分布式光纤桩基检测里特征点压缩算法的应用研究

在开展桩基分布式检测工作时,常常用布里渊散射光时域反射技术(BOTDR)测量桩基,对数据的平滑去噪处理,是此工作中重要的一步。以某桩基为例子,借助特征点压缩算法,对检测数据进行平滑去噪处理,分析这种数据处理方法的特点和在实际中的应用效果。研究结果表明:数据的去噪会受到压缩算法的特征点阈值影响,参数的选择应结合实际情况和具体数据来确定;以不同的指标对平滑处理效果进行分析时,得出的压缩算法最优次数也不同;从摩阻力和轴力分布图来看,实际应用效果和桩体荷载传递规律以及国家相关规范基本一致,可以将荷载作用下桩体的实际受力情况准确地反映出来,效果良好。

二进制Edwards曲线上的点压缩算法

探讨二进制Edwards曲线上的点压缩算法。分别给出了二进制Edwards曲线的单点压缩算法和两点压缩算法。平均压缩点带宽为nbit和1.5n-1 bit,平均恢复点开销为I+0.5M+S和1.5I+M+S.通过与对其他类型曲线上的点压缩算法对比,此点压缩算法在压缩带宽和恢复点开销两方面都有相应的优势。

移动互联网微软点对点压缩算法应用

微软点对点压缩(MPPC:Microsoftpoint-to-point compression)采用压缩PPP(point-to-point protocol)包方式,通过减少数据传送大小来提升传输效率,从而达到节省空口资源、提升传送速率的目的,能实现节省带宽资源。经测试验证,可以提升网络资源使用效率。

基于NAF的椭圆曲线集成加密方案存储空间的压缩及其点压缩算法的优化

数乘是椭圆曲线公钥密码体制中耗时长和占用资源多的一种运算,对于计算资源和存储资源受限制的客户端,直接影响其加密和解密速度.这里分析了基于传统二进制的数乘算法,介绍一种基于椭圆曲线集成加密方案的算法即ECIES,提出了一种优化的低存储NAF点压缩数乘算法,大大地缩短了点乘运算的运行时间,节约了存储空间.对传统的ECC算法进行优化,截短密钥,提升加密和解密速度快和安全性,突显出ECIES广阔的开发空间和巨大的经济应用价值.

特征点压缩算法在分布式光纤桩基检测中的应用

布里渊散射光时域反射测量技术(BOTDR/A)是一种重要的分布式光纤感测技术。采用BOTDR/A技术进行分布式光纤桩基检测时,海量的检测数据需要平滑去噪。介绍了分布式光纤桩基检测中最常用的感测光纤埋设工艺、海量检测数据的特点、平滑去噪在检测数据处理分析方面的作用,并据此提出了特征点压缩算法(一种新的平滑去噪方法)的概念和实现流程;结合工程实测数据,分析了该法的平滑去噪效果,验证了该法的实际应用情况。研究结果表明:该方法用于桩基检测数据处理是十分有效的,与常规算法对比,该方法简单高效,能够在不丢失检测数据特征趋势的同时对数据进行较好的平滑去噪,实际应用达到了满意的效果,其结果可在分布式光纤桩基检测的数据处理中推广应用。

基于场景流的可变速率动态点云压缩

针对现有的动态点云压缩神经网络需要训练多个网络模型的问题,提出基于场景流的可变速率动态点云压缩网络框架.网络以原始动态点云为输入,利用场景流网络进行运动向量估计,在压缩运动向量和残差的同时,引入通道增益模块对隐向量通道进行评估和缩放,实现可变速率控制.通过综合考虑运动向量损失和率失真损失,设计新的联合训练损失函数,用来端到端地训练整个网络框架.为了解决动态点云数据集缺少真实运动信息标签的问题,基于AMASS数据集制作带有运动向量标签的人体数据集,用于网络的训练.实验结果显示,与现有的基于深度学习动态点云压缩方法相比,该方法的压缩比特率下降了几个数量级,与静态压缩网络单独处理每帧的重构效果相比,该方法有5%~10%的提升.

基于Transformer的点云几何有损压缩方法

点云被广泛地用于三维物体表达,不过真实世界采集到的点云往往数据庞大,不利于传输与储存,针对点云数据冗余性问题,引入基于注意力机制的Transformer模块,提出一种基于Transformer的端到端多尺度点云几何压缩方法。将点云进行体素化,在编码端利用稀疏卷积提取特征,进行多尺度的逐步下采样,结合Transformer模块加强点空间特征感知与提取;在解码端进行对应的多尺度上采样重建,同样采用Transformer模块对有用特征进行加强与恢复,逐步细化并重建点云。与2种点云标准编码方法对比,所提方法平均获得80%和75%的BD-Rate增益;与基于深度学习的点云压缩方法对比,平均获得16%的BD-Rate增益,在相同码率点有约0.6的PSNR提升。实验结果表明:Transformer在点云压缩领域的可行性与有效性;在主观质量方面,所提方法也有明显的主观效果提升,重建的点云更接近原始点云。

基于多尺度特征和注意力机制的深度学习点云压缩

三维点云广泛应用于无人驾驶、实景三维等领域,然而复杂场景的海量点云对存储、处理和传输等带来极大挑战。提出一种基于多尺度特征和注意力机制的深度变分自编码点云几何信息压缩算法MSA-GPCC,通过加入多尺度模型提取特征、变分自编码器构建熵模型,继而结合尺度注意力模块和多尺度特征,实现基于熵编码的点云几何信息高码率、低失真压缩。在MPEG数据集上进行的实验表明,相比G-PCC算法和基于深度学习的D-PCC算法,MSA-GPCC算法在点间等比特率下平均质量增益分别提升7.72和4.91 dB,点到面等比特率下平均质量增益分别提升5.56和3.09 dB。

一种基于动态点云的三维监控与压缩系统

动态点云能准确表达三维空间位置关系,相较于二维影像,在目标检测、人脸识别以及可视化等方面具有更好的表现,因此动态点云在视频监控领域具有较大应用前景。基于所提出的改进的动态点云编解码框架,实现一种基于动态点云的三维实时监控与压缩系统。首先,通过ZED 2i双目相机进行点云视频获取,以Jetson Nano作为数据处理器,应用基于统计学的滤波算法实现离群点与噪声的去除。其次,依据监控场景的静动特性进行前后景分割,分别应用提出的改进算法和PCL库的压缩算法进行编码。实验表明,在监控场景下,获取的动态点云序列取得了较好的主观效果的同时,实现了点云数据的高效压缩。

一种融合曲度的自适应八叉树点云压缩算法

针对传统点云压缩算法压缩精度和压缩速度不均衡的问题,提出了一种点云曲度与八叉树结合的点云压缩算法,利用点云曲度能够精确表示点云表面特征的特性和八叉树快速索引的特性,在保证点云压缩精度的同时提高压缩速度,较好地解决了点云压缩精度和速度不均衡问题。采用兔子点云数据进行实验,结果表明:本算法既在保证压缩精度的同时,又能够在一定程度上缩短压缩时间,特别是针对海量点云数据的压缩更能够体现本算法压缩精度和压缩速度的优势。

视频点云压缩基于增强数据相关性的帧间编码改进方法

基于视频的点云压缩(V-PCC)在相邻帧对应的相似3D点云发生旋转时,旋转后的点云投影平面会发生变化,从而导致投影后的像素产生较大差异并减弱点云帧间的相关性,且点云采集时掺杂的噪点也容易影响编码效果。本文提出了一种基于增强数据相关性的帧间编码改进方法,其采用基于统计的方法去除离群点,并计算点云帧之间的相对运动,通过采用基于运动一致性的二叉树分割方法分割,对分割后的点云采用基于NDT粗配准和ICP精细配准的方法估计点云的运动信息,使用基于法向量双线性平滑的方法平滑点云,最后对平滑后的点云序列使用V-PCC编码。

激光测距前沿回波大数据点云压缩方法

点云数据压缩时,外边界点易丢失,影响后续点云压缩品质。为此,提出激光测距前沿回波大数据点云压缩方法。首先通过主回波匹配、回波信号识别、多项式拟合滤波、时间误差修正等操作预处理激光测距前沿回波大数据;然后采用主成分分析法获取数据法矢,再分别提取边界特征点和尖锐特征点,保留点云模型完整边界;最后利用SIFT算法压缩点云数据并保存,完成激光测距前沿回波大数据的点云压缩。实验结果表明,所提方法能够提高压缩率、缩短压缩时间、降低压缩前后表面积比。

高焓流动中的可压缩颗粒两相流并行求解器:数值方法及其验证

在极端力学环境下可压缩点力颗粒两相流理论方程的基础上,提出一种基于动态链表数组的并行颗粒求解器,使其与可压缩流体求解器耦合。与基于欧拉坐标系的携带流体相不同,基于拉格朗日坐标系的求解器采用动态链表数组对弥散颗粒相进行内存分配,可以解决因使用全局数组解决拉格朗日/欧拉坐标系转换带来的弥散颗粒群内存利用率低和计算效率低下问题。最后对多物理效应的可压缩颗粒两相流求解器进行验证,并在马赫数渐进趋于零的情况下,对两个不可压缩槽道颗粒湍流标模进行验证。

