树的碰撞检测优化方法，其特征在于，包含步骤如下：
步骤一，基于曲率点聚类和几何特征选择层次包围盒；
步骤1-1，可视化帧间密集光流，提取待检测碰撞物的外部轮廓；
待检测视频由数字矩阵和三维点构成；数字矩阵包含若干子矩阵，每个子矩阵对应视频中的一帧图像；一帧图像由一系列像素点组成，包含若干光流信息；光流信息分为稀疏光流和密集光流；根据相邻两帧图像对应的数字矩阵，结合两帧图像内像素点的映射关系，计算相邻两帧图像的帧间密集光流，得到对应时刻待检测碰撞物的动态信息；基于Munsell建立的颜色系统，用不同颜色表示待检测碰撞物的不同运动方向，用颜色的深浅表示待检测碰撞物的不同运动速度，得到帧间密集光流图，为用户提供直观的交互反馈；
基于待检测碰撞物颜色分布的聚类特性，基于待检测碰撞物颜色分布的聚类特性，所述聚类特性为不同颜色以非随机方式分布在固定区域内，相近颜色分布在邻近区域；基于待检测碰撞物的YCbCr色带，分割帧间密集光流图；以手指为例，不考虑亮度对分割的影响，构建一个YCbCr肤色带，提取类肤色区域；所述YCbCr肤色带表示为：
77≤Cb≤127
163≤Cr≤173
其中，Cb和Cr分别是蓝色和红色成分的浓度偏移量；
通过大津阈值法将区域分割后的帧间密集光流图转换成待检测碰撞物的外部轮廓；所述大津阈值法通过设置阈值，将原图像分成前景、背景两个部分，使两者具有最大类间方差，实现图像二值化；所述图像二值化是令图像上所有像素点的灰度值均为0或255，达到黑白图像的视觉效果；利用Canny边缘检测器提取所述待检测碰撞物的外部轮廓；
步骤1-2，确定潜在尖锐点；
提取构成待检测碰撞物外部轮廓的所有像素点，称轮廓点；存储各轮廓点位置并计算其曲率余弦的绝对值|cosθ|，计算方法为：
Figure GDA0003090428350000021
其中，θ是轮廓点对应的曲率角，V1、V2分别是连接该轮廓点与其前、后相邻轮廓点的有向线段；
若某轮廓点的曲率余弦的绝对值|cosθ|满足T1＜|cosθ|＜T2，则该轮廓点为潜在尖锐点；T1和T2是预先设定的两个轮廓阈值；；
步骤1-3，基于K均值聚类算法，构建混合层次包围盒；
对所有潜在尖锐点进行K均值聚类分析，所述K均值聚类分析是基于距离的聚类分析算法，采用欧氏距离作为相似性评价指标，即两聚类对象的欧氏距离越小，相似度越大；
随机选取k个潜在尖锐点作为初始聚类中心；k与最大曲率点的曲率成正比，所述最大曲率点为曲率值最大的点；计算剩余潜在尖锐点到各聚类中心的欧氏距离，将该点归到距离最小的聚类中心中，重新计算聚类中心；重复上述运算，直至新计算出的聚类中心与原聚类中心相等或小于指定值，统计聚类中心个数即真正尖锐点的个数；运用层次包围盒法进行碰撞检测，所述层次包围盒法将复杂待检测碰撞对象用包围盒包裹起来，进行相交测试，实现碰撞检测；离散有向多面体包围盒和球形包围盒是两种常用的包围盒；为待检测碰撞物构建由所述两种常用包围盒组成的混合层次包围盒；具体方法是：若真正尖锐点的个数大于碰撞阈值H0，选择离散有向多面体包围盒；否则，选择球形包围盒；
步骤二，基于决策树模型优化混合层次树的建立；
建立并遍历混合层次包围盒对应的混合层次树，进行碰撞检测；所述混合层次树的建立方法为：将单个包围盒包含的基本几何元素看作叶子节点，所述基本几何元素为三角形或四面体；不断将叶子节点分组并形成新节点，直至建树完成；利用决策树模型省去分组的大量冗余计算，优化混合层次树的建立，并通过Boosting算法提升决策树模型的精度；
步骤2-1，建立决策树模型；
待检测碰撞物包围盒的几何元素为建树的输入样本，将其分成训练集、验证集和测试集；训练集拟合模型，验证集寻找最佳模型，测试集检验模型性能；随机抽取50％的输入样本作为训练集，25％的输入样本作为测试集，25％的输入样本作为验证集；基于训练集建立决策树模型；
决策树模型的输入变量是分类型变量，基于所述K均值聚类的结果，形成决策树的若干个分支；以信息增益率作为评价标准进行特征选择，即对每个节点分裂情况作出量化评价，得到最佳属性；所述信息增益率是反映分裂数据广度和均匀度的物理量；基于所述最佳属性，将不同取值的节点分开，形成新的节点，直至建树完成；
步骤2-2，对所述决策树模型剪枝；
为删除多余分支，免除后续碰撞检测的冗余计算，采用后修剪方法对所述决策树模型的树结构进行修剪，所述后修剪方法即从叶节点向上逐层剪枝；利用统计学置信区间估计方法，在训练集上估计误差；所述置信区间估计方法用置信度控制剪枝的程度，决定误差上限，计算方法为：
Figure GDA0003090428350000031
