CN112348827A - 一种基于聚类算法的vr游戏***和方法 - Google Patents

一种基于聚类算法的vr游戏***和方法 Download PDF

Info

Publication number
CN112348827A
CN112348827A CN202011158295.7A CN202011158295A CN112348827A CN 112348827 A CN112348827 A CN 112348827A CN 202011158295 A CN202011158295 A CN 202011158295A CN 112348827 A CN112348827 A CN 112348827A
Authority
CN
China
Prior art keywords
class
pixel
current environment
category
environment image
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.)
Granted
Application number
CN202011158295.7A
Other languages
English (en)
Other versions
CN112348827B (zh
Inventor
罗子尧
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.)
Shenzhen Ruiyun Technology Co ltd
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202011158295.7A priority Critical patent/CN112348827B/zh
Publication of CN112348827A publication Critical patent/CN112348827A/zh
Application granted granted Critical
Publication of CN112348827B publication Critical patent/CN112348827B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/40—Processing input control signals of video game devices, e.g. signals generated by the player or derived from the environment
    • A63F13/42—Processing input control signals of video game devices, e.g. signals generated by the player or derived from the environment by mapping the input signals into game commands, e.g. mapping the displacement of a stylus on a touch screen to the steering angle of a virtual vehicle
    • A63F13/428—Processing input control signals of video game devices, e.g. signals generated by the player or derived from the environment by mapping the input signals into game commands, e.g. mapping the displacement of a stylus on a touch screen to the steering angle of a virtual vehicle involving motion or position input signals, e.g. signals representing the rotation of an input controller or a player's arm motions sensed by accelerometers or gyroscopes
    • 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
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种基于聚类算法的VR游戏***和方法，用户在佩戴好VR头戴显示器进行VR游戏中时，VR头戴显示器朝向外界真实环境的摄像头将实时获取真实环境的当前环境图像，并对该当前环境图像采用FCM聚类算法进行区域分割，并识别出存在障碍物的目标区域对用户进行适当的提示，避免游戏中的用户和障碍物之间产生不必要的伤害，保障用户在进行VR游戏过程中的安全性。

