[发明专利]一种基于指数函数密度聚类模型的室内目标提取方法

说明书

本发明涉及一种基于指数函数密度聚类模型的室内目标提取方法。首先根据点云数据的分布特征确定截止距离，利用指数函数确定点云截止距离内的局部密度，并根据局部密度和约束距离确定点云的聚类中心，然后依据每个点的聚类属性对室内目标进行聚类，确定点云初始聚类，最后利用KNNS算法对初始聚类进行融合，并依据聚类融合结果实现目标提取。相比以往截止距离都是依据经验而定，本发明通过建立扫描距离、角度分辨率及邻近点数的关系模型，给出截止距离确定方法。本发明在确定初始聚类中心之后，对其进行归一化处理，并将距离较近的聚类中心进行聚合，最终得到均匀化的聚类中心。

技术领域

本发明属于室内点云技术领域，特别是涉及一种基于指数函数密度聚类模型的室内目标提取方法。

背景技术

聚类分析是数据挖掘中最常用的技术之一，用于发现数据集中的未知对象类。聚类分析被广泛应用于模式识别、异常检测等领域。聚类不仅用于对数据进行分类，还可以通过识别特征和检测异常来洞察数据。因此，聚类可以用来观察现有数据源中数据点之间的未知关系，开发高精确度的专家系统。目前，由于数据的分布性质不同，聚类算法的性能也有所不同。

聚类方法主要包括基于分区的聚类方法、基于层次的聚类方法和基于密度的噪声应用空间聚类方法(Density-Based Spatial clustering ofApplications with Noise，DBSCAN)。基于分区的聚类方法将数据库D的n个对象划分为k个簇，该方法从D的初始划分开始，使用迭代控制策略优化目标函数，每个簇用簇的重心或簇中的一个对象表示。分区算法不遵循层次结构，将所有聚类作为数据的一个分区，根据适当的距离度量可以覆盖聚类的全局形状的所有信息。该算法的优点是简单高效，对于大数据集具有较低的时间复杂度和空间复杂度，缺点是当数据集较大时，聚类结果容易局部最优。层次聚类(又称层次聚类分析或HCA)是一种聚类分析方法，它试图建立一个层次的聚类，并使用树状结构来描述簇之间的关系。它的缺点是可能存在在任意度量空间中计算距离昂贵、层次聚类缺乏鲁棒性和算法的复杂度较高的问题。基于密度的空间聚类采用密度阈值来检测聚类边界，该算法的优点是可以处理数据集中的大量噪声，因此基于密度的聚类算法对噪声不敏感，可以找到任意形状的聚类，但是该算法仅适用于简单数据集，对高维复杂数据的处理并不成功。此外，还有一种类似密度的算法叫做快速搜索密度峰值聚类(CFDP)，与基于密度的集群一样，它能够自动找到正确的集群数量。实验表明，该算法具有良好的性能，但是其对局部密度和距离测度的定义、一步聚类策略和截止距离的估计等没有统一标准，另外，该算法没有考虑稀疏区域的聚类中心和稠密区域的聚类中心的差异。

发明内容

本发明针对现有技术的不足，提供一种基于指数函数密度聚类模型的室内目标提取方法。首先根据点云数据的分布特征确定截止距离，利用指数函数确定点云截止距离内的局部密度，并根据局部密度和约束距离确定点云的聚类中心，然后依据每个点的聚类属性对室内目标进行聚类，确定点云初始聚类，最后利用KNNS算法对初始聚类进行融合，并依据聚类融合结果实现目标提取。

为了达到上述目的，本发明提供的技术方案是一种基于指数函数密度聚类模型的室内目标提取方法，包括以下步骤：

步骤1，采用三维激光扫描的方式获得点云数据；

步骤2，根据步骤1获取的点云数据的分布特征确定截止距离；

步骤3，利用指数函数确定点云截止距离内的局部密度；

步骤4，依据步骤3求得的局部密度和约束距离确定点云的聚类中心；

步骤5，根据步骤4得到的每个点的聚类属性对室内目标进行聚类，确定点云初始聚类；

步骤6，利用KNNS算法对步骤5得到的初始聚类进行融合，并依据聚类融合结果实现目标提取。

而且，所述步骤2中截止距离d_C的计算方式如下：