CN114462493B - 聚类方法、聚类装置及计算机可读存储介质 - Google Patents
聚类方法、聚类装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114462493B CN114462493B CN202111642090.0A CN202111642090A CN114462493B CN 114462493 B CN114462493 B CN 114462493B CN 202111642090 A CN202111642090 A CN 202111642090A CN 114462493 B CN114462493 B CN 114462493B
- Authority
- CN
- China
- Prior art keywords
- data
- data point
- point
- determining
- neighborhood radius
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种聚类方法、装置及计算机可读存储介质,该聚类法方法包括:确定一个未访问的第一数据点;创建第一类簇,将第一数据点加入第一类簇中;以第一数据点为中心点,将第一邻域半径内的第二数据点加入候选集合;遍历候选集合中未访问的第三数据点;分别确定各个第三数据点对应的第二邻域半径,第三数据点的第二邻域半径小于第三数据点对应的中心点的邻域半径;分别以各个第三数据点为中心点,将对应第二邻域半径内的第四数据点加入候选集合;若第三数据点不属于任何一个类簇,将第三数据点加入第一类簇中;返回执行遍历候选集合中未访问的第三数据点的步骤;返回执行确定第一数据点的步骤。本申请所提供的聚类方法能够提高聚类的准确率。
Description
技术领域
本申请涉及聚类技术领域,特别是涉及一种聚类方法、聚类装置及计算机可读存储介质。
背景技术
在计算机视觉领域,需要采用聚类算法将同一个目标的数据点归为一档。但是目前在采用聚类方法对数据点进行归档时,容易将不同目标的数据点归为一档,准确率有待进一步提高。
发明内容
本申请提供一种聚类方法、装置及计算机可读存储介质,能够提高聚类的准确率。
本申请实施例第一方面提供一种聚类方法,所述方法包括:在待聚类点云中,确定一个未访问的第一数据点,并将所述第一数据点确定为已访问;确定所述第一数据点对应的邻域半径,并定义为第一邻域半径;创建第一类簇,并将所述第一数据点加入所述第一类簇中;以所述第一数据点为中心点,将所述第一邻域半径内的第二数据点加入候选集合;遍历所述候选集合中未访问的第三数据点;分别将各个所述第三数据点确定为已访问;分别确定各个所述第三数据点对应的邻域半径,并定义为第二邻域半径,其中,所述第三数据点的所述第二邻域半径小于所述第三数据点对应的中心点的邻域半径;分别以各个所述第三数据点为中心点,将对应所述第二邻域半径内的第四数据点加入所述候选集合;响应于所述第三数据点不属于任何一个类簇,将所述第三数据点加入所述第一类簇中;返回执行所述遍历所述候选集合中未访问的第三数据点的步骤,直至所述候选集合不存在未访问的所述第三数据点;返回执行所述在待聚类点云中,确定一个未访问的第一数据点的步骤,直至所述待聚类点云中不存在未访问的所述第一数据点。
本申请实施例第二方面提供一种聚类装置,所述聚类装置包括处理器、存储器以及通信电路,所述处理器分别耦接所述存储器、所述通信电路,所述存储器中存储有程序数据,所述处理器通过执行所述存储器内的所述程序数据以实现上述方法中的步骤。
本申请实施例第三方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序能够被处理器执行以实现上述方法中的步骤。
有益效果是:本申请的聚类方法将第三数据点的第二邻域半径设置为小于第三数据点对应的中心点的邻域半径,使得形成的类簇相对于类簇的中心点越来越紧凑,可以避免将不同目标的点归为同一个类簇,可以提高聚类的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。其中:
图1是本申请聚类方法一实施方式的流程示意图,
图2是采用图1方法进行聚类时的效果示意图;
图3是采用现有技术中的方法进行聚类时的效果示意图;
