基于LiDAR数据的布料模拟滤波算法的适用性分析

为了解决现有点云滤波算法设置参量多、滤波效果不理想、难以操作等问题,采用最新的布料模拟滤波算法,根据简单的物理过程构建虚拟格网模拟地形表面,并针对复杂地形的点云数据进行定性和定量滤波验证。结果表明,其Ⅰ类误差在5.7%、Ⅱ类误差在3.4%以内,但针对部分混合有平坦和陡坡的局部区域滤波效果并非理想;在满足滤波精度的同时,可在30s内完成数百万个点的滤波,甚至在数秒内完成数十万个点的滤波。该算法所需参量很少、效率非常高,能满足绝大多数复杂地形数据的滤波要求。     

一种基于曲面约束的点云数据滤波方法

针对机载LIDAR点云数据滤波问题,结合机载LIDAR点云数据的特点,引入虚拟格网技术,提出一种基于多尺度虚拟格网与曲面约束的机载LIDAR点云数据滤波方法。该方法首先根据点云密度等点云数据特点构建多尺度虚拟格网;其次基于多尺度虚拟格网分别获取一级、二级地面种子点;然后依据一级、二级地面种子点基于曲面约束进行滤波获取三级地面种子点;最后将所有地面种子点合并得到地面点集。实验方面,通过两组实验验证了该方法的可行性和适用性。     

不同地形激光雷达数据点云的信息提取方法

针对不同地形点云数据采用不同的滤波和格网插值方法提取地面信息,得到了良好的滤波插值效果,为后续地表下沉盆地获取等工作提供了优质的基础数据。对于不同的点云数据,文中分别进行了针对性的处理。对地表平坦且植被稀少的点云数据,采取高程最低点采样并替代格网高程值的方法;对地物和植被杂乱的点云数据,采用基于先验高程信息滤波与Kriging格网插值相结合的方法;而对于地形起伏较大的点云数据则采用渐点加密TIN滤波与Kriging格网插值相结合的方法,最终得到高质量的基础数据并应用于工程实际。     

基于改进DBSCAN的星载激光雷达数据多尺度滤波研究

星载激光雷达数据滤波过程易受复杂背景、粗差点、噪声点等问题的干扰,导致滤波效果大幅度下降,所以研究基于改进DBSCAN的星载激光雷达数据多尺度滤波方法。采用改进DBSCAN算法对星载激光雷达数据做聚类处理,并标记噪声点,通过半球形邻域算法提取点云数据特征。根据提取到的点云数据特征构建规则格网,通过格网的多路径效应剔除点云数据中的粗差点与噪声点,完成星载激光雷达数据多尺度滤波。实验结果表明,所提方法的星载激光雷达数据多尺度滤波误差较低、滤波效果好,实际应用价值较高。     

点云隐式曲面快速重建算法研究

提出一种点云数据隐式曲面高效重建算法。该算法首先基于传统径向基函数隐式曲面重建算法对点云数据进行低解析度、低精度快速插值,然后采用三线性插值对点云数据进行高解析度、低精度插值,最后根据欧氏距离确定点云零水平集附近需要处理的区域,处理过程中只对区域内点云数据进行滤波降噪。与传统方法相比,本文算法既可以保证曲面重建精度,又可以缩短计算时间。在头部点云数据的曲面重建过程中,本文算法能够实现与传统算法相近的精度,同时使插值运算时间减少63.21%。     

多尺度点云特征随机森林滤波算法

针对从大量点云数据中高效、便捷地提取地面点云的问题,提出一种耦合多尺度点云特征和随机森林模型的滤波算法(MFRF)。首先选取一部分试验区数据作为训练样本,采用人机交互方式将训练样本中地面点和植被点进行分类并标记。然后将点云RGB信息转换为HSV颜色信息,采用主成分分析法计算出多尺度下点云特征值。最后将带有标签、颜色信息和特征值的训练样本放入随机森林分类器中进行训练,将构建的随机森林分类器应用到待分类点云上,进行点云滤波。该算法能有效地分离出地面点与植被点,较为完整地保留了地面点云。将MFRF与CSF滤波算法、坡度滤波算法、形态学滤波算法进行对比分析,结果表明该算法优于对比算法,试验区A、B滤波精度分别提高5.12%和6.89%,验证了该算法的有效性、适用性。     

使用显著性划分的机载激光雷达点云滤波

点云滤波是机载激光雷达点云数据处理的一个关键步骤。针对目前已有算法存在的单一方法在特定地形的点云滤波效果较好，而对于复杂或混合地形滤波效果不理想的现状，提出了一种基于点云网格地面显著性的点云滤波方法。该方法在点云以虚拟网格组织的基础上，使用扫描线高程分割的方式，计算各网格单元的地面显著性指标，依据地面显著性值对网格内的点云进行地形类别划分，对不同类别的网格单元，使用不同的滤波处理手段。该方法与其他经典方法相比，避免了迭代加密过程，在起伏区域使用曲面而非平面来代替局部地形，在不显著增加计算量的情况下，对于复杂和混合地形具有更好的适应性，能够生成可靠性较高的地面点集合。     

基于多约束连通图分割的机载LiDAR点云滤波方法

点云滤波是机载LiDAR点云后处理应用的必要环节.现有的大多数点云滤波方法往往在地形平坦的区域滤波效果比较好,而在地形起伏较大区域滤波效果较差.为进一步提升点云滤波方法的精度及对复杂环境的适应能力,提出一种基于多约束连通图分割的滤波方法.通过设定垂直性、高差、距离三个约束条件构建点云连通图,实现点云分割,并基于地面覆盖...     