Description

一种基于聚类算法的VR游戏***和方法
技术领域
本申请涉及虚拟现实技术领域，具体涉及一种基于聚类算法的VR游戏***和方法。
背景技术
随着虚拟现实(Virtual Reality，VR)技术的不断发展和设备成本的不断降低，虚拟现实已经逐渐走入了人们的学习、工作和娱乐。由此许多游戏公司开发出基于虚拟现实技术的游戏，基于虚拟现实技术的游戏能够在游戏中构建更加逼真的游戏情境，给玩者带来更强沉浸感的游戏体验。
但是在VR游戏中的用户往往沉浸于VR眼镜所显示的虚拟场景中，无法观察周围真实环境的特性。因此，周围环境中突然出现的人或物体则有可能被沉浸于游戏中的用户伤害，也有可能会绊倒沉浸于游戏中的用户，造成一定的安全风险。
发明内容
针对现有技术中的缺陷，本申请提供一种基于聚类算法的VR游戏***和方法，用户在佩戴好VR头戴显示器进行VR游戏中时，VR头戴显示器朝向外界真实环境的摄像头将实时获取真实环境的当前环境图像，并对该当前环境图像采用FCM聚类算法进行区域分割，并识别出存在障碍物的目标区域对用户进行适当的提示，避免游戏中的用户和障碍物之间产生不必要的伤害。
第一方面，本申请公开了一种基于聚类算法的VR游戏方法，包括：
通过摄像头获取当前环境图像；
利用FCM聚类算法对滤波处理后的所述当前环境图像进行区域分割；
对分割后的各个当前环境图像区域进行识别，判断各个所述当前环境图像区域中是否存在障碍物；
将存在障碍物的所述当前环境图像区域确定为目标区域；
在所述目标区域内显示虚拟警示图像。
可以理解，本申请提供一种基于聚类算法的VR游戏***和方法和终端设备，用户在佩戴好VR头戴显示器进行VR游戏中时，VR头戴显示器朝向外界真实环境的摄像头将实时获取真实环境的当前环境图像，并对该当前环境图像采用FCM聚类算法进行区域分割，并识别出存在障碍物的目标区域对用户进行适当的提示，避免游戏中的用户和障碍物之间产生不必要的伤害，保障用户在进行VR游戏过程中的安全性。
作为一种可选的实施方式，在所述将存在障碍物的所述当前环境图像区域确定为目标区域之后，所述方法还包括：暂停所述VR游戏中的当前动画和音频播放。
可以理解，识别出存在障碍物的目标区域后，应该对用户进行适当的提示，以避免游戏中的用户和障碍物之间产生不必要的伤害。提示的方式可以是多种的，其中可以包括暂停VR游戏中的当前动画和音频播放，使游戏中用户意识到当前的真实环境中可能存在安全隐患，停止游戏或者移动身体至其他位置继续游戏。
作为一种可选的实施方式，所述利用FCM聚类算法对滤波处理后的所述当前环境图像进行区域分割，包括：
接收聚类算法参数，所述聚类算法参数包括模糊指数m、迭代停止阈值ε和最大迭代次数L；
接收聚类类别数集合c，其中c＝{ch,ch＝1,2,…,20}，所述ch为聚类类别数；
通过FCM聚类算法基于所述聚类算法参数和所述聚类类别数集合c中的各个聚类类别数ch对滤波处理后的所述当前环境图像进行区域分割，得到图像分割结果集合P；
其中P＝{Ct,t＝1,2,…,20}，Ct＝{Cp,p＝1,2,…,ch}；
其中，Ct表示通过FCM聚类算法基于所述聚类算法参数和所述聚类类别数ch对滤波处理后的所述当前环境图像进行区域分割后所得到的类别集合；其中，Cp表示所述当前环境图像中的第p个类别，即所述当前环境图像中对于类别Cp具有最大隶属度的像素集合；
通过采用聚类有效性指标函数J(Ct)对所述图像分割结果集合P中的各个所述类别集合Ct进行计算，得到聚类有效性指标值集合J',其中J'＝{Jz,z＝1,2,…,20}；
在所述聚类有效性指标值集合J'中选出最小值Jmin,确定所述最小值Jmin对应的聚类类别数为目标聚类类别数cx；
确定通过FCM聚类算法基于所述聚类算法参数和所述目标聚类类别数cx对滤波处理后的所述当前环境图像进行区域分割后所得到的类别集合Cx为最终的目标区域分割结果。
可以理解，通过FCM聚类算法基于不同的聚类类别数对当前环境图像进行区域分割将得到不同的区域分割结果。在图像分割的过程中，各图像区域的边缘像素较容易出现错分的情况，比如某个类别的领域类别的边缘像素对该类别可能具有较大隶属度，同样的，该类别的边缘像素对领域类别也可能具有较大隶属度。本申请可以采用聚类有效性指标函数J(Ct)来确定FCM聚类算法的最优聚类类别数，即目标聚类类别数cx，当所述聚类有效性指标值Jz取得最小值时，此时的类别数即为最优聚类数。通过FCM聚类算法基于最优聚类数对滤波处理后的当前环境图像进行区域分割后所得到的类别集合为最优区域分割结果，即最终的目标区域分割结果。本申请提出的聚类有效性指标通过对类别之间较容易出现错分的边缘像素进行检测，能够更加准确的衡量出图像分割过程中类间的分离度和重叠度。
作为一种可选的实施方式，所述通过采用聚类有效性指标函数J(Ct)对所述图像分割结果集合P中的各个所述类别集合Ct进行计算，包括：
计算各个所述类别集合Ct的第一紧密度衡量系数ρ(Cp)和第二紧密度衡量系数ρ(Cp'(Cp,q))，其中，所述第一紧密度衡量系数ρ(Cp)代表类别Cp中像素的紧密度衡量系数，所述第二紧密度衡量系数ρ(Cp'(Cp,q))代表集合Cp'(Cp,q)中像素的紧密度衡量系数，其中，Cp'(Cp,q)表示类别Cp中的像素和集合Cp,2(Cp,q)中的像素组成的集合，其中，所述集合Cp,2(Cp,q)表示类别Cp,q中对于类别Cp具有第二大隶属度且该隶属度大于预设隶属度阈值μ0的像素组成的集合，其中，Cp,q表示类别Cp的第q个邻域类别；
计算各个所述类别集合Ct的综合间分离度衡量系数D(Cp)；
通过以下公式计算所述聚类有效性指标函数J(Ct)：
