一种基于k维树的模糊C均值聚类算法

初始聚类中心的选择极大地影响了模糊C均值聚类算法的性能,一个好的初始聚类中心能显著加快算法的收敛速度和减少算法的运行时间。本文提出一种新的基于k维树的模糊C均值聚类算法。通过使用k维树的方法分割原始数据集得到多个网格,并选取网格的加权中心作为新的数据点构成一个简化的数据集,在此基础上可快速查找一组距离实际聚类中心较近的初始聚类中心,显著减少模糊C聚类算法的迭代次数。通过在16个人工数据集和一组真实图像数据上的实验结果表明,数据集的数据量较大时,在不损失聚类精确度的情况下,本算法相对于普通的模糊C均值聚类算法,收敛速度提升了近2倍,算法的运行时间也缩短到经典FCM算法的一半以下。

基于多重随机k维树地震搜索引擎的建立

描述了数据库的构建、利用多重随机k维树建立地震搜索引擎的过程。通过实际搜索测试,证明了利用地震搜索引擎确定震源信息的可行性,并探讨了其存在的问题及相应的改进措施。结果表明,地震搜索引擎能够自动、快速的确定震源信息,具有很强的实用性。

密集杂波环境下基于KD树优化的DBR-RANSAC目标跟踪算法

地面战场侦察雷达存在虚假目标多、真实目标难以区分等问题。为了降低复杂环境下密集杂波的影响,形成稳定航迹,并提高雷达数据处理的实时性,文中提出一种基于K维树优化的密度聚类随机采样一致性多目标跟踪算法,降低使用批处理进行航迹起始时对大量数据进行密度聚类带来的运算负担;同时,利用相控阵雷达的波位信息对数据关联过程进行优化。仿真和试验数据验证表明:文中提出的算法在密集杂波环境下可有效提高运算效率并保持较高的跟踪性能。

激光里程计改进点云配准算法的车辆定位研究

针对传统迭代最近点(ICP)算法在点云配准过程中依赖于初始位置、匹配时间长、匹配精度差等问题,提出一种激光里程计改进点云配准算法的车辆定位方法。首先,在点云预处理方面对点云进行有序化和畸变点云补偿处理;然后,对点云动态特征点去除后进行静态特征点的稳定提取;最后,在点云配准过程中先对点云进行粗配准以减少点云对初始位置的依赖,接着提出双向k维树改进ICP算法进行点云精配准。通过KITTI数据集和自动驾驶小车平台进行试验测试分析,结果表明,改进点云配准算法相比于传统ICP算法有更快的匹配速度和精准度,里程计累积轨迹误差小。

基于增量学习的SVM-KNN网络入侵检测方法

为满足入侵检测的实时性和准确性要求,通过结合支持向量机(SVM)和K最近邻(KNN)算法设计IL-SVM-KNN分类器,并采用平衡k维树作为数据结构提升执行速度.训练阶段应用增量学习思想并考虑知识库的扩展,分类阶段则利用SVM和KNN算法将待分类数据分成3种情况应用不同的分类策略.基于KDD CUP99和NSL-KDD数据集进行实验,结果表明,IL-SVM-KNN能够区分正常流量和异常流量并准确判断异常流量的攻击类型,其准确率较KNN算法和SVM算法有明显提升,判断攻击类型的准确性高于决策树、随机森林和XGBoost算法,并且较两层卷积神经网络消耗时间更少,资源消耗更低.

基于欧氏聚类的三维激光点云田间障碍物检测方法

为满足目前农业机械(简称农机)自动驾驶中农田障碍物检测的需求,提出了一种使用三维激光雷达检测田间障碍物的方法。该方法首先对采集的环境点云进行预处理,采用体素栅格下采样滤波,将稠密的点云在不损失特征信息的情况下进行减量;采用三维长方体对角点划定感兴趣区域以便快速计算;采用随机采样一致性(RANSAC)算法检测出农田地面点云,将地面点云与地面上障碍物点云进行分割。然后对地面上障碍物点云基于K维树(K-d tree)进行欧氏聚类,其中聚类的距离阈值为0.6 m。最后判断聚类的点数量和外接长方体体积,过滤掉点数和体积过大或过小的无效聚类从而得出障碍物。应用32线激光雷达在北京市小汤山国家精准农业示范基地采集田间环境点云,分别对田间机具、草堆、田埂、地头矮房、路边树木和田间行人进行检测,结果表明该方法对田间常见障碍物有较好的检测效果。考虑到人是田间行车安全的重要因素,在田间进行了行人横穿于雷达视野前方且与雷达距离分别为5、10、15、20、25、30 m时算法的检测效果试验,试验结果表明田间行人在30 m内平均检出率为96.11%。该方法可用于大田环境下障碍物的检测,为农机自主行走过程中的避障策略研究提供了基础。

基于三维点云的车辆残余变形求解

为提高事故车辆车身残余变形的测量速度及精度,采用三维激光扫描技术分别获取事故车及原型车的点云数据,利用改进的最近点迭代(ICP)算法配准原型车身与已变形车身2者间相同部件的点云;就变形部位对原型车和变形车进行比较,得到变形轮廓和基准线轮廓,并按照6点法求得残余变形。结果表明,用改进ICP算法能够较大提升处理效率;利用点云数据所得残余变形量较手工方法更客观准确。

融合kd tree邻域查询的深度学习点云分类网络

为解决PointNet++精度较低、耗时较长,且对输入点的噪声敏感的缺陷,引入一种高效的k维树(k-dimensional tree,kd tree)邻域查询方法,通过构建kd tree查找查询点周围指定半径内的近邻点,构造局部区域集,完成在PointNet++分组层上的局部特征提取.针对原网络训练过程中存在的过拟合问题,引入随机失活(dropout)正则化,减少网络收敛训练的时间.在Ubuntu14.04系统下搭建TensorFlow的图形处理器深度学习环境,并在ModelNet40数据集上进行训练和测试.实验结果表明,分别为当查询半径为0.1、0.2和0.3时,该查询方法的分类准确率分别为91.1%、92.1%和94.3%,皆优于PointNet++方法,且网络训练用时更短.改进后的结构在斯坦福三维语义分析数据集(Stanford 3D semantic parsing dataset)上进行语义分割实验平均交并比(mean intersection over union,MIoU)达57.2%,且其对于遮挡物体的鲁棒性更高.