图4是图1中步骤S107的流程示意图;
图5是本申请聚类装置一实施方式的结构示意图;
图6是本申请聚类装置另一实施方式的结构示意图;
图7是本申请计算机可读存储介质一实施方式的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参阅图1,图1是本申请聚类方法一实施方式的流程示意图,该方法包括:
S101:在待聚类点云中,确定一个未访问的第一数据点,并将第一数据点确定为已访问。
本申请的待聚类点云可以是通过雷达扫描得到的点云,即雷达点云,也可以是通过相机,例如深度相机,扫描得到的点云,即相机点云,其中,关于待聚类点云的类型,本申请不做限制。
其中考虑到点云越稀疏,聚类效果越不佳,例如当待聚类点云为雷达点云时,具有较强稀疏性的特点,因此为了提高聚类的准确率,本申请获取待聚类点云的步骤,包括:积累相邻的预设帧数的扫描点云,得到待聚类点云。其中预设帧数可以由设计人员预先设定,根据不同的应用场景可以进行调节。
其中,相邻帧的扫描点云在时间维度上具有关联性,因此将相邻的预设帧数的扫描点云积累在一起后进行聚类处理,可以提高聚类的准确率。
例如,当采用雷达检测目标对象时,在接收到雷达输出的扫描点云后,将前一帧扫描点云和当前帧扫描点云积累在一起,得到待聚类点云。假设前一帧扫描点云包括100个数据点,当前帧扫描点云包括120个数据点,则将100个数据点和120个数据点积累在一起,得到220个数据点,然后对这220个数据点进行聚类处理。
需要说明的是,也可以将每帧的扫描点云直接作为待聚类点云进行聚类处理,在此不做限制。
其中,在未开始聚类之前,将待聚类点云中的所有数据点都确定为未访问,例如标记为“unvisited”。
步骤S101在待聚类点云中随机选择一个未访问的数据点,记为第一数据点,并将该第一数据点确定为已访问,例如标记为“visited”。
S102:确定第一数据点对应的邻域半径,并定义为第一邻域半径。
在本实施方式中,第一数据点对应的邻域半径预先设置好。当后续再次执行步骤S102时,每个第一数据点对应的邻域半径均相同。
S103:创建第一类簇,并将第一数据点加入第一类簇中。
可以理解的是,创建的第一类簇为一个新类簇,与其他已经存在的类簇的类别不同。
在一应用场景中,步骤S103之前,还包括:
(a1)查询距离第一数据点在第一邻域半径内的第二数据点,如果第二数据点的数量不少于数量阈值,则执行步骤S103,否则将第一数据点确定为噪声,然后返回执行步骤S101。
具体地,在确定第一数据点后,查找其邻域内的所有第二数据点,且该邻域的半径为第一邻域半径,然后根据第二数据点的数量,执行对应的步骤。
可以理解的是,第二数据点与第一数据点不是同一个数据点,且第二数据点与第一数据点的距离小于或者等于第一邻域半径。
需要说明的是,步骤(a1)不是必须执行的步骤。
S104:以第一数据点为中心点,将第一邻域半径内的第二数据点加入候选集合。
在查询到第一数据点后,查找其邻域内的所有第二数据点,且该邻域的半径为第一邻域半径,然后将所有的第二数据点均加入候选集合。
其中,如果步骤S101是第一次执行,则距离第一数据点在第一邻域半径内的第二数据点均为未访问,而如果步骤S101不是第一次执行,距离第一数据点在第一邻域半径内的第二数据点有的可能是未访问,有的可能是已访问。
其中,距离第一数据点在第一邻域半径内的第二数据点可以是0个、一个或者多个,但是对应每个第二数据点来说,均存在与之对应的中心点,即第一数据点。
S105:遍历候选集合中未访问的第三数据点。
将候选集合中未访问的数据点定义为第三数据点,然后遍历所有的第三数据点,且在遍历的过程中执行步骤S106至步骤S109。
S106:分别将各个第三数据点确定为已访问。
在遍历第三数据点的过程中,将每个第三数据点都确定为已访问,可以理解的是,在遍历结束后,步骤S105中确定的所有第三数据点均为已访问。
S107:分别确定各个第三数据点对应的邻域半径,并定义为第二邻域半径,其中,第三数据点的第二邻域半径小于第三数据点对应的中心点的邻域半径。
其中,将第三数据点加入候选集合的原因是:第三数据点距离某一数据点N在该数据点N的邻域半径内,则数据点N作为第三数据点对应的中心点。也就是说,第三数据点对应的中心点指的是,第三数据点加入候选集合正是因为第三数据点距离中心点在该中心点的邻域半径内。
