针对传统最小二乘法拟合球形目标抗差能力弱的问题,提出了基于统计滤波的M估计球形目标点云拟合方法。首先引入统计滤波剔除空间分布稀疏且不均匀的噪声点,结合最小二乘算法建立M估计球形目标拟合模型;然后根据球形目标扫描点云及其误...针对传统最小二乘法拟合球形目标抗差能力弱的问题,提出了基于统计滤波的M估计球形目标点云拟合方法。首先引入统计滤波剔除空间分布稀疏且不均匀的噪声点,结合最小二乘算法建立M估计球形目标拟合模型;然后根据球形目标扫描点云及其误差分布特征,设计了与待求参数相互依赖的权函数,提高剔除目标点云中系统性误差和粗差能力。最后结合等距离间隔条件下扫描球形目标实验数据,分别采用本文方法、最小中值方差一致性估计算法(Least Median of Squares,LMedS)以及最小二乘算法进行拟合处理与结果分析。结果表明,提出的基于残差分布定权的M估计球形目标点云拟合方法得到的球形目标误差较LMedS算法减小21.1%,较最小二乘拟合算法减小48.1%,本文方法具有更好的抗差能力。展开更多
文摘针对传统最小二乘法拟合球形目标抗差能力弱的问题,提出了基于统计滤波的M估计球形目标点云拟合方法。首先引入统计滤波剔除空间分布稀疏且不均匀的噪声点,结合最小二乘算法建立M估计球形目标拟合模型;然后根据球形目标扫描点云及其误差分布特征,设计了与待求参数相互依赖的权函数,提高剔除目标点云中系统性误差和粗差能力。最后结合等距离间隔条件下扫描球形目标实验数据,分别采用本文方法、最小中值方差一致性估计算法(Least Median of Squares,LMedS)以及最小二乘算法进行拟合处理与结果分析。结果表明,提出的基于残差分布定权的M估计球形目标点云拟合方法得到的球形目标误差较LMedS算法减小21.1%,较最小二乘拟合算法减小48.1%,本文方法具有更好的抗差能力。
