路线规划方法及系统与流程
本发明实施例涉及一种信息技术领域，特别是一种路线规划方法及系统。
背景技术：
路径规划是指在具有障碍物的环境中，按照一定的原则，寻找从起始状态到目标状态的无碰撞路径。路径规划具有广泛的应用，其中一项是应用于三维场景漫游中，基于虚拟现实技术可准确、动态的展示三维场景，从而使体验者可漫游在三维场景中。
其中，制作可漫游的三维场景最基本的一环是进行路径规划，为体验者提供指引。现有技术中路径规划的过程如下：针对每个场景，借助于相应的插件(如unity插件)启动运行，分别手动设置漫游过程中的拐点，编写相关代码，以确定漫游过程中的行径路线。
其中，unity作为主流的游戏开发引擎，已被普遍用于三维游戏开发及三维场景搭建。
可以理解的是，由于漫游的三维场景众多且展示内容丰富，如果每个场景都进行手动设置漫游路径的操作，重复的工作需要重复做几百遍，而每次又需要借助于插件、脚本、重复调整拐点与拐点的高度等操作，给编程者带来噩梦性的灾难。
目前，现有技术还没有相应的方法来解决路径规划效率低的问题。
技术实现要素：
针对现有技术的缺陷，本发明实施例提供一种路线规划方法及系统。
一方面，本发明实施例提供一种路线规划方法，包括：
获取待预测的数据集，所述数据集是场景中模型的第一提取点，所述第一提取点是所述模型的质心；
将所述数据集进行数据可视化，得到多个区域，每一区域包括多个第一提取点；
针对每一区域，判断获知所述第一提取点为拐点，且所述区域为拐点区，则获取所述拐点区的第二提取点作为拐点，所述第二提取点是所述拐点区的质心；
将各拐点以预设的方向进行连接，获得行径路线。
另一方面，本发明实施例还提供一种路线规划系统，包括：
获取模块，用于获取待预测的数据集，所述数据集是场景中模型的第一提取点，所述第一提取点是所述模型的质心；
区域划分模块，用于将所述数据集进行数据可视化，得到多个区域，每一区域包括多个第一提取点；
拐点确定模块，用于针对每一区域，判断获知所述第一提取点为拐点，且所述区域是拐点区，则获取所述拐点区的第二提取点作为拐点，所述第二提取点是所述区域的质心；
行径路线获取模块，用于将各拐点以预设的方向进行连接，获得行径路线。
由上述技术方案可知，本发明实施例提供的路线规划方法及系统，所述方法通过确定拐点区，提取拐点区质心作为拐点并连接拐点，可自动实现路线规划，从而大大提高工作效率。
附图说明
图1为本发明实施例提供的一种路线规划方法的流程示意图；
图2为本发明又一实施例提供的一种路线规划方法的学习曲线示意图；
图3为本发明又一实施例提供的一种路线规划方法的拐点连接示意图；
图4为本发明又一实施例提供的一种路线规划方法的流程示意图；
图5为本发明又一实施例提供的一种路线规划方法的步骤406的流程示意图；
图6为本发明又一实施例提供的一种路线规划方法的二分类算法的部分示意图；
图7为本发明又一实施例提供的一种路线规划系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明实施例一部分实施例，而不是全部的实施例。
本发明实施例可应用多种技术以实现路径规划，为了更好的说明本实施例，以应用机器学习技术为例进行说明。
机器学习，顾名思义，让计算机像人类一样进行学习行为。
具体地，采集有n个样本(sample)的数据集，每一样本具有已知属性，可预测未知数据的属性。
机器学习已广泛的应用于医学、教育、农业、数字化展示等领域，目的是借助机器的力量帮助人们处理或解决现实世界中的大量数据，并为人们带来便利，让人们的生活充满了智能化。
通常，机器学习可分为有监督学习，无监督学习与强化学习三类。
针对每一种类的学习有若干相关算法，目前最常见的学习方式即是有监督学习与无监督学习。
以分类(classification)为例说明两种学习方式的区别，分类使最简单也最普遍的一类机器学习。对于分类，输入的训练数据有特征(feature)，有标签(label)。所谓的学习，其本质就是找到特征和标签间的关系(mapping)。