例如,对应数据点A,查找到数据点B、数据点C与数据点A的距离均小于数据点A的邻域半径,然后将第二数据点B以及数据点C加入候选集合,如果数据点B、数据点C均为未访问,则分别确定数据点B、数据点C的邻域半径,而对于数据点B以及数据点C而言,对应的中心点均为数据点A。
S108:分别以各个第三数据点为中心点,将对应第二邻域半径内的第四数据点加入候选集合。
在一应用场景中,在步骤S108中,只有距离第三数据点在第二邻域半径内的第四数据点的数量不少于数量阈值,才将对应的第四数据点加入候选集合,然后才针对该第三数据点执行后续步骤。
当然,判断距离第三数据点在第二邻域半径内的第四数据点的数量是否少于数量阈值不是必须步骤。
可以理解的是,对于步骤S108中加入候选集合的第四数据点而言,其对应的中心点为对应的第三数据点。
S109:响应于第三数据点不属于任何一个类簇,将第三数据点加入第一类簇中。
如果在此之前没有将第三数据点划分至任何一个类簇,则将第三数据点加入第一类簇中,否则不加入第一类簇中。
S110:判断候选集合中是否存在未访问的第三数据点。
如果存在,则返回执行步骤S105,否则执行步骤S111。
在经过上述步骤后,候选集合中又加入了新的数据点,然后判断新加入的数据点中是否存在未访问的数据点,如果存在,再针对未访问的数据点执行步骤S105至步骤S109,直至候选集合不存在未访问的数据点。
S111:判断待聚类点云中是否存在未访问的第一数据点。
如果待聚类点云中还存在未访问的数据点,则返回执行步骤S101,重复执行上述步骤,直至待聚类点云中不存在未访问的数据点,否则结束流程。
结合图2,在上述过程中,如果将数据点2加入候选集合,是因为处于数据点1的ε1邻域内,将数据点3加入候选集合,是因为处于数据点2的ε2邻域内,数据点3对应的邻域半径为ε3,则ε1>ε2>ε3。
在现有技术的聚类过程中,每个数据点对应的邻域半径都相同,也就是ε1=ε2=ε3,此时聚类效果如图3所示,容易将不同目标的点聚类在一起。
对比图2和图3可以看出,本申请的方案可以提高聚类准确率。也就是说,本申请的方案使得形成的类簇相对于类簇的中心点越来越紧凑,可以避免将不同目标的点归为同一个类簇,可以提高聚类的准确率。
同时在现有技术中,通常采用两个数据点之间的欧式距离作为两个数据点之间的距离,但是欧式距离是一种无差别的度量方式,例如假设存在两个目标,这两个目标的速度分别为1m/s和2m/s,但是两者之间的欧式距离仅为0.2m,因此如果采用现有聚类方法进行聚类,这两个目标会归为同一个类别,但显然是不正确的,因此为了避免该缺陷,当待聚类点云为雷达点云时,本申请采用下述方法确定待聚类点云中任意两个数据点之间的距离:
(a2)分别根据待聚类点云中各个数据点的速度、距离以及角度中的至少两种,确定各个数据点的数据值。
(b2)根据任意两个数据点的数据值的差值,确定任意两个数据点之间的距离。
此时待聚类点云中的每个数据点均包括三个参数:速度,具体是量测点相对雷达的径向速度;距离,指的是量测点相对雷达的速度;角度,指的是量测点相对雷达的角度。
然后综合数据点的速度、距离以及角度中的至少两种,确定数据点的数据值,最后根据两个数据点的数据值的差值,确定两个数据点的距离。也就是说,在本申请中,同一类簇中的两个点在速度、距离以及角度中的至少两个方面均接近。
其中,步骤(b2)在得到两个数据点的数据值的差值后,可以直接将该差值作为两个数据点之间的距离,也可以先对差值做修正处理,然后将修正后的值作为两个数据点之间的距离,其中修正处理可以是将差值和预设值相加或者相乘等。
在本实施方式中,步骤(a2)具体包括:分别将各个数据点的速度、距离以及角度中的至少两种进行加权求和,得到各个数据点的数据值。
其中,预先为速度、距离以及角度设置对应的权重,然后将其中至少两种按照对应的权重进行加权求和,得到数据点的数据值。
例如,在一应用场景中,假设数据点的速度、距离以及角度分别为speed、range以及azim,且对应的权重分别为α、β以及γ,则数据点的数据值y等于α*speed+β*range+γ*azim,其中,α+β+γ=1。
其中为了便于说明,以下均以将数据点的速度、距离以及角度进行加权求和,得到数据点的数据值进行说明。
