本發(fā)明實(shí)施例涉及一種信息技術(shù)領(lǐng)域，特別是一種路線規(guī)劃方法及系統(tǒng)。

背景技術(shù)：

路徑規(guī)劃是指在具有障礙物的環(huán)境中，按照一定的原則，尋找從起始狀態(tài)到目標(biāo)狀態(tài)的無碰撞路徑。路徑規(guī)劃具有廣泛的應(yīng)用，其中一項(xiàng)是應(yīng)用于三維場(chǎng)景漫游中，基于虛擬現(xiàn)實(shí)技術(shù)可準(zhǔn)確、動(dòng)態(tài)的展示三維場(chǎng)景，從而使體驗(yàn)者可漫游在三維場(chǎng)景中。

其中，制作可漫游的三維場(chǎng)景最基本的一環(huán)是進(jìn)行路徑規(guī)劃，為體驗(yàn)者提供指引?，F(xiàn)有技術(shù)中路徑規(guī)劃的過程如下：針對(duì)每個(gè)場(chǎng)景，借助于相應(yīng)的插件(如unity插件)啟動(dòng)運(yùn)行，分別手動(dòng)設(shè)置漫游過程中的拐點(diǎn)，編寫相關(guān)代碼，以確定漫游過程中的行徑路線。

其中，unity作為主流的游戲開發(fā)引擎，已被普遍用于三維游戲開發(fā)及三維場(chǎng)景搭建。

可以理解的是，由于漫游的三維場(chǎng)景眾多且展示內(nèi)容豐富，如果每個(gè)場(chǎng)景都進(jìn)行手動(dòng)設(shè)置漫游路徑的操作，重復(fù)的工作需要重復(fù)做幾百遍，而每次又需要借助于插件、腳本、重復(fù)調(diào)整拐點(diǎn)與拐點(diǎn)的高度等操作，給編程者帶來噩夢(mèng)性的災(zāi)難。

目前，現(xiàn)有技術(shù)還沒有相應(yīng)的方法來解決路徑規(guī)劃效率低的問題。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)的缺陷，本發(fā)明實(shí)施例提供一種路線規(guī)劃方法及系統(tǒng)。

一方面，本發(fā)明實(shí)施例提供一種路線規(guī)劃方法，包括：

獲取待預(yù)測(cè)的數(shù)據(jù)集，所述數(shù)據(jù)集是場(chǎng)景中模型的第一提取點(diǎn)，所述第一提取點(diǎn)是所述模型的質(zhì)心；

將所述數(shù)據(jù)集進(jìn)行數(shù)據(jù)可視化，得到多個(gè)區(qū)域，每一區(qū)域包括多個(gè)第一提取點(diǎn)；

針對(duì)每一區(qū)域，判斷獲知所述第一提取點(diǎn)為拐點(diǎn)，且所述區(qū)域?yàn)楣拯c(diǎn)區(qū)，則獲取所述拐點(diǎn)區(qū)的第二提取點(diǎn)作為拐點(diǎn)，所述第二提取點(diǎn)是所述拐點(diǎn)區(qū)的質(zhì)心；

將各拐點(diǎn)以預(yù)設(shè)的方向進(jìn)行連接，獲得行徑路線。

另一方面，本發(fā)明實(shí)施例還提供一種路線規(guī)劃系統(tǒng)，包括：

獲取模塊，用于獲取待預(yù)測(cè)的數(shù)據(jù)集，所述數(shù)據(jù)集是場(chǎng)景中模型的第一提取點(diǎn)，所述第一提取點(diǎn)是所述模型的質(zhì)心；

區(qū)域劃分模塊，用于將所述數(shù)據(jù)集進(jìn)行數(shù)據(jù)可視化，得到多個(gè)區(qū)域，每一區(qū)域包括多個(gè)第一提取點(diǎn)；

拐點(diǎn)確定模塊，用于針對(duì)每一區(qū)域，判斷獲知所述第一提取點(diǎn)為拐點(diǎn)，且所述區(qū)域是拐點(diǎn)區(qū)，則獲取所述拐點(diǎn)區(qū)的第二提取點(diǎn)作為拐點(diǎn)，所述第二提取點(diǎn)是所述區(qū)域的質(zhì)心；

行徑路線獲取模塊，用于將各拐點(diǎn)以預(yù)設(shè)的方向進(jìn)行連接，獲得行徑路線。

由上述技術(shù)方案可知，本發(fā)明實(shí)施例提供的路線規(guī)劃方法及系統(tǒng)，所述方法通過確定拐點(diǎn)區(qū)，提取拐點(diǎn)區(qū)質(zhì)心作為拐點(diǎn)并連接拐點(diǎn)，可自動(dòng)實(shí)現(xiàn)路線規(guī)劃，從而大大提高工作效率。

附圖說明

圖1為本發(fā)明實(shí)施例提供的一種路線規(guī)劃方法的流程示意圖；

圖2為本發(fā)明又一實(shí)施例提供的一種路線規(guī)劃方法的學(xué)習(xí)曲線示意圖；

圖3為本發(fā)明又一實(shí)施例提供的一種路線規(guī)劃方法的拐點(diǎn)連接示意圖；

圖4為本發(fā)明又一實(shí)施例提供的一種路線規(guī)劃方法的流程示意圖；

圖5為本發(fā)明又一實(shí)施例提供的一種路線規(guī)劃方法的步驟406的流程示意圖；

圖6為本發(fā)明又一實(shí)施例提供的一種路線規(guī)劃方法的二分類算法的部分示意圖；

圖7為本發(fā)明又一實(shí)施例提供的一種路線規(guī)劃系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚地描述，顯然，所描述的實(shí)施例是本發(fā)明實(shí)施例一部分實(shí)施例，而不是全部的實(shí)施例。

本發(fā)明實(shí)施例可應(yīng)用多種技術(shù)以實(shí)現(xiàn)路徑規(guī)劃，為了更好的說明本實(shí)施例，以應(yīng)用機(jī)器學(xué)習(xí)技術(shù)為例進(jìn)行說明。

機(jī)器學(xué)習(xí)，顧名思義，讓計(jì)算機(jī)像人類一樣進(jìn)行學(xué)習(xí)行為。

具體地，采集有n個(gè)樣本(sample)的數(shù)據(jù)集，每一樣本具有已知屬性，可預(yù)測(cè)未知數(shù)據(jù)的屬性。

機(jī)器學(xué)習(xí)已廣泛的應(yīng)用于醫(yī)學(xué)、教育、農(nóng)業(yè)、數(shù)字化展示等領(lǐng)域，目的是借助機(jī)器的力量幫助人們處理或解決現(xiàn)實(shí)世界中的大量數(shù)據(jù)，并為人們帶來便利，讓人們的生活充滿了智能化。

通常，機(jī)器學(xué)習(xí)可分為有監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)與強(qiáng)化學(xué)習(xí)三類。

針對(duì)每一種類的學(xué)習(xí)有若干相關(guān)算法，目前最常見的學(xué)習(xí)方式即是有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)。

以分類(classification)為例說明兩種學(xué)習(xí)方式的區(qū)別，分類使最簡(jiǎn)單也最普遍的一類機(jī)器學(xué)習(xí)。對(duì)于分類，輸入的訓(xùn)練數(shù)據(jù)有特征(feature)，有標(biāo)簽(label)。所謂的學(xué)習(xí)，其本質(zhì)就是找到特征和標(biāo)簽間的關(guān)系(mapping)。

