亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        面向駕駛員注視區(qū)域劃分的DBSCAN-MMC方法

        2015-08-10 09:18:08孫文財楊志發(fā)李世武郭夢竹魏學新
        浙江大學學報(工學版) 2015年8期
        關鍵詞:駕駛員區(qū)域方法

        孫文財,楊志發(fā),李世武,徐 藝,郭夢竹,魏學新

        (吉林大學 交通學院,吉林 長春130022)

        駕駛員注視區(qū)域劃分是研究駕駛員視覺轉(zhuǎn)移模式的基礎,合理有效地劃分駕駛員注視區(qū)域?qū)⒂兄趯ふ荫{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.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,國內(nèi)已有學者進行了相關研究并取得了成果:長安大學郭應時等[1-2]使用基于距離的聚類方法,通過改變聚類個數(shù)較為合理地完成了駕駛員注視區(qū)域的劃分.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.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,國內(nèi)外學者已對典型密度聚 類 方 法(density based spatial clustering of applications with noise,DBSCAN)和形態(tài)學聚類方法進行了研究并取得了一些成果:Ester等[3]最早提出用于解決任意形狀數(shù)據(jù)聚類問題的DBSCAN算法;Ankerst等[4-9]采用不同方法在DBSCAN 參數(shù)選取和聚類精度方面取得了一定進展;Postaire等[10]最早提出數(shù)學形態(tài)學聚類,經(jīng)Starovoitov等[11-14]發(fā)展優(yōu)化.但是,DBSCAN 算法仍存在參數(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;數(shù)學形態(tài)學聚類(mathematical morphology clustering,MMC)則尚存需大量人工干預、智能化程度不高的缺陷.

        針對DBSCAN 和MMC存在的問題,為提高駕駛員注視區(qū)域劃分效果,本文對MMC 方法進行改進并與DBSCAN 結合使用,提出了面向駕駛員注視區(qū)域劃分的DBSCAN-MMC聚類方法.

        1 DBSCAN 與MMC聚類方法

        1.1 DBSCAN 聚類方法

        Ester等[3]提出的DBSCAN 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rE的鄰域內(nèi)數(shù)據(jù)對象個數(shù)必須大于給定值MP.可表述為

        1)確定rE鄰域給定數(shù)據(jù)對象p 的rE鄰域NEps(p)定義為以p 為核心,以rE為半徑的d 維超球體區(qū)域,即

        式中:D?Rd為d 維實空間上的數(shù)據(jù)集,dist(p,q)為D 中p 和q 之間的距離.

        4)確定密度可達 給定數(shù)據(jù)集D,存在一個對象鏈pi(i=1,2,…,n,p1=q,pn=p),對于pi∈D,若在條件pi+1從pi直接密度可達,則稱對象p 從對象q 密度可達.

        5)確定密度相連 如果數(shù)據(jù)集D 中存在一個對象o,使得對象p 和q 是從o 密度可達的,則稱對象p 和q 密度相連.

        6)確定簇與噪聲 由任意一個核心點對象開始,從該對象密度可達的所有對象構成一個簇.不屬于任何簇的對象為噪聲.

        1.2 MMC聚類方法

        數(shù)學形態(tài)學聚類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.基于圓形結構元的MMC聚類可表述為[10]

        1)初始化圓半徑i=1;

        2)建立半徑為i的圓形結構元Bi;

        3)閉運算Yi=X·Bi;

        式中:X 為待聚類數(shù)據(jù),Y 為聚類結果(同一類中值相同,不同類值不同)

        4)統(tǒng)計連通區(qū)域數(shù)即聚類數(shù)ni,若ni>1,i=i+1,轉(zhuǎn)(2),否則繼續(xù)(5);

        5)根據(jù)ni計算最優(yōu)聚類數(shù)nk得到對應的結構元半徑k.

