基于环境遮挡掩码的物理正确柔和阴影绘制算法

针对物理正确的柔和阴影绘制问题,提出一种使用环境遮挡掩码来实现面光源可见性计算的方法。在绘制前,预先创建一个环境遮挡掩码立方图。在绘制过程中,利用环境遮挡掩码立方图来计算所有与可见性测试四棱锥相交的三角形面片的环境遮挡掩码,并对它们作'与'运算,再通过遮挡距离测试操作即可求出哪些光源采样光线不受遮挡。与蒙特卡洛积分光照计算方法相比,本文方法不但能绘制出物理正确的柔和阴影,而且避免了大量的阴影光线求交测试操作,提高了绘制方程的求解效率。

基于深度剥离的屏幕空间环境遮挡算法

针对原有屏幕空间环境遮挡算法存在的自遮挡距离误差问题,提出了一种基于深度剥离的屏幕空间环境遮挡算法(Depth-Peeling based Ambient Occlusion,DPAO).该算法通过深度剥离过程萃取了多深度层次的Z-Buffer,为遮挡计算提供了更精确的遮挡采样片段,同时利用深度剥离技术进行了修正,从而得到了更具有物理真实性地渲染结果.整个流程充分利用了现有GPU的SIMD特性并行实现.实验结果表明,该算法能够在高帧速率情况下为具有丰富高频细节的几何场景产生真实感强的柔和阴影,适用于视频游戏、科学仿真等对实时性要求较高的应用领域.

改进的基于屏幕空间环境遮挡

基于屏幕空间环境遮挡以牺牲计算精度与部分效果作为代价,换取场景的实时渲染.文中针对基于屏幕空间环境遮挡技术在采样方式、遮挡因子计算和平滑滤波3个方面的缺陷,提出相应的改进方法.采样方式方面,在三维空间构建平行于投影平面的圆盘,并根据其在屏幕的投影来计算采样范围,然后采用类似正态分布的方法结合随机纹理,对采样范围内的纹素采样;在遮挡因子计算方面,增加衰减系数,调整采样点对遮挡因子的贡献;最后,使用双边滤波来平滑图像,保持场景边缘,突出细节信息.

改进采样的屏幕空间环境遮挡

屏幕空间环境遮挡算法通过半球采样模拟计算出遮挡因子,实现环境遮挡计算的实时性,近似模拟出全局光照的效果,为解决采样中样本量过大的问题,提出降低分辨率采样的方法,该采样算法可以根据某一区域的深度信息判定为光滑区域还是边缘区域,随后的采样过程中仅对边缘区域进行,在物体的光照效果没有减弱的基础上,节省空间和时间消耗,提高渲染的速度。对于已采样样本,提出利用加速插值方法处理样本点,使得样本点的分布具有针对性,可以去除阴影感过深的问题。实验表明,以上两种改进使得渲染的效率提高同时更符合真实感的渲染要求。

基于桶型深度剥离算法的屏幕空间环境遮挡

针对屏幕空间环境遮挡算法不能计算屏幕空间中被遮挡物体产生的环境遮挡值,提出了一种基于桶型深度剥离算法的屏幕空间环境遮挡算法。将位于场景中不同深度层次的物体的深度值信息剥离出来,并用这些信息计算场景中所有物体产生的环境遮挡值,从而解决了屏幕空间环境遮挡算法中被遮挡物体无法产生环境遮挡值的问题。该方法的计算过程完全在图形处理器中完成,实验结果表明,该方法具有较好的真实感并保证实时绘制速度。

基于局部复杂度的环境遮挡

为了提高基于屏幕空间的环境遮挡算法（SSAO）的渲染速度,利用局部复杂度的帧间连续性,提出一种SSAO加速算法.首先为每个像素定义局部复杂度,其中局部复杂度相似的像素会有近似的环境遮挡（AO）值;在此基础上,利用帧间相关性,对于当前帧的像素p,若能在前几帧中找到与它有近似局部复杂度的某个像素,则可以直接复用前面帧的像素的AO值而无需重新计算;最后针对AO复用过程中产生的累积误差提出一种避免误差的方法.实验结果表明,在不影响效果的情况下,该算法可以将SSAO的渲染速度提高10%~40%.

