本發(fā)明涉及交通標(biāo)志檢測，尤其涉及基于聚類分析的交通標(biāo)志檢測方法及裝置。

背景技術(shù)：

1、聚類分析（clustering?analysis，ca）是機器學(xué)習(xí)技術(shù)領(lǐng)域里的一個重要研究方向，旨在將數(shù)據(jù)集劃分為不同的類別，反映樣本的歸屬性。這個簡單而有效的過程在生物信息學(xué)、信息論和模式識別等多個領(lǐng)域發(fā)揮著重要作用。然而，數(shù)據(jù)集中存在的數(shù)據(jù)重疊問題往往對聚類分析技術(shù)的性能產(chǎn)生不利影響，這也是目前聚類分析領(lǐng)域最復(fù)雜、最具挑戰(zhàn)的任務(wù)之一。出現(xiàn)這一問題的原因是，大多數(shù)數(shù)據(jù)集都包含一定數(shù)量的特殊樣本，這些樣本屬于不同的類別但數(shù)據(jù)特征非常相似，以至于聚類分析模型幾乎無法區(qū)分它們之間的差異，從而無法對數(shù)據(jù)進行正確的聚類。

2、近年來，人們在解決數(shù)據(jù)重疊問題方面做了大量的工作。大多數(shù)方法可以概括為三類：基于密度的預(yù)設(shè)聚類算法、降維技術(shù)和特征選擇?；诿芏鹊念A(yù)設(shè)聚類算法（如dbscan和optics）通過識別高密度區(qū)域來改善數(shù)據(jù)重疊，但這些算法對參數(shù)選擇敏感且可能在處理非均勻密度數(shù)據(jù)時效果不佳。降維技術(shù)（如pca和t-sne）能夠有效減少無關(guān)特征引起的數(shù)據(jù)重疊，但可能會丟失對聚類分析有用的關(guān)鍵信息。特征選擇可以選擇對聚類分析更有信息量的特征，但這需要足夠的領(lǐng)域知識和計算資源，且有時候難以找到確切的特征組合來區(qū)分重疊的數(shù)據(jù)。

3、機器學(xué)習(xí)中的對抗性攻擊是指通過篡改輸入數(shù)據(jù)來使模型做出錯誤預(yù)測的行為。對抗攻擊通常會生成僅帶有微小擾動的圖像，使得干凈圖像與被篡改圖像之間存在重疊，這使得無監(jiān)督模式識別模型可能無法檢測到這些差異，尤其是當(dāng)輸入數(shù)據(jù)遭到未知的對抗攻擊時，檢測難度會更大。這類攻擊對交通運輸應(yīng)用構(gòu)成了嚴(yán)重威脅，例如可能導(dǎo)致交通標(biāo)志識別錯誤、車輛路線規(guī)劃不正確，甚至使得自動駕駛導(dǎo)航系統(tǒng)失效。這些威脅可能引發(fā)交通事故，危及生命安全，并造成重大的經(jīng)濟損失和基礎(chǔ)設(shè)施損害。

4、因此，需要構(gòu)建設(shè)計一種可以精準(zhǔn)識別交通標(biāo)志檢測識別方法，以降低檢測難度并提高檢測的準(zhǔn)確度。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明實施例提供了一種基于聚類分析的交通標(biāo)志檢測方法及裝置，用以解決現(xiàn)有交通標(biāo)志檢測技術(shù)對未知的對抗攻擊檢測難度較大，導(dǎo)致標(biāo)志檢測結(jié)果不夠精確的問題。

2、本發(fā)明采用的技術(shù)方案是：

3、第一方面，本發(fā)明提供了一種基于聚類分析的交通標(biāo)志檢測方法，包括：

4、s1、獲取多擾動交通標(biāo)志數(shù)據(jù)集，對多擾動交通標(biāo)志數(shù)據(jù)集進行預(yù)處理，得到數(shù)值型數(shù)據(jù)集；

5、s2、對數(shù)值型數(shù)據(jù)集進行數(shù)據(jù)平移，并對數(shù)據(jù)平移后的數(shù)據(jù)集進行聚類分析，確定數(shù)據(jù)集的第一質(zhì)心；

6、s3、基于數(shù)值型數(shù)據(jù)集，通過歐式距離計算函數(shù)計算出不可連接數(shù)據(jù)集，并對第一質(zhì)心進行排序，得到第二質(zhì)心；

7、s4、利用不可連接數(shù)據(jù)集對數(shù)據(jù)平移后的數(shù)據(jù)集進行數(shù)據(jù)更新，得到第一數(shù)據(jù)集，并將第一數(shù)據(jù)集的數(shù)據(jù)點拉向第二質(zhì)心，基于第一數(shù)據(jù)集對數(shù)據(jù)平移后的數(shù)據(jù)進行更新，對第一數(shù)據(jù)集的數(shù)據(jù)點進行聚合和分離處理，得到第二數(shù)據(jù)集；

