CN106599053B - 一种三维模型检索方法 - Google Patents
一种三维模型检索方法 Download PDFInfo
- Publication number
- CN106599053B CN106599053B CN201611008301.4A CN201611008301A CN106599053B CN 106599053 B CN106599053 B CN 106599053B CN 201611008301 A CN201611008301 A CN 201611008301A CN 106599053 B CN106599053 B CN 106599053B
- Authority
- CN
- China
- Prior art keywords
- feature
- model
- dimensional
- compressed sensing
- dimensional model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Abstract
本发明提供一种三维模型检索方法,包括:将三维模型的格式转换为离散体素化格式的三维模型和三维网格模型,以便特征提取;对三维网格模型采用基于射线的三维模型切比雪夫特征提取方法进行特征提取,得到低维度的压缩感知特征FCSCR;对离散体素化格式的三维模型采用基于压缩感知的三维模型特征提取方法进行特征提取,得到空间分层特征,即为压缩感知特征FHCS和分层熵特征FENT;采用监督学习的融合特征系数寻优方法得到压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT的权值系数;返回与多特征融合检索模型库中个模型相似度高的三维模型作为检索结果,以可视化界面展示检索结果。本发明的三维模型检索方法效率高,检索熵最小,从而提高检索效率。
Description
技术领域
本发明涉及三维模型处理领域,更具体地说,涉及一种三维模型检索方法。
背景技术
近年来,随着三维数据获取技术、三维图形建模方法及图形硬件技术的发展,三维模型已成为继声音、图像和视频之后的第四种多媒体数据类型,三维模型的数量也呈爆炸性增长。三维模型的应用领域也越来越广,在工业产品的模型设计、虚拟现实、3D游戏、多媒体教学、影视动画、模拟仿真、分子生物学和三维地理信息系统等领域中广泛应用。高逼真度的三维建模非常费时费力,日益发达的互联网技术为复用已有的三维模型提供了条件。随着多媒体技术的普及和发展,各种三维模型不断地出现并应用在社会生产生活的各个方面。因此,如何从已有的各种三维模型数据库中快速准确地检索到自己需要的三维模型,成为目前需要解决的一个问题。
目前多数基于内容的三维模型检索方法还存在一些问题:如所提取特征不能完全表达三维模型信息、计算复杂度高、特征提取和特征匹配的时间长、特征存储空间大、特征信息容易缺失、不能实现用户交互操作等。随着多媒体应用领域对三维模型检索速度和质量不断提高的要求,目前的三维模型检索技术还远远不够,有待更深入的研究和探索。因此,现阶段通过对现有的三维模型检索方法进行改进,或者结合新的理论,研究新的三维模型检索方法,对于解决目前三维模型检索的难题,具有非常重要的意义和价值。
发明内容
本发明的目的在于克服现有技术中的缺点与不足,提供一种三维模型检索方法,该检索方法是基于压缩感知技术的,可有效提高三维模型检索的速度和精度。
为了达到上述目的,本发明通过下述技术方案予以实现:一种三维模型检索方法,其特征在于:包括以下步骤:
步骤1:输入三维模型;
步骤2:将输入的三维模型标准化进行姿势矫正,以消除不同模型的平移、缩放和旋转所造成的影响;
步骤3:将三维模型的格式转换为离散体素化格式的三维模型和三维网格模型,以便特征提取;
步骤4:对三维网格模型采用基于射线的三维模型切比雪夫特征提取方法进行特征提取,得到低维度的压缩感知特征FCSCR;对离散体素化格式的三维模型采用基于压缩感知的三维模型特征提取方法进行特征提取,得到空间分层特征,即为压缩感知特征FHCS和分层熵特征FENT;
步骤5:采用监督学习的融合特征系数寻优方法得到压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT的权值系数;
步骤6:建立多特征融合检索模型库,对压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT进行融合检索,并与多特征融合检索模型库的特征比较;
