使用冯·米塞斯分布提取特征的点云精简方法

针对点云精简算法提取特征时较为依赖传统参数、特征提取不全面和特征边界易丢失等问题,提出一种使用冯·米塞斯(vMF)分布提取特征的点云精简方法。该方法首先利用邻域重心点构建向量,通过与法向之间的夹角关系设置阈值划分曲面,降低噪声对细节特征的影响;然后利用冯·米塞斯分布提取曲面点的优先度,实现全局特征提取;最后基于特征进行八叉树分级精简。实验结果表明:所提方法可有效提取细节特征,相比于基于曲率、Hausdorff距离的方法所提取到的特征,有着更好的特征提取效果;利用基于曲率、栅格、随机的精简算法与所提方法进行关于重建结果、3D偏差、定量分析的对比,证明所提精简方法效果更优。所提方法为点云特征提取和精简提供一种新的思路。

基于概率球面判别分析的说话人识别信道补偿算法

在说话人识别任务中,概率线性判别分析(PLDA)模型是目前常用的分类后端,但由于高斯PLDA模型分布假设不能准确拟合真实说话人特征分布,导致基于高斯分布假设长度归一化的信道补偿方法会破坏说话人特征类内分布的独立性,使得高斯PLDA不能充分利用上游任务提取特征所包含的说话人信息,从而影响识别结果。针对这一问题,提出基于概率球面判别分析的信道补偿算法(CC-PSDA),通过引入冯·米塞斯-费希尔(VMF)分布假设的概率球面判别分析模型(PSDA)和特征变换方法代替高斯分布假设的概率线性判别分析方法,以避免信道补偿对说话人特征类内分布独立性的影响。首先,为了使说话人特征符合VMF分布先验假设拟合后端分类模型,在特征级利用非线性转换对说话人特征进行分布变换。之后,利用基于VMF分布假设的PLDA模型不会破坏说话人特征的类内分布结构的特点,将变换后的说话人特征定义到特定维度的超球面,最大化特征类间距离。所提算法通过期望最大化(EM)算法进行求解,最终完成分类任务。实验结果表明,改进算法在三个测试集上的识别等错误率相较于对比模型PSDA、高斯PLDA均最低。由此可见,所提模型可以有效区分说话人特征,提高识别性能。

一种基于特征提取的点云精简算法

针对激光点云数据中存在的大量冗余信息,造成传输、存储等后续处理环节付出多余的硬件和时间成本的问题,提出了一种基于特征信息的点云精简方法。利用自适应近邻点进行PCA计算点云法矢;利用冯.米塞斯分布进行边缘点提取,对非边缘点以点法矢为基础赋予其距离权重进行阈值判断,提取特征点;划分空间均匀网格,以网格为单元计算法矢均值,提取潜在特征点;对网格非特征点进行单点提取。以标准的Bunny和工件模型为对象进行了MATLAB仿真实验,所提算法与传统非均匀网格法、聚类法、三角面片消减法比较：在精简比1∶5、1∶10、1∶15、1∶20情况下,最大误差降低27%以上,平均误差降低12%以上。实验结果表明所提算法在特征信息较多的模型处理上具有更好的精简能力。

基于双树复小波域统计图像建模的纹理特征提取

统计图像建模方法使用某种参数控制的分布模型来描述纹理及其特征,即参数估计是该类方法的核心问题。鉴于此,提出一种新的纹理特征提取方法,利用广义伽马分布和广义冯·米塞斯分布在图像的双树复小波域上进行统计建模,利用对数累积量法进行高效的参数估计完成纹理特征提取。在VisTex和Brodatz纹理库上进行分类实验,结果表明所提方法能够有效捕获图像的纹理特征,获取较高的识别率。