        MMC能夠得到與圖像處理相似的效果,即:消弭轉(zhuǎn)換為柵格的數(shù)據(jù)點的間隙,使平面距離接近的數(shù)據(jù)點生成連通區(qū)域,MMC 可以任意形狀融合擴展,可充分利用已有聚類區(qū)域的位置信息,生成任意形狀的聚類.

        2 面向注視區(qū)域劃分的DBSCAN-MMC聚類方法

        2.1 常規(guī)聚類方法存在問題

        在使用常規(guī)聚類方法對駕駛員注視區(qū)域進行劃分的過程中,存在如下問題:

        1)駕駛員存在分散注視點且注視點分布并不規(guī)則,而常規(guī)基于距離的聚類方法對異常點敏感,劃分非圓形區(qū)域時區(qū)域邊界生硬,無法達到注視區(qū)域劃分的目的;

        2)單純使用DBSCAN 聚類方法,聚類效果受參數(shù)的影響較大,選取較小的rE會產(chǎn)生較多離群點,選取較小的rE會導致不同類的誤合并,且一旦確定rE,將無法對聚類產(chǎn)生的離群點進行進一步劃分;

        3)常規(guī)MMC需人為確定最終聚類數(shù)目,自適應能力不佳,可用性差.

        2.2 DBSCAN-MMC方法步驟

        為解決上述問題,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.方法首先使用結構參數(shù)設置rE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(chǎn)生的離群點,并最終完成面向駕駛員注視區(qū)域的劃分.具體步驟如下.

        1)設注視點在注視區(qū)域內(nèi)均勻分布,則以每一注視點為圓心的圓直徑(如圖1 所示)即為DBSCAN 的鄰域搜索半徑,按式(1)求得rE,設置DBSCAN 鄰域最少對象數(shù)MP=3.

        根據(jù)鄰域搜索半徑,設置圓形結構元初始半徑rori=rE/2,設置較小的半徑擴展步長和結構元半徑上限以降低相近區(qū)域的邊界劃分生硬的概率,即半徑擴展步長rst=rE/10,結構元半徑上限r(nóng)up=5rE.

        式中:l為注視區(qū)域長度,h為注視區(qū)域高度,cg為注視點數(shù)量.

        圖1 搜索半徑示意圖Fig.1 Schematic diagram of search radius

        2)對注視點數(shù)據(jù)Gori進行基于DBSCAN 的聚類,核心對象Gcon即為駕駛員注視集中的區(qū)域,劃歸類的數(shù)目k作為最終聚類數(shù)目;

        3)以注視集中區(qū)Gcon為初始點GMMC進行圓形結構元半徑r=rori的形態(tài)學膨脹,生成連通區(qū)所包含的初始注視點簇G1,記錄已被劃歸入連通區(qū)的注視點數(shù)量C1;

        4)以第n-1次計算所得注視點簇Gn-1為第n 次MMC 的初始點,進行圓形結構元半徑為r 的形態(tài)學膨脹,將連通區(qū)中離群點劃歸為該區(qū)域,生成連通區(qū)注視點簇Gn,記錄已被劃歸入連通區(qū)的注視點數(shù)量Cn;

        5)判斷第n次計算中是否有被劃歸入連通區(qū)的注視點,若Cn-Cn-1>0,則n=n+1,r=rori,轉(zhuǎn)3),若Cn-Cn-1=0,且r<rup,則r=r+rst,n=n+1,轉(zhuǎn)3),若Cn-Cn-1=0,且r≥rup,繼續(xù)步驟6);

        6)將第n 次形態(tài)學聚類生成的每個連通區(qū)Ii(i=1,2,…,k)中包含的點劃歸為對應點集,生成最終簇GTi(GTi=Gn,i),將未被劃歸入聚類區(qū)域的點單獨歸為一簇,最終生成k+1個簇,每一簇即為一個注視區(qū)域.

        方法流程如圖2所示.

