CN112816959A - 用于车辆的聚类方法、装置、设备和存储介质 - Google Patents
用于车辆的聚类方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112816959A CN112816959A CN202110050122.1A CN202110050122A CN112816959A CN 112816959 A CN112816959 A CN 112816959A CN 202110050122 A CN202110050122 A CN 202110050122A CN 112816959 A CN112816959 A CN 112816959A
- Authority
- CN
- China
- Prior art keywords
- clustering
- target
- center
- point
- parameter
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design 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
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明适用于雷达测控技术领域,提供了一种用于车辆的聚类方法、装置、设备和存储介质,其中,用于车辆的聚类方法包括:获取预先根据基于密度的聚类算法对路段中车辆处理得到的多个聚类中的第一目标聚类;根据第一目标聚类对应的点云中各个点的第一目标参数的特征向量之间的欧式距离,获取第一目标聚类对应的点云的第一距离矩阵Cn×n;将第一距离矩阵中的最大值所在的行号对应的点确定为第一聚类中心,将第一距离矩阵中的最大值所在的列号对应的点确定为第二聚类中心;根据第一聚类中心和第二聚类中心,对第一目标聚类对应的点云进行聚类,得到多个第一车辆聚类。采用本发明可以提高拥堵路段的车辆的聚类准确度。
Description
技术领域
本发明属于雷达测控技术领域,尤其涉及一种用于车辆的聚类方法、装置、设备和存储介质。
背景技术
目前,车载高分辨毫米波雷达通常采用基于密度的聚类(Density-BasedClustering,DBSCAN)算法对车辆进行聚类。
然而,当车辆处于拥堵路段时,DBSCAN算法对车辆的聚类准确度往往较低。
发明内容
有鉴于此,本发明实施例提供了一种用于车辆的聚类方法、装置、设备和存储介质,以解决现有技术中拥堵路段的车辆的聚类准确度较低的问题。
本发明实施例的第一方面提供了一种用于车辆的聚类方法,包括:
获取预先根据基于密度的聚类算法对路段中车辆处理得到的多个聚类中的第一目标聚类;所述第一目标聚类的第一参数和第二参数均大于第一预设阈值;
根据所述第一目标聚类对应的点云中各个点的第一目标参数的特征向量之间的欧式距离,获取所述第一目标聚类对应的点云的第一距离矩阵Cn×n;其中,所述第一目标参数为所述第一参数和第二参数中较小的参数,所述第一距离矩阵包括n行和n列,Ci×j为序号为i的点和序号为j的点之间的欧式距离值,1≤i≤n,1≤j≤n,i、j和n均为正整数;
将所述第一距离矩阵中的最大值所在的行号对应的点确定为第一聚类中心,将所述第一距离矩阵中的最大值所在的列号对应的点确定为第二聚类中心;
根据所述第一聚类中心和所述第二聚类中心,对所述第一目标聚类对应的点云进行聚类,得到多个第一车辆聚类。
本发明实施例的第二方面提供了一种用于车辆的聚类装置,包括:
第一获取模块,用于获取预先根据基于密度的聚类算法对路段中车辆处理得到的多个聚类中的第一目标聚类;所述第一目标聚类的第一参数和第二参数均大于第一预设阈值;
第二获取模块,用于根据所述第一目标聚类对应的点云中各个点的第一目标参数的特征向量之间的欧式距离,获取所述第一目标聚类对应的点云的第一距离矩阵Cn×n;其中,所述第一目标参数为所述第一参数和第二参数中较小的参数,所述第一距离矩阵包括n行和n列,Ci×j为序号为i的点和序号为j的点之间的欧式距离值,1≤i≤n,1≤j≤n;
确定模块,用于将所述第一距离矩阵中的最大值所在的行号对应的点确定为第一聚类中心,将所述第一距离矩阵中的最大值所在的列号对应的点确定为第二聚类中心;
聚类模块,用于根据所述第一聚类中心和所述第二聚类中心,对所述第一目标聚类对应的点云进行聚类,得到多个第一车辆聚类。
本发明实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。
本发明实施例的第四方面提供了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,所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
