点模型的面元简化方法

为有效地简化稠密采样点模型,提出了一种基于面元（surfel）重建的点模型简化方法。该算法首先对每个采样点面元的初始半径进行估算,并同时根据曲率的变化确定每个面元的简化权值;然后采用surfel合并的方法来聚合、减少surfel图元的数量,按照计算的surfel权值,确定surfel合并的顺序,合并并重建成一个新的surfel,合并过程中判断误差是否满足要求,满足则合并成功。如此迭代,直到surfel合并引起的误差达到阈值或surfel权值达到某个给定值。实验结果表明该算法能有效减少稠密采样点模型的点数,且在相同误差控制下简化率高于一般的基于纯采样点的简化算法;同时,简化模型能很好地保持原始模型的几何形状,防止简化后表面空洞现象的产生。     

稠密采样点模型的快速隐式曲面重建

算法以稠密采样点模型表面局部区域内的双边滤波函数值为依据,模型表面附近任意一点的函数值通过与该点最近的模型表面的K个采样点数据直接计算得到。与已有的隐式曲面重建方法相比,该方法既不用曲面内部或外部的支撑点,也不用求解线性和非线性方程,其重建速度快。此外,由于采用双边滤波函数作为其重建的隐式曲面的函数值,因此还能对带有噪声的采样点模型进行特征保持的表面重建。实验结果表明,对于稠密采样点模型,该方法可以快速重建出逼近程度高,效果好的曲面。     

保持特征的点云迭代简化算法

提出了一种特征保持的三维点云迭代简化算法。首先对点云模型构造KD树结构,计算采样点的k邻域,然后利用点云模型的局部几何信息作为参数,包括局部采样密度、采样点的精度和曲率,计算评估函数值,迭代删除评估函数值最小的点。实验结果表明,算法在简化点云数据的同时,能有效去除噪声数据,而且很好地保留了原始模型的特征信息。     

一种分层Mean Shift目标跟踪算法

针对经典Mean shift (MS)目标跟踪算法的颜色特征鲁棒差、匹配迭代复杂的缺点, 提出一种分层Mean shift (Hierarchical mean shift, HMS)目标跟踪算法. 首先通过MS迭代将目标区域特征空间的数据点聚类于模式点, 使得以简洁的方式描述前景跟踪目标, 建立目标模型与目标候选模型的聚类模式点描述, 进行聚类块匹配. 然后, 导出聚类块模式点匹配下的相似度量函数, 进行像素点匹配, 结合邻域一致性, 计算像素平移量, 分层估计序列帧中跟踪目标质心模式点的位置, 并给出HMS匹配迭代跟踪算法. 实验结果表明, 与其他两种MS跟踪算法相比, HMS既能提高序列帧跟踪目标表达与匹配的鲁棒性, 又无需匹配所有数据点, 算法简洁且有效可行.     

结合粒子滤波与Mean shift的高速运动目标跟踪

Mean shift跟踪算法能够有效跟踪视频序列中的各种运动目标,但是该算法无法准确地跟踪视频中高速运动目标.通过分析mean shift算法的原理,指出mean shift对高速运动目标跟踪失效的原因,提出一种基于mean shift的粒子滤波跟踪的新算法.通过实验比较,该算法能改善了Mean shift算法对高速运动目标的效果,并且在存在干扰目标的情况下具备良好的跟踪效果.     

GPU并行加速的均值偏移算法

为克服mean shift算法计算复杂度高、运行速度慢的缺点,提出一种基于GPU的快速mean shift算法.首先使用k-means算法对图像像素进行预分类,之后在预分类、下采样后缩小的数据集上进行mean shift聚类,以有效地降低算法复杂度.此外,借助GPU的通用计算功能对k-means和mean shift分别进行并行了处理.实验结果表明,通过对图像进行预处理,有效地提高了几何模板查找在强噪声、低信噪比图像中的识别率;同时,改进后的mean shift算法的运行速度提高了近40倍,满足了高速机器视觉检测的实时性要求.     

基于点采样的大规模三维模型显示

大规模三维模型的实时显示一直是许多虚拟现实应用追求的目标之一,也是计算机图形学领域的研究热点之一。文中采用基于采样点的显示方法,把具有显示质量优势的传统三角形与显示速度快、简化表示能力强的采样点,通过八叉树有机组织起来;通过对基本算法做出有效的改进,并添加计算分解和重用、有效的数据管理等模块,以高效的实现方式完成了30,000个独立运动的虚拟人场景的实时显示。文中的方法也可处理其它场景,能直接应用于紧急疏散或影视、游戏等领域中大规模三维模型的显示,具有很好的应用前景。     

点模型的几何图像简化法

提出一种基于几何图像的曲率自适应点模型简化算法.首先将点模型的球面极坐标映射到平面上,构造其几何图像;然后利用几何图像确定点模型中点的k-最近邻域及其曲面变分;最后结合曲面变分和简化密度对点集曲面重采样,并通过移动最小二乘曲面评估简化的误差.实验结果表明,该算法执行速度快、易于控制采样密度和保持曲面细节,且能够生成高质量的简化曲面.     

点模型微分属性的估算及其应用

为了有效地估算点模型的微分属性,提出了一种基于几何特征相似性的估算方法. 首先,利用Mean shift (MS)聚类法,对点模型进行几何特征相似性聚类;然后,基于径向基函数(Radial basis functions, RBF),重构各聚类单元的局部隐式曲面; 最后,依据经典微分几何理论,在径向基函数 曲面上便捷地求解采样点的微分属性并给出具体应用. 实验与应用结果表明,该方法能够比较精确地估算出点模型的微分属性且得到有效应用.     