當(dāng)有特征而無標(biāo)簽的未知數(shù)據(jù)輸入時(shí)，可以通過已有的關(guān)系得到未知數(shù)據(jù)標(biāo)簽。在上述的分類過程中，如果所有訓(xùn)練數(shù)據(jù)都有標(biāo)簽，則為有監(jiān)督學(xué)習(xí)(supervisedlearning)。如果數(shù)據(jù)沒有標(biāo)簽，就是無監(jiān)督學(xué)習(xí)(unsupervisedlearning)了，也即聚類(clustering)。

其中，有監(jiān)督學(xué)習(xí)相關(guān)算法如knn(k-nearestneighbor，k最近鄰)，常用于kaggle競(jìng)賽、游戲ai、大數(shù)據(jù)相關(guān)的多個(gè)領(lǐng)域。

無監(jiān)督學(xué)習(xí)相關(guān)算法如k-means(k類算法)常用于數(shù)據(jù)分析相關(guān)領(lǐng)域。

在本實(shí)施例中，可針對(duì)多種需求進(jìn)行路線規(guī)劃，如三維漫游和道路導(dǎo)航，為了更清楚的描述本實(shí)施例，以農(nóng)耕文化項(xiàng)目中涉及的三維漫游為例進(jìn)行說明。

具體地，三維漫游是指在由圖像構(gòu)建的三維空間里進(jìn)行切換，達(dá)到瀏覽各個(gè)不同場(chǎng)景的目的。

其中，攝像機(jī)可為體驗(yàn)者提供三維場(chǎng)景中的漫游指引，或者攝像機(jī)根據(jù)體驗(yàn)者的操作進(jìn)行展示三維場(chǎng)景。數(shù)字化展示中三維場(chǎng)景漫游能給體驗(yàn)者帶來強(qiáng)烈的視覺沖擊外，還能讓體驗(yàn)者了解相關(guān)知識(shí)。

具體地，三維空間時(shí)由三維場(chǎng)景搭建而成，也就是說由多個(gè)三維場(chǎng)景構(gòu)成三維空間。

圖1示出了本發(fā)明實(shí)施例提供的一種路線規(guī)劃方法的流程示意圖。

參照?qǐng)D1，本發(fā)明實(shí)施例提供的方法具體包括以下步驟：

步驟11、獲取待預(yù)測(cè)的數(shù)據(jù)集，所述數(shù)據(jù)集是場(chǎng)景中模型的第一提取點(diǎn)，所述第一提取點(diǎn)是所述模型的質(zhì)心。

可選地，自所述模型提取一個(gè)點(diǎn)，即第一提取點(diǎn)。

在本步驟中，將各個(gè)模型統(tǒng)一縮略為其質(zhì)心。

設(shè)模型由n個(gè)質(zhì)點(diǎn)組成，模型的質(zhì)心是模型質(zhì)量分布的平均位置，用于表示模型中質(zhì)量集中于此的一個(gè)假想點(diǎn)。

其中，質(zhì)心提取可采取圖形圖像處理的現(xiàn)有技術(shù)方式進(jìn)行提取，例如，二值化處理。

可以理解的是，所述模型若為不規(guī)則形狀，無法提取有效的中心，采用提取質(zhì)心的方式，可合理、準(zhǔn)確的將所述區(qū)域縮略。

步驟12、將所述數(shù)據(jù)集進(jìn)行數(shù)據(jù)可視化，得到多個(gè)區(qū)域，每一區(qū)域包括多個(gè)第一提取點(diǎn)。

步驟13、針對(duì)每一區(qū)域，判斷獲知所述第一提取點(diǎn)為拐點(diǎn)，且所述區(qū)域?yàn)楣拯c(diǎn)區(qū)，則獲取所述拐點(diǎn)區(qū)的第二提取點(diǎn)作為拐點(diǎn)，所述第二提取點(diǎn)是所述拐點(diǎn)區(qū)的質(zhì)心。

可選地，自所述拐點(diǎn)區(qū)提取一個(gè)點(diǎn)，即第二提取點(diǎn)。

在本步驟中，將各個(gè)拐點(diǎn)區(qū)統(tǒng)一縮略為其質(zhì)心。

設(shè)拐點(diǎn)區(qū)由n個(gè)質(zhì)點(diǎn)組成，拐點(diǎn)區(qū)的質(zhì)心是拐點(diǎn)區(qū)質(zhì)量分布的平均位置，用于表示拐點(diǎn)區(qū)中質(zhì)量集中于此的一個(gè)假想點(diǎn)。

其中，質(zhì)心提取可采取圖形圖像處理的現(xiàn)有技術(shù)方式進(jìn)行提取，例如，二值化處理。

可以理解的是，所述拐點(diǎn)區(qū)若為不規(guī)則形狀，無法提取有效的中心，采用提取質(zhì)心的方式，可合理、準(zhǔn)確的將所述區(qū)域縮略，進(jìn)一步地，將提取的質(zhì)心作為拐點(diǎn)。

步驟14、將各拐點(diǎn)以預(yù)設(shè)的方向進(jìn)行連接，獲得行徑路線。

在獲得各拐點(diǎn)區(qū)的拐點(diǎn)后，可從近到遠(yuǎn)或從遠(yuǎn)到近將各拐點(diǎn)連接起來。

當(dāng)然，連接的方式可根據(jù)所述場(chǎng)景的展示內(nèi)容進(jìn)行調(diào)整，不以此為限。

本實(shí)施例提供的路線規(guī)劃方法，至少具有以下技術(shù)效果：

通過確定拐點(diǎn)區(qū)，提取拐點(diǎn)區(qū)質(zhì)心作為拐點(diǎn)并連接拐點(diǎn)，可自動(dòng)實(shí)現(xiàn)路線規(guī)劃，從而大大提高工作效率。

在上述實(shí)施例的基礎(chǔ)上，本發(fā)明又一實(shí)施例提供的路線規(guī)劃方法。所述方法步驟12，可有多種分區(qū)方式，本實(shí)施例舉例說明其中一種。

所述方法包括：

步驟12’、將所述數(shù)據(jù)集在坐標(biāo)系上采用預(yù)設(shè)的最優(yōu)聚類算法，進(jìn)行數(shù)據(jù)可視化，將所述數(shù)據(jù)集分為多個(gè)區(qū)域。

在本步驟中，所述模型為場(chǎng)景中存在的對(duì)象。

舉例來說，所述模型為農(nóng)具、農(nóng)作物、魚、人物、田地、水等，當(dāng)然，可根據(jù)實(shí)際情況進(jìn)行配置，不以此為限。

可選地，自所述人物提取一個(gè)點(diǎn)，即第一提取點(diǎn)。

在本步驟中，將一個(gè)人物模型統(tǒng)一縮略為其質(zhì)心。

可選地，所述預(yù)設(shè)的最優(yōu)聚類算法可為以下一者：dbscan(density-basedspatialclusteringofapplicationswithnoise)，基于空間密度的聚類算法,kmeans(k類算法),minibatchkmeans(小批量k類宣發(fā)),birth算法(大數(shù)據(jù)算法)。