Figure GDA0003090428350000032
其中，P为概率；fi为预测错误观测数与该节点观测数的商，反映误差；ei为第i个叶节点的估计误差；Ni为节点数，zα/2为标准正态分布模型的概率值；α为显著性水平，1-α为置信度；
基于减少误差法剪枝，所述减少误差法是一种降低所述置信区间估计方法错判损失的策略，若满足减少误差法的误差公式，则剪枝；误差公式为：
Figure GDA0003090428350000041
其中，b为待剪枝子树中叶节点的个数；di为第i个叶节点所含样本与子树所含样本的比值；ei为第i个叶节点的估计误差；e为父节点的估计误差；
步骤2-3，用Boosting算法提升所述决策树模型精度；
基于所述决策树模型，多次输入训练集训练，输出n个决策树模型，n为正整数，为训练输出决策树模型数量，记为J1,J2,...,Jn；每个训练集样本的初始权重为1/n，对训练过程中分类出错的样本，Boosting算法根据误差更新规则不断更新其权重以重点判断：
Figure GDA0003090428350000042
其中，wq(l+1)为第q个样本第l次更新后的权重，wq(l)为第q个样本第l-1次更新后的权重，n为训练输出决策树模型数量；
保持错误样本的权重不变，更新正确样本的权重，更新规则为：
wq(l+1)＝wq(l)*β(l)
β(l)＝E(l)/(1-E(l))
其中，wq(l+1)为第q个样本第l次更新后的权重；wq(l)为第q个样本第l-1次更新后的权重；β(l)为权重更新参数，E(l)为训练输出的第l个决策树模型的误差；
根据Boosting算法的经验做法，若E(l)＞0.5或E(l)＝0，终止算法。
本发明的有益效果为：
本发明提供的基于曲率点聚类及决策树的碰撞检测优化方法通过计算不同类型碰撞物轮廓点的曲率，分析其几何特征，采用K均值聚类算法选择合适的包围盒，提高包围盒和碰撞物的匹配度；运用Boosting算法提高决策树模型精度，省去原有碰撞检测算法中的冗余计算，优化混合层次树的建立过程，碰撞检测的效率更高。
附图说明
图1轮廓点曲率余弦计算示意图。
具体实施方式
下面结合附图以及具体实施例对本发明进行详细说明。
本实施例的基于曲率点聚类及决策树的血管碰撞检测优化方法的具体步骤为：
步骤一，基于曲率点聚类和几何特征选择层次包围盒；
使用包围盒的初衷是排除不可能发生碰撞的物体对，四种常见的层次包围盒模型为球形包围盒、沿坐标轴的包围盒、方向包围盒和离散有向多面体包围盒，各有优缺点；计算不同类型碰撞物轮廓点的曲率，分析其几何特征，运用K均值聚类算法提高包围盒和碰撞物的匹配度，实现包围盒的混合使用。
具体过程如下：
步骤1-1，可视化帧间密集光流，提取待检测碰撞物的外部轮廓；
待检测视频由数字矩阵和三维点构成；所述数字矩阵包含若干子矩阵，每个子矩阵对应视频中的一帧图像；所述一帧图像由一系列像素点组成，包含若干光流信息；所述光流信息分为稀疏光流和密集光流；根据相邻两帧图像对应的数字矩阵，结合两帧图像内像素点的映射关系，计算相邻两帧图像的帧间密集光流，得到对应时刻待检测碰撞物的动态信息；基于Munsell建立的颜色系统，用不同颜色表示待检测碰撞物的不同运动方向，用颜色的深浅表示待检测碰撞物的不同运动速度，得到帧间密集光流图，为用户提供交直观的互反馈；
基于待检测碰撞物颜色分布的聚类特性，所述聚类特性为不同颜色以非随机方式分布在固定区域内，相近颜色分布在邻近区域；基于待检测碰撞物的YCbCr色带，分割帧间密集光流图；以手指为例，不考虑亮度对分割的影响，构建一个YCbCr肤色带，提取类肤色区域；所述YCbCr肤色带表示为：
Figure GDA0003090428350000051
其中，Cb和Cr分别是蓝色和红色成分的浓度偏移量；
通过大津阈值法将区域分割后的帧间密集光流图转换成待检测碰撞物的外部轮廓；所述大津阈值法通过设置阈值，将原图像分成前景、背景两个部分，使两者具有最大类间方差，实现图像二值化；所述图像二值化是令图像上所有像素点的灰度值均为0或255，达到黑白图像的视觉效果；利用Canny边缘检测器提取所述待检测碰撞物的外部轮廓；
步骤1-2，确定潜在尖锐点；
提取构成待检测碰撞物外部轮廓的所有像素点，称轮廓点；存储各轮廓点位置并计算其曲率余弦的绝对值|cosθ|，计算方法为：
Figure GDA0003090428350000061
其中，θ是轮廓点对应的曲率角，V1、V2分别是连接该轮廓点与其前、后相邻轮廓点的有向线段；如图1所示，V1、V2分别是连接轮廓点A0与其前一相邻轮廓点A1、后一相邻轮廓点A2的有向线段；