步骤7:显示待检索的三维模型和模型库中各个模型的相似度;所述相似度是利用将压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT分别与各自权值系数乘积后进行求和得到的数值。
步骤4中,所述基于压缩感知的三维模型特征提取方法是指:
首先,选取离散体素化格式的三维模型,再选取各个视角的方位作为参考平面,并设计等高变换函数,将三维模型通过等高变换函数实现空间分层,得到空间分层模型;
其次,将每个空间分层模型投影到参考平面,构造投影矩阵,并提取投影矩阵的信息熵;
最后,对各个投影矩阵进行稀疏处理,并进行二维压缩感知处理,得到压缩感知特征FHCS和分层熵特征FENT。
在上述方案中,本发明通过基于压缩感知的三维模型特征提取方法可多角度反映三维模型的特征,实现对体素化格式的三维模型进行空间分层处理,对复杂结构的三维模型进行空间分解,从而提高三维模型特征提取的准确性和高效性,进而保证三维模型检索的速度和质量。
所述基于压缩感知的三维模型特征提取方法包括以下步骤:
步骤s101:选取三维模型为离散体素化格式的三维模型,并进行三维模型体素化预处理,得到体素化预处理后的三维模型M(s×s×s),其中s为离散体素模型分辨率;
步骤s102:以xoy=0平面作为参照平面,选定等高变换函数映射:f(x,y,z)=z,划分分层数为L,分层步长为step=s/L;构造L个投影矩阵projl(BS×BS),l=1,2,...L;BS为投影矩阵的大小;
其中l为第k个体素点vk所属层数,即投影矩阵的元素;
步骤s105:对投影矩阵projl采用DCT稀疏变换,得到稀疏信号χl:
χl=DCT(projl);
步骤s106:对稀疏信号χl采用二维压缩感知,得到压缩感知测量信号γl:
其中Φ1,Φ2为测量矩阵;
步骤s107:计算各分层的测量值的2范数,形成特征序列FZ:
步骤s108:同理分别以yoz=0,xoz=0为参照平面做类似s102~s107操作,得到特征序列FX,FY;
步骤s109:合并三个方向的特征序列,输出基于函数变换的空间分层压缩感知特征FHCS(Hierarchical CS):
步骤s110:合并三个方向的信息熵特征序列,输出空间分层信息熵特征FENT:
所述选取参考平面为空间坐标系对应的平面yoz、平面xoz和平面xoy。
在实施过程中,所选模型为离散体素化格式的三维模型,该模型类型为一种实体模型,能反映模型内部信息。另外该方案中针对三维模型特性,选取不同方位的基础设计等高变换函数fi,多角度反映三维模型的特征,实现对体素模型的空间分层处理,对复杂结构的三维模型进行空间分解。然后对三维模型的各个空间层依照参考地面进行投影,得到投影矩阵,该投影矩阵带有分层模型的深度特性,即模型的实体化的表现,提取投影矩阵的信息熵,得到信息熵特征序列的变化情况。对各个投影矩阵进行稀疏处理,避免信号不稀疏所带来压缩感知重构困难的问题。最后对各个稀疏信号进行二维压缩感知,提取压缩感知特征,形成低维度的特征序列,不同方位的特征序列能有效完整的表达模型。
步骤4中,所述基于射线的三维模型切比雪夫特征提取方法是指:
首先,将三维网格模型进行WPCA预处理矫正,以消除三维网格模型因为方位、旋转和缩放的影响;
其次,建立模型的切比雪夫球面,对其表面进行经纬区域划分,并将WPCA预处理矫正的三维网格模型置于切比雪夫球面的单位球内,设计采样窗口;
再次,将采样窗口内的面片进行三角密集化处理,对密集点处理得到区域内的最大采样距离和最小采样距离,形成二维特征信号,即为切比雪夫特征原始信号;
最后,将切比雪夫特征原始信号进行稀疏处理,并进行二维压缩感知处理,得到低维度的压缩感知特征FCSCR。
在上述方案中,本发明的一种基于射线的三维模型切比雪夫特征提取方法是采用基于区域窗口的统计模式,避免了因三维模型的细微旋转和位移产生特征的巨大变化,增强了提取算法的鲁棒性。其次,由于同时考虑区域的最大距离和最小距离,能够对模型的重叠部分进行细分,能更精细的对模型进行描述。最后,通过对采样的二维信号进行DCT及稀疏表达,结合二维压缩感知过程,得到高效降维的压缩感知特征。上述的WPCA为加权主成分分析法。
所述基于射线的三维模型切比雪夫特征提取方法包括以下步骤:
步骤s201:将三维网格模型进行WPCA预处理矫正;
步骤s202:建立三维网格模型的切比雪夫球面,对其表面进行经纬区域划分;设球坐标中规定仰角由Z正半轴0°到负半轴180°,球面的区域划分步长如下:
其中nC,nR代表球经度、纬度划分数;τij表示球面上任意划分区域;
步骤s203:将最大距离特征矩阵和最小距离特征矩阵FCBVL(nR×nC)和FCBVS(nR×nC)都置为零矩阵;任意区域窗口τij上的密集点采样点距离集合初值dis(τij)={0};
