物联网中的海量数据处理技术

物联网近年来得到了迅速的发展.停随着各种传感设备的使用,物联网所处理的数据量呈现出海量特征.如何对这些数据进行高效处理,从中获取有用信息,进而提供智能决策,是物联网面临的关键问题.该文对物联网中使用的海量数据处理技术进行了介绍.     

Web应用中的海量数据访问缓存技术

随着Web技术的不断发展,Web支持的业务访问量也与日俱增,如何安全可靠地处理海量数据是目前探讨的重要问题之一。通过分析现有数据访问缓存技术,针对存在的一些不足,提出了一个海量数据访问处理的框架模型,即通过综合运用各类数据缓存技术,使设计出的程序限制性地使用硬件资源,避免了过载宕机,提高数据的重用性,减轻数据库的访问负担。实验说明,这种模型可以提高数据存取的效率和并行处理能力。     

激光扫描点云数据预处理技术研究

激光扫描系统得到的点云数据，密度大，包含有大量的冗余数据。针对这种数据的特点，对切片上的点云数据，提出了给定误差下的最小二乘非均匀B样条拟合法压缩点云数据的方法；对切片数目的精简，提出了累加弦长，并等分弦长，然后反算等分点在总弦长的位置来精简切片数目的方法。通过实例验证表明，该方法对点云数据处理的灵活性和适应性都较好，能够满足曲线和曲面重构的要求。     

海量数据处理技术在数字城市建设中的应用研究

数字城市中包含着海量数据,如何处理这些海量数据是数字城市建设中的一个重要问题。本文主要介绍了海量数据的数据库设计策略、数据对象的存放策略,以及海量数据处理的若干值得注意的方面。     

反求工程中的数据筛选与优化的研究

在含复杂曲面的产品反求工程中,通过测量所获取的数据点云通常十分庞大,且具有一定的杂乱性和冗余性,这样的数据不利于定义曲面和产生CAD／CAM数据库数据．针对这些问题,本文利用测量数据的特征线输入技术,降低了测量数据量;并提出了弦切角偏差法对这些测量数据进行过滤筛选,确保生成曲面的数据的有效和规则;同时利用参数样条函数对过滤筛选后的数据进行拟合优化,将数据函数化,以更利于曲面的生成,且能利用数据的函数表达选择优化数据点的数量,并控制生成曲面的质量．     

快速成型中的三维数据准备

快速成型中的三维数据包括物体的三维CAD模型、通过三维数字化测量仪器测得的物体表面的三维数据点云、STL文件及三维模型的切片. 通过概念设计和反求工程中的三维扫描可以建立物体的三维CAD模型, 并着重讨论了工件表面点三维数据的获取方法及数据点云的处理, STL文件的格式、精度、分割与拼接.     

反求工程中散乱点云的数据预处理技术

提出了一种基于散乱点云的数据预处理方法.该方法包括四个部分:对散乱点云进行Dirichlet域分割并在此基础上进行三角剖分;在各个三角域中寻找中心点,以其为原点建立局部坐标系并采用正态分布模型进行噪声点删除;利用在三角网格上构建B-B曲面进行数据平滑处理;对漏测的数据点进行补全处理.数据点经过上述处理后能基本满足后续的曲面曲线的重构要求.     

并行文件系统在气象卫星海量数据可视化系统中的应用

气象卫星数据可视化系统的目标是，以直观的图像方式呈现数据。由于气象卫星数据是海量的，基于常规技术的系统，在并发用户较多的情况下，响应速度比较慢。本文描述的卫星数据可视化系统采用Lustre并行文件系统存储海量卫星数据，使系统的响应速度得到了较大的提高。本文以NDVI为例，给出了测试结果，从而验证了本文所提出的解决方案的合理性和有效性。     

激光扫描点云数据的NURBS曲面重构技术研究

利用激光扫描系统采集的点云数据具有在某一维上不变的特点,提出了基于NUBRS重构曲面的方法.在原始点云数据预处理上,采用删除非曲面上的点云数据、拼接、排序和点云数据切片等方法,利用最小二乘非均匀B样条法对切片点云数据进行光滑和必要的数据插补,并经二次采样后得到重构曲面的数据.以鼠标表面的重构过程说明了该方法的有效性和实用性.图4,参7.     

激光测量技术在摩托车外壳曲面建模中的应用

以某型号摩托车外壳的开发过程为例，从曲面数据的获取、数据分析以及曲面重构三方面，对三维曲面重建中的一些关键技术进行了深入研究．研究过程发现，对从样品本身获得的大量点数据进行不同方法的处理，直接影响到最终的曲面模型的重构．采用手动拼合方法对多笔点云数据进行处理以及最终采用手动提取方法提取特征线，能够最大程度地符合复杂曲面的重构要求，与实际样品相比，其误差可以降到最低水平．     

基于Cimatron的复杂曲面"点云"数据重构技术

复杂曲面的“点云”数据重构出曲面原形是其反向工程的关链技术．本文基于Cimatron软件的反向工程模块,提出了把“点云”数据重构出高精度的NURBS(非均匀有理B样条)曲面的流程和方法,并以一个实例对其进行说明,最后重构出其曲面．     

汽车车身曲面点云数据分割方法的研究

车身曲面是由多张曲面经过延伸、过度、裁剪拼接而成,直接对测量获得的车身密集点云数据进行曲面拟合非常困难,需要对点云数据进行区域分割.探讨了点云数据的常用分割方法,结合车身曲面特点,研究并实现了一种点云分割的算法-基于平面度的直接分割方法.该方法通过最小二乘拟合平面法矢量夹角的均方差值来搜索具有几何相似特性的连续曲面片,将不同性质的曲面片分块保存.并结合ATOS测量设备得到的车身曲面点云数据,给出不同的实例,证明了该方法的有效性.     