当有特征而无标签的未知数据输入时，可以通过已有的关系得到未知数据标签。在上述的分类过程中，如果所有训练数据都有标签，则为有监督学习(supervisedlearning)。如果数据没有标签，就是无监督学习(unsupervisedlearning)了，也即聚类(clustering)。
其中，有监督学习相关算法如knn(k-nearestneighbor，k最近邻)，常用于kaggle竞赛、游戏ai、大数据相关的多个领域。
无监督学习相关算法如k-means(k类算法)常用于数据分析相关领域。
在本实施例中，可针对多种需求进行路线规划，如三维漫游和道路导航，为了更清楚的描述本实施例，以农耕文化项目中涉及的三维漫游为例进行说明。
具体地，三维漫游是指在由图像构建的三维空间里进行切换，达到浏览各个不同场景的目的。
其中，摄像机可为体验者提供三维场景中的漫游指引，或者摄像机根据体验者的操作进行展示三维场景。数字化展示中三维场景漫游能给体验者带来强烈的视觉冲击外，还能让体验者了解相关知识。
具体地，三维空间时由三维场景搭建而成，也就是说由多个三维场景构成三维空间。
图1示出了本发明实施例提供的一种路线规划方法的流程示意图。
参照图1，本发明实施例提供的方法具体包括以下步骤：
步骤11、获取待预测的数据集，所述数据集是场景中模型的第一提取点，所述第一提取点是所述模型的质心。
可选地，自所述模型提取一个点，即第一提取点。
在本步骤中，将各个模型统一缩略为其质心。
设模型由n个质点组成，模型的质心是模型质量分布的平均位置，用于表示模型中质量集中于此的一个假想点。
其中，质心提取可采取图形图像处理的现有技术方式进行提取，例如，二值化处理。
可以理解的是，所述模型若为不规则形状，无法提取有效的中心，采用提取质心的方式，可合理、准确的将所述区域缩略。
步骤12、将所述数据集进行数据可视化，得到多个区域，每一区域包括多个第一提取点。
步骤13、针对每一区域，判断获知所述第一提取点为拐点，且所述区域为拐点区，则获取所述拐点区的第二提取点作为拐点，所述第二提取点是所述拐点区的质心。
可选地，自所述拐点区提取一个点，即第二提取点。
在本步骤中，将各个拐点区统一缩略为其质心。
设拐点区由n个质点组成，拐点区的质心是拐点区质量分布的平均位置，用于表示拐点区中质量集中于此的一个假想点。
其中，质心提取可采取图形图像处理的现有技术方式进行提取，例如，二值化处理。
可以理解的是，所述拐点区若为不规则形状，无法提取有效的中心，采用提取质心的方式，可合理、准确的将所述区域缩略，进一步地，将提取的质心作为拐点。
步骤14、将各拐点以预设的方向进行连接，获得行径路线。
在获得各拐点区的拐点后，可从近到远或从远到近将各拐点连接起来。
当然，连接的方式可根据所述场景的展示内容进行调整，不以此为限。
本实施例提供的路线规划方法，至少具有以下技术效果：
通过确定拐点区，提取拐点区质心作为拐点并连接拐点，可自动实现路线规划，从而大大提高工作效率。
在上述实施例的基础上，本发明又一实施例提供的路线规划方法。所述方法步骤12，可有多种分区方式，本实施例举例说明其中一种。
所述方法包括：
步骤12’、将所述数据集在坐标系上采用预设的最优聚类算法，进行数据可视化，将所述数据集分为多个区域。
在本步骤中，所述模型为场景中存在的对象。
举例来说，所述模型为农具、农作物、鱼、人物、田地、水等，当然，可根据实际情况进行配置，不以此为限。
可选地，自所述人物提取一个点，即第一提取点。
在本步骤中，将一个人物模型统一缩略为其质心。
可选地，所述预设的最优聚类算法可为以下一者：dbscan(density-basedspatialclusteringofapplicationswithnoise)，基于空间密度的聚类算法,kmeans(k类算法),minibatchkmeans(小批量k类宣发),birth算法(大数据算法)。
所述采用预设的最优聚类算法之前，所述方法还包括：
针对每一聚类算法，将样本场景划分为多个样本区域；
判断获知聚类算法得到的样本区域中包括预先确定的拐点，则将所述样本区域作为拐点区，否则，将所述样本区域作为非拐点区。
应当说明的是，确定最优聚类算法可有多种方式，本实施例提供一种实施方式。