步骤s204:选取模型中的任意未处理面片Pk,其三角区域做密集化处理,所得交点集即该面片的点云集记为Cloud(Pk);
步骤s206:按下列公式计算点ck所映射到球面区域窗口的序号;点ck所对应的球坐标记为ck=(ck(φ),ck(θ),1);
按如下公式将采样距离dk并入相应的区域窗口τij的距离集合dis(τij)中:dis(τij)=dis(τij)∪{dk};
步骤s207:如果面片Pk为最后一个面片,则进行步骤s208,否则跳转至步骤s204;
步骤s208:计算各区域窗口τij上的最大距离和最小距离,生成最大距离特征矩阵和最小距离特征矩阵,如下:
步骤s209:利用DCT对二维采样信号FCBVL(i,j),FCBVS(i,j)进行稀疏变换形成稀疏矩阵χL,χS:
步骤s210:采用二维压缩感知,形成如下特征向量:
其中Φ1,Φ2为归一化的二维高斯随机测量矩阵;最后,输出FL,FS作为基于射线的切比雪夫压缩感知特征向量;
步骤s211:将最大特征向量FL和最小特征向量FS归并,得到压缩感知切比雪夫特征特征向量FCSCR:
FCSCR=(FL,FS)。
所述建立模型的切比雪夫球面,对其表面进行经纬区域划分,并将WPCA预处理矫正的三维网格模型置于切比雪夫球面的单位球内,设计采样窗口是指:将切比雪夫球面的单位球体按照经线和纬线划分,在球面形成网格窗口,将WPCA预处理矫正的三维网格模型置于切比雪夫球面的单位球内,对网格窗口内的面片进行采样。
对密集点处理得到区域内的最大采样距离和最小采样距离,形成二维特征信号是指:对密集点处理得到区域内的最大采样距离和最小采样距离,按照窗口的顺序排列形成二维特征信号矩阵。
步骤5中,所述采用监督学习的融合特征系数寻优方法得到压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT的权值系数是指,包括以下步骤:
步骤s301:设定压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT的初始权值系数为λi,i=1,2,3,并设定检索模型代表第i类中的任意一个模型,Qi,i=1,2,...,K是第i类模型样本子集合,K代表模型总分类数量。在检索结果中,选取前mC个模型进行统计,表示三维模型qij采用第l类特征进行检索时,属于第i类的数量。mi代表Qi中包含模型的个数。
步骤s302:以F-score为评价参数,设第l类特征在模型子集合Qi上检索效率为Al(Qi),计算公式如下:
步骤s304:根据平均检索效率更新压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT的权值系数,以得到三个特征的权值系数:
本发明通过监督学习的思想,在一定数量的训练集上,寻找各个特征在各类别的表现情况,特征融合进行相似度对比,调整权值系数,提高检索效率。在训练过程中,越多的检索训练样本,监督学习处理的权值系数越可准确,适用于大规模数据集上设计多特征融合算法。
与现有技术相比,本发明具有如下优点与有益效果:本发明采用两种新的基于压缩感知的特征提取算法,通过监督学习融合特征系数寻优算法对一定数据集进行训练,得到特征融合的最优权重参数,使得检索效率最高,检索熵最小,提高检索效率。
附图说明
图1是本发明三维模型检索方法的流程图;
图2是本发明基于压缩感知的三维模型特征提取方法的流程图;
图3是本发明基于射线的三维模型切比雪夫特征提取方法的流程图;
图4是步骤s204中,模型中的任意未处理面片Pk的三角区域做密集化处理的示意图;
图5是本发明监督学习的融合特征系数寻优方法的流程图;
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
实施例
如图1至5所示,一种三维模型检索方法,其特征在于:包括以下步骤:
步骤1:输入三维模型;
步骤2:将输入的三维模型标准化进行姿势矫正,以消除不同模型的平移、缩放和旋转所造成的影响;
步骤3:将三维模型的格式转换为离散体素化格式的三维模型和三维网格模型,以便特征提取;
步骤4:对三维网格模型采用基于射线的三维模型切比雪夫特征提取方法进行特征提取,得到低维度的压缩感知特征FCSCR;对离散体素化格式的三维模型采用基于压缩感知的三维模型特征提取方法进行特征提取,得到空间分层特征,即为压缩感知特征FHCS和分层熵特征FENT;
步骤5:采用监督学习的融合特征系数寻优方法得到压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT的权值系数;