在本发明实施例中,当得到预先根据DBSCAN算法对路段中车辆处理得到的多个聚类后,可以从多个聚类中获取异常的第一目标聚类。之后,可以根据第一目标聚类对应的点云中各个点的第一目标参数的特征向量之间的欧式距离,获取第一目标聚类对应的点云的第一距离矩阵Cn×n。接着,可以将第一距离矩阵中的最大值所在的行号对应的点确定为第一聚类中心,将第一距离矩阵中的最大值所在的列号对应的点确定为第二聚类中心,从而可以根据第一聚类中心和第二聚类中心,对第一目标聚类对应的点云进行聚类,得到多个第一车辆聚类。由于DBSCAN算法得到的异常聚类将多个车辆聚为了一类,第一车辆聚类是对该异常聚类进行***聚类后得到的聚类,因此,当车辆处于拥堵路段时,可以将经由DBSCAN算法处理得到的包括多个车辆的异常聚类,重新聚类为多个车辆聚类,提高了聚类准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种用于车辆的聚类方法的步骤流程图;
图2为本发明实施例提供的一种点云示意图;
图3为本发明实施例提供的一种用于车辆的聚类方法的步骤流程图;
图4为本发明实施例提供的一种用于车辆的聚类方法的实现流程图;
图5为本发明实施例提供的一种用于车辆的聚类装置的示意图;
图6为本发明实施例提供的一种电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
如背景技术所描述的,当车辆处于拥堵路段时,DBSCAN算法对车辆的聚类准确度往往较低。申请人经过研究发现,由于DBSCAN算法假设聚类结构可以通过点云分布的紧密程度确定,因此,当车辆处于拥堵路段时,车辆的速度处于低速状态,多个车辆的距离很近,极容易被聚成一类,故而DBSCAN算法对处于拥堵路段的车辆的聚类准确度往往较低。
为了解决现有技术问题,本发明实施例提供了一种用于车辆的聚类方法、装置、设备和存储介质。下面首先对本发明实施例所提供的用于车辆的聚类方法进行介绍。
对于经过DBSCAN算法处理后的多个聚类中异常的聚类,可以先确定出该异常的聚类,然后对该异常的聚类进行重新聚类。基于上述构思,提出下述用于车辆的聚类方法。
用于车辆的聚类方法的执行主体,可以是用于车辆的聚类装置,该聚类装置可以是具备数据处理能力的电子设备,例如雷达,雷达可以是毫米波雷达,也可以是激光雷达,本发明实施例不作具体限定。
如图1所示,本发明实施例提供的用于车辆的聚类方法可以包括以下步骤:
步骤S110、获取预先根据基于密度的聚类算法对路段中车辆处理得到的多个聚类中的第一目标聚类。
在一些实施例中,第一目标聚类可以是预先根据DBSCAN算法对路段中车辆处理得到的多个聚类中异常的聚类,即第一参数和第二参数均大于第一预设阈值的聚类。具体的,第一参数和第二参数可以是用于衡量聚类尺寸的参数,例如长度和宽度。
在一些实施例中,当第一参数的类型为长度时,第二参数的类型可以为宽度。当第一参数的类型为宽度时,第二参数的类型可以为长度。
在一些实施例中,第一预设阈值可以用于判断某聚类是否为异常聚类。考虑到一般车辆的长和宽通常均小于2.5m,此外,再结合分辨率及测角误差的影响,第一预设阈值可以设置为4m。需要说明的是,第一预设阈值还可以设置为其他数值,这里不对其进行限定。
在一些实施例中,在经过DBSCAN算法对路段中车辆进行聚类处理后,可以得到多个聚类,之后,可以根据各个聚类的第一参数和第二参数,从多个聚类中确定出第一目标聚类。需要说明的是,确定出的第一目标聚类的数量可以是一个,也可以是多个。
步骤S120、根据第一目标聚类对应的点云中各个点的第一目标参数的特征向量之间的欧式距离,获取第一目标聚类对应的点云的第一距离矩阵Cn×n。
在一些实施例中,由于大中小型的车辆,其长度的差异往往大于宽度的差异,因此,可以先从宽度的方向,对第一目标聚类对应的点云进行重新聚类。如此,可以将第一目标参数选定为第一参数和第二参数中较小的参数。
在一些实施例中,第一距离矩阵可以包括n行和n列,其中,Ci×j表示序号为i的点和序号为j的点之间的欧式距离值,1≤i≤n,1≤j≤n,i、j和n均为正整数。
具体的,可以先获取第一目标聚类对应的点云中各个点的第一目标参数的特征向量,然后再获取各个点对应的特征向量之间的欧式距离,然后根据各个欧式距离构建第一目标聚类对应的点云的第一距离矩阵Cn×n,例如如下矩阵:
以第一目标聚类对应的点云处于x-y坐标系为例,如图2所示,x可以表示宽度,y可以表示长度,当第一目标参数为宽度时,则点云中各个点的第一目标参数的特征向量可以为x坐标值。
步骤S130、将第一距离矩阵中的最大值所在的行号对应的点确定为第一聚类中心,将第一距离矩阵中的最大值所在的列号对应的点确定为第二聚类中心。
