[发明专利]基于曲率点聚类及决策树的碰撞检测优化方法

摘要

本发明公开了基于曲率点聚类及决策树的碰撞检测优化方法，包含以下步骤：步骤一、基于曲率点聚类和几何特征选择层次包围盒；步骤二、基于决策树模型优化混合层次树的建立。本方法通过计算不同类型碰撞物轮廓点的曲率，分析其几何特征，采用K均值聚类算法选择合适的包围盒，提高包围盒和碰撞物的匹配度；运用Boosting算法提高决策树模型精度，省去原有碰撞检测算法中的冗余计算，优化混合层次树的建立过程，提高碰撞检测的效率。

主权项

1.基于曲率点聚类及决策树的碰撞检测优化方法，其特征在于，包含步骤如下：步骤一，基于曲率点聚类和几何特征选择层次包围盒；具体过程如下：步骤1‑1，可视化帧间密集光流，提取待检测碰撞物的外部轮廓；待检测视频由数字矩阵和三维点构成；数字矩阵包含若干子矩阵，每个子矩阵对应视频中的一帧图像；一帧图像由一系列像素点组成，包含若干光流信息；光流信息分为稀疏光流和密集光流；根据相邻两帧图像对应的数字矩阵，结合两帧图像内像素点的映射关系，计算相邻两帧图像的帧间密集光流，得到对应时刻待检测碰撞物的动态信息；基于Munsell建立的颜色系统，用不同颜色表示待检测碰撞物的不同运动方向，用颜色的深浅表示待检测碰撞物的不同运动速度，得到帧间密集光流图；基于待检测碰撞物颜色分布的聚类特性，聚类特性为不同颜色以非随机方式分布在固定区域内，相近颜色分布在邻近区域；基于待检测碰撞物的YCbCr色带，分割帧间密集光流图；不考虑亮度对分割的影响，构建一个YCbCr肤色带，提取类肤色区域；所述YCbCr肤色带表示为：77≤Cb≤127163≤Cr≤173其中，Cb和Cr分别是蓝色和红色成分的浓度偏移量；通过大津阈值法将区域分割后的帧间密集光流图转换成待检测碰撞物的外部轮廓；大津阈值法通过设置阈值，将原图像分成前景、背景两个部分，使两者具有最大类间方差，实现图像二值化；图像二值化是令图像上所有像素点的灰度值均为0或255，达到黑白图像的视觉效果；利用Canny边缘检测器提取所述待检测碰撞物的外部轮廓；步骤1‑2，确定潜在尖锐点；提取构成待检测碰撞物外部轮廓的所有像素点，称轮廓点；存储各轮廓点位置并计算其曲率余弦的绝对值|cosθ|，计算方法为：其中，θ是轮廓点对应的曲率角，V1、V2分别是连接该轮廓点与其前、后相邻轮廓点的有向线段；若某轮廓点的曲率余弦的绝对值|cosθ|满足T1＜|cosθ|＜T2，则该轮廓点为潜在尖锐点；T1和T2是预先设定的两个轮廓阈值；步骤1‑3，基于K均值聚类算法，构建混合层次包围盒；对所有潜在尖锐点进行K均值聚类分析，K均值聚类分析是基于距离的聚类分析算法，采用欧氏距离作为相似性评价指标，即两聚类对象的欧氏距离越小，相似度越大；随机选取k个潜在尖锐点作为初始聚类中心；k与最大曲率点的曲率成正比，最大曲率点为曲率值最大的点；计算剩余潜在尖锐点到各聚类中心的欧氏距离，将该点归到距离最小的聚类中心中，重新计算聚类中心；重复上述运算，直至新计算出的聚类中心与原聚类中心相等或小于指定值，统计聚类中心个数即真正尖锐点的个数；运用层次包围盒法进行碰撞检测，层次包围盒法将复杂待检测碰撞对象用包围盒包裹起来，进行相交测试，实现碰撞检测；离散有向多面体包围盒和球形包围盒是两种常用的包围盒；为待检测碰撞物构建由所述两种常用包围盒组成的混合层次包围盒；具体方法是：若真正尖锐点的个数大于碰撞阈值H0，选择离散有向多面体包围盒；否则，选择球形包围盒；步骤二，基于决策树模型优化混合层次树的建立；建立并遍历混合层次包围盒对应的混合层次树，进行碰撞检测；混合层次树的建立方法为：将单个包围盒包含的基本几何元素看作叶子节点，基本几何元素为三角形或四面体；不断将叶子节点分组并形成新节点，直至建树完成；利用决策树模型省去分组的大量冗余计算，优化混合层次树的建立，并通过Boosting算法提升决策树模型的精度；步骤2‑1，建立决策树模型；待检测碰撞物包围盒的几何元素为建树的输入样本，将其分成训练集、验证集和测试集；训练集拟合模型，验证集寻找最佳模型，测试集检验模型性能；随机抽取50％的输入样本作为训练集，25％的输入样本作为测试集，25％的输入样本作为验证集；基于训练集建立决策树模型；决策树模型的输入变量是分类型变量，基于所述K均值聚类的结果，形成决策树的若干个分支；以信息增益率作为评价标准进行特征选择，即对每个节点分裂情况作出量化评价，得到最佳属性；信息增益率是反映分裂数据广度和均匀度的物理量；基于最佳属性，将不同取值的节点分开，形成新的节点，直至建树完成；步骤2‑2，对决策树模型剪枝；采用后修剪方法对决策树模型的树结构进行修剪，后修剪方法即从叶节点向上逐层剪枝；利用统计学置信区间估计方法，在训练集上估计误差；置信区间估计方法用置信度控制剪枝的程度，决定误差上限，计算方法为：其中，P为概率；fi为预测错误观测数与该节点观测数的商，反映误差；ei为第i个叶节点的估计误差；Ni为节点数，zα/2为标准正态分布模型的概率值；α为显著性水平，1‑α为置信度；基于减少误差法剪枝，减少误差法是一种降低所述置信区间估计方法错判损失的策略，若满足减少误差法的误差公式，则剪枝；误差公式为：其中，b为待剪枝子树中叶节点的个数；di为第i个叶节点所含样本与子树所含样本的比值；e为父节点的估计误差；步骤2‑3，用Boosting算法提升所述决策树模型精度；基于所述决策树模型，多次输入训练集训练，输出n个决策树模型，n为正整数，表示训练输出决策树模型数量；记为J1,J2,...,Jn；每个训练集样本的初始权重为1/n，对训练过程中分类出错的样本，Boosting算法根据误差更新规则不断更新其权重以重点判断，更新规则为：其中，wq(l+1)为第q个样本第l次更新后的权重；保持错误样本的权重不变，更新正确样本的权重，更新规则为：wq(l+1)＝wq(l)*β(l)β(l)＝E(l)/(1‑E(l))其中，wq(l)为第q个样本第l‑1次更新后的权重；β(l)为权重更新参数，E(l)为训练输出的第l个决策树模型的误差；若E(l)＞0.5或E(l)＝0，终止算法。