数据简化中的边界提取方法

针对三维点云数据简化过程中边界特征容易丢失问题,研究了一种点云边界特征提取方法.首先,对点的k近邻进行查找,并进行点的球拟合计算,得到拟合球的半径、点的曲率、点到球心距离.其次,通过数据点周围点的分布均匀性、自适应调节参数公式中的阈值,可以达到检测边界特征的目的.由不同模型的实验数据表明,该算法提取的边界满足了后期数据简化所需.     

基于有限集统计学理论的多扩展目标跟踪研究综述

机载激光雷达(LiDAR)数据是离散的三维点云,同一个建筑面的三维激光脚点具有随机分布的特性,并且由于建筑本身形状的多样性和复杂性,以及建筑物周围环境的复杂性,导致从LiDAR数据提取建筑物轮廓线变得更加困难。提取建筑物的轮廓线,最关键的就是提取LiDAR数据中建筑物的边缘点。文中提出一种改进的提取LiDAR点云数据边缘点方法:设定具体的半径和阈值,把LiDAR点云数据中存储的每个点作为圆心建立包裹圆,求得点云数据中其他点到该点的距离,并统计落在包裹圆内点的个数,通过每个包裹圆内点的个数跟设定的阈值进行比较,从而确定该点是否为边缘点。通过仿真发现,文中算法与alpha shape算法相比,在保持边缘点提取效果的基础上,极大减少了运行时间,总体效率有了显著地提高。     

散乱数据点云边界特征自动提取算法

提出一种散乱数据点云边界特征自动提取算法,该算法采用R* -tree动态空间索引结构组织散乱数据点云的拓扑关系,基于该结构获取采样点的k近邻点作为局部型面参考数据,以最小二乘法拟合该数据的微切平面,并将其向微切平面投影,根据采样点与其k近邻所对应投影点连线的最大夹角识别散乱点云边界特征.实例验证该算法可快速、准确地提取散乱数据点云的边界特征.     

保留边界特征的点云简化算法

为有效简化点云数据,提出保留边界特征的点云简化算法。该算法利用三维栅格划分法建立散乱点云的空间拓扑关系,计算每个数据点的近邻,通过球拟合法求得其曲率和具有方向性的法向量,采用投影点个数比值法找到并保留点云边界,根据具体情况设定所需阈值,对非边界点进行分类,通过对点的曲率与平均曲率比较、近邻保留点与近邻点个数比例,完成点云简化。实验结果表明：该算法不仅能对点云进行直接有效地简化,而且还能很好地保留点云模型的细节特征,简化比例达25％～40％。该方法可以满足不同种类点云简化的要求,能够提高计算机运行效率。     

一种改进的毫米波雷达聚类算法

针对毫米波雷达数据均匀性差,数据量小,噪点多等问题,提出一种基于DBSCAN (density-based spatial clustering of applications with noise)的雷达自适应聚类算法.改进算法能够根据K近邻距离和目标反射截面自适应调整聚类半径.首先给出一种聚类半径根据K近邻距离动态调整的机制:目标第K个近邻的距离与阈值相比较,以确定阈值半径取值.再提取雷达提供的目标反射截面,基于该值计算目标假象半径作为聚类半径的补充量.实现根据目标反射截面与数据稀疏程度自适应聚类的效果.将改进算法与不同参数的DBSCAN聚类算法在真实雷达点云数据进行实验对比.相较于选取合适参数的DBSCAN算法,改进算法能够更好适应毫米波雷达点云特征,对行人目标识别准确率提高4.18％,对车辆目标识别准确率提高5.63％.     

三维空间数据点边界快速查找算法设计与实现

利用三维数据点对原始模型进行曲面重建时,快速查找边界点并拟合出边界边是曲面重建的重要环节。提出一种基于K近邻的三维空间数据点边界快速搜索算法,该方法首先找出所有空间数据点的K近邻,并对被测点区域进行八分,判断其任意相邻的2个区域是否有数据点,提高了边界点的查找精度;介绍了基于实验的数据点空洞半径的计算方法,详细说明了算法的设计步骤,给出了算法的运行结果,并对结果进行了比较分析;采用基于K近邻的新八分法查找边界点,对算法进行了改进,使其精确性优于原始四分法,使运算时间优于原始八分法。实验证明该算法边界提取精度较高、运行速度较快,尤其是在凹陷程度较大区域,能更精确地描绘出原始模型的轮廓,为边界曲线拟合提供了优质的边界点数据。     

基于样点拓扑近邻的散乱点云曲面拓扑重建

提出一种基于样点拓扑近邻的散乱点云曲面拓扑重建算法,对点云数据构建动态空间索引结构,采用动态扩展空心球算法查询样点k近邻,通过对样点的k近邻数据进行偏心扩展和自适应扩展获取样点的拓扑近邻参考数据,从中查询样点的拓扑近邻,从样点的同层拓扑近邻中获取符合Delaunay条件的匹配点,生成局部Delaunay三角网格,并通过增量扩展实现整个散乱点云的曲面拓扑重建.实例证明,该算法可对无隙、有边界等任意模型的散乱点云进行合理的曲面拓扑重建,有效解决了r-dense恰当采样点云中非均匀区域易产生非工艺孔洞的问题.     

