道路点云数据的障碍物检测技术在智能交通系统和自动驾驶中至关重要.传统的基于密度的空间聚类(DensityBased Spatial Clustering of Applications with Noise,DBSCAN)算法在处理高维或不同密度区域数据时,由于距离度量低效、参数组合...道路点云数据的障碍物检测技术在智能交通系统和自动驾驶中至关重要.传统的基于密度的空间聚类(DensityBased Spatial Clustering of Applications with Noise,DBSCAN)算法在处理高维或不同密度区域数据时,由于距离度量低效、参数组合确定困难导致聚类效果欠佳,因此,提出了一种基于改进DBSCAN的道路障碍物点云聚类方法 .首先,在确定Eps领域时利用孤立核函数来改进传统的距离度量方式,提高了DBSCAN聚类对不同密度区域的适应性和准确性.其次,针对猎豹优化算法(Cheetah Optimizer,CO)在信息共享和迭代更新方面的不足,提出了一种基于及时更新机制与兼容度量策略的CO优化算法(Timely Updating Mechanisms and Compatible Metric Strategies for CO Algorithms,TCCO),通过实时更新操作确保每次迭代的优秀信息得到及时沟通共享,并在全局更新时基于非支配排序与拥挤距离优化淘汰机制,平衡全局搜索和局部开发能力,提高了收敛速度和收敛精度.最后,利用孤立度量改进Eps领域,并利用TCCO优化DBSCAN聚类,自适应确定参数,提高了聚类精度和效率.在八个UCI数据集上进行测试,仿真结果表明,提出的TCCO-DBSCAN算法与CO-DBSCAN,SSA-DBSCAN,DBSCAN,KMC方法相比,F-Measure,ARI,NMI指标均有明显提升,且聚类精度更优.通过激光雷达点云数据障碍物聚类的实验验证,证明TCCO-DBSCAN能够有效地适应点云数据密度变化,获得更好的道路障碍物聚类效果,为辅助驾驶中障碍物检测提供支持.展开更多
红树林是重要的碳汇生态系统。激光雷达LiDAR (Light Detection And Ranging)是获取林木三维结构参数进行生物量估算的重要技术手段。针对仅利用机载LiDAR难以完整描述红树林三维结构的问题,本文以广东省湛江市英罗港和广西壮族自治区...红树林是重要的碳汇生态系统。激光雷达LiDAR (Light Detection And Ranging)是获取林木三维结构参数进行生物量估算的重要技术手段。针对仅利用机载LiDAR难以完整描述红树林三维结构的问题,本文以广东省湛江市英罗港和广西壮族自治区茅尾海红树林保护区为研究区,利用无人机载和手持式LiDAR获取的点云数据,提出了一种红树冠层下部约束聚类分割方法,对木榄、红海榄、桐花树等不同类型红树的单木分割以及树高、冠幅的进行提取,并与传统单木分割算法进行了对比和分析。结果表明:本文提出的结合空地LiDAR数据的单木分割算法,在不同类型红树单木分割中均取得了较高的单木检出率,与传统的冠层高度模型分割法相比较,单木检出率提升了13.4%—26.7%。其次,有效提高了红树树高的提取精度。3种红树树高参数提取值与实测值之间的R2提高了1.8%—42.2%,RMSE降低了3.4%—55.3%。此外,由于红树冠幅分割结果存在提取值偏小的规律,本研究将能够表征红树冠层交叠密集程度的点云密度变量作为修正因子,经修正后的RMSE降低了45.25%—53.33%。因此,本文提出的联合空地LiDAR的红树林单木生长参数提取方法,可以实现精确的红树单木点云分割并有效提升红树生长参数提取精度,为红树林生物量估算及碳汇能力评估提供了技术和数据支撑。展开更多
文摘道路点云数据的障碍物检测技术在智能交通系统和自动驾驶中至关重要.传统的基于密度的空间聚类(DensityBased Spatial Clustering of Applications with Noise,DBSCAN)算法在处理高维或不同密度区域数据时,由于距离度量低效、参数组合确定困难导致聚类效果欠佳,因此,提出了一种基于改进DBSCAN的道路障碍物点云聚类方法 .首先,在确定Eps领域时利用孤立核函数来改进传统的距离度量方式,提高了DBSCAN聚类对不同密度区域的适应性和准确性.其次,针对猎豹优化算法(Cheetah Optimizer,CO)在信息共享和迭代更新方面的不足,提出了一种基于及时更新机制与兼容度量策略的CO优化算法(Timely Updating Mechanisms and Compatible Metric Strategies for CO Algorithms,TCCO),通过实时更新操作确保每次迭代的优秀信息得到及时沟通共享,并在全局更新时基于非支配排序与拥挤距离优化淘汰机制,平衡全局搜索和局部开发能力,提高了收敛速度和收敛精度.最后,利用孤立度量改进Eps领域,并利用TCCO优化DBSCAN聚类,自适应确定参数,提高了聚类精度和效率.在八个UCI数据集上进行测试,仿真结果表明,提出的TCCO-DBSCAN算法与CO-DBSCAN,SSA-DBSCAN,DBSCAN,KMC方法相比,F-Measure,ARI,NMI指标均有明显提升,且聚类精度更优.通过激光雷达点云数据障碍物聚类的实验验证,证明TCCO-DBSCAN能够有效地适应点云数据密度变化,获得更好的道路障碍物聚类效果,为辅助驾驶中障碍物检测提供支持.
文摘红树林是重要的碳汇生态系统。激光雷达LiDAR (Light Detection And Ranging)是获取林木三维结构参数进行生物量估算的重要技术手段。针对仅利用机载LiDAR难以完整描述红树林三维结构的问题,本文以广东省湛江市英罗港和广西壮族自治区茅尾海红树林保护区为研究区,利用无人机载和手持式LiDAR获取的点云数据,提出了一种红树冠层下部约束聚类分割方法,对木榄、红海榄、桐花树等不同类型红树的单木分割以及树高、冠幅的进行提取,并与传统单木分割算法进行了对比和分析。结果表明:本文提出的结合空地LiDAR数据的单木分割算法,在不同类型红树单木分割中均取得了较高的单木检出率,与传统的冠层高度模型分割法相比较,单木检出率提升了13.4%—26.7%。其次,有效提高了红树树高的提取精度。3种红树树高参数提取值与实测值之间的R2提高了1.8%—42.2%,RMSE降低了3.4%—55.3%。此外,由于红树冠幅分割结果存在提取值偏小的规律,本研究将能够表征红树冠层交叠密集程度的点云密度变量作为修正因子,经修正后的RMSE降低了45.25%—53.33%。因此,本文提出的联合空地LiDAR的红树林单木生长参数提取方法,可以实现精确的红树单木点云分割并有效提升红树生长参数提取精度,为红树林生物量估算及碳汇能力评估提供了技术和数据支撑。
