Low-complexity Point Cloud Filtering for LiDAR by PCA-based Dimension Reduction

最新推荐文章于 2024-04-18 19:47:46 发布
原创 最新推荐文章于 2024-04-18 19:47:46 发布 · 557 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#聚类 #算法

提出一种基于PCA的自适应聚类滤波算法，用于处理点云数据。该算法提取原始数据的第一主成分和第二主成分进行降维处理，并采用自适应聚类方法在二维数据上进行聚类以降低噪声。相比SOR、ROR算法，F-score分别提升135%、45%，复杂度降低10倍和3倍。


清华大学-先进光通信系统与网络国家重点实验室
期刊
在这里插入图片描述
在这里插入图片描述

结论

提出一个基于PCA的自适应聚类滤波算法

算法的F-score比SOR、ROR提升了135%、45%，复杂度降低了10倍和3倍。
与基于密度的聚类算法比较 F-score提升了15%左右，复杂度降低50%。

引言

提到了《机载单光子激光雷达自适应椭球搜索滤波器》，是一篇二区期刊，椭球的中心是被探测的目标点。噪声是根据椭球体附近点的数量来识别的。但该算法过于复杂，实时性不理想。现在的硬件条件是否还不理想？
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
通过降维降低算法复杂度PCA
主要创

最低0.47元/天 解锁文章
三维点云处理（二）——PCA
weixin_45563167的博客
06-05 2353
上一回我们介绍了点云的基本概念，然后介绍了不同感知源头获取到数据的各种特征，之后是处理点云数据的一些主流方法，今天开始正式进入传统数学方法的研究下面正式开始介绍提示：今天学习的PCA，是除了深度学习之外，另一种做图像信息识别的传统方法，在理论推演过程中涉及到线性代数和对称矩阵变换等数学方法，需要我们对谱定理，瑞利熵定理和奇异值分解知识有一定基础，还需要了解数据点在不同维度聚类的情况，降维在不同向量上的特征表现。CSND知乎文章B站视频。
点云处理学习笔记（四）-- 关键点提取
不学会C++不改名
06-30 6445
一、关键点，线，面 三维视觉应同时具备：关键点、关键线以及关键面三种算法，要从n维信息中提取n - 1维信息是简单的，但是n - 2维信息会比n - 1维信息要不稳定且复杂的多，其主要原因是因为降维过大后，特征的定义很模糊，对于三维点云而言，很难去描述什么是关键点。 二、点云降维 二维图像中的Harris角点算子将图像的边缘交点定义为关键点，Harris算子利用角点在两个方向上响应很大的灰度协方差矩阵来定义角点。在三维点云中，可以将三维的点云投射为二维的图像，这样的方法被称...
点云学习记录
qq_42813620的博客
07-02 377
点云学习
DoN分割
guangqianzhang的博客
05-17 375
DoN 点云 法向量 过滤分割
三维点云处理-PCA主成分分析
最新发布
weixin_49401384的博客
04-18 2650
三维点云处理在三维重建、SLAM、机器人感知等领域都有涉及，那么如何更好地分析和利用三维点云数据也一直是一个比较热门的研究话题。常用的三维点云处理库如 PCL（Point Cloud Library）和 Open3D等。点云通常是指某个坐标系下点的集合。每个点可以包含多个维度的信息，如空间三维坐标（XYZ）、颜色（RGB）、强度值（Intensity）等等。
Traffic-information-utilized low-complexity relay selection for two-way AF relaying networks
02-21
AF) and presents a novel relay selection scheme, which is appropriate for different traffic patterns and has very low implementation complexity, rendering it very attractive for practical systems....
A-low-complexity-transmit-antenna-selection-for-li_antenna selec
07-13
一种低复杂度的线性离散码发射天线选择技术A low complexity transmit antenna selection for linear discrete code technology
Low-complexity distributed relay selection for two-way AF relaying networks
02-21
Presented is a low-complexity distributed two-way amplify-and-forward (AF) relay selection scheme, in which the optimal relay can be selected only by comparing the received power at the relay ...
Low-complexity factor-graph-based MAP detector for f ilter bank multicarrier systems