        2.3 DBSCAN-MMC方法的優(yōu)勢

        圖2 DBSCAN-MMC聚類方法流程Fig.2 DBSCAN-MMC clustering method flow chart

        使用基于劃分的聚類方法時,每次迭代的聚類中心確定后,距離相近的點完全按照與聚類中心的距離被硬性劃歸為不同點簇,導致K-means等基于距離的聚類方法只能發(fā)現(xiàn)“類圓形”,若對象點非圓形、聚類中心數(shù)目選取不合適即會出現(xiàn)劃分邊界生硬的現(xiàn)象.而DBSCAN-MMC結合基于密度和基于數(shù)學形態(tài)學的聚類優(yōu)點,首先經(jīng)DBSCAN 確定注視密集區(qū),明確聚類中心數(shù)量和位置,再經(jīng)MMC進行任意形狀的區(qū)域拓展,可完全規(guī)避上述基于劃分的聚類方法的缺陷.

        3 實例驗證與結果分析

        3.1 基于DBSCAN-MMC的注視區(qū)域劃分

        分別采集熟練駕駛員進行直線、左轉(zhuǎn)、右轉(zhuǎn)3種駕駛行為時的眼動數(shù)據(jù),每種駕駛行為采集時長為10s.剔除因系統(tǒng)誤差超出視野外的數(shù)據(jù)以及眨眼時刻(該時刻眼動儀無法捕捉瞳孔數(shù)據(jù),因而注視方向數(shù)據(jù)誤差較大)的數(shù)據(jù),共得到1 151 組有效數(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1m 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,作為實例驗證的原始數(shù)據(jù)Gori.注視點對應車輛位置如圖3所示.

        圖3 注視點的車輛位置圖Fig.3 Vehicle location of fixation points

        使用上述數(shù)據(jù)進行基于DBSCAN-MMC 的駕駛員注視區(qū)域的劃分.

        Step1 參數(shù)設置 注視區(qū)域長度l=120.99…cm,高度h=68.01cm,注視點數(shù)量cg=1 151,由式(1)得DBSCAN 的搜索半徑rE=2.67cm;

        設置鄰域最少對象數(shù)MP=3,圓形結構元初始半徑rori=rE/2=1.34cm,半徑擴展步長rst=rE/10=0.27cm,結構元半徑上限r(nóng)up=5rE=13.37;

        Step2 確定注視集中區(qū) 對注視點數(shù)據(jù)Gori進行基于DBSCAN 的聚類,劃歸類的數(shù)目k=10,生成注視集中區(qū)Gcon.聚類所得注視點集中位置如圖4所示.圖中H 表示水平方向,0 點為駕駛?cè)苏暻胺綍r的橫坐標位置;V 表示鉛直方向,0點為駕駛?cè)苏暻胺綍r的縱坐標位置

        Step3 初始形態(tài)學聚類 以注視集中區(qū)Gcon

        為初始點GMMC進行圓形結構元半徑r=1.34cm 的形態(tài)學膨脹,生成連通區(qū)所包含的初始注視點簇G1,記錄已被劃歸入連通區(qū)的注視點數(shù)量C1=1 115.初始膨脹效果如圖5所示.

        圖4 DBSCAN 聚類所得注視點集中位置Fig.4 Centralized location of fixation points clustered by DBSCAN

        圖5 初始形態(tài)學膨脹效果Fig.5 Original effect of morphological dilation

        Step4 形態(tài)學計算 以第n-1次計算所得注視點簇Gn-1為第n 次MMC 的初始點,進行圓形結構元半徑為r的形態(tài)學膨脹,將連通區(qū)中離群點劃歸為該區(qū)域,生成連通區(qū)注視點簇Gn,記錄已被劃歸入連通區(qū)的注視點數(shù)量Cn;

        Step5 過程迭代 判斷第n 次計算中是否有被劃歸入連通區(qū)的注視點,若Cn-Cn-1>0,則n=n+1,r=1.34cm,轉(zhuǎn)3),若Cn-Cn-1=0,且r<13.37cm,則r=r+rst,n=n+1,轉(zhuǎn)3),若Cn-Cn-1=0,且r≥13.37cm,繼續(xù)步驟5);

        Step6 迭代終止與結果輸出 當n=4 時,達到迭代終止條件(C4=1 134,C4-C3=0,r=13.37 cm),將第4次形態(tài)學聚類生成的每個連通區(qū)Ii(i=1,2,…,10)中包含的點劃歸為對應點集,將未被劃歸入聚類區(qū)域的點單獨歸為一簇,完成11個注視區(qū)域的劃分.最終聚類結果如圖6所示.圖中每一種形狀的點所形成的區(qū)域即為駕駛員的一個注視區(qū)域.

