基于简化云与K/N投票的选择性转发攻击检测方法

针对无线传感器网络中恶意节点产生的选择性转发攻击行为,该文提出一种有效的攻击检测方法。该方法将简化云模型引入信任评估中,结合改进的K/N投票算法确定目标节点的信任值,将目标节点信任值与信任阈值比较,进行选择性转发攻击节点的判定。仿真结果表明,当信任阈值为0.8时,经过5个时间段后,该方法能够有效地检测出网络中的选择性转发攻击节点,具有较高的检测率和较低的误检率。

采用混合策略联合优化的模糊C-均值聚类信息熵点云简化算法

针对传统聚类算法处理点云简化问题时精度低、耗时长且易丢失特征信息等问题,提出了一种基于动态精英自适应混合策略的鹈鹕算法(DEAMPOA)与加权熵法联合优化的模糊C-均值聚类(FCM)信息熵点云简化算法。采用动态自适应种群混合策略,同时融合了精英反向化思路,显著提升了鹈鹕优化算法(POA)的收敛趋势和全局寻优能力,提高了寻找FCM最优聚类中心的成功率;利用DEAMPOA结合加权熵法对FCM进行优化,提高鲁棒性的同时增强了搜索精度,得到较好的聚类结果;在8种UCI标准数据集上与4种算法对比进行聚类性能评估实验,验证了所提方法综合性能优越;将所提方法与信息熵融合,并应用在三维点云KITTI数据集简化中。实验结果表明:与包围框简化法、随机采样简化法和特征选择简化法对比,所提方法全局误差简化前后点集之间平均欧式距离(MED)指标分别降低了2.25%、6.93%、5.74%,点云简化效果最优且运行速度满足要求。

改进秃鹰搜索和K均值混合迭代的点云简化算法

针对激光雷达的固有特性和复杂环境易造成点云噪声和冗余点云,以及传统点云简化算法忽略了点云固有特征等问题,提出了一种基于改进秃鹰搜索和K均值聚类(KMC)混合迭代的点云简化算法(IBESSA)。首先,通过秃鹰搜索(BES)算法迭代阶段的竞争融合(CFBES),提高其收敛速度和优化精度;其次,通过CFBES和KMC算法的混合迭代,实现了点云数据的聚类;然后,在k近邻(k-NN)实现点云簇密度估计的基础上,结合香农熵实现点云信息量化;最后,删除信息量化值小于阈值的聚类簇,完成点云数据简化。使用UCI国际标准数据集和斯坦福点云数据集分别对CFBES-KMC算法的聚类效果及点云的简化效果进行验证,结果表明:与改进飞蛾扑火的K均值交叉迭代、K-means++、模糊C均值聚类算法的聚类效果相比,CFBES-KMC算法的聚类准确率分别提高了1.02%、12.31%、14.72%;在斯坦福点云数据集上,IBESSA算法在有效滤除冗余点云的基础上保留了原本点云的细节和形状特征,不失为一种高效的点云简化算法。

地面激光雷达扫描参数与点云简化对林木参数提取的影响

【目的】林木参数是森林蓄积量、森林生物量估算的基础指标,传统的人工调查方式费时费力,已难以适应新形势下数字化森林资源监测技术的要求。地面激光雷达扫描技术能够获取小尺度高分辨率的林分内部结构信息,为林分环境条件下林木胸径、树高提取提供一种新的思路。【方法】以芦头实验林场杉木林样地为研究对象,针对FARO Focus 3D X330三维激光扫描仪设计了7种不同的扫描组合方式对样地进行扫描,提出象限角点云简化思路进行参数提取和精度评价,探究不同扫描组合方式对林木胸径、树高参数提取精度与效率的影响。【结果】1)当扫描分辨率为1/2、质量为4X时,胸径参数提取精度最高;当扫描分辨率为1/4、质量为4X时,树高参数提取精度最高。2)在林木参数提取结果没有显著性差异的前提下,扫描分辨率为1/4、质量为4X的扫描参数工作效率最高。3)选取同时兼顾精度和效率的1/4扫描分辨率、质量4X的扫描结果,进行象限角点云简化,简化的点云能够准确地提取出林木胸径参数。【结论】研究结果对于具有相同或相似地理条件和树种的林地选择扫描参数和点云简化方式具有重要参考价值,可以提高内业工作效率,同时也为地面激光雷达野外样地调查提供方法和技术参考。

基于渲染误差的倾斜摄影点云简化算法

在使用倾斜摄影测量点云作为基础数据并通过网络传输的智慧城市应用背景下,针对现有建立LOD层级时使用的简化算法的简化条件不直接面向模型渲染效果,以及简化过程未考虑到模型用于渲染的传输代价问题,提出了基于渲染误差的迭代算法。首先提出一种面向渲染效果的误差度量方式,并给出了简化过程中计算渲染误差的方法;其次对同一LOD层级点云数据设置统一的渲染时半径属性,并建立基于视距的点云面片半径估算策略;最后改进迭代简化流程,使用统一的半径作为邻域搜索范围,以区域渲染误差小作为优先简化的条件,使用局部邻域替代法更新邻域代表顶点。实验证明,相同简化率下所提方法得到的模型在具有较小数据量的同时具有较优的渲染效果。

基于八叉树编码的铸件点云融合简化方法

高精度三维扫描设备扫描后会产生高密度的点云,对存储容量要求高,处理算法耗时长。为了减少这两方面的需求,通常采用表面简化算法作为预处理阶段。针对铸件浇冒口切割的点云简化要求,提出了一种新的点云特征融合简化方法。首先通过八叉树编码将原始点云数据分成多个边长指定的子立方体,并保留离子立方体重心最近的点;其次,使用k-邻域法来得到点云的特征向量,从而计算出点云的曲率特征,根据可调曲率阈值将点云数据划分为多个区域;最后,将随机采样方法与基于区域重心的简化方法相结合,对铸件点云数据进行简化。结果表明,所提出的铸件点云简化方法与区域重心法和包围盒法相比,速度分别提高29.9%和33.8%,而且保留的特征点分别提高15.1%、19.2%;与随机采样法相比保留的特征点提高20%,简化率基本相同。因此,此方法能够获得有效准确的铸件点云简化数据,可用于提升自动化工业生产中铸件切割的准确度和工作效率。

基于点重要性判断的点云简化

为了有效保持散乱点云的显著几何特征,提高点云简化的精度和效率,提出一种点重要性判断点云简化方法.首先,计算点云中点的重要性,并根据重要性提取特征点;然后,采用八叉树算法对非特征点进行简化,从而保留点云的主要细节特征,实现点云简化处理;最后,通过对公共点云和文物点云数据模型的简化实验来验证该点云简化方法.结果表明,该点重要性判断点云简化方法可以在有效保持点云细节几何特征的同时,实现点云的有效简化,是一种快速、高精度的点云简化方法.

基于信息熵和改进KMC的点云简化算法

为了保持点云的细节几何特征,针对数据点分布散乱的点云数据模型,提出一种基于信息熵和改进K均值聚类的点云简化算法。首先,定义点云局部区域的曲率信息熵,并根据信息熵删除非特征点,从而实现点云初始简化;然后,采用一种基于KD-树的改进KMC算法进一步实现点云精简化,从而实现点云的最终精确简化。实验采用公共点云和文物点云数据模型验证本算法,结果表明该算法比包围盒简化法、随机采样法、聚类简化法以及曲率简化法的简化精度有明显提高,能够较好地保留原始点云的细节几何特征,具有良好的简化效果。因此,基于信息熵和改进KMC的简化算法是一种有效的点云简化算法。

联合点曲率值与竖直平面约束的点云简化算法

针对现点云简化方法计算量通常为点云量指数级倍数、简化精度受邻域设置影响大的问题,本研究依据物体表面凹凸起伏的空间特征建立微小的竖直平面,先由第一号点为种子点建立竖直平面约束条件,检测处于竖直平面内或与其距离小于阈值的点,通过所检测的点计算其内每个点的曲率值,提取曲率值符合要求的点存储于简化点集与种子点集。下一次运算从种子点集中依次选取种子点,同理可计算出简化点与新种子点,将此时运算的种子点从种子点集中删除,依次循环,当种子点集为空时,算法结束,此时简化点集与剩余散点融合即为简化结果。通过实验与其它方法比较,本方法可将物体点云集Dino和Elephant的简化率分别从网格法的60.39%和80.148%、信息熵法的76.628%和76.072%提高到85.23%和82.901%,并缩短了运行时间。此方法在保证较高精度的同时,可大幅度去除冗余点云,为点云存储与后续算法设计带来便捷。

利用局部形状描述实现点云配准和3D目标识别的关键技术研究

随着3D获取技术的发展,如Microsoft Kinect、Intel Realsense和三维激光扫描技术等,三维点云数据易于获取,并且正在变得越来越普遍。在许多实际应用中,三维点云数据起到重要的作用,是重要的数据来源,如实时上图与定位(simultaneous localization and mapping,SLAM)、建筑物信息管理(building information management,BIM)、智能运输系统、场景和模型重构、文物保护和逆向工程等。在这些应用中,点云数据处理是必不可少的,包括点云配准、点云分割与分类、点云简化、特征提取和目标识别等。论文主要对利用局部形状描述实现点云配准和3D目标识别进行研究。

保留几何特征的散乱点云简化算法

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.

基于k-邻域密度的离散点云简化算法与实现

提出一种基于k-邻域密度(即k-邻域中的点云密度)的离散点云简化算法,并给出了在三角网格重构中的实现.该方法不仅可以保证实物模型重建后的整体轮廓,而且在细节部分也较好地保持了局部形状特征.三角网格重构的实验结果表明,所给方法简单、高效,同时,在实物模型平滑处与曲率变化较大处均取得了理想效果.

一种点云混合简化算法

目前点云简化方法很多采用单一的聚类或迭代简化策略。结合两者优点,首先对点云模型进行均匀聚类然后进行迭代简化。为了将两者有效结合,将二次误差矩阵应用在整个简化过程中,简洁地传递了两个过程中的相关信息。对于有边缘的点云模型,给出了一个简便有效的边缘检测方法。实验表明,该方法简化质量高于聚类简化而接近迭代简化,但内存占用和简化时间却远低于迭代简化方法。

散乱点云去噪与简化的统一算法

针对三维点云去噪和简化很难用同一参数的问题,提出一种基于扩展的曲面变化度局部离群系数(ESVLOF)的散乱点云去噪与简化的统一算法。通过对ESVLOF定义的分析,给出了其性质。利用ESVLOF去噪过程中计算的曲面变化度和预设的相似度系数,构造出随曲面变化度增大而减小的参数γ,并将其作为点云简化的局部阈值,在点云去噪的同时进行点云简化。仿真结果显示,该方法能够保留原始数据的几何特征,与传统的三维点云预处理相比,效率提高近一倍。

基于体素化网格下采样的点云简化算法研究

针对三维点云数据冗余量大、重建时间长、效率低等问题,提出一种基于体素化网格下采样的点云简化算法。该算法首先求出点云数据集的最小三维长方体包围盒,把点云数据划分进三维体素栅格中去;其次计算点云的k邻域,进行曲面法向量估计;然后,在三维体素栅格中选择满足要求的数据点,实现点云下采样;最后,调用Power Crust对下采样点云数据进行曲面重建,在三维可视化类库Visualization Toolkit(VTK)进行显示。实验结果表明,该算法能够加快三维点云数据的重建速度,较好地保持了点云特征,提高曲面重建的效率和鲁棒性,适合实时处理。

基于局部和全局采样点云数据简化算法研究

3D激光扫描方法获取的点云数据存在大量冗余数据,为便于重建模型,对点云数据简化技术的关键是在简化数据的同时,最大限度地保留点云数据的原有特征,对点云数据简化技术进行了研究,提出了一种基于局部和全局点云特征相融合的简化算法,通过基于点云的网格分割的非均匀网格法来提取局部点云特征,并且通过基于空间体素化方法对点云进行全局采样,然后将二者特征融合,获取最佳的简化特征效果。实验表明,该算法能够适应各种类型曲面数据的简化要求,其点云简化最大误差为0.02812,点云简化平均误差为0.000472,并与非均匀网格算法和空间体素法做比较,其简化效率高,简化误差小。由此可见,该方法简化点云不但具有较高的简化效率,同时又很好地保留了原始数据的细节特征。

基于非接触式测量的人体点云简化方法

针对服装领域需求所开发的人体扫描系统获取的人体点云数据特征,提出了人体截面曲线点云的扇形栅格简化方法。该方法运算速度快,且简化率易于调整,能较好地保持点云凹部细节特征,防止轮廓失真。简化后的点云可以直接快速地通过扇形的角度和栅格进行排序,优化了后续点云的光顺去噪及孔洞修补。

基于几何图像的点云数据简化算法

提出一种基于几何图像的点云数据简化算法,该算法将基于几何图像的简化与随机采样相结合,首先将点集合的笛卡尔坐标转换为球面极坐标,再将球面极坐标重采样到灰度图像中,然后基于几何图像进行简化,最后引入随机采样来填补几何图像简化所产生的孔洞。实验证明了该算法的正确性和高效性。

基于TIN的LiDAR地面点云数据简化方法研究

机载LiDAR点云数据的简化虽属数据辅助处理的范畴,但对提高庞大点云数据后处理效率起着重要作用。将TIN迭代加密方法引入机载LiDAR地面点云数据简化中;对平坦地形直接简化,对复杂地形则提取山谷线、山脊线,将获得的特征点作为种子点加入TIN加密迭代简化方法中。实验证明,该方法能够在保证数据精度的前提下,简化点云数据。

最优邻域二次误差曲面的点云简化算法

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。