基于空间邻域连通区域标记法的点云离群点检测

提出了空间邻域连通区域标记法对点云进行离群点检测。首先,构建点云的k连通域,定义空间连通性准则;其次,判断当前点与其邻域是否满足该准则,如果是则将邻域点追加到当前连通域,否则,邻域点为新的连通区域;最后,遍历所有点,直到每个点都被标记,判断每个连通域中点的个数,如果连通域中的点云小于阈值,则该连通域中的所有点被看做是离群点。对合成的不同类型的理想数据和扫描实际点云数据进行测试。实验结果表明,空间邻域连通法不仅可以有效检测簇状离群噪声,还能检测靠近正常点的稀疏离群点。与广泛应用的离群点检测算法如LOF、DBSCAN相比,该算法对离群点检测效果更佳,检测率接近1,且算法的复杂度更低。

一种结合SOR算法的SLAM点云降噪方法

针对同步定位制图技术获取的三维点云存在离群噪声点问题,结合SOR算法提出了一种点云降噪方法,通过探究保留电脑云个数与参数k、n之间的关系获取了参数标准差倍数n以及邻域点数量k的最优值。采用此方法对室内、室外两个实验区进行降噪实验,结果表明:邻域点数量取40、标准差倍数取2时降噪效果较好,此降噪方法能够高效地剔除离群噪声点,且点位误差符合精度要求。

一种基于小波变换的混合数据校正法

采用一种将小波变换方法与移动中值滤波方法相结合的混合方法来校正数据.通过仿真和结果对比,表明该方法在过程测量数据同时含有高斯噪声和非高斯噪声(离群点)的情况下具有较好的鲁棒性.

一种新的直觉模糊最小二乘支持向量机

最小二乘支持向量机只需求解一个线性方程组即可得到闭式解,训练速度快,因而广泛应用于分类问题。但最小二乘支持向量机模型容易受到离群点和噪声的影响,往往使得其分类精度下降,样本点的模糊加权是解决该问题的一种有效方法。直觉模糊集既包含样本点的隶属度信息又包含样本点的非隶属度信息,可以更加详细地刻画样本点的分布特征。为此,基于直觉模糊集,通过剔除离群点得到更加准确的类中心,再计算样本点到类中心的距离,得到样本点对其所在类的隶属度程度。同时,采用核k近邻的方法,查找样本点的k个近邻里另一类样本点的数量,进而得到样本点的非隶属度信息。最后,根据样本点的隶属度与非隶属度得到一种新的模糊值。进一步将提出的模糊值用于改进最小二乘支持向量机模型,通过赋予离群点和噪声低的模糊值,减少了它们对最小二乘支持向量机模型的影响,提高了最小二乘支持向量机模型的精度。实验结果表明,与已有算法对比,提出的算法可以有效降低离群点和噪声对最小二乘支持向量机模型的影响,提高模型的鲁棒性。