若某轮廓点的曲率余弦的绝对值|cosθ|满足T1＜|cosθ|＜T2，则该轮廓点为潜在尖锐点；T1和T2是预先设定的两个轮廓阈值；；
步骤1-3，基于K均值聚类算法，构建混合层次包围盒；
对所述所有潜在尖锐点进行K均值聚类分析，所述K均值聚类分析是基于距离的聚类分析算法，采用欧氏距离作为相似性评价指标，即两聚类对象的欧氏距离越小，相似度越大；
随机选取k个潜在尖锐点作为初始聚类中心；k与最大曲率点的曲率成正比，所述最大曲率点为曲率值最大的点；计算剩余潜在尖锐点到各聚类中心的欧氏距离，将该点归到距离最小的聚类中心中，重新计算聚类中心；重复上述运算，直至新计算出的聚类中心与原聚类中心相等或小于指定值，统计聚类中心个数即真正尖锐点的个数；运用层次包围盒法进行碰撞检测，所述层次包围盒法将复杂待检测碰撞对象用包围盒包裹起来，进行相交测试，实现碰撞检测；离散有向多面体包围盒和球形包围盒是两种常用的包围盒；为待检测碰撞物构建由所述两种常用包围盒组成的混合层次包围盒；具体方法是：若真正尖锐点的个数大于碰撞阈值H0，选择离散有向多面体包围盒；否则，选择球形包围盒；
步骤二，基于决策树模型优化混合层次树的建立；
建立并遍历所述混合层次包围盒对应的混合层次树，进行碰撞检测；所述混合层次树的建立方法为：将单个包围盒包含的基本几何元素看作叶子节点，所述基本几何元素为三角形或四面体；不断将叶子节点分组并形成新节点，直至建树完成；利用决策树模型省去分组的大量冗余计算，优化混合层次树的建立，并通过Boosting算法提升决策树模型的精度；
步骤2-1，建立决策树模型；
决策树建立的过程是各分枝依次形成的过程，即各分枝在一定规则下完成区域划分；待检测碰撞物包围盒的几何元素为建树的输入样本，将其分成训练集、验证集和测试集；训练集拟合模型，验证集寻找最佳模型，测试集检验模型性能；随机抽取50％的输入样本作为训练集，25％的输入样本作为测试集，25％的输入样本作为验证集；基于训练集建立决策树模型；
决策树模型的输入变量是分类型变量，基于所述K均值聚类的结果，形成决策树的若干个分支；以信息增益率作为评价标准进行特征选择，即对每个节点分裂情况作出量化评价，得到最佳属性；所述信息增益率是反映分裂数据广度和均匀度的物理量；基于所述最佳属性，将不同取值的节点分开，形成新的节点，直至建树完成；
步骤2-2，对所述决策树模型剪枝；
为删除多余分支，免除后续碰撞检测的冗余计算，采用后修剪方法对所述决策树模型的树结构进行修剪，所述后修剪方法即从叶节点向上逐层剪枝；利用统计学置信区间估计方法，在训练集上估计误差；所述置信区间估计方法用置信度控制剪枝的程度，决定误差上限，计算方法为：
Figure GDA0003090428350000071
Figure GDA0003090428350000072
其中，P为概率；fi为预测错误观测数与该节点观测数的商，反映误差；ei为第i个叶节点的估计误差；Ni为节点数，zα/2为标准正态分布模型的概率值；α为显著性水平，1-α为置信度；
基于减少误差法剪枝，所述减少误差法是一种降低所述置信区间估计方法错判损失的策略，若满足减少误差法的误差公式，则剪枝；误差公式为：
Figure GDA0003090428350000073
其中，b为待剪枝子树中叶节点的个数；di为第i个叶节点所含样本与子树所含样本的比值；ei为第i个叶节点的估计误差；e为父节点的估计误差；
步骤2-3，用Boosting算法提升所述决策树模型精度；
基于所述决策树模型，多次输入训练集训练，输出n个决策树模型，n为正整数，为训练输出决策树模型数量；记为J1,J2,...,Jn；每个训练集样本的初始权重为1/n，对训练过程中分类出错的样本，Boosting算法根据误差更新规则不断更新其权重以重点判断，
Figure GDA0003090428350000081
其中，wq(l+1)为第q个样本第l次更新后的权重，wq(l)为第q个样本第l-1次更新后的权重；n为训练输出决策树模型数量；
保持错误样本的权重不变，更新正确样本的权重，更新规则为：
Figure GDA0003090428350000082
其中，wq(l+1)为第q个样本第l次更新后的权重；wq(l)为第q个样本第l-1次更新后的权重；β(l)为权重更新参数，E(l)为训练输出的第l个决策树模型的误差；
根据Boosting算法的经验做法，若E(l)＞0.5或E(l)＝0，终止算法。
本发明的基于曲率点聚类及决策树的碰撞检测优化方法不局限于上述各实施例，凡采用等同替换方式得到的技术方案均落在本发明专利要求保护的范围内。

