基于SOFM与RBF神经网络的自由曲面重建

根据SOFM神经网络重构曲面样本点的内在拓扑关系,实现对散乱数据的工程近似化,利用RBF神经网络具有的强大非线性逼近能力,提出一种基于SOFM网络和RBF网络相结合的自由曲面重建方法.该方法可有效地解决RBF神经网络对大规模密集散乱点的曲面拟合时出现计算量大、数据网格化难、网络收敛速度慢等问题.     

基于NURBS的散乱数据点自由曲面重构

针对散乱数据点,首先提出基于曲率测度的大规模散乱数据点自适应压缩方法。在此基础上,提出先压缩后重构的基于ＮＵＢＲＳ的曲面重构策略。该方法可在保持原数据点集基本特征的前提下,将散乱散数据点压缩到ＮＵＲＢＳ曲面重构要求的规模,从而实现了大规模散乱数据点的精确曲面重构。     

点云数据集的隐式曲面重构研究进展

点云数据的曲面重建就是对扫描设备获得的物体散乱数据点重建三维物体表面,它被广泛应用于计算机动画、目标识别、数据可视化以及地理信息系统。点云的隐式曲面重建由于能够去除点云噪声,修补孔洞和裂缝,不需要拼接和平滑等后续处理,成为点云数据集曲面重构的重要方法。文中综述了目前一些主要的隐式曲面重构方法,就隐式模型以及相应的曲面重构算法的优缺点进行了分析比较,并对隐式曲面重构存在的问题和未来发展方向作了相应的分析和讨论。     

基于隐式T样条的曲面重构算法

提出隐式T样条曲面，将T网格从二维推广到三维情形，同时利用八叉树及其细分过程，从无结构散乱点数据集构造T网格，利用曲面拟合模型将曲面重构问题转化为最优化问题；然后基于隐式T样条曲面将最优化问题通过矩阵形式表述，依据最优化原理将该问题转化成线性方程组，通过求解线性方程组解决曲面重构问题；最后结合计算实例进行讨论．该方法能较好地解决曲面重构问题，与传统张量B样条函数相比，能效地减少未知控制系数与计算量．     

从点集重构曲面网格方法综述

本文主要对三维数据点重构曲面网格模型方法进行了综述。从三维数据点集重构曲面一般遵循以下三个步骤:1)重构曲面网格模型;2)网格简化;3)拟合曲面(通常为Bezier,NURBS),其中重构曲面网格为关键的一步;三维数据点集由三维数字化仪采集得到,不同的数字化设备,得到的三维数据点集可能会有差别,重构曲面网格的算法也不尽相同。本文介绍了几种对于不同数据形式、有代表性的重构曲面网格算法。     

从点集重构曲面网络方法综述

本文主要对三维数据点重构曲面网格模型方法进行了综述。从三维数据点集重构曲面一般遵循以下三个步骤：1）重构曲面网格模型；2）网格简化；3）拟合曲面（通常为Bezier,NURBS),其中重构曲面网格为关键的一点，三维数据点集由三维数字化仪采集得到，不同的数字化设备，得到的三维数据点集可能会有差别，重构曲面网格的算法也不尽相同，本文介绍了几种对于不同数据形式，有代表性的重构曲面网格算法。     

基于SOM的散乱数据点集的B样条曲面重建

利用自组织映射神经网络(SOM)技术对散乱数据点集进行B样条曲面重建时,往往存在网络学习时间过长和学习效果不理想等问题。提出了一种新的神经元初始化方法和分块学习算法,该算法首先运用主元素分析方法(PCA)对散乱数据进行分块,将拓扑结构为四边形的输出层神经元初始化在每块散乱数据的最小二乘平面上进行网络学习和训练,将分块学习得到的各网格曲面拼接成一个整体;然后对该整体网格曲面的边界和内部单独学习,得到一张逼近待重建曲面的双线性B样条曲面;最后对该B样条曲面误差进行了修正。实例证明,该算法可以明显地减少SOM网络学习时间,并改善网络学习效果。     

基于混合训练方法的RBF神经网络的曲面重构

根据径向基函数神经网络(RBFNN)具有很强的非线性逼近能力,以及强大的抗噪、修复能力等优点,讨论了目前神经网络训练方法,提出将径向基函数神经网络应用于带有噪声数据散乱数据点自由曲面的重构,并对该方法理论上的可行性和实践上的实用性进行了讨论和验证。结果表明：径向基函数网络用于曲面重构, 不仅能够有效地逼近不完善的、带有噪声的曲面,而且拟合精度高、网络的训练速度快,说明了径向基函数神经网络应用于曲面重构问题的可行性,为解决反向工程的技术关键——自由曲面重构提供了一个新的途径。     

点云数据重构三维网格形状的新算法

在分析现有重构方法局限性的基础上,提出了一种基于神经网络的点云数据重构三维网格形状的新算法。首先对点云数据平滑处理;然后进行特征线提取,并以特征线为基础对曲面进行分割。该方法能直接从神经网络的权值矩阵得到曲线的控制顶点/曲面的控制网格,通过神经网络的权值约束实现曲线段/曲面片之间的光滑拼接。能显著提高逼近网格的品质,从而实现了点云数据的精确曲面重构,实际的算例结果表明该方法实用可靠。     

基于变形网格法的高密点云曲面重建

针对散乱点云庞大的特点,为提高其曲面重构效率,提出了一种三维高密散乱点云的曲面重建方法。该法首先构建一均匀网格,再通过拟合网格每个单元格的顶点到所输入点集中最近的点来实现对网格单元格进行变形,然后根据每个单元格中顶点状态模型构建三角片。该方法运行速度快,占用内存少。最后通过实例分析验证了该方法的有效性。     

Mesh Generation from Dense 3D Scattered Data Using Neural Network

An improved self-organizing feature map (SOFM) neural network is presented to generate rectangular and hexagonal lattic with normal vector attached to each vertex. After the neural network was trained, the whole scattered data were divided into sub-regions where classified core were represented by the weight vectors of neurons at the output layer of neural network. The weight vectors of the neurons were used to approximate the dense 3-D scattered points, so the dense scattered points could be reduced to a reasonable scale, while the topological feature of the whole scattered points were remained.     

