面向移动端的渐进网格简化算法

针对现有渐进网格(PM)简化算法在网格高度简化时无法保持模型关键特征、简化速度慢、无法适应多种模型等问题,提出一种以可变参数结合二次误差和类曲率特征度的边折叠算法(QFVP),用于构建面向移动端的渐进网格。首先,该算法通过设置可变参数w,调整二次误差和类曲率特征度在边折叠误差中的相对大小,提升了算法的简化质量,扩大了算法的适用范围;其次,训练了一个误差反向传播(BP)神经网络,用于确定模型w值;再次,提出了边折叠过程中法向量线性估算法,提高算法简化速度,与Gouraud估算法相比,平均缩短网格简化时间23.7%。对比实验显示,QFVP简化生成渐进网格的基网格整体误差小于二次误差度量(QEM)算法和Melax算法;简化时间比QEM算法平均延长7.3%,比Melax算法平均缩短54.7%。

复杂场景点云数据分割研究综述

点云分割是三维场景理解的关键内容,在自动驾驶、机器人等人工智能领域有重要应用。首先,总结点云数据类型和数据特点。其次,追溯点云分割的发展历程,总结并评述了复杂场景中点云分割的代表性方法。点云分割按照分割结果是否含有语义信息可分为传统分割和语义分割。点云语义分割普遍采用了机器学习算法,根据特征提取方式可分为基于人工特征的方法和基于自动特征的方法。基于自动特征的点云语义分割方法普遍采用了深度学习框架,是当前研究的热点。最后,总结当前研究现状,展望复杂场景点云分割未来的发展趋势。