CN110059213A - 一种基于核密度估计的三维模型分类检索方法 - Google Patents
一种基于核密度估计的三维模型分类检索方法 Download PDFInfo
- Publication number
- CN110059213A CN110059213A CN201910212715.6A CN201910212715A CN110059213A CN 110059213 A CN110059213 A CN 110059213A CN 201910212715 A CN201910212715 A CN 201910212715A CN 110059213 A CN110059213 A CN 110059213A
- Authority
- CN
- China
- Prior art keywords
- dimensional model
- density
- feature
- characteristic
- target point
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003066 decision tree Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 abstract 2
- 241001269238 Data Species 0.000 abstract 1
- 239000000284 extract Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于核密度估计的三维模型分类检索方法。本发明包括以下步骤:1.对三维模型数据进行预处理;2、确定三维模型局部特征目标点;3、计算三维模型中每一个三角形面片的特征值;4、选择合适的尺度参数;5、针对每一个目标点,估计其局部特征密度;6、将计算得到的局部特征密度值组合成三维模型特征向量;7、利用决策树分类器对未知三维模型进行分类检索。本方法首先分析并提取三维模型表面局部几何特征,然后利用核密度估计方法估计每一个选定目标点的特定局部特征密度,所有目标点的局部特征密度值构成的特征向量用来描述一个三维模型,最后利用决策树分类器实现对未知三维模型的分类检索工作。
Description
技术领域
本发明涉及计算机图形学、机器学习领域,具体涉及一种基于核密度估计的三维模型分类检索方法。
背景技术
人类的视觉系统所感知到的世界是立体的、三维的,相对于图像、声音和视频等多媒体数据来说,三维模型及其组成的三维场景能够更全面、真实地展现物体的信息,是一种更符合人类视觉感知的数据形式,被广泛地应用在虚拟现实、工程制图、城市规划、影视娱乐、文物复原和生物医学等领域中。
近年来,新的三维扫描设备和建模工具的出现,使三维建模变得简单、快捷、高效;显卡技术的发展,使三维模型的显示和处理速度得到大幅的提高;网络技术的发展则进一步推动了三维模型的传播和应用。互联网上已涌现出越来越多的三维模型,合理重复使用现有的三维模型,对其进行编辑和修改以符合设计需要,不仅能够节约成本、减少构建模型的工作量,而且还能推动三维模型的流通,并对电子商务、虚拟现实等行业的发展有着很强的促进作用。这需要高效的三维模型分类检索系统作为支撑,而作为其中关键技术的三维模型特征提取方法引起了国内外学者的广泛关注。
发明内容
本发明提出了一种基于核密度估计的三维模型分类检索方法,该方法可以有效地实现对于三维模型的分类检索工作。
在核密度估计方法中,若随机变量S的观察集为估计该变量S概率密度的核方法可形式化地表示为:
其中,κ:Rd→R是一个核函数,Hk是一个d×d的矩阵,由第k个观察的尺度参数集构成,是与第k个观察对应的权值。通过使用矩阵Hk和权值对核函数κ:Rd→R进行缩放操作,获得每一个数据点(三角形面片)sk在目标点s处的密度函数值。因此,核密度估计的计算涉及一个数据集一个与该数据集对应的权重集核函数κ的选择和尺度参数的设置。
假定三维模型是一个由K个三角形面片构成的三角网格模型,针对网格模型的每一个三角形面片,有一个观察sk;由于构成网格模型的三角形面片大小不一,赋予每一个观察sk相应的权值其大小是第k个三角形面片面积与网格模型总表面积的比值,即由于核函数的形式对估计器的精确度影响不大,而在大型三维模型库中实现分类检索,计算效率更为重要,因此本方法中选择高斯核;尺度参数的设置是准确实现核密度估计的关键,对于高斯核来讲,其尺度矩阵Hk仅与其特征协方差矩阵相对应。
本发明提出了一种基于核密度估计的三维模型分类检索方法,包括以下步骤:
步骤1、对三维模型数据进行预处理,提取三维模型的局部特征表示。针对所选择局部特征的不变性要求,对三维模型进行平移、旋转、缩放等标准化处理。