在一些实施例中,在获取第一距离矩阵Cn×n后,可以基于第一距离矩阵,确定出聚类中心。具体的,可以先从第一距离矩阵中确定出最大值,之后,可以将该最大值所在的行号对应的点确定为第一聚类中心,将该大值所在的列号对应的点确定为第二聚类中心。
步骤S140、根据第一聚类中心和第二聚类中心,对第一目标聚类对应的点云进行聚类,得到多个第一车辆聚类。
在一些实施例中,在得到第一聚类中心和第二聚类中心后,可以对第一目标聚类对应的点云进行聚类,得到多个第一车辆聚类。
可选的,可以根据第一目标参数与第二预设阈值的大小关系,选择不同的聚类处理,相应的处理可以如下:在第一目标参数与第二预设阈值的比值小于3的情况下,根据第一聚类中心和第二聚类中心,对第一目标聚类对应的点云进行二分类;在第一目标参数与第二预设阈值的比值大于或者等于3的情况下,根据第一聚类中心和第二聚类中心确定第三聚类中心,并根据第一聚类中心、第二聚类中心和第三聚类中心,对第一目标聚类对应的点云进行三分类。
在一些实施例中,以第一目标参数是宽度为例,考虑到一般车辆的宽度通常小于2.5m,可以将第二预设阈值设置为2.5m,用于判断第一目标聚类对应的点云中可能包括的车辆的个数,即接下来可能得到的聚类的个数。需要说明的是,对于第一目标聚类,由于其一般最多可能将三辆车聚为一类,因此,在对第一目标聚类对应的点云进行重新聚类时,可以进行二分类或者三分类。如此,可以根据第一目标参数和第二预设阈值的大小关系,确定是二分类还是三分类。
具体的,在第一目标参数与第二预设阈值的比值小于3的情况下,可以根据第一聚类中心和第二聚类中心,对第一目标聚类对应的点云进行二分类。在第一目标参数与第二预设阈值的比值大于或者等于3的情况下,可以根据第一聚类中心和第二聚类中心确定第三聚类中心,并根据第一聚类中心、第二聚类中心和第三聚类中心,对第一目标聚类对应的点云进行三分类。
可选的,上述根据第一聚类中心和第二聚类中心确定第三聚类中心的处理,具体可以如下:获取第一距离矩阵中每一列的第一行号和第二行号对应的欧式距离值的和值;第一行号为第一聚类中心的序号,第二行号为第二聚类中心的序号;将多个和值中的最小值所在的列号对应的点确定为第三聚类中心。
在一些实施例中,第三聚类中心,可以是与第一聚类中心和第二聚类中心相距的距离和值最小的点,即距离第一聚类中心和第二聚类中心都不近的点。
下面通过逆推法,证明与第一聚类中心和第二聚类中心相距的距离和值最小的点为第三聚类中心。为了方便理解,将问题简化为:假设已知x1、x2两点,寻找第三点x3,使得f(x3)=(x2-x3)2+(x3-x1)2最小。
将f(N)关于N求偏导并等于0,可得:
最后得出,当N=2,即x3为x1 x2的中点时f(N)取得极小值。换言之,当x3不偏离x1、x2任何一点时,它们的距离和最小。
需要说明的是,上述确定第一聚类中心、第二聚类中心和第三聚类中心的聚类方法,可以归纳如下:
首先,找到cij中的最大值cmax,以及该最大值对应的行m和列k,相应的,第m点和第k点即为找到的聚类中心。之后,将C矩阵的第m行和第k行相加求和Cadd=Cm,1:n+Ck,1:n,并找到向量Cadd中的最小值所在的列p,相应的,第p点就是第三个聚类中心。最后,根据最近邻法则找到以m、k、p三点为聚类中心的其它点云,如此便完成了三分类。此外,当设置的聚类数目大于3时,只需要按照上述步骤再进行递归计算即可。
需要说明的是,上述归纳出的聚类方法,可以认为是快速分层聚类,其相比于传统的分层聚类,可以减少计算量,从而可以快速聚类。
可选的,考虑到第一车辆聚类中可能也存在将多个车辆聚为一类的情况,相应的,在步骤S140之后,如图3所示,还可以进行如下处理:
步骤S310、获取多个第一车辆聚类中的第二目标聚类。
在一些实施例中,第一车辆聚类是从宽度方向进行再次聚类得到的,在经过宽度方向的聚类后,如果得到的第一车辆聚类中仍然存在异常的聚类,例如聚类的长度大于10m,此时,可以从长度方向,对该异常的聚类进行再次聚类。
在一些实施例中,第二目标聚类的第二目标参数大于第三预设阈值,第二目标参数为第一参数和第二参数中较大的参数。具体的,第三预设阈值可以根据实际需要进行设置,例如可以设置为10m,这是因为通常车辆的长度不会超过10m。
步骤S320、根据第二目标聚类对应的点云中各个点的第二目标参数的特征向量之间的欧式距离,获取第二目标聚类对应的点云的第二距离矩阵Dm×m。
在一些实施例中,第二距离矩阵包括m行和m列,Dp×q为序号为p的点和序号为q的点之间的欧式距离值,1≤p≤m,1≤q≤m,p、q和m均为正整数。
步骤S330、将第二距离矩阵中的最大值所在的行号对应的点确定为第四聚类中心,将第二距离矩阵中的最大值所在的列号对应的点确定为第五聚类中心。
步骤S340、根据第四聚类中心和第五聚类中心,对第二目标聚类对应的点云进行聚类,得到多个第二车辆聚类。
