基于密度聚類法和形態(tài)學聚類法的駕駛員注視點聚類方法
【專利摘要】基于密度聚類法和形態(tài)學聚類法的駕駛員注視點聚類方法，屬于典型密度聚類方法和數(shù)學形態(tài)學聚類方法的聚類方法領域。包括：提出密度方法與數(shù)學形態(tài)學方法相結合的自適應DBSCAN-MMC方法；將方法用于駕駛員注視點聚類；首先使用注視點結構參數(shù)設置Eps的取值；通過DBSCAN得到MMC聚類的初始點集并確定聚類數(shù)目；使用自適應的MMC聚類減少DBSCAN聚類產生的離群點，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)勢并較好地彌補了兩種聚類方法的缺陷，在進行駕駛員注視區(qū)域劃分時聚類效果優(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聚類質量。
【專利說明】基于密度聚類法和形態(tài)學聚類法的駕駛員注視點聚類方法
【技術領域】
[0001]本發(fā)明屬于典型密度聚類方法DBSCAN (DensityBasedSpatialClustering ofApplicationswithNoise),數(shù)學形態(tài)學聚類方法(MathematicalMorphologyClustering, MMC)的聚類方法領域，特別是涉及到一種交通工程學中的駕駛員視覺行為領域和分類學中的聚類領域。
【背景技術】
[0002]使用聚類方法進行駕駛員注視區(qū)域劃分可克服傳統(tǒng)注視區(qū)域劃分主觀性大的缺點，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)測和駕駛行為預測的準確性。但駕駛員注視點分布有不規(guī)則、較離散的特點，而常規(guī)基于距離的聚類方法有僅對“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鍵問題。
[0003]在聚類領域，基于密度和基于數(shù)學形態(tài)學聚類方法可進行不規(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:若一個點簇可由其中的任何核心對象唯一確定，對于某一點簇中的對象，給定半徑Eps的鄰域內數(shù)據(jù)對象個數(shù)必須大于給定值MinPts ;數(shù)學形態(tài)學聚類(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)轉換為柵格，循環(huán)使用由小到大的結構元進行閉運算連接相鄰目標，經(jīng)運算處于同一連通區(qū)域的目標劃歸為一類。
[0004]國內外學者已對典型密度聚類方法DBSCAN和形態(tài)學聚類方法MMC進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的選取對聚類結果影響較大、改進的DBSCAN算法時間復雜度提高的問題；在MMC中則尚存在需大量人工干預的缺陷。單純使用DBSCAN或MMC方法會出現(xiàn)離群點劃分過多、聚類系統(tǒng)自動化程度低下的問題。
[0005]因此針對現(xiàn)有技術當中存在的諸多不足之處，本領域亟需要一種新的技術方案來解決這一問題。

【發(fā)明內容】

[0006]本發(fā)明所要解決的技術問題是:針對常規(guī)基于距離的聚類方法對分布不規(guī)則、較離散的非“類圓形”駕駛員注視點數(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)學形態(tài)學聚類需大量人工干預的問題，提出了將DBSCAN與改進的MMC相結合的DBSCAN-MMC聚類方法，以實現(xiàn)駕駛員注視點的自動、有效聚類。
[0007]基于密度聚類法和形態(tài)學聚類法的駕駛員注視點聚類方法，其特征是:
[0008]步驟一、數(shù)據(jù)采集，使用SmartEye眼動儀采集駕駛員眼動數(shù)據(jù)，處理眼動儀向量形式數(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建立坐標系，作為原始數(shù)據(jù)Gazemi ；[0009]步驟二、參數(shù)設置，使用注視點結構參數(shù)Eps，設置Eps的取值，設注視點在注視區(qū)域內均勻分布，則以每一注視點為圓心的圓直徑，即為DBSCAN典型密度聚類方法的鄰域搜索半徑，按式(1)求得Eps，設置DBSCAN鄰域最少對象數(shù)MinPts = 3
[0010]
【權利要求】
1.基于密度聚類法和形態(tài)學聚類法的駕駛員注視點聚類方法，其特征是: 步驟一、數(shù)據(jù)采集，使用SmartEye眼動儀采集駕駛員眼動數(shù)據(jù)，處理眼動儀向量形式數(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建立坐標系，作為原始數(shù)據(jù)Gazemi ； 步驟二、參數(shù)設置，使用注視點結構參數(shù)Eps，設置Eps的取值，設注視點在注視區(qū)域內均勻分布，則以每一注視點為圓心的圓直徑，即為DBSCAN典型密度聚類方法的鄰域搜索半徑，按式(1)求得Eps，設置DBSCAN鄰域最少對象數(shù)MinPts = 3
2.根據(jù)權利要求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，關于數(shù)據(jù)采集，使用SmartEye眼動儀采集駕駛員進行直線、左轉、右轉三種駕駛行為時的眼動數(shù)據(jù)。
3.根據(jù)權利要求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)學形態(tài)學聚類方法MathematicalMorphology Clustering,其縮寫為MMC,在約束條件下以設定步長進行MMC計算直到滿足終止要求，實現(xiàn)自適應的MMC聚類 判斷第η次計算中是否有被劃歸入連通區(qū)的注視點， 若Cintn-Cintlri > O,貝丨J n = n+1, r = rOTi,進行數(shù)學形態(tài)學膨脹， 若 Cintn-Cintlri = O,且;r < rup,則 r = r+rst, n = n+1,進行數(shù)學形態(tài)學膨脹，若Cintn-Cintl ri = O,且r≥rup,終止膨脹運算。
【文檔編號】G06T7/00GK103903276SQ201410166391
【公開日】2014年7月2日 申請日期:2014年4月23日 優(yōu)先權日: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, 張景海, 周茹波, 郭夢竹, 楊良坤, 于曉東 申請人:吉林大學