步骤6:建立多特征融合检索模型库,对压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT进行融合检索,并与多特征融合检索模型库的特征比较;
步骤7:显示待检索的三维模型和模型库中各个模型的相似度;所述相似度是利用将压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT分别与各自权值系数乘积后进行求和得到的数值。
其中,步骤4中,基于压缩感知的三维模型特征提取方法是指:
首先,选取离散体素化格式的三维模型,再选取各个视角的方位作为参考平面,并设计等高变换函数,将三维模型通过等高变换函数实现空间分层,得到空间分层模型;
其次,将每个空间分层模型投影到参考平面,构造投影矩阵,并提取投影矩阵的信息熵;
最后,对各个投影矩阵进行稀疏处理,并进行二维压缩感知处理,得到压缩感知特征FHCS和分层熵特征FENT。
本发明基于压缩感知的三维模型特征提取方法包括以下步骤:
步骤s101:选取三维模型为离散体素化格式的三维模型,并进行三维模型体素化预处理,得到体素化预处理后的三维模型M(s×s×s),其中s为离散体素模型分辨率;
步骤s102:以xoy=0平面作为参照平面,选定等高变换函数映射:f(x,y,z)=z,划分分层数为L,分层步长为step=s/L;构造L个投影矩阵projl(BS×BS),l=1,2,...L;BS为投影矩阵的大小;
其中l为第k个体素点vk所属层数,即投影矩阵的元素;
步骤s105:对投影矩阵projl采用DCT稀疏变换,得到稀疏信号χl:
χl=DCT(projl);
步骤s106:对稀疏信号χl采用二维压缩感知,得到压缩感知测量信号γl:
其中Φ1,Φ2为测量矩阵;
步骤s107:计算各分层的测量值的2范数,形成特征序列FZ:
步骤s108:同理分别以yoz=0,xoz=0为参照平面做类似s102~s107操作,得到特征序列FX,FY;
步骤s109:合并三个方向的特征序列,输出基于函数变换的空间分层压缩感知特征FHCS(Hierarchical CS):
步骤s110:合并三个方向的信息熵特征序列,输出空间分层信息熵特征FENT:
其中,选取参考平面为空间坐标系对应的平面yoz、平面xoz和平面xoy。
本发明步骤4中,基于射线的三维模型切比雪夫特征提取方法是指:
首先,将三维网格模型进行WPCA预处理矫正,以消除三维网格模型因为方位、旋转和缩放的影响;
其次,建立模型的切比雪夫球面,对其表面进行经纬区域划分,并将WPCA预处理矫正的三维网格模型置于切比雪夫球面的单位球内,设计采样窗口;
再次,将采样窗口内的面片进行三角密集化处理,对密集点处理得到区域内的最大采样距离和最小采样距离,形成二维特征信号,即为切比雪夫特征原始信号;
最后,将切比雪夫特征原始信号进行稀疏处理,并进行二维压缩感知处理,得到低维度的压缩感知特征FCSCR。
该特征提取方法包括以下步骤:
步骤s201:将三维网格模型进行WPCA预处理矫正;
步骤s202:建立三维网格模型的切比雪夫球面,对其表面进行经纬区域划分;设球坐标中规定仰角由Z正半轴0°到负半轴180°,球面的区域划分步长如下:
其中nC,nR代表球经度、纬度划分数;τij表示球面上任意划分区域;本实施例选取nR=32,nC=32。
步骤s203:将最大距离特征矩阵和最小距离特征矩阵FCBVL(nR×nC)和FCBVS(nR×nC)都置为零矩阵;任意区域窗口τij上的密集点采样点距离集合初值dis(τij)={0};
步骤s204:选取模型中的任意未处理面片Pk,其三角区域按图4所示方式做密集化处理,所得交点集即该面片的点云集记为Cloud(Pk);
步骤s205:对于任意点计算该点ck与模型质心的距离dk;
步骤s206:按下列公式计算点ck所映射到球面区域窗口的序号;点ck所对应的球坐标记为ck=(ck(φ),ck(θ),1);
按如下公式将采样距离dk并入相应的区域窗口τij的距离集合dis(τij)中:dis(τij)=dis(τij)∪{dk};
步骤s207:如果面片Pk为最后一个面片,则进行步骤s208,否则跳转至步骤s204;
步骤s208:计算各区域窗口τij上的最大距离和最小距离,生成最大距离特征矩阵和最小距离特征矩阵,如下:
步骤s209:利用DCT对二维采样信号FCBVL(i,j),FCBVS(i,j)进行稀疏变换形成稀疏矩阵χL,χS:
步骤s210:采用二维压缩感知,形成如下特征向量:
其中Φ1,Φ2为归一化的二维高斯随机测量矩阵;最后,输出FL,FS作为基于射线的切比雪夫压缩感知特征向量;
步骤s211:将最大特征向量FL和最小特征向量FS归并,得到压缩感知切比雪夫特征特征向量FCSCR:
FCSCR=(FL,FS)。
上述建立模型的切比雪夫球面,对其表面进行经纬区域划分,并将WPCA预处理矫正的三维网格模型置于切比雪夫球面的单位球内,设计采样窗口是指:将切比雪夫球面的单位球体按照经线和纬线划分,在球面形成网格窗口,将WPCA预处理矫正的三维网格模型置于切比雪夫球面的单位球内,对网格窗口内的面片进行采样。
上述对密集点处理得到区域内的最大采样距离和最小采样距离,形成二维特征信号是指:对密集点处理得到区域内的最大采样距离和最小采样距离,按照窗口的顺序排列形成二维特征信号矩阵。
本发明步骤5中,采用监督学习的融合特征系数寻优方法得到压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT的权值系数是指,包括以下步骤:
步骤s301:设定压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT的初始权值系数为λi,i=1,2,3,并设定检索模型代表第i类中的任意一个模型,Qi,i=1,2,...,K是第i类模型样本子集合,K代表模型总分类数量。在检索结果中,选取前mC个模型进行统计,表示三维模型qij采用第l类特征进行检索时,属于第i类的数量。mi代表Qi中包含模型的个数。
步骤s302:以F-score为评价参数,设第l类特征在模型子集合Qi上检索效率为Al(Qi),计算公式如下:
步骤s303:分别计算压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT的平均检索效率公式如下:
步骤s304:根据平均检索效率更新压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT的权值系数,以得到三个特征的权值系数:
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种三维模型检索方法,其特征在于:包括以下步骤:
步骤1:输入三维模型;
步骤2:将输入的三维模型标准化进行姿势矫正,以消除不同模型的平移、缩放和旋转所造成的影响;
步骤3:将三维模型的格式转换为离散体素化格式的三维模型和三维网格模型,以便特征提取;
步骤4:对三维网格模型采用基于射线的三维模型切比雪夫特征提取方法进行特征提取,得到低维度的压缩感知特征FCSCR;对离散体素化格式的三维模型采用基于压缩感知的三维模型特征提取方法进行特征提取,得到空间分层特征,即为压缩感知特征FHCS和分层熵特征FENT;
步骤5:采用监督学习的融合特征系数寻优方法得到压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT的权值系数;
步骤6:建立多特征融合检索模型库,对压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT进行融合检索,并与多特征融合检索模型库的特征比较;
步骤7:显示待检索的三维模型和模型库中各个模型的相似度;所述相似度是利用将压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT分别与各自权值系数乘积后进行求和得到的数值;
步骤4中,所述基于压缩感知的三维模型特征提取方法是指:
首先,选取离散体素化格式的三维模型,再选取各个视角的方位作为参考平面,并设计等高变换函数,将三维模型通过等高变换函数实现空间分层,得到空间分层模型;
其次,将每个空间分层模型投影到参考平面,构造投影矩阵,并提取投影矩阵的信息熵;
最后,对各个投影矩阵进行稀疏处理,并进行二维压缩感知处理,得到压缩感知特征FHCS和分层熵特征FENT;
步骤4中,所述基于射线的三维模型切比雪夫特征提取方法是指:
首先,将三维网格模型进行WPCA预处理矫正,以消除三维网格模型因为方位、旋转和缩放的影响;
其次,建立模型的切比雪夫球面,对其表面进行经纬区域划分,并将WPCA预处理矫正后的三维网格模型置于切比雪夫球面的单位球内,设计采样窗口;
再次,将采样窗口内的面片进行三角密集化处理,对密集点处理得到区域内的最大采样距离和最小采样距离,形成二维特征信号,即为切比雪夫特征原始信号;
最后,将切比雪夫特征原始信号进行稀疏处理,并进行二维压缩感知处理,得到低维度的压缩感知特征FCSCR;
