基于船舶轨迹数据的几何航路网络建模方法

文中提出了一种基于船舶轨迹数据几何航路网络构建方法,通过选取符合条件的船舶轨迹特征点提取航路点区域,结合轨迹聚类与边界提取构建航路点区域的连接方法,建立几何航路网络.结果表明:该方法能够构建航行水域的几何航路网络.

面向弱纹理空间目标的特征点匹配方法

特征点提取与匹配是遥感图像处理中关键的一环,目前成熟的算法大多面向对地成像类型的遥感图像,对于空间目标的遥感图像,没有考虑成像条件与探测平台的影响因素,特征点匹配质量较差。针对空间目标的匹配精度不高这一问题,文章提出了一种基于聚类的特征点匹配算法。首先,根据空间目标的重复弱纹理进行特征点提取与描述,再利用特征点的空间位置进行聚类,并对特征点簇进行匹配;之后将特征点的主方向减去目标整体方向,利用特征点主方向对每一个点簇进行再分组,并完成特征点匹配;最后利用最近邻次近邻比率方法和随机样本一致算法(RANSAC)剔除外点。采用该特征点匹配方法进行的模拟成像数据实验结果表明,对于空间目标图像,基于聚类的特征点匹配较直接匹配,匹配数量的提升最高可达50%,重投影误差优于1/4个像元。文章提出的这一方法使用目前通用的各种特征描述子,能够大幅度提高空间目标图像特征点匹配的数量与精度。

基于质心−凸包−自适应聚类法的浮选泡沫动态特征提取

面对复杂的浮选现场环境及浮选泡沫自身相互粘连导致的边界不清等情况,现有泡沫动态特征(流动速度和崩塌率)提取方法往往无法准确划定属于每个泡沫的动态特征采样区域、不能全面匹配相邻帧间的特征点对且难以有效识别崩塌区域。针对上述问题,提出了一种基于质心−凸包−自适应聚类法的浮选泡沫动态特征提取方法。该方法采用集成Swin−Transformer多尺度特征提取能力的改进型Mask2Former,实现对泡沫质心的精准定位和崩塌区域的有效识别;通过最优凸包评价函数搜寻目标泡沫周围相邻一圈泡沫质心构建的凸包,拟合出接近实际泡沫轮廓的动态特征采样区域;运用基于Transformer的局部图像特征匹配(LoFTR)算法匹配相邻帧图像间的特征点对;针对动态特征采样区域内部的所有特征点对,通过基于OPTICS算法的主特征自适应聚类法提取每个泡沫的主要流动速度。实验结果表明,在普通泡沫质心定位和崩塌区域识别任务中,该方法分别取得了88.83%,97.92%的准确率及77.90%,96.52%的交并比;以2.69%的平均剔除率实现了99.93%的特征点对匹配正确率;在多种工况下均能有效划定与实际泡沫边界相近的特征采样区域,进而定量提取每个泡沫的动态特征。

基于放电曲线多特征值和组合聚类算法的液态金属电池筛选研究

高效的电池筛选技术是保障储能电池系统安全性、经济性的关键技术之一。为了满足液态金属电池储能系统构建对单体一致性的要求,提出一种组合聚类方法,通过电池恒流放电期间获得的分选指标进行有效聚类,快速实现液态金属电池筛选。首先,提出一种特征提取框架来准确表征电池放电曲线,主要包括数据采集、数据预处理、特征参数生成、筛选指标生成4个阶段,生成的3个筛选指标,分别是电池曲线第2个拐点电压、对应的时间以及电池在第1个拐点电压前的放电能量。然后,提出基于密度的噪声应用空间聚类和均值漂移的组合聚类电池筛选方法,并提出一种一致性差异指标量化评估聚类效果。最后,通过分析212个200 Ah级液态金属电池的聚类优化效果可知,所提方法可显著减弱差异性较大电池对电池筛选的影响,能够同时实现离群值检测及电池自适应快速精准筛选,并通过动态工况测试证实所提方法可有效提升电池组响应一致性。

基于改进DBSCAN和距离共识评估的分段点云去噪方法

针对点云数据中噪声点的剔除问题,提出了一种基于改进DBSCAN(density-based spatial clustering of applications with noise)算法的多尺度点云去噪方法。应用统计滤波对孤立离群点进行预筛选,去除点云中的大尺度噪声;对DBSCAN算法进行优化,减少算法时间复杂度和实现参数的自适应调整,以此将点云分为正常簇、疑似簇及异常簇,并立即去除异常簇;利用距离共识评估法对疑似簇进行精细判定,通过计算疑似点与其最近的正常点拟合表面之间的距离,判定其是否为异常,有效保持了数据的关键特征和模型敏感度。利用该方法对两个船体分段点云进行去噪,并与其他去噪算法进行对比,结果表明,该方法在去噪效率和特征保持方面具有优势,精确地保留了点云数据的几何特性。