根据预先确定的拐点数、样本区域中包括的预先确定的拐点数以及样本场景的总数，获取所述聚类算法对应的适配值；将最高适配值对应的聚类算法作为最优聚类算法。
首先，可获取样本场景，进行机器学习。
其次，针对每一聚类算法，将样本场景划分为多个样本区域。
借助机器学习scikit-learn库依次调用最常用的cluster算法dbscan、kmeans、minibatchkmeans和birth算法进行聚类。
进一步，可获取每个样本区域中的模型，并将每个模型的质心的坐标作为数据源，以判定所述样本区域是否可作为拐点区，也就是说，根据样本区域是否具有预先确定的拐点来判断是否可做拐点区。
可选地，预先确定的拐点是人工规划的拐点。
再次，统计数量：预先确定的拐点数、样本区域中包括的预先确定的拐点数以及样本场景的总数。
然后，根据预先确定的拐点数、样本区域中包括的预先确定的拐点数以及样本场景的总数，获取所述聚类算法对应的适配值。
其中，所述适配值用于表示所述聚类算法对样本场景的拐点规划的合理程度。
具体地，可根据以下公式计算适配值：
式中，n为场景的个数、g为预先确定的拐点数，在场景i中采用聚类算法a得到的拐点区，并有ga个拐点分布在由聚类算法a聚得的拐点区中，mar(meanadaptionrate，平均适配率)为适配值。
最后，将最高适配值对应的聚类算法作为最优聚类算法。
本实施例提供的路线规划方法，至少具有以下技术效果：
通过将所述数据集在坐标系上采用预设的最优聚类算法，进行数据可视化，将所述数据集分为多个区域，从而可智能化的规划路线。
在上述实施例的基础上，本发明又一实施例提供的路线规划方法。所述方法步骤13的判断的方式可有多种，本实施例举例说明其中一种。
所述步骤13具体为：
步骤13’、针对每一区域，采用预设的最优二分类算法，判断获知所述第一提取点为拐点。
在本步骤中，预设的最优二分类算法可为以下一者：knn,svm(supportvectormachine，支持向量机),nbc(naivebayesianmodel，朴素贝叶斯模型),mlp(multi-layerperceptron，多层感知器，也称人工神经网络)，rfc(recursiveflowclassification，递归流分类)，sgd(stochasticgradientdescent，随机梯度下降)。
应当说明的是，确定最优二分类算法可有多种方式，本实施例提供一种实施方式。
具体可为以下步骤a1-a4：
步骤a1、获取所述拐点区的所有点，作为拐点样本。
步骤a2、获取所述非拐点区的所有点，作为非拐点样本。
步骤a3、将所述拐点样本和非拐点样本作为验证集。
步骤a4、针对每一二分类算法，基于所述验证集，通过交叉验证法并结合对应二分类算法所学得的分类器对验证集进行训练，将训练结果与验证集中的已知结果进行匹配，将匹配度最高时对应的二分类算法，作为最优二分类算法。
可选地，可根据训练集曲线和验证集曲线拟合程度以判断对应二分类算法的学习能力和泛化能力。
图2示出了本实施例提供的一种路线规划方法的学习曲线示意图。
如图2所示，横坐标表示训练样本数，纵坐标表示评分。
举例来说，在200个训练样本时，训练集中确定拐点的准确度为0.92，验证集中确定拐点的准确度近似为0.4，训练集曲线(trainingscore)和验证集曲线(cross-validationscore)差异较大，但随着训练样本数的增多，训练集曲线和验证集曲线逐渐趋于平缓，表示两曲线拟合的较好。
本实施例提供的路线规划方法，至少具有以下技术效果：
通过采用预设的最优二分类算法来判断所述第一提取点是否为拐点，且所述区域是否为拐点区，使得判断更加准确、合理，从而可智能化的规划路线。
在上述实施例的基础上，本发明又一实施例提供的路线规划方法。所述方法步骤13之后，可能所述拐点区数量过多，从而使得拐点过多，导致摄像头晃动频繁，路线规划不合理，本实施例提供一种解决此问题的方案。
所述方法步骤13之后，还包括：
根据拐点占有率ior判断所述区域是否拐点区。
所述拐点占有率ior为所述拐点的数量占所属区域中所有第一提取点的数量的比值，若比值大于预设值，将所述区域作为拐点区；
获取所述拐点区的第二提取点作为最终拐点.
