第1页共9页编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第1页共9页人机交互项目论文1—实时的手在胸前的查找方法和追踪定位.doc余靖摘要:基于自适应聚类算法，根据实际目标个数聚类。达到一边聚类，一边消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征信息不明显，色彩和身体部分混成在一起，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况下,人为确定这些参数既是非常主观的,也是十分困难的。并且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,并去掉影响观测的对聚类贡献较小的大部分边缘化点。并能保证计算量不会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，在不需要知道目标聚类个数的基础上，根据一定的规则完成目标主要特征提取和相似类型合并，并消除边缘杂点。与普通查找算法相比，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，运算量很小，有很好实时性。1KMEANS算法的简介这个算法第2页共9页第1页共9页编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第2页共9页第3页共9页第2页共9页编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第3页共9页第4页共9页第3页共9页编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第4页共9页2改良型KMEANS算法模型的建立2.1系统构架流程模型第5页共9页第4页共9页编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第5页共9页本系统的流程为：一开始人体深度图像，经过得到孤立点集合，平均深度阈值，再次归类特征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，再经过判别所属区域是否邻接來增减特征点，以符合输入样本所需的骨架特征点。这样手臂在胸前是的，手臂骨架即形第6页共9页第5页共9页编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第6页共9页成。然而，此时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，并且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,并去掉影响观测的对聚类贡献较小的大部分边缘化点。并能保证实际计算量不会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接决定了实际聚类效果的好坏。在本节一开始，将就孤立点的获取与图像边缘检测做一介绍；在第二节的部份，则介绍基于默认深度均值的图像分割方法；之后第三节则进行图像的特征样本点集合的搜集；最后就可以利用基于密度的算法来估测原始聚类特征点(即输入聚类特征点)。2.1.1孤立点数据获取和图像边缘检测处理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。这样的一批点的集合谓之孤立点集合。见流程模型1--22.1.2基于样本平均深度信息的图像分割处理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--32.1.3特征样本数据点集合的搜集处理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征样本数据点集合。见流程模型1--42.2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况下,人为确定这些参数既是非常主观的,也是十分困难的。2)对于大样本数据集，会存在聚类效率无法保证的问题。3）杂点和噪音的影响聚类的效果。因此，对于第一问题，如果在估测原始聚类个数时，可以采取随机的方式來估测。与实际上第7页共9页第6页共9页编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟...