01-20
A soft-input-soft-output factor-graph-based maximum-a-posterior detector is applied to FBMC systems. The detector achieves better performance than simple linear equalizers such as minimum mean square...
PCA及点云应用
xu19950525的博客
08-16 2329
PCA简介 PCA翻译过来就是主成分分析，一般我们采集的数据包含许多对我们的待解决问题帮助很小的特征，这些特征会让计算变得复杂并且会使主要成分不能得到充分的体现。这就会用到PCA，剔除对我们问题不重要特征，保留主要特征。常用于高维数据的降维。 如图所示，这是一个二维点云，我们想找出方差最大的方向，如右图所示，这个最大方向的计算，就是PCA做的事情。在高维情况下，PCA不光可以计算出最大方差方向，还可以计算第二大，第三大方向等。 它可以按照方差大小，计算出相互正交的方向，这些方向也叫主方向。它常用于
点云匹配代码
04-01
点云匹配代码，计算点云的旋转矩阵，平移矩阵，匹配精度高．
Point cloud denoising review: from classical to deep learning-based approaches论文阅读笔记
qq_43333092的博客
11-18 526
点云去噪综述
【读论文】机载LiDAR点云数据降维与分类的随机森林方法(2018)
Yang_Wanli的博客
11-22 1444
机载LiDAR点云数据降维与分类的随机森林方法(2018) 熊 艳 高仁强 摘要： 探索自动化的激光点云分类方法对于三维建模、城市土地分类、DEM制图等应用具有重要作用。考虑到现有的点云分类算法****在提取依赖邻域结构的特征参数时面临邻域尺度的选择难、数据维度高、计算复杂，并且缺乏对分类特征参数的重要性评估和选择等问题，本文提出了基于随机森林的机载LiDAR点云数据降维与分类方法。在分析点云数据的高程、回波、强度等属性特征的基础上，提取归一化高度、高度统计量、表面特征、空间分布特征、回波特征及强度特征６大
深度学习算法的点云分割-PointNet（三）
tumi678的博客
05-29 2万+
转自：https://blog.youkuaiyun.com/qq_15332903/article/details/80224387目前二维深度学习取得了很大的进步并且应用范围越来越广，随着三维设备的发展，三维深度学习得到了很大的关注。最近接触了三维深度学习方面的研究，从pointnet入手，对此有了一点点了解希望记录下来并分享，若有误希望指正~持续更新以下所有的解读基于点云分类。一、三维深度学习简介二、点...
PCA（主成分分析）降维原理及其在optdigits以及点云数据集上的python实现
wolfcsharp的博客
04-23 4940
PCA原理及其python实现PCA(Principal Components Analysis)原理PCA核心算法python实现optdigits数据集介绍case1：用PCA对optdigits.tra数据集降维case2：用PCA对点云数据降维 PCA(Principal Components Analysis)原理 PCA核心算法python实现 ''' #meanX(dataX) #F...
PCA降维算法总结以及matlab实现PCA(个人的一点理解)
热门推荐
Work Hard, Play Harder!
11-28 17万+
PCA的一些基本资料 最近因为最人脸表情识别，提取的gabor特征太多了，所以需要用PCA进行对提取的特征进行降维。 本来最早的时候我没有打算对提取的gabor特征进行降维，但是如果一个图像时64*64,那么使用五个尺度八个方向的gabor滤波器进行滤波，这样提取的特征足足有64*64*5*8这么多，如果图像稍微大一点，比如12
【读论文】2018-机载LiDAR 点云数据降维与分类的随机森林方法
自动驾驶行业学习、交流
03-28 1762
摘要 考虑到现有的点云分类算法在提取依赖结构的特征参数时面临邻域尺度的选择难、数据维度高、计算复杂，并且缺乏对分类特征参数的重要性评估和选择等问题。 选取了归一化高度、高度统计量、表面特征、空间分布特征、回波特性、强度特征6大类特征参数，并构建多尺度特征参数 使用随机森林的特征选择算法对分类特征进行优化，然后进行点云分类 实验表明，归一化高度特征在点云分类中所起作用最大 归一化高度 基于布料...
三维点云：PCA（下）open3d
eurus_的博客
02-07 4915
三维点云之PCA应用下在三维点云上的应用主成分方向降维求解点云的法向量拟合平面AABB框点云匹配 在三维点云上的应用 PCA 是有损的数据压缩方式，它常用于对高维数据进行降维，也就是把高维数据投影到方差大的几个主方向上，方便数据分析。 让数据集在某个基上的投影值(也是在这个基上的坐标值)越分散，方差越大，这个基保留的信息也就越多 主成分方向 # 功能：计算PCA的函数 # 输入： # data：点云，NX3的矩阵 # correlation：区分np的cov和corrcoef，不输入时默认
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值