基于RANSAC算法的地铁隧道点云数据滤波

三维激光扫描技术能够快速、有效地获取隧道点云数据,可用于提取地铁隧道的形变信息,但隧道点云数据中包含着噪声点、离群点,需要滤波去除,目前已有滤波算法不适用于隧道环境。文中采用统计特征去除部分噪声点,利用区域增长方法初步提取隧道壁部分点云作为RANSAC算法种子点,进一步利用RANSAC算法拟合数学模型提取隧道壁全部点云数据,并利用RANSAC点云拟合模型对隧道盾构体施工精度进行评估。实验结果表明了方法的有效性。     

空间直线的自适应阈值稳健拟合方法与优化

针对RANSAC算法应用于空间直线数据处理时具有较强的稳健性,但需要已知内点阈值且计算模型未能充分应用观测数据等问题,基于RANSAC算法提出了空间直线的自适应阈值稳健拟合方法;结合空间直线拟合的PEIV模型,优化了自适应阈值稳健拟合方法。仿真和工程实例数据表明,自适应阈值稳健拟合方法及优化算法可自动获取内点阈值;获得的空间直线几何参数估计具有最优统计特性,抗差性好,可靠性和实用性较强;对其他空间几何形体的稳健拟合处理具有参考意义。     

凸壳内缩法进行多密度离散点群边界检测

针对现有离散点群边界检测方法对多密度点群检测结果效果不够理想这一问题,本文提出利用凸壳内缩法检测离散点的边界:先建立离散点群凸壳结构,再定义内缩精度后通过点群凸壳结构特征实现最适内缩精度的识别.该方法对内缩扫描区域面积会随边界点密度不同而变化,因此更加适用于多密度离散点群边界的检测.通过与现有边界检测方法的对比,本文提出的方法在处理多密度离散点群的边界检测问题时具有高效性和普适性.     

自适应阈值的基础矩阵估计算法

针对RANSAC算法在估计基础矩阵过程中需要人为设定阈值的问题,该文提出一种自适应阈值的基础矩阵估计算法。该算法首先引入ORSA算法,计算内点集以及基础矩阵,随后将得到的内点集与基础矩阵作为最小中值算法的初始值做进一步加权优化,在保证基础矩阵估计精度的前提下得到更好的内点集。其中,利用ORSA算法估计时通过计算误匹配警报数(NFA)值评判估计精度,舍去了RANSAC算法中人为设定阈值的步骤;利用最小中值算法加权优化的过程中采用最小化误差中值的方式,避免人为设定阈值。实验结果显示,该算法在保证基础矩阵估计精度的同时,能够获得最佳的内点集,且具有一定的抗噪声能力。     

无人机航摄影像的RANSAC自动定向方法研究

针对无人机在区域范围拍摄的低空遥感影像数量多,且相邻影像间存在旋转、尺度变化大等导致的立体定向困难问题,本文提出一种适用于无人机影像自动相对定向及模型连接的流程。即利用SURF算法对区域无人机影像进行特征提取后,连续相对定向及模型连接过程使用结合相对定向模型的RANSAC算法去除错匹配点,并针对RANSAC算法选取样本匹配点对容易陷入局部最优问题进行改进,提高了结果精度。     

基于NSCT和SURF的遥感图像匹配

SURF(Speed Up Robust Features)算法是对尺度不变特征变换SIFT(Scale Invariant Feature Transform)算法的一种改进,应用到遥感图像匹配领域中可以大大提高匹配速度,但是匹配精度略有下降。为此,本文提出一种基于无下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)和SURF的遥感图像匹配算法。首先使用NSCT分别分解参考图像和待匹配图像,得到各自对应的低频分量;然后把这两幅低频分量图像作为SURF算法的输入图像进行预匹配,降低高频噪声对匹配结果的影响;最后利用预匹配结果求解变换模型的参数,并采用随机抽样一致RANSAC(Random Sample Consensus)算法剔除误匹配点对,解决了SURF算法存在的错误匹配问题。实验结果表明,与SIFT算法、SURF算法相比,本文算法具有更高的匹配精度和更快的匹配速度,且抗旋转、噪声、亮度变化能力更强。     

一种改进的输电线模型参数求解方法

架空输电线三维空间模型是机载激光雷达电力巡检的基础.针对现有模型参数求解方法噪声点敏感、稳定性差等不足,在分析最小二乘法(LS)和随机一致性算法(RANSAC)性能的基础上,提出了一种改进的输电线模型参数求解方法,即LS-RANSAC.首先随机选择K个样本点以提高初始模型参数解精度;然后利用最小二乘法稳定性拟合初始模型,采用随机一致性方法的循环迭代计算确定最佳模型参数,削弱噪声对参数求解结果的影响;最后讨论关键参数K的选择原则.实验结果表明,该方法模型参数求解精度高,抗噪性强,对不同类型的输电线均具有较好的适用性;兼顾精度和效率K建议取值30～45,研究对架空输电线空间模型精细重建具有技术参考价值.     

一种基于空间几何约束的图像面元配准算法

针对在图像匹配中,传统RANSAC算法在特征点提纯方面效率不高的问题,本文采用空间几何约束算法进行特征点提纯,得到初始匹配点集,再通过RANSAC算法进行特征点精确提纯。实验结果表明:该方法在保证较高精度和鲁棒性的前提下,能有效提高RANSAC算法的时间效率,提高图像的拼接精度和速度。     

几何刚性和法向量采样一致性的点云配准算法

针对三维激光点云配准中随机采样一致性(RANSAC)算法存在采样次数多、准确度低的缺点,该文提出了一种结合几何刚性和法向量一致性的点云配准算法。该算法通过改进采样策略降低采样次数并提升匹配精度,首先将点云的法向量信息加入采样集,使得每次的采样点从三对减少为两对;接着以两对采样点的刚性和法向量一致性计算置信度来确定当前采样是否置信;最后以迭代运算选取采样内点数最高的样本来估算变换矩阵实现点云精确配准。对激光三维点云进行配准试验,结果表明,本文方法在匹配效率及匹配性能上均优于传统RANSAC算法,且配准精度更高。     

一种知识约束下的多目标土壤空间抽样优化模型

土壤空间抽样优化需要综合考虑抽样精度、成本、代表性以及样点数量与空间布局等多目标,属于典型的NP-Hard空间优化决策问题。先验知识的应用以及多目标的博弈能够有效地提高抽样精度和效率。通过研究土壤空间抽样先验知识及其空间分层技术,以及土壤空间抽样方案与粒子群算法映射关系,建立了基于知识约束下多目标粒子群算法的土壤空间抽样优化模型。模型以最小克里金方差和最大熵为抽样目标,以分层最小样本量、空间阻隔和可达性为约束条件,结合目标规划法进行多目标帕累托优化方案求解,并以陕西省横山县为实验区验证了模型的有效性。实验结果表明,该模型相比传统方法具有较高的收敛效率和抽样精度,先验知识与目标规划法的应用显著提升了抽样方案代表性,能够为土壤空间抽样以及土壤质量监测网络构建提供新的技术支撑。