八叉树结构下动态点云的无损几何编码方法

为进一步提高动态点云无损压缩的性能,提出了一种八叉树结构下的几何信息熵编码方法。针对帧内空间相关性,利用当前八叉树节点的已编解码邻域信息,建立帧内邻居节点上下文和帧内邻居父节点上下文。针对帧间时间相关性,将已编解码的上一帧点云作为参考帧,并将参考帧中与当前八叉树节点同位置的八叉树节点作为参考节点。使用参考节点及其父节点进行帧间上下文建模。为充分利用已建模的上下文,并准确地估计不同上下文下当前节点为非空的条件概率,提出了一种基于指数移动平均的二级概率估计方法：分别在帧内邻居节点上下文和帧内邻居父节点上下文下进行概率估计;利用概率估计结果和帧间上下文建模新的二级上下文,并在二级上下文下再次进行概率估计;采用二进制算术编码器实现无损压缩。选取常用的微软体素化人物上半身和8i体素化人物全身数据集进行性能测试,实验结果表明：与近年的方法相比,所提方法的无损压缩性能更高,平均编码增益达到2.2%～28.7%。     

点云数据压缩算法综述

由于三维激光扫描数据采集的过密,这使点云的数据处理变得十分复杂和困难。国内外专家学者在点云数据的精简方法和处理效率等方面做出了大量的理论研究和实际探索,解决了扫描数据量过大的问题,并取得了丰硕的成果。在此基础上,本文针对国内外点云数据缩减方法的研究现状,总结了一些点云数据压缩算法。     

基于迭代最近点算法的激光点云拼接研究

在采用激光雷达进行建筑物的三维测量过程中,多站点测量获得的激光点云具有不同的三维参考坐标系,因此将多站点三维点云进行精准拼接是实现三维测量成像的关键。采用VLP-16激光雷达在不同测量站点对山东理工大学机械交通实验楼天井及其周边道路进行扫描,获得了多个站点的三维激光点云;对不同站点测量的点云进行了去噪预处理,消除了有噪声的散乱点云;选取不同站点测量点云的公共区域,采用迭代最近点算法,对各个点云进行了拼接处理,获得了完整的扫描区域三维成像。实验结果表明,此方法可实现不同站点激光点云的拼接,具有良好的拼接效果。     

基于密度自适应深度网络的点云场景语义分割算法

由于传感器噪声干扰,点云密度不均匀,场景复杂多样以及物体之间存在遮挡现象等问题,使得三维点云场景语义分割问题的研究工作极具挑战性。针对三维点云数据采样密度不均匀以及图卷积网络深度有限的问题,提出一种密度自适应的方法。该方法通过多层感知器学习一个权重函数,利用核密度估计学习一个密度函数,对非均匀采样的点云数据进行卷积操作。同时,受深度学习在图像领域的启发,引入残差连接、空洞卷积等结构,训练更深层的点云分割网络。该算法在多个点云分割的标准数据集上取得了优秀的性能。     

基于几何特征与三维点云特征的道路边沿识别算法

针对目前典型道路边沿识别算法存在实时性与可靠性难以兼顾的问题,基于多线激光雷达,根据道路边沿的几何特征与三维点云特征,提出了一种权衡实时性与可靠性的道路边沿识别算法。依据多线激光雷达扫描获取的大量点云数据,基于RANSAC算法的地面分割方法,滤除了预设感兴趣区域内的地面数据点,然后将剩余的无序点进行有序栅格化投射处理,根据道路边沿区域的几何特征与点云分布特征进行匹配筛选,再融合RANSAC的最小二乘法,以完成道路边沿曲线的鲁棒拟合。实验表明,算法在直道和弯道场景识别准确率均大于95%,耗时均低于15 ms,具有良好的准确性和实时性。所提算法能有效识别道路边沿,可为智能车可行驶区域的识别及控制提供理论参考与方法依据。     

