Schnelle Flugzeug passend zu viele Punkte

Ich bin auf der Suche, um zu passen in ein Flugzeug, um einen Satz von ~ 6-10k 3D-Punkte. Ich bin auf der Suche zu tun, dies so schnell als möglich, und die Genauigkeit ist nicht das höchste Anliegen (ehrlich gesagt, das Flugzeug kann um +-10 ° Grad in jede der kardinalen Achsen).

Mein Aktueller Ansatz ist es, best of best fit, aber es ist unglaublich langsam (ich bin der Hoffnung, zu extrahieren Flugzeuge mit einer rate von etwa 10-50k mal jedes mal, wenn ich den Algorithmus, und bei diesem Tempo würde es fertig in Wochen, anstelle von Stunden), wie es funktioniert auf allen möglichen Kombinationen von 6.000-Punkte-Marke, so ~35,000,000,000 Iterationen, und ehrlich gesagt, es hat eine viel höhere Genauigkeit, als ich brauche.

Weiß jemand, der etwas schwächer Flugzeug-Montage-Techniken, die möglicherweise Geschwindigkeit mein Algorithmus wesentlich?

EDIT:

Habe ich es geschafft die Anzahl der Wiederholungen runter auf ~42k durch die Schaffung von Ebenen in jedem 3D-Winkel (Durchlaufen bei 5 Grad zu jeder Zeit) und die Prüfung der vorhandenen Punkte gegen diese zu finden, die besten Flieger, statt mit Montage-Ebenen zu den Punkten, die ich habe.

Ich bin sicher, es gibt etwas zu gewinnen hier durch teilen und zu erobern, obwohl ich mir sorgen, ich könnte springen Sie geradeaus vorbei an der besten Flieger.

Sie haben Zugang zu den Curve-Fitting-Toolbox?
Leider weiß ich nicht, ich bin stecken mit Vanille MATLAB, obwohl ich eine Menge Programmier-Erfahrung im Allgemeinen, so ich sollte in der Lage sein zu handhaben, ein ziemlich komplexer Algorithmus.
Wenn Genauigkeit ist nicht Ihr Haupt-Anliegen, reduzieren Sie die Eingabe der Komplexität Ihrer Daten. Führen Sie kmeans oder etwas auf den ersten Satz mit 6-10k Punkte, und dann passen die Ebene der Exemplare.
gute Idee. Um die Leistung zu verbessern, auch weitere, zufällige Teilmenge der Punkte, die vielleicht genug.

InformationsquelleAutor Nick Udell | 2012-06-05

  1. 13

    Verwenden Sie die standard-Ebene Gleichung Ax + By + Cz + D = 0, und schreiben Sie die Gleichung als matrix-Multiplikation. P ist Ihr unbekannt 4x1 [A;B;C;D]

    g = [x y z 1];  % represent a point as an augmented row vector
g*P = 0;        % this point is on the plane

    Nun erweitern Sie diese an alle Ihre tatsächlichen Punkte, eine Nx4-matrix G. Das Ergebnis ist nicht mehr genau 0, es sind die Fehler, die Sie versuchen zu minimieren.

    G*P = E;   % E is a Nx1 vector

    Also, was Sie wollen, ist der nächstgelegene Vektor in den null-Raum von G, die von der SVD. Let ' s test:

    % Generate some test data
A = 2;
B = 3;
C = 2.5;
D = -1;

G = 10*rand(100, 2);  % x and y test points
% compute z from plane, add noise (zero-mean!)
G(:,3) = -(A*G(:,1) + B*G(:,2) + D) / C + 0.1*randn(100,1);

G(:,4) = ones(100,1);   % augment your matrix

[u s v] = svd(G, 0);
P = v(:,4);             % Last column is your plane equation

    OK, denken Sie daran, dass P kann durch einen Skalar. Also nur um zu zeigen, dass wir übereinstimmen:

    scalar = 2*P./P(1);
P./scalar

    ans =
    2.0000
    3.0038
    2.5037
    -0.9997

    InformationsquelleAutor Peter

  2. 5

    In der computer vision eine standard-Möglichkeit ist die Verwendung von RANSAC oder MSAC, in Ihrem Fall;

    1. Nehmen Sie 3 zufällige Punkte aus der Bevölkerung
    2. Berechnung der definierten Ebene durch die 3 Punkte
    3. Summe der Fehler (Abstand zur Fläche) für alle Punkte auf dieser Ebene.
    4. Halten die 3 Punkte, die zeigen, dass Sie die kleinste Summe von Fehlern und fallen innerhalb einer Grenze).
    5. Wiederholen N Iterationen (siehe RANSAC-Theorie zu wählen, N, darf ich vorschlagen, 50?)

    http://en.wikipedia.org/wiki/RANSAC

    InformationsquelleAutor Jorgen

  3. 1

    Sieht es aus wie griddata könnte das sein, was Sie wollen. Der link ist ein Beispiel.

    Wenn das nicht funktioniert, vielleicht check out gridfit auf der MATLAB File Exchange. Es wird das match ein allgemeinerer Fall als griddata.

    Werden Sie wahrscheinlich nicht wollen, um Ihre eigenen Rollen Oberfläche passend, da es mehrere gut dokumentierte tools gibt.

    Nehmen wir das Beispiel von griddata:

    x = % some values 
y = % some values
z = % function values to fit to

ti = % this range should probably be greater than or equal to your x,y test values
[xq,yq] = meshgrid(ti,ti);
zq = griddata(x,y,z,xq,yq,'linear'); % NOTE: linear will fit to a plane!
Plot the gridded data along with the scattered data.

mesh(xq,yq,zq), hold
plot3(x,y,z,'o'), hold off
    Vielen Dank, ich werde sehen, was sich diese sofort. Ich bin in der Regel mehr von einem CS-hintergrund, so meine Oberfläche-Montage ist die Mathematik ein wenig hinterher. Als solche bin ich mehr als glücklich, lassen Sie jemand anderes den code den job
    Hmm mein problem mit dem griddata ist, um es zu bekommen, um mir ein Flugzeug, ich habe (auf der Grundlage Ihres ersten Beispiel) sagen, dass es zu generieren zq mit 4 Punkten an (-1,-1), (-1,1), (1,-1), (1,1) (mit 2:-2 - die Grenzen der Daten in den Beispiel - für einige Grund nur NaN zurück). Leider scheint dies, um zu garantieren, dass die Ecken der Ebene an (-1,-1), (-1,1), (1,-1), (1,1) und es scheint nicht, werden Sie mehr Punkte zu berücksichtigen. Wenn ich erhöhen die Anzahl der Punkte, die ich nicht mehr in ein Flugzeug.
    Fügen Sie einige code, die Sie versucht haben in Ihrer Antwort, damit ich Ihnen helfen kann, mehr.

    InformationsquelleAutor kevlar1818

  4. 0

    Können Sie versuchen, die consolidator von John D ' Errico. Es aggregiert die Punkte innerhalb einer bestimmten Toleranz, wird diese ermöglichen es, die Datenmenge reduzieren und die Geschwindigkeit erhöhen. Sie können auch überprüfen, Johannes gridfit Funktion, die in der Regel schneller und flexibler als griddata

    InformationsquelleAutor zamazalotta

Schreibe einen Kommentar