云计算环境中面向大数据的改进密度峰值聚类算法

对密度峰值聚类算法进行有效改进,计算各样本点之间的距离和各样本点局部密度,选择两者中较大的样本点作为聚类中心点,根据其余样本点与各中心点的距离设定样本点所属类别;引入K近邻算法对密度峰值聚类算法进行优化,求解各样本点的距离时只需要考虑其周围由邻近值决定的若干样本点,实现距离阈值的自动选取;根据距离矩阵计算样本点的密度,绘制决策图并选择簇内中心点,将剩余点根据密度值分配给离中心点距离最近的类;最后将K近邻-密度峰值聚类算法部署至Hadoop云计算平台,用于解决大规模数据聚类的问题。仿真结果表明,通过合理设置K近邻算法的近邻值k,K近邻-密度峰值聚类算法具有较好的大数据样本聚类性能,与常用聚类算法相比,该算法具有更高的聚类准确率和聚类效率,适用于大数据样本聚类。     

MLMS-Net:多层次多尺度点云分类网络

针对传统点云分类网络提取特征较为单一,分类精度较低的问题,提出一种多层次多尺度点云分类网络MLMS-Net。首先使用预处理算法将原始点云分割为小样本,以得到批处理输入,提高训练效率;然后使用K近邻算法和边缘特征向量分别提取点云的低层次结构特征和边缘特征,通过设置不同邻域值,有效获取上下文信息,通过点内和点间多层次表达获得局部细粒度描述;接着对两种低层次特征分别构建卷积神经网络,随着网络层次的加深,特征抽象程度越来越高,区分程度也随之增加,从而有效提高准确性;最后利用后处理模块融合深层特征,完成点云分类任务。使用Vaihingen数据集对MLMS-Net网络进行测试,其分类精度相较单层次网络提高了0.6%～15.9%。     

基于地面激光点云数据的单木三维重建方法

目的 使用地面三维点云数据,提出一种单株树木三维网格模型重建方法,为精准获取测树因子提供技术支撑。 方法 对获取的点云进行预处理,使用k-d树构建近邻关系图,用Dijkstra算法求算出子图的根。检测出有效路径后,使用探测半径计算关键路径。计算树枝骨架,然后对初始骨架进行Bezier曲线半径平滑,得到平滑的骨架,再将骨架连接,使用半径平滑和圆柱拟合减少点云密度小造成的拟合不足的情况,能够最大限度保留树枝的细节。结果 使用3株落叶松点云数据构建了树枝树干表面网格模型,重建了树木三维结构。将树干、树枝的三维网格模型与点云匹配后,效果较好;所构建的模型能够进行细小枝条的重建,而不是模拟细枝,通过观察重建结果,一级枝的重建效果非常好,大的二级枝也能得到很好的展示;整套算法计算快速,计算时间与枝条的复杂程度、连接关系有关。结论 基于关键路径探测的方法能够很好地构建树木的三维网格模型,可以用于单株树木测树因子的精确提取。     

一种新的近邻密度SVM不平衡数据集分类算法

针对不平衡数据集数据分布不均匀及边界模糊的特点,提出一种新的近邻密度SVM(NNDSVM)不平衡数据集分类算法。该算法先计算多数类中每个样本K近邻范围内的密度值,依据该密度值分别选出边界区域、靠近边界区域的与少数类数目相等的样本与少数类完成SVM初始分类;用所得的支持向量机和剩余的多数类样本对初始分类器迭代优化。人工数据集和UCI数据集的实验结果表明,与SVM、ALSMOTE-SVM和WSVM算法相比,本文算法分类效果良好,能有效改进SVM算法在分布不均匀及边界模糊数据集上的分类性能。     

基于反向K近邻和密度峰值初始化的加权Kmeans聚类入侵检测算法

传统Kmeans聚类算法的性能易受初始类簇中心随机性和类簇中心计算的迭代过程中边缘点和离群点反复计入的影响，为了避免这些影响，该文提出一种基于反向K近邻和密度峰值初始化的加权Kmeans聚类算法。通过样本的近邻信息计算每个样本的反向K近邻，针对不同规模、不同密度分布数据集，可以自适应地搜索密度峰值点作为初始类簇中心；自适应设定相对簇半径，并通过样本加权进行类簇中心迭代，在不同数据分布下可以有效降低边缘点和离群点对聚类结果的影响。试验结果证明，该算法在聚类性能提升的同时迭代次数大幅降低，随着入侵行为类型和数据规模的增加，该文聚类算法仍体现出较好的性能，且在发现未知攻击类型上效果显著。     