Claims (1)

1.基于曲率点聚类及决策树的碰撞检测优化方法，其特征在于，包含步骤如下：
步骤一，基于曲率点聚类和几何特征选择层次包围盒；具体过程如下：
步骤1-1，可视化帧间密集光流，提取待检测碰撞物的外部轮廓；
待检测视频由数字矩阵和三维点构成；数字矩阵包含若干子矩阵，每个子矩阵对应视频中的一帧图像；一帧图像由一系列像素点组成，包含若干光流信息；光流信息分为稀疏光流和密集光流；根据相邻两帧图像对应的数字矩阵，结合两帧图像内像素点的映射关系，计算相邻两帧图像的帧间密集光流，得到对应时刻待检测碰撞物的动态信息；基于Munsell建立的颜色系统，用不同颜色表示待检测碰撞物的不同运动方向，用颜色的深浅表示待检测碰撞物的不同运动速度，得到帧间密集光流图；
基于待检测碰撞物颜色分布的聚类特性，聚类特性为不同颜色以非随机方式分布在固定区域内，相近颜色分布在邻近区域；基于待检测碰撞物的YCbCr色带，分割帧间密集光流图；不考虑亮度对分割的影响，构建一个YCbCr肤色带，提取类肤色区域；所述YCbCr肤色带表示为：
77≤Cb≤127
163≤Cr≤173
其中，Cb和Cr分别是蓝色和红色成分的浓度偏移量；
通过大津阈值法将区域分割后的帧间密集光流图转换成待检测碰撞物的外部轮廓；大津阈值法通过设置阈值，将原图像分成前景、背景两个部分，使两者具有最大类间方差，实现图像二值化；图像二值化是令图像上所有像素点的灰度值均为0或255，达到黑白图像的视觉效果；利用Canny边缘检测器提取所述待检测碰撞物的外部轮廓；
步骤1-2，确定潜在尖锐点；
提取构成待检测碰撞物外部轮廓的所有像素点，称轮廓点；存储各轮廓点位置并计算其曲率余弦的绝对值|costθ|，计算方法为：
Figure FDA0003090428340000011
其中，θ是轮廓点对应的曲率角，V1、V2分别是连接该轮廓点与其前、后相邻轮廓点的有向线段；
若某轮廓点的曲率余弦的绝对值|costθ|满足T1＜|costθ|＜T2，则该轮廓点为潜在尖锐点；T1和T2是预先设定的两个轮廓阈值；
步骤1-3，基于K均值聚类算法，构建混合层次包围盒；
对所有潜在尖锐点进行K均值聚类分析，K均值聚类分析是基于距离的聚类分析算法，采用欧氏距离作为相似性评价指标，即两聚类对象的欧氏距离越小，相似度越大；
随机选取k个潜在尖锐点作为初始聚类中心；k与最大曲率点的曲率成正比，最大曲率点为曲率值最大的点；计算剩余潜在尖锐点到各聚类中心的欧氏距离，将该点归到距离最小的聚类中心中，重新计算聚类中心；重复上述运算，直至新计算出的聚类中心与原聚类中心相等或小于指定值，统计聚类中心个数即真正尖锐点的个数；运用层次包围盒法进行碰撞检测，层次包围盒法将复杂待检测碰撞对象用包围盒包裹起来，进行相交测试，实现碰撞检测；离散有向多面体包围盒和球形包围盒是两种常用的包围盒；为待检测碰撞物构建由所述两种常用包围盒组成的混合层次包围盒；具体方法是：若真正尖锐点的个数大于碰撞阈值H0，选择离散有向多面体包围盒；否则，选择球形包围盒；
步骤二，基于决策树模型优化混合层次树的建立；
建立并遍历混合层次包围盒对应的混合层次树，进行碰撞检测；混合层次树的建立方法为：将单个包围盒包含的基本几何元素看作叶子节点，基本几何元素为三角形或四面体；不断将叶子节点分组并形成新节点，直至建树完成；利用决策树模型省去分组的大量冗余计算，优化混合层次树的建立，并通过Boosting算法提升决策树模型的精度；