可选的,上述根据第四聚类中心和第五聚类中心,对第二目标聚类对应的点云进行聚类的处理,具体可以如下:在第二目标参数与第四预设阈值的比值小于3的情况下,根据第四聚类中心和第五聚类中心,对第二目标聚类对应的点云进行二分类;在第二目标参数与第四预设阈值的比值大于或者等于3的情况下,根据第四聚类中心和第五聚类中心确定第六聚类中心,并根据第四聚类中心、第五聚类中心和第六聚类中心,对第二目标聚类对应的点云进行三分类。
在一些实施例中,第四预设阈值可以根据实际需要进行设置,例如可以设置为7.5m。
可选的,上述根据第四聚类中心、第五聚类中心和第六聚类中心,对第二目标聚类对应的点云进行三分类的处理,具体可以如下:获取第二距离矩阵中每一列的第三行号和第四行号对应的欧式距离值的和值;第三行号为第四聚类中心的序号,第四行号为第五聚类中心的序号;将多个和值中的最小值所在的列号对应的点确定为第六聚类中心。
通过上述实施例的处理,由于对宽度方向聚类得到的多个第一车辆聚类中的异常聚类进行了***聚类,因此,可以进一步提高聚类准确度。
需要说明的是,上述步骤S310至步骤S340的处理,与上述步骤S110至步骤S140的处理类似,这里不再赘述。
为了更好地理解上述实施例提供的用于车辆的聚类方法,如图4所示,以宽度方向为X方向、长度为Y方向为例,提供了一种实现流程。
首先,在得到DBSCAN算法的聚类结果后,判断是否进行***操作,当聚类结果的长和宽都大于4m时,进行***操作。之后,判断X方向的***个数N,如果N<3,则进行二分类,否则进行三分类。如果得到的新聚类的尺寸大于10m,则判断Y方向的***个数,并进行Y方向的分层***聚类。最后,输出聚类结果。
在本发明实施例中,当得到预先根据DBSCAN算法对路段中车辆处理得到的多个聚类后,可以从多个聚类中获取异常的第一目标聚类。之后,可以根据第一目标聚类对应的点云中各个点的第一目标参数的特征向量之间的欧式距离,获取第一目标聚类对应的点云的第一距离矩阵Cn×n。接着,可以将第一距离矩阵中的最大值所在的行号对应的点确定为第一聚类中心,将第一距离矩阵中的最大值所在的列号对应的点确定为第二聚类中心,从而可以根据第一聚类中心和第二聚类中心,对第一目标聚类对应的点云进行聚类,得到多个第一车辆聚类。由于DBSCAN算法得到的异常聚类将多个车辆聚为了一类,第一车辆聚类是对该异常聚类进行***聚类后得到的聚类,因此,当车辆处于拥堵路段时,可以将经由DBSCAN算法处理得到的包括多个车辆的异常聚类,重新聚类为多个车辆聚类,提高了聚类准确度。
基于上述实施例提供的用于车辆的聚类方法,相应地,本发明还提供了应用于该用于车辆的聚类方法的用于车辆的聚类装置的具体实现方式。请参见以下实施例。
如图5所示,提供了一种用于车辆的聚类装置,该装置包括:
第一获取模块510,用于获取预先根据基于密度的聚类算法对路段中车辆处理得到的多个聚类中的第一目标聚类;第一目标聚类的第一参数和第二参数均大于第一预设阈值;
第二获取模块520,用于根据第一目标聚类对应的点云中各个点的第一目标参数的特征向量之间的欧式距离,获取第一目标聚类对应的点云的第一距离矩阵Cn×n;其中,第一目标参数为第一参数和第二参数中较小的参数,第一距离矩阵包括n行和n列,Ci×j为序号为i的点和序号为j的点之间的欧式距离值,1≤i≤n,1≤j≤n,i、j和n均为正整数;
确定模块530,用于将第一距离矩阵中的最大值所在的行号对应的点确定为第一聚类中心,将第一距离矩阵中的最大值所在的列号对应的点确定为第二聚类中心;
聚类模块540,用于根据第一聚类中心和第二聚类中心,对第一目标聚类对应的点云进行聚类,得到多个第一车辆聚类。
可选的,聚类模块还用于:
在第一目标参数与第二预设阈值的比值小于3的情况下,根据第一聚类中心和第二聚类中心,对第一目标聚类对应的点云进行二分类;
在第一目标参数与第二预设阈值的比值大于或者等于3的情况下,根据第一聚类中心和第二聚类中心确定第三聚类中心,并根据第一聚类中心、第二聚类中心和第三聚类中心,对第一目标聚类对应的点云进行三分类。
可选的,聚类模块还用于:
获取第一距离矩阵中每一列的第一行号和第二行号对应的欧式距离值的和值;第一行号为第一聚类中心的序号,第二行号为第二聚类中心的序号;
将多个和值中的最小值所在的列号对应的点确定为第三聚类中心。
可选的,确定模块还用于:
获取多个第一车辆聚类中的第二目标聚类;第二目标聚类的第二目标参数大于第三预设阈值,第二目标参数为第一参数和第二参数中较大的参数;
根据第二目标聚类对应的点云中各个点的第二目标参数的特征向量之间的欧式距离,获取第二目标聚类对应的点云的第二距离矩阵Dm×m;其中,第二距离矩阵包括m行和m列,Dp×q为序号为p的点和序号为q的点之间的欧式距离值,1≤p≤m,1≤q≤m,p、q和m均为正整数;
将第二距离矩阵中的最大值所在的行号对应的点确定为第四聚类中心,将第二距离矩阵中的最大值所在的列号对应的点确定为第五聚类中心;