        由圖6可見,使用DBSCAN-MMC生成了注視點相對集中的10個注視區(qū)域以及注視點相對離散的1個注視區(qū)域,參照圖3可解釋所劃分區(qū)域的現(xiàn)實意義:

        圖6 DBSCAN-MMC聚類效果Fig.6 Effect of DBSCAN-MMC clustering

        區(qū)域1代表左后視鏡后方注視區(qū)域;區(qū)域2代表左后視鏡上方注視區(qū)域;區(qū)域3代表左后視鏡注視區(qū)域;區(qū)域4、5、8代表注視前方不同距離和不同車道處車輛生成的注視區(qū)域;區(qū)域6代表后視鏡上方(注視交通信號燈)的注視區(qū)域;區(qū)域7代表后視鏡處的注視區(qū)域;區(qū)域9代表右后視鏡上方注視區(qū)域;區(qū)域10代表右后視鏡注視區(qū)域;區(qū)域11代表儀表板等處的離散注視區(qū)域.

        根據(jù)聚類結果,將駕駛?cè)艘曇皠澐譃锳 到I 的9個注視區(qū)域:A 為左后視鏡后方注視區(qū)域,對應聚類結果中的區(qū)域1;B 為左后視鏡上方注視區(qū)域,對應聚類結果中的區(qū)域2;C 為左后視鏡注視區(qū)域,對應聚類結果中的區(qū)域3;D 為注視前方不同距離和不同車道處車輛時的區(qū)域,對應聚類結果中的區(qū)域4、5、8;E 為后視鏡處的注視區(qū)域,對應聚類結果中的區(qū)域7;F 為后視鏡上方的注視區(qū)域,代表聚類結果中的區(qū)域6;G 為右后視鏡上方注視區(qū)域,對應聚類結果中的區(qū)域9;H 為右后視鏡注視區(qū)域,對應聚類結果中的區(qū)域10;I為儀表板等注視區(qū)域,對應聚類結果中的離散注視區(qū)域.

        3.2 基于常規(guī)聚類的注視區(qū)域劃分

        常規(guī)MMC方法中聚類數(shù)目、結構元半徑的確定和聚類的終止條件具有較大的主觀性,本文不做討論,下單純使用K-means 和取不同rE的DBSCAN 進行駕駛員注視區(qū)域的劃分以說明DBSCAN-MMC的聚類效果.

        預設K-means聚類個數(shù)分別為k=5、10、15;DBSCAN 方法的鄰域最小對象數(shù)與本文方法相同MP=3,搜索半徑rE分別取本文設定值2.67cm、較小值1.00cm、較大值5.00cm.

        K-means最終聚類效果如圖7所示,DBSCAN最終聚類效果如圖8所示.(每一種顏色的點所形成的區(qū)域即為駕駛員的一個注視區(qū)域.)

