约束改进的ICP点云配准方法

提高配准速度和精度是点云配准研究的重点。提出一种距离约束改进的迭代邻近点算法,针对邻近点法中找到的配准点,采用最近原则排除含相同点的点对;使用配准点重心作为参考点,结合点对距离约束排除误配准点对后进行点云配准;与使用点云重心作为参考点的方法和迭代邻近点算法进行了比较。实验结果表明,在配准速度和精度方面,提出的算法都有了提高,实现了点云的快速、准确配准。

梯度点对约束的结构化车道检测

车道检测是无人驾驶车辆及车道偏离预警等系统的关键技术。针对复杂道路环境中,阴影、路面破损及车辆遮挡等常造成车道检测不准确的问题,提出利用结构化道路两侧车道线上常具有相反方向梯度的性质,将两侧车道线的检测转化为梯度点对约束下的车道中线及宽度检测。然后分别采用平行透视投影模型及线性双曲线模型,通过Hough变换获得了对车道消失点、宽度及车道中线等参数的估计,最终实现了对不同形状结构化车道的检测。比较了本文算法与其他两种车道检测算法在不同复杂道路环境下的车道线检测性能,结果表明了本文算法的有效性。

基于约束优化传播的改进大规模数据半监督式谱聚类算法

针对传统谱聚类算法在聚类过程中所出现的高计算复杂度、噪声敏感,以及聚类簇形态偏斜等问题,结合当前大规模数据聚类的特点与需求,建立基于约束优化传播的改进大规模数据半监督式谱聚类模型。该模型利用先验成对点约束信息构建微型相似性矩阵,在此基础上采用Gabow算法提取该微型相似性矩阵所对应连通图的各强连通分支,继而提出面向各强连通分支的新型约束优化传播算法以获取整个数据集的点对相似度,最后通过奇异值分解并运用加速K-means算法获得大规模数据的聚类结果。在多个标准测试数据集上的实验表明,相比于该领域其他前期研究成果,该聚类模型具有更高的聚类准确率和更低的计算复杂度,更适合大规模数据的聚类应用。

双层随机游走半监督聚类

半监督聚类旨在根据用户给出的必连和不连约束,把所有数据点划分到不同的簇中,从而获得更准确、更加符合用户要求的聚类结果.目前的半监督聚类算法大多数通过修改已有的聚类算法或者结合度规学习,使聚类结果与点对约束尽可能地保持一致,却很少考虑点对约束对周围无约束数据的显式影响程度.提出一种由在顶点上的低层随机游走和在组件上的高层随机游走两部分构成的双层随机游走半监督聚类算法,其中,低层随机游走主要负责计算选出的约束顶点对其他顶点的影响范围和影响程度,称为组件;高层随机游走则进一步将各个点对约束以自适应的强度在组件上进行约束传播,把它们在每个顶点上的影响综合在一个簇指示矩阵中.UCI数据集和大型真实数据集上的实验结果表明,双层随机游走半监督聚类算法比其他半监督聚类算法更准确,也比较高效.

改进的半监督模糊聚类算法

针对Grira等近期提出的利用点对约束的半监督模糊聚类算法,其约束项与竞争聚类算法(CA)的目标函数之间数量级不一致,造成隶属度调整过度的问题,在重新定义目标函数的基础上提出一种改进算法,约束惩罚函数采用约束点对中两个样本新的联合表达式,使数量级与经典模糊聚类算法一致.实验结果显示,新算法的约束项与CA目标函数之间能很好地协调合作,并能通过对模糊隶属度的适度调整,实现更准确的聚类.