基于改进欧式距离聚类中心的ICP点云配准方法

针对传统点云配准方法易受到噪点、离群值和重叠度的影响,造成配准精度低和效率低等缺点,提出了一种利用信息熵改进的欧式距离聚类中心点的方法来完成点云配准。首先对两片点云进行体素格网下采样,加快后续处理效率,不同于欧式聚类直接利用距离聚类,先计算点的特征值,根据特征向量求得的信息熵,利用特征向量来选取聚类,再提取出各类别的中心关键点,后使用KD-tree算法进行点对的搜索和对应,结合对应点对的位置信息估计出初始变换矩阵,作为精配准的输入矩阵,为后续精配准提供良好的初始位姿;最后采用双向KD-tree改进的点到面ICP算法进行精确配准。选用了长约300 m的道路点云数据进行实验,与四种方法在重叠度为10%时进行比较,结果表明算法的RMSE为0.074 m,总体配准过程消耗时长为30.256 s,比四种算法的配准精度和效率更高。

基于三维成像声呐的无人艇水下目标检测

针对无人艇水下目标探测过程中声呐图像受干扰多、单个目标可能分裂为多个亮斑等问题,开展了基于三维成像声呐的无人艇水下目标检测技术研究。首先,考虑水面无人艇水下目标检测跟踪识别的需要,建立了三维点云图像模型;然后,提出了基于随机抽样一致性(RANSAC)平面拟合的海底检测算法,以完成三维点云图中海底平面提取与分离,通过基于欧式聚类的三维点云检测技术和多特征数据关联技术等手段提高了目标的检测概率;最后,在湖上进行了试验,试验结果验证了该算法对水下目标检测识别的有效性。

特征区域最近点迭代地表移动分析算法

为了获取人员难以到达的陡坡、悬崖等危险地形的地表移动和变形值,采用三维激光扫描技术对其进行精细测量,结合点云特征区域提取和最近点迭代(Iteration Closest Points,ICP)算法,对点云分析方法进行了深入研究,提出了特征区域最近点迭代地表移动分析算法(Surface Movement Analysis Algorithm Based on Feature Region Iteration Closest Points,FRICP)。该算法通过点云滤波处理,实现地面点和植被点有效分离;在此基础上,将法向量和植被高程信息相结合,提取点云中的特征点;再对同一区域地面特征点进行聚类分析,形成特征区域;然后建立球形搜索区域及特征度量指标,匹配多期同名特征区域;最后使用ICP算法对同一地点不同时期的观测点云进行计算,利用获得的坐标变换参数求取地表移动值。采用某矿开采沉陷区山坡移动监测数据进行了算法验证,结果表明:FRICP算法可以准确获取山地边坡的移动和变形值,与人工精确判读结果相比,三维坐标最大偏差为12 mm,最小偏差为3 mm。FRICP算法可同时计算地表下沉和水平移动值,为利用三维激光扫描技术分析山地边坡地表移动提供了新思路,可为山区开采沉陷监测等领域提供技术支持。

基于车载激光雷达数据的多种道路要素自动提取分类

基于车载点云数据开展道路要素的自动提取与分类是三维激光扫描技术服务于城市运维活动的一项重要应用。基于现阶段的行业研究情况,本文首先开展了针对不同类型道路要素对象进行方法及算法汇总,然后基于应用实例开展了车载激光雷达(LiDAR)点云用于道路结构、路面标识以及道路区域杆状地物等主要道路要素的自动提取与分类的应用,对其实用性和准确性进行了评价。

多特征点驱动的船舶轨迹聚类方法

轨迹聚类在船舶行为分析与海事监管等领域发挥着重要作用。船舶轨迹存在长度与采样率不一致、结构差异明显等特点,在大范围水域难以实现大量船舶轨迹的高精度与快速聚类。针对该问题,在利用船舶自动识别系统获取海量船舶历史航行数据的基础上,提取与船舶航行行为、船舶交通密度相关的位置特征点,进而提出了多特征点驱动的船舶轨迹聚类方法。针对船舶航行时在大多数情形下具有保向、保速的特点,采用数据压缩的方法捕获船舶航行状态以及船舶航向发生显著变化的轨迹点,作为船舶轨迹结构特征点;针对目标水域中某些特定区域常存在船舶交叉会遇的情形,利用概率密度估计法分析船舶交通流的空间分布特点,并提取船舶会遇局面下的轨迹点,作为船舶交通流特征点;为剔除2类特征点中的异常值,采用密度聚类算法对特征点进行聚类,进一步提高特征点提取的可靠性,并将聚类结果中每类特征点的中心作为代表性特征点;统计途经代表性特征点的船舶轨迹分布情况,将具有相似分布的船舶轨迹视为同一类。实验结果表明:相比于常用的K-medoids聚类、层次聚类、谱聚类和DBSCAN等方法,提出的轨迹聚类方法在成山头水域、长江口南槽水域及舟山水域等典型区域均可获得优异的聚类结果;在上述典型水域,平均轮廓系数分别提升约53%,71%,63%和41%,戴维森堡丁指数分别降低约57%,67%,63%和45%;同时,此方法可平均降低约56%的聚类时间,显著提升了船舶轨迹数据聚类分析的效率。

基于多特征聚类的复杂环境机载点云层次滤波方法

机载激光雷达(LiDAR)点云滤波是点云数据处理的关键步骤,决定着后续派生品应用的精细程度。针对复杂场景区各种地物的交错性和多态性、地形的突变(断裂)性、相邻地物和地面点高程的相似性等导致的难以区分地物点和地面点瓶颈,本文提出了一种基于多特征聚类的点云层次滤波方法。本文方法首先耦合点云几何和物理信息进行多特征点云聚类,然后发展一种顾及地形断裂的地面点簇识别方法捕捉各类地面点,最后利用捕捉到的地面点构建初始地面参考面,并借助多尺度层次点云滤波方法进一步查找原始点云中的地面点。以4组地形复杂且建筑物和植被混杂区点云数据为试验数据,将本文方法与6种代表性滤波算法对比表明,本文方法的平均总误差最小、滤波性能最优、稳定性最高。

基于点对特征的无序散乱堆叠工件位姿估计算法

针对无序分拣场景中物体相互堆叠遮挡导致的位姿估计误差大的问题,提出了一种基于点对特征(point pair feature,PPF)的杂乱堆叠工件位姿估计算法。离线训练阶段,使用更优的点云降采样方案和更为细致的点云法线计算方式,以保留更多具有区分性的点对,实现模型更为精确的全局描述;在线匹配阶段,通过快速投票方案获得杂乱堆叠场景中目标的候选位姿,并提出了一种基于体素索引和位姿交并比的聚类策略完成位姿聚类和误匹配位姿的剔除,实现目标位姿的粗估计,最后采用ICP(iterative closest points)算法完成目标位姿的优化,获得目标的精确的6D位姿。分别进行了仿真场景实验和机械臂分拣实验。结果表明:所提算法在杂乱场景中对3种类型工件的平均识别率为98.4%,单个工件识别时间均小于0.86s,且位姿估计精度较原始PPF算法有明显提升;在实际分拣实验中识别成功率达96.7%,分拣成功率达95.3%,验证了算法在实际应用中对于噪声和杂乱遮挡的鲁棒性较强。

优化超体素凹凸性的矿区地物提取算法研究

快速准确地获取矿区地物信息对煤矿安全开采工作的规划与部署具有重要的指导意义。不同于传统人工调查受到矿区环境因素的限制,机载Li DAR作为近年来矿区地表监测的新手段,可以高效获取矿区地表点云,利用点云分割算法实现矿区地物的提取。但常规点云分割算法主要适用于分割地形相对简单的区域,在复杂地形的地面点与非地面点聚类分割效果较差。基于此,提出一种优化超体素凹凸性的聚类分割算法用于矿区的复杂地形特征地物分割,主要步骤为:(1)对矿区点云进行超体素过分割;(2)根据模糊聚类算法(FCM)对超体素的边界进行细化;(3)使用增加高程阈值的凹凸聚类算法对超体素进行分割,提取机载Li DAR点云的地面点与地物点。以鄂尔多斯某矿开采工作面为例进行实验,并与改进前超体素分割算法和区域生长算法的分割效果进行比较。结果显示:整体上看,本文算法在保证数据完整的前提下,分割效果仍可以满足矿区在地物分割工程上的需求;分割细节上看,比改进前的超体素分割算法的加权平均精确度提升了13.1%,加权平均召回率提升了2.3%;比区域增长算法的加权平均精确度提升了30%,加权平均召回率提升了6.3%。

基于雷达数据挖掘的空域扇区规划方法

随着民航的快速发展,机场空域越发拥挤,迫切需要提高空域扇区规划的科学性。为解决传统方法指标单一、依赖人为经验因素的问题,提出了一种基于空中交通管制的雷达原始数据,采用轨迹信息数据挖掘算法确定空域扇区的方法。根据自回归模型和拉格朗日线性插值法处理航迹数据,建立特征点筛选模型,提取航向、速度、高度航迹特征点集,利用EM聚类得到特征点区域中心,基于特征点区域中心的分布建立拓扑关系,并建立最小成本函数的谱聚类算法优化模型,提出管制空域扇区方案。通过仿真验证了所提方案的可行性。