联合点云压缩的多特征融合点云语义分割方法

针对PointNet++对点云空间相关性特征提取能力不足,同时难以适用于大场景高密度LiDAR点云语义分割的问题,提出一种联合点云压缩的多特征融合LiDAR点云语义分割方法。首先利用点云压缩算法降低点云密度,并使用PointNet++提取简化点云的深度语义特征,再利用拟合算法计算完整点云的深度特征;之后提取人工设计的空间相关性特征与深度特征进行串联;最后利用随机森林算法对完整点云进行语义分割。通过在ISPRS提供的LiDAR点云语义分割标准数据集进行实验,证明提出方法的有效性,总体精度较PointNet++提升了5.3%。

基于加权损失的点云占用图视频上采样

基于视频的点云压缩标准(Video-based Point Cloud Compression,V-PCC)中,3D点云会被分成数百个块并投影到2D平面中,形成记录点云纹理信息的纹理视频和记录点云空间信息的几何视频。同时,还需要生成一个占用图视频(Occupancy Map Video),以记录纹理视频和几何视频中每一个像素点是否对应重建点云中的某个点。因此,占用图视频质量与重建点云质量直接相关。为了节约编码比特数,占用图视频在编码端会先被下采样,然后在解码端通过简单的上采样恢复到原分辨率。文中的基本思路是引入深度学习来代替V-PCC中的简单上采样方法,使得上采样后的占用图视频质量更高,从而提高点云的重建质量。在网络训练阶段提出使用加权损失函数,使得在重建点云时能尽可能少地移除正常点并尽可能多地移除噪声点。实验结果证明,所提方法可以大幅提升V-PCC的主客观性能。

基于位姿状态的激光雷达点云帧间编码方法

激光雷达动态获取点云压缩在智能驾驶领域具有重要应用。为了应对点云序列时域冗余问题,本文设计了基于位姿状态的激光雷达点云帧间编码方法。在动态获取点云场景中,点云在三维空间上分布广泛且稀疏。对此,将其映射到二维距离图上。并在此基础上,结合激光雷达位姿关系,提出了一种高效的帧间预测编码方法,以消除时域冗余。由于三维物体遮挡的原因,激光雷达运动时易导致预测距离图产生空洞现象,影响预测编码性能。采用空洞填补方法可提高算法预测精度,并对预测残差进行量化和压缩。实验结果表明,相较于G-PCC等编码方法,所提出的方法在编码性能方面表现更为优越。

基于ONR-CNN的点云属性视频环路滤波算法优化

通过对基于视频的点云压缩(V-PCC)投影生成的属性视频进行研究,提出了基于ONR-CNN的点云视频环路滤波算法。算法引入占用信息优化损失函数和加强占用区域编码单元的色度信息表达,提高深度学习网络对占用区域的关注度;根据V-PCC在AI配置下的编码结构,引入迭代训练机制,在训练过程中考虑该编码结构下P帧对I帧的依赖关系,使训练出的网络模型更好地适应编码需求。实验结果表明:在AI配置下,与V-PCC参考软件相比,所提算法在Y,U,V下的BD-AttrRate分别降低5.9%、24.5%和23.5%,BD-TotalRate分别降低4.7%、20.6%和19.0%。

红外焦平面阵列非均匀性多点实时压缩校正研究

非均匀性校正是提高红外图像质量的主要方法之一。针对传统的多点校正方法运算量大、实时性能差等缺点,提出多点实时压缩校正新方法,该方法将校正曲线相同或相似的不同探测单元归为一类,并将归类后的校正曲线的映射表存储在查找表中,校正过程中仅对查找表中的数据进行实时读取。实验结果表明:该算法计算量小、校正速度快,更加适合硬件实时实现。

基于压缩相对轮廓特征点的手形识别

为解决生物识别中,手形特征维度高、计算量大、易受图像背景及手掌位移干扰等问题,提出一种基于压缩相对论廓特征点的手形识别方法.建立了手形轮廓相对于手形轮廓质心的坐标系,通过等间隔取点法寻找综合计算性能和准确率最好的手形特征点数量,以此数量等间隔提取手形轮廓,并用压缩特征点坐标作为手形识别特征.采用支持向量机作为分类器对不同手形特征进行识别,准确率达98.25%.

基于特征点压缩原理的矿井异常监测数据模拟自动生成模型

针对矿井通风系统诊断或健康体检研究缺少及时有效调试数据的实际情况,通过分析大量矿井监测监控系统的异常数据时间序列,深入研究了监测曲线的几种异常表现类型。运用数据压缩原理与随机函数相结合的方法,提出了基于自由采样法和DP原理全局采样法的矿井异常监测数据自动生成的特征点压缩模型(CPC模型)。并基于.NET开发平台,采用C#编程语言开发了矿井通风异常实时模拟平台。通过对典型异常类型的模拟,得出的异常模拟曲线与真实异常数据基本吻合,表明特征点压缩模型可以产生通风安全监测异常模拟数据供相关研究使用。