可选地，可根据以下公式获得拐点占有率：
拐点占有率
式中，ior(inflexionoccupancyrate)表示拐点占有率，ii表示某一拐点区中经二分类预测可作为拐点的数量，ccp表示同一拐点区中总的模型总数。
可以理解的是，一个模型提取一个质心，即模型总数等于质心总数。
其中，预设值(threhold)可为60％，当然可根据实际情况进行设置，不以此为限。
进一步地，当ior>60％时，可判断该拐点区中的质心可作为拐点。
举例来说，预测拐点数为30，质心总数为60，ior为50％,那么该拐点区不适合作为拐点相关区域，从而减少拐点区的数量。
相应地，不提取拐点区的质心作为拐点，可减少拐点的数量。
可选地，提取所述拐点区的质心包括质心的二维坐标，其中，所述二维坐标是根据采集的质心的三维坐标进行坐标转换得到的。
具体地，采集每一拐点区质心的三维坐标，将所述三维坐标进行坐标转换，得到二维坐标。
举例来说，可将三维坐标(x，y，z)中向上的y轴统一置为0，得到二维坐标(x，z)。
相应地，提取所述模型的质心包括质心的二维坐标，其中，所述二维坐标是根据采集的质心的三维坐标进行坐标转换得到的。
可以理解的是，采用坐标映射的方法将三维坐标转换为平面二位坐标，可大大减小后续数据处理的复杂度。
相应地，所述步骤14具体为：将各最终拐点以预设的方向进行连接，获得行径路线。
本实施例提供的路线规划方法，至少具有以下技术效果：
通过获取所述拐点的数量占所属区域中所有第一提取点的数量的比例大于预设值的区域，对所述区域进行再次筛选可精简拐点区的数量，使摄像头指引顺畅。
图3示出了本发明又一实施例提供的一种路线规划方法的拐点连接示意图。
参照图3，在上述实施例的基础上，本实施例提供的路线规划方法。所述方法步骤14，获得行径路线的方式可有多种，本实施例举例说明其中一种。
所述方法步骤14’，具体包括：
将所述拐点以及附加拐点以预设的方向进行连接；
其中，所述附加拐点是根据障碍点和最近点得到的，所述障碍点是位于两拐点的直线距离上的点，所述最近点是距离障碍点最近的点。
在本步骤中，可能两个拐点的直线距离上还存在一个点，则判定为摄像机应当避让的模型。
进一步地，摄像机避让的路线如果太短，则无法起到躲避的效果，如果避让的路线太长，则增加了漫游路线，导致路线规划不合理。
可选地，在行进路线上增加一个适合附加拐点作为摄像机拐弯的指示点。
举例来说，当拐点1<x1，y1>与拐点2<x2，y2>的直线距离上存在<x′1，y′1>，将所述点作为障碍点。
采用如下公式获得两拐点的距离。
式中，<x1，y1>为拐点1的坐标，<x2，y2>为拐点2的坐标，distance表示距离。
进一步地，获取距离障碍点最近的点，即最近点<x′1，y′1>。
可选地，采用如下公式获得附加拐点：
也就是说，选取障碍点<x′1，y′1>与最近点<x″1，y″1>的中点为附加拐点<x″‘1，y″’1>。
接下来，将拐点1、附加拐点和拐点2以预设的方向连接。
可选地，可将拐点1、附加拐点和拐点2按直线连接。
其中，可从近到远或从远到近将各拐点连接起来。
当然，连接的方式可根据所述场景的展示内容进行调整，不以此为限。
本实施例提供的路线规划方法，至少具有以下技术效果：
通过增加附加拐点，使得及时弥补先前确定拐点的不足，可避让两拐点的直线距离上的障碍点，从而完善了行径路线。
图4示出了本发明又一实施例提供的一种路线规划方法的流程示意图。
参照图4，本发明实施例提供的方法，可应用于多种三维场景，为了更好的说明本实施例，在上述实施例的基础上，以应用于农耕文化项目汇中涉及的三维场景为例进行说明。当用于其他vr游戏或虚拟体验系统中，只需更改相关训练数据即可。
所述方法包括以下步骤：
步骤401、开始，获取已构建的三维场景。