步骤2、确定三维模型局部特征目标点。对于内接于单位球的正二十面体,连接其每个面的三条边的中点将单个面均匀分成四个等边三角形,分别取其重心共可得到80个点,加之正二十面体的12个顶点和30条边的中点,共可得到122个点,将得到的点径向投影到单位球面上,选择这122个投影点作为目标点,得到目标点集。
步骤3、计算三维模型中每一个三角形面片的特征值。
利用Simpson的1/3数值积分公式近似计算三维模型中三角形面片的特征值。
步骤4、选择尺度参数。
对于一个给定的三维模型,其所有的三角形面片都使用相同的尺度矩阵,而不同的三维模型使用不同的尺度矩阵,尺度矩阵通过计算得到,其中d是特征的维数,是特征协方差矩阵的估计,是每一个三角形面片对应的权值。
步骤5、针对每一个目标点,通过核密度估计方法估计其局部特征密度。
针对每一个目标点tn,估计其局部特征密度的核方法可表示为 其中κ:Rd→R是一个核函数,Hk是一个由三维模型中第k个三角形面片的尺度参数集构成的d×d的矩阵,是与第k个观察对应的权值。
步骤6、将计算得到的局部特征密度值组合成三维模型特征向量。
步骤7、利用决策树分类器对未知三维模型进行分类检索。
所述的步骤1的预处理,选择径向特征、切平面特征、点积特征和叉乘特征作为三维模型的局部特征表示。
本发明有益效果如下:
本方法的一个最大好处是避免了训练神经网络所需要的巨大样本量及高额的时间成本,只需要较少的训练样本即可以实现对三维模型的分类检索。本方法的一个特点是使用核密度估计方法从数据样本自身出发研究数据分布特征,而不需要利用有关数据分布的先验知识,也不对数据分布附加任何假设,通过估计每一个选定目标点的特定局部特征密度,将所有目标点的局部特征密度值构成一个特征向量,用以描述一个三维模型。
具体实施方式
本发明提出了一种基于核密度估计的三维模型分类检索方法,有效地实现了对三维模型进行分类检索的工作。三维模型的局部几何特征可表示为曲面上的点到一个d维空间的映射,该空间上的每一维与一个特定的几何特征相对应。
步骤1、对三维模型数据进行预处理,提取三维模型的局部特征表示。针对所选择局部特征的不变性要求,对三维模型进行平移、旋转、缩放等标准化处理。
步骤2、确定三维模型局部特征目标点。对于内接于单位球的正二十面体,连接其每个面的三条边的中点将单个面均匀分成四个等边三角形,分别取其重心共可得到80个点,加之正二十面体的12个顶点和30条边的中点,共可得到122个点,将得到的点径向投影到单位球面上,选择这122个投影点作为目标点,得到目标点集。
步骤3、计算三维模型中每一个三角形面片的特征值。
利用Simpson的1/3数值积分公式近似计算三维模型中三角形面片的特征值。
步骤4、选择尺度参数。
对于一个给定的三维模型,其所有的三角形面片都使用相同的尺度矩阵,而不同的三维模型使用不同的尺度矩阵,尺度矩阵通过计算得到,其中d是特征的维数,是特征协方差矩阵的估计,是每一个三角形面片对应的权值。
步骤5、针对每一个目标点,通过核密度估计方法估计其局部特征密度。
针对每一个目标点tn,估计其局部特征密度的核方法可表示为 其中κ:Rd→R是一个核函数,Hk是一个由三维模型中第k个三角形面片的尺度参数集构成的d×d的矩阵,是与第k个观察对应的权值。
步骤6、将计算得到的局部特征密度值组合成三维模型特征向量。
步骤7、利用决策树分类器对未知三维模型进行分类检索。
所述的步骤1的预处理,针对所选择局部特征的不变性要求,对三维模型进行平移、旋转、缩放等标准化处理。选择的局部特征为径向特征、切平面特征、点积特征和叉乘特征作为三维模型的局部特征表示。本方法中使用如下几种三维模型局部几何特征:
径向特征Sr:点P的径向特征Sr由一个大小分量dr和一个方向分量 组成,可表示为:
Sr(P)=(dr,nrx,nry,nrz)
其中,dr用以度量点P到坐标原点的距离,(nrx,nry,nrz)用以确定点P的方向。
切平面特征St:点P的切平面特征St由一个大小分量dt和一个方向分量 组成,可表示为:
St(P)=(dt,ntx,nty,ntz)
其中,dt用以度量过点P切平面到原点的距离,有(ntx,nty,ntz)是定义在单位球上的单位法向量。
点积特征Sa:点P的点积特征Sa是点P的径向方向与法向方向夹角余弦的绝对值,可表示为:
其粗略地度量了点P所在局部曲面偏离球面的程度。
叉乘特征Sc:点P的叉乘特征Sc由一个大小分量dc和一个方向分量 组成,可表示为:
Sc(P)=(dc,ncx,ncy,ncz)
其中,点P的叉乘特征Sc表示了其径向特征Sr和切平面特征St之间的关系。
所述的步骤2确定三维模型局部特征目标点,具体如下:
