一种改进的LiDAR点云滤波方法

针对移动机器人激光雷达点云数据滤波过程中存在对噪声敏感和准确性差等问题,提出一种加权的高斯滤波方法.该方法使用高斯滤波与角度余弦作为加权值对雷达点云数据进行滤波处理,减小了激光雷达扫描到的物体轮廓波动.最后将该方法应用到实际的机器人操作系统的移动机器人底盘中,实验结果表明,相比传统的高斯滤波方法,该方法能更好地解决雷达...     

散乱点云自适应切片算法研究

提出一种散乱点云自适应切片算法,该算法建立点云动态空间索引结构,基于该结构快速准确获取切片邻域数据并确定各层切片位置,依据邻域数据与切片的位置关系将其分为正负两个区域,通过正负区域配对点连线与切片求交获取切片数据点,并采用最小生成树算法排序,得到有序的切片数据点,实现散乱点云的自适应切片,实例证明该算法适用于逆向工程中各种复杂型面点云数据,切片数据获取精度高,算法运行速度快.     

一种改进的自适应匹配滤波方法

针对雷达目标检测中由于训练数据缺失导致传统自适应检测方法的检测性能下降的问题,提出一种改进的自适应匹配滤波方法．该方法首先将杂波用自回归过程表示;然后假设自回归参数已知,推导出广义似然比检验表达式; 最后将采用训练数据估计得到的自回归参数的最大似然估计值代入广义似然比检验表达式中,代替已知的自回归参数．仿真实验结果表明,与传统的自适应方法相比,这种方法能在训练数据不足时提高检测性能．当雷达回波数目较大时,这种方法的检测性能接近理想的匹配滤波方法．     

基于边缘链码滤波的角点角度快速估计算法

角点的角度是衡量角点特征的一个极为重要的指标,常作为阈值决定角点的取舍。本文提出一种新的角点角度估计算法,算法中通过对角点边缘链码采用不同方差的高斯函数进行卷积,得到角点位置的偏移,并给出由此偏移量计算角点角度值的公式。此算法具有较小的计算量。实验证明,此算法在一定场合下能有效地完成对角点角度的估计。文中最后给出了估计的误差分析。     

应用极值点检测的自适应中值滤波

针对图像中存在的椒盐噪声,提出一种新的基于极值点检测的自适应中值滤波方法。该方法通过对极值点的检测确定图像中可能存在的噪声点,并标记噪声点;然后采用窗口尺度可伸缩的自适应中值滤波方法对噪声点进行滤波。实验结果表明:自适应中值滤波方法在有效去除椒盐噪声的同时很好地保护了图像细节。通过与一些其他改进滤波算法的比较,证明了该方法具有更好的性能。     

一种瞬变步长LMS自适应滤波算法

基于规一化起动、平滑递推和ＰＬＳ算法导出了一种新的变步长ＬＭＳ算法。文中分析了起动后的平稳连接和提高起始收敛速度的条件，证明了步长因子μ（ｋ）的瞬变特性及其对减小失调噪声的作用。计算机仿真效果较好，支持了理论分析。     

一种改进的散乱数据点的k近邻快速搜索算法

提出了一种基于二次分割的自适应最小包围盒的栅格化策略，提高了散乱数据点k近邻搜索算法的速度。采用传统分块算法对点云空间进行首次分割，在此基础上估算点云平均点距，并利用平均点距估算结果对点云数据空间重新进行划分。分块结果使得k近邻搜索算法的搜索范围大大缩小，搜索速度明显提高。     

一种新的雷达HRRP自适应划分角域建模方法

基于雷达方位渐变高分辨距离像(HRRP)的连续性,提出了一种自适应递归划分角域的建模方法,利用自适应高斯分类器和高斯过程分类器,从雷达数据中提取连续HRRP序列中包含的非线性结构信息;提出了一种判定角域边界的准则,递归地对雷达数据自适应划分角域．实测数据仿真试验证明了该方法优于传统的等间隔划分角域建模法．     

一种局部DFT的基波相位快速高精度估计方法

常用的基波相位计算方法对噪声较敏感，特别是难以实现在线、实时、高精度的基波相位估计。本文提出一种边采样边计算的相位估计方法，通过计算两项局部DFT系数，并利用插值函数和修正函数快速估计基波相位。计算机仿真结果显示，该方法具有计算精度高、适应噪声能力强、计算速度快等特点，适合于在线相位估计。     

一种改进的金相图像处理自适应加权均值滤波方法

金相组织图像分析是显微图像分析中的一个重要内容。由于噪声的存在会对图像分析带来很大的误差,因此进行图像分析前需要对金相图像进行滤噪处理,从而使图像的细节更加突出,便于目标识别。针对标准均值滤波方法存在的不足,提出自适应加权均值滤波方法。该方法通过检测确定图像中的脉冲噪声点,并用改进的均值滤波方法对检测出的噪声点进行滤波。实验结果表明,自适应加权均值滤波能在有效地去除噪声的同时,较好地保护图像细节,较标准均值滤波具有更优良的滤波效果,而且可与更大窗口的中值滤波效果相媲美,其处理速度比大窗口的中值滤波快。     

求解伪单调变分不等式的新的自适应投影算法

考虑求解一类变分不等式问题的新的自适应投影算法，该算法改进了搜索的方向和步长，改进的方向、步长在解点附近均不趋于0，保证算法的快速收敛性。并在伪单调的条件下证明了算法是全局收敛的，使得该算法的适用性更广。数值实验表明算法是有效的。     

求解较大规模JSSP的自适应混合遗传算法

针对一类以最小化加权拖期时间为调度目标的Job Shop调度问题（JSSP），提出一种自适应混合遗传算法。首先，在遗传算法迭代求解过程中，为降低调度问题的求解规模，基于所定义的调度特征量——资源冲突可能性，将所有操作动态划分为资源冲突可能性较高的操作和资源冲突可能性较低的操作，分别直接和间接参与染色体编码。然后，基于上述划分，遗传算法中的染色体由直接参与编码的操作序列构成的基因串、表示启发式规则的基因串（用于确定间接参与染色体编码的操作的加工优先顺序）和标志串3段基因串组成。另外，构造了一个模糊逻辑控制器用于自适应调节第一段基因串的长度，以提高算法性能。数值仿真结果表明，在求解一类较大规模的JSSP时所提算法是有效的。     

面向人体尺寸测量系统的点云孔洞修补方法

基于三维人体点云的尺寸提取是非接触式人体尺寸测量的重要方法之一。但是由于人体自身遮挡以及扫描死角等问题,扫描人体所得点云往往存在大量孔洞。为此,该文提出了一种面向人体尺寸测量系统的点云孔洞修补方法。该方法首先调整人体点云位置,然后采用映射法分割人体点云取横截面,接着确定横截面轮廓上孔洞位置,最后通过基于最小二乘的二次曲线拟合修补点云数据。实验结果表明,利用该算法拟合得到的人体点云横截面尺寸与直接对模特手工测量得到的尺寸基本一致,对尺寸测量数据的比较得出误差小于3%。     

基于公共标志点的三维点云拼接方法研究

针对目前在处理公共标志点配准所面临的算法复杂性高、自动化程度低等问题,提出了一种公共标志点自动配准方法。首先获取基准点对,通过比对各个标志点到基准点的欧式距离来匹配标志点;再利用罗德里格参数进行变换矩阵求解,实现两组点云的粗拼接。为避免最近点迭代算法陷入局部最优,采用粗拼接后两组点云的交集作为初始位置。通过在不同视角下进行拼接实验和精确拼接的误差可以看出,其明显优越于传统的拼接方法。结果表明,该方法快速有效,拼接精度高。     

一种基于分布式并行模型的海量机载LiDAR点云数据快速滤波方法

机载LiDAR点云数据是遥感大数据的重要组成部分,基于单机的处理算法已经无法满足海量点云数据处理的要求.首先,针对现有单机多级移动曲面拟合滤波算法存在粗差和拟合曲面精度不高的问题,提出适合海量机载LiDAR点云数据滤波的多级多窗口移动曲面拟合滤波算法(WHMCFA);其次,设计并实现基于MapReduce的PWHMCF...     

基于GPU的快速变指数PM模型及BGA射线图像去噪

针对传统的基于中央处理器的变指数PM模型图像去噪算法运算量大的问题,提出了一种基于图形处理器(Graphic Processing Unit,GPU)加速的变指数PM去噪方法.该方法充分利用GPU中共享存储器和常数存储器在速度上的优势,引入GPU硬件加速工具和使用统一计算设备架构(Compute Unified Device Architecture,CUDA)对变指数PM模型进行了并行加速.并且采用球栅阵列结构的印刷电路板(Ball Grid Array,BGA)射线图像对新方法进行了测试.实验结果表明:所提的快速变指数PM去噪方法能够在有效地去除噪声的同时很好地保持图像的边缘信息;而且,图像越大,加速比越大,加速的优势越明显.可见,所提的快速去噪算法在BGA射线检测方面有很好地应用前景.     

基于LIDAR点云数据插值方法研究

利用机载LIDAR技术可以获取高精度﹑高密度的三维坐标数据,并生成三维立体模型,构建用户感兴趣的DEM和DSM,如今需要快速高效的处理LIDAR点云数据,研究和探讨最合适的插值方法就显得特别重要,本文着重研究了不同插值算法的特点。     

一种快速的点一多边形／多面体关系分类算法

本文提出了一种基于半空间法的改进射线法用于点一多边形／多面体关系分类算法．该算法不必求出交点即可确定射线与多边形或多面体的交点个数，从而大大提高计算速度．实践证明，这一算法是稳定而有效的．本文还进一步给出了该算法的实际应用．     

快速随机多核学习分类算法

Multiple kernel learning (MKL) combines multiple kernels in a convex optimization framework and seeks the best line combination of them. Generally, MKL can get better results than single kernel learning, but heavy computational burden makes MKL impractical. Inspired by the extreme learning machine (ELM), a novel fast MKL method based on the random kernel is proposed. When the framework of ELM is satisfied, the kernel parameters can be given randomly, which produces the random kernel. Thus, the sub-kernel scale is reduced largely, which accelerates the training time and saves the memory. Furthermore, the reduced kernel scale can reduce the error bound of MKL by analyzing the empirical Rademacher complexity of MKL. It gives a theoretical guarantee that the proposed method gets a higher classification accuracy than traditional MKL methods. Experiments indicate that the proposed method uses a faster speed, more small memory and gets better results than several classical fast MKL methods.