步骤402、数据采集，每一场景包括多个模型,针对每一场景，采集每一模型质心的三维坐标。
步骤403、对采集到的数据进行预处理，具体地，将所述三维坐标与场景进行匹配，得到携带所属场景编号的三维坐标，还将述三维坐标进行坐标转换，得到二维坐标，所述二维坐标携带所属场景编号。
由此可获得与场景匹配的质心的二维坐标，用于下面的聚类算法和二分类算法调用。
步骤404、选择聚类算法，具体是采用交叉验证的方式进行判断。
在本步骤中，将各个场景中每个模型的质心二维坐标作为数据源，借助机器学习scikit-learn库依次调用最常用的cluster算法：dbscan、kmeans、minibatchkmeans和birth算法进行聚类。
步骤405、验证各聚类算法的合理性。
根据三维场景中的模型的二维坐标点进行无监督学习聚类后，还可进行合理性验证。
其核心步骤包括：属性选择、样例数据收集、聚类算法选择、数据分组、以及用于交叉实验进行聚类算法的选定。
首先，评估上述聚类算法的好坏依据以下方式：
分别计算出每个聚类算法在多达100个漫游场景中的平均适配率mar，对比分析哪个聚类算法的mar值较高。
可通过以下公式计算mar：
式中，n为场景的个数、g为预先确定的拐点数，在场景i中采用聚类算法a得到的拐点区，并有ga个拐点分布在由聚类算法a聚得的拐点区中。
其次，取mar值排在前n个对应的聚类算法再进行合理性验证。
可选地，根据类间差异参数及类内差异参数进行合理性验证。
具体地，选择类内差异参数最小化且类间差异参数最大化的聚类算法。
其中，根据类中心坐标、坐标点数、聚类数量、无标记样本、无标记样本的特征，特征的维数，得到类中心间的距离，作为类间差异参数。根据每一点坐标，类中心坐标，得到类内每一点到它所述类中心的距离的平方和，作为类内差异参数。
假设在某个场景中，人工规划的拐点数(包含起始点位置，均为二维坐标)为g个，并且在这个场景中采用a聚类算法得到c_a个类簇，可通过以下公式计算i类和j类的类间差异参数：
式中，k代表k个聚类，i和j分别表示第i和j个聚类，xj为第j个无标记样本，xi表示第i个无标记样本，
而且
可通过以下公式计算第ci类的类内差异参数：
式中，k代表k个聚类，ci表示第i个聚类，xi表示第i个无标记样本。
应当说明的是，针对每一聚类算法，都会利用交叉验证，比较与其他算法的合理性。
若所述聚类算法合理，则继续执行步骤406，若不合理，则返回步骤404采用另一种聚类算法。
步骤406、二分类算法选择与数据训练。
图5示出了本发明实施例提供的一种路线规划方法的步骤406的流程示意图。
在步骤406中，选择合适的二分类算法对上述数据集进行训练以达到较高的学习率。
如图5所示，所述步骤406还包括步骤91-步骤99：
步骤91、类别标记。将拐点簇中的所有点标记为正，非拐点类簇里的点为反，将正例点和反例点，作为二分类的对象。
具体地，利用上述聚类算法聚类的结果进行二分类训练。包含人工拐点的类簇中的所有点统一标记为正例，其他类簇所包含的点统一标注为反例，以上述聚类结果做为二分类的训练数据进行二分类算法选择。
步骤92、数据集更新，添加新数据列，新数据列里每一个数据是标记信息。
具体地，在原始数据集中添加一列名为“result”的数据列，用于标记数据集中每一条记录“是”或“不是”拐点。
步骤93、数据可视化。每一数据列的点携带特征，获取对拐点有明显影响的特征，以及不是拐点有明显影响的特征，也就是获取特征的权重。
具体地，画出针对各种属性与结果标记的直方图、统计图等。
根据可视化图表可选择出对result数据列明显有影响的特征作为候选特征。
步骤94、特征选择，对每两个各特征进行相关性分析，每一特征具有多个相关系数，求和取平均后最大值对应的特征，作为拐点特征。
具体地，结合步骤93选出的候选特征，并对各种特征进行相关系数分析。