根据第四聚类中心和第五聚类中心,对第二目标聚类对应的点云进行聚类,得到多个第二车辆聚类。
可选的,聚类模块还用于:
在第二目标参数与第四预设阈值的比值小于3的情况下,根据第四聚类中心和第五聚类中心,对第二目标聚类对应的点云进行二分类;
在第二目标参数与第四预设阈值的比值大于或者等于3的情况下,根据第四聚类中心和第五聚类中心确定第六聚类中心,并根据第四聚类中心、第五聚类中心和第六聚类中心,对第二目标聚类对应的点云进行三分类。
可选的,聚类模块还用于:
获取第二距离矩阵中每一列的第三行号和第四行号对应的欧式距离值的和值;第三行号为第四聚类中心的序号,第四行号为第五聚类中心的序号;
将多个和值中的最小值所在的列号对应的点确定为第六聚类中心。
可选的,第一参数的类型为长度,第二参数的类型为宽度;或者,第一参数的类型为宽度,第二参数的类型为长度。
在本发明实施例中,当得到预先根据DBSCAN算法对路段中车辆处理得到的多个聚类后,可以从多个聚类中获取异常的第一目标聚类。之后,可以根据第一目标聚类对应的点云中各个点的第一目标参数的特征向量之间的欧式距离,获取第一目标聚类对应的点云的第一距离矩阵Cn×n。接着,可以将第一距离矩阵中的最大值所在的行号对应的点确定为第一聚类中心,将第一距离矩阵中的最大值所在的列号对应的点确定为第二聚类中心,从而可以根据第一聚类中心和第二聚类中心,对第一目标聚类对应的点云进行聚类,得到多个第一车辆聚类。由于DBSCAN算法得到的异常聚类将多个车辆聚为了一类,第一车辆聚类是对该异常聚类进行***聚类后得到的聚类,因此,当车辆处于拥堵路段时,可以将经由DBSCAN算法处理得到的包括多个车辆的异常聚类,重新聚类为多个车辆聚类,提高了聚类准确度。
图6是本发明一实施例提供的电子设备的示意图。如图6所示,该实施例的电子设备6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个用于车辆的聚类方法实施例中的步骤。或者,所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述电子设备6中的执行过程。例如,所述计算机程序62可以被分割成第一获取模块、第二获取模块、确定模块、聚类模块,各模块具体功能如下:
第一获取模块,用于获取预先根据基于密度的聚类算法对路段中车辆处理得到的多个聚类中的第一目标聚类;第一目标聚类的第一参数和第二参数均大于第一预设阈值;
第二获取模块,用于根据第一目标聚类对应的点云中各个点的第一目标参数的特征向量之间的欧式距离,获取第一目标聚类对应的点云的第一距离矩阵Cn×n;其中,第一目标参数为第一参数和第二参数中较小的参数,第一距离矩阵包括n行和n列,Ci×j为序号为i的点和序号为j的点之间的欧式距离值,1≤i≤n,1≤j≤n,i、j和n均为正整数;
确定模块,用于将第一距离矩阵中的最大值所在的行号对应的点确定为第一聚类中心,将第一距离矩阵中的最大值所在的列号对应的点确定为第二聚类中心;
聚类模块,用于根据第一聚类中心和第二聚类中心,对第一目标聚类对应的点云进行聚类,得到多个第一车辆聚类。
所述电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是电子设备6的示例,并不构成对电子设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。
所述存储器61可以是所述电子设备6的内部存储单元,例如电子设备6的硬盘或内存。所述存储器61也可以是所述电子设备6的外部存储设备,例如所述电子设备6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,所述存储器61还可以既包括所述电子设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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、或者计算机软件和电子硬件的结合来实现。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。
在本发明所提供的实施例中,应该理解到,所揭露的装置/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/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所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。
所述集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于车辆的聚类方法,其特征在于,包括:
获取预先根据基于密度的聚类算法对路段中车辆处理得到的多个聚类中的第一目标聚类;所述第一目标聚类的第一参数和第二参数均大于第一预设阈值;