步骤2-1，建立决策树模型；
待检测碰撞物包围盒的几何元素为建树的输入样本，将其分成训练集、验证集和测试集；训练集拟合模型，验证集寻找最佳模型，测试集检验模型性能；随机抽取50％的输入样本作为训练集，25％的输入样本作为测试集，25％的输入样本作为验证集；基于训练集建立决策树模型；
决策树模型的输入变量是分类型变量，基于所述K均值聚类的结果，形成决策树的若干个分支；以信息增益率作为评价标准进行特征选择，即对每个节点分裂情况作出量化评价，得到最佳属性；信息增益率是反映分裂数据广度和均匀度的物理量；基于最佳属性，将不同取值的节点分开，形成新的节点，直至建树完成；
步骤2-2，对决策树模型剪枝；
采用后修剪方法对决策树模型的树结构进行修剪，后修剪方法即从叶节点向上逐层剪枝；利用统计学置信区间估计方法，在训练集上估计误差；置信区间估计方法用置信度控制剪枝的程度，决定误差上限，计算方法为：
Figure FDA0003090428340000031
Figure FDA0003090428340000032
其中，P为概率；fi为预测错误观测数与该节点观测数的商，反映误差；ei为第i个叶节点的估计误差；Ni为节点数，zα/2为标准正态分布模型的概率值；α为显著性水平，1-α为置信度；
基于减少误差法剪枝，减少误差法是一种降低所述置信区间估计方法错判损失的策略，若满足减少误差法的误差公式，则剪枝；误差公式为：
Figure FDA0003090428340000033
其中，b为待剪枝子树中叶节点的个数；di为第i个叶节点所含样本与子树所含样本的比值；e为父节点的估计误差；
步骤2-3，用Boosting算法提升所述决策树模型精度；
基于所述决策树模型，多次输入训练集训练，输出n个决策树模型，n为正整数，表示训练输出决策树模型数量；记为J1,J2,...,Jn；每个训练集样本的初始权重为1/n，对训练过程中分类出错的样本，Boosting算法根据误差更新规则不断更新其权重以重点判断：
Figure FDA0003090428340000034
其中，wq(l+1)为第q个样本第l次更新后的权重，wq(l)为第q个样本第l-1次更新后的权重；
保持错误样本的权重不变，更新正确样本的权重，更新规则为：
wq(l+1)＝wq(l)*β(l)
β(l)＝E(l)/(1-E(l))
其中，wq(l)为第q个样本第l-1次更新后的权重；β(l)为权重更新参数，E(l)为训练输出的第l个决策树模型的误差；
若E(l)＞0.5或E(l)＝0，终止算法。
CN201810193958.5A 2018-03-09 2018-03-09 基于曲率点聚类及决策树的碰撞检测优化方法 Active CN108615229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810193958.5A CN108615229B (zh) 2018-03-09 2018-03-09 基于曲率点聚类及决策树的碰撞检测优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810193958.5A CN108615229B (zh) 2018-03-09 2018-03-09 基于曲率点聚类及决策树的碰撞检测优化方法

