1.一种筒仓粮堆体积点云数据的参数自适应密度滤波方法,其特征在于,其包括以下步骤:S1、获取筒仓内粮堆体积测得的点云数据;点云数据包括:N个原始点;
S2、将点云数据通过蒙特卡洛方法生成随机样本,并根据随机样本计算得到最优的总簇数Kbest,再根据Kbest计算得到自适应的平均欧式距离均值S3、先根据计算得到点云数据的全局密度均值和N个原始点的局部密度;n∈[1,N];
再根据和计算得到自适应密度阈值ρy;
S4、判断ρ1~ρN是否大于ρy;
若是,则将点云数据对应的原始点作为信息点保留;若不是,则将点云数据对应的点作为噪声点滤除;
其中,S2包括以下步骤:
S21、对随机样本进行M次聚类处理;
第m次聚类处理生成K+m个簇;m∈[1,M];
S22、计算第m次聚类处理中第k+m个簇的紧支测度Dm,k+m;k∈[1,K+m];
遍历第m次聚类处理中的K+m个簇,得到K+m个紧支测度Dm,2~Dm,K+m;
根据Dm,2~Dm,K+m计算第m次聚类处理中的误差平方和Wm,K+m;
S23、进行M次聚类处理得到M个误差平方和W1,K+1~WM,K+M,并计算其对数的平均值,得到E(logWm,K+m);
S24、构建间隔值函数Gap(K+m),将其取最大值对应的K+m作为最优的总簇数Kbest;
S25、将N除以Kbest计算得到邻域点个数t;
计算第n个原始点到t个相邻的原始点的平均欧式距离遍历N个原始点,得到N个平均欧式距离
对求平均,得到均值
2.根据权利要求1所述的筒仓粮堆体积点云数据的参数自适应密度滤波方法,其特征在于,S3中,ρ1~ρN的计算方法包括以下步骤:先将作为点云数据中第n个原始点的搜索半径,并计算位于搜索半径内所有原始点的个数M;
再根据和M计算第n个原始点的局部密度ρn;
遍历N个原始点,得到N个局部密度ρ1~ρN;
对ρ1~ρN求平均,得到
3.根据权利要求2所述的筒仓粮堆体积点云数据的参数自适应密度滤波方法,其特征在于,M的计算方法包括以下步骤:S61、计算第n个原始点与任一个原始点Pj的欧式距离dnj;
S62、比较dnj与的大小;
若则计数值加1;
S63、遍历N-1个原始点,得到的计数值为M。
4.根据权利要求3所述的筒仓粮堆体积点云数据的参数自适应密度滤波方法,其特征在于,S63还包括:按照距离第n个原始点从近到远的顺序遍历N-1个原始点,直至后停止。
5.根据权利要求2所述的筒仓粮堆体积点云数据的参数自适应密度滤波方法,其特征在于,根据第n个原始点的搜索半径构成球形空间;
ρn的计算公式为:
6.根据权利要求1所述的筒仓粮堆体积点云数据的参数自适应密度滤波方法,其特征在于,S3中,ρy的计算方法包括以下步骤:S71、判断ρ1~ρN是否满足高斯分布条件;
若满足,则根据高斯分布的性质得到截断阈值倍数λ;
S72、根据λ计算得到自适应密度阈值ρy,其计算公式为:式中,σ为点云数据的标准差。
7.根据权利要求6所述的筒仓粮堆体积点云数据的参数自适应密度滤波方法,其特征在于,S71中,判断ρ1~ρN是否满足高斯分布条件的方法包括以下步骤:计算ρ1~ρN的密度方差S;
利用Jarque-Bera统计法计算统计量JB,其计算公式为:式中,T为偏度,L为峰度;
若N>30,且JB~χ2(2),则ρ1~ρN满足高斯分布条件。
8.根据权利要求1所述的筒仓粮堆体积点云数据的参数自适应密度滤波方法,其特征在于,S22中,Dm,k+m的计算公式为:式中,Qk+m为第k+m个簇中的所有原始点;Pq为Qk+m内的第q个原始点;μ为第k+m个簇的中心点。
9.一种筒仓粮堆体积点云数据的参数自适应密度滤波装置,其特征在于,其使用如权利要求1至8中任一项所述的筒仓粮堆体积点云数据的参数自适应密度滤波方法;
筒仓粮堆体积点云数据的参数自适应密度滤波装置包括:获取模块,其用于获取筒仓内粮堆体积测得的点云数据;
自适应模块,其用于将点云数据通过蒙特卡洛方法生成随机样本,并根据随机样本计算得到最优的总簇数Kbest,并根据Kbest计算得到自适应的平均欧式距离均值阈值模块,其用于根据计算得到点云数据的全局密度均值和N个原始点的局部密度ρ1~ρN,并根据和ρ1~ρN计算得到自适应密度阈值ρy;
判断模块,其用于判断ρ1~ρN是否大于ρy;若是,则将点云数据对应的原始点作为信息点保留;若不是,则将点云数据对应的点作为噪声点滤除。
10.一种软件程序产品,其特征在于,该软件程序产品包括程序指令,当其在电子设备上运行时,使得电子设备执行如权利要求1至8中任意一项所述的筒仓粮堆体积点云数据的参数自适应密度滤波方法的步骤。