Figure BDA0002743494600000041
可以理解，其中预设隶属度阈值μ0可以有厂家进行出厂设置，比如μ0的值可以设置为0.3。该聚类有效性指标函数中包含有第一紧密度衡量系数ρ(Cp)和综合间分离度衡量系数D(Cp)，即FCM聚类算法的聚类效果的好坏由第一紧密度衡量系数ρ(Cp)和综合间分离度衡量系数D(Cp)来决定。
作为一种可选的实施方式，所述计算各个所述类别集合Ct的第一紧密度衡量系数ρ(Cp)和第二紧密度衡量系数ρ(Cp'(Cp,q))，包括：
通过以下公式对所述第一紧密度衡量系数ρ(Cp)进行计算：
Figure BDA0002743494600000042
通过以下公式对所述第二紧密度衡量系数ρ(Cp'(Cp,q))进行计算：
Figure BDA0002743494600000051
其中，I′(ar，br)表示类别Cp中坐标(ar，br)处的像素，f′(ar，br)表示像素I′(ar，br)的灰度值，Vp表示类别Cp的聚类中心像素，f′(Vp)表示聚类中心像素Vp的灰度值，N(Cp)表示类别Cp中的像素数，I′(az，bz)表示类别Cp中坐标(az，bz)处的像素，f′(az，bz)表示像素I′(az，bz)的灰度值，I′(AR，BR)表示集合C′p(Cp，q)中坐标(AR，BR)处的像素，f′(AR，BR)表示像素I′(AR，BR)的灰度值，I′(AZ，BZ)表示集合C′p(Cp，q)中坐标(AZ，BZ)处的像素，f′(AZ，BZ)表示像素I′(AZ，BZ)的灰度值，N(C′p(Cp，q))表示集合C′p(Cp，q)中的像素数。
作为一种可选的实施方式，所述计算各个所述类别集合Ct的综合间分离度衡量系数D(Cp)，包括：
通过以下公式对所述综合间分离度衡量系数D(Cp)进行计算：
Figure BDA0002743494600000052
其中，D1(Cp，Cp，q)表示类别Cp和邻域类别Cp，q之间的第一类间分离度衡量系数，D2(Cp，Cp，q)表示类别Cp和邻域类别Cp，q之间的第二类间分离度衡量系数，y(Cp)表示集合Ct中存在的类别Cp的邻域类别数。
可以理解，综合间分离度衡量系数D(Cp)中包含有第一类间分离度衡量系数D1(Cp，Cp，q)和第二类间分离度衡量系数D2(Cp，Cp，q)，即FCM聚类算法的聚类效果的好坏亦由第一类间分离度衡量系数D1(Cp，Cp，q)和第二类间分离度衡量系数D2(Cp，Cp，q)来决定。
作为一种可选的实施方式，所述计算各个所述类别集合Ct的第一类间分离度衡量系数D1(Cp，Cp，q)和第二类间分离度衡量系数D2(Cp，Cp，q)，还包括：
通过以下公式对所述第一类间分离度衡量系数D1(Cp，Cp，q)进行计算：
Figure BDA0002743494600000061
通过以下公式对所述第二类间分离度衡量系数D2(Cp，Cp，q)进行计算：
Figure BDA0002743494600000062
其中，
Figure BDA0002743494600000063
表示类别Cp中像素灰度值的均值，
Figure BDA0002743494600000064
表示邻域类别Cp，q中像素灰度值的均值，I′(αg，βg)表示集合Cp，q，2(Cp)中坐标(αg，βg)处的像素，f′(αg，βg)表示像素I′(αg，βg)的灰度值，I′(dw，ew)表示集合Cp，2(Cp，q)中坐标(dw，ew)处的像素，f′(dw，ew)表示像素I′(dw，ew)的灰度值，N(Cp，q，2(Cp))表示集合Cp，q，2(Cp)中的像素数，N(Cp，2(Cp，q))表示集合Cp，2(Cp，q)中的像素数。
可以理解，在计算类别的第一类间分离度衡量系数D1(Cp，Cp，q)时，将选取的待衡量类别的可能边缘像素和待衡量类别中的像素组成一个新的集合，并将该新的集合的紧密度衡量系数和待衡量类别的紧密度衡量系数进行比较，两者之间的差值越小，越表明选取的可能边缘像素具有较大的概率属于待衡量类别，此时，待衡量类别的第一类间分离度衡量系数的正弦部分的值越小，即减小了待衡量类别的第一类间分离度衡量系数，而两者之间的差值越大，越表明选取的可能边缘像素具有较小概率属于待衡量类别，此时，增加待衡量类别的第一类间分离度衡量系数；
在计算类待衡量类别的第二类间分离度衡量系数D2(Cp，Cp，q)时，将选取的待衡量类别的可能边缘像素和选取的其邻域类别的可能边缘像素进行比较，当其差值越小时，越表明待衡量类别和其邻域类别之间的重叠度较大，此时，待衡量类别的第二类间分离度衡量系数的值较小，当其差值越大时，越表明待衡量类别和其邻域类别之间的重叠度越小，即表明该区域的边缘像素得到了有效的划分，此时，待衡量类别的第二类间分离度衡量系数的值较大；即相较于传统的聚类有效性指标用来衡量类间分离度的方式，
第二方面，本申请公开了一种VR游戏安全保障终端设备，该终端设备用于执行上述任一种基于聚类算法的VR游戏***和方法，包括：
摄像头、聚类计算模块、识别模块和处理模块；
所述摄像头，用于通过摄像头获取当前环境图像；
所述聚类计算模块，用于利用FCM聚类算法对滤波处理后的所述当前环境图像进行区域分割；
所述识别模块，用于对分割后的各个当前环境图像区域进行识别，判断各个所述当前环境图像区域中是否存在障碍物；将存在障碍物的所述当前环境图像区域确定为目标区域；
所述处理模块，用于在所述目标区域内显示虚拟警示图像。
第三方面，本申请还公开了一种终端设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面所述的方法。
