[發(fā)明專利]基于車輛三維輪廓的聚類方法

在審

• 申請?zhí)枺?/td>: 202010564925.4
• 申請日: 2020-06-19
• 公開（公告）號: CN111814847A
• 公開（公告）日: 2020-10-23
• 發(fā)明（設(shè)計）人: 周乾偉;周晨;胡海根;李小薪;郭媛
• 申請（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06K9/00
• 代理公司: 杭州斯可睿專利事務(wù)所有限公司 33241
• 代理人: 王利強(qiáng)

一種基于車輛三維輪廓的聚類方法，通過拍攝實際車輛或者三維模型投影法生成車輛的二值三視圖；計算差異矩陣M，即N輛車兩兩之間的差異性，通過比較三張圖中的差異性，得到最大差異值，可以是不同像素點的總數(shù)；將M進(jìn)行歸一化，可以以最大差異值為基準(zhǔn)；M中元素越大即為不同的像素點個數(shù)越多，相互間的差異性越強(qiáng)，為了能夠表達(dá)相似性以便于聚類，可以將M取反，如M＝1?M；進(jìn)行聚類算法，得到K個不同的類。本發(fā)明能夠可簡單快速的實現(xiàn)輪廓聚類，且能夠突出車輛姿態(tài)估計中所需關(guān)鍵特征上的差異。

技術(shù)領(lǐng)域

本發(fā)明屬于無監(jiān)督學(xué)習(xí)領(lǐng)域，是一種基于車輛三維輪廓差異性進(jìn)行計算實現(xiàn)的車輛聚類方法。

背景技術(shù)

車輛的姿態(tài)估計中往往需要使用到車輛的三維模型，但由于不同品牌不同型號的車輛種類繁多，如果每種車輛的三維模型都參與姿態(tài)估計則勢必會增加姿態(tài)估計算的復(fù)雜性。

發(fā)明內(nèi)容

為了屏蔽無用細(xì)節(jié)對車輛輪廓聚類的影響，本發(fā)明提出一種車輛三維輪廓的聚類方法，可簡單快速的實現(xiàn)輪廓聚類，且能夠突出車輛姿態(tài)估計中所需關(guān)鍵特征上的差異，如車輛長度、車輛高度、車輛后視鏡以及車輪的位置等。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一種基于車輛三維輪廓的聚類方法，所述方法包括以下步驟：

1)獲得車輛的二值三視圖；

2)定義差異矩陣M，表達(dá)N輛車兩兩之間的差異性，并將M進(jìn)行歸一化；

3)對差異矩陣M進(jìn)行相似性處理；

4)根據(jù)處理后所得相似性矩陣，使用機(jī)器學(xué)習(xí)中的無監(jiān)督學(xué)習(xí)算法進(jìn)行聚類，獲得聚類結(jié)果。

進(jìn)一步，所述步驟1)中，根據(jù)所得三視圖對其進(jìn)行二值化處理得到二值三視圖。

再進(jìn)一步，所述步驟2)中，差異矩陣的獲取，通過比較兩兩車輛三視圖中的差異性，將其最大差異性作為矩陣元素值，其元素值有多種表達(dá)差異性的形式，將兩兩車輛三視圖中差異最大值作為元素值、將兩兩車輛三視圖中所具有的不同像素點的數(shù)量的最大值作為元素值。

所述步驟2)中，差異矩陣的歸一化以最大差異值為基準(zhǔn)，使得M中的元素數(shù)值小于等于1，大于等于0。

所述步驟3)中，差異矩陣的相似性處理中，差異矩陣M中元素值越大，則相互間的差異性越強(qiáng)，為了能夠表達(dá)相似性以便于聚類，將M進(jìn)行相似性轉(zhuǎn)換操作，對M進(jìn)行取反，使得M＝1-M。

所述步驟4)中，聚類操作基于機(jī)器學(xué)習(xí)中無監(jiān)督學(xué)習(xí)算法進(jìn)行k-mean聚類，根據(jù)相似矩陣行或列向量各維度上的分布特性計算出各行/列向量的若干個聚類中心，根據(jù)聚類原則將N輛車劃分到各個聚類中心所代表的類別。

本發(fā)明的技術(shù)構(gòu)思為：通過對三維模型進(jìn)行聚類操作可以用少量的三維模型去估計各種不同種類的車輛的姿態(tài)。本發(fā)明提供了一種簡單易用且有效的車輛模型聚類算法。本發(fā)明能夠放大車輛輪廓上的關(guān)鍵差異，例如后視鏡的位置，車輛整體尺寸的差異，車輪的位置等，而對車輛微小細(xì)節(jié)不敏感，特別適用于將輪廓大體相似的車輛聚類為一類。這一特性使得本發(fā)明尤其適用于車輛姿態(tài)估計，因為姿態(tài)估計往往只需模型上的若干關(guān)鍵點，無需考慮模型間細(xì)節(jié)上的差異。當(dāng)用于車輛姿態(tài)估計時，那么估計算法只需要使用處于聚類中心的車輛模型即可匹配該類型的所有不同型號不同品牌的車輛。

本發(fā)明的有益效果為：簡單快速的實現(xiàn)輪廓聚類，且能夠突出車輛姿態(tài)估計中所需關(guān)鍵特征上的差異；極大的減小了當(dāng)前所存在方法的時間復(fù)雜度，極大的提升了應(yīng)用價值。

附圖說明

圖1為本發(fā)明中通過攝像機(jī)拍攝或三維模型投影方式所得到的三視圖示例。

圖2為本發(fā)明主要步驟流程圖。

圖3位本發(fā)明方法處理過程的可視化示例。