其中，相关系数为正且值越大，则此属性就越有可能选择为特征属性。
如果步骤97中出现过拟合或欠拟合，就做些featureengineering的工作，减少或添加一些新产出的特征或者组合特征到模型中。
步骤95、算法选择。每次选取knn,svm,nbc,mlp，rfc，sgd中的一个算法，进入步骤96。
步骤96、交叉验证法选取训练集与测试集。
可选地，采用k折交叉验证法来评价每个二分类算法所训练模型的性能指标。
由于k选取时过大或过小都会造成不必要的麻烦，因此采用最常用的10折交叉验证法。
具体地，将数据集分成十份，轮流将其中9份做训练1份做验证，10次的结果的均值作为对算法精度的估计，一般还需要进行多次10折交叉验证求均值，例如：10次10折交叉验证，以获得更精确的验证结果。
步骤97、选定好合适的交叉验证方法之后，分别使用二分类算法训练出的分类器画出学习曲线，以判断模型的学习能力和泛化能力。
若某个分类器画出的学习曲线中训练集评分曲线和交叉验证集评分曲线拟合的较好，如图2所示示，则选取此二分类算法作为最佳二分类算法，即学习能力和泛化能力逐渐趋于平缓。
除此之外，还应综合考虑每个模型的错误率与精度、查准率与查全率、代价敏感错误率等因素来评价模型的性能。
可选地，可根据以下公式计算错误率：
错误率
式中，m表示样例数，f表示分类函数，即拟合函数，f(xi)表示预测值(“是”或“不是”拐点)，yi表示实际值，π(f(xi)≠yi)表示指示函数，在括号内为真与假时分别取值1,0。
可选地，可根据以下公式计算精度：
精度acc(f；d)＝1-e(f；d)
其中，错误率越低，相应地，精度就越高，表示二分类算法越好。
可选地，可根据以下公式计算查准率：
可选地，可根据以下公式计算查全率：
式中，tp为真正例，fp为假正例(即将“不是”拐点预测为“是”拐点)，fn为假反例，tn为真反例。
其中，查准率和查全率越高，表示二分类算法越好。
可选地，可根据以下公式计算代价敏感错误率：
式中，e(f；d；cost)为代价敏感错误率，costij表示将第i类样本预测为第j类样本的代价，d+表示正例子集(“是”拐点)，d-代表反例子集(“不是”拐点)。
步骤94、过拟合或欠拟合判断。
对于步骤97中若学习曲线出现严重的过拟合或欠拟合，则返回步骤94。也就是说，若拟合不好，再最大限度地从数据中提取特征以供算法和模型使用。
步骤99、模型融合与算法选择。
图6示出了本实施例提供的一种路线规划方法的二分类算法的部分示意图。
参阅图6，针对训练集，基于每一模型融合方法，使用模型融合评价，得到最小的融合算法对应的模型融合方法，作为最好的模型融合方法。
经步骤97后，在同一份数据集上训练得到的多个分类器(比如logisticregression，svm，knn，randomforest，神经网络)，将分类器分别做判定，然后对结果做投票统计，取票数最多的结果为最后结果。
关于选用何种模型融合方法，可以借助于scikit-learning机器学习库依次调用adaboostclassifier(迭代分类算法)、baggingclassifier(重采样分类)、votingclassifier(投票分类算法)、randemtreesenbedding(随机数融合算法)、gradientboostingclassifier(迭代决策树分类算法)等方法去测验哪种模型融合方法更适合。
可选地，可根据以下公式评价模型融合：
err(x)＝(e[f(x)′]-f(x))2+(e[f(x)′]-f(x)′)2＝bias2+varience2
式中，err(x)表示泛华误差，bias表示偏差，varience表示方差，表示泛华误差可分解为偏差与方差之和，e[f(x)′]表示期望预测，f(x)表示实际标记，f(x)′为训练集d上学得模型在x上的预测输出。