径向基神经网络重建自由曲面的探讨

提出了采用神经网络重建自由曲面的方法,建立了用于曲面重建的径向基函数神经网络模型,提出并论证了神经网络用于密集散乱点曲面重建的方案,与常规的重构方法对比,分析了其优点和关键技术,着重讨论了径向基函数神经网络模型,仿真实验表明：采用二层的径向基函数网络,对单个曲面片的拟合精度和网络训练速度大大优于ＢＰ网,完全满足实用要求,具有一定的理论与实用意义。     

三维散乱数据三角形网格逼近的一种算法

以激光－机器视觉测量方式得到的曲面数据云为基础，对曲面密集３维散乱数据用线性逼近进行三角形网格拟合。根据激光测量方式和３维点群分布的特点，应用八叉树空间分割原理，对密集散乱点群采用空间分区存储，建立八叉树拓扑关系，加快几何建模速度。     

Fast self-organizing feature map algorithm

We present an efficient approach to forming feature maps. The method involves three stages. In the first stage, we use the K-means algorithm to select N(2) (i.e., the size of the feature map to be formed) cluster centers from a data set. Then a heuristic assignment strategy is employed to organize the N(2) selected data points into an NxN neural array so as to form an initial feature map. If the initial map is not good enough, then it will be fine-tuned by the traditional Kohonen self-organizing feature map (SOM) algorithm under a fast cooling regime in the third stage. By our three-stage method, a topologically ordered feature map would be formed very quickly instead of requiring a huge amount of iterations to fine-tune the weights toward the density distribution of the data points, which usually happened in the conventional SOM algorithm. Three data sets are utilized to illustrate the proposed method.     

伪点云修正增强激光雷达数据

目的 激光雷达在自动驾驶中具有重要意义,但其价格昂贵,且产生的激光线束数量仍然较少,造成采集的点云密度较稀疏。为了更好地感知周围环境,本文提出一种激光雷达数据增强算法,由双目图像生成伪点云并对伪点云进行坐标修正,进而实现激光雷达点云的稠密化处理,提高3D目标检测精度。此算法不针对特定的3D目标检测网络结构,是一种通用的点云稠密化方法。方法 首先利用双目RGB图像生成深度图像,根据先验的相机参数和深度信息计算出每个像素点在雷达坐标系下的粗略3维坐标,即伪点云。为了更好地分割地面,本文提出了循环RANSAC （random sample consensus）算法,引入了一个分离平面型非地面点云的暂存器,改进复杂场景下的地面分割效果。然后将原始点云进行地面分割后插入KDTree （k-dimensional tree）,以伪点云中的每个点为中心在KDTree中搜索若干近邻点,基于这些近邻点进行曲面重建。根据曲面重建结果,设计一种计算几何方法导出伪点云修正后的精确坐标。最后,将修正后的伪点云与原始激光雷达点云融合得到稠密化点云。结果 实验结果表明,稠密化的点云在视觉上具有较好的质量,物体具有更加完整的形状和轮廓,并且在KITTI （Karlsruhe Institute of Technology and Toyota Technological Institute）数据集上提升了3D目标检测精度。在使用该数据增强方法后,KITTI数据集下AVOD （aggregate view object detection）检测方法的AP_3D-Easy （average precision of 3D object detection on easy setting）提升了8.25%,AVOD-FPN （aggregate view object detection with feature pyramid network）检测方法的AP_BEV-Hard （average precision of bird’s eye view on hard setting）提升了7.14%。结论 本文提出的激光雷达数据增强算法,实现了点云的稠密化处理,并使3D目标检测结果更加精确。     

基于局部曲面拟合的散乱点云简化方法

随着数据获取手段的进步,散乱点云数据在三维重建中获得越来越广泛的应用,然而庞大的数据量往往影响重建的效率。现有简化算法中采用的曲率计算方法精度不高,导致模型特征模糊。本文在分析曲面特征的基础上给出了一种曲面特征的定量描述方法。该方法采用局部曲面拟合得到曲面在一点处的近似曲面,然后用法曲率在360度范围内的平均值代替平均曲率来描述曲面在一点处的特征。简化时采用K-D树剖分点云数据,根据子节点所包含的采样点数、空间区域大小和曲面特征大小控制简化过程。实验结果表明,该方法能够更好地保持曲面的几何特征,从而证明了算法的有效性。     

SOM神经网络改进及在遥感图像分类中的应用*

针对自组织特征神经网络自身算法的特点和缺陷,采用遗传算法对网络进行改进,形成了基于遗传算法的自组织特征神经网络,并从输入向量、竞争层神经元数量设置和初始权向量设定三方面,结合遥感图像的特性对自组织特征映射网络遥感图像分类的方法进行了改进。将该方法应用于择西安地区的ETM+卫星遥感图像进行分类试验,结果表明,基于遗传算法的自组织特征映射网络使得遥感图像的分类精度更高,且该算法实现简单,具有一定的工程应用价值。