清华大学-先进光通信系统与网络国家重点实验室
期刊
结论
提出一个基于PCA的自适应聚类滤波算法
算法的F-score比SOR、ROR提升了135%、45%,复杂度降低了10倍和3倍。
与基于密度的聚类算法比较 F-score提升了15%左右,复杂度降低50%。
引言
提到了《机载单光子激光雷达自适应椭球搜索滤波器》,是一篇二区期刊,椭球的中心是被探测的目标点。噪声是根据椭球体附近点的数量来识别的。但该算法过于复杂,实时性不理想。现在的硬件条件是否还不理想?
通过降维降低算法复杂度PCA
主要创新:
1、提取原始数据的第一主成分和第二主成分,信息损耗小。
2、对二维数据使用自适应聚类方法
3、为解决视点与被扫描点之间的距离差异造成的远近效应?,该方法采用了不同的区域分割方法,可以获得较好的降噪效果。
算法
基于PCA的点云降维
基于噪声点往往与特征值最小的特征向量关联。
m个点云 将点云排列为三行m列。每一行为去均值后的以零为中心点。保证每一行的平均值为零。
之后获得协方差矩阵C:3*3
之后将三个维度求得的特征向量,转为矩阵E
并满足下式为对角矩阵。
将特征向量按特征值递减的行排列成矩阵,取前两行特征向量生成矩阵P,原3D数据被转为2维:
然后对生成的2D数据进行聚类以降低噪声
自适应聚类滤波
原始数据首先被划分为区域段,以响应远离传感器的点云密度的降低(多尺度)
对每个区域进行PCA处理:第一主成分和第二主成分的方差超过95%,提取并指定为X轴和Y轴坐标,计算每个簇中的点云数量,并将其与阈值进行比较,以识别和去除噪声点。之后就是转为三维点云,再缝合到一起。
区域分割
每一个圆环的体积相等即:
二维-DBSCAN聚类
根据聚类点数与阈值比较的结果,剔除点数较少的类。
DBSCAN可以找到所有稠密区域并作为一个类。
点云集
二维点云:f代表第一元素,s代表第二元素
二维-DBSCAN算法伪代码:
判断二维点是否已有标签,没有标签就
搜寻区域内点数,与阈值比较。大则新的类,小则噪声点。
判断S类中的每个点,如果有未定义的点,搜索其邻域,邻域点数多于阈值,则将邻域点也放该类中。
判断每一个类,如果每个类中的点数小于阈值(不同区域中的阈值是不同的)则判断为噪声类。//如果是小型物体聚集的类,不就也被滤除了
二维平面上点间距离为
滤波后的二维数据为
通过下述方法将点云变换回三维
右一是从原始矩阵中减去的均值
关键参数
每个区域,上述三个参数不同。如下:
复杂度分析