基于代价敏感结构化SVM的目标跟踪

基于结构化SVM的目标跟踪由于其优异的性能而受到了广泛关注,但是现有方法存在正样本和负样本不平衡问题.针对此问题,该文首先提出一种用于目标跟踪的代价敏感结构化SVM模型,其次基于对偶坐标下降原理设计了该模型的求解算法,最后利用提出的代价敏感结构化SVM实现了一种多尺度目标跟踪方法.在OTB100数据集和VOT2019数据集上进行了实验验证,实验结果表明:该文方法相比相关滤波目标跟踪方法,跟踪精度较高,相比深度目标跟踪方法,具有速度优势.     

基于代价敏感结构化SVM的目标跟踪

基于结构化SVM的目标跟踪由于其优异的性能而受到了广泛关注,但是现有方法存在正样本和负样本不平衡问题。针对此问题,该文首先提出一种用于目标跟踪的代价敏感结构化SVM模型,其次基于对偶坐标下降原理设计了该模型的求解算法,最后利用提出的代价敏感结构化SVM实现了一种多尺度目标跟踪方法。在OTB100数据集和VOT2019数据集上进行了实验验证,实验结果表明:该文方法相比相关滤波目标跟踪方法,跟踪精度较高,相比深度目标跟踪方法,具有速度优势。     

融合强阈值三角网与总体最小二乘曲面拟合滤波

机载LiDAR点云数据滤波是LiDAR数据后处理过程中的关键步骤。在分析三角网滤波与曲面拟合滤波特点的基础上,提出了一种由粗到精的处理思想用于LiDAR点云数据滤波。该方法通过强阈值三角网算法进行II类误差优先的粗分类,获取可靠性较高的初始地面点,以粗分类结果作为先验信息进行种子点选取,引入总体最小二乘算法完成曲面拟合,设置自适应阈值实现不同区域灵活处理,最终得到较为精细的地面模型。使用ISPRS测区数据及Niagara数据进行实验,与经典滤波算法及传统曲面拟合方法进行对比,实验结果证明,该方法较传统算法能够得到更加可靠的滤波结果,对各种地形的适应性较强,具备较高的实用价值。     

高斯混合聚类对移动曲面拟合滤波分类的应用

为了提高激光雷达点云滤波算法的精度和自适应性,对移动曲面滤波算法进行改进。采用格网边界点构建曲面约束条件,检验格网内是否全部为建筑物点。利用区域拟合求解地形的起伏,引入机器学习中高斯混合模型(GMM)对地形起伏进行滤波分类,将移动曲面中的种子点作为聚类算法中的靶向点参与分类学习。实验数据为雷达飞行的自测区,对于自测区采用随机抽样的方式,检验判断滤波效果。同时为检验GMM算法的准确性,在三类误差检验方式的基础上,增加了Kappa系数作为检验方式。通过与谱系聚类分类算法对比,证明所提算法能取得较好的滤波效果。     

基于平坦度的激光雷达强度图像的滤波算法

激光雷达是一种比较新的获取地面信息的方法，这种方法得到的数据不仅包括不规则间距的三维数据点云，还包括激光强度信息。现有的激光雷达数据处理方法大都是将三维数据点进行处理得到数字地面模型（DTM），对于激光强度信息的处理方法的研究比较少。针对激光雷达数据中像素级融合了三维信息和强度信息的特点，提出了一种基于高程信息平坦度的均值滤波算法。先将激光雷达的强度信息转换为灰度图像，然后在对各像素进行均值滤波处理时，融合了对应的激光雷达距离信息中该像素邻域内的高程信息。运用此算法和传统均值算法对激光雷达数据进行了处理，并且使用多种指标对处理结果进行了比较。结果表明，该算法既保持了传统均值滤波的优点，又改进了对弱边缘目标的保护。     

城区机载LIDAR数据滤波方法研究

为了从机载激光扫描数据中获取城区数字地面模型,在分析城区机载激光扫描数据多回波信息特点的基础上,提出一种基于多回波信息的城区数据滤波方法,该方法根据城区机载激光扫描数据的分布特点,将激光脚点划分到具有一定体积的体素中,然后依据滤波准则,剔除地物点,保留地面点,最后得到城区数字地面模型。结果表明,该方法较以往滤波方法不仅能有效提取数字地面模型,而且可以减少机载激光扫描数据处理的计算量,提高海量机载激光扫描数据的运算效率。     