所述采用預(yù)設(shè)的最優(yōu)聚類算法之前，所述方法還包括：

針對(duì)每一聚類算法，將樣本場(chǎng)景劃分為多個(gè)樣本區(qū)域；

判斷獲知聚類算法得到的樣本區(qū)域中包括預(yù)先確定的拐點(diǎn)，則將所述樣本區(qū)域作為拐點(diǎn)區(qū)，否則，將所述樣本區(qū)域作為非拐點(diǎn)區(qū)。

應(yīng)當(dāng)說明的是，確定最優(yōu)聚類算法可有多種方式，本實(shí)施例提供一種實(shí)施方式。

根據(jù)預(yù)先確定的拐點(diǎn)數(shù)、樣本區(qū)域中包括的預(yù)先確定的拐點(diǎn)數(shù)以及樣本場(chǎng)景的總數(shù)，獲取所述聚類算法對(duì)應(yīng)的適配值；將最高適配值對(duì)應(yīng)的聚類算法作為最優(yōu)聚類算法。

首先，可獲取樣本場(chǎng)景，進(jìn)行機(jī)器學(xué)習(xí)。

其次，針對(duì)每一聚類算法，將樣本場(chǎng)景劃分為多個(gè)樣本區(qū)域。

借助機(jī)器學(xué)習(xí)scikit-learn庫(kù)依次調(diào)用最常用的cluster算法dbscan、kmeans、minibatchkmeans和birth算法進(jìn)行聚類。

進(jìn)一步，可獲取每個(gè)樣本區(qū)域中的模型，并將每個(gè)模型的質(zhì)心的坐標(biāo)作為數(shù)據(jù)源，以判定所述樣本區(qū)域是否可作為拐點(diǎn)區(qū)，也就是說，根據(jù)樣本區(qū)域是否具有預(yù)先確定的拐點(diǎn)來判斷是否可做拐點(diǎn)區(qū)。

可選地，預(yù)先確定的拐點(diǎn)是人工規(guī)劃的拐點(diǎn)。

再次，統(tǒng)計(jì)數(shù)量：預(yù)先確定的拐點(diǎn)數(shù)、樣本區(qū)域中包括的預(yù)先確定的拐點(diǎn)數(shù)以及樣本場(chǎng)景的總數(shù)。

然后，根據(jù)預(yù)先確定的拐點(diǎn)數(shù)、樣本區(qū)域中包括的預(yù)先確定的拐點(diǎn)數(shù)以及樣本場(chǎng)景的總數(shù)，獲取所述聚類算法對(duì)應(yīng)的適配值。

其中，所述適配值用于表示所述聚類算法對(duì)樣本場(chǎng)景的拐點(diǎn)規(guī)劃的合理程度。

具體地，可根據(jù)以下公式計(jì)算適配值：

式中，n為場(chǎng)景的個(gè)數(shù)、g為預(yù)先確定的拐點(diǎn)數(shù)，在場(chǎng)景i中采用聚類算法a得到的拐點(diǎn)區(qū)，并有g(shù)a個(gè)拐點(diǎn)分布在由聚類算法a聚得的拐點(diǎn)區(qū)中，mar(meanadaptionrate，平均適配率)為適配值。

最后，將最高適配值對(duì)應(yīng)的聚類算法作為最優(yōu)聚類算法。

本實(shí)施例提供的路線規(guī)劃方法，至少具有以下技術(shù)效果：

通過將所述數(shù)據(jù)集在坐標(biāo)系上采用預(yù)設(shè)的最優(yōu)聚類算法，進(jìn)行數(shù)據(jù)可視化，將所述數(shù)據(jù)集分為多個(gè)區(qū)域，從而可智能化的規(guī)劃路線。

在上述實(shí)施例的基礎(chǔ)上，本發(fā)明又一實(shí)施例提供的路線規(guī)劃方法。所述方法步驟13的判斷的方式可有多種，本實(shí)施例舉例說明其中一種。

所述步驟13具體為：

步驟13’、針對(duì)每一區(qū)域，采用預(yù)設(shè)的最優(yōu)二分類算法，判斷獲知所述第一提取點(diǎn)為拐點(diǎn)。

在本步驟中，預(yù)設(shè)的最優(yōu)二分類算法可為以下一者：knn,svm(supportvectormachine，支持向量機(jī)),nbc(naivebayesianmodel，樸素貝葉斯模型),mlp(multi-layerperceptron，多層感知器，也稱人工神經(jīng)網(wǎng)絡(luò))，rfc(recursiveflowclassification，遞歸流分類)，sgd(stochasticgradientdescent，隨機(jī)梯度下降)。

應(yīng)當(dāng)說明的是，確定最優(yōu)二分類算法可有多種方式，本實(shí)施例提供一種實(shí)施方式。

具體可為以下步驟a1-a4：

步驟a1、獲取所述拐點(diǎn)區(qū)的所有點(diǎn)，作為拐點(diǎn)樣本。

步驟a2、獲取所述非拐點(diǎn)區(qū)的所有點(diǎn)，作為非拐點(diǎn)樣本。

步驟a3、將所述拐點(diǎn)樣本和非拐點(diǎn)樣本作為驗(yàn)證集。

步驟a4、針對(duì)每一二分類算法，基于所述驗(yàn)證集，通過交叉驗(yàn)證法并結(jié)合對(duì)應(yīng)二分類算法所學(xué)得的分類器對(duì)驗(yàn)證集進(jìn)行訓(xùn)練，將訓(xùn)練結(jié)果與驗(yàn)證集中的已知結(jié)果進(jìn)行匹配，將匹配度最高時(shí)對(duì)應(yīng)的二分類算法，作為最優(yōu)二分類算法。

可選地，可根據(jù)訓(xùn)練集曲線和驗(yàn)證集曲線擬合程度以判斷對(duì)應(yīng)二分類算法的學(xué)習(xí)能力和泛化能力。

圖2示出了本實(shí)施例提供的一種路線規(guī)劃方法的學(xué)習(xí)曲線示意圖。

如圖2所示，橫坐標(biāo)表示訓(xùn)練樣本數(shù)，縱坐標(biāo)表示評(píng)分。

舉例來說，在200個(gè)訓(xùn)練樣本時(shí)，訓(xùn)練集中確定拐點(diǎn)的準(zhǔn)確度為0.92，驗(yàn)證集中確定拐點(diǎn)的準(zhǔn)確度近似為0.4，訓(xùn)練集曲線(trainingscore)和驗(yàn)證集曲線(cross-validationscore)差異較大，但隨著訓(xùn)練樣本數(shù)的增多，訓(xùn)練集曲線和驗(yàn)證集曲線逐漸趨于平緩，表示兩曲線擬合的較好。

本實(shí)施例提供的路線規(guī)劃方法，至少具有以下技術(shù)效果：

通過采用預(yù)設(shè)的最優(yōu)二分類算法來判斷所述第一提取點(diǎn)是否為拐點(diǎn)，且所述區(qū)域是否為拐點(diǎn)區(qū)，使得判斷更加準(zhǔn)確、合理，從而可智能化的規(guī)劃路線。

在上述實(shí)施例的基礎(chǔ)上，本發(fā)明又一實(shí)施例提供的路線規(guī)劃方法。所述方法步驟13之后，可能所述拐點(diǎn)區(qū)數(shù)量過多，從而使得拐點(diǎn)過多，導(dǎo)致攝像頭晃動(dòng)頻繁，路線規(guī)劃不合理，本實(shí)施例提供一種解決此問題的方案。

所述方法步驟13之后，還包括：

根據(jù)拐點(diǎn)占有率ior判斷所述區(qū)域是否拐點(diǎn)區(qū)。

所述拐點(diǎn)占有率ior為所述拐點(diǎn)的數(shù)量占所屬區(qū)域中所有第一提取點(diǎn)的數(shù)量的比值，若比值大于預(yù)設(shè)值，將所述區(qū)域作為拐點(diǎn)區(qū)；

獲取所述拐點(diǎn)區(qū)的第二提取點(diǎn)作為最終拐點(diǎn).