三维投影变换辅助的云游戏编码优化算法

针对传统视频压缩技术无法对云游戏视频中复杂的全局相机旋转以及剧烈变化的大范围运动进行很好的运动估计与补偿的问题,提出了一种三维投影变换辅助的编码优化算法,以提高云游戏视频的编码效率。分析了三维游戏场景下一点投影到二维平面的详细空间变换过程,在此基础上通过建立约束进行最优化估计构建了虚拟相机的内参估计算法。利用估计的内参,结合相机运动信息,基于图像单应性理论生成了与待编码帧平行的辅助参考帧,利用其更新参考帧列表参与编码。由于生成的辅助参考帧与待编码帧之间只有平移运动,所以更有利于传统的运动估计和补偿。实验结果表明：与原始的高效视频编码(HEVC)相比,所提算法在云游戏视频上可以实现平均8.14%的BD-rate增益,一定程度上缓解了云游戏对网络带宽的高需求;特别地,在仅有相机旋转的情况下,BD-rate可达-24.68%,同时编码时间平均缩短5.34%;与HEVC-SCC相比,所提算法的BD-rate性能增益超过20%。     

基于空间网格划分的点云质量检测算法

随着三维激光扫描技术的快速发展,它以非接触性、高密度、高精度、数字化、自动化等特点,被广泛用于多个邻域,其中在建筑物变形监测领域的应用也越来越广泛。针对扫描设备获取的大量变形监测数据,快速地统计出前后两期数据变化差异值,提出了一种基于空间网格划分的点云质量检测算法,算法通过对不同期点云模型进行空间网格划分,依据网格进行点云邻域搜索,并根据点云变化差异值给点云赋予不同色谱颜色值,最后进行直观的两期点云变化差异可视化,并绘制出统计信息图。研究表明,该算法能够快速地分析对比两期点云数据,输出变化差异统计信息,能够为工程的运营提供快速的安全指导参考。     

基于改进ICP算法的三维点云刚体配准方法

针对含有噪声和外点的三维点云刚体配准问题,由于迭代最近点(iterative closest point, ICP)算法的配准精度较低,为此,该文提出了一种基于改进ICP算法的三维点云刚体配准方法。考虑到伪Huber损失函数对噪声和外点不敏感、鲁棒性强,首先,建立了基于伪Huber损失函数的三维点云刚体配准模型。其次,利用RGB-D点云数据中颜色信息辅助建立点云对应关系,以提高改进ICP算法中对应点匹配的准确性。最后,结合奇异值分解(singular value decomposition, SVD)和Levenberg-Marquardt(LM)的优化算法对三维点云刚体配准模型进行优化求解。实验结果表明,该文所提三维点云刚体配准方法的配准精度高,能够有效抑制噪声和外点对配准精度的影响。     

基于块分割和上下文模型的视频编码算法

树结构的构造适合小波图像编码,但并不适合视频编码,利用熵编码原理,提出了视频图像编码算法,先将每帧的残差补偿到原始序列,并通过块分割编码和上下文模型进行视频编码.研究结果表明：该算法在视觉质量、算法性能和编码效率上要优于传统的视频编码算法.     

基于混合滤波的点云数据降噪算法研究

随着时代的发展,人们越来越重视三维点云.在三维点云数据中点云数据降噪是其中必不可少的环节.基于PCL库对点云数据降噪中的统计滤波与半径滤波开展研究,通过给点云数据增加随机噪声或高斯噪声并更改统计滤波与半径滤波的参数来达到最好的降噪效果,并提出一种基于混合滤波的点云降噪算法.实验成果表明,提出的混合滤波比单一的统计滤波或半径滤波降噪效果更为显著.     

基于云模型和熵权的网络性能综合评估模型

针对网络性能评估中存在的模糊性和随机性问题,采用云模型和熵值理论,建立了基于云模型和熵权的网络性能综合评估模型;采用熵权方法计算各指标权重,为权重确定提供理论依据;采用云模型理论实现评语与评估指标值之间的不确定映射,保留了评估过程中的随机性.以VoIP网络为例采用仿真的方法对模型进行验证.结果表明该模型与普通模糊综合法相比不仅能得到正确的评估结果,而且能得出其概率值.     