在其他实施方式中,步骤(a2)具体还可以是:分别确定各个数据点的速度、距离以及角度中的至少两种的乘积,得到各个数据点的数据值。总而言之,关于如何根据数据点的速度、距离以及角度中的至少两种,确定数据点的数据值的过程,本申请不做具体限制。
在本实施方式中,为了方便后续聚类,以矩阵M的形式记录任意两个数据点之间的距离:
首先将待聚类点云记为{x1,x2,…,xn},n为待聚类点云中数据点的个数,xi=[speedi,rangei,azimi],1≤i小于等于n,speedi、rangei以及azimi分别代表数据点i的速度、距离以及角度;
在得到各个数据点的数据值后,将待聚类点云记为{y1,y2,…,yn},其中,yi为数据点i的数据值;
最后得到矩阵M:
其中,mi,j=|yi-yj|,表示数据点i和数据点j之间的距离,可以理解的是,mij=mij,矩阵M为对称矩阵。
在聚类之前,可以先确定M,从而在聚类过程中,可以通过查找矩阵M确定任意两个数据点之间的距离,方便快捷。
在本实施方式中,参阅图4,步骤S107分别确定各个第三数据点对应的邻域半径的步骤,包括:
S1071:分别确定各个第三数据点对应的评估值,第三数据点对应的评估值和第三数据点与对应的中心点的相似度相关。
S1072:分别根据各个第三数据点对应的评估值,确定各个第三数据点对应的邻域半径。
其中,第三数据点与对应的中心点的相似度越高,说明第三数据点与对应的中心点属于同一目标的可能性越大,进而第三数据点邻域内的数据点与第三数据点对应的中心点属于同一目标的可能性也越大,因此第三数据点邻域内的数据点与对应的中心点是否属于同一个目标,与第三数据点与对应的中心点的相似度相关,进而可以根据与第三数据点对应的相似度相关的评估值,确定第三数据点对应的邻域半径。
在本实施方式中,第三数据点对应的评估值和第三数据点与对应的中心点的相似度负相关,将第三数据点对应的评估值记为Diff,Diff越小,说明第三数据点与对应的中心点越相似。
其中,由于需要使第三数据点的第二邻域半径小于第三数据点对应的中心点的邻域半径,因此在本实施方式中,步骤S1072包括:
(a2)响应于第三数据点对应的评估值小于一,确定第三数据点对应的评估值的相反数与一的和值。
(b2)确定第三数据点对应的和值与对应的中心点的邻域半径的乘积,得到第三数据点对应的邻域半径。
(c2)响应于第三数据点对应的评估值大于或者等于一,确定第三数据点对应的邻域半径为零。
具体地,当Diff小于1时,按照如下公式确定第三数据点对应的邻域半径ε:
ε=|1-Diff|*ε′,其中,ε′为第三数据点对应的中心点的邻域半径。
当Diff大于或者等于1时,说明第三数据点与对应的中心点不相似,第三数据点邻域内的数据点与对应的中心点属于同一个目标的可能性不大,则直接将第三数据点对应的邻域半径设置为零。
从上述公式可以看出,第三数据点对应的评估值Diff越大,说明第三数据点与对应的中心点越不相似,第三数据点对应的邻域半径越小。
在其他实施方式中,当第三数据点对应的评估值大于或者等于1时,可以不是直接将第三数据点对应的邻域半径设置为零,而是设置为其他小于一的固定数值,例如为0.1或者0.3等。
或者,在其他实施方式中,也可以不根据第三数据点对应的评估值,确定第三数据点对应的邻域半径,例如,直接将第三数据点对应的中心点的邻域半径与预设值相乘,得到第三数据点的邻域半径,该预设值大于0且小于1,或者,将第三数据点对应的中心点的邻域半径减去一个固定值,得到第三数据点的邻域半径,该固定值大于0且小于第三数据点对应的中心点的邻域半径。
总而言之,本申请对于确定第三数据点对应的邻域半径的具体过程,不做限制,只要保证第三数据点的第二邻域半径小于第三数据点对应的中心点的邻域半径即可。
下面介绍第三数据点对应的评估值的确定过程,该过程包括:
(a3)分别确定第三数据点和各自对应的中心点的数据值的平均值。
(b3)分别确定第三数据点和各自对应的中心点的数据值的方差。
(c3)分别根据各个第三数据点对应的平均值以及方差,确定各个第三数据点对应的评估值。
结合实例对上述过程进行说明:
假设第三数据点A对应的中心点为数据点B,第三数据点A的数据值为yA,数据点B的数据值为yB,则首先确定两者数据值的平均值E、方差S:
最后根据第三数据点对应的平均值E和方差S,确定第三数据点对应的评估值Diff。