根据所述第一目标聚类对应的点云中各个点的第一目标参数的特征向量之间的欧式距离,获取所述第一目标聚类对应的点云的第一距离矩阵Cn×n;其中,所述第一目标参数为所述第一参数和第二参数中较小的参数,所述第一距离矩阵包括n行和n列,Ci×j为序号为i的点和序号为j的点之间的欧式距离值,1≤i≤n,1≤j≤n,i、j和n均为正整数;
将所述第一距离矩阵中的最大值所在的行号对应的点确定为第一聚类中心,将所述第一距离矩阵中的最大值所在的列号对应的点确定为第二聚类中心;
根据所述第一聚类中心和所述第二聚类中心,对所述第一目标聚类对应的点云进行聚类,得到多个第一车辆聚类。
2.如权利要求1所述的用于车辆的聚类方法,其特征在于,所述根据所述第一聚类中心和所述第二聚类中心,对所述第一目标聚类对应的点云进行聚类,包括:
在第一目标参数与第二预设阈值的比值小于3的情况下,根据所述第一聚类中心和所述第二聚类中心,对所述第一目标聚类对应的点云进行二分类;
在第一目标参数与第二预设阈值的比值大于或者等于3的情况下,根据所述第一聚类中心和所述第二聚类中心确定第三聚类中心,并根据所述第一聚类中心、所述第二聚类中心和所述第三聚类中心,对所述第一目标聚类对应的点云进行三分类。
3.如权利要求2所述的用于车辆的聚类方法,其特征在于,所述根据所述第一聚类中心和所述第二聚类中心确定第三聚类中心,包括:
获取所述第一距离矩阵中每一列的第一行号和第二行号对应的欧式距离值的和值;所述第一行号为所述第一聚类中心的序号,所述第二行号为所述第二聚类中心的序号;
将多个所述和值中的最小值所在的列号对应的点确定为第三聚类中心。
4.如权利要求1所述的用于车辆的聚类方法,其特征在于,在所述得到多个第一车辆聚类之后,所述方法还包括:
获取所述多个第一车辆聚类中的第二目标聚类;所述第二目标聚类的第二目标参数大于第三预设阈值,所述第二目标参数为所述第一参数和第二参数中较大的参数;
根据所述第二目标聚类对应的点云中各个点的第二目标参数的特征向量之间的欧式距离,获取所述第二目标聚类对应的点云的第二距离矩阵Dm×m;其中,所述第二距离矩阵包括m行和m列,Dp×q为序号为p的点和序号为q的点之间的欧式距离值,1≤p≤m,1≤q≤m,p、q和m均为正整数;
将所述第二距离矩阵中的最大值所在的行号对应的点确定为第四聚类中心,将所述第二距离矩阵中的最大值所在的列号对应的点确定为第五聚类中心;
根据所述第四聚类中心和所述第五聚类中心,对所述第二目标聚类对应的点云进行聚类,得到多个第二车辆聚类。
5.如权利要求4所述的用于车辆的聚类方法,其特征在于,所述根据所述第四聚类中心和所述第五聚类中心,对所述第二目标聚类对应的点云进行聚类,包括:
在第二目标参数与第四预设阈值的比值小于3的情况下,根据所述第四聚类中心和所述第五聚类中心,对所述第二目标聚类对应的点云进行二分类;
在第二目标参数与第四预设阈值的比值大于或者等于3的情况下,根据所述第四聚类中心和所述第五聚类中心确定第六聚类中心,并根据所述第四聚类中心、所述第五聚类中心和所述第六聚类中心,对所述第二目标聚类对应的点云进行三分类。
6.如权利要求5所述的用于车辆的聚类方法,其特征在于,所述根据所述第四聚类中心、所述第五聚类中心和所述第六聚类中心,对所述第二目标聚类对应的点云进行三分类,包括:
获取所述第二距离矩阵中每一列的第三行号和第四行号对应的欧式距离值的和值;所述第三行号为所述第四聚类中心的序号,所述第四行号为所述第五聚类中心的序号;
将多个所述和值中的最小值所在的列号对应的点确定为第六聚类中心。
7.如权利要求1至6任一项所述的用于车辆的聚类方法,其特征在于:
所述第一参数的类型为长度,所述第二参数的类型为宽度;
或者,所述第一参数的类型为宽度,所述第二参数的类型为长度。
8.一种用于车辆的聚类装置,其特征在于,包括:
第一获取模块,用于获取预先根据基于密度的聚类算法对路段中车辆处理得到的多个聚类中的第一目标聚类;所述第一目标聚类的第一参数和第二参数均大于第一预设阈值;
第二获取模块,用于根据所述第一目标聚类对应的点云中各个点的第一目标参数的特征向量之间的欧式距离,获取所述第一目标聚类对应的点云的第一距离矩阵Cn×n;其中,所述第一目标参数为所述第一参数和第二参数中较小的参数,所述第一距离矩阵包括n行和n列,Ci×j为序号为i的点和序号为j的点之间的欧式距离值,1≤i≤n,1≤j≤n,i、j和n均为正整数;
确定模块,用于将所述第一距离矩阵中的最大值所在的行号对应的点确定为第一聚类中心,将所述第一距离矩阵中的最大值所在的列号对应的点确定为第二聚类中心;