步骤5中,所述采用监督学习的融合特征系数寻优方法得到压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT的权值系数是指,包括以下步骤:
步骤s301:设定压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT的初始权值系数为λi,i=1,2,3,并设定检索模型代表第i类中的任意一个模型,Qi,i=1,2,...,K是第i类模型样本子集合,K代表模型总分类数量;在检索结果中,选取前mC个模型进行统计,表示三维模型qij采用第l类特征进行检索时,属于第i类的数量;mi代表Qi中包含模型的个数;
步骤s302:以F-score为评价参数,设第l类特征在模型子集合Qi上检索效率为Al(Qi),计算公式如下:
步骤s304:根据平均检索效率更新压缩感知特征FCSCR、压缩感知特征FHCS和分层熵特征FENT的权值系数,以得到三个特征的权值系数:
2.根据权利要求1所述的三维模型检索方法,其特征在于:所述基于压缩感知的三维模型特征提取方法包括以下步骤:
步骤s101:选取三维模型为离散体素化格式的三维模型,并进行三维模型体素化预处理,得到体素化预处理后的三维模型M(s×s×s),其中s为离散体素模型分辨率;
步骤s102:以xoy=0平面作为参照平面,选定等高变换函数映射:f(x,y,z)=z,划分分层数为L,分层步长为step=s/L;构造L个投影矩阵projl(BS×BS),l=1,2,...L,BS为投影矩阵的大小;
其中l为第k个体素点vk所属层数,即投影矩阵的元素;
步骤s105:对投影矩阵projl采用DCT稀疏变换,得到稀疏信号χl:
χl=DCT(projl);
步骤s106:对稀疏信号χl采用二维压缩感知,得到压缩感知测量信号γl:
其中Φ1,Φ2为测量矩阵;
步骤s107:计算各分层的测量值的2范数,形成特征序列FZ:
步骤s108:同理分别以yoz=0,xoz=0为参照平面做类似s102~s107操作,得到特征序列FX,FY;
步骤s109:合并三个方向的特征序列,输出基于函数变换的空间分层压缩感知特征FHCS(Hierarchical CS):
步骤s110:合并三个方向的信息熵特征序列,输出空间分层信息熵特征FENT:
3.根据权利要求1所述的三维模型检索方法,其特征在于:所述基于射线的三维模型切比雪夫特征提取方法包括以下步骤:
步骤s201:将三维网格模型进行WPCA预处理矫正;
步骤s202:建立三维网格模型的切比雪夫球面,对其表面进行经纬区域划分;设球坐标中规定仰角由Z正半轴0°到负半轴180°,球面的区域划分步长如下:
其中nC,nR代表球经度、纬度划分数;
步骤s203:将最大距离特征矩阵和最小距离特征矩阵FCBVL(nR×nC)和FCBVS(nR×nC)都置为零矩阵;任意区域窗口τij上的密集点采样点距离集合初值dis(τij)={0};其中,τij表示球面上任意划分区域;
步骤s204:选取模型中的任意未处理面片Pk,其三角区域做密集化处理,所得交点集即该面片的点云集记为Cloud(Pk);
步骤s205:对于任意点计算该点ck与模型质心的距离dk;
步骤s206:按下列公式计算点ck所映射到球面区域窗口的序号;点ck所对应的球坐标记为ck=(ck(φ),ck(θ),1);其中φ,θ分别代表球面点经度夹角和纬度夹角;
按如下公式将采样距离dk并入相应的区域窗口τij的距离集合dis(τij)中:dis(τij)=dis(τij)∪{dk};
步骤s207:如果面片Pk为最后一个面片,则进行步骤s208,否则跳转至步骤s204;
步骤s208:计算各区域窗口τij上的最大距离和最小距离,生成最大距离特征矩阵和最小距离特征矩阵,如下:
步骤s209:利用DCT对二维采样信号FCBVL(i,j),FCBVS(i,j)进行稀疏变换形成稀疏矩阵χL,χS:
步骤s210:采用二维压缩感知,形成如下特征向量:
其中Φ1,Φ2为归一化的二维高斯随机测量矩阵;最后,输出FL,FS作为基于射线的切比雪夫压缩感知特征向量;
步骤s211:将最大特征向量FL和最小特征向量FS归并,得到压缩感知切比雪夫特征特征向量FCSCR:
FCSCR=(FL,FS)。
4.根据权利要求1所述的三维模型检索方法,其特征在于:所述建立模型的切比雪夫球面,对其表面进行经纬区域划分,并将WPCA预处理矫正的三维网格模型置于切比雪夫球面的单位球内,设计采样窗口是指:将切比雪夫球面的单位球体按照经线和纬线划分,在球面形成网格窗口,将WPCA预处理矫正的三维网格模型置于切比雪夫球面的单位球内,对网格窗口内的面片进行采样。
