散乱点云离群点的分类识别算法

散乱点云离群点识别和滤除是重建高质量曲面的前提,也是散乱点云预处理的重要步骤.提出一种散乱点云区域增长策略和一个基于曲面变化度的局部离群指标SVLOF,并将其应用到离群点识别中.通过分析离群点产生的原因,根据离群点到点云主体的距离将离群点分为远离群点和近离群点2类;对远离群点采用基于三维区域增长的方法进行识别,而对于近离群点采用SVLOF系数进行识别.基于仿真数据和实测数据的实验均表明,采用文中算法能够快速、有效地检测出孤立离群点和小型聚类离群点.     

基于图像的重建点云离群点检测算法

基于图像重建出的三维点云模型通常会包含许多离群点,这些离群点可能孤立存在或密集聚集在一起形成点簇,也可能分布在模型周围甚至附着在模型表面。通过一种检测方法很难有效滤除多种分布状态的离群点,因此,提出了综合的离群点监测算法。首先通过空间距离剔除与模型主体较远的离群点,并通过构建空间拓扑关系加快离群点搜索速度;然后利用边界匹配法,将较小点簇分别与最大点簇进行对比,滤除模型周围离群点簇;最后采用改进的K-means算法,根据RGB颜色值特征对点云数据进行聚簇分类,结合已识别的离群点,检测和滤除附着在模型表面的离群点。仿真实验结果表明,此方法能够有效滤除点云模型中多种分布状态的离群点。     

一种基于多示例学习的局部离群点检测算法

提出了一种基于多示例学习（multi-instance learning,MIL）的局部离群点检测算法,称之为MIL-LOF（a local outlier factor based on multi-instance learning）．算法采用MIL框架,首先将真实对象提取为多示例形式,然后运用退化策略和权重调整方法,计算综合离群点因子,最后检测离群点．在实际企业监控数据以及公共数据集上将MIL-LOF与经典局部离群点检测算法及其优化算法进行了对比实验,结果表明本文提出的MIL-LOF算法在准确性、全面性及高效性上相对其他算法均可获得较为明显的提高．     

离群点挖掘方法综述

离群点挖掘可揭示稀有事件和现象、发现有趣的模式,有着广阔的应用前景,因此引起广泛关注。首先介绍离群点的定义、引起离群的原因和离群点挖掘算法的分类,对基于距离和基于密度的离群点挖掘算法进行了比较详细的讨论,指出了其优缺点和发展方向,重点对当前研究的热点——高维大数据量的挖掘、空间数据挖掘、时序离群点挖掘和离群点挖掘技术的应用进行了讨论,指出了进一步研究方向。     

EDOLOIS:高效准确的子空间局部离群点发现

离群点检测在数据挖掘方面是一项很重要的技术，它是要发现那些行为异常的少量数据，这在数据挖掘的许多领域都有很强的现实意义，如金融欺诈，网络监控等领域．给出了一个高效准确的子空间局部离群点发现的算法(efficient discovery of local outliers in subspaces，简称 EDOLOIS)，来避免距离计算的高代价．算法充分利用了原始LOF的信息和特点，结合子空间和原空间的关系，从而能够精确且高效地算出子空间局部离群系数，进而甄别出离群点．形式的分析和严格证明都揭示了该算法对在高维种属属性的数据集中发现局部离群点是高效精确的.     

基于共享反K近邻的局部离群点检测算法

离群点检测和分析离群模式隐含的特征是离群点挖掘的重要研究内容.现有离群点检测算法存在两个明显的不足:根据离群度检测离群点,难以确定离群点的数量;忽略了与离群点邻接的聚类信息,不能提供解析离群模式的有效证据.为此,提出一种基于共享反K近邻的离群点检测算法,首先定义了一种对密度和维数变化不敏感的共享反K近邻相似度,然后应用聚类方法将数据集划分为聚类簇和包含离群点的离群簇,从而获取数据集中的离群点及解析离群点的聚类结构.仿真结果表明,反K近邻算法比现有方法更能精确地检测数据集中的局部离群点,具有很好的控制性能.     

基于密度的局部离群点检测算法

基于统计学和基于距离的离群点检测都依赖与给定数据点集的全局分布,然而数据通常并非都是均匀分布的。当分析分布密度相差很大的数据时,基于密度的局部离群点检测方法有着很好的识别局部离群点的能力。但存在时间复杂度较大,文章提出了一种改进的算法,能降低时间复杂度,实现有效的局部离群点的检测。     

基于信息熵加权的局部离群点检测算法

离群点检测是数据挖掘领域的重要研究方向之一,可以从大量数据中发现少量与多数数据有明显区别的数据对象。在诸如网络入侵、无线传感器网络异常事件等检测应用中,离群点检测是一项具有很高应用价值的技术。为了提高离群点检测准确度,文中在局部离群测度（SLOM）算法的基础上,作了一些改进,提出了一种基于密度的局部离群点检测算法ESLOM。引入信息熵确定数据对象的离群属性,并对对象距离采用加权距离,以提高离群点检测准确度。理论分析和实验表明该算法是可行有效的。     

GridOF:面向大规模数据集的高效离群点检测算法

作为数据库知识发现研究的重要技术手段，现有离群点检测算法在运用于大型数据集时其时间与空间效率均无法令人满意．通过对数据集中离群点分布特征的分析，在数据空间网格划分的基础上，研究数据超方格层次上的密度近似计算与稠密数据主体滤除策略．给出通过简单的修正近似计算取代繁复的点对点密度函数值计算的方法．基于上述思想构造的离群点检测算法GlidOF在保持足够检测精度的同时显著降低了时空复杂度，运用于大规模数据集离群点检测具有良好的适用性和有效性．     

基于网格上近似的大规模数据集离群点检测算法GROUT

通过对数据集中离群点分布特性的分析，给出离群点的解析定义，并在度量意义下采用数据空间网格化方法实现对密集数据主体的过滤，从而构造了在时间和空间上均具有极高效率的离群点检测算法。     

基于Kinect的实物地质标本三维重建

基于多视点图像运动结构恢复的三维重建方法相当耗时且鲁棒性低,针对以上问题,提出了一种基于Kinect的实物地质标本的三维重建方法. 首先使用GrabCut算法提取前景目标,结合原始深度图像生成对应视角的点云,再基于SIFT特征利用RANSAC算法执行点云粗对准,然后在ICP算法中引入异常值拒绝方法和动态调整权重思想进行点云精细配准,最终重建出完整三维点云模型. 实验结果表明该方法能快速重建出良好的实物地质标本三维点云模型,能有效处理标本缺少结构特征的情况,并且鲁棒性高.     

基于深度图像的三维场景重建系统

针对计算机图形学和视觉领域研究热点--三维场景重建,首先分析了 Kinect v2 (Kinect for Windows v2 sensor)获取深度图像的原理,说明深度图像噪声的来源。然后根据获取 深度图像的原理设计一种算法对点云采样范围进行裁剪。其次对点云离群点进行去除,填补点 云孔洞,以提高重建质量。常见的三维场景重建大都采用了 KinectFusion 的一个全局立方体方 案,但只能对小范围内的场景进行重建。对此设计了一种对大场景进行点云匹配的 ICP 算法。 最后对点云进行曲面重建,实现一套低成本、精确的针对大场景的三维重建系统。     

心内膜散乱点云边界点检测算法研究

针对心内膜散乱点云预处理中的边界点检测,利用截线云理论将散乱点云进行等间隔区域分层,将点云投影至点云切片,得到切片的散乱点集,同时建立链表结构分区存储点云数据;由平面上点的二维坐标定位,提出区域"十"字算法进行切片数据边界点提取,获取切片数据的最外层点,将检测到的边界点存回原始三维数据源,完成预处理过程。实验结果证明,该算法对边界点具有较强的识别能力,能够在快速、有效地简化点云数据的同时保持原始特征的信息,可以提高后续三维建模的精度和速度。     

火箭飞行测控数据野值处理及其无迹Kalman滤波

为了提高火箭飞行测量数据处理的精度,提出一种用于非线性系统的、抗野值的、基于无迹变换的Kalman滤波算法的改进方法——抗野值的无迹卡尔曼滤波算法（UKF）,对火箭飞行测控系统中的目标进行位置及运行轨迹估计。该算法以少量的采样点表示随机变量的分布,通过非线性系统传播,实时地对滤波增益进行调整,将检测数据中的野值剔除。将算法应用于航天测控系统跟踪运载火箭系统中,通过Monte Carlo仿真,说明改进的方法能有效地消除野值对测控系统检测数据处理的影响,提高了滤波精度。     

ICP算法在文物三维重建中的应用

三维结构光扫描技术作为一种新型的三维数据获取技术,被广泛应用于文物的三维重建中。目前,这项技术在数据获取方面有很多优势,但是在点云数据配准方面还有一些需要优化的地方,特别是在处理大量点数据,为保证配准结果的精确性,就需要对点云数据的配准算法就行优化。利用手持式三维结构光扫描仪获取文物三维数据,在Artec studio9软件中将原始三维数据以ply格式导出为原始点云数据,然后基于Matlab软件对ICP算法通过编程优化,将原始点云数据再通过优化后的ICP算法进行配准,得到文物三维模型的构建数据。实验分析表明,优化后的ICP配准算法不但能提升配准精确度,而且可以保证配准方向的合理性,使得配准得到更佳的展示效果。     

抗野值性能的无迹卡尔曼滤波算法的研究

动态定位中野值的存在,使无迹卡尔曼滤波UKF(Unscented Kalman Filter)的结果不再准确甚至发散。针对这一问题,提出了一种具有抗野值性能的UKF算法。该算法将经典UKF算法与野值的剔除相结合,通过对新息序列的判断,对野值点进行处理,实时地调整滤波增益或者进行野值计算,使UKF算法在野值干扰下仍为最优估计。仿真证明该算法可以有效地辨识和剔除野值的干扰,抑制滤波的发散,提高了定位的精度。     

基于双判定因子的道路绿化带分割

以高速公路的无人机影像点云数据为研究对象, 提出一种基于双判定因子的道路绿化带分割算法. 首先对点云数据进行串行下采样, 在降低点云数目的同时尽可能多地保留点云特征点; 其次, 对降采样后的点云数据进行正射影校正; 最后, 提出一种结合法向量夹角与 RANSAC 平面分割双判定的点云分割算法, 实现了对高速公路中绿化带的准确分割, 采用绿化带边界提取算法最终实现高速公路环境信息的分割. 以G85高速凤翔段的无人机影像点云作为实验数据, 分别采用本文算法、基于法向量夹角的分割算法、基于RANSAC平面拟合分割算法进行验证. 实验结果表明基于双判定因子的道路绿化带分割算法对环境噪点及离群点有较好的抗干扰性, 可以有效过滤路面高曲率点, 提取结果较好.     

基于图像与点云的三维障碍物检测

为提高平截头点云网络在三维障碍物检测中的精度,基于平截头点云网络的结构提出一种扩张平截头点云的检测方法。采用图像和点云数据,使用二维目标检测网络Yolov3,检测障碍物的二维包围框;扩张包围框的大小,在点云数据中提取出障碍物对应的点云;通过改进的Pointnet网络对该点云计算,得到障碍物的三维信息。在原模型基础上,加入扩张包围框,提高点云数据提取的完整性。通过KITTI数据集的验证和测试,实验结果表明,通过扩张二维包围框可以有效提高检测网络的性能。