聚类模块,用于根据所述第一聚类中心和所述第二聚类中心,对所述第一目标聚类对应的点云进行聚类,得到多个第一车辆聚类。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110050122.1A CN112816959B (zh) | 2021-01-14 | 2021-01-14 | 用于车辆的聚类方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110050122.1A CN112816959B (zh) | 2021-01-14 | 2021-01-14 | 用于车辆的聚类方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112816959A true CN112816959A (zh) | 2021-05-18 |
CN112816959B CN112816959B (zh) | 2022-05-31 |
Family
ID=75869522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110050122.1A Active CN112816959B (zh) | 2021-01-14 | 2021-01-14 | 用于车辆的聚类方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112816959B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290741A (zh) * | 2023-11-14 | 2023-12-26 | 北京阿帕科蓝科技有限公司 | 车辆聚类方法、装置、计算机设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170307735A1 (en) * | 2016-04-22 | 2017-10-26 | Mohsen Rohani | Object detection using radar and machine learning |
CN108256577A (zh) * | 2018-01-18 | 2018-07-06 | 东南大学 | 一种基于多线激光雷达的障碍物聚类方法 |
CN110176139A (zh) * | 2019-02-21 | 2019-08-27 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
KR20190129622A (ko) * | 2018-05-11 | 2019-11-20 | 서울대학교산학협력단 | 자동차 레이더 시스템에서 탐지된 타겟들의 클러스터링 방법 및 이를 위한 장치 |
CN110533055A (zh) * | 2018-05-25 | 2019-12-03 | 北京京东尚科信息技术有限公司 | 一种点云数据的处理方法和装置 |
CN111289998A (zh) * | 2020-02-05 | 2020-06-16 | 北京汽车集团有限公司 | 障碍物检测方法、装置、存储介质以及车辆 |
CN111427032A (zh) * | 2020-04-24 | 2020-07-17 | 森思泰克河北科技有限公司 | 基于毫米波雷达的房间墙体轮廓识别方法及终端设备 |
CN111540201A (zh) * | 2020-04-23 | 2020-08-14 | 山东大学 | 基于路侧激光雷达的车辆排队长度实时估计方法及*** |
-
2021
- 2021-01-14 CN CN202110050122.1A patent/CN112816959B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170307735A1 (en) * | 2016-04-22 | 2017-10-26 | Mohsen Rohani | Object detection using radar and machine learning |
CN108256577A (zh) * | 2018-01-18 | 2018-07-06 | 东南大学 | 一种基于多线激光雷达的障碍物聚类方法 |
KR20190129622A (ko) * | 2018-05-11 | 2019-11-20 | 서울대학교산학협력단 | 자동차 레이더 시스템에서 탐지된 타겟들의 클러스터링 방법 및 이를 위한 장치 |
CN110533055A (zh) * | 2018-05-25 | 2019-12-03 | 北京京东尚科信息技术有限公司 | 一种点云数据的处理方法和装置 |
CN110176139A (zh) * | 2019-02-21 | 2019-08-27 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
