密度峰值聚类算法研究及其在路面裂纹检测中的应用.pdf

摘要

摘要

密度峰值聚类(DensityPeaksClustering,DPC)算法能够发现任意形状的簇并且

具有较强的鲁棒性，被广泛应用于机器学习、模式识别和图像分割等领域。然而，

DPC算法存在需要人工选取聚类中心、在大规模数据集上聚类性能不佳等问题。

针对上述问题，本文提出了相应的解决策略，旨在提升DPC算法的聚类性能，并

将改进的DPC算法应用于路面裂纹检测中。具体研究内容如下：

（1）针对DPC算法需要人工选取聚类中心的问题，本文提出了一种基于高斯

分布的自适应密度峰值聚类算法(AdaptiveDensityPeaksClusteringAlgorithmbased

onGaussianDistribution,GD-DPC)。首先，计算每个样本局部密度和相对距离的乘

积，通过Z-score标准化方法将规范到符合标准高斯分布的二维空间中。其次，γγ

利用高斯分布的标准偏差来自适应选取聚类中心，分配剩余样本得到初步划分。最

后，根据子簇规模和簇间共享近邻信息提出缝合因子模型，逐步合并初步划分中的

最相似簇，得到最终的聚类结果。实验结果表明，GD-DPC算法不仅能够自适应选

取聚类中心，聚类性能也有所提升。

（2）针对GD-DPC算法在大规模数据集上聚类性能不佳的问题，本文提出了

一种基于峰群融合的自适应密度峰值聚类算法(AdaptiveDensityPeaksClustering

AlgorithmbasedonPeakGroupFusion,GF-DPC)。首先，根据共享最近邻集合和k

近邻距离计算相似度矩阵，将相似度最高的k个点的相似度之和作为当前点的局

部密度。其次，计算任意点i与密度比其高的点j之间欧氏距离，并将欧氏距离与

其k近邻距离和相乘，取乘积的最小值作为点i的相对距离。然后，通过高斯分布

的标准偏差提取局部密度较高的密度峰，形成密度峰群集合。最后，依据近邻传播

算法对密度峰群进行合并，分配剩余样本，得到最终的聚类结果。实验结果表明，

GF-DPC算法在大规模数据集上的聚类效率有所提升并且优于对比算法。

（3）针对当前路面裂纹检测技术需要耗费大量时间标注标签的问题，本文在

深度残差自编码器提取路面裂纹关键特征的基础上，在下游任务中应用GF-DPC算

法对特征数据进行聚类分析，最后利用路面裂纹信息提取程序量化裂纹几何特征，

实现了全过程的无监督学习，为无监督路面裂纹检测领域开拓了一种新思路。实验

结果表明，基于GF-DPC算法的路面裂纹检测模型有效并且具有较好的性能表现。

关键词：密度峰值聚类；高斯分布；峰群融合；深度残差自编码器；裂纹检测

I

目录

目录

第1章绪论1

1.1研究背景和意义1

1.2国内外研究现状分析3

1.2.1密度峰值聚类算法研究现状分析3

1.2.2路面裂纹检测技术研究现状分析5

1.3研究内容与章节安排7

第2章相关理论介绍9

2.1密度峰值聚类算法9

2.2k近邻与共享近邻11

2.3聚类评价指标12

2.4自编码器14

2.5本章小结15

第3章基于高斯分布的自适应密度峰值聚类算法16

3.1GD-DPC算法16

3.1.1自适应选取聚类中心16

3.1.2缝合因子18

3.1.3GD-DPC算法设计19

3.1.4算法复杂度分析19

3.2实验结果与分析20

3.2.1实验环境与数据集20

3.2.2人工数据集21

3.2.3UCI数据集25

3.2.4参数敏感性