IBORA:一种改进的有效的边界点检测

针对目前在含有噪声点的数据集中,边界点检测效率低、参数阈值范围不容易确定的问题,利用在边界点的Eps邻域内,边界点同其它对象组成的向量夹角中至少存在一个比较大的角邻域,并且该角邻域内不再含有其它对象的特点,以及在空间中噪声点分布比较稀疏的特点,提出了一种新的边界点的检测算法IBORA(an Improved BOundaRy points detection based on Angle),实验结果表明IBORA能在含有噪声点/孤立点的不同形状、大小的数据集上有效地检测出边界点,执行效率高.     

多阈值提取平面点云边界点的方法

针对基于切片技术的点云数据重建算法需要提取切片内点云边界点,及现有算法效率低、提取效果不好等问题,提出一种多阈值提取平面点云边界点的算法。通过选取判断点的k个近邻点,计算相邻两点与判断点连线间夹角,由于边界点必存在最大夹角,通过判断最大夹角是否超过设定阈值,从而快速提取边界点。通过对阈值设值分析,不同点云数据的边界提取实验及几种方法间比较,该方法不受点云形状影响,均能较好提取边界点,且优于其他3种算法。结果表明该方法在保证原始点云特征信息的前提下,可较好提取边界点,提高后续点云重建速度与效率。     

无参数聚类边界检测算法的研究

为自动快速地提取聚类的边界点,减少输入参数对边界检测结果的影响,提出一种无参数聚类边界检测算法。该算法不需要任何参数,在生成的三角剖分图上计算每个数据点的边界度,用k-means自动计算边界度阈值,按边界度阈值将数据集划分为候选边界点和非候选边界点两部分,根据噪声点在三角剖分图中的性质去除候选边界点中的噪声点,最终检测出边界点。实验结果表明,该算法能快速、有效地识别任意形状、不同大小和密度聚类的边界点。     

基于多判别参数混合方法的散乱点云特征提取

针对以往散乱点云特征提取算法存在尖锐特征点提取不完整以及无法保留模型边界点的问题,提出了一种多个判别参数混合方法的特征提取算法。首先,对点云构建k-d tree,利用k-d tree建立点云k邻域;然后,针对每个k邻域计算数据点曲率、点法向与邻域点法向夹角的平均值、点到邻域重心的距离、点到邻域点的平均距离;最后,据此四个参数定义特征阈值和特征判别参数,特征判别参数大于阈值的点即为特征点。实验结果表明,与已有算法相比,该算法不仅可以有效提取尖锐特征点,而且能够识别边界点。     

具有聚类功能的边界检测技术的研究

为快速有效地检测聚类的边界点,提出了一种新的基于三角剖分的聚类边界检测算法DTBOUND。该算法通过计算三角剖分图中每个数据点的变异系数将数据集分解成内部点和外部点两部分,然后从每一个未分类的内部点开始进行深度优先遍历,将相连的内部点以及和内部点相连的外部点作为一个聚类;最后从得到的聚类中提取边界点。该算法只有一个参数（变异系数阈值β）,实验结果表明该算法可以快速、有效地识别任意形状、不同大小和不同密度的聚类和聚类的边界点。     

一种基于边缘检测的局部阈值分割算法

本文提出了一种基于边缘检测的局部阈值分割方法.该方法将整幅灰度图像分成小块,在每个小块中利用梯度算子对小块中的边界点进行检测,寻找出小块内的所有边界点;然后沿着这些边界点的梯度方向找出最临近的点,以所有这些临近点和边界点的灰度均值作为该小块的灰度阈值进行分割.该算法计算复杂度较低,避开了灰度直方图阚值分割方法中“谷底”难以确定的问题,同时照顾到了图像的局部灰度特性.     