云环境下大规模图像索引技术

为满足海量高维数据快速计算和检索的需求,基于一个高层次的分布式树形索引结构抽象框架MRC-Tree,以及不同的KD-Tree建树方式,提出两种基于Map-Reduce机制的分布式KD-Tree索引结构构建方法,分别为MKDTM方法和OKDTM方法。通过并行对数据进行切分和建树,多个节点并发检索,可以有效地提高检索性能。理论分析和实验结果表明,基于MRC-Tree框架的分布式KD-Tree索引结构具有良好的可扩展性和较高的检索效率,且OKDTM索引结构比MKDTM具有更优良的性能。

移动机器人视觉图像特征提取与匹配算法

针对移动机器人导航过程中视觉图像处理速度慢以及特征点提取与匹配实时性和准确性差等特点,提出了一种基于SIFT特征提取算法与KD树搜索匹配算法相结合的新方法,通过对候选特征点进行多次模糊处理,使其分布在高斯差分图像的灰度轮廓线边缘,利用SIFT特征提取算法找到满足极限约束的极值点;通过KD树最邻近点搜索和匹配算法使处理后的特征点与原始图像进行特征匹配,快速找出匹配正确的特征点。实验证明,该方法对环境光照、视野角度频繁变化的环境具有较强的鲁棒性,能够满足移动机器人自主导航过程中对视频图像处理的实时性和准确性要求。

结合改进DBSCAN和统计滤波的单光子去噪算法

为了解决光子计数激光雷达探测数据中噪声点云过多的问题,采用结合基于密度的噪声空间聚类应用算法(DBSCAN)和统计滤波算法的单光子点云去噪方法,以美国国家航空航天局提供的多波束试验激光雷达实际飞行数据为实验数据,通过k维树求取点云密度进行粗去噪,然后运用改进DBSCAN算法和统计滤波算法进行精去噪,进行了理论分析和实验验证。结果表明,实验区目标点云识别率在85%以上,性能优于经典的半径滤波算法。这一结果对于光子数据去噪是有帮助的。

支持STL数据源的网格曲面动态空间索引

针对STL文件格式存在网格顶点数据冗余以及缺乏面片邻接信息等缺陷,提出一种基于多维动态空间索引的显式曲面拓扑重建算法,在消除网格顶点数据复本的过程中逐步构建网格曲面顶点的KD树,通过该索引提高顶点数据复本消除效率,并基于KD树叶节点层数据存储的开放性融入半边数据结构,实现曲面拓扑结构的快速重建。最后,对6个不同规模的数据模型进行实验:与采用R*-Tree、数组、散列表作为索引等方法相比,所提出的KD树与半边结构融合的动态空间索引在处理近百万面片的数据文件时,去除冗余顶点用时11.93 s,拓扑重建仅仅需要2.87 s,大大减少了冗余顶点的去除时间和拓扑重建时间,并且有效支持网格曲面拓扑邻域信息的快速查询,查询时间在1 ms之内,远小于对比算法所用时间。实验结果表明:所提算法能够提高网格曲面冗余顶点去除效率和拓扑重建效率,实现网格曲面拓扑邻域信息的快速查询。

基于点云空间索引的隧道断面提取方法

探索了一种基于三维激光点云空间索引的隧道断面提取方法。该方法主要通过建立空间索引,利用k维树(kdimensional tree,KD树)和规则格网提取频数分布特征,采用含有多种几何模型约束条件的随机抽样一致(random sample consensus,RANSAC)算法完成断面拟合。实验结果表明,该方法对隧道点云的平均降噪率达到97%,能准确提取隧道断面。

一种基于主动视觉的运动目标跟踪方法

提出一种基于尺度不变特征变换(SIFT)特征匹配的目标跟踪方法.首先使用SIFT提取目标特征,构建目标特征库,然后使用基于K维树的特征匹配算法,对实时序列图像提取的SIFT特征与特征库中目标进行精确匹配,实现目标检测与定位,根据定位信息自动控制摄像机转动,始终将目标锁定在图像视野中,实现实时跟踪.在真实的室内环境下进行目标跟踪实验,通过检验每一帧目标定位的正确性,计算目标检测的正确率.在本文实验条件下,正确率达到94%,而使用基于HSV色彩直方图的方法,目标检测的正确率小于80%,实验结果验证了该方法的有效性.

基于改进ORB-RANSAC的双目测距方法

针对基于传统特征点匹配的双目视觉测量方法误匹配率高和测量精度低的问题,提出了一种基于ORB(Oriented Fast and Rotated Brief)特征与随机抽样一致性(RANSAC)的双目测距方法。首先,基于双目位置信息的极线约束与基于汉明距离的特征匹配方法删除误匹配点,得到初步筛选的正确匹配点对。然后,基于k维树的近邻点顺序一致性约束方法筛选出初始内点集合,并采用迭代预检验方法提高RANSAC的匹配速度。最后,为了提升测量精度,采用二次曲面拟合得到亚像素点视差并计算实际距离。实验结果表明,本方法可以有效提高特征的匹配速度及测量精度,满足实时测量的要求。