可選地，可根據(jù)以下公式獲得拐點(diǎn)占有率：

拐點(diǎn)占有率

式中，ior(inflexionoccupancyrate)表示拐點(diǎn)占有率，ii表示某一拐點(diǎn)區(qū)中經(jīng)二分類預(yù)測(cè)可作為拐點(diǎn)的數(shù)量，ccp表示同一拐點(diǎn)區(qū)中總的模型總數(shù)。

可以理解的是，一個(gè)模型提取一個(gè)質(zhì)心，即模型總數(shù)等于質(zhì)心總數(shù)。

其中，預(yù)設(shè)值(threhold)可為60％，當(dāng)然可根據(jù)實(shí)際情況進(jìn)行設(shè)置，不以此為限。

進(jìn)一步地，當(dāng)ior>60％時(shí)，可判斷該拐點(diǎn)區(qū)中的質(zhì)心可作為拐點(diǎn)。

舉例來說，預(yù)測(cè)拐點(diǎn)數(shù)為30，質(zhì)心總數(shù)為60，ior為50％,那么該拐點(diǎn)區(qū)不適合作為拐點(diǎn)相關(guān)區(qū)域，從而減少拐點(diǎn)區(qū)的數(shù)量。

相應(yīng)地，不提取拐點(diǎn)區(qū)的質(zhì)心作為拐點(diǎn)，可減少拐點(diǎn)的數(shù)量。

可選地，提取所述拐點(diǎn)區(qū)的質(zhì)心包括質(zhì)心的二維坐標(biāo)，其中，所述二維坐標(biāo)是根據(jù)采集的質(zhì)心的三維坐標(biāo)進(jìn)行坐標(biāo)轉(zhuǎn)換得到的。

具體地，采集每一拐點(diǎn)區(qū)質(zhì)心的三維坐標(biāo)，將所述三維坐標(biāo)進(jìn)行坐標(biāo)轉(zhuǎn)換，得到二維坐標(biāo)。

舉例來說，可將三維坐標(biāo)(x，y，z)中向上的y軸統(tǒng)一置為0，得到二維坐標(biāo)(x，z)。

相應(yīng)地，提取所述模型的質(zhì)心包括質(zhì)心的二維坐標(biāo)，其中，所述二維坐標(biāo)是根據(jù)采集的質(zhì)心的三維坐標(biāo)進(jìn)行坐標(biāo)轉(zhuǎn)換得到的。

可以理解的是，采用坐標(biāo)映射的方法將三維坐標(biāo)轉(zhuǎn)換為平面二位坐標(biāo)，可大大減小后續(xù)數(shù)據(jù)處理的復(fù)雜度。

相應(yīng)地，所述步驟14具體為：將各最終拐點(diǎn)以預(yù)設(shè)的方向進(jìn)行連接，獲得行徑路線。

本實(shí)施例提供的路線規(guī)劃方法，至少具有以下技術(shù)效果：

通過獲取所述拐點(diǎn)的數(shù)量占所屬區(qū)域中所有第一提取點(diǎn)的數(shù)量的比例大于預(yù)設(shè)值的區(qū)域，對(duì)所述區(qū)域進(jìn)行再次篩選可精簡(jiǎn)拐點(diǎn)區(qū)的數(shù)量，使攝像頭指引順暢。

圖3示出了本發(fā)明又一實(shí)施例提供的一種路線規(guī)劃方法的拐點(diǎn)連接示意圖。

參照?qǐng)D3，在上述實(shí)施例的基礎(chǔ)上，本實(shí)施例提供的路線規(guī)劃方法。所述方法步驟14，獲得行徑路線的方式可有多種，本實(shí)施例舉例說明其中一種。

所述方法步驟14’，具體包括：

將所述拐點(diǎn)以及附加拐點(diǎn)以預(yù)設(shè)的方向進(jìn)行連接；

其中，所述附加拐點(diǎn)是根據(jù)障礙點(diǎn)和最近點(diǎn)得到的，所述障礙點(diǎn)是位于兩拐點(diǎn)的直線距離上的點(diǎn)，所述最近點(diǎn)是距離障礙點(diǎn)最近的點(diǎn)。

在本步驟中，可能兩個(gè)拐點(diǎn)的直線距離上還存在一個(gè)點(diǎn)，則判定為攝像機(jī)應(yīng)當(dāng)避讓的模型。

進(jìn)一步地，攝像機(jī)避讓的路線如果太短，則無法起到躲避的效果，如果避讓的路線太長(zhǎng)，則增加了漫游路線，導(dǎo)致路線規(guī)劃不合理。

可選地，在行進(jìn)路線上增加一個(gè)適合附加拐點(diǎn)作為攝像機(jī)拐彎的指示點(diǎn)。

舉例來說，當(dāng)拐點(diǎn)1<x1，y1>與拐點(diǎn)2<x2，y2>的直線距離上存在<x′1，y′1>，將所述點(diǎn)作為障礙點(diǎn)。

采用如下公式獲得兩拐點(diǎn)的距離。

式中，<x1，y1>為拐點(diǎn)1的坐標(biāo)，<x2，y2>為拐點(diǎn)2的坐標(biāo)，distance表示距離。

進(jìn)一步地，獲取距離障礙點(diǎn)最近的點(diǎn)，即最近點(diǎn)<x′1，y′1>。

可選地，采用如下公式獲得附加拐點(diǎn)：

也就是說，選取障礙點(diǎn)<x′1，y′1>與最近點(diǎn)<x″1，y″1>的中點(diǎn)為附加拐點(diǎn)<x″‘1，y″’1>。

接下來，將拐點(diǎn)1、附加拐點(diǎn)和拐點(diǎn)2以預(yù)設(shè)的方向連接。

可選地，可將拐點(diǎn)1、附加拐點(diǎn)和拐點(diǎn)2按直線連接。

其中，可從近到遠(yuǎn)或從遠(yuǎn)到近將各拐點(diǎn)連接起來。

當(dāng)然，連接的方式可根據(jù)所述場(chǎng)景的展示內(nèi)容進(jìn)行調(diào)整，不以此為限。

本實(shí)施例提供的路線規(guī)劃方法，至少具有以下技術(shù)效果：

通過增加附加拐點(diǎn)，使得及時(shí)彌補(bǔ)先前確定拐點(diǎn)的不足，可避讓兩拐點(diǎn)的直線距離上的障礙點(diǎn)，從而完善了行徑路線。

圖4示出了本發(fā)明又一實(shí)施例提供的一種路線規(guī)劃方法的流程示意圖。

參照?qǐng)D4，本發(fā)明實(shí)施例提供的方法，可應(yīng)用于多種三維場(chǎng)景，為了更好的說明本實(shí)施例，在上述實(shí)施例的基礎(chǔ)上，以應(yīng)用于農(nóng)耕文化項(xiàng)目匯中涉及的三維場(chǎng)景為例進(jìn)行說明。當(dāng)用于其他vr游戲或虛擬體驗(yàn)系統(tǒng)中，只需更改相關(guān)訓(xùn)練數(shù)據(jù)即可。

所述方法包括以下步驟：

步驟401、開始，獲取已構(gòu)建的三維場(chǎng)景。

步驟402、數(shù)據(jù)采集，每一場(chǎng)景包括多個(gè)模型,針對(duì)每一場(chǎng)景，采集每一模型質(zhì)心的三維坐標(biāo)。

步驟403、對(duì)采集到的數(shù)據(jù)進(jìn)行預(yù)處理，具體地，將所述三維坐標(biāo)與場(chǎng)景進(jìn)行匹配，得到攜帶所屬場(chǎng)景編號(hào)的三維坐標(biāo)，還將述三維坐標(biāo)進(jìn)行坐標(biāo)轉(zhuǎn)換，得到二維坐標(biāo)，所述二維坐標(biāo)攜帶所屬場(chǎng)景編號(hào)。

由此可獲得與場(chǎng)景匹配的質(zhì)心的二維坐標(biāo)，用于下面的聚類算法和二分類算法調(diào)用。

步驟404、選擇聚類算法，具體是采用交叉驗(yàn)證的方式進(jìn)行判斷。

在本步驟中，將各個(gè)場(chǎng)景中每個(gè)模型的質(zhì)心二維坐標(biāo)作為數(shù)據(jù)源，借助機(jī)器學(xué)習(xí)scikit-learn庫(kù)依次調(diào)用最常用的cluster算法：dbscan、kmeans、minibatchkmeans和birth算法進(jìn)行聚類。

步驟405、驗(yàn)證各聚類算法的合理性。

根據(jù)三維場(chǎng)景中的模型的二維坐標(biāo)點(diǎn)進(jìn)行無監(jiān)督學(xué)習(xí)聚類后，還可進(jìn)行合理性驗(yàn)證。

其核心步驟包括：屬性選擇、樣例數(shù)據(jù)收集、聚類算法選擇、數(shù)據(jù)分組、以及用于交叉實(shí)驗(yàn)進(jìn)行聚類算法的選定。

首先，評(píng)估上述聚類算法的好壞依據(jù)以下方式：

分別計(jì)算出每個(gè)聚類算法在多達(dá)100個(gè)漫游場(chǎng)景中的平均適配率mar，對(duì)比分析哪個(gè)聚類算法的mar值較高。

可通過以下公式計(jì)算mar：

式中，n為場(chǎng)景的個(gè)數(shù)、g為預(yù)先確定的拐點(diǎn)數(shù)，在場(chǎng)景i中采用聚類算法a得到的拐點(diǎn)區(qū)，并有g(shù)a個(gè)拐點(diǎn)分布在由聚類算法a聚得的拐點(diǎn)區(qū)中。

其次，取mar值排在前n個(gè)對(duì)應(yīng)的聚類算法再進(jìn)行合理性驗(yàn)證。

可選地，根據(jù)類間差異參數(shù)及類內(nèi)差異參數(shù)進(jìn)行合理性驗(yàn)證。

具體地，選擇類內(nèi)差異參數(shù)最小化且類間差異參數(shù)最大化的聚類算法。

其中，根據(jù)類中心坐標(biāo)、坐標(biāo)點(diǎn)數(shù)、聚類數(shù)量、無標(biāo)記樣本、無標(biāo)記樣本的特征，特征的維數(shù)，得到類中心間的距離，作為類間差異參數(shù)。根據(jù)每一點(diǎn)坐標(biāo)，類中心坐標(biāo)，得到類內(nèi)每一點(diǎn)到它所述類中心的距離的平方和，作為類內(nèi)差異參數(shù)。

假設(shè)在某個(gè)場(chǎng)景中，人工規(guī)劃的拐點(diǎn)數(shù)(包含起始點(diǎn)位置，均為二維坐標(biāo))為g個(gè)，并且在這個(gè)場(chǎng)景中采用a聚類算法得到c_a個(gè)類簇，可通過以下公式計(jì)算i類和j類的類間差異參數(shù)：

式中，k代表k個(gè)聚類，i和j分別表示第i和j個(gè)聚類，xj為第j個(gè)無標(biāo)記樣本，xi表示第i個(gè)無標(biāo)記樣本，為cj的類中心,ni是第i個(gè)聚類中的點(diǎn)數(shù)。

而且n表示特征的維數(shù)，xiu表示第i個(gè)無標(biāo)記樣本的第u個(gè)特征，xju表示第j個(gè)無標(biāo)記樣本的第u個(gè)特征。

可通過以下公式計(jì)算第ci類的類內(nèi)差異參數(shù)：

式中，k代表k個(gè)聚類，ci表示第i個(gè)聚類，xi表示第i個(gè)無標(biāo)記樣本。

應(yīng)當(dāng)說明的是，針對(duì)每一聚類算法，都會(huì)利用交叉驗(yàn)證，比較與其他算法的合理性。

若所述聚類算法合理，則繼續(xù)執(zhí)行步驟406，若不合理，則返回步驟404采用另一種聚類算法。

步驟406、二分類算法選擇與數(shù)據(jù)訓(xùn)練。

圖5示出了本發(fā)明實(shí)施例提供的一種路線規(guī)劃方法的步驟406的流程示意圖。

在步驟406中，選擇合適的二分類算法對(duì)上述數(shù)據(jù)集進(jìn)行訓(xùn)練以達(dá)到較高的學(xué)習(xí)率。

如圖5所示，所述步驟406還包括步驟91-步驟99：

步驟91、類別標(biāo)記。將拐點(diǎn)簇中的所有點(diǎn)標(biāo)記為正，非拐點(diǎn)類簇里的點(diǎn)為反，將正例點(diǎn)和反例點(diǎn)，作為二分類的對(duì)象。

具體地，利用上述聚類算法聚類的結(jié)果進(jìn)行二分類訓(xùn)練。包含人工拐點(diǎn)的類簇中的所有點(diǎn)統(tǒng)一標(biāo)記為正例，其他類簇所包含的點(diǎn)統(tǒng)一標(biāo)注為反例，以上述聚類結(jié)果做為二分類的訓(xùn)練數(shù)據(jù)進(jìn)行二分類算法選擇。

步驟92、數(shù)據(jù)集更新，添加新數(shù)據(jù)列，新數(shù)據(jù)列里每一個(gè)數(shù)據(jù)是標(biāo)記信息。

具體地，在原始數(shù)據(jù)集中添加一列名為“result”的數(shù)據(jù)列，用于標(biāo)記數(shù)據(jù)集中每一條記錄“是”或“不是”拐點(diǎn)。

步驟93、數(shù)據(jù)可視化。每一數(shù)據(jù)列的點(diǎn)攜帶特征，獲取對(duì)拐點(diǎn)有明顯影響的特征，以及不是拐點(diǎn)有明顯影響的特征，也就是獲取特征的權(quán)重。

具體地，畫出針對(duì)各種屬性與結(jié)果標(biāo)記的直方圖、統(tǒng)計(jì)圖等。

根據(jù)可視化圖表可選擇出對(duì)result數(shù)據(jù)列明顯有影響的特征作為候選特征。

步驟94、特征選擇，對(duì)每?jī)蓚€(gè)各特征進(jìn)行相關(guān)性分析，每一特征具有多個(gè)相關(guān)系數(shù)，求和取平均后最大值對(duì)應(yīng)的特征，作為拐點(diǎn)特征。

具體地，結(jié)合步驟93選出的候選特征，并對(duì)各種特征進(jìn)行相關(guān)系數(shù)分析。

其中，相關(guān)系數(shù)為正且值越大，則此屬性就越有可能選擇為特征屬性。

如果步驟97中出現(xiàn)過擬合或欠擬合，就做些featureengineering的工作，減少或添加一些新產(chǎn)出的特征或者組合特征到模型中。

步驟95、算法選擇。每次選取knn,svm,nbc,mlp，rfc，sgd中的一個(gè)算法，進(jìn)入步驟96。

步驟96、交叉驗(yàn)證法選取訓(xùn)練集與測(cè)試集。

可選地，采用k折交叉驗(yàn)證法來評(píng)價(jià)每個(gè)二分類算法所訓(xùn)練模型的性能指標(biāo)。

由于k選取時(shí)過大或過小都會(huì)造成不必要的麻煩，因此采用最常用的10折交叉驗(yàn)證法。

具體地，將數(shù)據(jù)集分成十份，輪流將其中9份做訓(xùn)練1份做驗(yàn)證，10次的結(jié)果的均值作為對(duì)算法精度的估計(jì)，一般還需要進(jìn)行多次10折交叉驗(yàn)證求均值，例如：10次10折交叉驗(yàn)證，以獲得更精確的驗(yàn)證結(jié)果。

步驟97、選定好合適的交叉驗(yàn)證方法之后，分別使用二分類算法訓(xùn)練出的分類器畫出學(xué)習(xí)曲線，以判斷模型的學(xué)習(xí)能力和泛化能力。

若某個(gè)分類器畫出的學(xué)習(xí)曲線中訓(xùn)練集評(píng)分曲線和交叉驗(yàn)證集評(píng)分曲線擬合的較好，如圖2所示示，則選取此二分類算法作為最佳二分類算法，即學(xué)習(xí)能力和泛化能力逐漸趨于平緩。

除此之外，還應(yīng)綜合考慮每個(gè)模型的錯(cuò)誤率與精度、查準(zhǔn)率與查全率、代價(jià)敏感錯(cuò)誤率等因素來評(píng)價(jià)模型的性能。

可選地，可根據(jù)以下公式計(jì)算錯(cuò)誤率：

錯(cuò)誤率

式中，m表示樣例數(shù)，f表示分類函數(shù)，即擬合函數(shù)，f(xi)表示預(yù)測(cè)值(“是”或“不是”拐點(diǎn))，yi表示實(shí)際值，π(f(xi)≠yi)表示指示函數(shù)，在括號(hào)內(nèi)為真與假時(shí)分別取值1,0。

可選地，可根據(jù)以下公式計(jì)算精度：

精度acc(f；d)＝1-e(f；d)

其中，錯(cuò)誤率越低，相應(yīng)地，精度就越高，表示二分類算法越好。

可選地，可根據(jù)以下公式計(jì)算查準(zhǔn)率：

可選地，可根據(jù)以下公式計(jì)算查全率：

式中，tp為真正例，fp為假正例(即將“不是”拐點(diǎn)預(yù)測(cè)為“是”拐點(diǎn))，fn為假反例，tn為真反例。

其中，查準(zhǔn)率和查全率越高，表示二分類算法越好。

可選地，可根據(jù)以下公式計(jì)算代價(jià)敏感錯(cuò)誤率：

式中，e(f；d；cost)為代價(jià)敏感錯(cuò)誤率，costij表示將第i類樣本預(yù)測(cè)為第j類樣本的代價(jià)，d⁺表示正例子集(“是”拐點(diǎn))，d^-代表反例子集(“不是”拐點(diǎn))。

步驟94、過擬合或欠擬合判斷。

對(duì)于步驟97中若學(xué)習(xí)曲線出現(xiàn)嚴(yán)重的過擬合或欠擬合，則返回步驟94。也就是說，若擬合不好，再最大限度地從數(shù)據(jù)中提取特征以供算法和模型使用。

步驟99、模型融合與算法選擇。

圖6示出了本實(shí)施例提供的一種路線規(guī)劃方法的二分類算法的部分示意圖。

參閱圖6，針對(duì)訓(xùn)練集，基于每一模型融合方法，使用模型融合評(píng)價(jià)，得到最小的融合算法對(duì)應(yīng)的模型融合方法，作為最好的模型融合方法。

經(jīng)步驟97后，在同一份數(shù)據(jù)集上訓(xùn)練得到的多個(gè)分類器(比如logisticregression，svm，knn，randomforest，神經(jīng)網(wǎng)絡(luò))，將分類器分別做判定，然后對(duì)結(jié)果做投票統(tǒng)計(jì)，取票數(shù)最多的結(jié)果為最后結(jié)果。

關(guān)于選用何種模型融合方法，可以借助于scikit-learning機(jī)器學(xué)習(xí)庫(kù)依次調(diào)用adaboostclassifier(迭代分類算法)、baggingclassifier(重采樣分類)、votingclassifier(投票分類算法)、randemtreesenbedding(隨機(jī)數(shù)融合算法)、gradientboostingclassifier(迭代決策樹分類算法)等方法去測(cè)驗(yàn)?zāi)姆N模型融合方法更適合。

可選地，可根據(jù)以下公式評(píng)價(jià)模型融合：

err(x)＝(e[f(x)′]-f(x))²+(e[f(x)′]-f(x)′)²＝bias²+varience²

式中，err(x)表示泛華誤差，bias表示偏差，varience表示方差，表示泛華誤差可分解為偏差與方差之和，e[f(x)′]表示期望預(yù)測(cè)，f(x)表示實(shí)際標(biāo)記，f(x)′為訓(xùn)練集d上學(xué)得模型在x上的預(yù)測(cè)輸出。

其中，選擇使得方差與偏差都盡可能小的模型融合算法作為最優(yōu)模型融合算法。

步驟407、在數(shù)據(jù)測(cè)試的方式選擇之后，獲取待預(yù)測(cè)的數(shù)據(jù)集，所述數(shù)據(jù)集是場(chǎng)景中模型的第一提取點(diǎn)，所述第一提取點(diǎn)是所述模型的質(zhì)心。

步驟404、利用最優(yōu)聚類算法，得到多個(gè)類簇。

具體地，將所述數(shù)據(jù)集進(jìn)行數(shù)據(jù)可視化，得到多個(gè)區(qū)域，每一區(qū)域包括多個(gè)第一提取點(diǎn)，將模型二維坐標(biāo)點(diǎn)和其所屬場(chǎng)景編號(hào)作為聚類算法輸入。采用聚類算法，可輸出帶有標(biāo)記的拐點(diǎn)簇、非拐點(diǎn)簇。

其中，所述拐點(diǎn)簇為包括人工拐點(diǎn)的二維坐標(biāo)點(diǎn)的分布區(qū)域，所述非拐點(diǎn)簇為不包括人工拐點(diǎn)的二維坐標(biāo)點(diǎn)的分布區(qū)域。

步驟409、二分類拐點(diǎn)預(yù)測(cè)。

針對(duì)每一區(qū)域，判斷獲知所述第一提取點(diǎn)為拐點(diǎn)，且所述區(qū)域?yàn)楣拯c(diǎn)區(qū)，則獲取所述拐點(diǎn)區(qū)的第二提取點(diǎn)作為拐點(diǎn)，所述第二提取點(diǎn)是所述拐點(diǎn)區(qū)的質(zhì)心。

具體地，將類簇信息作為二分類算法的輸入。

其中，類簇信息包括：場(chǎng)景編號(hào)、某個(gè)二維坐標(biāo)、二維坐標(biāo)所屬類簇編號(hào)、所在類簇是否有預(yù)設(shè)對(duì)象，至少一個(gè)關(guān)鍵詞，所在類簇是否包含關(guān)鍵詞。

根據(jù)類簇信息與人工規(guī)劃的拐點(diǎn)，獲得類簇信息對(duì)應(yīng)的拐點(diǎn)特征，

由于人工設(shè)置三維場(chǎng)景漫游時(shí)，攝像機(jī)的移動(dòng)與下面文字的出現(xiàn)不匹配，本實(shí)施例中類簇?cái)y帶關(guān)鍵詞，在最終三維漫游展示的時(shí)候一并顯示關(guān)鍵詞?？蓪?shí)現(xiàn)關(guān)鍵詞與拐點(diǎn)的一一對(duì)應(yīng)，同時(shí)方便設(shè)置調(diào)整字幕出現(xiàn)的相關(guān)速度與精準(zhǔn)度。

應(yīng)當(dāng)說明的是，所述類簇包括拐點(diǎn)簇和非拐點(diǎn)簇。

舉例來說，場(chǎng)景編號(hào)、某個(gè)模型坐標(biāo)、模型所屬類簇編號(hào)、關(guān)鍵詞1、關(guān)鍵詞2、關(guān)鍵詞3、關(guān)鍵詞4、關(guān)鍵詞5、所在類簇是否有農(nóng)具、所在類簇是否有農(nóng)作物、所在類簇是否有魚、所在類簇是否有人物、所在類簇是否有田地、所在類簇是否有水、所在類簇是否包含關(guān)鍵詞1、所在類簇是否包含關(guān)鍵詞2、所在類簇是否包含關(guān)鍵詞3、所在類簇是否包含關(guān)鍵詞4、所在類簇是否包含關(guān)鍵詞5。

采用最優(yōu)二分類算法可輸出該模型所在的類簇是否可設(shè)置為拐點(diǎn)，若是，則選取該類簇的質(zhì)心坐標(biāo)作為拐點(diǎn)坐標(biāo)，否則判定為“不是”拐點(diǎn)。

進(jìn)一步地，根據(jù)步驟404聚類的結(jié)果采用最優(yōu)二分類算法進(jìn)行二分類判斷。

同時(shí)，引入自定義的拐點(diǎn)占有率ior和閾值threhold來判別整個(gè)類簇是否可作為拐點(diǎn)。

若是，則取類簇的質(zhì)心點(diǎn)坐標(biāo)作為拐點(diǎn)坐標(biāo)。

可根據(jù)以下公式計(jì)算ior：

式中，ior為拐點(diǎn)占有率，ii表示某一類簇中經(jīng)二分類預(yù)測(cè)可作為拐點(diǎn)的數(shù)量，ccp表示同一類簇中總的模型總數(shù)。

閾值threhold可設(shè)置為60％，當(dāng)ior>60％時(shí)，可判斷該類簇中的此點(diǎn)可作為拐點(diǎn)，則取類簇的質(zhì)心點(diǎn)坐標(biāo)作為拐點(diǎn)坐標(biāo)。

步驟410、路徑連接。

在拐點(diǎn)與拐點(diǎn)之間無障礙點(diǎn)時(shí)，將采取用直線鏈接的方式。

而將攝像機(jī)作為一個(gè)智能體，在從一個(gè)拐點(diǎn)通往另一個(gè)拐點(diǎn)，假設(shè)中間存在障礙點(diǎn)時(shí)，則需使得攝像機(jī)避開障礙點(diǎn)的同時(shí)仍以最短距離順利到達(dá)下一拐點(diǎn)。

如圖3所示，當(dāng)拐點(diǎn)1<x1，y1>與拐點(diǎn)2<x2，y2>中間存在障礙點(diǎn)<x′1，y′1>時(shí)，首先應(yīng)該取回障礙點(diǎn)1的二維坐標(biāo)點(diǎn)，并采用如下公式即平面上兩點(diǎn)之間求距離，

從而可找出同一個(gè)類簇中離障礙點(diǎn)1最近的點(diǎn)，將其稱為最近點(diǎn)<x″1，y″1〉。

然后選取障礙點(diǎn)<x′1，y′1>與最近點(diǎn)<x″1，y″1>的中點(diǎn)作為附加拐點(diǎn)<x″‘1，y″’1>。

最后將拐點(diǎn)1、附加拐點(diǎn)和拐點(diǎn)2按直線連接即可。

步驟411、自動(dòng)生成。按照?qǐng)鼍罢故緝?nèi)容自動(dòng)生成所有拐點(diǎn)的路線。

步驟412、結(jié)束，可根據(jù)步驟411中連接好的路線，始終設(shè)置攝像頭正朝向直線的方向，實(shí)現(xiàn)攝像機(jī)跟隨設(shè)定好的路線以一定的速度進(jìn)行漫游。

本實(shí)施例提供的路線規(guī)劃方法，至少具有以下技術(shù)效果：

1、無需手動(dòng)設(shè)置漫游路徑，通過確定拐點(diǎn)區(qū)，提取拐點(diǎn)區(qū)質(zhì)心作為拐點(diǎn)并連接拐點(diǎn)，可自動(dòng)實(shí)現(xiàn)路線規(guī)劃，從而大大提高工作效率。

2、通過機(jī)器學(xué)習(xí)進(jìn)行路線規(guī)劃，可進(jìn)行客觀學(xué)習(xí)與測(cè)試，減少人工規(guī)劃的主觀性干擾，并提高路線規(guī)劃的精準(zhǔn)度。

3、將關(guān)鍵字?jǐn)y帶于各類簇中，在取類簇的質(zhì)心為拐點(diǎn)后，可實(shí)現(xiàn)關(guān)鍵詞與拐點(diǎn)的一一對(duì)應(yīng)，方便設(shè)置調(diào)整字幕出現(xiàn)的相關(guān)速度與精準(zhǔn)度。

應(yīng)當(dāng)說明的是，現(xiàn)有技術(shù)中的漫游由于設(shè)置的點(diǎn)不合理，或沒有符合主題，使得體驗(yàn)者感受不佳，本發(fā)明實(shí)施例中配合關(guān)鍵字展示，使得體驗(yàn)者盡可能的在游戲場(chǎng)景展示去漫游，使得體驗(yàn)者感受更豐富的內(nèi)容。

4、采用坐標(biāo)映射的方法將三維坐標(biāo)轉(zhuǎn)換為平面二位坐標(biāo)，可減小運(yùn)算量。

5、將各個(gè)模型統(tǒng)一縮略為其質(zhì)心，并結(jié)合使用機(jī)器學(xué)習(xí)算法選出較為實(shí)用的最優(yōu)聚類算法和二分類算法，并采用模型融合方式可整體提高路線規(guī)劃的準(zhǔn)確率。

6、使用無監(jiān)督學(xué)習(xí)的聚類算法對(duì)標(biāo)準(zhǔn)統(tǒng)一化后的二維坐標(biāo)點(diǎn)進(jìn)行聚類，并與人工分類好的數(shù)據(jù)做對(duì)比(即與人為規(guī)劃路徑的相關(guān)拐點(diǎn)作對(duì)比)，在原始聚類算法性能評(píng)估的基礎(chǔ)上，結(jié)合平均適配率mar方法同時(shí)用來聚類算法性能評(píng)估，以便選擇出適合的聚類算法。

7、在判斷聚類后的類簇是否可作為拐點(diǎn)時(shí)，還運(yùn)用拐點(diǎn)占有率ior方法和閾值threhold，便于后續(xù)類簇中最優(yōu)拐點(diǎn)的選取，使攝像頭指引順暢。

8、當(dāng)拐點(diǎn)之間的連線存在障礙點(diǎn)時(shí)，使得攝像機(jī)在智能避開障礙物的同時(shí)而又使得距離最短。

9、始終設(shè)置攝像頭正朝向直線的方向，實(shí)現(xiàn)攝像機(jī)跟隨設(shè)定好的路線自動(dòng)漫游。

圖7示出了本發(fā)明又一實(shí)施例提供的一種路線規(guī)劃系統(tǒng)的結(jié)構(gòu)示意圖。

參照?qǐng)D7，本發(fā)明實(shí)施例提供的路線規(guī)劃系統(tǒng)，所述系統(tǒng)包括獲取模塊111、區(qū)域劃分模塊112、拐點(diǎn)確定模塊113和行徑路線獲取模塊114，其中：

獲取模塊111獲取待預(yù)測(cè)的數(shù)據(jù)集，所述數(shù)據(jù)集是場(chǎng)景中模型的第一提取點(diǎn)，所述第一提取點(diǎn)是所述模型的質(zhì)心；區(qū)域劃分模塊112用于將所述數(shù)據(jù)集進(jìn)行數(shù)據(jù)可視化，得到多個(gè)區(qū)域，每一區(qū)域包括多個(gè)第一提取點(diǎn)；拐點(diǎn)確定模塊113用于針對(duì)每一區(qū)域，判斷獲知所述第一提取點(diǎn)為拐點(diǎn)，且所述區(qū)域?yàn)楣拯c(diǎn)區(qū)，則獲取所述拐點(diǎn)區(qū)的第二提取點(diǎn)作為拐點(diǎn)，所述第二提取點(diǎn)是所述拐點(diǎn)區(qū)的質(zhì)心；行徑路線獲取模塊114用于將各拐點(diǎn)以預(yù)設(shè)的方向進(jìn)行連接，獲得行徑路線。

本發(fā)明實(shí)施例可應(yīng)用多種技術(shù)以實(shí)現(xiàn)路徑規(guī)劃，為了更好的說明本實(shí)施例，以應(yīng)用機(jī)器學(xué)習(xí)技術(shù)為例進(jìn)行說明。

可選地，獲取模塊111自所述模型提取一個(gè)點(diǎn)，即第一提取點(diǎn)。

在本步驟中，將各個(gè)模型統(tǒng)一縮略為其質(zhì)心。

設(shè)模型由n個(gè)質(zhì)點(diǎn)組成，模型的質(zhì)心是模型質(zhì)量分布的平均位置，用于表示模型中質(zhì)量集中于此的一個(gè)假想點(diǎn)。

其中，質(zhì)心提取可采取圖形圖像處理的現(xiàn)有技術(shù)方式進(jìn)行提取，例如，二值化處理。

可以理解的是，所述模型若為不規(guī)則形狀，無法提取有效的中心，采用提取質(zhì)心的方式，可合理、準(zhǔn)確的將所述區(qū)域縮略。

區(qū)域劃分模塊112將所述數(shù)據(jù)集進(jìn)行數(shù)據(jù)可視化，得到多個(gè)區(qū)域，每一區(qū)域包括多個(gè)第一提取點(diǎn)。

其中，所述拐點(diǎn)區(qū)表示所述區(qū)域是與拐點(diǎn)相關(guān)的區(qū)域。

拐點(diǎn)確定模塊113自所述拐點(diǎn)區(qū)提取一個(gè)點(diǎn)，即第二提取點(diǎn)。

在本步驟中，將各個(gè)拐點(diǎn)區(qū)統(tǒng)一縮略為其質(zhì)心。

設(shè)拐點(diǎn)區(qū)由n個(gè)質(zhì)點(diǎn)組成，拐點(diǎn)區(qū)的質(zhì)心是拐點(diǎn)區(qū)質(zhì)量分布的平均位置，用于表示拐點(diǎn)區(qū)中質(zhì)量集中于此的一個(gè)假想點(diǎn)。

其中，質(zhì)心提取可采取圖形圖像處理的現(xiàn)有技術(shù)方式進(jìn)行提取，例如，二值化處理。

可以理解的是，所述拐點(diǎn)區(qū)若為不規(guī)則形狀，無法提取有效的中心，采用提取質(zhì)心的方式，可合理、準(zhǔn)確的將所述區(qū)域縮略，進(jìn)一步地，將提取的質(zhì)心作為拐點(diǎn)。

行徑路線獲取模塊114在獲得各拐點(diǎn)區(qū)的拐點(diǎn)后，可從近到遠(yuǎn)或從遠(yuǎn)到近將各拐點(diǎn)連接起來。

當(dāng)然，連接的方式可根據(jù)所述場(chǎng)景的展示內(nèi)容進(jìn)行調(diào)整，不以此為限。

本實(shí)施例提供的路線規(guī)劃系統(tǒng)，可用于執(zhí)行上述方法實(shí)施例的方法，本實(shí)施不再贅述。

本實(shí)施例提供的路線規(guī)劃系統(tǒng)，至少具有以下技術(shù)效果：

通過區(qū)域劃分模塊確定拐點(diǎn)區(qū)，拐點(diǎn)確定模塊提取拐點(diǎn)區(qū)質(zhì)心作為拐點(diǎn)，并由行徑路線獲取模連接拐點(diǎn)，可自動(dòng)實(shí)現(xiàn)路線規(guī)劃，從而大大提高工作效率。

最后應(yīng)說明的是：以上實(shí)施例僅用以說明本發(fā)明實(shí)施例的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明實(shí)施例進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明實(shí)施例各實(shí)施例技術(shù)方案的精神和范圍。