基于特征点的最近邻配准算法

利用尺度不变特征点的提取方法提取特征点,并对SIFT方法提取出的特征点用最近邻算法进行配准,在搜索最近邻特征点和次近邻特征点时使用了在K-D树搜索算法基础上进行改进的搜索算法BBF（Best Bin First）算法。实验证明该算法具有配准精度高,鲁棒性好的特点。     

图像辅助激光点云的相似材料模型破裂边界提取

针对现有的相似材料实验观测方法获取破裂区域信息效率低以及数据处理复杂的缺点,根据模型点云呈面分布的特征,提出一种图像辅助激光点云的相似材料模型破裂边界提取方法.将模型点云栅格化生成合成图像,并建立点云与图像像素的映射关系,对合成图像进行灰度二值化处理,利用Canny算子提取二值化后图像的边缘,最后根据点云与像素的映射关系获取点云的破裂边界.研究结果表明:该算法可较好的提取出破裂区域的边界,提取的结果可以用于开采沉陷研究当中.     

一种改进的K近邻法在模式识别中的应用

针对传统K近邻法的缺陷,改进的K近邻法首先对训练样本进行聚类,将样本的特征空间划分成若干满足一定条件的小超球体,然后依据最近间隔值在这些小超球体内搜索待分类样本的K个近邻点.算法通过特征选取,选出反映样本模式重要信息的特征,从而确保了聚类的质量.同时K近邻算法中引入的最近间隔值,既确定了近邻点的搜索半径,又保障了搜索的准确性.通过实验证实,该方法不但节省时间,还有较高的识别率.     

高斯函数约束下的多判别参数散乱点云边缘检测

设计一种散乱点云数据边缘检测算法,从而快速、精确地提取边缘特征.该算法以点云的局部特征为基础,通过分析点云数据各点的法向特性,构建各点k近邻法向夹角特征、曲率特征、距离特征,并在高斯函数的约束下完成点云边缘特征的检测.利用公共数据进行多组实验,对比不同算法下的检测效果.结果表明:该算法提取点云边缘特征的速度更快、效果更好.     

足趾形状特征的自动提取算法

根据足趾二值图像形状特点,提出基于数学形态学消散度技术的足趾形状特征自动提取算法。该法提取的物体形心,受较少边界凹点影响,对噪声不敏感,比几何中心稳定。寻找边界上距形心距离稳定并能区分不同形状的特征点及相互关系,生成特征向量。该特征向量,在二维连续空间中,具有平移、旋转、尺度不变的特征;在二维离散应用环境中,大量实验证明,由平移、旋转、尺度变化所造成的误差较小,具有较强的稳定性。该法是一种简便、易行的足趾形状特征自动提取算法。     

基于空间划分的海量数据K邻近新算法

逆向工程中,对测量数据的处理首先要建立数据点之间的拓朴结构,这通常通过计算点的K邻近来实现.文中在分析现有算法的基础上,提出了一种新的基于空间划分的海量数据K邻近算法.该算法综合考虑了点云密度、点云数量以及K值对小立方体栅格边长的影响,通过确定合适的小立方体栅格边长以及排除不包含点云数据的小立方体栅格来确定邻近点最佳搜索范围,从而提高了搜索速度,保证了搜索结果的正确性.最后通过逆向软件的二次开发编程验证了算法.     

基于曲率图的三维点云数据配准

以曲率图作为三维点云数据的特征描述函数,并运用曲率图实现了三维点云数据的配准.对于含有噪声的点云数据,先根据每个点的邻域特性估算其曲率值,然后根据每个点及其周围邻域点的曲率值构造该点的曲率图.通过在多比例空间下曲率图的特征保持分析,可提取到最能反映该点云数据特征的特征点集.对于两两配准,这些特征点集被用于三维点云数据的粗略配准算法中,该算法利用点云内部空间点相对位置在刚性变换下的不变特性实现了特征点对的匹配,由匹配的特征点对进行坐标变换求解,完成了两三维点云的粗略配准,然后运用迭代最近点算法进行精确配准.最后将整个配准算法应用于真实的三维点云数据,结果表明该算法能有效抑制点云采样密度及噪声的影响,能够快速实现点云数据的精确配准.     

基于概率直方图的点云特征描述符算法

针对现有点云特征描述符算法提取较慢的问题,提出一种基于概率直方图的点云特征描述符提取方法。该算法首先选中计算点作为中心点,建立一个球形点云区域,在此球形区域内建立局部坐标系,计算球形区域内所有邻域点和原点的模长及与坐标轴的角度,得出概率直方图,作为该点的特征描述符。实验结果表明,该算法能够快速提取出该点的特征,并且能使用此特征在采样一致性初始配准算法中准确的进行点云的配准,配准速度较传统算法有所提升。