第四方面，本申请还公开了一种计算机可读存储介质，该计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面所述的方法。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本申请实施例提供的一种基于聚类算法的VR游戏***和方法的流程示意图；
图2为本申请实施例提供的一种VR游戏***终端设备的连接示意图；
图3为本申请实施例提供的一种终端设备的连接示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本发明实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者终端设备中还存在另外的相同要素。
随着虚拟现实(Virtual Reality，VR)技术的不断发展和设备成本的不断降低，虚拟现实已经逐渐走入了人们的学习、工作和娱乐。由此许多游戏公司开发出基于虚拟现实技术的游戏，基于虚拟现实技术的游戏能够在游戏中构建更加逼真的游戏情境，给玩者带来更强沉浸感的游戏体验。
但是在VR游戏中的用户往往沉浸于VR眼镜所显示的虚拟场景中，无法观察周围真实环境的特性。因此，周围环境中突然出现的人或物体则有可能被沉浸于游戏中的用户伤害，也有可能会绊倒沉浸于游戏中的用户，造成一定的安全风险。比如，当用户正在挥舞手柄模拟兵器在VR游戏中大战“怪兽”时，突然闯入游戏区域的人或宠物则可能被游戏中的用户击伤；当用户正在VR游戏的虚拟环境中行走时，游戏区域内的桌子、柜子等障碍物也可能会绊倒用户。
第一方面，如图1所示，本申请公开了一种基于聚类算法的VR游戏***和方法，包括：
101、通过摄像头获取当前环境图像。
在本申请实施例中，VR游戏安全保障方法主要应用于用户所佩戴的VR头戴显示设备上，该VR头戴显示设备朝向真实环境的一侧设置有摄像头以实时拍摄用户所处的当前环境图像。
102、利用FCM聚类算法对滤波处理后的当前环境图像进行区域分割。
在本申请实施例中，模糊均值聚类算法(Fuzzy C-means,FCM)作为一种典型的非监督聚类算法，是对传统C均值算法的改进。它将模糊集的概念引入进聚类分析里，使对象并不只有“属于”和“不属于”这两种极端状态，而是可以用[0，1]之间的隶属度函数来表示其属于各种类别的程度。FCM算法是在模糊数学基础上对K均值算法的推广，是通过最优化一个模糊目标函数实现聚类，它不像K均值聚类那样认为每个点只能属于某一类，而是赋予每个点一个对各类的隶属度，用隶属度更好地描述边缘像素亦此亦彼的特点，适合处理事物内在的不确定性。利用FCM算法非监督模糊聚类标定的特点进行图像分割，可以减少人为的干预，且较适合图像中存在不确定性和模糊性的特点。
103、对分割后的各个当前环境图像区域进行识别，判断各个当前环境图像区域中是否存在障碍物。
在本申请实施例中，“对分割后的各个当前环境图像区域进行识别”可以包括：利用卷积神经网络图像处理技术提取当前环境图像区域的图像特征，得到当前环境图像区域的图像特征图，图像特征图中包含障碍物元素；对所述图像特征图中的障碍物元素进行内容识别，得到障碍物识别结果。
在本申请实施例中，障碍物是指出现在用户VR游戏区域内的人或物。比如，当用户正在挥舞手柄模拟兵器在VR游戏中大战“怪兽”时，突然闯入游戏区域的人或宠物则可能被游戏中的用户击伤；当用户正在VR游戏的虚拟环境中行走时，游戏区域内的桌子、柜子等障碍物也可能会绊倒用户。
104、将存在障碍物的当前环境图像区域确定为目标区域。
105、在目标区域内显示虚拟警示图像。
在本申请实施例中，当确认了存在障碍物的目标区域后应该通过各种方式提醒用户小心避让障碍物或者停止游戏。其中，较为有效地提醒方式是通过VR头戴显示器在游戏画面中对应目标区域的位置显示虚拟警示图像，比如报警图标等。
可以理解，本申请提供一种基于聚类算法的VR游戏***和方法和终端设备，用户在佩戴好VR头戴显示器进行VR游戏中时，VR头戴显示器朝向外界真实环境的摄像头将实时获取真实环境的当前环境图像，并对该当前环境图像采用FCM聚类算法进行区域分割，并识别出存在障碍物的目标区域对用户进行适当的提示，避免游戏中的用户和障碍物之间产生不必要的伤害，保障用户在进行VR游戏过程中的安全性。
作为一种可选的实施方式，在将存在障碍物的当前环境图像区域确定为目标区域之后，方法还包括：暂停VR游戏中的当前动画和音频播放。
可以理解，识别出存在障碍物的目标区域后，应该对用户进行适当的提示，以避免游戏中的用户和障碍物之间产生不必要的伤害。提示的方式可以是多种的，其中可以包括暂停VR游戏中的当前动画和音频播放，使游戏中用户意识到当前的真实环境中可能存在安全隐患，停止游戏或者移动身体至其他位置继续游戏。
作为一种可选的实施方式，利用FCM聚类算法对滤波处理后的当前环境图像进行区域分割，包括：
接收聚类算法参数，聚类算法参数包括模糊指数m、迭代停止阈值ε和最大迭代次数L；
接收聚类类别数集合c，其中c＝{ch,ch＝1,2,…,20}，ch为聚类类别数；
通过FCM聚类算法基于聚类算法参数和聚类类别数集合c中的各个聚类类别数ch对滤波处理后的当前环境图像进行区域分割，得到图像分割结果集合P；
其中P＝{Ct,t＝1,2,…,20}，Ct＝{Cp,p＝1,2,…,ch}；
其中，Ct表示通过FCM聚类算法基于聚类算法参数和聚类类别数ch对滤波处理后的当前环境图像进行区域分割后所得到的类别集合；其中，Cp表示当前环境图像中的第p个类别，即当前环境图像中对于类别Cp具有最大隶属度的像素集合；