对于内接于单位球的正二十面体,连接其每个面的三条边的中点将单个面均匀分成四个等边三角形,分别取其重心共可得到80个点,加之正二十面体的12个顶点和30条边的中点,共可得到122个点,将得到的点径向投影到单位球面上,选择这122个投影点作为目标点,得到目标点集tn,n=1,2,…,122。
所述的步骤3计算三维模型中每一个三角形面片Tk的特征值sk。具体如下:假定T为三维空间中任一三角形,其顶点A、B、C分别用pA、pB、pC表示,令e1=pB-pA,e2=pC-pA,则三角形T内任一点P可表示为p=pA+xe1+ye2,其中两个参数x和y满足x,y≥0且x+y≤1。若点P在三角形T内均匀分布,则特征S的第i个分量的期望值E(Si|T)可表示为:
E(Si|T)=∫∫Si(x,y)f(x,y)dx dy,i=1,2,…,d
其中,Si(x,y)是三角形内(x,y)处的特征值,f(x,y)是Ω={(x,y):x,y≥0,x+y≤1}上(x,y)处的概率密度函数,且当(x,y)∈Ω时,有f(x,y)=2,否则f(x,y)=0,在Ω范围内积分即可获得特征S的第i个分量的期望值。根据Simpson的1/3数值积分公式,我们可以得到期望值E(Si|T)的近似表示为:
利用上式计算三维模型中每一个三角形面片Tk的特征值sk,可表示为:
sk=[E(Sr|Tk),E(St|Tk),E(Sa|Tk),E(Sc|Tk)]
其中,Sr为径向特征,St为切平面特征,Sa为点积特征,Sc为叉乘特征。
所述的步骤4选择尺度参数Hk。具体:针对三维模型中每一个三角形面片的权值,使用计算一个特定特征的尺度矩阵。其中,d是特征的维数,是特征协方差矩阵的估计,是每一个三角形面片对应的权值。
所述的步骤5,具体的:针对每一个目标点tn(n=1,2,…,122),估计其局部特征密度fS(tn)。估计变量S概率密度的核方法可形式化地表示为:
其中,κ:Rd→R是一个核函数,Hk是一个由三维模型中第k个三角形面片的尺度参数集构成的d×d的矩阵,是与第k个观察对应的权值。每一个数据点(三角形面片)sk在目标点s处密度函数的贡献可通过使用矩阵Hk和权值对核函数κ:Rd→R进行缩放操作来获得。因此,核密度估计的计算涉及一个数据集一个与该数据集对应的权重集核函数κ的选择和尺度参数的设置。
所述的步骤6具体的:将计算得到的局部特征密度值组合成三维模型特征向量
fS=[fS(t1),fS(t2),…,fS(t122)]。
所述的步骤7,利用决策树分类器对三维模型进行分类检索。决策树学习本质上是从训练数据集中归纳出一组分类规则,根据三维模型特征向量数据集构建决策树模型,选择一个与训练数据矛盾较小且具有较好泛化能力的决策树,使它能够对未知实例进行正确的分类。
Claims (5)
1.一种基于核密度估计的三维模型分类检索方法,其特征在于包括以下步骤:
步骤1、对三维模型数据进行预处理,提取三维模型的局部特征表示;预处理包括平移、旋转、缩放;
步骤2、确定三维模型局部特征目标点;对于内接于单位球的正二十面体,连接其每个面的三条边的中点将单个面均匀分成四个等边三角形,分别取其重心共可得到80个点,加之正二十面体的12个顶点和30条边的中点,共可得到122个点,将得到的点径向投影到单位球面上,选择这122个投影点作为目标点,得到目标点集;
步骤3、计算三维模型中每一个三角形面片的特征值;
利用Simpson的1/3数值积分公式近似计算三维模型中三角形面片的特征值;
步骤4、选择尺度参数;
对于一个给定的三维模型,其所有的三角形面片都使用相同的尺度矩阵,而不同的三维模型使用不同的尺度矩阵,尺度矩阵通过 计算得到,其中d是特征的维数,是特征协方差矩阵的估计,是每一个三角形面片对应的权值;
步骤5、针对每一个目标点,通过核密度估计方法估计其局部特征密度;
针对每一个目标点tn,估计其局部特征密度的核方法可表示为其中κ:Rd→R是一个核函数,Hk是一个由三维模型中第k个三角形面片的尺度参数集构成的d×d的矩阵,是与第k个观察对应的权值;
步骤6、将计算得到的局部特征密度值组合成三维模型特征向量;
步骤7、利用决策树分类器对未知三维模型进行分类检索。
2.根据权利要求1所述的一种基于核密度估计的三维模型分类检索方法,其特征在于步骤3具体如下:
计算三维模型中每一个三角形面片Tk的特征值sk,假定T为三维空间中任一三角形,其顶点A、B、C分别用pA、pB、pC表示,令e1=pB-pA,e2=pC-pA,则三角形T内任一点P可表示为p=pA+xe1+ye2,其中两个参数x和y满足x,y≥0且x+y≤1;若点P在三角形T内均匀分布,则特征S的第i个分量的期望值E(Si|T)可表示为:
E(Si|T)=∫∫Si(x,y)f(x,y)dx dy,i=1,2,…,d