一种基于边缘检测的局部阀值分割算法

本文提出了一种基于边缘检测的局部阈值分割方法，该方法将整睛灰度图像分成小块，在每个小块中利用梯度算子对小块中的边界点进行检测，寻找出小块内的所有边界点，然后沿着这些边界点的梯度方向找出最临近的点，以所有这些临近点和边界点的灰度均值作为该小块的灰度阈值进行分割，该算法计算复杂度较低，避开了灰度直方图阈值分割方法中“谷底”难以确定的问题，同时照顾到了图像的局部灰度特性。     

简单多边形方向识别的健壮算法

极值顶点前后相邻边矢量叉积法是识别任意简单多边形方向的最优算法 该算法存在的问题是 :当极值顶点前后相邻边夹角接近 0°或 180°时 ,叉积结果接近 0 ,因此存在二义性 ,会导致错误的方向识别 针对现有算法对奇异情形方向判别解决不彻底的问题 定义了多边形极值顶点奇异情形 ,对相邻边夹角接近 0°和 180°两种奇异情形给出了判定方法 ;提出了极点前后点坐标比较法和极点序号大小比较法 ,有效地解决了所有奇异情形下的方向识别问题 ,它们都可以发展成为独立的方向判断算法 实验结果表明 ,该算法简单高效 ,健壮性强 ,时间复杂度为O(n)     

基于相对密度的孤立点和边界点识别算法

根据孤立点是数据集合中与大多数数据的属性不一致的数据,边界点是位于不同密度数据区域边缘的数据对象,提出了基于相对密度的孤立点和边界点识别算法(OBRD)。该算法判断一个数据点是否为边界点或孤立点的方法是:将以该数据点为中心、r为半径的邻域按维平分为2个半邻域,由这些半邻域与原邻域的相对密度确定该数据点的孤立度和边界度,再结合阈值作出判断。实验结果表明,该算法能精准有效地对多密度数据集的孤立点和聚类边界点进行识别。     

一种高效的基于联合熵的边界点检测算法

为了快速有效地检测出聚类的边界点,提出一种将网格技术与联合熵相结合的边界点检测算法.该算法中网格技术用于快速查找数据集中聚类边界所在的网格范围,联合熵用于在边界落入的网格范围内准确识别聚类的边界点.实验结果表明.该算法能够在含有噪声点,孤立点的数据集上,有效地检测出聚类的边界,运行效率高.     

基于多判据的散乱点云特征点提取算法

为了有效获取散乱点云中的尖锐特征点和边界特征点,提出一种利用多判据融合的特征点提取算法。首先利用一种改进的k-d tree构建点云拓扑,搜索样点的K局部邻域;然后利用法向夹角判定准则、核密度判定准则、场力和判定准则分别求取各个样点局部邻域的三个特征参数,最后通过加权计算特征参数得到每个样点的特征值与全局判定阈值,特征值比阈值大的点即为特征点。实验证明,该算法能有效的获取散乱点云中边沿特征点与尖锐特征点。     

An improved topographic mapping technique from airborne lidar: application in a forested hillside

We developed a robust method to reconstruct a digital terrain model (DTM) by classifying raw light detection and ranging (lidar) points into ground and non-ground points with the help of the Progressive Terrain Fragmentation (PTF) method. PTF applies iterative steps for searching terrain points by approximating terrain surfaces using the triangulated irregular network (TIN) model constructed from ground return points. Instead of using absolute slope or offset distance, PTF uses orthogonal distance and relative angle between a triangular plane and a node. Due to this characteristic, PTF was able to classify raw lidar points into ground and non-ground points on a heterogeneous steep forested area with a small number of parameters. We tested this approach by using a lidar data set covering a part of the Angelo Coast Range Reserve on the South Fork of the Eel River in Mendocino County, California, USA. We used systematically positioned 16 reference plots to determine the optimal parameter that can be used to separate ground and non-ground points from raw lidar point clouds. We tested at different admissible hillslope angles (15° to 20°), and the minimum total error (1.6%) was acquired at the angle value of 18°. Because classifying raw lidar points into ground and non-ground points is the basis for other types of analyses, we expect that our study will provide more accurate terrain approximation and contribute to improving the extraction of other forest biophysical parameters.     