通过采用聚类有效性指标函数J(Ct)对图像分割结果集合P中的各个类别集合Ct进行计算，得到聚类有效性指标值集合J',其中J'＝{Jz,z＝1,2,…,20}；
在聚类有效性指标值集合J'中选出最小值Jmin,确定最小值Jmin对应的聚类类别数为目标聚类类别数cx；
确定通过FCM聚类算法基于聚类算法参数和目标聚类类别数cx对滤波处理后的当前环境图像进行区域分割后所得到的类别集合Cx为最终的目标区域分割结果。
在本申请实施例中，设Cp′表示当前环境图像中的第p′个类别，当类别Cp′中的边缘像素和类别Cp的边缘像素相邻时，则类别Cp′即为类别Cp的邻域类别，设Y(Cp)表示类别Cp在当前环境图像中的邻域类别集合，且Y(Cp)＝{Cp，q，q＝1，...，y(Cp)}，其中，Cp，q表示类别Cp的第q个邻域类别，y(Cp)表示集合C(I′)中存在的类别Cp的邻域类别数。
可以理解，通过FCM聚类算法基于不同的聚类类别数对当前环境图像进行区域分割将得到不同的区域分割结果。在图像分割的过程中，各图像区域的边缘像素较容易出现错分的情况，比如某个类别的领域类别的边缘像素对该类别可能具有较大隶属度，同样的，该类别的边缘像素对领域类别也可能具有较大隶属度。本申请可以采用聚类有效性指标函数J(Ct)来确定FCM聚类算法的最优聚类类别数，即目标聚类类别数cx，当聚类有效性指标值Jz取得最小值时，此时的类别数即为最优聚类数。通过FCM聚类算法基于最优聚类数对滤波处理后的当前环境图像进行区域分割后所得到的类别集合为最优区域分割结果，即最终的目标区域分割结果。本申请提出的聚类有效性指标通过对类别之间较容易出现错分的边缘像素进行检测，能够更加准确的衡量出图像分割过程中类间的分离度和重叠度。
作为一种可选的实施方式，通过采用聚类有效性指标函数J(Ct)对图像分割结果集合P中的各个类别集合Ct进行计算，包括：
计算各个类别集合Ct的第一紧密度衡量系数ρ(Cp)和第二紧密度衡量系数ρ(Cp'(Cp,q))，其中，第一紧密度衡量系数ρ(Cp)代表类别Cp中像素的紧密度衡量系数，第二紧密度衡量系数ρ(Cp'(Cp,q))代表集合Cp'(Cp,q)中像素的紧密度衡量系数，其中，Cp'(Cp,q)表示类别Cp中的像素和集合Cp,2(Cp,q)中的像素组成的集合，其中，集合Cp,2(Cp,q)表示类别Cp,q中对于类别Cp具有第二大隶属度且该隶属度大于预设隶属度阈值μ0的像素组成的集合，其中，Cp,q表示类别Cp的第q个邻域类别；
计算各个类别集合Ct的综合间分离度衡量系数D(Cp)；
通过以下公式计算聚类有效性指标函数J(Ct)：
Figure BDA0002743494600000131
可以理解，其中预设隶属度阈值μ0可以有厂家进行出厂设置，比如μ0的值可以设置为0.3。该聚类有效性指标函数中包含有第一紧密度衡量系数ρ(Cp)和综合间分离度衡量系数D(Cp)，即FCM聚类算法的聚类效果的好坏由第一紧密度衡量系数ρ(Cp)和综合间分离度衡量系数D(Cp)来决定。
作为一种可选的实施方式，计算各个类别集合Ct的第一紧密度衡量系数ρ(Cp)和第二紧密度衡量系数ρ(Cp'(Cp,q))，包括：
通过以下公式对第一紧密度衡量系数ρ(Cp)进行计算：
Figure BDA0002743494600000132
通过以下公式对第二紧密度衡量系数ρ(Cp'(Cp,q))进行计算：
Figure BDA0002743494600000133
其中，I′(ar，br)表示类别Cp中坐标(ar，br)处的像素，f′(ar，br)表示像素I′(ar，br)的灰度值，Vp表示类别Cp的聚类中心像素，f′(Vp)表示聚类中心像素Vp的灰度值，N(Cp)表示类别Cp中的像素数，I′(az，bz)表示类别Cp中坐标(az，bz)处的像素，f′(az，bz)表示像素I′(az，bz)的灰度值，I′(AR，BR)表示集合C′p(Cp，q)中坐标(AR，BR)处的像素，f′(AR，BR)表示像素I′(AR，BR)的灰度值，I′(AZ，BZ)表示集合C′p(Cp，q)中坐标(AZ，BZ)处的像素，f′(AZ，BZ)表示像素I′(AZ，BZ)的灰度值，N(C′p(Cp，q))表示集合C′p(Cp，q)中的像素数。
作为一种可选的实施方式，计算各个类别集合Ct的综合间分离度衡量系数D(Cp)，包括：
通过以下公式对综合间分离度衡量系数D(Cp)进行计算：
Figure BDA0002743494600000141
其中，D1(Cp，Cp，q)表示类别Cp和邻域类别Cp，q之间的第一类间分离度衡量系数，D2(Cp，Cp，q)表示类别Cp和邻域类别Cp，q之间的第二类间分离度衡量系数，y(Cp)表示集合Ct中存在的类别Cp的邻域类别数。
可以理解，综合间分离度衡量系数D(Cp)中包含有第一类间分离度衡量系数D1(Cp，Cp，q)和第二类间分离度衡量系数D2(Cp，Cp，q)，即FCM聚类算法的聚类效果的好坏亦由第一类间分离度衡量系数D1(Cp，Cp，q)和第二类间分离度衡量系数D2(Cp，Cp，q)来决定。
作为一种可选的实施方式，计算各个类别集合Ct的第一类间分离度衡量系数D1(Cp，Cp，q)和第二类间分离度衡量系数D2(Cp，Cp，q)，还包括：
通过以下公式对第一类间分离度衡量系数D1(Cp，Cp，q)进行计算：
Figure BDA0002743494600000142
通过以下公式对第二类间分离度衡量系数D2(Cp，Cp，q)进行计算：
Figure BDA0002743494600000143
其中，
Figure BDA0002743494600000144