由于方差能够表征数据之间的稳定性,因此根据平均值以及方差能够确定表征相似度的评估值。
在一应用场景中,按照如下公式确定评估值Diff:
Diff=[S+(E)2]2。
也就是,先确定第三数据点对应的方差的平方值和对应的平均值的和值,然后确定第三数据点对应的和值的平方值,得到第三数据点对应的评估值。
在其他实施方式中,还可以按照其他公式确定评估值Diff,例如采用如下公式:
Diff=S+(E)2。
总而言之,本申请对确定第三数据点对应的评估值的具体过程,不做限制。
通过上述的方法可以对待聚类点云实现聚类处理,该过程可以应用目标跟踪,其中为了便于说明,以采用雷达对目标进行跟踪进行说明,具体如下:
Step1:首先创建数据缓存池,存储相邻的预设帧数的雷达点云;
Step2:对积累的雷达点云进行聚类处理,其中聚类过程可参见上述内容;
Step3:将本次聚类结果与前一次聚类结果进行目标匹配,其中目标匹配可以采用匈牙利匹配算法;
Step4:得到Step3的匹配结果,其中,将匹配结果中不满足匹配阈值的目标进行解匹配,并删除该组匹配信息;
Step5:根据最终的匹配结果,采用滤波器(例如卡尔曼滤波器)进行匹配跟踪。
重复Step1至Step5,直至雷达不再输出数据。
参阅图5,图5是本申请聚类装置一实施方式的结构示意图。该聚类装置200包括处理器210、存储器220以及通信电路230,处理器210分别耦接存储器220、通信电路230,存储器220中存储有程序数据,处理器210通过执行存储器220内的程序数据以实现上述任一项实施方式方法中的步骤,其中详细的步骤可参见上述实施方式,在此不再赘述。
其中,聚类装置200可以是电脑、手机等任一项具有算法处理能力的装置,在此不做限制。
参阅图6,图6是本申请聚类装置一实施方式的结构示意图。该聚类装置300包括第一确定模块310、第二确定模块320、创建模块330、集合模块340以及遍历模块350。
第一确定模块310用于在待聚类点云中,确定一个未访问的第一数据点,并将所述第一数据点确定为已访问。
第二确定模块320与第一确定模块310连接,用于确定所述第一数据点对应的邻域半径,并定义为第一邻域半径。
创建模块330与第二确定模块320连接,用于创建第一类簇,并将所述第一数据点加入所述第一类簇中。
集合模块340与第二确定模块320连接,用于以所述第一数据点为中心点,将所述第一邻域半径内的第二数据点加入候选集合。
遍历模块350与集合模块340连接,用于遍历所述候选集合中未访问的第三数据点,其中在遍历的过程中,分别将各个所述第三数据点确定为已访问;分别确定各个所述第三数据点对应的邻域半径,并定义为第二邻域半径,其中,所述第三数据点的所述第二邻域半径小于所述第三数据点对应的中心点的邻域半径;分别以各个所述第三数据点为中心点,将对应所述第二邻域半径内的第四数据点加入所述候选集合;响应于所述第三数据点不属于任何一个类簇,将所述第三数据点加入所述第一类簇中;在遍历结束后,如果候选集合中还存在未访问的第三数据点,遍历模块350继续遍历候选集合中未访问的第三数据点,直至候选集合中不存在未访问的第三数据点。
第一确定模块310、第二确定模块320、创建模块330、集合模块340以及遍历模块350相互配合重复执行上述步骤,直至待聚类点云中不存在未访问的第一数据点。
其中,聚类装置300可以是电脑、手机等任一项具有算法处理能力的装置,在此不做限制。其中,聚类装置300在工作时各个模块相互配合执行上述任一项方法中的步骤,其中详细的方法可参见上述实施方式,在此不再赘述。
参阅图7,图7是本申请计算机可读存储介质一实施方式的结构示意图。该计算机可读存储介质400存储有计算机程序410,计算机程序410能够被处理器执行以实现上述任一项方法中的步骤。
其中,计算机可读存储介质400具体可以为U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等可以存储计算机程序410的装置,或者也可以为存储有该计算机程序410的服务器,该服务器可将存储的计算机程序410发送给其他设备运行,或者也可以自运行该存储的计算机程序410。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种聚类方法,其特征在于,所述方法包括:
在待聚类点云中,确定一个未访问的第一数据点,并将所述第一数据点确定为已访问;
确定所述第一数据点对应的邻域半径,并定义为第一邻域半径;
创建第一类簇,并将所述第一数据点加入所述第一类簇中;
以所述第一数据点为中心点,将所述第一邻域半径内的第二数据点加入候选集合;
遍历所述候选集合中未访问的第三数据点;
分别将各个所述第三数据点确定为已访问;
分别确定各个所述第三数据点对应的邻域半径,并定义为第二邻域半径,其中,所述第三数据点的所述第二邻域半径小于所述第三数据点对应的中心点的邻域半径;
分别以各个所述第三数据点为中心点,将对应所述第二邻域半径内的第四数据点加入所述候选集合;
响应于所述第三数据点不属于任何一个类簇,将所述第三数据点加入所述第一类簇中;
返回执行所述遍历所述候选集合中未访问的第三数据点的步骤,直至所述候选集合不存在未访问的所述第三数据点;
返回执行所述在待聚类点云中,确定一个未访问的第一数据点的步骤,直至所述待聚类点云中不存在未访问的所述第一数据点;
其中,所述待聚类点云为雷达点云,所述方法还包括:
分别根据所述待聚类点云中各个数据点的速度、距离以及角度中的至少两种,确定各个数据点的数据值;
根据任意两个数据点的所述数据值的差值,确定任意两个数据点之间的距离。
2.根据权利要求1所述的方法,其特征在于,所述分别确定各个所述第三数据点对应的邻域半径的步骤,包括:
分别确定各个所述第三数据点对应的评估值,所述第三数据点对应的所述评估值和所述第三数据点与对应的中心点的相似度相关;
分别根据各个所述第三数据点对应的所述评估值,确定各个所述第三数据点对应的邻域半径。
3.根据权利要求2所述的方法,其特征在于,所述分别确定各个所述第三数据点对应的评估值的步骤,包括:
分别确定所述第三数据点和各自对应的中心点的数据值的平均值;
分别确定所述第三数据点和各自对应的中心点的数据值的方差;
分别根据各个所述第三数据点对应的所述平均值以及所述方差,确定各个所述第三数据点对应的所述评估值。
4.根据权利要求3所述的方法,其特征在于,所述分别根据各个所述第三数据点对应的所述平均值以及所述方差,确定各个所述第三数据点对应的所述评估值的步骤,包括:
分别确定各个所述第三数据点对应的所述方差的平方值和对应的所述平均值的和值;
分别确定各个所述第三数据点对应的所述和值的平方值,得到各个所述第三数据点对应的所述评估值。
5.根据权利要求2所述的方法,其特征在于,所述分别根据各个所述第三数据点对应的所述评估值,确定各个所述第三数据点对应的邻域半径的步骤,包括:
响应于所述第三数据点对应的所述评估值小于一,确定所述第三数据点对应的所述评估值的相反数与一的和值;
确定所述第三数据点对应的所述和值与对应的中心点的邻域半径的乘积,得到所述第三数据点对应的邻域半径。
6.根据权利要求5所述的方法,其特征在于,所述分别根据各个所述第三数据点对应的所述评估值,确定各个所述第三数据点对应的邻域半径的步骤,还包括:
响应于所述第三数据点对应的所述评估值大于或者等于一,确定所述第三数据点对应的邻域半径为零。
7.根据权利要求1所述的方法,其特征在于,所述分别根据所述待聚类点云中各个数据点的速度、距离以及角度中的至少两种,确定各个数据点的数据值的步骤,包括:
分别将各个数据点的所述速度、所述距离以及所述角度中的至少两种进行加权求和,得到各个数据点的所述数据值。
8.根据权利要求1所述的方法,其特征在于,在所述在待聚类点云中,确定一个未访问的第一数据点之前,还包括:
积累相邻的预设帧数的扫描点云,得到所述待聚类点云。
9.一种聚类装置,其特征在于,所述聚类装置包括处理器、存储器以及通信电路,所述处理器分别耦接所述存储器、所述通信电路,所述存储器中存储有程序数据,所述处理器通过执行所述存储器内的所述程序数据以实现如权利要求1-8任一项所述方法中的步骤。