Publications (2)

Publication Number Publication Date
CN108615229A CN108615229A (zh) 2018-10-02
CN108615229B true CN108615229B (zh) 2021-11-19

Family

ID=63658657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810193958.5A Active CN108615229B (zh) 2018-03-09 2018-03-09 基于曲率点聚类及决策树的碰撞检测优化方法

Country Status (1)

Country Link
CN (1) CN108615229B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401360B (zh) * 2020-03-02 2023-06-20 杭州雄迈集成电路技术股份有限公司 优化车牌检测模型的方法及系统、车牌检测方法及系统
CN112084419B (zh) * 2020-07-29 2023-07-28 浙江工业大学 一种基于属性网络嵌入和无参聚类的哔哩哔哩用户社团发现方法
CN113902910B (zh) * 2021-12-10 2022-04-08 中国科学院自动化研究所 一种视觉测量方法及系统
CN115100203B (zh) * 2022-08-25 2022-11-18 山东振鹏建筑钢品科技有限公司 一种钢筋打磨除锈质量检测方法
CN117250602B (zh) * 2023-11-15 2024-03-15 中汽研汽车检验中心（天津）有限公司 碰撞类型预测方法、设备和存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10817679B2 (en) * 2007-01-26 2020-10-27 Allen Hollister Multidimensional sieving for high density low collision RFID tag fields
CN102609992A (zh) * 2012-02-12 2012-07-25 北京航空航天大学 基于三角网格变形体的自碰撞检测方法
CN106856577B (zh) * 2015-12-07 2020-12-11 北京航天长峰科技工业集团有限公司 可解决多目标碰撞及遮挡问题的视频摘要生成方法
CN106096748A (zh) * 2016-04-28 2016-11-09 武汉宝钢华中贸易有限公司 基于聚类分析和决策树算法的装车工时预测模型
CN106844663B (zh) * 2017-01-23 2020-01-17 中国石油大学(华东) 一种基于数据挖掘的船舶碰撞风险评估方法及系统

Also Published As

Publication number Publication date
CN108615229A (zh) 2018-10-02

Similar Documents

Publication Publication Date Title
CN108615229B (zh) 基于曲率点聚类及决策树的碰撞检测优化方法
CN104599275B (zh) 基于概率图模型的非参数化的rgb-d场景理解方法
US20210027048A1 (en) Human face image classification method and apparatus, and server
CN110032925B (zh) 一种基于改进胶囊网络与算法的手势图像分割与识别方法
CN108288035A (zh) 基于深度学习的多通道图像特征融合的人体动作识别方法
CN108470354A (zh) 视频目标跟踪方法、装置和实现装置
CN107408211A (zh) 用于物体的再识别的方法
JPH06150000A (ja) 画像クラスタリング装置
CN109214298B (zh) 一种基于深度卷积网络的亚洲女性颜值评分模型方法
CN107705322A (zh) 运动目标识别跟踪方法和系统
CN106296695A (zh) 基于显著性的自适应阈值自然目标图像分割抽取算法
CN110222215B (zh) 一种基于f-ssd-iv3的作物害虫检测方法
CN109558902A (zh) 一种快速目标检测方法
CN113435282B (zh) 基于深度学习的无人机影像麦穗识别方法
CN110163239A (zh) 一种基于超像素和条件随机场的弱监督图像语义分割方法
CN108664838A (zh) 基于改进rpn深度网络的端到端的监控场景行人检测方法
CN113420643B (zh) 基于深度可分离空洞卷积的轻量级水下目标检测方法
CN108154158B (zh) 一种面向增强现实应用的建筑物图像分割方法
CN112906550B (zh) 一种基于分水岭变换的静态手势识别方法
CN109829924A (zh) 一种基于主体特征分析的图像质量评价方法
CN110176005B (zh) 基于归一化指数和多尺度模型的遥感图像分割方法
CN111860587A (zh) 一种用于图片小目标的检测方法
CN114419413A (zh) 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法
CN107992856A (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN105976379A (zh) 一种基于布谷鸟优化的模糊聚类彩色图像分割方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant