1 西安建筑科技大学资源工程学院，陕西 西安 710055
2 西安建筑科技大学西安市智慧工业感知、计算与决策重点实验室，陕西 西安 710055
针对露天矿无人矿卡运输作业中路况差、光照强和灰尘大等原因导致小尺寸落石检测困难和实时性差的问题，提出一种使用固态激光雷达检测露天矿非结构化运输道路小尺寸落石的方法。首先使用具有双回波技术的激光雷达进行数据采集，减少灰尘干扰并提取车辆前方可行驶区域；然后采用基于扇面的直线拟合地面分割算法分割地面，实现对有坡度的非结构化粗糙路面的彻底分割；之后引入八叉树的分层网格树模型进行邻域查找，提高邻域查找的速度，引入双色最近对构建图，快速生成聚类簇，引入自适应聚类半径ε，进行聚类并输出小尺寸落石的盒模型。实验结果表明：相较于使用k-d树加速的DBSCAN算法，所提方法的正检率提升9.61个百分点，检测时间缩短379.77 ms。
露天矿 无人驾驶 障碍物检测 激光雷达点云 密度聚类 激光与光电子学进展
2024, 61(8): 0812006
3D激光雷达是水面无人艇（USV）的关键感知模块，水域杂波的干扰会降低模块的目标检测能效，影响自主导航避障功能。提出一种基于3D激光雷达的水面目标DBSCAN-VoxelNet联合检测算法。该算法采用具有噪声的密度聚类方法（DBSCAN）滤除水面杂波干扰；基于VoxelNet深度神经网络将水面稀疏点云数据划分为体素形式，并将结果输入哈希表进行高效查询；经特征学习层提取特征张量，并将张量输入卷积层获取全局目标信息，实现高精度目标检测。实验结果表明，所提联合检测算法对水域杂波有较好的抑制性能，平均精度均值（mAP）为82.4%，有效提高了对水面目标的检测精度。
水面无人艇 目标检测 3D激光雷达 密度聚类方法 VoxelNet 激光与光电子学进展
2022, 59(18): 1815006
长沙理工大学交通运输工程学院，湖南 长沙 410114
根据激光雷达点云的特征属性，用聚类的方式进行滤波，虽然是一种比较实用的方法，但在实践中，因为点云的数据量巨大，直接利用点的三维坐标进行聚类时的耗时过长、滤波结果误差过大，而且现有的许多滤波算法在不连续地形处的表现不佳。为解决大型点云的直接聚类问题并保留不连续地形的整体起伏，提出了一种新的基于密度聚类的点云滤波算法。以激光雷达点云的空间密度、地物类点云及地形类点云的特征属性为依据，首先根据点云的高程值密度聚类，再进行平面点云的筛选，从而降低数据的样本数量，最后通过基于密度的噪声应用空间聚类算法进行聚类，将原始点云分为噪音类、地物类及地形类点云。采用国际摄影测量与遥感学会提供的数据样本进行实验，并将所提算法与其他8种经典滤波算法进行了比较。定量与定性结果表明，所提算法在城区和农村地区均有较好的适用性，在不连续地形处滤波误差较小，在人工建筑和植被混合地区适应性较好。所提算法具有可行性，可在不同地形中使用。
遥感 密度聚类 基于密度的噪声应用空间聚类 滤波 激光与光电子学进展
2022, 59(16): 1628004
1 武昌理工学院人工智能学院，湖北 武汉 430223
2 武汉理工大学安全科学与应急管理学院，湖北 武汉 430070
3 长江科学院，湖北 武汉 430010
4 湖北中图勘测规划设计有限公司，湖北 武汉 430070
室内点云包括墙壁、天花板、地板和房间内的许多物体。室内墙壁、天花板、地板等多种物体的提取是室内导航、设施管理、建筑改造等多种应用的关键。针对此，本文根据截止距离内的局部密度，采用指数函数构建密度聚类模型。首先，利用边界点云与室内点云之间的距离构造墙壁面密度聚类的约束条件；其次，根据z值的指数函数和局部密度模型提取天花板和地板；然后，构建不同对象的局部密度模型，根据局部密度的大小确定约束距离；最后，根据点到聚类中心(聚类中心被认为是局部密度与约束距离乘积异常大的点)的距离，得到每个点归属于聚类中心的聚类；最后，通过判断相邻聚类之间的距离实现室内物体点云的提取，从而完成对不同类型场景室内点云的提取，并将本文方法与快速搜索密度峰值聚类(CFDP)算法、基于密度的空间聚类(DPC)算法进行比较。对比结果表明，DPC方法不如本文方法但优于CFDP方法。计算了本文方法提取不同类型室内点云的精确度、召回率和F1分数，结果表明，物体间的靠近程度会影响本文方法的性能。
测量 目标提取 点云 密度聚类 激光扫描 中国激光
2022, 49(11): 1104001
1 中国科学院国家天文台长春人造卫星观测站, 吉林 长春 130117
3 长春理工大学理学院, 吉林 长春 130022