表示类别Cp中像素灰度值的均值，
Figure BDA0002743494600000145
表示邻域类别Cp，q中像素灰度值的均值，I′(αg，βg)表示集合Cp，q，2(Cp)中坐标(αg，βg)处的像素，f′(αg，βg)表示像素I′(αg，βg)的灰度值，I′(dw，ew)表示集合Cp，2(Cp，q)中坐标(dw，ew)处的像素，f′(dw，ew)表示像素I′(dw，ew)的灰度值，N(Cp，q，2(Cp))表示集合Cp，q，2(Cp)中的像素数，N(Cp，2(Cp，q))表示集合Cp，2(Cp，q)中的像素数。
可以理解，在计算类别的第一类间分离度衡量系数D1(Cp，Cp，q)时，将选取的待衡量类别的可能边缘像素和待衡量类别中的像素组成一个新的集合，并将该新的集合的紧密度衡量系数和待衡量类别的紧密度衡量系数进行比较，两者之间的差值越小，越表明选取的可能边缘像素具有较大的概率属于待衡量类别，此时，待衡量类别的第一类间分离度衡量系数的正弦部分的值越小，即减小了待衡量类别的第一类间分离度衡量系数，而两者之间的差值越大，越表明选取的可能边缘像素具有较小概率属于待衡量类别，此时，增加待衡量类别的第一类间分离度衡量系数；
在计算类待衡量类别的第二类间分离度衡量系数D2(Cp，Cp，q)时，将选取的待衡量类别的可能边缘像素和选取的其邻域类别的可能边缘像素进行比较，当其差值越小时，越表明待衡量类别和其邻域类别之间的重叠度较大，此时，待衡量类别的第二类间分离度衡量系数的值较小，当其差值越大时，越表明待衡量类别和其邻域类别之间的重叠度越小，即表明该区域的边缘像素得到了有效的划分，此时，待衡量类别的第二类间分离度衡量系数的值较大；即相较于传统的聚类有效性指标用来衡量类间分离度的方式，
第二方面，如图2所示，本申请公开了一种VR游戏终端设备，该终端设备用于执行上述任一种基于聚类算法的VR游戏***和方法，包括：
摄像头201、聚类计算模块202、识别模块203和处理模块204；
摄像头201，用于通过摄像头201获取当前环境图像；
聚类计算模块202，用于利用FCM聚类算法对滤波处理后的当前环境图像进行区域分割；
识别模块203，用于对分割后的各个当前环境图像区域进行识别，判断各个当前环境图像区域中是否存在障碍物；将存在障碍物的当前环境图像区域确定为目标区域；
处理模块204，用于在目标区域内显示虚拟警示图像。
需要说明的是，图2所示的VR游戏安全保障终端设备的各功能设备的功能可根据图1所示的方法实施例中的方法具体实现，其具体实现过程可以参照图1的方法实施例的相关描述，此处不再赘述。
第三方面，本申请还公开了另一种终端设备。如图3所示的本实施例中的终端设备可以包括：一个或多个处理器301；一个或多个输入设备302，一个或多个输出设备303和存储器304。上述处理器301、输入设备302、输出设备303和存储器304通过总线305连接。存储器502用于存储计算机程序，该计算机程序包括程序指令，处理器301用于执行存储器502存储的程序指令。其中，处理器301被配置用于调用该程序指令执行以下操作：
通过摄像头获取当前环境图像；
利用FCM聚类算法对滤波处理后的当前环境图像进行区域分割；
对分割后的各个当前环境图像区域进行识别，判断各个当前环境图像区域中是否存在障碍物；
将存在障碍物的当前环境图像区域确定为目标区域；
在目标区域内显示虚拟警示图像。
应当理解，在本发明实施例中，所称处理器301可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备302可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备303可以包括显示器(LCD等)、扬声器等。
该存储器304可以包括只读存储器和随机存取存储器，并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如，存储器304还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器301、输入设备302、输出设备303可执行本发明实施例提供的续航测试的方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端设备的实现方式，在此不再赘述。
第四方面，在本发明的另一实施例中提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令被处理器执行时实现：
通过摄像头获取当前环境图像；
利用FCM聚类算法对滤波处理后的当前环境图像进行区域分割；
对分割后的各个当前环境图像区域进行识别，判断各个当前环境图像区域中是否存在障碍物；
将存在障碍物的当前环境图像区域确定为目标区域；
在目标区域内显示虚拟警示图像。
上述计算机可读存储介质可以是前述任一实施例的终端设备的内部存储单元，例如终端设备的硬盘或内存。上述计算机可读存储介质也可以是上述终端设备的外部存储设备，例如上述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，上述计算机可读存储介质还可以既包括上述终端设备的内部存储单元也包括外部存储设备。上述计算机可读存储介质用于存储上述计算机程序以及上述终端设备所需的其他程序和数据。上述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例中方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。

