采用自适应背景聚类的激光雷达与相机外参标定优化方法

针对在复杂外部环境下激光雷达外参标定过程中遇到的标定板三维点云提取不准确的问题,提出一种基于背景聚类的激光雷达和相机外参标定优化方法,避免了在整个三维点云中盲目检测标定板点云,而导致标定结果存在较大误差以及需要人工手动纠正错误特征点的问题。该方法利用无标定板的背景点云与有标定板的目标点云之间部分空间域内的密度差异性,通过自适应空间阈值模型获得标定板点云与背景点云之间的差异系数K,然后聚类两点云中的部分三维点,完成标定板的三维点云提取。实验证明,该方法可以在复杂环境中准确高效地提取标定板三维点云,从而提高激光雷达和相机外参标定的准确性,在此基础上点云正确投影比例可达97.43%,与对比方法相比投影误差降低25.33%左右。

面向噪声数据的强化模糊规则模型及实现

针对强化模糊规则模型抗噪性能较差的问题,提出了基于中智模糊聚类的强化模糊规则(reinforced rule-based fuzzy model based on neutrosophic C-means clustering,NCM-RRbF)模型。首先将中智模糊集与模糊C均值方法相结合,得到中智模糊聚类算法(neutrosophic C-means clustering,NCM)。然后通过将NCM方法用于强化模糊规则(reinforced rule-based fuzzy,RRbF)模型的初始规则生成,将基于背景的模糊聚类(context fuzzy C-means clustering,CFCM)方法用于RRbF模型的新规则生成,从而得到NCM-RRbF模型。该模型具有良好的降噪效果,适用于具有边界数据点和噪声数据点的聚类问题。通过对人工数据集及真实数据集添加不同噪声强度的高斯白噪声进行系统性实验,充分表明了所提出模型对于含有噪声和边界点的数据场景具有显著的逼近性能和良好的抗噪能力。

面向重尾噪声的模糊规则模型

针对一般模糊规则模型对含有重尾噪声的数据集鲁棒性较差的问题,提出了面向重尾噪声的模糊规则(Rule-based Fuzzy Model for Heavy-tailed Noisy Data,HtRbF)模型.该模型使用了两种新的聚类方法,学生t分布均值聚类算法(Student’s t-distribution C-Means,StCM)和学生t分布下的背景模糊聚类方法(Student’s t-distribution Context Fuzzy C-Means,StCFCM),并将其应用在初始规则和新规则的生成中,使模型在重尾噪声场景下生成更为准确的规则,有效减少了模型的输出误差,使其更接近真实输出.HtRbF模型具有良好的抗噪能力,通过对数据集添加不同类型的重尾噪声进行系统性实验,实验结果证明了HtRbF模型的有效性.