顾及噪声密度函数差异的自适应回归算法及其在人工标靶提取中的应用

P237; 仪器、周围环境和人为操作等往往会造成点云中包含大量的噪声,导致模型回归精度低等问题.RANSAC算法凭借其简单实现、稳健的优势广泛应用于解决模型回归的问题.但是,针对不同的场景,RANSAC算法需要不断地调整参数来估计最优模型解.本文考虑到RANSAC及其现有改进算法的不足,以及内群点与噪声之间往往存在密度分布差异性,首先利用密度加权导向采样的方式优化初始假设模型,然后提出了一种空间密度函数以用于最优模型评价和迭代次数计算,整个过程不需要任何先验知识.本文方法能够解决内群点比率大于10％ 的模型回归问题.通过与已有方法的试验对比,本文方法能够在无先验信息的情况下具有较高的精度和稳健...

Full description

Saved in:
Bibliographic Details
Published in:测绘学报 2021-02, Vol.50 (2), p.226-234
Main Authors: 贾象阳, 黄先锋, 牛文渊, 张帆, 高云龙, 杨冲
Format: Article
Language:Chinese
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:P237; 仪器、周围环境和人为操作等往往会造成点云中包含大量的噪声,导致模型回归精度低等问题.RANSAC算法凭借其简单实现、稳健的优势广泛应用于解决模型回归的问题.但是,针对不同的场景,RANSAC算法需要不断地调整参数来估计最优模型解.本文考虑到RANSAC及其现有改进算法的不足,以及内群点与噪声之间往往存在密度分布差异性,首先利用密度加权导向采样的方式优化初始假设模型,然后提出了一种空间密度函数以用于最优模型评价和迭代次数计算,整个过程不需要任何先验知识.本文方法能够解决内群点比率大于10％ 的模型回归问题.通过与已有方法的试验对比,本文方法能够在无先验信息的情况下具有较高的精度和稳健性.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2021.20190509