间接光照技术和环境遮挡简介

环境遮挡技术的出现,使实时部分模拟全局光照效果成为可能。而不断发展的游戏行业中需要支持大规模动态场景以及柔性物体,同是要对图像质量和效率作出改进,这又为环境遮挡技术提出了更高的要求。最近,为了追求更真实的效果,越来越多的研究开始关注环境遮挡与间接光照的结合。为了更好的判断这一技术的未来走向和研究重点,对相关研究结果进行整理综述非常必要。

考虑环境遮挡影响的光伏阵列输出特性研究

随着全球资源的逐步紧缺,可再生能源的开发与利用受到了能源行业的大力重视,其中太阳能具有易于再生、能源清洁等优点,在电力等能源行业中发挥着巨大的作用。光伏发电系统通常地处偏僻,较易受到周围自然环境的遮挡等影响,可能导致其输出特性发生变化。为此,本文重点研究了阴影遮挡下的光伏阵列输出特性,为后续光伏发电特性分析奠定了理论基础。

基于GPU自适应的环境遮挡算法

针对传统的环境光遮挡算法中不能自适应的问题,提出了基于GPU自适应的环境遮挡算法。该算法充分利用了GPU并行计算技术和离屏渲染技术,快速计算出适合所载入场景的自适应步长;并将传统环境遮挡采样方法和抖动采样的思想相结合,对采样方法进行了改进;同时也简化了传统环境光遮挡算法中最终遮挡值的计算。实验结果表明,该方法不局限于特定场景,不需要对场景进行预处理,可以准确高效的计算环境光的遮挡情况,并且实现实时绘制。

遮挡环境下的基于AKF组合导航定位方法研究

GNSS/INS组合导航系统已经得到广泛应用。但是在GNSS系统受到环境限制时,松组合方案会失效。星座几何布局频繁变化等原因,会造成紧组合导航定位精度大幅下降。针对这一问题,本文采用基于新息的自适应卡尔曼滤波紧组合导航方法,设计了城市环境车载实验方案。该方法以伪距、伪距率的误差作为观测量,进行滤波估算,同时根据新息的方差理论值与实际值,构建自适应因子,对系统的量测噪声阵进行调整,进一步修正系统误差。通过实验验证,在可视卫星数低于4颗的时间内,此方法的三维定位误差相较于使用传统的卡尔曼滤波方法定位误差降低了约24.2%;在卫星可视条件频繁变化环境中,定位误差最大降低了约60%。结果表明此方法在观测条件较差时,可以对卫星伪距的观测噪声进行调整,降低了状态误差,增强滤波器的鲁棒性,从而提供更精准的位置信息。

严重遮挡非视距环境下的三维定位方法

在严重遮挡非视距环境中,由于定位源与未知节点之间被障碍物遮挡而无法检测直射路径,极大地制约了无线定位方法的应用。提出一种能够规避直射路径遮挡现象的三维定位框架,利用单次反射路径和方位信息,论证了定位源、未知节点和散射体的三维空间位置关系,提出了基于最小二乘准则的空间位置优化算法,并推导出空间位置的求解方法。同时对定位算法进行均方根误差(RMSE,root mean-square error)的理论分析。通过蒙特卡罗仿真实验分析了三维定位框架中距离和方位偏差对算法性能的影响,仿真结果与算法的RMSE理论结果相符,说明了三维非视距定位算法的有效性。

遮挡环境下原子钟和气压测高仪辅助北斗定位方法研究

在城市峡谷等遮挡环境下,接收机无法连续进行定位解算;并且高程定位精度不能满足用户在立交桥或者盘山公路等环境下的定位需求。在接收机内使用原子钟,可以利用原子钟的高稳定性,对钟差进行高精度的预测。并通过与气压测高仪共同辅助北斗系统定位,可以有效提高接收机的定位精度和连续性;该文首先理论分析了原子钟和气压测高仪辅助定位算法;然后,提出一种气压测高仪初始化校正方法,并通过对钟差噪声类型的分析确定了钟差预测方法;最后,模拟遮挡环境,进行原子钟和气压测高仪辅助北斗卫星导航系统定位试验,并分析了定位结果。结果表明:仅跟踪两颗可见卫星,便可以进行定位解算,并且垂直方向上的定位误差从8.2 m (RMSE)下降到了5.2 m,定位结果的波动从4.6 m下降到了0.8 m。

基于ECA-YOLO v5s网络的重度遮挡肉牛目标识别方法

肉牛目标检测和数量统计是精细化、自动化、智能化肉牛养殖要解决的关键问题,受肉牛个体颜色及纹理相近和遮挡等因素的影响,现有肉牛目标检测方法实用性较差。本研究基于YOLO v5s网络与通道信息注意力模块(ECABasicBlock),提出了一种融合通道信息的改进YOLO v5s网络(ECA-YOLO v5s),在YOLO v5s模型的骨干特征提取网络部分添加了3层通道信息注意力模块。ECA-YOLO v5s网络实现了重度遮挡环境下多目标肉牛的准确识别。对养殖场监控视频分帧得到的肉牛图像采用了一种基于结构相似性的冗余图像剔除方法以保证数据集质量。数据集制作完成后经过300次迭代训练,得到模型的精确率为89.8%,召回率为76.9%,全类平均精度均值为85.3%,检测速度为76.9 f/s,模型内存占用量为24 MB。与YOLO v5s模型相比,ECA-YOLO v5s的精确率、召回率和平均精度均值分别比YOLO v5s高1.0、0.8、2.2个百分点。为了验证不同注意力机制应用于YOLO v5s的性能差异,本研究对比了CBAM(Convolutional block attention module)、CA(Coordinate attention)、SE(Squeeze and excitation)和ECA(Efficient channel attention)4种注意力机制,试验结果表明,ECA注意力机制的平均精度均值分别比CBAM、CA、SE高0.5、0.6、0.2个百分点。并且分析讨论了不同遮挡情况以及光照情况的检测结果,结果表明,ECA-YOLO v5s网络可以准确、快速地检测不同遮挡以及光照情况的肉牛目标。模型具有较高的鲁棒性,且模型较小,便于模型的迁移应用,可为肉牛目标检测及质押监管等研究提供必要的技术支撑。

使用多层深度采样的屏幕空间环境光遮挡

为解决传统的基于水平线的屏幕空间环境光遮挡算法不能准确计算被遮挡物体的环境光遮挡值的问题,提出了一种使用多层深度采样的屏幕空间环境光遮挡算法。该算法使用桶型深度剥离算法获取场景中各层次的深度信息,并使用这些信息为场景中所有物体计算环境光遮挡值,有效解决了算法不能为被遮挡物体计算环境光遮挡值的问题。该算法的计算过程完全在图形处理器中完成。实验结果表明,该算法相对于原算法具有更好的真实感。

BDS-3/GPS在遮挡环境下定位性能分析

针对在全球卫星导航系统(GNSS)信号易遮挡地区,单一系统可见卫星数较少,定位性能不理想甚至难以满足定位需求的问题,分析北斗三号(BDS-3)在不同区域遮挡环境下对定位性能的改善.通过全球不同区域MGEX(Multi-GNSS Experiment)监测站的观测数据,采用GPS、BDS-3、BDS-3/GPS组合定位三种模式,在不同模拟遮挡环境下进行伪距单点定位,分析了各模式下可见卫星颗数、历元利用率、几何精度衰减因子(GDOP)值和定位精度.结果表明:在北半球区域,相较于其他方向遮挡,GPS模式在低纬度地区南面遮挡的定位稳定性和精度最高,在中高纬度地区北面遮挡的定位稳定性和精度最高,BDS-3和BDS-3/GPS组合模式在低纬度地区各方向遮挡定位精度相当,在中纬度和中高纬度地区,北面遮挡的精度明显优于其他方向遮挡的定位精度.BDS-3/GPS组合定位模式,大大增加了可见卫星颗数,历元利用率提高,卫星空间几何结构改善,GDOP值降低,稳定性和定位精度明显优于单系统.

遮挡环境中的群体追逃行为研究

基于多主体建模的方法建立遮挡环境中的群体追逃模型,讨论遮挡环境对群体追逃行为的影响.遮挡环境改变了个体可获取的信息量,追捕者和目标可以隐藏其中而不被发现.研究表明,当捕食者数量小于或等于被捕食者数量时,相比于无遮挡情况,遮挡环境不利于被捕食者的存活;当捕食者数量远大于被捕食者时,遮挡环境可使被捕食者存活更久,并且随着空间中遮挡物密度的增大,被捕食者生存时间增加.

遮挡环境下GPS/GLONASS/Galileo组合PPP性能分析

对于城市遮挡环境下单GPS系统精密单点定位(PPP)性能较差的问题,本文采用多系统融合来改善PPP性能,通过不同卫星高度角,将城市四周环境分为正常环境、一般遮挡、较重遮挡等三种环境.分别采用GPS、GPS/GLONASS、GPS/Galileo、GPS/GLONASS/Galileo不同的模式,对香港4个连续运行参考站进行遮挡环境下的静态PPP模拟实验,结果表明:多系统组合能够有效弥补城市四周遮挡环境下卫星的不足,并且GPS/GLONASS、GPS/Galileo、GPS/GLONASS/Galileo组合相对单GPS系统下的PPP性能有着不同程度的改善.

基于信号统计模型的变电站半遮挡融合定位方法

变电站存在建筑遮挡和电磁干扰等问题,这导致传统的基于电磁波定位的人员管控方法精度快速下滑。为避免因单传感器定位精度劣化而导致的电力安全管控效率降低问题,研究基于多源信息融合的巡检人员位置估计技术至关重要,而现有融合定位方法大多难以在地图信息未知的条件下鲁棒地选择传感器融合策略,因此文中提出一种基于卫星和近超声信号特征分析的融合定位方法,仅依靠信号统计特征实现环境信息判别并自适应选取融合策略。首先,利用多传感器信号特征统计模型构建指纹库,并基于t分布随机近邻嵌入(t-distributed stochastic neighbor embedding,t-SNE)降维算法和密度峰值聚类(density peaks clustering, DPC)算法处理指纹库数据。其次,依据聚类结果搭建反向传播(back propagation, BP)神经网络,将信号环境特征与卡尔曼滤波器的参数映射。最后,使用神经网络输出优化基于卡尔曼滤波的多源定位切换模型,形成自适应的融合定位方法。利用真实变电站半遮挡环境采集数据进行实验,结果表明,相较于未知环境信息、已知环境信息的融合定位方法,所提出的方法在地图信息未知的情况下节约了地图标定信息,实现了高鲁棒的位置估计。

融合卡尔曼预测的改进KCF目标跟踪方法

针对核相关滤波器(KCF)跟踪算法在遮挡环境中存在跟踪漂移及跟踪失败的问题,提出融合卡尔曼预测的改进KCF跟踪方法。采用灰度图像和方向梯度直方图(HOG)特征融合用于检测目标位置;利用平均峰值相关能量(APCE)进行目标遮挡判断并在KCF算法上改进:若发生遮挡情况,则用卡尔曼滤波算法预测下一时刻的目标位置,并代替原KCF算法中的目标,防止跟踪漂移;若无遮挡出现,则用KCF算法继续跟踪,从而实现遮挡环境下目标的有效跟踪。采用OTB100数据集对视频长时间和遮挡序列进行跟踪实验。结果表明:论文算法与KCF算法对比,在遮挡情况下目标跟踪精度和成功率分别提升11.9%和13.4%,说明论文提出算法的成功率和跟踪精度均显著提高。

基于改进型的抗遮挡运动目标跟踪算法

针对遮挡发生情况下的运动目标跟踪,采用MeanShift算法进行研究与改进.在跟踪运动目标时,跟踪环境中经常会存在一些无法规避的遮挡.仅使用传统的MeanShift算法易发生目标丢失的情况,所以提出了一种结合Kalman预测机制的改进型的抗遮挡MeanShift算法.这种改进型的MeanShift算法可以在发生遮挡时,对运动目标轨迹进行合理预测.在遮挡环境下,结合Kalman后的算法会更加有效的跟踪运动目标,迭代次数减少,并提高了跟踪的稳健性.