Fast shape matching and retrieval based on approximate dynamic space warping

Dynamic space warping (DSW) has emerged as a very effective tool for matching shapes. However, a central computational difficulty associated with DSW arises when a boundary’s starting point (or rotation angle) is unknown. In this article, the HopDSW algorithm is proposed to speed up the starting point computation. Rather than performing an exhaustive search for the correct starting point as in classical approaches, the proposed algorithm operates in a coarse-to-fine manner. The coarse search is global and uses a hopping step to exclude points from the search. Then the search is refined in the neighborhood of the solution of the coarse search. A criterion that governs selecting the hopping step parameter is given, which reduces the number of starting point computations by an order. For shape representation, a triangle area signature (TAS) is computed from triangles formed by the boundary points. Experimental results on the MPEG-7 CE-1 database of 1400 shapes show that the proposed algorithm returns the solution to an exhaustive search with a high degree of accuracy and a considerable reduction in the number of computations.     

基于聚类的两段式孤立点检测算法

现有的大多数孤立点检测算法都需要预先设定孤立点个数,并且还缺乏对不均匀数据集的检测能力。针对以上问题,提出了基于聚类的两段式孤立点检测算法,该算法首先用DBSCAN聚类算法产生可疑孤立点集合,然后利用剪枝策略对数据集进行剪枝,并用基于改进距离的孤立点检测算法产生最可能孤立点排序集合,最终由两个集合的交集确定孤立点集合。该算法不必预先设定孤立点个数,具有较高的准确率与检测效率,并且对数据集的分布状况不敏感。数据集上的实验结果表明,该算法能够高效、准确地识别孤立点。     

边界追踪算法在地质储量计算中的应用

单井控制面积计算是油田开发中原始和剩余地质储量研究的基础。针对注采井网形成的平面变密度离散点集的边界搜索问题,本文提出以角度为判别标准,基于变搜索步长的滚边新算法进行井网边界的追踪。首先通过合理的搜索步长确定当前边界点的邻域,然后对邻域内的离散点按角度进行排序并确定下个合理边界点,最后在井网边界追踪的基础上,进一步给出储量边界外扩和单井控制面积计算方法。该算法简单、高效,可有效识别变密度平面点集的凸边界和凹边界特征,并在大庆油田的原始地质储量复算和剩余潜力评价中得到应用,提高工效5倍以上,表内地质储量复算精度2.7%,取得了很好的应用效果。     

基于目标和关键点检测的单目托盘定位

托盘的识别与定位是无人叉车中关键的问题之一.当前托盘定位多采用目标检测的方法,然而目标检测只能识别托盘在图像中的位置,无法得到托盘的空间信息.针对此问题,本文提出了一种基于目标和关键点检测的单目托盘定位方法,用于检测托盘并计算托盘当前的倾角和距离.首先对托盘进行目标检测,然后将检测的结果进行裁剪后输入到关键点检测网络中.通过对托盘关键点的检测和托盘固有的几何外形特征,设计边缘自适应调整,得到高精度的托盘轮廓信息.根据几何约束提出了基于轮廓点的托盘倾角与距离计算方法,并采用RANSAC算法提升了计算结果的精度和稳定性,解决了托盘的定位问题.实验表明,本文提出的算法在倾角计算上平均误差在5°以内,水平距离计算上平均误差在110 mm以内,能较好地定位托盘,具有较高的实用价值.     

OPTICS聚类与目标区域概率模型的多运动目标跟踪

目的 针对多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题,本文提出了一种基于OPTICS聚类与目标区域概率模型的方法。方法 首先引入了Harris-Sift特征点检测,完成相邻帧特征点匹配,提高了特征点跟踪精度和鲁棒性;再根据各运动目标与背景运动向量不同这一点,引入了改进后的OPTICS加注算法,在构建的光流图上聚类,从而准确的分离出背景,得到各运动目标的估计区域;对每个运动目标建立一个独立的目标区域概率模型(OPM),随着检测帧数的迭代更新,以得到运动目标的准确区域。结果 多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题通过本文方法得到了很好地解决,Harris-Sift特征点提取、匹配时间仅为Sift特征的17%。在室外复杂环境下,本文方法的平均准确率比传统背景补偿方法高出14%,本文方法能从移动背景中准确分离出运动目标。结论 实验结果表明,该算法能满足实时要求,能够准确分离出运动目标区域和背景区域,且对相机运动、旋转,场景亮度变化等影响因素具有较强的鲁棒性。