基于密度聚类和圆外切线斜率拟合的埋地排水管道声呐点云去噪技术

针对环扫声呐扫描结果受到排水管道内混合水声的影响问题,提出一种声呐扫描点云数据去噪的方法:在环扫声呐扫描得到的三维点云数据基础上,通过密度聚类优化算法,去除点云数据中的噪声,然后采用类圆外切线斜率拟合的方式,识别出管道内壁界限和淤泥淤积线,最终得出包含排水管道内壁界限和淤积线特征的模型。为验证有效性,以武汉市某排水管道为例进行分析,基于现场采集的98万个点云坐标进行数据去噪和特征提取,结果表明:采用密度聚类优化算法进行点云数据初筛后,通过圆外切线斜率拟合算法能有效识别出排水管道内壁界限和淤积线,拟合半径均方误差0.0071 m,相较于单一密度聚类算法拟合精度更高,去噪效果更好。

基于信息熵和改进KMC的点云简化算法

为了保持点云的细节几何特征,针对数据点分布散乱的点云数据模型,提出一种基于信息熵和改进K均值聚类的点云简化算法。首先,定义点云局部区域的曲率信息熵,并根据信息熵删除非特征点,从而实现点云初始简化;然后,采用一种基于KD-树的改进KMC算法进一步实现点云精简化,从而实现点云的最终精确简化。实验采用公共点云和文物点云数据模型验证本算法,结果表明该算法比包围盒简化法、随机采样法、聚类简化法以及曲率简化法的简化精度有明显提高,能够较好地保留原始点云的细节几何特征,具有良好的简化效果。因此,基于信息熵和改进KMC的简化算法是一种有效的点云简化算法。

点云特征提取精简方法研究

为解决传统点云精简算法精简的点云特征易丢失、空洞较多等问题,提出基于邻域法向夹角和二分K-means聚类特征提取的点云精简算法。该算法利用点云邻域法向夹角提取出模型的整体特征点,将点云曲率作为二分Kmeans聚类算法的聚类特征,初步提取出模型的局部特征点;然后计算初步局部特征点的平均曲率,将大于平均曲率的点提取为最终的局部特征点,对模型进行特征保留,对非特征点则利用改进的体素精简法进行下采样;最后将提取出的整体特征点、局部特征点与非特征点合并,从而完成点云的简化。该算法与传统的精简法、其他文献中的方法相比,可获得更高的精度。

基于高精度轨迹数据的要素特征点提取研究

连续运行参考站(CORS)向社会提供高精度位置服务的同时,产生了大量的轨迹数据,这些数据蕴含丰富的地形、地物特征。本文以河北CORS采集的轨迹数据为基础,应用分布式运算的思想,将全省不同测区、不同项目的数据整合、分析,开发了要素特征点提取工具,实现了地理信息要素特征点的自动提取。针对原始观测数据以及地理信息要素空间形态多样、变化不规律的特点,采用轨迹检索、拐点提取和空间密度聚类算法相结合的技术,达到了获取要素细节特征点的目的。测试结果表明,要素形态变化处的关键特征点提取准确率在94%以上,在地形图测绘、控制测量等生产项目中具有重复利用的价值。

具有良好重复率与信息量的立体影像点特征提取方法

针对立体影像匹配问题,从重复率与信息量两个方面对现有几种主要的立体影像点特征提取算子进行了实验分析比较;根据影像的信息熵对影像特征进行聚类分析,提出了一种与影像特征相关的、基于Harris算子原理改进的点特征提取方法;选取不同特征的实际立体影像进行实验分析,证明本文提出的方法具有更优的重复率与信息量.

基于局部重建的点云特征点提取

为了有效地提取点云数据中的特征信息,针对采自分片光滑曲面的散乱点云数据,提出一种基于局部重建的鲁棒特征点提取方法.首先基于局部邻域的协方差分析计算每个数据点的特征度量,并通过阈值过滤获取初始特征点集合;然后在每个初始特征点的局部邻域内构建不跨越特征区域,以反映该点局部特征信息的三角形集合;再利用共享近邻算法对构造的三角形法向进行聚类,得到对应局部区域数据点的分类集合;最后对每一类点集拟合平面,通过判断该点是否同时落在多个平面来进行特征点提取.实验结果表明,该方法简单、稳定,对局部邻域选取的大小不敏感,具有一定的抗噪能力;能够在有效提取显著特征的同时,尽可能多地保留相对较弱的特征.