其中，选择使得方差与偏差都尽可能小的模型融合算法作为最优模型融合算法。
步骤407、在数据测试的方式选择之后，获取待预测的数据集，所述数据集是场景中模型的第一提取点，所述第一提取点是所述模型的质心。
步骤404、利用最优聚类算法，得到多个类簇。
具体地，将所述数据集进行数据可视化，得到多个区域，每一区域包括多个第一提取点，将模型二维坐标点和其所属场景编号作为聚类算法输入。采用聚类算法，可输出带有标记的拐点簇、非拐点簇。
其中，所述拐点簇为包括人工拐点的二维坐标点的分布区域，所述非拐点簇为不包括人工拐点的二维坐标点的分布区域。
步骤409、二分类拐点预测。
针对每一区域，判断获知所述第一提取点为拐点，且所述区域为拐点区，则获取所述拐点区的第二提取点作为拐点，所述第二提取点是所述拐点区的质心。
具体地，将类簇信息作为二分类算法的输入。
其中，类簇信息包括：场景编号、某个二维坐标、二维坐标所属类簇编号、所在类簇是否有预设对象，至少一个关键词，所在类簇是否包含关键词。
根据类簇信息与人工规划的拐点，获得类簇信息对应的拐点特征，
由于人工设置三维场景漫游时，摄像机的移动与下面文字的出现不匹配，本实施例中类簇携带关键词，在最终三维漫游展示的时候一并显示关键词。可实现关键词与拐点的一一对应，同时方便设置调整字幕出现的相关速度与精准度。
应当说明的是，所述类簇包括拐点簇和非拐点簇。
举例来说，场景编号、某个模型坐标、模型所属类簇编号、关键词1、关键词2、关键词3、关键词4、关键词5、所在类簇是否有农具、所在类簇是否有农作物、所在类簇是否有鱼、所在类簇是否有人物、所在类簇是否有田地、所在类簇是否有水、所在类簇是否包含关键词1、所在类簇是否包含关键词2、所在类簇是否包含关键词3、所在类簇是否包含关键词4、所在类簇是否包含关键词5。
采用最优二分类算法可输出该模型所在的类簇是否可设置为拐点，若是，则选取该类簇的质心坐标作为拐点坐标，否则判定为“不是”拐点。
进一步地，根据步骤404聚类的结果采用最优二分类算法进行二分类判断。
同时，引入自定义的拐点占有率ior和阈值threhold来判别整个类簇是否可作为拐点。
若是，则取类簇的质心点坐标作为拐点坐标。
可根据以下公式计算ior：
式中，ior为拐点占有率，ii表示某一类簇中经二分类预测可作为拐点的数量，ccp表示同一类簇中总的模型总数。
阈值threhold可设置为60％，当ior>60％时，可判断该类簇中的此点可作为拐点，则取类簇的质心点坐标作为拐点坐标。
步骤410、路径连接。
在拐点与拐点之间无障碍点时，将采取用直线链接的方式。
而将摄像机作为一个智能体，在从一个拐点通往另一个拐点，假设中间存在障碍点时，则需使得摄像机避开障碍点的同时仍以最短距离顺利到达下一拐点。
如图3所示，当拐点1<x1，y1>与拐点2<x2，y2>中间存在障碍点<x′1，y′1>时，首先应该取回障碍点1的二维坐标点，并采用如下公式即平面上两点之间求距离，
从而可找出同一个类簇中离障碍点1最近的点，将其称为最近点<x″1，y″1〉。
然后选取障碍点<x′1，y′1>与最近点<x″1，y″1>的中点
最后将拐点1、附加拐点和拐点2按直线连接即可。
步骤411、自动生成。按照场景展示内容自动生成所有拐点的路线。
步骤412、结束，可根据步骤411中连接好的路线，始终设置摄像头正朝向直线的方向，实现摄像机跟随设定好的路线以一定的速度进行漫游。
本实施例提供的路线规划方法，至少具有以下技术效果：
1、无需手动设置漫游路径，通过确定拐点区，提取拐点区质心作为拐点并连接拐点，可自动实现路线规划，从而大大提高工作效率。
2、通过机器学习进行路线规划，可进行客观学习与测试，减少人工规划的主观性干扰，并提高路线规划的精准度。
