对偶Voronoi聚类与重网格化

为了以更快的速度得到高质量的多分辨率网格,提出一种基于Voronoi-Delaunay三角化技术的多分辨率表示生成算法.该算法将原三角网格转化为对偶多边形网格再进行Voronoi划分,以自动满足共点聚类块不能超过3个这一约束;根据曲率分布情况来选取基点,以便能更好地捕捉几何特征;最后利用Loop细分规则与局部Laplace 平滑指导参数域上的重采样,再映射回模型空间获取最终采样结果,以提高重采样质量.由于Voronoi划分是重网格化算法的瓶颈,采用文中算法能减少划分时条件检测的耗时,从而显著地降低整个重网格化算法的时间复杂度.     

四边形网格的去边细分方法

提出一种四边形网格细分算法：每细分一次四边形网格，其数目增加为原来的两倍，细分二次结果相当于一次二分细分和一个旋转．该算法采用三次B样条张量积的形式，其生成曲面在规则点具有C^2连续性，在非规则点具有C^1连续性．由于该细分算法对网格几何操作简单，所得网格数据量增长相对缓慢，适合于3D图像重构及网络传输等应用领域。     

误差可控的细分曲面图像矢量化EI北大核心CSCD

为了提高矢量化图像的重构质量,提出一种基于细分曲面的误差可控矢量化算法.首先提取图像特征,构建特征约束的初始网格,并利用二次误差度量方法简化初始网格,得到特征保持的基网格;然后利用带尖锐特征的Loop细分曲面拟合图像颜色,得到控制网格;最后计算重构图像的误差,对控制网格进行自适应细分,直至重构误差达到用户需求.实验结果表明,该算法能够大幅度提高初始重构结果的质量,并在一定程度上做到误差可控.     

误差可控的细分曲面图像矢量化

为了提高矢量化图像的重构质量,提出一种基于细分曲面的误差可控矢量化算法.首先提取图像特征,构建特征约束的初始网格,并利用二次误差度量方法简化初始网格,得到特征保持的基网格;然后利用带尖锐特征的Loop细分曲面拟合图像颜色,得到控制网格;最后计算重构图像的误差,对控制网格进行自适应细分,直至重构误差达到用户需求.实验结果表明,该算法能够大幅度提高初始重构结果的质量,并在一定程度上做到误差可控.     

基于Catmull-Clark细分的新细分算法的研究

提出一种四边形网格细分算法:每细分一次四边形网格,其数目增加为原来的两倍,细分二次结果相当于一次二分细分,采用边数缓慢增长的策略,使生成的曲面光滑连续.该算法生成曲面在规则点具有C2连续性,在非规则点具有C1连续性.该算法对网格几何操作简单,所得网格数据量增长相对缓慢,适合3D图像重构及网络传输等应用领域.由于文中细分算法对初始网格的拓扑变更,因此第一次细分会产生扭曲现象,但后面的细分会逐步光滑.     

基于Catmull-Clark细分的新细分算法的研究

提出一种四边形网格细分算法：每细分一次四边形网格,其数目增加为原来的两倍,细分二次结果相当于一次二分细分,采用边数缓慢增长的策略,使生成的曲面光滑连续。该算法生成曲面在规则点具有C2连续性,在非规则点具有C1连续性。该算法对网格几何操作简单,所得网格数据量增长相对缓慢,适合3D图像重构及网络传输等应用领域。由于文中细分算法对初始网格的拓扑变更,因此第一次细分会产生扭曲现象,但后面的细分会逐步光滑。     

基于能量评估的网格简化算法及其应用

网格简化是曲面重构和多细节层次构造中的一个重要步骤，本文提出了一个基于局部能量评估的网格简化算法，能够大量地删除密集网格的三角形面片．为了加速算法的执行还提出了一种简单有效的采样方法．算法自动化程度高，能有效地支持多细节层次模型的建立．     

基于控制顶点扰动的平面二次曲线重构

基于控制顶点扰动的思想提出了一种新的曲线重构算法，用于构造一条分段二次B样条曲线来逼近平面上的散乱数据点．逐个输入数据点后，通过对控制顶点进行扰动来求取新的控制顶点．重构曲线的最终控制网格可通过求解一个非线性优化问题获得．一系列实验表明：该算法在经过少数几步迭代后很快就能收敛．该算法几何直观性强、操作简单，对平面上具有不同形状和不均匀采样误差的散乱数据都能得到很好的重构效果     

基于逆3 细分的渐进网格生成算法研究

提出一种基于逆3 细分的渐进网格生成算法,用于解决图形的快速传输和显示问 题。算法的基本思路是：将细密网格通过边折叠操作得到简化网格,以细分极限点逼近原始网 格为准则进行网格调整,采用3 细分得到高密度网格,调整后进行逆3 细分,即逐层次删除 部分顶点,生成用于重构渐进网格模型的基网格,并记录每层删除顶点在采用本层表示时相对 于细分计算位置的几何调整量。3 细分过程中三角片数量增长速度较慢,采用逆3 细分利于 生成多层次的渐进网格,经实例验证,逆3 细分生成渐进网格的效果能满足快速、多分辨率显 示要求。     

一种基于误差控制的网格多分辨模型生成算法

提出一种网格多分辨模型生成算法．该算法以最大误差L∞控制的网格简化算法为基础,通过删除边和拆分点操作进行向下和向上采样,将网格模型表示为由一个低分辨率的网格和一系列修改操作组成的多分辨模型．同其它算法相比,该算法在初始向下采样时,重点考虑了简化误差对模型精度的影响．在生成网格多分辨模型时,该算法将细化操作分解为对网格模型的几何修改信息和各细化操作之间的关系信息,确保了多分辨模型的健壮性．该算法可通过三角片数和简化误差两种方法来调整网格模型分辨率,实验结果证明了本算法的有效性．     

粒子滤波自适应部分系统重采样算法研究*

样本退化是基于序列重要性采样的粒子滤波中的一个主要问题,为了解决这个问题重采样被引入。常规的重采样算法可以解决样本退化问题,但容易导致样本衰竭,增加计算的复杂度。本文在部分重采样的基础上,提出了自适应部分系统分重采样算法,该算法自适应调整重采样的时间,重采样前按照粒子的权值对其分类,只对少数粒子进行重采样,不仅减少了重采样的时间而且增加了粒子的多样性,仿真结果表明该算法与部分重采样相比有效的提高了粒子滤波的性能,减少了运行的时间。     

SMC框架中引入残差信息的分层重采样策略

近年来序列蒙特卡罗理论及其应用在自动导航﹑非线性估计与金融等诸多领域受到了越来越广泛的关注。提出了一种引入残差信息的分层重采样策略,通过引入当前粒子集权值的残差来构建累积分布函数,同时针对随机区间逐级分层以产生有序的随机数集合,从而提高重采样的合理性与采样效率。首先从仿真实验的角度证明了它的有效性,对比残差重采样﹑多项式重采样与遗传重采样,提出的重采样策略在后验均值误差﹑均方差与运行时间方面均为最小;将提出的重采样策略嵌入到运动目标跟踪算法中,基于标准测试视频的跟踪结果同样佐证了该重采样策略的收敛性及良好的抗噪性能。     

基于冗余性的图像重采样检测

数字图像取证中,目前的重采样检测算法都是检测图像中是否存在插值过程引入的周期性,而周期性的判定一般通过在频域的幅度谱中寻找峰值来进行,进而通过峰值的位置来计算重采样因子。但是由于重采样过程中的频率混叠问题导致了重采样因子不能完全确定。针对这个问题,本文提出一种时域中计算重采样因子的方法。重采样图像中每个像素行（或列）和相邻行（或列）的冗余性大小不同,并且冗余性大小呈现出周期性的分布。通过检测此特征就可以实现对重采样的取证,并且确定重采样因子。实验显示,在未压缩的图像中算法可以正确地估计出所有重采样因子,在压缩图像中本文的算法较之前的算法也有明显的优势。     

Bagging for path-based clustering

A resampling scheme for clustering with similarity to bootstrap aggregation (bagging) is presented. Bagging is used to improve the quality of path-based clustering, a data clustering method that can extract elongated structures from data in a noise robust way. The results of an agglomerative optimization method are influenced by small fluctuations of the input data. To increase the reliability of clustering solutions, a stochastic resampling method is developed to infer consensus clusters. A related reliability measure allows us to estimate the number of clusters, based on the stability of an optimized cluster solution under resampling. The quality of path-based clustering with resampling is evaluated on a large image data set of human segmentations.     

自适应不完全重采样粒子滤波器

针对传统重采样算法易引起粒子贫化的问题,提出了自适应不完全重采样粒子滤波 (A particle filter based on adaptive part resampling, APRPF)算法. APRPF以分步的方式仅对部分粒子进行重采样,以递推的方式计算表征 粒子退化程度的度量函数(Measurement of particle degeneracy, MPD),直到满足给定条件.重采样后的粒子由新生粒子 和未参与重采样的粒子组成,前者的存在有助于缓解退化问题,后者可使粒子集保 持一定多样性.实验结果表明,与标准粒子滤波(Sampling importance resampling, SIR)、辅助变量粒子滤波(Auxiliary particle filter, APF)、正则化粒子滤波(Regularized particle filter, RPF) 三种滤波器相比, APRPF的估计精度高;由于平均重采样次数少,计算量也小.     

基于粒子聚合重采样的移动机器人蒙特卡洛定位

提出了一种基于粒子聚合重采样的移动机器人聚合蒙特卡洛定位（Merge Monte Carlo localization,Merge-MCL）方法．首先将移动机器人作业空间划分为离散栅格,建立栅格集,然后提出一种基于粒子空间相近性的粒子聚合技术, 在保证粒子空间分布合理性的同时自适应调整粒子集规模．提出的粒子聚合重采样方法能够缓解粒子权值退化问题, 并避免了传统重采样方法导致的多样性匮乏问题．仿真结果表明,粒子聚合重采样方法能够有效控制粒子集规模, 聚合蒙特卡洛定位方法是鲁棒、有效的．     

基于多样性向导的自适应重采样粒子滤波研究

由于在非线性非高斯系统和多模处理能力上的优越性,粒子滤波算法已经被广泛应用。针对粒子滤波算法现有缺陷分析,提出一种基于多样性向导的自适应重采样粒子滤波。首先,基于多样性向导自适应调整重采样阈值。在基于有效样本大小的自适应重采样技术之上,借助了另一多样性测度即种群多样性因子来自适应地调整有效样本大小的阈值;而且,在重采样之后引入样本变异操作来确保样本的多样性。然后,提出了一种改进的部分分层重采样算法。该算法借鉴部分分层重采样执行快、时间短的优点,同时结合权重优化的思想改进重采样的样本权重计算。最后,通过仿真实验验证了所提粒子滤波算法的性能和有效性。     

一种基于B样条曲面的深度图像重抽样方法

银行深度图像处理中由于等角测距造成的几何失真,根据非等网格深度数据的数值特点,文中提出了一种基于B样条曲面的深度图像重抽样方法,并且与其它一些三维插值方法进行了精度比较。该文利用真实深度图像进行了重抽样实验,结果表明,基于B样条曲面的重抽样方法有效地克服了原始图像数据中存在的几何失真以及测量噪声,为后续的三维表面处理提供了更为精确的三维网格深度数据。     

粒子滤波算法改进策略研究*

为了改进粒子滤波算法的性能,这里研究了一种粒子滤波算法改进策略。该粒子滤波算法改进策略包括四部分:首先,采用了结合退火参数的混合建议分布,以考虑当前观测测量值的最新信息;接着,基于有效样本大小确定自适应重采样的阈值,以保证有合适的重采样次数;然后,基于权重优化思想提出了一种改进的部分系统重采样算法,在利用算法执行速度快的同时优化部分系统重采样算法;最后,在重采样后执行粒子变异操作,以保证样本的多样性。通过仿真实验,粒子滤波改进策略的性能和有效性均得以验证。     

Analysis of Rank-Based Resampling Based on Particle Diversity in the Rao–Blackwellized Particle Filter for Simultaneous Localization and Mapping

In order to solve the simultaneous localization and mapping (SLAM) problem of mobile robots, the Rao–Blackwellized particle filter (RBPF) has been intensively employed. However, it suffers from particle depletion problem, i.e., the number of distinct particles becomes smaller during the SLAM process. As a result, the particles optimistically estimate the SLAM posterior, meaning that particles tend to underestimate their own uncertainty and the filter quickly becomes inconsistent. The main reason of loss of particle diversity is the resampling process of RBPF-SLAM. Standard resampling algorithms for RBPF-SLAM cannot preserve particle diversity due to the behavior of their removing and replicating particles. Thus, we propose rank-based resampling (RBR), which assigns selection probabilities to resample particles based on the rankings of particles. In addition, we provide an extensive analysis on the performance of RBR, including scheduling of resampling. Through the simulation results, we show that the estimation capability of RBPF-SLAM by RBR outperforms that by standard resampling algorithms. More importantly, RBR preserves particle diversity much longer, so it can prevent a certain particle from dominating the particle set and reduce the estimation errors. In addition, through consistency tests, it is shown that RBPF-SLAM by the standard resampling algorithms is optimistically inconsistent, but RBPF-SLAM by RBR is so pessimistically inconsistent that it gives a chance to reduce the estimation errors.