随着近年来光谱探测仪器灵敏度、 精确度和易用度的不断提升, 光谱技术已经深入到各行各业的物质成分的鉴定与分析中。 对于空间目标的光谱观测是传统光学观测的重要拓展之一, 因其具有的非接触、 无损伤等优点而备受关注, 然而由于观测条件所限, 空间目标的光谱数据量极小, 通过传统方法对其进行分类分析达不到较好效果, 必须探求提高分类精度的方法。 首先, 通过1.2 m空间目标光学望远镜上搭载的光谱相机终端获取空间目标高光谱图像; 再通过天文学测光IRAF方法, 提取空间目标的一维光谱数据; 为对空间目标光谱进行分类, 提出一种结合多种深度学习方法解决小样本数据量的空间目标分类问题。 该方法应用密度聚类方法将空间目标粗糙分类, 一维生成对抗网络方法增加空间目标数据, 一维卷积神经网络方法将空间目标精细分类, 三者组合进而达到较好的实验效果, 整体精度约为79.1%(基于密度聚类、 过采样、 一维卷积神经网络方法组合、 基于K-means、 一维生成对抗网络、 一维卷积神经网络方法组合和基于K-means、 过采样、 一维卷积神经网络方法组合的整体精度分别约为78.4%, 77.9%和77.2%)。 粗糙分类模型中, 密度聚类方法比K-means方法整体精度平均高出约为0.67%; 数据增广模型中, 一维生成对抗网络方法比过采样方法整体精度平均高出约为1.52%; 精细分类模型中, 一维卷积神经网络方法二层网络比三层网络整体精度平均仅高出约为0.003%, 但是运算时间更长。 四种组合方法精度均高于单一方法。 实验结果表明本文提出的组合方法在小样本空间目标类别未知情况下, 可实现细分类且精度较高, 为实现空间目标极小数据量下的图谱一体化分析, 提供一定参考价值。
空间目标 光谱数据 密度聚类 生成对抗网络 卷积神经网络 Space targets Spectral data Density based spatial clustering of applications with noise Generative adversarial networks Convolutional neural networks
1 天津理工大学电气电子工程学院, 天津 300384
2 天津市复杂系统控制理论及应用重点实验室, 天津 300384
3 天津城建大学经济与管理学院, 天津 300384
利用网格结构光对物体表面进行投射,可为双目视觉测量提供易于提取的立体匹配特征点,从而实现三维测量。提出一种新的网格结构光特征点提取算法。首先通过Shi-Tomasi算法提取结构光图像中的网格角点,但由于噪声的影响,存在角点误提取以及角点缺失的情况,引入密度聚类算法可以解决该问题。通过噪声仿真证明密度聚类算法能很好地剔除误提取的非角点,并能准确地将角点进行分组。利用分组后的每组角点可以确定一个区域。每个双目立体匹配的特征点为此区域内交叉网格线的交点。通过在各区域内对网格横纵线进行水平和竖直方向的中心提取,并分别进行拟合确定直线方程,即可求得各特征点的像素坐标。另外,针对遮挡导致的左右视图缺少对应特征点的问题,研究了适用的特征点拓扑关系确定方法。为验证所提方法的鲁棒性和测量精度,进行了平移台位移测量实验。将本文方法的测量结果与精度为1 μm的光栅尺的测量数据进行比较,可得最大相对误差为2.20%。
测量 双目测量 网格结构光 特征提取 密度聚类 三维重建 中国激光
2021, 48(23): 2304004
1 中国科学院 长春光学精密机械与物理研究所, 吉林 长春 130033
2 重庆嘉陵华光光电科技有限公司, 重庆 400700
舰船是重要的海上目标, 航空遥感影像的实时舰船目标检测在民用领域和**安全中均具有十分重要的意义和价值。以工程应用为背景, 重点对航空遥感影像的海陆分割和舰船检测两方面问题展开研究。利用灰度信息对遥感影像进行自适应阈值分割, 结合形态学算子和孔洞填充技术, 实现海陆分割; 利用舰船几何结构特征进行直线段检测, 结合K均值密度聚类技术, 完成舰船目标检测。实验结果表明: 针对海陆分割任务, 陆地检测率为95.8%, 陆地检测错误率为5.7%, 陆地检测正确率为94.4%; 针对舰船目标检测任务, 检测准确率为94.1%, 检测虚警率为3.9%。可以较好地将影像中的海洋区域和陆地区域分割成两个相互独立的部分, 分割效果理想; 同时可以快速地完成舰船目标检测, 准确率高, 虚警率低, 具有运算简单、易于工程实现等特点。
航空遥感 舰船检测 海陆分割 直线段检测 密度聚类 aerial remote sensing ship detection land sea segmentation line segment detection density clustering 光学 精密工程
2020, 28(10): 2360
1 上海交通大学电子信息与电气工程学院电气工程系, 上海 200240
2 上海方菱计算机软件有限公司, 上海 200240
3 江苏科技大学计算机学院, 江苏 镇江 212003
提出一种新的结构光条纹中心线提取算法,该算法能在不同的干扰环境下稳定地提取出光条中心线,并且具备修补断线的能力。利用密度聚类算法的无监督特性,即使存在断线或噪声干扰,仍能快速聚类中心线的候选像素点集合,大幅缩小搜索范围;经过实验数据分析发现,不同场景的中心线还具有亮度高且趋于连续的共性特征,使用像素点间欧氏距离和亮度值定义能量函数对该特征建模,利用最短路径搜索算法迭代收敛实现中心线精确提取。实验结果表明,在三种强烈干扰的结构光图像中,算法提取中心线均方根误差约为0.4 pixel;处理速度相比同样抗干扰能力较强的图像接缝算法提高了12.48倍。所提算法在保持运算速度快、精度高的同时,大幅提高了抗干扰能力,有效降低了工业生产中使用结构光测量时的条件限制。
测量 线结构光 中心提取 密度聚类 图像接缝 中国激光
2020, 47(12): 1204004
