[發明專利]一種基于多視圖的無人駕駛場景聚類方法及系統

在審

• 申請號: 202111027470.3
• 申請日: 2021-09-02
• 公開（公告）號: CN113723540A
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 周勁;劉祥道;韓士元;王琳;杜韜;紀科;張坤;趙亞歐
• 申請（專利權）人: 濟南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 閆偉姣

本發明公開了一種基于多視圖的無人駕駛場景聚類方法及系統，包括以下步驟：獲取無人駕駛車輛當前多視圖數據，并進行標準化處理；基于遷移學習對每個視圖進行聚類分析：(1)根據設定的類別數分別進行聚類分析，得到當前隸屬度矩陣；(2)根據該視圖與其他視圖的當前隸屬度矩陣，以及設定的遷移學習因子，對隸屬度矩陣進行更新，得到新的聚類中心，并更新視圖的權重；根據遷移學習前后的聚類結果，判斷是否需要繼續進行遷移學習，若是，更新遷移學習因子，對每個視圖再次進行聚類分析，若否，聚類結束，得到無人駕駛場景的道路識別結果。本發明通過基于激光雷達數據和圖像數據兩個視圖進行場景中道路的識別，數據的利用更為充分，識別精度高。

技術領域

本發明屬于多視圖聚類領域，尤其涉及一種基于多視圖的無人駕駛場景聚類方法及系統。

背景技術

本部分的陳述僅僅是提供了與本公開相關的背景技術信息，不必然構成在先技術。

無人駕駛主要由感知、決策和控制這三個部分組成,而感知是其中極其重要的一環。通過裝備在汽車上的攝像頭、激光雷達、毫米波雷達等傳感器感知獲取多視圖數據，快速準確的獲取自身位置和周圍目標的位置、大小和運動方向等信息,從而保障無人駕駛車輛安全平穩的行駛在道路上。因此，無人駕駛場景中道路和周圍目標的檢測和分類至關重要。

傳統的場景檢測主要基于圖像、激光點云數據等，借助于神經網絡、聚類等機器學習方法實現。其中，聚類算法作為一種無監督的機器學習方法得到廣泛應用。聚類方法按其內在原理又可細分為多種類別，包括劃分聚類、密度聚類和層次聚類等。顯然，傳統的聚類方法對多視圖數據已經不再適用。目前已有的多視圖聚類方法包括多視圖圖聚類、多視圖子空間聚類、基于多核的多視圖聚類、多任務多視圖聚類和協同多視圖聚類等。其中，協同多視圖聚類算法因其可以有效地利用先驗知識并且能夠通過多個視圖之間的信息交互來最大化多個視圖的一致性，在學術界展開了深入的研究。但是，目前的協同多視圖聚類算法的協同學習方法仍然難以有效地挖掘多視圖之間的潛在互補信息，無法獲得較好的聚類效果，導致無人駕駛場景中目標的識別精度較低。此外，這些算法為了保證多視圖的協同效果往往涉及大量的參數，然而在實際應用中人工選擇這些參數是非常困難的。

為了解決傳統聚類算法因目標數據不充分而導致聚類性能低下的問題，大量的科研工作者將遷移學習的思想引入到聚類中，提出了眾多遷移聚類算法。基本思想都是通過學習從聚類較為充分的源域中獲得的知識來提高目標域數據的聚類性能。但是，目前的遷移聚類方法大都是針對于單視圖數據進行聚類，并不適用于無人駕駛多視圖數據的聚類。

發明內容

為克服上述現有技術的不足，本發明提供了一種基于多視圖的無人駕駛場景聚類方法及系統。本發明通過基于激光雷達數據和圖像數據兩個視圖進行場景中道路的識別，實現遷移學習技術和協同多視圖聚類算法的有機結合，數據的利用更為充分，識別精度更高。

為實現上述目的，本發明的一個或多個實施例提供了如下技術方案：

一種基于多視圖的無人駕駛場景聚類方法，包括以下步驟：

獲取無人駕駛車輛當前多視圖數據，所述多視圖數據包括激光雷達數據和圖像數據；

基于遷移學習對每個視圖進行聚類分析：

(1)根據設定的類別數分別進行聚類分析，得到當前隸屬度矩陣；

(2)根據該視圖與其他視圖的當前隸屬度矩陣，以及設定的遷移學習因子，對隸屬度矩陣進行更新，得到新的聚類中心，并更新視圖的權重；

根據遷移學習前后的聚類結果，判斷是否需要繼續進行遷移學習，若是，更新遷移學習因子，對每個視圖再次進行聚類分析，若否，聚類結束，得到無人駕駛場景的道路識別結果。

進一步地，獲取多視圖數據后，還進行標準化處理：分別基于激光雷達數據和圖像數據獲取無人駕駛車輛前方的深度數據，得到多維數據集。