导读:本文包含了点云简化论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:误差,邻域,博物馆,特征,数字,不等式,维度。
点云简化论文文献综述
孙大林,唐好选[1]（2019）在《路面点云的并行简化研究》一文中研究指出为有效解决大规模路面激光点云简化过程中的时间延迟问题,在加速简化过程的同时准确保留特征点,研究了基于斜率差的扫描线点云简化算法及2种并行加速方式。首先从路面扫描线点云的分布特点出发,以相邻点间连线的斜率差作为识别特征点的基准,实现了串行简化算法。同时,在研究算法的流程并提取出可并行步骤的基础上,分别设计实现了利用多核CPU的并行简化算法和利用GPU的并行简化算法。前者依靠OpenMP技术,实现的是一种多线程并行;后者在CUDA框架下实现,属于CPU和GPU结合的异构并行计算。在实验阶段的实际路面点云上验证算法执行效果的同时,设计了3种算法在不同规模点云数据上的性能测试。通过绘制性能曲线,分析比较了2种并行算法的并行效果优劣。最终实现的利用GPU的并行简化算法与串行算法比较取得了100左右的加速比。(本文来源于《智能计算机与应用》期刊2019年04期）
王成福[2]（2019）在《基于特征感知的叁维散乱点云简化技术研究》一文中研究指出随着计算机科学和虚拟现实技术的发展,数字博物馆技术逐渐成为文化遗产和自然遗产虚实展示的重要技术手段。数字博物馆具有资源共享和网络传输功能,若使用原始扫描点云直接建模,会消耗大量的时间和空间资源,增加网络传输的负担,降低数字博物馆的用户体验。因此,如何精确和有效地对点云数据进行简化已然成为虚实展示的关键技术。针对上述问题,本文分别从整体和局部两个层次保留原始点云特征,针对特征感知的叁维散乱点云简化展开研究。本文研究工作如下:(1)针对散乱点云简化过程容易丢失轮廓边缘几何特征的问题,提出一种基于法向偏差的轮廓边缘特征点提取方法。首先,通过构造点云空间拓扑关系和拟合局部平面求出点云法向量;然后,根据基于坐标值比较的轮廓边缘点检测方法,提取候选轮廓边缘点;最后,提出基于法向偏差的区域生长方法,有效区分轮廓边缘点以及轮廓边缘附近点。实验结果表明,该方法简单、鲁棒,能有效提取点云模型轮廓特征点,具有较高的计算效率。(2)针对点云简化后特征稀疏、轮廓形状粗糙、易丢失局部几何特征和产生孔洞等问题,提出一种基于期望最大化聚类的点云简化方法。首先,根据点的局部分布,采用期望最大化方法对点云进行聚类分析;然后,在聚类簇内通过局部绝对曲率来确定高曲率点,构造描述能力较强的特征点划分函数;最后,基于特征感知的Hausdorff距离进行点云简化。实验表明,该方法可以在曲率较大的地方尽可能稠密,曲率较小的地方尽可能稀疏,保留尖锐特征的同时尽可能展示整体轮廓,有效避免简化过程中易生成孔洞等问题,降低简化误差。(3)本文设计并实现了叁维散乱点云简化系统,主要功能包括点云模型数字化管理、法向量估计、轮廓边缘特征提取以及点云模型简化。实验表明,该系统可以快速有效地简化散乱点云,并保证较好的重建效果。本文研究得到国科金重点项目(61731015)“破损陶质文物数字几何虚拟复原方法研究”和国科金青年项目(61802311)“基于深度特征模式的缺损文物碎片自动拼接方法研究”的支持。(本文来源于《西北大学》期刊2019-06-01）
杜梁杰[3]（2019）在《基于点云的3D特征描述子简化算法研究》一文中研究指出3D特征描述子在计算机视觉领域中扮演着重要角色,因为它是许多3D视觉应用的先决条件。根据特征的类型3D物体识别算法分为两类,基于全局特征和基于局部特征的方法,而局部特征的方法对实际场景中的遮挡和闭塞具有更高的鲁棒性而被广泛研究。尽管目前为止有很多这样的描述子存在,但大多数都以浮点数据形式存在,导致在特征匹配过程中计算复杂、内存占用量大等问题。本文对复杂场景下基于局部特征描述子的简化展开研究并用于目标识别,分析了算法过程中的关键技术,如模型库的构建、点云分割、特征提取与描述、特征匹配等,并通过实验进行对比分析验证。论文的工作主要包括以下3个部分:1.对模块化机械臂分拣平台的作业物体构建点云模型库。首先通过滤波去除点云中的噪声点和离群点,设计了一种区域增长分割算法用于物体聚类的提取,采用ISS算法检测聚类关键点并计算对应的局部特征描述子,建立k-d树序列表,实现物体模型库的构建。2.为了提高匹配效率,本文提出一种新的简化方法,本方法含有两个参数,简化单元和编码位数,针对不同的原始描述子,采用本文提出的方法,通过改变这两个参数可以产生不同的简化描述子。然后使用切比雪夫不等式数学模型将浮点型数据转化为二进制串从而得到更简单有效的特征描述子CI-SHOT(Chebyshev's Inequality Signature of Histogram of Orientations)。3.最后将CI-SHOT和SHOT以及另外一种二进制简化描述子B-SHOT进行对比分析,数据集上实验测试结果表明CI-SHOT在关键点检测和匹配性能上有明显优势。最后构建模块化机械臂智能感知与自动作业软硬件系统,将新的描述子用于实验平台上,并取得明显效果。(本文来源于《武汉科技大学》期刊2019-05-01）
