人机交互项目管理知识分析论文定位.docxVIP

人机交互项目管理知识分析论文定位

余靖

摘要:基于自适应聚类算法，依照实际目标个数聚类。达到一边聚类，一边排除对噪音点和杂点的目的。

关键词:KMEANS聚类法;分类;噪声点的去除;二次聚类;阈值半径

引言

深度图像的目标的特点信息不明显，色彩和躯体部分混成在一起，没有明显的界限。通常的目标分割方法基于KMEANS聚类方法和Dbscan扩展形式，需要事先人为地给定一些参数如聚类个数、初始聚类中心等,而在没有先验知识的情形下,人为确定这些参数既是专门主观的,也是十分困难的。同时由于样本数据的随机性，如何能精确的描述人体所需要的数据样本,并去掉阻碍观测的对聚类奉献较小的大部分边缘化点。并能保证运算量可不能随样本空间维数的增加呈指数增长,即掉入存在〝维数灾难〞问题。

本文基于SOMA的思想，结合KMEANS算法以合适的阈值距离来聚类数据对目标的状态进行动态区分建模，由此，在不需要明白目标聚类个数的基础上，依照一定的规那么完成目标要紧特点提取和相似类型合并，并排除边缘杂点。与一般查找算法相比，仅选用有效的样本数据即可实现实时的对人体手臂在胸前时进行可靠定于识别，运算量专门小，有专门好实时性。

1KMEANS算法的简介

那个算法

2改良型KMEANS算法模型的建立

2.1系统构架流程模型

SKIPIF10

本系统的流程为：一开始人体深度图像，通过得到孤立点集合，平均深度阈值，再次归类特点样本数据点集合等流程。进入聚类流程。先利用区域划分來为各个输入样本像素点归类所属区域，并通过适当的阈值条件来消去边缘杂点，再通过判别所属区域是否邻接來增减特点点，以符合输入样本所需的骨架特点点。如此手臂在胸前是的，手臂骨架即形成。然而，现在所形成的骨架仅仅是无分支的骨架，为了要完整表达出图像的形狀，必需将这些骨架点利用线段來连接。最终的手臂骨架线信息形成。

2.1预处理

由于图像数据量大，同时由于样本数据的随机性，如何能精确的描述人体所需要的数据样本,并去掉阻碍观测的对聚类奉献较小的大部分边缘化点。并能保证实际运算量可不能随样本空间维数的增加呈指数增长,即掉入存在〝维数灾难〞问题。因此，对实际图像数据进行有选择的合适的数据抽取将直截了当决定了实际聚类成效的好坏。

在本节一开始，将就孤立点的猎取与图像边缘检测做一介绍；在第二节的部份，那么介绍基于默认深度均值的图像分割方法；之后第三节那么进行图像的特点样本点集合的搜集；最后就能够利用基于密度的算法来估测原始聚类特点点(即输入聚类特点点)。

2.1.1孤立点数据猎取

在深度图像中一些跳跃点为止孤立点。设定阈值为20。默认图中的孤立点和上下左右8个领域的阈值是120。如此的一批点的集合谓之孤立点集合。

见流程模型1--2

2.1.2基于样本平均深度信息的图像分割

基于孤立点集合求出该集合平均深度即平均深度。

见流程模型1--3

2.1.3特点

基于平均深度阈值和独立点相关性设置，从原始图像从抽取一批数据点信息即为特点样本数据点集合。

见流程模型1--4

2.2聚类处理

由于聚类算法的问题是：1)需要事先人为地给定一些参数如聚类个数、初始聚类中心等,而在没有先验知识的情形下,人为确定这些参数既是专门主观的,也是十分困难的。2)关于大样本数据集，会存在聚类效率无法保证的问题。3〕杂点和噪音的阻碍聚类的成效。因此，关于第一问题，假如在估测原始聚类个数时，能够采取随机的方式來估测。与实际上应该拥有的个数差距太大时。聚类算法就需不停的进行一次又一次的增减过程，而这所耗费的时刻是相当多的。为了解决此问题，本研究以利用密度特点点估测的方式，来决定原始输入聚类个数。经由原始特点点聚类后所得到的骨架特点点，差不多上能够是一个完整骨架所需要的骨架点。因此，能够依此來调整KMEANS聚类的一些参数，以加速整体算法的执行速度。

在本节一开始，将对利用基于密度的算法来估测原始聚类特点点做一介绍；在第二节的部份，那么介绍基于KMEANS算法的改良聚类程序；之后第三节那么排除杂点和二次聚类并完成相似性数据的合并；最后就能够连接相关特点关节点成为一个骨架信息完成输出(即输出骨架点)。

2.2.1基于密度算法来确定实际聚类个数

在特点点集合类，以点的密度划分，先求出实际具体几类和给出初始样本集合重心点坐标〔注：初始样本集合重心点坐标是随机的〕

见流程模型1--5

2.2.1KMEANS算法的改良聚类程序

以KMEANS方法聚类，采纳最大半径阈值和最小半径阈值互相加于约束。在前一给定的聚类个数条件下，对实际目标开始聚类。标记样本特点点集合。

2.2.1排除杂点和二次聚类完成相似性数据合并

对一些边缘杂点和实际数量专门少的点加以去除。

3有用范畴和不足改进的地点

本次聚类默