基于自适应半径滤波的农业导航激光点云去噪方法研究

针对点云数据去噪操作易损失点云细节信息问题,提出了动态半径滤波器,该方法可在保留场景细节信息的同时获得良好去噪效果。此外,提出基于深度卷积神经网络的种植模式判定器,该方法可实时识别当前种植模式,并读取相应的去噪参数。在苹果种植园、白杨树林和旱柳树林完成去噪试验,试验结果表明,本文方法能去除多尺度点云噪声,有效抑制稀疏离群点、目标周围的逸出值和密集噪声,单帧点云(6400点)去噪平均耗时为43.2 ms。经自适应半径滤波去噪后,密度聚类的平均精确率为94.3%,平均召回率为78.9%,与原始数据相比,分别提升了40.4%、33.9%。自适应半径滤波具有较高的实时性、通用性和鲁棒性,能较明显地提升聚类效果,为点云后续处理奠定良好基础。

自适应半径选择的近邻邻域分类器

在邻域粗糙集中,邻域分类器简单高效.然而,邻域半径作为决定邻域分类器分类性能的关键因素,构建方式存在不足.一方面,邻域半径的构建由于未经过训练过程而缺乏通用性;另一方面,当数据样本分布不均出现空邻域时可导致分类器失效.针对上述问题,文中提出自适应半径选择的近邻邻域分类器(Near Neighborhood Classifier with Adaptive Radius Selection,NNC-AR).首先,基于K近邻算法为训练样本构建训练邻域半径.然后,为了克服传统方法选取邻域半径参数的主观性,对待测试样本定义自适应的近邻邻域半径.最后,为分类器失效的部分测试样本定义新的近似邻域半径,有效提升分类器的泛化能力.实验表明,NNC-AR的F1值和分类精度均较高.

基于主曲线和自适应半径的多GPS轨迹数据融合算法

研究从大量低精度的GPS轨迹数据融合生成高精度GPS数据的快速有效算法,并产生若干关键数据点以简化描述GPS轨迹,具有提高数据精度、降低测量成本和减少数据存储空间的重要意义。本文依据K段主曲线、二分法、优化等理论方法,提出3种多GPS轨迹数据融合算法:最大距离融合算法MDA、数据分块算法DPA、自适应半径数据融合算法ARA。算法的仿真实验结果表明,ARA算法在数据精度、曲线光滑程度等方面明显优于其他两种算法。将3种算法应用于青藏铁路实测多轨迹GPS数据的融合,验证结果表明,ARA算法性能最优,平均横向误差在0.2m左右,约简率为2.01%,有效节约了数据的存储空间,能够较好地完成高精度轨迹的生成。

一种优化初始点与自适应半径的密度聚类算法

传统DBSCAN算法不能正确聚类密度不均匀的数据集,聚类结果受邻域阈值和密度阈值参数的影响较大。提出一种新的优化初始点和自适应半径的密度聚类算法。利用反向最近邻和相似度矩阵发现当前全局密度最大的数据样本,分析该样本周围密度的分布情况,采用自适应的方法计算当前簇的邻域阈值,并利用DBSCAN算法进行聚类。在人工数据集和UCI数据集上进行测试的结果表明,与经典的DBSCAN、OPTICS、RNN-DBSCAN算法相比,优化初始点和自适应半径的密度聚类算法在ARI、NMI、Homogeneity、Completeness和V-measure 5个评价指标上整体取得最优值,其中在Compound、Jain等数据集上达到1.0,具有较高的聚类效率和准确度。

自适应搜索半径蚁群动态路径规划算法

针对用于路径规划的蚁群算法收敛速度慢、计算量大、对环境变化适应性低的局限性,提出了一种新型的自适应搜索半径蚁群路径规划算法。该算法可以根据环境复杂程度自动改变寻优半径,进行最优局部目标点的获取,然后调用改进蚁群算法获取局部区域内的最优路径,再重复循环获取新的最优局部目标点,直到找到全局目标点。仿真结果表明,提出的算法能够根据障碍分布情况自动选择合适的搜索半径,完成路径的动态规划,体现出良好的环境适应能力和较好的综合路径优化性能。

基于自适应半径搜索的图像感兴趣区域检测

感兴趣区域是图像中重要性较高并被优先关注的部分。传统视觉关注模型利用半径固定的圆描述感兴趣区轮廓,无法获得感兴趣区域的精确描述。提出一种基于自适应半径搜索的图像感兴趣区自动检测方法。提取图像的颜色、亮度和方向特征并生成多尺度的视觉显著图;通过计算显著图的全局显著度阈值获得视觉注意焦点搜索结束的条件;利用基于显著比的自适应半径搜索策略获取感兴趣区的精确描述信息。实验结果表明,新方法不仅能够提高对图像感兴趣区的自动检测精度,而且更符合人眼视觉系统的特点。对今后基于图像感兴趣区的目标自动识别具有重要价值。

基于自适应吸引半径的萤火虫算法的粒子滤波

针对粒子滤波算法对粒子数目的大量需求等弊端,提出一种基于改进的萤火虫算法的粒子滤波。首先,在萤火虫的亮度公式中引入观测值信息以提高算法跟踪的准确性;其次,提出自适应吸引半径参数来控制萤火虫群寻优时的吸引范围,使算法的实时性更好;最终利用萤火虫算法的迭代寻优来进行粒子更新。对比实验表明,该算法在跟踪精度和运行时间上都有所优化,说明该算法即使在粒子数目较少的条件下也能保证目标跟踪的准确性和实时性。

未知环境下的蚁群-聚类自适应动态路径规划

针对用于动态环境中的机器人路径规划的蚁群算法存在收敛速度慢,路径累计转折角大,对环境变化适应性低等问题,提出了一种未知环境下的蚁群-聚类自适应动态路径规划方法。依据聚类算法对环境复杂程度的准确判别自动改变寻优半径,达到充分利用机器人有限的计算能力,提高收敛速度的目的;通过识别对角障碍,生成虚拟障碍,确保规划的路径不穿过对角障碍;通过平滑机制对搜索的动态路径做平滑优化处理,有效降低了路径长度,减少了累计转折角。仿真结果表明,提出的算法能够根据障碍的复杂程度自动选择合适的搜索半径,完成路径的动态规划,体现出良好的环境适应能力和较好的综合路径优化性能。

基于分式模型的非单调自适应信赖域方法

本文针对无约束优化问题提出了一个基于分式模型的非单调自适应信赖域的算法。首先用折线法求解子问题,之后算法结合非单调线搜索技术得到步长,产生下一个迭代点,提高算法的收敛速度;并引入自适应半径,避免传统信赖域半径更新的局限性。在一定的假设条件下,证明了该算法具有全局收敛性,数值实验证明了非单调自适应分式模型信赖域算法是有效的并且优于原来求解分式模型的算法,并且比二次模型和锥模型更为有效和稳健。

求解无约束优化问题的非单调自适应信赖域方法

本文将新提出的自适应信赖域半径[1]与非单调技术[2]相结合,提出了一种新的非单调自适应信赖域方法。

一种保细节特征的点云多尺度三角网格重建算法

点云三角网格重建是逆向工程领域重要的研究内容。网格模型的细节特征是评判三角网格重建算法的重要指标,如何通过点云数据重建完整的网格模型并保证模型表面的细节特征不丢失是点云重建的难点。为了解决这一问题,引入多尺度概念,在点云数据的低频尺度空间中进行网格重建,保证点云数据的重建率,从而保证有高质量的重建结果。在进行网格重建过程中,采用自适应半径搜索策略进行邻域点搜索,减少了网格模型的孔洞。实验结果表明,所提算法三角网格重建质量较高,具有较高的点云数据重建率,有效保证了重建结果细节特征的完整性。

一种动态背景下目标检测与提取算法研究

针对在动态背景下,Vi Be算法存在检测鬼影现象和鬼影消除时间长、算法适应性差以及存在变化较为频繁的背景下前景检测存在误判前景干扰噪声像素点多的问题,提出了一种以Vi Be为基本算法框架,引入了由分散系数建立的自适应半径阈值、借鉴帧差分法建立的鬼影模型和二次判断,以及目标提取后的优化算法。该算法能够提高算法对动态背景的自适应性,能够加速鬼影的消除,较好地减少鬼影对背景模型的干扰,抑制了动态幅度较大的水面区域,消除了整个场景中出现的噪声像素点,降低了误判率。实验结果证明所给出的算法能够有效的提取前景目标,抗干扰性鲁棒性好。

激光切割路径的自适应飞行半径果蝇算法优化

为提高激光切割路径优化效果,同时针对果蝇算法(FOA)中果蝇个体的飞行半径的设置主要依靠经验的缺陷,提出了基于自适应飞行半径果蝇算法(AFRFOA)的激光切割路径优化方法。相比于FOA,AFRFOA中的果蝇个体的飞行半径会随着迭代次数的增加而自适应的变化,克服了固定半径的缺陷,能够实现全局搜索和局部搜索的平衡。钣金激光切割路径优化实例表明,AFRFOA获得的切割路径中,空行程更短,切割耗时更少。

一种基于图像特征点信息的误匹配点剔除改进算法

误匹配点剔除是基于特征点图像匹配过程的重要一步,关系到图像匹配的精确度。在特征点匹配求精方面,改进基于特征点信息的误匹配点剔除算法,通过自适应特征点邻域半径得到的邻域特征点数量及位置信息进行逐步求精,克服原算法不能处理尺度变换的情形。实验结果表明,该算法简单高效,剔除误匹配点对能力较强,具有尺度、旋转不变性,同时,该算法具有较好的鲁棒性,正确性。能基本满足图像匹配的精度要求。

