摘要
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。
| 投稿的翻译标题 | A self-adaptive regression algorithm with noise density function difference and its application to artificial target extraction |
|---|---|
| 源语言 | 中文 |
| 页(从-至) | 226-234 |
| 页数 | 9 |
| 期刊 | Cehui Xuebao/Acta Geodaetica et Cartographica Sinica |
| 卷 | 50 |
| 期 | 2 |
| DOI | |
| 出版状态 | 已出版 - 1 2月 2021 |
基金资助
国家重点研发计划(2020YFC1523003,2020YFC1522703);国家自然科学基金(41571437);深圳市空间信息智能感知与服务重点实验室开放基金。
关键词
- 随机采样一致性
- 加权采样
- 空间密度函数
- 密度差异性
- 自适应阈值
收录
- EI
- Scopus
- CSCD
学术指纹
探究 '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' 的科研主题。它们共同构成独一无二的学术指纹。引用此
- APA
- Author
- BIBTEX
- Harvard
- Standard
- RIS
- Vancouver