结合区域生长及主成分分析的机载LiDAR建筑物点云提取

针对机载LiDAR建筑物点云提取过程中与树木紧邻的建筑物难以提取,已有先滤波后提取算法效率低等问题,提出一种结合区域生长与主成分分析的机载LiDAR建筑物点云提取算法。该算法首先对粗差剔除后的机载LiDAR离散点云构建TIN三角网,依据建筑物边缘点所在三角形的特征提取建筑物边缘点;然后将邻域特征优化后的建筑物边缘点作为种子点进行区域生长得到建筑物点云;最后采用主成分分析对提取结果进行检核,剔除非建筑物点云,在此基础上基于连通性对建筑物点云进行单体化分割,剔除小面积区域,得到最终的建筑物激光脚点数据。实验选取国际摄影测量与遥感协会提供的三组典型区域的LiDAR点云数据进行建筑物提取,并与传统形态学和区域生长两种建筑物点云提取算法进行比较,结果表明本文算法可以实现建筑物点云的高精度提取,且对地形及不同类型屋顶的建筑物具有良好的自适应性,验证了算法的可靠性。      

基于SMC的STBC-MC-CDMA信号扩频码及信息序列盲估计

针对具有空时分组码的多载波CDMA(Space Time Block Coding Multi Carrier Code Division Multiple Access,STBC-MC-CDMA)信号扩频码及信息序列的联合估计问题,结合序贯蒙特卡罗(Sequential Monte Carlo,SMC)算法和卡尔曼滤波技术,充分利用STBC和OFDM(Orthogonal Frequency Division Multiplexing)调制的正交属性,提出了一种快速的盲解扩算法.该算法通过将信号模型按不同符号路数和天线数目进行分段处理,采用卡尔曼滤波方法对均值和协方差进行迭代更新,并用一组带有权值的抽样粒子来近似建立的联合后验概率分布,根据抽样值和重要性权值大小进行参量状态估计,大大提高了算法的计算效率.理论分析和仿真结果验证了本文算法的有效性.     

基于InSAR的三维地形匹配导航技术的研究与实现

研究了一种以干涉合成孔径雷达(InSAR)信息为基础的三维地形匹配导航系统,该系统采用基于3-D Zernike矩的三维地形匹配算法,同时针对3-D Zernike矩在地形匹配中计算实时性差的问题进行了改进。为验证系统的有效性和算法性能,搭建了基于VC++和OpenSceneGraph的三维可视化软件仿真平台。仿真结果表明,基于3-D Zernike矩的三维地形匹配算法定位精确度高,对地形的适应能力强,算法的实时性问题得到了良好解决,系统具有较高的工程实用价值。     

恐龙谷南缘山区DIM点云的PTD滤波改进试验研究

无人机DIM点云滤波处理是地物分类、地物单体化提取和地形特征分析的关键步骤,为解决高原山区因地形复杂而导致DIM点云滤波处理难度大和精度低等问题。选择以滇中高原恐龙谷南缘山区为试验区,首先利用DJI Phantom 4 RTK采集影像数据,解算密集影像获取DIM点云;其次,考虑山体点与地面点有较大高程差,选择经典PTD滤波算法对实验区密集匹配点云进行滤波处理;最后,综合考虑实验区山顶和山脚存在较大高程差且山体两侧沟壑丛生,山体两侧地面点易被识别为非地面点,提出以脊-谷交汇地形特征点为PTD滤波算法的种子点,在山体两侧精细化构建不规则三角网的改进PTD滤波算法。结果表明：1)PTD滤波算法得到地面点较为完整保留整个实验区,但明显的地物如山体两侧低矮植被和山脚蔬菜大棚基本未被剔除,且山体部分的地面点易被识别为非地面点而在出现山体K1、K2、K3区域的空洞现象。2)针对恐龙谷南缘山区复杂地形,提出以脊-谷交汇地形特征点为PTD滤波算法的种子点,在山体两侧精细化构网,山体低矮植被部分清除,相对于PTD滤波算法蔬菜大棚大面积被清除。并且山体两侧地面点得到较为完成保留,未出现明显点云空洞的现象。     

基于随机森林和XGBoost的网络入侵检测模型

为提高复杂网络环境中入侵检测模型的准确性和实时性,提出一种基于随机森林和极端梯度提升树（XGBoost）的网络入侵检测模型RF-XGB。首先针对随机森林算法计算特征重要性的特点,设计混合特征选择方法高效筛选出最有价值的特征子集;在XGBoost算法中引入代价敏感函数来提高对少样本类别的检测率,使用网格法调参降低模型复杂度。实验仿真结果表明,与其它机器学习算法相比,所提出的模型在具备更高检测精度的情况下减少了50%以上的处理时间,并在噪声影响下具有较好的鲁棒性和自适应性。