基于云模型和熵权的网络性能综合评估模型

针对网络性能评估中存在的模糊性和随机性问题,采用云模型和熵值理论,建立了基于云模型和熵权的网络性能综合评估模型;采用熵权方法计算各指标权重,为权重确定提供理论依据;采用云模型理论实现评语与评估指标值之间的不确定映射,保留了评估过程中的随机性。以VoIP网络为例采用仿真的方法对模型进行验证,结果表明该模型与普通模糊综合法相比不仅能得到正确的评估结果,而且能得出其概率值。     

基于改进FPFH-ICP的车载激光雷达点云配准方法

为了改善传统车载激光雷达点云配准方法准确度低、计算速度慢的问题,提出了一种基于快速点特征直方图（fast point feature histograms, FPFH）初始匹配与改进迭代最近点（iterative closestpoint,ICP）精确配准相结合的改进FPFH-ICP配准算法。配准前使用体素滤波器和statistical-outlier-removal滤波器进行预处理;采用FPFH提取点云特征,基于采样一致性（sample consensus initial alignment, SAC-IA）进行初始配准,为精确配准提供良好的位姿信息;建立K-D树并在传统ICP配准算法的基础上添加法向量阈值,对车载激光雷达点云数据进行精确配准;在4种不同场景的实验中,改进FPFH-ICP配准比ICP配准的均方根误差和配准用时分别平均减少了7.56%和41.22%,比点特征直方图（point feature histograms, PFH）配准的均方根误差和配准用时分别平均减少了30.28%和18.95%,表明改进的FPFH-ICP能够对车载激光雷达点云数据实现精确且高效的配准。     

一种分类的小波零树与分形混合图像编码算法

通过分析小波零树编码和分形编码各自的优点与不足,结合自身的特点,提出一种基于分类的混合图像编码算法。该方法把图像分割后的块分为3类,对不同类型的块分别采用分形算法或零树编码的改进算法SPIHT算法编码;结果表明,与单独使用这两种算法相比,混合编码算法的重构图像质量有一定程度的提高。     

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。     

AVS 中熵编码算法的研究与实现

AVS+(audio and video coding standard of china)是2012年颁发的新一代视频编码标准。CAVLC(基于上下文的自适应变长编码)和CABAC(基于上下文的自适应二进制算术编码)是该标准在熵编码部分采用的两种算法,相关领域对其研究甚少。分别介绍这两种算法的原理,并将其用C语言在x AVS中实现,最后通过实验对两种算法深入分析与测试。结果表明,CABAC算法复杂度较CAVLC稍有增加,但其获得的PSNR提高0.37 d B,码率降低11.4%,即编码压缩效果好,图像失真小,这种优势在低码率情况下尤其明显。综合两种算法利弊来看,CABAC算法的应用性和发展前景更广。     

一种快速小波子带分形图像压缩编码方法

在小波变换相邻子带块预测编码的基础上 ,提出了一种快速小波子带分形图像压缩编码方法 .根据小波子树结构性相似的特点 ,把块预测搜索范围限制在子树附近 ,大幅度减少图像小波子带分形编码时间 ;然后采用在上一级恢复子带的基础上进行分形预测编码、对较低分辨率子带中分形预测误差较大的块直接进行编码等新的编码方法 ,以提高恢复图像质量 .实验结果表明 ,该方法在图像压缩编码时间大幅度缩短的同时 ,恢复图像质量也有所提高     

一种基于分类的改进BP神经网络图像压缩方法

探讨了神经网络用于图像压缩和解压缩技术,实现了一种基于分类的改进BP神经网络压缩方法:按图像各部分像素特征将图像分为平滑块、中间块和边缘块,不同的分类块采用不同的隐含层数,从而在保证重建图像丰富细节的同时,提高图像的压缩比.同时,对3层BP神经网络进行优化,提高了网络的收敛速率,实验结果证明本算法在取得较大的压缩比的同时能保证图像的恢复质量.     

基于逐条线区域生长的点云平面提取

三维激光扫描点云中的平面特征提取是3D建模的重要组成部分,是一个重要的研究领域。在建筑物平面提取的过程中,针对传统的单点式区域生长方法在生长时会使拟合得到的平面与真实点云平面存在偏差,导致面块间的粘连的问题,提出一种逐条线区域生长方法,考虑到建筑物的平面都具有规则的形状,而平面是由一条条直线组成的,因此在生长的过程中加入了平面的形状这个先验条件。实验结果表明,该方法能够消除面块间的粘连,有效改善平面提取的精度。