提高密度峰集群算法及其应用于LiDAR点云细分的应用
Zheng Wang1, Xintong Fang1, Yandan Jiang1
1State Key Laboratory of Industrial Control Technology, College of Control Science and Engineering, Zhejiang University, Hangzhou 310027, China.
Sensors (Basel, Switzerland)
|September 14, 2024
概括
这项研究增强了密度峰集群 (DPC) 算法,用于自动LiDAR点云细分. 改进的DPC在没有手动参数调节的情况下实现了更高的精度,性能优于K-means和DBSCAN.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 机器人技术 机器人技术 机器人技术
背景情况:
- 点云细分对于LiDAR数据分析至关重要.
- 传统的密度峰集群 (DPC) 需要手动选择参数.
- 现有的方法经常与过度细分和参数灵敏度作斗争.
研究的目的:
- 改进密度峰集群 (DPC) 算法,用于自动化LiDAR点云细分.
- 为了消除手动切断距离和集群中心选择的需要.
- 在不同的LiDAR场景中提高集群精度和稳定性.
主要方法:
- 开发了一个基于voxel的局部密度估计,以取代手动切断距离.
- 实现了自动集群中心选择,使用配套的玛 (γ) 曲线拐点.
- 引入了一种新的合并策略,以解决过度细分的问题.
主要成果:
- 改进的DPC算法成功地在各种场景中对LiDAR点云进行了细分.
- 与基本的DPC和K-means相比,实现了更高的集群精度.
- 证明了比DBSCAN准确度相当或略高,参数复杂性显著降低.
结论:
- 增强的DPC算法为LiDAR点云细分提供了有效的,自动化的解决方案.
- 该方法克服了手动参数调整和过度分割的局限性.
- 这种方法为处理LiDAR数据提供了一个强大而准确的替代方案.
