(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111634014.5 (22)申请日 2021.12.2 9 (71)申请人 青岛星科瑞升信息科技有限公司 地址 266000 山东省青岛市黄岛区海尔信 息谷创科园北区26 栋 (72)发明人 何显辉　夹尚丰　余振军　王凯　 马楠　贾坤昊　 (51)Int.Cl. G06K 9/62(2022.01) G06V 10/762(2022.01) G06V 10/75(2022.01) G06V 10/74(2022.01) G06V 10/50(2022.01) (54)发明名称 一种基于自适应k均值聚类的多目标定位方 法 (57)摘要 本发明提出一种基于自适应k均值聚类的多 目标定位方法， 密度峰值聚类算法(DPC)和k ‑ means聚类算法相结合， 提出自适应k ‑means聚类 算法， 基于提取的特征点， 自适应确定待定位目 标数量， 对不同目标的特征点集聚类； 通过最近 邻比值算法进行粗匹配， 利用特征点投票构建最 优几何约束进行精匹配， 实现多目标精确定位。 本方法对于不同类型、 数量的待定位目标， 在旋 转、 尺度变换、 部分遮挡和光照变换下等复杂环 境下均可精确定位目标， 具有较好的鲁棒 性。 权利要求书2页 说明书5页 附图2页 CN 114358166 A 2022.04.15 CN 114358166 A 1.一种基于自适应k均值聚类的多目标定位方法， 其特 征在于： 包括以下步骤： S1、 检测待匹配图像特 征点集并计算特 征点主方向； S2、 基于密度峰值聚类算法确定聚类 个数和初始聚类中心； S3、 利用k ‑means聚类算法， 对上述聚类中心进行迭代聚类， 得到最终的聚类结果。 S4、 利用最近邻比值 算法进行 特征点粗匹配， 对特 征点进行粗剔除； S5、 利用特 征点投票构建最优几何约束 进行精匹配； S6、 利用正确的匹配点计算变换模型实现多目标的精确匹配。 2.根据权利要求1所述的一种基于自适应k均值聚类的多目标定位方法， 其特征在于： S1包括： (1)图像与不同尺度因子的高斯函数进行卷积， 构建高斯尺度空间， 利用相邻尺度空间 中的图像相减构建高斯差分尺度空间； (2)计算高斯差分尺度空间局部极值 点作为特 征点； (3)计算以特征点为中心的邻域内像素的梯度大小和方向， 并统计所有像素的梯度大 小和方向生成梯度方向直方图,直方图最大值方向即为特 征点的主方向； (4)将采样窗口划分为若干子区域,统计子区域内的梯度信息， 构建特征向量， 为了进 一步降低光照变化的影响， 对特 征向量进行归一 化处理。 3.根据权利要求1所述的一种基于自适应k均值聚类的多目标定位方法， 其特征在于： S2包括： (1)计算上述特 征点的截断距离以及每 个特征点的局部密度和距离； (2)计算每个特征点的γ值， 并对其进行降序排列,选取前k个数据作为初始聚类中心。 γ的计算公式如下： γi＝ρi* δi 上式中ρi为局部密度， δi为距离。 4.根据权利要求1所述的一种基于自适应k均值聚类的多目标定位方法， 其特征在于： S3中， 计算所有特征点到聚类中心 的距离,根据最邻近原则将待分类数据进行分类,对所有 特征点分类后,计算每个聚类中所有 特征点坐标的均值,并将坐标均值作为新的聚类中心, 不断迭代确定最终得到k个聚类中心， 将剩余特征点聚类到距离最近且局部密度高于自身 的特征点所在的类簇 。 5.根据权利要求1所述的一种基于自适应k均值聚类的多目标定位方法， 其特征在于： S3中， 在待匹配图像特征点集中寻找与模板图像特征点欧式距离最近和次近的特征点， 计 算最近欧式距离disnt和次近欧式距离dissnt的比值， 若满足： 则该特征点匹配成功， 否则剔除这个特 征点对， T为设定阈值。 6.根据权利要求1所述的一种基于自适应k均值聚类的多目标定位方法， 其特征在于： S5中， 根据粗匹配中特征点对的匹配置信度降序排列， 通过迭代在前n对匹配特征点中随机 选取3对特征点进行投票， 选取具有最佳适应度的3对特征点对建立局部坐标系。 基于构建 的局部坐标系， 将特征点与坐标原 点构建直线基元， 并向量坐标表 示， 计算向量坐标在局部权　利　要　求　书 1/2 页 2 CN 114358166 A 2坐标系中的坐标相似度， 并将相似度与设定阈值对比， 剔除误匹配点。 7.根据权利要求6所述的一种基于自适应k均值聚类的多目标定位方法， 其特征在于： 所述中局部坐标系的构建方法如下： 基于粗匹配中特征点匹配置信度降序排列选取前n对特征点构成集合R＝{(Mi,Ni)|i＝ 1,···,n}， 其中， Mi和Ni是一对匹配特征点,从集合R选择3个特征点从集合R选择3个特征 点构建局部坐标系， 利用集合中剩余特征点在局部坐标系中的相似度进行投票得分， 最终 选取得分最高的3个特 征点构建局部坐标系。 特征点相似度计算公式如下: 式中:{(Lji,Lji')|i＝1,2,3}是匹配点对Mj和Nj到3个匹配特 征点的欧式距离； 特征点直线基元的坐标相似度的计算方式如下： ①直线基元向量用坐标表示， 构成坐标集合： Ω＝{pi(x,y),qi(x,y)|i＝1, …,N}直线 基元向量用坐标表示计算公式： 式中,k为直线的斜 率,(x1,y1)为直线基元起 点坐标,(x2,y2)为终点坐标； ②将向量坐标转换为在局部坐标系中的坐标转换公式如下： 式中α, β 为向量 化的直线基元在局部坐标系中的坐标； ③计算直线基元的坐标相似度 其中,PM和PN为直线基元的局部坐标。权　利　要　求　书 2/2 页 3 CN 114358166 A 3