点云配准是基于机器视觉进行工业复杂零件三维非接触精密测量的关键环节。为了提高点云配准的效率和准确性,提出一种基于改进法线计算的快速点特征直方图(Fast Point Feature Histograms, FPFH)特征描述子的点云配准方法。采用重心最近...点云配准是基于机器视觉进行工业复杂零件三维非接触精密测量的关键环节。为了提高点云配准的效率和准确性,提出一种基于改进法线计算的快速点特征直方图(Fast Point Feature Histograms, FPFH)特征描述子的点云配准方法。采用重心最近邻体素滤波器对点云进行预处理,减少点的数量同时保留表面细微特征。为解决传统迭代最近点(Iterative Closest Point, ICP)算法对初始位置敏感且收敛速度慢的问题,采用基于改进特征描述子的采样一致性(Sample Consensus Initial Alignment, SAC-IA)初始配准算法进行粗配准,使用基于KDtree加速的ICP算法进行精配准。本文选用三组点云数据,用不同的点云配准方法进行了测试。实验结果显示,在点云添加2%与5%噪声的情况下处理不同规模的点云数据时,所提出的方法配准所用时间和均方根误差(Root Mean Square Error, RMSE,ERMS)仍优于其它两种对比方法。展开更多
对特征参数概率分布的实验分析表明,在有噪声影响的情况下,特征参数通常呈现双峰分布．据此,本文提出了一种新的,基于双高斯的高斯混合模型(Gaussian mixture model,GMM)的特征参数归一化方法,以提高语音识别系统的鲁棒性．该方法采用...对特征参数概率分布的实验分析表明,在有噪声影响的情况下,特征参数通常呈现双峰分布．据此,本文提出了一种新的,基于双高斯的高斯混合模型(Gaussian mixture model,GMM)的特征参数归一化方法,以提高语音识别系统的鲁棒性．该方法采用更为细致的双高斯模型来表达特征参数的累积分布函数(CDF),并依据估计得到的CDF进行参数变换将训练和识别时的特征参数的分布都规整为标准高斯分布,从而提高识别正确率．在Aurora 2和Aurora 3数据库上的实验结果表明,本文提出的方法的性能明显好于传统的倒谱均值规整(Cepstral mean normalization,CMN)和倒谱均值方差规整(Cepstral mean and variance normalization,CMVN)方法,而与非参数化方法一直方图均衡特征规整方法的性能基本相当．展开更多
文摘对特征参数概率分布的实验分析表明,在有噪声影响的情况下,特征参数通常呈现双峰分布．据此,本文提出了一种新的,基于双高斯的高斯混合模型(Gaussian mixture model,GMM)的特征参数归一化方法,以提高语音识别系统的鲁棒性．该方法采用更为细致的双高斯模型来表达特征参数的累积分布函数(CDF),并依据估计得到的CDF进行参数变换将训练和识别时的特征参数的分布都规整为标准高斯分布,从而提高识别正确率．在Aurora 2和Aurora 3数据库上的实验结果表明,本文提出的方法的性能明显好于传统的倒谱均值规整(Cepstral mean normalization,CMN)和倒谱均值方差规整(Cepstral mean and variance normalization,CMVN)方法,而与非参数化方法一直方图均衡特征规整方法的性能基本相当．