王成福,耿国华,胡佳贝,张勇杰[4]（2019）在《一种特征感知的叁维点云简化算法》一文中研究指出提出一种特征感知的叁维点云简化方法。通过构造八叉树搜索每个点的k近邻点,并计算每个点的法向量,以此检测并保留边缘点;使用期望最大化算法对点云进行聚类,并确定高曲率的点;使用边缘感知的有向Hausdorff距离方法进行点云精简,合并前述点云并删除重复点,实现模型简化。该方法适用于不同曲率变化的模型,并且能够在保留尖锐特征的同时显示模型整体轮廓。实验结果表明,该方法不仅能够保留原始模型的几何特征和轮廓外貌,而且有效地避免了简化过程中的孔洞现象,几何简化误差较低。(本文来源于《激光与光电子学进展》期刊2019年11期）
陆建华,刘闯,吕志才[5]（2018）在《最优邻域二次误差曲面的点云简化算法》一文中研究指出针对点云简化算法中普遍存在的误差累积与传递问题,提出基于最优邻域二次误差曲面的点云简化算法。该算法依据点云邻域的几何特性提取特征点;构建基于维度特征的熵函数,以最小熵函数原则确定最优邻域,结合二次曲面拟合误差控制理论,实现非特征点云的简化;构建基于二次误差曲面的信息熵评价指标对简化结果进行评价。试验表明,该算法能够有效减弱误差影响,更好地服务于后期的曲面重建。(本文来源于《测绘通报》期刊2018年12期）
肖巍峰,田鑫,李朝奎,陈奇[6]（2018）在《利用连续变形技术的叁维点云简化方法》一文中研究指出针对曲率变化较大的叁维点云表面模型简化方法中容易出现失真的问题,提出了一种利用连续变形技术的叁维点云简化方法。算法采用包围盒法构造分割面,分割面将叁维点云处理成按扫描线存储的"结构化"测量点集;逐线生成点集的凸包多边形,按一定准则将剩余的离散点集归类到对应的凸包边,引入变换程度参数,通过计算离散点的选取时机参数对其进行选取,获得不同简化比率的连续变化的点云简化模型。随后以右心室、佛像、雕刻面板为典型实例,分别对具有不同表面特征的叁维点云模型进行了简化验证,并通过移动最小二乘曲面,评估简化曲面的误差。结果表明,该方法能够有效地简化叁维点云,对曲率变化比较大的表面仍然能很好地保留原始模型的几何特征。(本文来源于《遥感信息》期刊2018年05期）
李彦军,剡昌锋,王文斌,常斌全[7]（2018）在《基于二次误差测度的超声点云数据简化算法》一文中研究指出为使Qslim算法在处理超声点云数据网格模型时能够自适应于非空间测度量的简化要求,提出一种网格模型简化算法。基于超声点云数据中包含强度信息的特点,将强度信息测度经过归一化处理后嵌入到二次误差测度矩阵中,根据简化阈值重新分配强度信息测度和二次误差测度矩阵对收缩代价的影响比重。实验结果表明,优化后算法使得简化结果能够自适应于反射强度值,实现了Qslim算法在超声成像领域的应用目的。(本文来源于《计算机工程与设计》期刊2018年09期）
史旭栋,高岳林[8]（2018）在《基于鸡群优化算法的点云简化算法在粮堆检测中的应用》一文中研究指出将鸡群优化算法(CSO)引入平均距离方法,提出了一种基于CSO的自适应简化算法,并通过使用3D点云扫描粮仓中粮堆表面验证了该算法的有效性。结果表明,与平均距离法相比,该算法具有更均匀分布的点集、更大的减速比和更高容量的估计精度,具有较好的简化性能和随时更新、减少间隔的能力。该算法和3D激光扫描仪能实时检测仓库中粮堆的体积。(本文来源于《安徽农业科学》期刊2018年03期）
张雨禾,耿国华,魏潇然,苏惠明,周明全[9]（2016）在《保留几何特征的散乱点云简化算法》一文中研究指出针对散乱点云简化中易丢失几何特征及潜在曲面形状信息的问题,提出一种保留几何特征的散乱点云简化算法.首先以单位距离上的法向变化作为局部特征检测算子,采用基于泊松分布的区域生长法自适应地检测特征点,并计算潜在曲面的平均弯曲度;然后通过设定不同的聚类阈值,并利用共享近邻聚类算法对非特征点的邻域进行聚类分析,从而判定该点处潜在曲面的弯曲程度,同时检测噪声点;最后,删除噪声点,根据潜在曲面弯曲程度,采用不同的简化策略删除冗余点.该算法不但避免了在大量精简时造成孔洞,而且使得简化后模型尽可能保持原始潜在曲面的形状信息,降低简化误差.实验结果表明,文中算法简单、有效,能够同时保留原始点云的几何特征及潜在曲面的形状信息,具有较低的简化误差和良好的鲁棒性.(本文来源于《计算机辅助设计与图形学学报》期刊2016年09期）
官亚勤,赵学胜,王鹏飞,李大朋[10]（2016）在《基于切片原理的海量点云并行简化算法》一文中研究指出针对传统点云简化算法效率低且处理点数少的缺陷,结合快速成型领域的切片原理顾及特征计算复杂度低的特点,设计并实现了适合千万级海量激光雷达(Li DAR)点云的并行切片简化算法。该算法根据切片原理对点云模型分层并按照角度排序,利用NVIDA的统一计算设备架构(CUDA)和可编程图形处理器(GPU)高度并行的性能优势,使用GPU多线程高效并行地执行单层切片点云简化,提高了算法效率。最后,应用3组不同数量级点云模型分别进行简化对比实验。实验结果表明:在保持模型特征与压缩比不变的情况下,所提算法效率高出传统基于CPU的串行切片算法1~2个量级。(本文来源于《计算机应用》期刊2016年07期）
点云简化论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着计算机科学和虚拟现实技术的发展,数字博物馆技术逐渐成为文化遗产和自然遗产虚实展示的重要技术手段。数字博物馆具有资源共享和网络传输功能,若使用原始扫描点云直接建模,会消耗大量的时间和空间资源,增加网络传输的负担,降低数字博物馆的用户体验。因此,如何精确和有效地对点云数据进行简化已然成为虚实展示的关键技术。针对上述问题,本文分别从整体和局部两个层次保留原始点云特征,针对特征感知的叁维散乱点云简化展开研究。本文研究工作如下:(1)针对散乱点云简化过程容易丢失轮廓边缘几何特征的问题,提出一种基于法向偏差的轮廓边缘特征点提取方法。首先,通过构造点云空间拓扑关系和拟合局部平面求出点云法向量;然后,根据基于坐标值比较的轮廓边缘点检测方法,提取候选轮廓边缘点;最后,提出基于法向偏差的区域生长方法,有效区分轮廓边缘点以及轮廓边缘附近点。实验结果表明,该方法简单、鲁棒,能有效提取点云模型轮廓特征点,具有较高的计算效率。(2)针对点云简化后特征稀疏、轮廓形状粗糙、易丢失局部几何特征和产生孔洞等问题,提出一种基于期望最大化聚类的点云简化方法。首先,根据点的局部分布,采用期望最大化方法对点云进行聚类分析;然后,在聚类簇内通过局部绝对曲率来确定高曲率点,构造描述能力较强的特征点划分函数;最后,基于特征感知的Hausdorff距离进行点云简化。实验表明,该方法可以在曲率较大的地方尽可能稠密,曲率较小的地方尽可能稀疏,保留尖锐特征的同时尽可能展示整体轮廓,有效避免简化过程中易生成孔洞等问题,降低简化误差。(3)本文设计并实现了叁维散乱点云简化系统,主要功能包括点云模型数字化管理、法向量估计、轮廓边缘特征提取以及点云模型简化。实验表明,该系统可以快速有效地简化散乱点云,并保证较好的重建效果。本文研究得到国科金重点项目(61731015)“破损陶质文物数字几何虚拟复原方法研究”和国科金青年项目(61802311)“基于深度特征模式的缺损文物碎片自动拼接方法研究”的支持。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
点云简化论文参考文献
[1].孙大林,唐好选.路面点云的并行简化研究[J].智能计算机与应用.2019
[2].王成福.基于特征感知的叁维散乱点云简化技术研究[D].西北大学.2019
[3].杜梁杰.基于点云的3D特征描述子简化算法研究[D].武汉科技大学.2019
[4].王成福,耿国华,胡佳贝,张勇杰.一种特征感知的叁维点云简化算法[J].激光与光电子学进展.2019
[5].陆建华,刘闯,吕志才.最优邻域二次误差曲面的点云简化算法[J].测绘通报.2018
[6].肖巍峰,田鑫,李朝奎,陈奇.利用连续变形技术的叁维点云简化方法[J].遥感信息.2018
[7].李彦军,剡昌锋,王文斌,常斌全.基于二次误差测度的超声点云数据简化算法[J].计算机工程与设计.2018
[8].史旭栋,高岳林.基于鸡群优化算法的点云简化算法在粮堆检测中的应用[J].安徽农业科学.2018
[9].张雨禾,耿国华,魏潇然,苏惠明,周明全.保留几何特征的散乱点云简化算法[J].计算机辅助设计与图形学学报.2016
[10].官亚勤,赵学胜,王鹏飞,李大朋.基于切片原理的海量点云并行简化算法[J].计算机应用.2016
论文知识图