CN111289998A (zh) * | 2020-02-05 | 2020-06-16 | 北京汽车集团有限公司 | 障碍物检测方法、装置、存储介质以及车辆 |
CN111540201A (zh) * | 2020-04-23 | 2020-08-14 | 山东大学 | 基于路侧激光雷达的车辆排队长度实时估计方法及*** |
CN111427032A (zh) * | 2020-04-24 | 2020-07-17 | 森思泰克河北科技有限公司 | 基于毫米波雷达的房间墙体轮廓识别方法及终端设备 |
Non-Patent Citations (3)
Title |
---|
WEN, L; HE, L AND GAO, ZH: "Research on 3D Point Cloud De-Distortion Algorithm and Its Application on Euclidean Clustering", 《IEEE ACCESS》 * |
刘畅,李治军,姜守旭: "基于DBSCAN算法的城市交通拥堵区域发现", 《智能计算机与应用》 * |
吴登磊,汪宇玲,吴小龙,金安安: "基于欧氏距离的K均方聚类算法研究与应用", 《数字技术与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290741A (zh) * | 2023-11-14 | 2023-12-26 | 北京阿帕科蓝科技有限公司 | 车辆聚类方法、装置、计算机设备和存储介质 |
CN117290741B (zh) * | 2023-11-14 | 2024-03-19 | 北京阿帕科蓝科技有限公司 | 车辆聚类方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112816959B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680642B (zh) | 一种地形分类方法及装置 | |
CN109271441B (zh) | 一种高维数据可视化聚类分析方法及*** | |
CN112085701B (zh) | 一种人脸模糊度检测方法、装置、终端设备及存储介质 | |
CN113109783A (zh) | 航向角获取方法、装置、设备和存储介质 | |
CN110148136A (zh) | 一种绝缘子图像分割方法、装置与计算机可读存储介质 | |
CN112816959B (zh) | 用于车辆的聚类方法、装置、设备和存储介质 | |
CN111311593A (zh) | 一种基于图像梯度信息的多椭圆检测和评估算法、装置、终端及可读存储介质 | |
CN112037174B (zh) | 染色体异常检测方法、装置、设备及计算机可读存储介质 | |
CN116721113A (zh) | 一种三维点云平面分割方法及*** | |
CN115100541B (zh) | 一种卫星遥感数据的处理方法、***及云平台 | |
CN116662876A (zh) | 多模态认知决策方法、***、装置、设备及存储介质 | |
CN116486151A (zh) | 图像分类模型训练方法、图像分类方法、设备及存储介质 | |
CN115690439A (zh) | 基于图像平面的特征点聚集方法、装置及电子设备 | |
CN114693919A (zh) | 一种目标检测方法、终端设备及存储介质 | |
CN114219048A (zh) | 基于量子计算的谱聚类方法、装置、电子设备及存储介质 | |
CN110134813B (zh) | 图像检索方法、图像检索装置及终端设备 | |
CN113705674A (zh) | 一种非负矩阵分解聚类方法、装置及可读存储介质 | |
CN110688812B (zh) | 一种基于小规模概率神经网络的电路故障诊断方法及装置 | |
CN113486918B (zh) | 基于动态调整特征向量分布趋势的图像识别方法及其设备 | |
CN116094952B (zh) | 网络结构相似度的确定方法、装置、设备以及存储介质 | |
CN115880514A (zh) | 输变电设备故障检测方法及装置、终端、存储介质 | |
CN113641882A (zh) | 确定工艺角晶片的方法、装置、电子设备及可读存储介质 | |
CN114332807A (zh) | 基于场端的障碍物分类识别方法、装置、设备及存储介质 | |
CN117056319A (zh) | 用电数据补全方法、装置及终端设备 | |
CN116204613A (zh) | 一种文旅问答***向量匹配方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |