基于密度聚類法和形態(tài)學(xué)聚類法的駕駛員注視點(diǎn)聚類方法
【專利摘要】基于密度聚類法和形態(tài)學(xué)聚類法的駕駛員注視點(diǎn)聚類方法，屬于典型密度聚類方法和數(shù)學(xué)形態(tài)學(xué)聚類方法的聚類方法領(lǐng)域。包括：提出密度方法與數(shù)學(xué)形態(tài)學(xué)方法相結(jié)合的自適應(yīng)DBSCAN-MMC方法；將方法用于駕駛員注視點(diǎn)聚類；首先使用注視點(diǎn)結(jié)構(gòu)參數(shù)設(shè)置Eps的取值；通過(guò)DBSCAN得到MMC聚類的初始點(diǎn)集并確定聚類數(shù)目；使用自適應(yīng)的MMC聚類減少DBSCAN聚類產(chǎn)生的離群點(diǎn)，并最終完成面向駕駛員注視區(qū)域的聚類。本發(fā)明充分利用了DBSCAN和MMC的不規(guī)則形狀聚類優(yōu)勢(shì)并較好地彌補(bǔ)了兩種聚類方法的缺陷，在進(jìn)行駕駛員注視區(qū)域劃分時(shí)聚類效果優(yōu)于常規(guī)DBSCAN聚類方法和MMC聚類方法，提高了駕駛員注視點(diǎn)聚類質(zhì)量。
【專利說(shuō)明】基于密度聚類法和形態(tài)學(xué)聚類法的駕駛員注視點(diǎn)聚類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于典型密度聚類方法DBSCAN (DensityBasedSpatialClustering ofApplicationswithNoise),數(shù)學(xué)形態(tài)學(xué)聚類方法(MathematicalMorphologyClustering, MMC)的聚類方法領(lǐng)域，特別是涉及到一種交通工程學(xué)中的駕駛員視覺行為領(lǐng)域和分類學(xué)中的聚類領(lǐng)域。
【背景技術(shù)】
[0002]使用聚類方法進(jìn)行駕駛員注視區(qū)域劃分可克服傳統(tǒng)注視區(qū)域劃分主觀性大的缺點(diǎn)，有助于尋找駕駛員視覺規(guī)律，從而提高駕駛員狀態(tài)監(jiān)測(cè)和駕駛行為預(yù)測(cè)的準(zhǔn)確性。但駕駛員注視點(diǎn)分布有不規(guī)則、較離散的特點(diǎn)，而常規(guī)基于距離的聚類方法有僅對(duì)“類圓形”數(shù)據(jù)聚類效果較好、聚類邊界較生硬等缺陷。因此，尋求合理有效的聚類方法成為提高注視區(qū)域劃分精度和提高劃分智能化程度的關(guān)鍵問題。
[0003]在聚類領(lǐng)域，基于密度和基于數(shù)學(xué)形態(tài)學(xué)聚類方法可進(jìn)行不規(guī)則形狀數(shù)據(jù)的聚類。其中 DBSCAN(DensityBasedSpatialClusteringofApplicationswith Noise)算法為基于密度的典型聚類方法，其中心思想為:若一個(gè)點(diǎn)簇可由其中的任何核心對(duì)象唯一確定，對(duì)于某一點(diǎn)簇中的對(duì)象，給定半徑Eps的鄰域內(nèi)數(shù)據(jù)對(duì)象個(gè)數(shù)必須大于給定值MinPts ;數(shù)學(xué)形態(tài)學(xué)聚類(MathematicalMorphology Clustering,MMC)將用于圖像處理的方法引入聚類分析，其首先將矢量空間數(shù)據(jù)轉(zhuǎn)換為柵格，循環(huán)使用由小到大的結(jié)構(gòu)元進(jìn)行閉運(yùn)算連接相鄰目標(biāo)，經(jīng)運(yùn)算處于同一連通區(qū)域的目標(biāo)劃歸為一類。
[0004]國(guó)內(nèi)外學(xué)者已對(duì)典型密度聚類方法DBSCAN和形態(tài)學(xué)聚類方法MMC進(jìn)行了研究并取得了一些成果。但是，在DBSCAN算法中仍存在參數(shù)值Eps的選取對(duì)聚類結(jié)果影響較大、改進(jìn)的DBSCAN算法時(shí)間復(fù)雜度提高的問題；在MMC中則尚存在需大量人工干預(yù)的缺陷。單純使用DBSCAN或MMC方法會(huì)出現(xiàn)離群點(diǎn)劃分過(guò)多、聚類系統(tǒng)自動(dòng)化程度低下的問題。
[0005]因此針對(duì)現(xiàn)有技術(shù)當(dāng)中存在的諸多不足之處，本領(lǐng)域亟需要一種新的技術(shù)方案來(lái)解決這一問題。

【發(fā)明內(nèi)容】

[0006]本發(fā)明所要解決的技術(shù)問題是:針對(duì)常規(guī)基于距離的聚類方法對(duì)分布不規(guī)則、較離散的非“類圓形”駕駛員注視點(diǎn)數(shù)據(jù)聚類效果較差、聚類邊界較生硬等缺陷，而可生成任意形狀點(diǎn)簇的典型密度聚類DBSCAN其聚類效果受參數(shù)取值影響較大，數(shù)學(xué)形態(tài)學(xué)聚類需大量人工干預(yù)的問題，提出了將DBSCAN與改進(jìn)的MMC相結(jié)合的DBSCAN-MMC聚類方法，以實(shí)現(xiàn)駕駛員注視點(diǎn)的自動(dòng)、有效聚類。
[0007]基于密度聚類法和形態(tài)學(xué)聚類法的駕駛員注視點(diǎn)聚類方法，其特征是:
[0008]步驟一、數(shù)據(jù)采集，使用SmartEye眼動(dòng)儀采集駕駛員眼動(dòng)數(shù)據(jù)，處理眼動(dòng)儀向量形式數(shù)據(jù)得到駕駛員注視視線到其前方Im處鉛直平面的投影，并以駕駛員正前方視線投影為原點(diǎn)建立坐標(biāo)系，作為原始數(shù)據(jù)Gazemi ；[0009]步驟二、參數(shù)設(shè)置，使用注視點(diǎn)結(jié)構(gòu)參數(shù)Eps，設(shè)置Eps的取值，設(shè)注視點(diǎn)在注視區(qū)域內(nèi)均勻分布，則以每一注視點(diǎn)為圓心的圓直徑，即為DBSCAN典型密度聚類方法的鄰域搜索半徑，按式(1)求得Eps，設(shè)置DBSCAN鄰域最少對(duì)象數(shù)MinPts = 3
[0010]
【權(quán)利要求】
1.基于密度聚類法和形態(tài)學(xué)聚類法的駕駛員注視點(diǎn)聚類方法，其特征是: 步驟一、數(shù)據(jù)采集，使用SmartEye眼動(dòng)儀采集駕駛員眼動(dòng)數(shù)據(jù)，處理眼動(dòng)儀向量形式數(shù)據(jù)得到駕駛員注視視線到其前方Im處鉛直平面的投影，并以駕駛員正前方視線投影為原點(diǎn)建立坐標(biāo)系，作為原始數(shù)據(jù)Gazemi ； 步驟二、參數(shù)設(shè)置，使用注視點(diǎn)結(jié)構(gòu)參數(shù)Eps，設(shè)置Eps的取值，設(shè)注視點(diǎn)在注視區(qū)域內(nèi)均勻分布，則以每一注視點(diǎn)為圓心的圓直徑，即為DBSCAN典型密度聚類方法的鄰域搜索半徑，按式(1)求得Eps，設(shè)置DBSCAN鄰域最少對(duì)象數(shù)MinPts = 3
2.根據(jù)權(quán)利要求1所述的可視免拆解三元催化器清洗方法的清洗裝置，其特征是:所述的步驟一中，關(guān)于數(shù)據(jù)采集，使用SmartEye眼動(dòng)儀采集駕駛員進(jìn)行直線、左轉(zhuǎn)、右轉(zhuǎn)三種駕駛行為時(shí)的眼動(dòng)數(shù)據(jù)。
3.根據(jù)權(quán)利要求1所述的可視免拆解三元催化器清洗方法的清洗裝置，其特征是:所述的步驟六中采用數(shù)學(xué)形態(tài)學(xué)聚類方法MathematicalMorphology Clustering,其縮寫為MMC,在約束條件下以設(shè)定步長(zhǎng)進(jìn)行MMC計(jì)算直到滿足終止要求，實(shí)現(xiàn)自適應(yīng)的MMC聚類 判斷第η次計(jì)算中是否有被劃歸入連通區(qū)的注視點(diǎn)， 若Cintn-Cintlri > O,貝丨J n = n+1, r = rOTi,進(jìn)行數(shù)學(xué)形態(tài)學(xué)膨脹， 若 Cintn-Cintlri = O,且;r < rup,則 r = r+rst, n = n+1,進(jìn)行數(shù)學(xué)形態(tài)學(xué)膨脹，若Cintn-Cintl ri = O,且r≥rup,終止膨脹運(yùn)算。
【文檔編號(hào)】G06T7/00GK103903276SQ201410166391
【公開日】2014年7月2日 申請(qǐng)日期:2014年4月23日 優(yōu)先權(quán)日:2014年4月23日
【發(fā)明者】李世武, 徐藝, 王琳虹, 楊志發(fā), 孫文財(cái), 張景海, 周茹波, 郭夢(mèng)竹, 楊良坤, 于曉東 申請(qǐng)人:吉林大學(xué)