采用网络分区与预计算策略的k近邻查询算法

k近邻查询是GIS和空间数据库等领域的研究热点.文章针对道路网络中的k近邻查询,通过分区以及预计算近邻集策略,获得查询点的k近邻结果:首先利用自适应格网分区方法将道路网络划分为若干格网单元,并存储格网内节点与边界点、边界点之间距离;其次在网络中的节点预先存储近邻集.实验证明,在兴趣点密度高、k值较大情况下,算法具有较好的性能.     

基于PCL的点云数据空间管理及近邻搜索

由三维激光扫描技术获取的点云数据仅包含点的三维坐标,缺乏点对应的几何拓扑信息,同时为了在计算机中更高效的管理和处理点云数据,本文结合PCL开源库为点云数据建立K-D树和八叉树两种数据结构,并实现基于K-D树和八叉树的快速邻域搜索。     

三维扫描数据处理中数据结构的设计与比较

高效处理三维激光扫描数据的基础是设计一种合理的数据结构。介绍三种数据结构的原理,研究建立数据结构的关键技术。以解决扫描数据处理中常见的KNN问题为例,比较三种结构的优缺点。通过研究可以得出,八叉树结构是一种比较理想的数据结构。     

利用空间微分块与动态球策略的k近邻搜索算法研究

提出了一种基于空间微分块与动态球判定策略的k近邻快速搜索算法。该算法以空间包围盒为基础,首先对空间进行微分块,将离散点分配到子空间;然后,以计算点为球心建立动态球,确定k近邻候选点。球半径可根据空间包围盒的大小、离散点数量和k近邻点数进行估算和优化。实验结果表明,该算法可快速完成k近邻搜索,运行稳定可靠。     

水下重力异常最近等值线迭代匹配算法的改进

提出了基于费波纳奇数列调优的最近等值线迭代匹配算法;针对最近等值线迭代匹配只适用于真实航迹位于惯导航迹附近的局限性,提出了相应的改进算法,即先基于相关极值匹配将惯导航迹修正到真实航迹附近,然后再进行最近等值线迭代匹配,以进一步提高修正精度。通过试验区在不同仿真条件下的计算分析表明,惯导导航误差均得到了有效的修正。     

基于K-近邻搜索的点云初始配准

为了使用最近点迭代算法(ICP)实现点云的精确配准,需要点云有良好的初始姿态,这可以通过点云的粗配准实现。本文结合K-近邻搜索和法向量估计,通过组建不变角度作为匹配特征,求解旋转矩阵和平移向量实现粗配准,方法由Matlab7.1编程实现。具体的实验结果表明,利用该方法能得到理想的粗配准效果,可以进一步应用ICP算法实现精确配准,该方法是有效的。     

公共点自动匹配算法研究

公共点的点云配准是地面三维激光扫描常用的点云拼接方法,但该方法大多采用手动或半自动化方式,效率低。为解决这一问题,本文提出基于重心化欧氏距离的散乱点自动匹配方法,并针对该方法中可能出现危险球问题,提出了散乱点有序化自动匹配方法。结合欧氏变换中角度不变原理,提出了矢量化自动匹配方法。最后,通过实例验证了所研究方法的有效性和实用性。     

一种基于感知概率的室内定位匹配算法

近年来,指纹匹配技术在高精度的室内定位系统中取得了很大的进步。由于复杂的室内环境和信号的多变性,很难获得统一的信号传播模型,因此位置指纹技术被广泛应用于室内定位系统中。基于接收信号强度,k近邻和最大似然概率算法是常用的位置指纹匹配算法。本文首先给出感知概率的定义,将感知概率引入到欧氏距离和似然概率中,并利用直方图模型和核密度估计技术计算似然概率,提出了修正k近邻和最大似然概率算法。实验结果表明,提出的修正算法可以获得较好的定位精度。     

不同地磁匹配导航算法比较研究

地磁匹配导航的关键技术之一是稳定高效的匹配算法。本文将ICCP算法与蚁群智能算法在地磁匹配导航中的应用效果进行了仿真实验。实验结果表明:ICCP算法具有较好的全局性,但算法复杂,导致实效性差;蚁群算法搜索效率高,实效性强,具有较强的适用性和鲁棒性。从这个角度来说,蚁群算法更加适合于地磁匹配导航。     

三维散乱点云的Voronoi拓扑近邻点集查询算法

提出一种三维散乱点云的Voronoi拓扑近邻点集查询算法,该算法改进R*-tree建立三维散乱点云的空间索引结构,采用动态扩展空心球算法获取样点的k近邻点集,通过偏心扩展和自适应扩展获取样点拓扑近邻参考数据,生成该局部点集的Voronoi图,查询样点Voronoi邻域获取样点拓扑近邻点集。通过算法时间复杂度分析及相关实验,证明该算法可快速、准确地获取任意复杂散乱点云的Voronoi拓扑近邻点集。     

结合八叉树和最近点迭代算法的点云配准

针对最近点迭代算法的局限性造成的点云配准效率低下问题,该文对最近点迭代算法在点云配准中的应用进行了研究,并针对算法的局限性进行了改进。先利用八叉树结构求得点云数据的重叠区域,然后在重叠区域利用最近点迭代算法对点云数据进行精确配准,提出了基于八叉树结构建立点云重叠区域的最近点迭代配准方法(该文简称OTOAICP)。通过实例数据对该方法进行验证,结果表明:OTOAICP方法能够提高配准精度,缩短配准时间。     

一种改进的快速特征点匹配方法

如何进行快速特征点匹配是计算机视觉领域研究的热点问题之一,基于层级式K均值聚类的分类树算法能对特征点实现快速分类。然而,当用该方法进行特征点匹配时不仅会产生大量误匹配点,而且还会丢失许多匹配点。本文对该方法进行研究后,从建树和匹配两个方面对算法进行了改进,使其更加适合于特征点匹配。实验结果表明,改进后的分类树算法能够在保持原算法匹配速度快特点的同时还能够有效降低误匹配率和漏匹配率。     

影像匹配点云与机载激光点云的比较

介绍了影像匹配的发展现状及趋势、研究进展和存在的问题,分析了影像匹配点云的特点,并对通过摄影测量技术和LiDAR技术获得点云的方法进行了比较。     

基于特征点提取和匹配的点云配准算法

针对ICP算法配准需要两点云有较好的初始位置否则无法获取准确匹配结果的问题,提出一种新的粗配准算法。调整两片部分重叠点云的初始位置;在求取一点处法向量的基础上,利用点云曲率信息,提取特征点,获取两点云每一特征点处的属性向量;通过相似度函数评价,寻找匹配特征点对进行粗配准。试验表明,该基于特征点提取和匹配的方法可为ICP算法提供良好的点云初始位置,并提高配准精度和可靠性。     

地名分词搜索的词典设计与匹配方法研究

阐述了专门用于分词搜索的关键词词典设计,提出了采用逆向最大匹配和权重匹配相结合的方法,实现了更加准确、高效的地名搜索。     

基于特征点匹配及提纯的点云配准算法

针对传统的基于ICP点云配准算法配准时间长、收敛慢、需要较好初始配准等限制,本文利用现有的点云特征提取算法和描述算法,提取并匹配点云中的特征点,用RANSAC算法结合坐标转换模型剔除误匹配点对,用匹配点对在两点云中的坐标计算之间的坐标转换参数,从而实现点云的配准。相比ICP类算法,提高了点云配准的效率,同时提高了点云配准的自动化程度。     

一种采用改进K-d树的无人机影像特征匹配搜索方法

在高分辨率无人机影像匹配过程中,多采用SIFT或SURF算法进行尺度和旋转不变的特征提取与描述,但经过SIFT或SURF算法提取出的特征都是高维向量,在匹配点数量较大时,匹配搜索速度比较慢。针对这一问题,比较了穷尽搜索与K-d树搜索算法的特点;然后按照"降维"的思路,提出了一种采用改进K-d树的匹配搜索方法。经过理论分析和实验验证,该方法可以有效提高匹配搜索速度,并且匹配数据集规模越大、维度越高,搜索速度提升越明显。     

时间序列影像特征点提取与匹配算法研究

首先利用Harris算子分别从序列影像中提取运动目标的特征点,然后通过局部信息熵与Walsh变换有机结合来实现序列影像前后帧中运动目标同名特征点的匹配。实验证明了本文算法的可行性。     

多尺度道路网的距离匹配算法研究

根据道路网折线的匹配特点,提出基于格网索引的折线——结点距离匹配算法,将复杂的折线与折线之间的几何相似度计算转换为求结点到折线距离的匹配方法,降低了计算复杂度,并通过建立格网索引来提高计算效率。在应用实例中,采用曲线拟合的最小二乘法确定算法的匹配容差和匹配成功率之间的关系,并通过与现有统计匹配算法比较,可知该算法效率高且匹配成功率较理想,能够满足多尺度道路网数据匹配的应用需求。