5.根据权利要求1所述的三维模型检索方法,其特征在于:对密集点处理得到区域内的最大采样距离和最小采样距离,形成二维特征信号是指:对密集点处理得到区域内的最大采样距离和最小采样距离,按照窗口的顺序排列形成二维特征信号矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611008301.4A CN106599053B (zh) | 2016-11-16 | 2016-11-16 | 一种三维模型检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611008301.4A CN106599053B (zh) | 2016-11-16 | 2016-11-16 | 一种三维模型检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106599053A CN106599053A (zh) | 2017-04-26 |
CN106599053B true CN106599053B (zh) | 2020-02-04 |
Family
ID=58590287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611008301.4A Active CN106599053B (zh) | 2016-11-16 | 2016-11-16 | 一种三维模型检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599053B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862748A (zh) * | 2017-11-10 | 2018-03-30 | 佛山科学技术学院 | 一种改进的尺度无关的热核特征处理方法 |
CN108021928B (zh) * | 2017-11-10 | 2023-08-25 | 佛山科学技术学院 | 一种基于热核特征的三维模型相似度度量方法 |
CN108596186B (zh) * | 2018-03-19 | 2021-06-22 | 西北大学 | 一种三维模型检索方法 |
CN108921045B (zh) * | 2018-06-11 | 2021-08-03 | 佛山科学技术学院 | 一种三维模型的空间特征提取和匹配方法及其装置 |
CN109359605A (zh) * | 2018-10-24 | 2019-02-19 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种基于三维网格与神经网络的零件相似性处理方法 |
CN109446971A (zh) * | 2018-10-24 | 2019-03-08 | 艾凯克斯(嘉兴)信息科技有限公司 | 基于三维网格及神经网络解决三维物体旋转不变性的方法 |
CN110059213A (zh) * | 2019-03-20 | 2019-07-26 | 杭州电子科技大学 | 一种基于核密度估计的三维模型分类检索方法 |
CN114565689B (zh) * | 2022-02-28 | 2024-02-02 | 燕山大学 | 一种面向轴对称类三维模型数据压缩重建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065353A (zh) * | 2012-12-22 | 2013-04-24 | 中国科学院深圳先进技术研究院 | 三维模型特征提取方法和系统、三维模型检索方法和系统 |
CN104239299A (zh) * | 2013-06-06 | 2014-12-24 | 富士通株式会社 | 三维模型检索方法及装置 |
CN104462163A (zh) * | 2014-03-06 | 2015-03-25 | 北京工商大学 | 一种三维模型表征方法、检索方法及检索系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9305355B2 (en) * | 2013-10-21 | 2016-04-05 | Autodesk, Inc. | Photograph localization in a three-dimensional model |
-
2016