其中,Si(x,y)是三角形内(x,y)处的特征值,f(x,y)是Ω={[x,y):x,y≥0,xty≤1}上(x,y)处的概率密度函数,且当(x,y)∈Ω时,有f(x,y)=2,否则f(x,y)=0,在Ω范围内积分即可获得特征S的第i个分量的期望值;根据Simpson的1/3数值积分公式,得到期望值E(Si|T)的近似表示为:
利用上式计算三维模型中每一个三角形面片Tk的特征值sk,可表示为:
sk=[E(Sr|Tk),E(St|Tk),E(Sa|Tk),E(Sc|Tk)]
其中,Sr为径向特征,St为切平面特征,Sa为点积特征,Sc为叉乘特征。
3.根据权利要求2所述的一种基于核密度估计的三维模型分类检索方法,其特征在于所述的步骤4具体实现如下:
选择尺度参数Hk,针对三维模型中每一个三角形面片的权值,使用计算一个特定特征的尺度矩阵;其中,d是特征的维数,是特征协方差矩阵的估计,是每一个三角形面片对应的权值。
4.根据权利要求3所述的一种基于核密度估计的三维模型分类检索方法,其特征在于所述的步骤5具体的:
针对每一个目标点tn,n=1,2,…,122,估计其局部特征密度fs(tn);估计变量S概率密度的核方法可形式化地表示为:
其中,κ:Rd→R是一个核函数,Hk是一个由三维模型中第k个三角形面片的尺度参数集构成的d×d的矩阵,是与第k个观察对应的权值;每一个数据点sk在目标点s处密度函数的贡献可通过使用矩阵Hk和权值对核函数κ:Rd→R进行缩放操作来获得;因此,核密度估计的计算涉及一个数据集一个与该数据集对应的权重集核函数κ的选择和尺度参数的设置。
5.根据权利要求4所述的一种基于核密度估计的三维模型分类检索方法,其特征在于所述的步骤6具体的:
将计算得到的局部特征密度值组合成三维模型特征向量:
fS=[fs(t1),fS(t2),…,fS(t122)]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212715.6A CN110059213A (zh) | 2019-03-20 | 2019-03-20 | 一种基于核密度估计的三维模型分类检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212715.6A CN110059213A (zh) | 2019-03-20 | 2019-03-20 | 一种基于核密度估计的三维模型分类检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110059213A true CN110059213A (zh) | 2019-07-26 |
Family
ID=67317334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910212715.6A Pending CN110059213A (zh) | 2019-03-20 | 2019-03-20 | 一种基于核密度估计的三维模型分类检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059213A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275829A (zh) * | 2020-02-19 | 2020-06-12 | 西北大学 | 三维局部特征描述子获取方法与特征描述子的匹配方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101593205A (zh) * | 2009-06-24 | 2009-12-02 | 清华大学 | 基于视频的三维模型检索方法 |
CN101882150A (zh) * | 2010-06-09 | 2010-11-10 | 南京大学 | 一种基于核密度估计的三维模型比较和检索方法 |
CN101916284A (zh) * | 2010-08-19 | 2010-12-15 | 西北工业大学 | 基于形状朝向多分辨率分析的三维模型检索方法 |
CN101937453A (zh) * | 2010-08-27 | 2011-01-05 | 南京大学 | 一种基于加权拓扑约束比较的三维模型检索方法 |
CN102663087A (zh) * | 2012-04-09 | 2012-09-12 | 北京邮电大学 | 基于拓扑和视觉特征的三维模型检索方法 |
CN103914571A (zh) * | 2014-04-25 | 2014-07-09 | 南京大学 | 一种基于网格分割的三维模型检索方法 |
CN105868407A (zh) * | 2016-04-20 | 2016-08-17 | 杭州师范大学 | 一种基于核线性分类分析的三维模型检索方法 |
CN106127857A (zh) * | 2016-06-24 | 2016-11-16 | 南京林业大学 | 综合数据驱动与模型驱动的机载LiDAR数据建模方法 |
CN106599053A (zh) * | 2016-11-16 | 2017-04-26 | 佛山科学技术学院 | 一种三维模型检索方法 |
CN106844620A (zh) * | 2017-01-19 | 2017-06-13 | 天津大学 | 一种基于视图的特征匹配三维模型检索方法 |
CN106886754A (zh) * | 2017-01-17 | 2017-06-23 | 华中科技大学 | 一种基于三角面片的三维场景下的物体识别方法及系统 |
CN107133284A (zh) * | 2017-04-18 | 2017-09-05 | 天津大学 | 一种基于流行学习的视图三维模型检索方法 |
CN108280485A (zh) * | 2018-02-01 | 2018-07-13 | 北京科技大学 | 一种基于谱图小波描述子的非刚性三维模型检索方法 |
CN108363758A (zh) * | 2018-02-01 | 2018-08-03 | 北京科技大学 | 一种多特征融合非刚性三维模型检索方法 |
CN109299301A (zh) * | 2018-09-17 | 2019-02-01 | 北京工业大学 | 一种基于形状分布和曲度的三维模型检索方法 |
-
2019
- 2019-03-20 CN CN201910212715.6A patent/CN110059213A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101593205A (zh) * | 2009-06-24 | 2009-12-02 | 清华大学 | 基于视频的三维模型检索方法 |
CN101882150A (zh) * | 2010-06-09 | 2010-11-10 | 南京大学 | 一种基于核密度估计的三维模型比较和检索方法 |
CN101916284A (zh) * | 2010-08-19 | 2010-12-15 | 西北工业大学 | 基于形状朝向多分辨率分析的三维模型检索方法 |
CN101937453A (zh) * | 2010-08-27 | 2011-01-05 | 南京大学 | 一种基于加权拓扑约束比较的三维模型检索方法 |
CN102663087A (zh) * | 2012-04-09 | 2012-09-12 | 北京邮电大学 | 基于拓扑和视觉特征的三维模型检索方法 |
CN103914571A (zh) * | 2014-04-25 | 2014-07-09 | 南京大学 | 一种基于网格分割的三维模型检索方法 |
CN105868407A (zh) * | 2016-04-20 | 2016-08-17 | 杭州师范大学 | 一种基于核线性分类分析的三维模型检索方法 |
CN106127857A (zh) * | 2016-06-24 | 2016-11-16 | 南京林业大学 | 综合数据驱动与模型驱动的机载LiDAR数据建模方法 |
CN106599053A (zh) * | 2016-11-16 | 2017-04-26 | 佛山科学技术学院 | 一种三维模型检索方法 |
CN106886754A (zh) * | 2017-01-17 | 2017-06-23 | 华中科技大学 | 一种基于三角面片的三维场景下的物体识别方法及系统 |
CN106844620A (zh) * | 2017-01-19 | 2017-06-13 | 天津大学 | 一种基于视图的特征匹配三维模型检索方法 |
CN107133284A (zh) * | 2017-04-18 | 2017-09-05 | 天津大学 | 一种基于流行学习的视图三维模型检索方法 |
CN108280485A (zh) * | 2018-02-01 | 2018-07-13 | 北京科技大学 | 一种基于谱图小波描述子的非刚性三维模型检索方法 |
CN108363758A (zh) * | 2018-02-01 | 2018-08-03 | 北京科技大学 | 一种多特征融合非刚性三维模型检索方法 |
CN109299301A (zh) * | 2018-09-17 | 2019-02-01 | 北京工业大学 | 一种基于形状分布和曲度的三维模型检索方法 |
Non-Patent Citations (1)
Title |
---|
CEYHUN BURAK AKGUL: ""Density-Based 3D Shape Descriptors"", 《EURASIP JOURNAL ON ADVANCES IN SIGNAL PROCESSING》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275829A (zh) * | 2020-02-19 | 2020-06-12 | 西北大学 | 三维局部特征描述子获取方法与特征描述子的匹配方法 |
CN111275829B (zh) * | 2020-02-19 | 2022-04-19 | 西北大学 | 三维局部特征描述子获取方法与特征描述子的匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Uctgan: Diverse image inpainting based on unsupervised cross-space translation | |
CN109544677B (zh) | 基于深度图像关键帧的室内场景主结构重建方法及系统 | |
WO2019157924A1 (zh) | 三维物体的实时检测方法及系统 | |
CN111951384B (zh) | 一种基于单张人脸图片的三维人脸重建方法和系统 | |
CN103077555B (zh) | 一种三维模型构成的自动标注方法 | |
CN106484692B (zh) | 一种三维模型检索方法 | |
CN102799646B (zh) | 一种面向多视点视频的语义对象分割方法 | |
CN107657659A (zh) | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 | |
CN108416801B (zh) | 一种面向立体视觉三维重建的Har-SURF-RAN特征点匹配方法 | |
CN111951381A (zh) | 一种基于单张人脸图片的三维人脸重建系统 | |
CN115375857B (zh) | 三维场景重建方法、装置、设备及存储介质 | |
CN116824485A (zh) | 一种基于深度学习的开放场景伪装人员小目标检测方法 | |
Zhang et al. | 3D viewpoint estimation based on aesthetics | |
Yin et al. | [Retracted] Virtual Reconstruction Method of Regional 3D Image Based on Visual Transmission Effect | |
CN109102535B (zh) | 一种基于构件提取的室内场景重建方法 | |
CN114462486A (zh) | 图像处理模型的训练方法、图像处理方法及相关装置 | |
CN114463338A (zh) | 一种基于图割与后处理的建筑物激光脚点自动提取方法 | |
CN110059213A (zh) | 一种基于核密度估计的三维模型分类检索方法 | |
CN112884884A (zh) | 一种候选区域生成方法及系统 | |
Jo et al. | Identifying Unnecessary 3D Gaussians using Clustering for Fast Rendering of 3D Gaussian Splatting | |
KR102129060B1 (ko) | 단일 깊이 영상을 이용한 내용기반 3차원 모델 검색 방법, 이를 수행하는 3차원 모델 검색 서버 및 컴퓨터로 판독 가능한 기록매체 | |
CN113838199B (zh) | 一种三维地形生成方法 | |
Zhou et al. | Stn-homography: estimate homography parameters directly | |
Lu et al. | Research on 3D reconstruction method of human-computer interaction scene based on support vector machine in cloud manufacturing environment | |
CN109118576A (zh) | 基于bds位置服务的大型场景三维重建系统及重建方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190726 |
|
WD01 | Invention patent application deemed withdrawn after publication |