8、s5、利用預(yù)設(shè)聚類算法對第二數(shù)據(jù)集進行聚類，并計算出聚類結(jié)果的無監(jiān)督輪廓系數(shù)；

9、s6、迭代執(zhí)行步驟s3-s5，從多個無監(jiān)督輪廓系數(shù)中確定最優(yōu)無監(jiān)督輪廓系數(shù)，并基于最優(yōu)無監(jiān)督輪廓系數(shù)對應(yīng)的多擾動交通標(biāo)志數(shù)據(jù)集的聚類結(jié)果確定各類交通標(biāo)志的典型尺寸和特征分布，同時對無標(biāo)注的原始數(shù)據(jù)進行標(biāo)注，得到標(biāo)注后的多擾動交通標(biāo)志數(shù)據(jù)集；

10、s7、基于標(biāo)注后的多擾動交通標(biāo)志數(shù)據(jù)集對預(yù)設(shè)交通標(biāo)志檢測模型進行訓(xùn)練，并采用訓(xùn)練好的交通標(biāo)志檢測模型對待識別交通標(biāo)志進行識別，確認待識別交通標(biāo)志的類別。

11、進一步地，所述s1中獲取多擾動交通標(biāo)志數(shù)據(jù)集，對多擾動交通標(biāo)志數(shù)據(jù)集進行預(yù)處理，得到數(shù)值型數(shù)據(jù)集，包括：

12、s11：獲取多擾動交通標(biāo)志數(shù)據(jù)集，定義如下圖像數(shù)據(jù)展開公式：

13、

14、其中，代表圖像的高度，代表圖像的寬度，代表顏色通道數(shù)rgb，flatten表示flatten函數(shù)；利用以上展開公式，對數(shù)據(jù)集中的每個三維圖像數(shù)據(jù)，依次展開為一維的數(shù)值型數(shù)據(jù)；

15、s12：將展開后的一維數(shù)值型數(shù)據(jù)組合成為新的數(shù)值型數(shù)據(jù)集，其包含個樣本，每個樣本代表一幅圖像并且包含個特征。

16、進一步地，所述s2中對數(shù)值型數(shù)據(jù)集進行數(shù)據(jù)平移，并對數(shù)據(jù)平移后的數(shù)據(jù)集進行聚類分析，確定數(shù)據(jù)集的第一質(zhì)心，包括：

17、s21：根據(jù)公式，將數(shù)值型數(shù)據(jù)集整體向正方向平移，使數(shù)據(jù)集中所有的特征值為非負，得到數(shù)據(jù)平移后的數(shù)據(jù)集 β；

18、s22：通過預(yù)設(shè)聚類算法從數(shù)據(jù)集 β中計算出k個質(zhì)心，并記錄k個質(zhì)心的索引值。

19、進一步地，所述s3中基于數(shù)值型數(shù)據(jù)集，通過歐式距離計算函數(shù)計算出不可連接數(shù)據(jù)集，并對第一質(zhì)心進行排序，得到第二質(zhì)心，包括：

20、s31：定義如下歐式距離計算函數(shù)：

21、

22、其中，是數(shù)據(jù)點與之間的歐氏距離，m是數(shù)據(jù)集中數(shù)據(jù)點的特征數(shù)量；

23、s32：通過歐式距離計算函數(shù)計算數(shù)據(jù)集中每個數(shù)據(jù)點與參照點的歐氏距離，并根據(jù)計算出的歐氏距離對數(shù)據(jù)集中的數(shù)據(jù)點進行重新排序，排序后得到不可連接數(shù)據(jù)集；所述參照點用于計算歐式距離以生成不可連接數(shù)據(jù)集 ψ，α取特征數(shù)值總和的最小質(zhì)心；

24、s33：根據(jù)公式，對k個質(zhì)心重新排序，得到第二質(zhì)心；其中，argsort表示argsort函數(shù)，表示特征數(shù)值總和最小的質(zhì)心； distance表示歐式距離計算函數(shù)； i表示質(zhì)心排序后的索引值，表示重新排序后得到的第二質(zhì)心。

25、進一步地，所述s4中利用不可連接數(shù)據(jù)集對數(shù)據(jù)平移后的數(shù)據(jù)集進行數(shù)據(jù)更新，得到第一數(shù)據(jù)集，并將第一數(shù)據(jù)集的數(shù)據(jù)點拉向第二質(zhì)心，基于第一數(shù)據(jù)集對數(shù)據(jù)平移后的數(shù)據(jù)進行更新，對第一數(shù)據(jù)集的數(shù)據(jù)點進行聚合和分離處理，得到第二數(shù)據(jù)集，包括：

26、s41：將數(shù)據(jù)集存儲到一個臨時數(shù)據(jù)集中；

27、s42：基于不可連接數(shù)據(jù)集，根據(jù)公式，更新數(shù)據(jù)集，得到第一數(shù)據(jù)集，并將第一數(shù)據(jù)集中所有數(shù)據(jù)點拉向第二質(zhì)心；其中，表示數(shù)據(jù)集中的第 i個數(shù)據(jù)點；表示數(shù)據(jù)集中的第 i個數(shù)據(jù)點；表示第二質(zhì)心在數(shù)據(jù)集中的對應(yīng)數(shù)據(jù)點；表示數(shù)據(jù)集中所有數(shù)據(jù)點的特征均值；

28、s43：對每個第二質(zhì)心，執(zhí)行一次步驟s42，共重復(fù)k次；

29、s44：根據(jù)公式，更新數(shù)據(jù)集，分離不同類的數(shù)據(jù)點，聚集同類數(shù)據(jù)點，得到第二數(shù)據(jù)集；表示數(shù)據(jù)集中的第 i個數(shù)據(jù)點。

30、進一步地，所述利用預(yù)設(shè)聚類算法對第二數(shù)據(jù)集進行聚類，并計算出聚類結(jié)果的無監(jiān)督輪廓系數(shù)，包括：

31、利用預(yù)設(shè)聚類算法對第二數(shù)據(jù)集的數(shù)據(jù)點進行聚類處理，得到聚類結(jié)果；

32、依據(jù)數(shù)據(jù)集和聚類結(jié)果，計算出本次聚類的無監(jiān)督輪廓系數(shù)。

33、第二方面，本發(fā)明提供一種基于聚類分析的交通標(biāo)志檢測裝置，包括：

34、數(shù)據(jù)集預(yù)處理模塊，用于獲取多擾動交通標(biāo)志數(shù)據(jù)集，對多擾動交通標(biāo)志數(shù)據(jù)集進行預(yù)處理，得到數(shù)值型數(shù)據(jù)集；

35、數(shù)據(jù)平移分析模塊，用于對數(shù)值型數(shù)據(jù)集進行數(shù)據(jù)平移，并對數(shù)據(jù)平移后的數(shù)據(jù)集進行聚類分析，確定數(shù)據(jù)集的第一質(zhì)心；

36、質(zhì)心排序模塊，用于基于數(shù)值型數(shù)據(jù)集，通過歐式距離計算函數(shù)計算出不可連接數(shù)據(jù)集，并對第一質(zhì)心進行排序，得到第二質(zhì)心；

37、數(shù)據(jù)集更新模塊，用于利用不可連接數(shù)據(jù)集對數(shù)據(jù)平移后的數(shù)據(jù)集進行數(shù)據(jù)更新，得到第一數(shù)據(jù)集，并將第一數(shù)據(jù)集的數(shù)據(jù)點拉向第二質(zhì)心，基于第一數(shù)據(jù)集對數(shù)據(jù)平移后的數(shù)據(jù)進行更新，對第一數(shù)據(jù)集的數(shù)據(jù)點進行聚合和分離處理，得到第二數(shù)據(jù)集；

38、數(shù)據(jù)聚類處理模塊，用于利用預(yù)設(shè)聚類算法對第二數(shù)據(jù)集進行聚類，并計算出聚類結(jié)果的無監(jiān)督輪廓系數(shù)；

39、標(biāo)志聚類分析模塊，用于從多個無監(jiān)督輪廓系數(shù)中確定最優(yōu)無監(jiān)督輪廓系數(shù)，并基于最優(yōu)無監(jiān)督輪廓系數(shù)對應(yīng)的多擾動交通標(biāo)志數(shù)據(jù)集的聚類結(jié)果確定各類交通標(biāo)志的典型尺寸和特征分布，同時對無標(biāo)注的原始數(shù)據(jù)進行標(biāo)注，得到標(biāo)注后的多擾動交通標(biāo)志數(shù)據(jù)集；

40、標(biāo)志檢測模塊，用于基于標(biāo)注后的多擾動交通標(biāo)志數(shù)據(jù)集對預(yù)設(shè)交通標(biāo)志檢測模型進行訓(xùn)練，并采用訓(xùn)練好的交通標(biāo)志檢測模型對待識別交通標(biāo)志進行識別，確認待識別交通標(biāo)志的類別。

41、綜上所述，本發(fā)明的有益效果如下：

42、本發(fā)明提供的一種基于聚類分析的交通標(biāo)志檢測方法，方法在對多擾動交通標(biāo)志數(shù)據(jù)集進行處理的過程中，引入了基于距離計算的不可連接數(shù)據(jù)集，通過重復(fù)的聚合處理及分離處理改變數(shù)據(jù)的分布，從而得到用于精準(zhǔn)識別各類交通標(biāo)志的尺寸的最優(yōu)無監(jiān)督輪廓系數(shù)，解決了交通標(biāo)志數(shù)據(jù)聚類分析時的數(shù)據(jù)重疊問題，對未知的對抗攻擊檢測難度較大，導(dǎo)致標(biāo)志檢測結(jié)果不夠精確。同時，本發(fā)明還基于各類交通標(biāo)志的尺寸對預(yù)設(shè)交通標(biāo)志檢測模型進行訓(xùn)練，采用訓(xùn)練后的交通標(biāo)志檢測模型對待識別交通標(biāo)志進行識別，確認待識別交通標(biāo)志的類別，可以在原始交通標(biāo)志數(shù)據(jù)存在干擾的情況下，實現(xiàn)交通標(biāo)志的精準(zhǔn)檢測識別。