针对IEPF(iterative end point fit)算法提取激光雷达数据线特征过程中使用固定分割阀值导致的欠分割和过分割现象,提出一种结合支持向量机(support vector machine,SVM)的分开合并的线特征提取算法。在分开阶段,使用IEPF算法对数据初...针对IEPF(iterative end point fit)算法提取激光雷达数据线特征过程中使用固定分割阀值导致的欠分割和过分割现象,提出一种结合支持向量机(support vector machine,SVM)的分开合并的线特征提取算法。在分开阶段,使用IEPF算法对数据初步分割;在合并阶段,调整阀值尽可能消除欠分割的线段,分别提取过分割的线段间和正常线段间的接近度、共线度、重叠度3个特征作为特征向量,训练SVM模型,将SVM模型应用于实际测试中,对于分类结果为过分割的线段执行合并。实验结果表明,该算法有效消除了绝大部分IEPF算法进行线段提取产生的过分割和欠分割线段。展开更多
Hough变换是图像处理中常用的提取线段与圆弧的检测方法,但计算量大,难以满足即时定位与地图构建(simultaneous localization and mapping,SLAM)导航的实时性。迭代端点拟合(iterative end point fit,IEPF)算法是一种常用、高效的将激光...Hough变换是图像处理中常用的提取线段与圆弧的检测方法,但计算量大,难以满足即时定位与地图构建(simultaneous localization and mapping,SLAM)导航的实时性。迭代端点拟合(iterative end point fit,IEPF)算法是一种常用、高效的将激光SLAM点集提取为线段特征的递归算法,但不能进行圆检测。为了满足实时性与圆检测的双重要求,提出一种将IEPF算法与Hough变换结合的提取方法。首先用IEPF算法,将激光雷达采集的数据集合递归分割成线段;再将各线段端点作为新的集合,进行Hough变换形状检测,经过筛选判断形状。对比实验结果表明,该算法比直接进行Hough变换直线检测与圆检测的计算量显著减少,并且圆精度误差达到导航要求。展开更多
文摘针对IEPF(iterative end point fit)算法提取激光雷达数据线特征过程中使用固定分割阀值导致的欠分割和过分割现象,提出一种结合支持向量机(support vector machine,SVM)的分开合并的线特征提取算法。在分开阶段,使用IEPF算法对数据初步分割;在合并阶段,调整阀值尽可能消除欠分割的线段,分别提取过分割的线段间和正常线段间的接近度、共线度、重叠度3个特征作为特征向量,训练SVM模型,将SVM模型应用于实际测试中,对于分类结果为过分割的线段执行合并。实验结果表明,该算法有效消除了绝大部分IEPF算法进行线段提取产生的过分割和欠分割线段。
文摘Hough变换是图像处理中常用的提取线段与圆弧的检测方法,但计算量大,难以满足即时定位与地图构建(simultaneous localization and mapping,SLAM)导航的实时性。迭代端点拟合(iterative end point fit,IEPF)算法是一种常用、高效的将激光SLAM点集提取为线段特征的递归算法,但不能进行圆检测。为了满足实时性与圆检测的双重要求,提出一种将IEPF算法与Hough变换结合的提取方法。首先用IEPF算法,将激光雷达采集的数据集合递归分割成线段;再将各线段端点作为新的集合,进行Hough变换形状检测,经过筛选判断形状。对比实验结果表明,该算法比直接进行Hough变换直线检测与圆检测的计算量显著减少,并且圆精度误差达到导航要求。