点云精简的一种方法

重构曲面之前,需要对三维数据点集做精简处理,即在保留特征点的前提下剔除尽可能多的冗余点,这样可以保证后续曲面重构工作的高效进行.本文以样点邻近点与强制中心点切平面的关系,来判断局部空间点的分布情况,从而提供了一种新的数据精简方法.     

二维距离图分割的激光雷达点云无损压缩方法

激光雷达动态获取点云压缩是智能驾驶的关键技术之一。针对动态获取点云场景范围大,分布稀疏,本文将点云几何信息映射到二维距离图(range image),提出一种基于距离图分割的激光雷达点云无损压缩方法。由于动态获取点云的稀疏性,以及噪声和离群点等的影响,目前的距离图分割算法分割后类别过多,导致对分割区域编码时,边缘信息消耗较大的比特数。对此本文提出孤立区域精细处理的方法,有效地改善了过度分割的问题,提高了分割区域的压缩性能。为了保持残差、地面区域点云等数据原有的相关性,我们利用两种无损的数据压缩技术进行编码。实验结果表明,本文设计的基于距离图分割的激光雷达点云无损压缩方法具有较高的压缩性能。     

UG二次开发中的点云滤波预处理方法和实现

通过UG与Matlab软件的结合,解决UG在逆向工程技术中需要借助他方软件进行点云滤波等预处理的现状.将预处理分为排序、精简、平滑滤波三个步骤,对每一步骤设计可行的算法,利用UG/OpenAPI开发应用接口实现整套算法功能.突破UG可开启文件格式的限制,实时地显示去噪、滤波的效果.实验结果表明,该方法能够提升UG在逆向工程中的应用前景.     

基于NDT与ICP的快速点云配准算法

点云配准是三维重建过程的关键一步。传统配准算法的速度较慢,尤其是在两个点云距离较远或点云数据较大的时候,为此本文提出了一种基于NDT和ICP的快速点云配准方法,能够有效地减少配准时间。本文算法主要分为三步：(1)采用NDT算法进行点云粗配准,调整两点云间的距离和点云姿态;(2)采用ICP算法对粗配后的点云数据进行微调,调整点云位置与姿态;(3)采用ICP算法对微调后的点云进行精确配准。实验结果表明,与传统算法相比,在点云数据量较大或者两个点云距离较远的情况下,本文算法也能够达到较快的配准速度与较高的配准精度。     

基于网格单元的点云降维处理算法

针对激光雷达采集数据时,由于会受到外界的干扰因素、扫描精度等负面影响,会使采集到的点云数据空间密度相差较大、存在着很大的噪声和孔洞,使得分析结果不能直接描绘实际物体的模型的问题,本文研究设计了一种基于二进制占网格的点云数据处理算法。首先将分割完成后的点云采用二进制网格的方式聚类进行降维处理,再将点云映射到网格单元中实现不同物体点云的快速聚集。最后,基于寻找出的点云主方向旋转点云从而.建立紧致随动的障碍物包围盒。通过实验验证,该方法能够在保证聚类精度的同时提高运算速度,其建立包围盒能够准确地反映障碍物的尺寸,具有良好的实时性与随动性,对移动机械臂自主避障提供了可靠的信息。     

基于非一致性稀疏采样的LiDAR点云压缩方法

针对自动驾驶车载LiDAR点云,本文提出一种基于形态学分割和非一致性稀疏采样的新型有损点云压缩框架。LiDAR点云先经过渐进式形态学滤波器分割为地面和非地面点云两部分,对两者进行不同强度的去冗余稀疏采样,之后将3D数据经球坐标变换映射为2D矩阵(表示为距离图像),并通过占据图形式表示距离图像像素值是否存在。根据占据图的Morton 码排序,2D矩阵被表示为更加紧凑的1维距离向量。最后对占据图和距离向量利用图像编码方法进行压缩。实验结果表明,本文方法压缩性能明显优于点云压缩锚点,Google Draco方法;与MPEG TMC13方法相比,在较大bpp的情况下可以达到更高的重建质量,恰好适于精度要求高的自动驾驶应用场合。     

基于曲率统计的LiDAR点云二次滤波方法

针对传统偏度平衡方法滤波结果中存在低矮植被、建筑物侧面墙脚等非地面点云问题,在传统偏度平衡方法的点云一次滤波算法的基础上,提出一种基于曲率统计的点云二次滤波方法。对该方法进行试验,并将试验结果与传统偏度平衡方法滤波结果进行对比分析。结果表明:基于曲率统计的点云二次滤波方法比传统偏度平衡法能够多滤除83%的植被点云、5%的建筑物点云,能够有效地滤除传统偏度平衡方法滤波结果中的低矮植被、建筑物侧面墙脚等非地面点云。