离散点云去噪方面的中文论文，采用核函数估计和mean-shift进行去噪，很值得一看-Discrete point cloud denoising papers kernel function estimation and mean-shift denoising, it is worth a visit

背景加权直方图算法（BWH）在[2]中提出了尝试 减少干扰的背景均值漂移跟踪的目标定位。然而， 在本文中，我们证明了权重分配给候选目标区域的像素 BWH是那些没有背景资料成正比，即不会引入BWH 任何新的信息，因为均值漂移迭代公式是不变的规模 改造砝码。然后，我们提出了一个校正BWH（CBWH）的公式 只转型的目标模式，但不是目标候选模型。 CBWH计划 可以有效地降低背景的干扰，在目标定位。实验 结果表明，CBWH可能会导致更快的收敛速度和更准确的定位比 通

一个比例和方向自适应均值漂移跟踪算法（SOAMST） 提出本文所要解决的问题，如何估计的规模和方向 改变均值漂移下的目标跟踪框架。在原来的均值偏移 跟踪算法，可以很好地估计目标的位置，规模的同时， 方向的变化，不能自适应估计。考虑到图像（重量） 是来自于目标运动模型和候选模型可以代表的可能性，一个 像素属于目标，我们证明了原来的均值漂移跟踪算法可以 推导出的重量图像的零阶和一阶矩。随着零阶 矩和目标模型和候选模型之间的Bhattacharyya系数， 提出了简