基于改进FAST检测的ORB特征匹配算法

针对ORB(oriented FAST and rotated BRIEF)特征匹配算法在实时性要求较高领域效果不佳以及在复杂光照环境下匹配精确率较低的问题,提出了一种基于改进FAST(features from accelerated segment test)检测的ORB算法。首先,对待处理的灰度图像进行分类,剔除掉部分灰度变化率较低的区域,然后提取FAST特征点并计算描述子,最后采用汉明距离完成匹配。此外,在提取FAST特征点时,设计了一种自适应半径,利用图像对比度自适应调整检测半径,当图像对比度突变时依然能够保证期望的特征点数量。实验结果表明,改进后的ORB算法匹配时间缩短了16.47%,大幅提高了在复杂光照环境下的匹配精确率,具有较强的鲁棒性和实时性。

基于浮动车轨迹数据的路网快速提取

浮动车轨迹数据包含丰富的路网信息,随着浮动车轨迹数据的逐渐公开,从中提取路网信息已成为可能。目前,大多数算法提取路网时,使用统一的阈值忽略了轨迹数据的密度差异,且只考虑了轨迹的形态没有考虑轨迹的方向,严重影响了提取结果的几何精确度和拓扑正确度。为此,该文提出了一种自适应半径质心漂移聚类方法,能根据轨迹密度、道路宽度自动调整聚类参数和利用轨迹方向实现道路拓扑连接。首先,通过自适应半径质心漂移聚类方法计算路网骨架点,采用小波聚类算法获取路网骨架点的方向集;然后,根据聚类半径和方向对骨架点进行递归连接,生成路网数据。利用深圳市福田区一天的浮动车轨迹数据进行了算法实验验证,将实验结果与栅格化方法、约束三角网方法的结果进行了定性定量评价分析。实验结果表明,该文算法提取的路网数据在几何精确度及拓扑正确度上都有明显的提高,且算法适合大数据处理。

基于ARIA的K均值聚类算法研究

针对传统K均值聚类算法对初始聚类中心敏感,易陷入局部最优和对大数据集聚类速度慢的缺点,将ARIA与Kmeans算法相结合,提出了一种ARIA-Kmeans算法,即基于自适应半径免疫的K均值聚类算法。首先利用自适应半径免疫算法对数据进行预处理,产生能够代表原始数据分布以及密度信息的内部镜像数据;然后用K均值聚类算法对其进行多次聚类,获得最佳聚类中心,并将其作为初始聚类中心,推广到全部数据优化聚类效果;最后对其结果进行评价。实验结果表明,相对于传统Kmeans算法,新算法在保证聚类准确度的前提下,提高了算法运行的时间效率和稳定性。

一种基于人工免疫网络聚类的入侵检测方法

提出了一种基于自适应半径免疫算法(ARIA)的入侵检测方法。ARIA训练得到的抗体网络充分保留了原始数据的密度分布信息,具有准确的空间形态;再用最小生成树算法和Zahn划分标准对抗体网络细胞聚类,聚类得到的簇被标记为正常或异常并用于网络异常检测中。对KDD CUP 99数据集的实验结果表明:相对于基于aiNet的入侵检测方法,新的算法检测率高、误报率低,能够有效识别KDD中的已知攻击和未知攻击。

基于群搜索算法的虚拟企业伙伴选择问题

为了适应市场需求,企业间通常需要相互联盟,共同组成一个虚拟企业来共同实现产品的开发、生产。伙伴选择问题是虚拟企业运营成败的关键。因受到的投标者数量大、评价指标多、判断标准多等多种因素的影响,伙伴选择是一个多目标决策问题,文章采用群搜索算法来解决。通过对群搜索算法的深入研究,提出了基于贪心策略和角色分配策略2种改进方案。通过实验,得到改进后的群搜索算法能提高收敛速度、减少搜索到最优解的代数或提高算法的个体多样性。

An improved ViBe algorithm based on adaptive detection of moving targets

There exists a Ghost region in the detection result of the traditional visual background extraction(ViBe)algorithm,and the foreground extraction is prone to false detection or missed detection due to environmental changes.Therefore,an improved ViBe algorithm based on adaptive detection of moving targets was proposed.Firstly,in the background model initialization process,the real background could be obtained by setting adjusting parameters in mean background modeling,and the ViBe background model was initialized by using the background.Secondly,in the foreground detection process,an adaptive radius threshold was introduced according to the scene change to adaptively detect the foreground.Finally,mathematical morphological close operation was used to fill the holes in the detection results.The experimental results show that the improved method can effectively suppress the Ghost region and detect the foreground target more completely under the condition of environmental changes.Compared with the traditional ViBe algorithm,the detection accuracy is improved by more than 10%,the false detection rate and the missed detection rate are reduced by 20% and 7% respectively.In addition,the improved method satisfies the real-time requirements.