3、将关键字携带于各类簇中，在取类簇的质心为拐点后，可实现关键词与拐点的一一对应，方便设置调整字幕出现的相关速度与精准度。
应当说明的是，现有技术中的漫游由于设置的点不合理，或没有符合主题，使得体验者感受不佳，本发明实施例中配合关键字展示，使得体验者尽可能的在游戏场景展示去漫游，使得体验者感受更丰富的内容。
4、采用坐标映射的方法将三维坐标转换为平面二位坐标，可减小运算量。
5、将各个模型统一缩略为其质心，并结合使用机器学习算法选出较为实用的最优聚类算法和二分类算法，并采用模型融合方式可整体提高路线规划的准确率。
6、使用无监督学习的聚类算法对标准统一化后的二维坐标点进行聚类，并与人工分类好的数据做对比(即与人为规划路径的相关拐点作对比)，在原始聚类算法性能评估的基础上，结合平均适配率mar方法同时用来聚类算法性能评估，以便选择出适合的聚类算法。
7、在判断聚类后的类簇是否可作为拐点时，还运用拐点占有率ior方法和阈值threhold，便于后续类簇中最优拐点的选取，使摄像头指引顺畅。
8、当拐点之间的连线存在障碍点时，使得摄像机在智能避开障碍物的同时而又使得距离最短。
9、始终设置摄像头正朝向直线的方向，实现摄像机跟随设定好的路线自动漫游。
图7示出了本发明又一实施例提供的一种路线规划系统的结构示意图。
参照图7，本发明实施例提供的路线规划系统，所述系统包括获取模块111、区域划分模块112、拐点确定模块113和行径路线获取模块114，其中：
获取模块111获取待预测的数据集，所述数据集是场景中模型的第一提取点，所述第一提取点是所述模型的质心；区域划分模块112用于将所述数据集进行数据可视化，得到多个区域，每一区域包括多个第一提取点；拐点确定模块113用于针对每一区域，判断获知所述第一提取点为拐点，且所述区域为拐点区，则获取所述拐点区的第二提取点作为拐点，所述第二提取点是所述拐点区的质心；行径路线获取模块114用于将各拐点以预设的方向进行连接，获得行径路线。
本发明实施例可应用多种技术以实现路径规划，为了更好的说明本实施例，以应用机器学习技术为例进行说明。
可选地，获取模块111自所述模型提取一个点，即第一提取点。
在本步骤中，将各个模型统一缩略为其质心。
设模型由n个质点组成，模型的质心是模型质量分布的平均位置，用于表示模型中质量集中于此的一个假想点。
其中，质心提取可采取图形图像处理的现有技术方式进行提取，例如，二值化处理。
可以理解的是，所述模型若为不规则形状，无法提取有效的中心，采用提取质心的方式，可合理、准确的将所述区域缩略。
区域划分模块112将所述数据集进行数据可视化，得到多个区域，每一区域包括多个第一提取点。
其中，所述拐点区表示所述区域是与拐点相关的区域。
拐点确定模块113自所述拐点区提取一个点，即第二提取点。
在本步骤中，将各个拐点区统一缩略为其质心。
设拐点区由n个质点组成，拐点区的质心是拐点区质量分布的平均位置，用于表示拐点区中质量集中于此的一个假想点。
其中，质心提取可采取图形图像处理的现有技术方式进行提取，例如，二值化处理。
可以理解的是，所述拐点区若为不规则形状，无法提取有效的中心，采用提取质心的方式，可合理、准确的将所述区域缩略，进一步地，将提取的质心作为拐点。
行径路线获取模块114在获得各拐点区的拐点后，可从近到远或从远到近将各拐点连接起来。
当然，连接的方式可根据所述场景的展示内容进行调整，不以此为限。
本实施例提供的路线规划系统，可用于执行上述方法实施例的方法，本实施不再赘述。
本实施例提供的路线规划系统，至少具有以下技术效果：
通过区域划分模块确定拐点区，拐点确定模块提取拐点区质心作为拐点，并由行径路线获取模连接拐点，可自动实现路线规划，从而大大提高工作效率。
最后应说明的是：以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！