[发明专利]聚类中心选取方法和系统

说明书

技术领域

本发明涉及一种聚类中心的选取方法和选取系统，具体而言，涉及一种在深度图像的基于聚类的立体匹配过程中选取聚类中心的选取方法和选取系统。

背景技术

在实际应用中,视差图可用于识别不同的物体。传统上，通常通过基于聚类的立体匹配算法获得视差图。在传统的基于聚类的立体匹配算法中，通常同等对待每一个像素点，这是由于传统的聚类算法认为每一个像素点代表了同样的信息。美国专利申请US2011/0175984A1，披露了一种基于涉及色彩和深度的数据提取目标对象数据的方法（“Method and system of extracting the target object data on the basis of data concerning the color and depth“，Ekaterina Vitalievna TOLSTAYA,Valentinovich BUCHA,RU）。该专利申请所披露的方法针对物体和背景的区别产生一幅标量图像，其中利用背景和当前帧视频的光照和颜色的差别；随后初始化一个模板，该模板上每一像素点的值和上一帧对应像素点的模板上的值一致；最后对上述标量图像和深度信息进行聚类，并以模板和标量图像为基础更新背景。该专利应用了K-means方法对标量图像和深度信息进行聚类。聚类中心是在[0,MAX_DEPTH]和[0,255]区间内平均分配的。该专利在计算距离是应用的是传统的欧式距离。在该专利申请中的聚类算法就认为每一个像素点代表了同样的信息，因此聚类结果并不准确，从而导致了错误的视差图。同时传统的立体匹配算法也忽视了运动信息，从而导致了物体和背景之间边界不清晰。

美国专利申请US7142600B1披露了一种利用阻塞/非阻塞检测方法。该方法通过物体从连续图像中得到的模板跟踪物体。大块的运动补偿用于预测的新的对象模板。运动向量通过K-means算法进行聚类。聚类中心的运动向量同每一个怀疑区域的平均运动向量进行比较。当运动的区别较小的时候，怀疑区域被认为是物体的一部分。前一帧和当前帧之间较大的运动区域可检测出新的被怀疑区域。该专利申请应用K-means算法聚类运动向量，是基于块级别的而非像素级别。所以在每一个怀疑区域内对运动信息进行了平均。该专利在聚类之初，随机的将每一个块进行聚类，然后通过比较运动信息之间的差距，重新进行聚类，迭代此过程，直至认为收敛。。

在实际形成的视差图的过程中，在离相机较远的地方,物体通常较小，因而容易融合到背景中而造成识别困难。图1A和1B显示了较远的地方的物体被融合到背景中的示意图。目前基于分割的算法和基于传播的算法通常应用于计算稠密视差。但是基于分割的方法通常有过多的噪音，主要原因是远处物体上的像素点合并到了背景中。图2A和2B显示了在通过分割方法形成视差图的过程中远处物体合并到背景中的示意图。而基于传播的方法通常过于平滑，主要原因是该算法同等对待远处物体上的像素点同近处的像素点。图3A和3B显示了在通过传播的方法形成视差图的过程中远处物体合并到背景中的示意图。

由于以上方法边界较不清晰，在计算视差值之前需要一种更好的聚类算法，以达到将同一物体分为一块并得到更加一致的视差的目的。但是诸如传统的K-means算法之类的聚类方法，有两个明显的缺点。一个缺点是随机设置初始聚类中心。对于聚类算法来讲，初始的聚类中心至关重要，因为他是结果的计算基础，下一次的中心是根据前一个中心更新得来的。所以如果初始中心是随机产生的，很难收敛到正确的结果，并且也十分的耗时。另一个缺点是应用传统的欧氏距离。在聚类的过程中，通过计算样本点和中心之间的距离来决定该样本点属于哪一个类。然而传统的欧氏距离对每一个特征同等对待，因而造成某个特征占据了过大的比重而导致错误的聚类结果。

另外一种常用聚类方法是自适应K-means。该方法应用最大-最小距离方法来一一决定初始中心，因此初始中心不是随机设置的。但是该方法依然应用传统的欧氏距离，而且聚类中心也不是分层的。

发明内容

基于初始的聚类中心对于聚类结果的重要性，本发明为了获得更为准确的视差图，首要解决聚类中心的确定问题。为此提出了一种聚类中心选择方法。