        圖7 駕駛?cè)艘曇皡^(qū)域劃分Fig.7 The region division of driver’s visual field

        圖8 K-means聚類效果Fig.8 Effect of K-means clustering

        3.3 結果分析

        圖9 DBSCAN 聚類效果Fig.9 Effect of DBSCAN clustering

        3.3.1 DBSCAN-MMC 與K-means 聚 類 的 比較分析 比較圖6與7可見,使用本文提出的DBSCAN-MMC聚類所劃分出的注視區(qū)域邊界緩和,每一區(qū)域的形狀隨區(qū)域中點的集中程度變化;聚類個數(shù)k=5、10、15 的K-means 聚 類 將DBSCANMMC生成的區(qū)域7處的點分別劃歸為2類、5類和7類,且將密度較大、同區(qū)域距離相近的左側(cè)車窗注視區(qū)域1和左后視鏡區(qū)域2劃歸為一類,并將右側(cè)車窗注視區(qū)域8和右后視鏡區(qū)域9劃歸為一類.對比表明即使聚類個數(shù)正確,在使用K-means進行駕駛員注視區(qū)域劃分時也無法克服注視區(qū)域邊界生硬、區(qū)域劃分不合理等弊端.

        根據(jù)上述比較判斷K-means聚類效果不及本文提出的DBSCAN-MMC聚類效果.經(jīng)分析認為原因是:DBSCAN-MMC基于密度聚類確定注視密集區(qū)后,使用MMC 進行任意形狀的區(qū)域拓展;使用K-means聚類時,每次迭代的聚類中心確定后,距離相近的點會完全按照與聚類中心的距離被硬性劃歸為不同點簇,導致K-means等基于距離的聚類方法只能發(fā)現(xiàn)“類圓形”,當對象點非圓形時劃分邊界生硬.

        3.1.2 DBSCAN-MMC 與DBSCAN 聚類的比較分析 比較圖6 與DBSCAN 聚類效果圖可見:當DBSCAN 參數(shù)設置與DBSCAN-MMC中DBSCAN設置相同時(圖8(a),生成11個點簇),每個區(qū)域邊緣處有較多點被劃歸至離散注視區(qū)域(深藍色“*”表示);當DBSCAN 參數(shù)rE設置較小時(圖8(b),生成24個點簇),離散注視區(qū)域包含點的數(shù)目明顯增加;當DBSCAN 參數(shù)Eps設置較大時(圖8(c),生成5個點簇),離散注視區(qū)域包含點雖有減少但表示不同現(xiàn)實意義的點(如風擋玻璃中心位置注視區(qū)域和左側(cè)車窗后視鏡上方注視區(qū)域)被劃歸為同一點簇.

        根據(jù)上述比較判斷,在對駕駛員注視區(qū)域進行劃分時,單純DBSCAN 聚類的劃分效果不及本文DBSCAN-MMC 聚類的劃分效果.其原因為:單純使用DBSCAN 聚類時,參數(shù)rE的取值對區(qū)域邊緣處點的劃歸具有較大影響,當rE選定,將無法如DBSCAN-MMC 對聚類產(chǎn)生的離群點進行基于MMC的進一步劃分.

        實例驗證結果表明本文提出的方法充分利用了DBSCAN 和MMC的聚類優(yōu)勢并較好地解決了2種聚類方法的缺陷.通過比較證明了DBSCAN-MMC在進行駕駛員注視區(qū)域劃分時聚類效果優(yōu)于常規(guī)K-means聚類方法和DBSCAN 聚類方法,提高了駕駛員注視區(qū)域劃分質(zhì)量.

        4 結 論

        本文論述了基于距離聚類方法的缺點和單純的DBSCAN、MMC聚類方法的不足,針對駕駛員注視點離散、注視集中區(qū)域不規(guī)則特點,提出了一種面向駕駛員注視區(qū)域劃分的結合密度聚類和數(shù)學形態(tài)學聚類的DBSCAN-MMC 聚類方法.使用DBSCANMMC對熟練駕駛員進行直線、左轉(zhuǎn)、右轉(zhuǎn)3種駕駛行為時的眼動數(shù)據(jù)進行了聚類,劃分出了具有實際意義的注視區(qū)域,并將使用K-means和DBSCAN方法得到的劃分結果與使用DBSCAN-MMC 方法得到的劃分結果進行對比,分析了DBSCAN-MMC方法的優(yōu)勢以及K-means、DBSCAN 方法劃分駕駛員注視區(qū)域效果不佳的原因.