10.一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存储有计算机程序,所述计算机程序能够被处理器执行以实现如权利要求1-8任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111642090.0A CN114462493B (zh) | 2021-12-29 | 2021-12-29 | 聚类方法、聚类装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111642090.0A CN114462493B (zh) | 2021-12-29 | 2021-12-29 | 聚类方法、聚类装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114462493A CN114462493A (zh) | 2022-05-10 |
CN114462493B true CN114462493B (zh) | 2024-05-10 |
Family
ID=81407608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111642090.0A Active CN114462493B (zh) | 2021-12-29 | 2021-12-29 | 聚类方法、聚类装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462493B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800114A (zh) * | 2012-06-18 | 2012-11-28 | 浙江大学 | 一种基于Poisson-disk采样的数据点云精简方法 |
CN103942824A (zh) * | 2014-05-15 | 2014-07-23 | 厦门大学 | 一种三维点云直线特征提取方法 |
CN105046694A (zh) * | 2015-07-02 | 2015-11-11 | 哈尔滨工程大学 | 一种基于曲面拟合系数特征的点云快速配准方法 |
CN105184250A (zh) * | 2015-08-31 | 2015-12-23 | 哈尔滨工业大学 | 一种电力走廊机载LiDAR点云数据的地物分类方法 |
CN107369161A (zh) * | 2017-07-19 | 2017-11-21 | 无锡信捷电气股份有限公司 | 一种基于改进欧式聚类的散乱工件点云分割方法 |
CN110827924A (zh) * | 2019-09-23 | 2020-02-21 | 平安科技(深圳)有限公司 | 基因表达数据的聚类方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10229533B2 (en) * | 2016-11-03 | 2019-03-12 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems for fast resampling method and apparatus for point cloud data |
CN109325998B (zh) * | 2018-10-08 | 2023-06-30 | 香港理工大学 | 一种基于点云数据的室内3d建模方法、系统及相关装置 |
-
2021
- 2021-12-29 CN CN202111642090.0A patent/CN114462493B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800114A (zh) * | 2012-06-18 | 2012-11-28 | 浙江大学 | 一种基于Poisson-disk采样的数据点云精简方法 |
CN103942824A (zh) * | 2014-05-15 | 2014-07-23 | 厦门大学 | 一种三维点云直线特征提取方法 |
CN105046694A (zh) * | 2015-07-02 | 2015-11-11 | 哈尔滨工程大学 | 一种基于曲面拟合系数特征的点云快速配准方法 |
CN105184250A (zh) * | 2015-08-31 | 2015-12-23 | 哈尔滨工业大学 | 一种电力走廊机载LiDAR点云数据的地物分类方法 |
CN107369161A (zh) * | 2017-07-19 | 2017-11-21 | 无锡信捷电气股份有限公司 | 一种基于改进欧式聚类的散乱工件点云分割方法 |