改进PMVS三维重建点云滤波算法

针对在小范围场景进行单目视觉三维重建过程中,稠密点云模型存在大量离群点的现象,提出一种改进的点云滤波算法。将多视图稠密重建(Patch-based Multi-View Stereo,PMVS)算法与统计分析法相融合,对利用PMVS算法得到的稠密点云进行统计分析,设定标准距离并求解点云中每一个点到其所有邻近点的平均距离,去除平均距离大于标准距离的点。实验结果表明,融合后的点云滤波算法不仅剔除了大量离群点,还在保证目标物体细节特征的情况下对冗余的特征点进行一定程度上的消除,在提高重建表面真实度和精度的同时,为后期测量装配工作提供了可靠模型。     

基于多尺度核函数的散乱点云数据过滤方法*

针对光滑曲面采样散乱点云含有噪声及异常数据的问题,提出了一种基于多尺度核函数的过滤处理方法。采用核密度估计技术及均值漂移跟踪算法对原始点云数据进行聚类,结合局部似然函数来测度一个三维点位于采样曲面上的概率,利用过滤后的极大似然点集精确地逼近采样曲面,最后结合经典网格化算法能够获得较好的曲面重构效果。处理实例证明,该方法实用性好,不仅能够很好地抑制不同幅值的噪声,同时也能够探测到异常数据并进行自动清除。     

结合mean-shift与MST的K-means聚类算法

针对初始点选择不当导致K—means陷入局部最小值问题,提出一种结合自适应mean-shift与最小生成树（MST）的K—means聚类算法。将数据对象投影到主成分分析（PCA）子空间,给出自适应mean．shift算法,并在PCA子空间内将数据向密度大的区域聚集,再利用MST与图连通分量算法,找出数据的类别数和类标签,据此计算原始空间的密度峰值,并将其作为K．means聚类的初始中心点。对K—means的目标函数、聚类精度和运行时间进行比较,结果表明,该算法在较短的运行时间内能给出较优的全局解。     

Gaussian mean-shift is an EM algorithm

The mean-shift algorithm, based on ideas proposed by Fukunaga and Hosteller, is a hill-climbing algorithm on the density defined by a finite mixture or a kernel density estimate. Mean-shift can be used as a nonparametric clustering method and has attracted recent attention in computer vision applications such as image segmentation or tracking. We show that, when the kernel is Gaussian, mean-shift is an expectation-maximization (EM) algorithm and, when the kernel is non-Gaussian, mean-shift is a generalized EM algorithm. This implies that mean-shift converges from almost any starting point and that, in general, its convergence is of linear order. For Gaussian mean-shift, we show: 1) the rate of linear convergence approaches 0 (superlinear convergence) for very narrow or very wide kernels, but is often close to 1 (thus, extremely slow) for intermediate widths and exactly 1 (sublinear convergence) for widths at which modes merge, 2) the iterates approach the mode along the local principal component of the data points from the inside of the convex hull of the data points, and 3) the convergence domains are nonconvex and can be disconnected and show fractal behavior. We suggest ways of accelerating mean-shift based on the EM interpretation     

基于曲率特征的点云快速简化算法

为了提高实体反求的效率,提出一种点云快速简化算法.该算法依据特征点群曲率变化的特点在点云邻域拟合曲面上搜寻特征点并进行储存,依据搜寻结果对点云进行特征点分布评估,并根据评估结果设定相应的简化距离对点云进行简化.算法充分保留了特征区域点云,使得简化后的点云能够较好地表达形状,整个搜寻过程只针对高斯曲率极值点的附近点,相对于需要在全局上进行曲率计算的传统简化算法,该算法在运行速度上具有明显优势.     

基于前向查找和均值漂移的点模型鲁棒降噪算法

针对点模型提出了基于前向查找和均值漂移两种鲁棒统计方法的滤波算法。前向查找算法根据残差图自动检测离群点,并将输入的点云数据划分为多个不带离群点的最优局部降噪邻域。对局部邻域进行加权协方差分析,估计出该邻域的最小二乘拟合平面。在局部邻域内估计采样点的核密度函数并通过均值漂移算法计算它的局部最大值点,核密度函数的局部最大值点确定了点云数据的聚类中心并能准确逼近采样点曲面,将每一个采样点漂移到密度函数的局部最大值点,使点云曲面收敛为一个稳定的三维数字模型。实验结果表明,本文的算法是鲁棒的,能在有效剔除点模型表面噪声的同时较好地保持模型表面的尖锐特征。     

基于点重要性判断的点云简化

为了有效保持散乱点云的显著几何特征,提高点云简化的精度和效率,提出一种点重要性判断点云简化方法.首先,计算点云中点的重要性,并根据重要性提取特征点;然后,采用八叉树算法对非特征点进行简化,从而保留点云的主要细节特征,实现点云简化处理;最后,通过对公共点云和文物点云数据模型的简化实验来验证该点云简化方法.结果表明,该点重要性判断点云简化方法可以在有效保持点云细节几何特征的同时,实现点云的有效简化,是一种快速、高精度的点云简化方法.     

基于自适应带宽的快速动态高斯核均值漂移算法

由核密度估计推导获得的高斯核均值漂移算法因收敛速度慢在应用中效率不高.本文提出基于自适应带宽的动态更新改进方法.首先采用空间离散方法对数据集化简,然后引入动态更新机制,每次迭代后将数据集更新到均值点,并将聚集在一起的数据点用一个收敛点表示,同时根据数据集直径的变化,自适应地计算各向异性的带宽参数.实验表明,该方法提高了算法的收敛速度,降低了计算复杂度.