        DBSCAN-MMC聚類方法使用DBSCAN 確定注視密集區(qū)和聚類數(shù)目,進而使用MMC 對注視密集區(qū)進行區(qū)域拓展迭代,充分利用了DBSCAN 的密度劃分和MMC 自由拓展的劃分優(yōu)勢,在一定程度上解決了DBSCAN 參數(shù)選取困難與MMC 需大量人工干預、可用性不高的問題,為科學合理地進行駕駛員注視區(qū)域劃分提供了可靠的方法.但DBSCAN-MMC聚類僅減少了rE值的選取對最終結果的影響程度,文中各參數(shù)值的選取方法是否適用于其他領域的聚類處理尚需進一步研究.

        本文所述面向駕駛員注視區(qū)域劃分的聚類方法,旨在解決當前駕駛員注視點聚類方法存在的問題,提高駕駛員注視點聚類的合理性與準確性,為駕駛員注視區(qū)域劃分與駕駛員注視特征研究提供理論與技術支持.本文實例驗證的數(shù)據(jù)采集于熟練駕駛員駕駛小型客車的過程,得到的注視區(qū)域具有一定的代表性,然而限于作者能力和文章篇幅,未進行車輛類型、駕駛員特征、駕駛熟練程度等客觀因素對駕駛員注視區(qū)域劃分結果的影響的分析.但在后續(xù)研究中作者將逐一分析上述影響因素,并對駕駛員注視特征與注視規(guī)律進行系統(tǒng)、深入的研究.

        ):

        [1]郭應時.交通環(huán)境及駕駛經(jīng)驗對駕駛員眼動和工作負荷影響的研究[D].Xián:長安大學,2009.GUO Ying-shi.Study on effects of traffic environment and driving experience on driver’s eye movement and workload[D].Chang’an University,2009.

        [2]袁偉.城市道路環(huán)境中汽車駕駛員動態(tài)視覺特性試驗研究[D].Xián:長安大學,2008.YUAN Wei.Study on Car Driver’s Dynamic visual characters test on city road[D].Chang’an University,2008.

        [3]ESTER M,KRIEGEL H P,SANDER J,et al.A Density-based algorithm for discovering clusters in large spatial databases with noise[C]∥Proc of 2nd Int’l Conf on Knowledge Discovering in Databases and Data Mining(KDD-96).Portland:AAAI Press,1996.

        [4]ANKERST M,BREUNIG M M,KRIEGEL H P.OPTICS:ordering points to identify the clustering structure[C]∥Alex Delis,Christos Faloutsos,Shahram Ghandeharizadeh eds.Proceedings of the ACM SIGMOD’99 Int Conf on Management of Data.Philaelphia Pennsylvanis:ACM Press,1999:49-60.

        [5]LIN C Y,CHANG C C,LIN C C.A new density-based scheme for clustering based on genetic algorithm [J].Fundamenta Informaticae,2005,68(4):315-331.

        [6]FENG P J,GE L D.Adaptive DBSCAN-based algorithm for constellation reconstruction and modulation identification[C]∥Proceedings of Radio Science Conference 2004.Beijing:Pub House of Electronics Industry,2004:177-180.

        [7]XU X,ESTER M,KRIEGEL H P,et al.A distribution-based clustering algorithm for mining in large spatial databases[C]∥eds.Proceedings of the 14th International Conference On Data Engineering(ICDE’98).Orlando:IEEE Computer Society Press,1998:324-331.

        [8]蔡穎琨,謝昆青,馬修軍.屏蔽了輸入?yún)?shù)敏感性的DBSCAN 改進算法[J].北京大學學報:自然科學版,2004,40(3):480-486.CAI Ying-kun,XIE Kun-qing,MA Xiu-jun.An improved DBSCAN algorithm which is insensitive to input parameters[J].Acta Scientiarum Naturalium Universitatis Pekinensis,2012,36(5):911-915.

