针对现有的基于密度的聚类算法存在参数敏感,处理非球面数据和复杂流形数据聚类效果差的问题,提出一种新的基于密度峰值的聚类算法。该算法首先根据自然最近邻居的概念确定数据点的局部密度,然后根据密度峰局部密度最高并且被稀疏区域...针对现有的基于密度的聚类算法存在参数敏感,处理非球面数据和复杂流形数据聚类效果差的问题,提出一种新的基于密度峰值的聚类算法。该算法首先根据自然最近邻居的概念确定数据点的局部密度,然后根据密度峰局部密度最高并且被稀疏区域分割来确定聚类中心,最后提出一种新的类簇间相似度概念来解决复杂流形问题。在实验中,该算法在合成和实际数据集中的表现比DPC(clustering by fast search and find of density peaks)、DBSCAN(density-based spatial clustering of applications with noise)和K-means算法要好,并且在非球面数据和复杂流形数据上的优越性特别大。展开更多
针对帧到帧模型里程计中特征点的冗余、耗费计算资源的问题,提出一种自适应特征提取与匹配的视觉里程计算法。对局部地图特征区域分块,在已有特征区域分块的基础上,基于稀疏化保留冗余特征区域中的高效特征点;针对特征区域中特征匹配点...针对帧到帧模型里程计中特征点的冗余、耗费计算资源的问题,提出一种自适应特征提取与匹配的视觉里程计算法。对局部地图特征区域分块,在已有特征区域分块的基础上,基于稀疏化保留冗余特征区域中的高效特征点;针对特征区域中特征匹配点不足的情形,从局部地图中补充方向性和尺度性良好的ORB(oriented FAST and rotated BRIEF)特征点,利用补充的特征点二次匹配;结合PnP(perspective-n-point)估计姿态,实现SLAM的前端视觉里程计。采用TUM(Technische Universit t München)通用数据集验证,并与其它算法在前端时间、特征点数量、轨迹绝对误差等方面对比,对比结果表明了改进算法在上述特征效果的优势。展开更多
文摘针对现有的基于密度的聚类算法存在参数敏感,处理非球面数据和复杂流形数据聚类效果差的问题,提出一种新的基于密度峰值的聚类算法。该算法首先根据自然最近邻居的概念确定数据点的局部密度,然后根据密度峰局部密度最高并且被稀疏区域分割来确定聚类中心,最后提出一种新的类簇间相似度概念来解决复杂流形问题。在实验中,该算法在合成和实际数据集中的表现比DPC(clustering by fast search and find of density peaks)、DBSCAN(density-based spatial clustering of applications with noise)和K-means算法要好,并且在非球面数据和复杂流形数据上的优越性特别大。
文摘针对帧到帧模型里程计中特征点的冗余、耗费计算资源的问题,提出一种自适应特征提取与匹配的视觉里程计算法。对局部地图特征区域分块,在已有特征区域分块的基础上,基于稀疏化保留冗余特征区域中的高效特征点;针对特征区域中特征匹配点不足的情形,从局部地图中补充方向性和尺度性良好的ORB(oriented FAST and rotated BRIEF)特征点,利用补充的特征点二次匹配;结合PnP(perspective-n-point)估计姿态,实现SLAM的前端视觉里程计。采用TUM(Technische Universit t München)通用数据集验证,并与其它算法在前端时间、特征点数量、轨迹绝对误差等方面对比,对比结果表明了改进算法在上述特征效果的优势。