- 2016-11-16 CN CN201611008301.4A patent/CN106599053B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065353A (zh) * | 2012-12-22 | 2013-04-24 | 中国科学院深圳先进技术研究院 | 三维模型特征提取方法和系统、三维模型检索方法和系统 |
CN104239299A (zh) * | 2013-06-06 | 2014-12-24 | 富士通株式会社 | 三维模型检索方法及装置 |
CN104462163A (zh) * | 2014-03-06 | 2015-03-25 | 北京工商大学 | 一种三维模型表征方法、检索方法及检索系统 |
Non-Patent Citations (1)
Title |
---|
"Hierarchical Visual Perception and Two-Dimensional Compressive Sensing for Effective Content-Based Color Image Retrieval";Zhou Y等;《Cognitive Computation》;20160831;第877-889页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106599053A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599053B (zh) | 一种三维模型检索方法 | |
CN110458939B (zh) | 基于视角生成的室内场景建模方法 | |
CN108509848B (zh) | 三维物体的实时检测方法及系统 | |
Ma et al. | Binary volumetric convolutional neural networks for 3-D object recognition | |
Roveri et al. | A network architecture for point cloud classification via automatic depth images generation | |
CN108875813B (zh) | 一种基于几何图像的三维网格模型检索方法 | |
CN111382470A (zh) | 用于3d建模对象推断的机器学习 | |
CN108334830A (zh) | 一种基于目标语义和深度外观特征融合的场景识别方法 | |
CN108921926A (zh) | 一种基于单张图像的端到端三维人脸重建方法 | |
CN111382541A (zh) | 神经网络的集合 | |
Lu et al. | Attention-based dense point cloud reconstruction from a single image | |
CN106844620B (zh) | 一种基于视图的特征匹配三维模型检索方法 | |
CN113192200B (zh) | 一种基于空三并行计算算法的城市实景三维模型的构建方法 | |
CN105868706A (zh) | 一种基于稀疏自编码的三维模型识别方法 | |
CN113159232A (zh) | 一种三维目标分类、分割方法 | |
CN112905828B (zh) | 一种结合显著特征的图像检索器、数据库及检索方法 | |
CN111583408B (zh) | 基于手绘草图的人体三维建模系统 | |
Wang et al. | Mvtrans: Multi-view perception of transparent objects | |
CN111597367B (zh) | 基于视图和哈希算法的三维模型检索方法 | |
CN116543117B (zh) | 一种无人机影像的高精度大场景三维建模方法 | |
CN112766381A (zh) | 有限样本下属性引导的sar图像生成方法 | |
CN109658489B (zh) | 一种基于神经网络的立体网格数据处理方法和系统 | |
CN104777329A (zh) | 一种用于粒子图像测速三维粒子场重构的线性规划算法 | |
CN107895164A (zh) | 基于单样本人耳图像的识别方法及装置 | |
Wei | Three-dimensional point cloud classification based on multi-scale dynamic graph convolutional network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |