Low-complexity Point Cloud Filtering for LiDAR by PCA-based Dimension Reduction

CCChester

于 2022-11-08 10:00:17 发布

阅读量424

点赞数

文章标签：聚类算法

本文链接：https://blog.csdn.net/ccchester/article/details/127732149

版权

恶劣天气点云去噪算法专栏收录该内容

13 篇文章 16 订阅

订阅专栏

清华大学-先进光通信系统与网络国家重点实验室
期刊
在这里插入图片描述

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？
在这里插入图片描述

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
在这里插入图片描述
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。
在这里插入图片描述

区域分割

在这里插入图片描述
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。
在这里插入图片描述
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。
在这里插入图片描述
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