一种基于粒子群优化算法对基于点表示的模型进行特征检测的新方法

一种基于粒子群优化算法对基于点表示的模型进行特征检测的新方法

姜艳¹, 李谊¹, 权勇¹, 李文辉¹, 张继军², 王朝辉²

1. 吉林大学计算机科学与技术学院, 长春 130012; 2. 石家庄机械化步兵学院, 石家庄 050083

收稿日期:2007-04-27 修回日期:1900-01-01 出版日期:2008-03-26 发布日期:2008-03-26
通讯作者: 李文辉

A New Particle Swarm Optimizer Based Method for Detecting Features of Pointbased Models

JIANG Yan¹, LI Yi¹, QUAN Yong¹, LI Wenhui¹, ZHANG Jijun², WANG Zhaohui²

1. College of Computer Science and Technology, Jilin University, Changchun 130012, China;2. Shijiazhuang Mechanized Infantry Academy, Shijiazhuang 050083, China

Received:2007-04-27 Revised:1900-01-01 Online:2008-03-26 Published:2008-03-26
Contact: LI Wenhui

摘要/Abstract

摘要： 基于粒子群算法, 提出一种针对基于点表示模型的新特征检测方法, 解决了大规模数据模型特征的快速显示问题. 该方法对粒子群优化算法进行优化, 将其应用于物体空间的特征检测上, 实现了多目标搜索. 通过对粒子群算法中的粒子、适应度函数、初始结束条件、局部最优解、全局最优解和迭代公式的重新定义, 将局部搜索与全局搜索相结合, 可快速搜索到多个目标. 该算法通过构造可估计局部曲面变化的适应度函数检测特征点, 并对特征点做标记, 以快速显示出模型的特征. 实验结果表明, 所提出的特征检测算法适用于对基于点表示的模型的快速特征检测, 尤其适用于大规模数据模型

关键词: 粒子群优化算法, 多目标, 特征, 曲率

Abstract: A new particle swarm optimizer based method for detecting features of pointbased models is presented in this paper. It solves the fast displaying of the characteristics of large scale models. It applies modified particle swarm optimizer (PSO) to the feature detecting of object space so as to complete the search of multiobjective regions. By redefining the particle, fitness function, initial terminal condition, g-Best, p-Best and update rule of PSO, the method presented in this paper combines the local search with global search for the purpose of finding multiple targets fast. It detects feature points by fitness function which is able to estimatelocal surface variation and marks feature points to display the characteristics of model fast. The experiments show that the improved algorithm is suitable for fast detecting features of point-based large scale models.

Key words: particle swarm optimizer, multiobjective, feature, curvature 

中图分类号:

TP391.41

姜艳, 李谊, 权勇, 李文辉, 张继军, 王朝辉. 一种基于粒子群优化算法对基于点表示的模型进行特征检测的新方法[J]. J4, 2008, 46(02): 279-285.

JIANG Yan, LI Yi, QUAN Yong, LI Wenhui, ZHANG Jijun, WANG Zhaohui. A New Particle Swarm Optimizer Based Method for Detecting Features of Pointbased Models[J]. J4, 2008, 46(02): 279-285.

[1]	姚燕燕, 徐晶, 高红亮. 带有特殊非线性项的Dirichlet问题正解的确切个数[J]. 吉林大学学报(理学版), 2021, 59(5): 1015-1024.
[2]	隋广宇 , 李正光, 吴柏生. 阻尼结构重频特征灵敏度计算的扩展Nelson方法[J]. 吉林大学学报(理学版), 2021, 59(5): 1124-1130.
[3]	朱新丽, 才华, 寇婷婷, 杜冬晖, 孙俊喜. 行人多目标跟踪算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1161-1170.
[4]	张震, 张照崎, 朱留存, 刘济尘, 魏金占, 蔡旭航, 赵成龙. 一种基于Shi-Tomasi和改进LBP的特征匹配及目标定位快速算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1171-1178.
[5]	刘高天, 段锦, 范祺, 吴杰, 赵言. 基于改进RFBNet算法的遥感图像目标检测[J]. 吉林大学学报(理学版), 2021, 59(5): 1188-1198.
[6]	段磊, 陈天兰. 一维离散平均曲率方程Neumann问题解的存在性[J]. 吉林大学学报(理学版), 2021, 59(4): 731-736.
[7]	丁通, 刘元宁, 朱晓冬, 刘帅, 张齐贤, 张阔. 面向残差网络多元特征的轻量级虹膜分类[J]. 吉林大学学报(理学版), 2021, 59(4): 877-882.
[8]	孙俊, 才华, 朱新丽, 胡浩, 李英超. 基于双重注意力机制的深度人脸表示算法[J]. 吉林大学学报(理学版), 2021, 59(4): 883-890.
[9]	周蒙蒙, 张忠庆, 赵庆慧, 邵尉智, 赵晟晨, 常海波, 杨靖民. 玉米秸秆水热炭制备及其对水中阿特拉津吸附[J]. 吉林大学学报(理学版), 2021, 59(4): 993-1002.
[10]	苗亮英, 何志乾. Minkowski空间一维给定平均曲率型方程Robin问题正解的存在性和多解性[J]. 吉林大学学报(理学版), 2021, 59(3): 559-562.
[11]	张震, 张照崎, 朱留存, 苗志滨, 王骥月, 李修明, 赵成龙, 张坤伦. 基于Harris-改进LBP的特征匹配及目标定位算法[J]. 吉林大学学报(理学版), 2021, 59(3): 568-576.
[12]	李鹏松, 李俊达, 倪天宇, 张琦, 胡建平. 基于图像特征的卷积核初始化方法[J]. 吉林大学学报(理学版), 2021, 59(3): 587-594.
[13]	王丽, 王涛, 肖巍, 刘兆赓, 李占山. XGBoost启发的双向特征选择算法[J]. 吉林大学学报(理学版), 2021, 59(3): 627-634.
[14]	张亚萌, 余国林. 鲁棒多目标规划近似拟弱有效解的最优性条件和鞍点定理[J]. 吉林大学学报(理学版), 2021, 59(2): 250-256.
[15]	刘庆强, 张福禄, 张瑶瑶, 张晨雨. 孪生压缩激励全卷积网络的目标跟踪方法[J]. 吉林大学学报(理学版), 2021, 59(2): 325-332.