Claims (10)

1.一种基于聚类算法的VR游戏方法，其特征在于，包括：
通过摄像头获取当前环境图像；
利用FCM聚类算法对滤波处理后的所述当前环境图像进行区域分割；
对分割后的各个当前环境图像区域进行识别，判断各个所述当前环境图像区域中是否存在障碍物；
将存在障碍物的所述当前环境图像区域确定为目标区域；
在所述目标区域内显示虚拟警示图像。
2.根据权利要求1所述的VR游戏方法，其特征在于，
在所述将存在障碍物的所述当前环境图像区域确定为目标区域之后，所述方法还包括：
暂停所述VR游戏中的当前动画和音频播放。
3.根据权利要求1所述的VR游戏方法，其特征在于，
所述利用FCM聚类算法对滤波处理后的所述当前环境图像进行区域分割，包括：
接收聚类算法参数，所述聚类算法参数包括模糊指数m、迭代停止阈值ε和最大迭代次数L；
接收聚类类别数集合c，其中c＝{ch，ch＝1，2，…，20}，所述ch为聚类类别数；
通过FCM聚类算法基于所述聚类算法参数和所述聚类类别数集合c中的各个聚类类别数ch对滤波处理后的所述当前环境图像进行区域分割，得到图像分割结果集合P；
其中P＝{Ct，t＝1，2，…，20}，Ct＝{Cp，p＝1，2，…，ch}；
其中，Ct表示通过FCM聚类算法基于所述聚类算法参数和所述聚类类别数ch对滤波处理后的所述当前环境图像进行区域分割后所得到的类别集合；其中，Cp表示所述当前环境图像中的第p个类别，即所述当前环境图像中对于类别Cp具有最大隶属度的像素集合；
通过采用聚类有效性指标函数J(Ct)对所述图像分割结果集合P中的各个所述类别集合Ct进行计算，得到聚类有效性指标值集合J′，其中J′＝{Jz，z＝1，2，…，20}；
在所述聚类有效性指标值集合J′中选出最小值Jmin，确定所述最小值Jmin对应的聚类类别数为目标聚类类别数cx；
确定通过FCM聚类算法基于所述聚类算法参数和所述目标聚类类别数cx对滤波处理后的所述当前环境图像进行区域分割后所得到的类别集合Cx为最终的目标区域分割结果。
4.根据权利要求3所述的VR游戏方法，其特征在于，
所述通过采用聚类有效性指标函数J(Ct)对所述图像分割结果集合P中的各个所述类别集合Ct进行计算，包括：
计算各个所述类别集合Ct的第一紧密度衡量系数ρ(Cp)和第二紧密度衡量系数ρ(Cp′(Cp，q))，其中，所述第一紧密度衡量系数ρ(Cp)代表类别Cp中像素的紧密度衡量系数，所述第二紧密度衡量系数ρ(Cp′(Cp，q))代表集合Cp′(Cp，q)中像素的紧密度衡量系数，其中，Cp′(Cp，q)表示类别Cp中的像素和集合Cp，2(Cp，q)中的像素组成的集合，其中，所述集合Cp，2(Cp，q)表示类别Cp，q中对于类别Cp具有第二大隶属度且该隶属度大于预设隶属度阈值μ0的像素组成的集合，其中，Cp，q表示类别Cp的第q个邻域类别；
计算各个所述类别集合Ct的综合间分离度衡量系数D(Cp)；
通过以下公式计算所述聚类有效性指标函数J(Ct)：
Figure FDA0002743494590000021
5.根据权利要求4所述的VR游戏方法，其特征在于，
所述计算各个所述类别集合Ct的第一紧密度衡量系数ρ(Cp)和第二紧密度衡量系数ρ(Cp′(Cp，q))，包括：
通过以下公式对所述第一紧密度衡量系数ρ(Cp)进行计算：
Figure FDA0002743494590000031
通过以下公式对所述第二紧密度衡量系数ρ(Cp′(Cp，q))进行计算：
Figure FDA0002743494590000032
其中，I′(ar，br)表示类别Cp中坐标(ar，br)处的像素，f′(ar，br)表示像素I′(ar，br)的灰度值，Vp表示类别Cp的聚类中心像素，f′(Vp)表示聚类中心像素Vp的灰度值，N(Cp)表示类别Cp中的像素数，I′(az，bz)表示类别Cp中坐标(az，bz)处的像素，f′(az，bz)表示像素I′(az，bz)的灰度值，I′(AR，BR)表示集合C′p(Cp，q)中坐标(AR，BR)处的像素，f′(AR，BR)表示像素I′(AR，BR)的灰度值，I′(AZ，BZ)表示集合C′p(Cp，q)中坐标(AZ，BZ)处的像素，f′(AZ，BZ)表示像素I′(AZ，BZ)的灰度值，N(C′p(Cp，q))表示集合C′p(Cp，q)中的像素数。
6.根据权利要求5所述的VR游戏安全方法，其特征在于，
所述计算各个所述类别集合Ct的综合间分离度衡量系数D(Cp)，包括：
通过以下公式对所述综合间分离度衡量系数D(Cp)进行计算：
Figure FDA0002743494590000033
其中，D1(Cp，Cp，q)表示类别Cp和邻域类别Cp，q之间的第一类间分离度衡量系数，D2(Cp，Cp，q)表示类别Cp和邻域类别Cp，q之间的第二类间分离度衡量系数，y(Cp)表示集合Ct中存在的类别Cp的邻域类别数。
7.根据权利要求6所述的VR游戏方法，其特征在于，
所述计算各个所述类别集合Ct的第一类间分离度衡量系数D1(Cp，Cp，q)和第二类间分离度衡量系数D2(Cp，Cp，q)，还包括：
通过以下公式对所述第一类间分离度衡量系数D1(Cp，Cp，q)进行计算：
Figure FDA0002743494590000041
通过以下公式对所述第二类间分离度衡量系数D2(Cp，Cp，q)进行计算：
Figure FDA0002743494590000042
其中，
Figure FDA0002743494590000043
表示类别Cp中像素灰度值的均值，
Figure FDA0002743494590000044
表示邻域类别Cp，q中像素灰度值的均值，I′(αg，βg)表示集合Cp，q，2(Cp)中坐标(αg，βg)处的像素，f′(αg，βg)表示像素I′(αg，βg)的灰度值，I′(dw，ew)表示集合Cp，2(Cp，q)中坐标(dw，ew)处的像素，f′(dw，ew)表示像素I′(dw，ew)的灰度值，N(Cp，q，2(Cp))表示集合Cp，q，2(Cp)中的像素数，N(Cp，2(Cp，q))表示集合Cp，2(Cp，q)中的像素数。
8.一种基于聚类算法的VR游戏***，其特征在于，包括：
摄像头、聚类计算模块、识别模块和处理模块；
所述摄像头，用于通过摄像头获取当前环境图像；
所述聚类计算模块，用于利用FCM聚类算法对滤波处理后的所述当前环境图像进行区域分割；
所述识别模块，用于对分割后的各个当前环境图像区域进行识别，判断各个所述当前环境图像区域中是否存在障碍物；将存在障碍物的所述当前环境图像区域确定为目标区域；
所述处理模块，用于在所述目标区域内显示虚拟警示图像；
所述游戏***执行如权利要求1至7任一项所述的方法。
9.一种终端设备，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的方法。
CN202011158295.7A 2020-10-26 2020-10-26 一种基于聚类算法的vr游戏***和方法 Active CN112348827B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011158295.7A CN112348827B (zh) 2020-10-26 2020-10-26 一种基于聚类算法的vr游戏***和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011158295.7A CN112348827B (zh) 2020-10-26 2020-10-26 一种基于聚类算法的vr游戏***和方法

Publications (2)

Publication Number Publication Date
CN112348827A true CN112348827A (zh) 2021-02-09
CN112348827B CN112348827B (zh) 2021-07-13

Family

ID=74358536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011158295.7A Active CN112348827B (zh) 2020-10-26 2020-10-26 一种基于聚类算法的vr游戏***和方法

Country Status (1)

Country Link
CN (1) CN112348827B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101881615A (zh) * 2010-05-28 2010-11-10 清华大学 用于驾驶安全的视觉障碍物检测方法
CN102774325A (zh) * 2012-07-31 2012-11-14 西安交通大学 一种后视倒车辅助***和形成后视障碍图像的方法
CN103366367A (zh) * 2013-06-19 2013-10-23 西安电子科技大学 基于像素数聚类的模糊c-均值灰度图像分割方法
CN103473786A (zh) * 2013-10-13 2013-12-25 西安电子科技大学 基于多目标模糊聚类的灰度图像分割方法
CN103559716A (zh) * 2013-11-12 2014-02-05 广州太普信息技术有限公司 一种缺陷图像的自动分割方法
CN103870845A (zh) * 2014-04-08 2014-06-18 重庆理工大学 点云聚类去噪过程中新的k值优化方法
US20150026808A1 (en) * 2010-01-19 2015-01-22 Damballa, Inc. Method and system for network-based detecting of malware from behavioral clustering
CN104574368A (zh) * 2014-12-22 2015-04-29 河海大学 一种自适应的核聚类图像分割方法
CN105430664A (zh) * 2015-10-30 2016-03-23 上海华为技术有限公司 一种基于分类拟合预测传播路损的方法和装置
CN105652873A (zh) * 2016-03-04 2016-06-08 中山大学 一种基于Kinect的移动机器人避障方法
CN107220977A (zh) * 2017-06-06 2017-09-29 合肥工业大学 基于模糊聚类的有效性指标的图像分割方法
CN108284793A (zh) * 2018-01-10 2018-07-17 深圳市鑫汇达机械设计有限公司 一种车辆辅助控制装置
CN111507145A (zh) * 2019-01-31 2020-08-07 上海欧菲智能车联科技有限公司 嵌入式车载环视***库位障碍物检测方法、***及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150026808A1 (en) * 2010-01-19 2015-01-22 Damballa, Inc. Method and system for network-based detecting of malware from behavioral clustering
CN101881615A (zh) * 2010-05-28 2010-11-10 清华大学 用于驾驶安全的视觉障碍物检测方法
CN102774325A (zh) * 2012-07-31 2012-11-14 西安交通大学 一种后视倒车辅助***和形成后视障碍图像的方法
CN103366367A (zh) * 2013-06-19 2013-10-23 西安电子科技大学 基于像素数聚类的模糊c-均值灰度图像分割方法
CN103473786A (zh) * 2013-10-13 2013-12-25 西安电子科技大学 基于多目标模糊聚类的灰度图像分割方法
CN103559716A (zh) * 2013-11-12 2014-02-05 广州太普信息技术有限公司 一种缺陷图像的自动分割方法
CN103870845A (zh) * 2014-04-08 2014-06-18 重庆理工大学 点云聚类去噪过程中新的k值优化方法
CN104574368A (zh) * 2014-12-22 2015-04-29 河海大学 一种自适应的核聚类图像分割方法
CN105430664A (zh) * 2015-10-30 2016-03-23 上海华为技术有限公司 一种基于分类拟合预测传播路损的方法和装置
CN105652873A (zh) * 2016-03-04 2016-06-08 中山大学 一种基于Kinect的移动机器人避障方法
CN107220977A (zh) * 2017-06-06 2017-09-29 合肥工业大学 基于模糊聚类的有效性指标的图像分割方法
CN108284793A (zh) * 2018-01-10 2018-07-17 深圳市鑫汇达机械设计有限公司 一种车辆辅助控制装置
CN111507145A (zh) * 2019-01-31 2020-08-07 上海欧菲智能车联科技有限公司 嵌入式车载环视***库位障碍物检测方法、***及装置

Also Published As

Publication number Publication date
CN112348827B (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN109948497B (zh) 一种物体检测方法、装置及电子设备
CN107423690B (zh) 一种人脸识别方法及装置
WO2018028546A1 (zh) 一种关键点的定位方法及终端、计算机存储介质
CN107038405B (zh) 识别对象的方法和设备以及训练识别模型的方法和设备
CN110826370B (zh) 车内人员的身份识别方法、装置、车辆及存储介质
KR102016082B1 (ko) 딥러닝 기반의 포즈 변화에 강인한 얼굴 인식 방법 및 장치
CN108171158B (zh) 活体检测方法、装置、电子设备及存储介质
CN111696080B (zh) 一种基于静态纹理的人脸欺诈检测方法、***及存储介质
CN106778731B (zh) 一种车牌定位方法及终端
CN109858344A (zh) 婚恋对象推荐方法、装置、计算机设备及存储介质
CN108389053B (zh) 支付方法、装置、电子设备及可读存储介质
CN111680546A (zh) 注意力检测方法、装置、电子设备及存储介质
CN111814612A (zh) 目标的脸部检测方法及其相关装置
CN105740752B (zh) 敏感图片过滤方法和***
CN112800847A (zh) 人脸采集源检测方法、装置、设备和介质
CN115471824A (zh) 眼部状态检测方法、装置、电子设备和存储介质
CN112348827B (zh) 一种基于聚类算法的vr游戏***和方法
WO2020014314A1 (en) Currency verification and transaction validation system
CN114360697A (zh) 远程防疫作业方法、***、设备及存储介质
CN112861743A (zh) 一种掌静脉图像防伪方法、装置和设备
CN111931617B (zh) 基于图像处理的人眼图像识别方法、装置及自助终端
CN111382606A (zh) 摔倒检测方法、摔倒检测装置和电子设备
WO2020217812A1 (ja) 被写体の状態を認識する画像処理装置及びその方法
CN111950507A (zh) 数据处理和模型训练方法、装置、设备及介质
CN115565103A (zh) 一种动态目标检测方法、装置、计算机设备及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20210623

Address after: 518000 17th floor, block B, Sunshine Technology Innovation Center, No.2 Shanghua Road, Nanshan street, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: SHENZHEN RAYVISION TECHNOLOGY Co.,Ltd.

Address before: 343000 No.106, Beimen Road, Fanrong street, Hechuan Town, Yongxin County, Ji'an City, Jiangxi Province

Applicant before: Luo Ziyao

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 518000 17th floor, block B, Sunshine Technology Innovation Center, No.2 Shanghua Road, Nanshan street, Nanshan District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen Ruiyun Technology Co.,Ltd.

Address before: 518000 17th floor, block B, Sunshine Technology Innovation Center, No.2 Shanghua Road, Nanshan street, Nanshan District, Shenzhen City, Guangdong Province

Patentee before: SHENZHEN RAYVISION TECHNOLOGY CO.,LTD.

CP01 Change in the name or title of a patent holder
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A VR game system and method based on clustering algorithm

Effective date of registration: 20230619

Granted publication date: 20210713

Pledgee: Shenzhen hi tech investment small loan Co.,Ltd.

Pledgor: Shenzhen Ruiyun Technology Co.,Ltd.

Registration number: Y2023980044570

PE01 Entry into force of the registration of the contract for pledge of patent right