        [9]夏魯寧,荊繼武.SA-DBSCAN:一種自適應基于密度聚類算法[J].中國科學院研究生院報,2009,26(4):530-538.XIA Lu-ning,JING Ji-wu.SA-DBSCAN:A self-adaptive density2based clustering algorithm [J].Journal of the Graduate School of the Chinese Academy of Sciences,2009,26(4):530-538.

        [10]POSTAIRE J G,ZHANG R D C.Lecocq-botte.cluster analysis by binary morphology[J].IEEE Computer Society,1993,15(2):170-180.

        [11]STAROVOITOV V..A clustering technique based on the distance transform [J].Pattern Recognition Letters,1996,17:231-239.

        [12]羅會蘭,孔繁勝,楊小兵,等.基于數(shù)學形態(tài)學的聚類分析[J].模式識別與人工智能,2006,19(6):727-733.LUO Hui-Lan,KONG Fan-sheng,YANG Xiao-bing,et al.Cluster analysis based on mathematical morphology[J].PR&AI,2006,19(6):727-733.

        [13]羅會蘭,危輝.基于數(shù)學形態(tài)學的聚類集成算法[J].計算機科學,2010,37(8):214-218.LUO Hui-lan,WEI Hui.Clustering ensemble algorithm based on mathematical morphology[J].Computer Science,2010,37(8):214-218.

        [14]邸凱昌,李德仁,李德毅.從空間數(shù)據(jù)庫發(fā)現(xiàn)聚類:一種基于數(shù)學形態(tài)學的算法[J].中國圖象圖形學報,1998,3(3):173-183.DI Kai-chang,LI De-ren,LI De-yi.A mathematical morphology based algorithm for discovering clusters in spatial databases[J].Journal of Image and Graphics,1998,3(3):173-183.

        猜你喜歡
        駕駛員區(qū)域方法
        基于高速公路的駕駛員換道意圖識別
        駕駛員安全帶識別方法綜述
        可能是方法不對
        起步前環(huán)顧四周是車輛駕駛員的義務
        公民與法治(2016年4期)2016-05-17 04:09:26
        關于四色猜想
        分區(qū)域
        用對方法才能瘦
        Coco薇(2016年2期)2016-03-22 02:42:52
        四大方法 教你不再“坐以待病”!
        Coco薇(2015年1期)2015-08-13 02:47:34
        捕魚
        基于嚴重區(qū)域的多PCC點暫降頻次估計
        電測與儀表(2015年5期)2015-04-09 11:30:52
        女同舌吻互慰一区二区| 亚洲日韩精品国产一区二区三区| 国产又色又爽又黄的| 黑人巨大精品欧美一区二区| 国产无遮挡无码视频免费软件| 中文字幕人妻丝袜美腿乱| 少妇熟女视频一区二区三区| 色yeye在线观看| 日本最新一区二区三区视频| 日本少妇一区二区三区四区| 8x国产精品视频| 色噜噜久久综合伊人一本| 麻豆国产原创视频在线播放| 国产亚洲精品第一综合麻豆| 国产内射XXXXX在线| 精品久久久久久99人妻| 免费人妻精品区一区二区三 | 久久精品亚洲国产av网站| 日本伦理精品一区二区三区| 国产亚洲日韩在线一区二区三区| a亚洲va欧美va国产综合| 秋霞影院亚洲国产精品| 一区二区三区国产偷拍| 熟女中文字幕一区二区三区| 久久99精品国产麻豆宅宅| 精品四虎免费观看国产高清| 国产精品三级国产精品高| 日韩精品一二三区乱码| 久久精品国产亚洲av影院| 成人黄色网址| 久久狠狠第一麻豆婷婷天天| 精品亚亚洲成av人片在线观看| 亚洲av天堂免费在线观看| 久久久无码中文字幕久...| 在线国产小视频| 国产一区二区三区免费小视频| 青青草 视频在线观看| 亚洲日韩欧洲无码av夜夜摸 | 亚洲长腿丝袜中文字幕| av色综合久久天堂av色综合在| 欧洲精品免费一区二区三区|