CN110827924A (zh) * | 2019-09-23 | 2020-02-21 | 平安科技(深圳)有限公司 | 基因表达数据的聚类方法、装置、计算机设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
an adaptive approach for segmentation of 3D laser point cloud;Z Lari等;the international archives of the photogrammetry,remote sensing and spatial information sciences;20121231;1-10 * |
双层优化的激光雷达点云场景分割方法;李明磊;刘少创;杨欢;亓晨;;测绘学报;20180215;第47卷(第02期);269-274 * |
密度聚类方法在点云数据分割中的应用研究;王春晓;庞帅峰;;测绘与空间地理信息;20150125;第38卷(第01期);44-47 * |
Also Published As
Publication number | Publication date |
---|---|
CN114462493A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256574B (zh) | 机器人定位方法及装置 | |
CN105022761B (zh) | 群组查找方法和装置 | |
Chawla et al. | SLOM: a new measure for local spatial outliers | |
CN103207898B (zh) | 一种基于局部敏感哈希的相似人脸快速检索方法 | |
CN113129335B (zh) | 一种基于孪生网络的视觉跟踪算法及多模板更新策略 | |
US9223804B2 (en) | Determining capacity of search structures | |
CN106294577A (zh) | 图片检测方法及装置 | |
WO2018006631A1 (zh) | 一种用户等级自动划分方法及系统 | |
JP5014479B2 (ja) | 画像検索装置、画像検索方法及びプログラム | |
CN116244609A (zh) | 一种客流量统计方法、装置、计算机设备及存储介质 | |
CN112203324B (zh) | 一种基于位置指纹库的mr定位方法及装置 | |
CN115527050A (zh) | 图像特征匹配方法、计算机设备和可读存储介质 | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN109699003B (zh) | 位置确定方法及装置 | |
CN111753953A (zh) | 一种用于获取神经网络架构的方法及装置 | |
CN111309946A (zh) | 一种已建立档案优化方法及装置 | |
CN114462493B (zh) | 聚类方法、聚类装置及计算机可读存储介质 | |
CN111984812B (zh) | 一种特征提取模型生成方法、图像检索方法、装置及设备 | |
CN113792709B (zh) | 快速大规模人脸识别方法及系统 | |
CN106557523A (zh) | 代表性图像选择方法和设备以及对象图像检索方法和设备 | |
CN114048344A (zh) | 一种相似人脸搜索方法、装置、设备和可读存储介质 | |
CN114648056A (zh) | 关联方法、电子设备及计算机可读存储介质 | |
CN112990195A (zh) | 一种面向复杂环境下融入语义信息的slam回环检测方法 | |
CN112637768B (zh) | 基于蜂窝网络的移动终端定位方法及装置 | |
Chiem et al. | Investigating keypoint repeatability for 3D correspondence estimation in cluttered scenes |
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 |