三维模型普适性特征提取与分类

为了解决单一算法特征描述子难以兼顾表达刚性和非刚性三维模型的问题,提出一种三维模型普适性特征提取方法.首先提出一种基于三维点云模型的局部面积加权密集化采样算法;然后针对非刚性铰链结构的变换影响,利用热核特征的等距等容不变性提出时间尺度序列热核编码方法;最后提出边缘投影图卷积神经网络,对编码点云的空间形状及时间尺度序列热核进行特征融合学习,并应用于三维模型分类任务.在刚性三维模型数据集ModelNet40和非刚性三维模型数据集SHREC15上的实验结果表明,与单一刚性或非刚性三维模型特征提取方法相比,所提方法能够提取具有普适性且具有显著辨别力的特征描述符,分类准确率分别达到92.63%和97.71%.     

基于卷积神经网络和投票机制的三维模型分类与检索

针对现有基于深度学习的三维模型多视图分类算法利用最大池化、平均池化等像素级运算完成视图信息的融合,可能造成模型有益信息淹没和混淆的问题,提出一种基于卷积神经网络和投票机制的三维模型分类检索算法.首先将三维模型转化为一组二维视图,然后基于丰富的数字图像库ImageNet和成熟的图像深度学习模型CaffeNet完成二维视图的分类,最后利用加权投票的方式完成三维模型的分类;同时基于投票机制,提出4种三维模型距离度量算法,支持三维模型的检索.将文中算法应用于刚性三维模型库ModelNet10,ModelNet40,非刚性三维模型库SHREC10, SHREC11和SHREC15中,分类准确率分别为93.18%, 93.07%, 99.5%, 99.5%和99.4%,检索性能突出;并通过实验验证该算法的有效性.     

深度特征融合的非刚性三维形状局部匹配

针对海量、异构三维形状匹配与智能检索技术的需求,提出了一种基于级联卷积神经网络(F-PointCNN)深度特征融合的三维形状局部匹配方法.首先,采用特征袋模型,提出几何图像表示方法,该几何图像不仅能够有效区分同类异构的非刚性三维模型,而且能够揭示大尺度不完整三维模型的结构相似性.其次,构建级联卷积神经网络学习框架F-PointCNN,其中,BoF-CNN从几何图像中学习深度全局特征,建立融合局部特征与全局特征的点特征表示;进而对Point-CNN进行点特征的细化与提纯,生成具有丰富信息的深度融合特征,有效提高形状特征的区分性与鲁棒性.最终,通过交叉矩阵度量方法高效实现非刚性三维模型的局部形状匹配.在公开的非刚性三维模型数据库的实验结果表明,该方法提取的特征在大尺度变换的形状分类及局部形状匹配中具有更强的识别力与更高的匹配精度.     

SR-SIHKS：一种非刚体全局形状特征

非刚体由于姿态变化会产出多样的形变,因此非刚体的形状检索比刚体更具挑战性。形状特征提取是非刚体三维模型形状检索的关键问题。为了提高非刚体形状检索的准确度,提出了一种非刚体全局形状特征提取方法。此方法的核心思想是将稀疏表示（Sparse Representation,SR）理论用于对尺度无关的热核特征（Scale Invariant Heat Kernel Signature,SIHKS）进行稀疏编码,因此被称为SR-SIHKS。改进了SIHKS局部特征的提取方法,根据所处理的模型库来自适应地确定热扩散时间参数;采用K-SVD算法来训练字典,借助Batch-OMP算法实现局部特征的稀疏编码;将非刚体三维模型的所有局部特征的稀疏编码汇聚为全局形状特征。实验结果表明,SR-SIHKS具有比SIHKS和HKS更优的检索效果。     

基于模型内二面角分布直方图的非刚性三维模型检索

针对非刚性三维模型检索中复杂曲面凹凸性特征和局部几何变化特征的提取问题,提出一种基于模型内二面角分布直方图的特征描述方法.首先对内二面角直方图统计特征进行了定义并对其性质进行探讨,给出特征提取的具体步骤;然后采用遗传算法进行多特征融合权重优化,提出基于融合特征的非刚性三维模型检索算法.在SHREC公布的非刚性数据集上进行实验的结果表明,内二面角分布直方图统计特征具有更强的区分能力和良好的算法效率,融合特征进一步提高了检索结果.     

基于局部稀疏表示的三维模型识别算法

为了对未知分类信息的三维模型进行分类,提出三维模型分类识别算法.首先以改进的形状直径函数(shape diameter function,SDF)特征描述符为基础对所有三维模型提取特征向量,并将未知分类信息的三维模型作为测试模型,在已知分类的三维模型数据库中找到与测试模型最相似的k个模型;然后在这k个模型中利用稀疏表示分类方法对测试模型进行识别;最后确定测试模型在三维模型数据库中的分类信息.实验结果表明,该算法简单且易于实现,具有较高的识别准确率及较强的鲁棒性.     

基于类标一致和局部特征约束的字典学习算法

为了提高字典学习算法的分类性能,提出基于原子的类标一致和局部特征约束的字典学习算法（LCLCDL）。利用原子和训练样本的类标设计判别稀疏矩阵,并构造类标一致模型作为判别式项,促使同类训练样本对应的编码系数尽可能地相似。利用原子和编码系数矩阵的行向量（Profiles）构造局部特征模型作为判别式项,使其继承训练样本的结构特征。实验结果表明LCLCDL算法比5个稀疏编码和字典学习算法可取得更高的分类性能。     

融合局部性和非负性的Laplacian稀疏编码的图像分类*

稀疏编码在编码过程中忽略特征之间的局部关系,使编码不稳定,并且优化问题中的减法运算可能会导致特征之间相互抵消.针对上述2个问题,文中提出融合局部性和非负性的Laplacian稀疏编码的图像分类方法.引入局部特征附近的基约束编码,利用非负矩阵分解将非负性加到Laplacian稀疏编码中,利用空间金字塔划分和最大值融合表示最终的图像,并采用多类线性SVM分类图像.本文方法保留特征之间的局部信息,避免特征之间相互抵消,保留更多的特征,从而改善编码的不稳定性.在4个公共数据集上的实验表明,相比其它现有算法,本文方法分类准确率更高.     

结合Fisher编码和距离学习的非刚体三维检索方法

针对目前非刚体三维特征描述子表现力不足的问题,提出一种结合Fisher编码和距离学习构建全局特征描述子的非刚体三维模型检索方法.首先提取三维模型的局部特征描述子,利用混合高斯模型对特征集合进行无监督字典学习;然后将局部描述子和字典中心作为输入,通过Fisher编码方法得到新的特征编码;最后采用距离学习对特征编码进行空间映射,重构得到类内距离小类间距离大的全局特征描述子,用于非刚体三维模型检索.在公开数据集SHREC10和SHREC11上进行实验的结果表明,相比于传统方法,该方法在检索精度上有显著提高.     

基于扩散距离与几何约束的模型内蕴自对称检测

针对三维网格模型几何处理中提高算法效率和拓扑噪声不敏感性的要求,提出了基于扩散距离与几何约束的非刚性三维模型内蕴自对称检测方法。首先通过计算模型的Laplace-Beltrami算子来提取顶点的热核特征描述符,比较描述符之间的扩散距离,建立模型的特征相似度矩阵;其次,与基于谱图理论约束的几何相似性矩阵有效融合,实现形状度量的优化;最后通过线性检测的方式快速获取模型对称点集合,实现模型的自对称形状分析。实验结果进一步验证了该方法不仅能够高效的实现等距非刚性变换模型的内蕴自对称性检测,而且对于残缺模型的对称分析更具有鲁棒性。     

基于改进非负矩阵分解的手背静脉识别算法

为提高手背静脉识别过程中特征的有效性,提出了一种基于改进非负矩阵分解（NMF）的识别算法．首先,静脉图像经过分块后,将每一块子图像的像素均值与平均梯度幅值作为图像原始特征;其次,将所有训练样本原始特征形成的特征矩阵进行非负矩阵分解,其中对分解后的系数向量加以稀疏性与可区分性约束,从而形成改进的非负矩阵分解模型;再次,基于梯度投影法对提出的非负矩阵分解模型进行求解,获取新的特征基与特征向量;最后,利用最近邻匹配算法对特征向量进行分类,实现身份的识别．实验结果表明,提出的识别算法可获得较高的识别率,处理过程具有较好实时性．     

Laplacian多特征映射的三维模型形状分析

面向三维模型的统一结构描述与智能检索的技术需求,提出一种Laplacian多特征映射的三维模型形状分析方法.首先提取三维模型的表面形状与体积特征,建立融合测地线距离、角距离和空间体积的多特征相似度矩阵;其次根据Laplacian特征映射算法实现三维模型由空域到谱域的转换以及多谱特征分析;最后通过对Laplacian矩阵特征值之间的本征间隙自适应确定聚类数目,并结合K-means聚类方法实现模型的自动结构识别与分割.实验结果表明,在同一类模型的结构特征提取与统一分割应用中,该方法是高效、鲁棒的,对于实现模型的高层次语义描述、模型配准以及模型检索具有重要的意义.     

基于奇异值与特征融合矩阵的自适应人脸识别

为了准确快速地进行人脸识别,提出了融合人脸全局和局部特征的自适应算法。该方法利用奇异值提取人脸的全局特征和6个关键部分的局部特征进行加权融合得出特征融合矩阵,同时给出了局部特征权值的动态选择方法,并证明了特征融合矩阵的推导公式;最后使用改进的支持向量机（SVM）方法进行分类识别。试验表明,该方法不仅计算速度快、简单易用,而且有效解决了SVD识别率不高和LDA小样本空间问题,应用前景良好。     

基于非负弹性网稀疏编码算法的图像分类方法

为提高图像分类的准确率,提出一种非负弹性网稀疏编码算法。利用非负稀疏编码算法和弹性网模型,在稀疏编码优化模型的目标函数中引入l_2范数正则项,增加编码系数的非负约束,并将该算法与空间金字塔模型相结合应用于图像分类。实验结果表明,与传统的稀疏编码算法相比,该算法不仅能提高编码的判别性与有效性,而且可使相似的特征描述符编码后仍然相似,增强编码的稳定性,具有较高的分类准确度。     

基于稀疏编码的手指心电信号身份识别算法

研究了心电(ECG)信号在身份识别中的应用,提出了基于过完备字典下稀疏编码的手指心电身份识别认证算法.在预处理阶段,对ECG信号进行预处理消噪,去除心电信号里的噪声、基线漂移和心率变异的干扰.在特征提取阶段,提取单周期心电信号构成特征向量并构建字典模型,用核奇异值分解(KSVD)训练成冗余字典,然后对每一部分特征向量进行稀疏编码,实现在该字典上的稀疏表示.在分类识别阶段,利用得到的稀疏系数矩阵构建特征模板向量作为特征参数.通过欧氏距离匹配输出个体身份信息,实现个体身份识别认证.通过两个手指心电信号数据库对该算法进行了性能测试,获得了较高的识别率.     

基于稀疏表示的多特征融合害虫图像识别

为提高害虫图像识别的准确率,针对不同害虫具有不同的颜色、形状、纹理的特点,提出一种将颜色、形状、纹理特征与稀疏表示相融合的害虫识别方法.该方法利用已标注的训练样本构造不同特征下的训练样本矩阵,通过求解样本的最优稀疏系数以实现害虫图像识别.由于相同样本通过不同特征训练字典求解的稀疏系数不同,进而识别结果也不同.因此,文中进一步通过设计不同特征下的识别分类器实现多特征的融合.在实验室环境与农田环境下的实验结果表明,相较于其他方法,该方法的害虫识别率获得较大的提高.     

结合Fisher判别分析和稀疏编码的图像场景分类

视觉词典法是当前广泛使用的一种图像表示方法,针对传统视觉词典法存在的表示误差大、空间信息丢失以及判别性弱等问题,提出一种基于Fisher判别稀疏编码的图像场景分类算法.首先利用近邻视觉词汇重构局部特征点,构建局部特征点的非负稀疏局部线性编码,从而有效地利用图像的空间信息;然后在非负稀疏局部线性编码的基础上引入Fisher判别约束准则,构建基于Fisher判别约束的非负稀疏局部线性编码模型,以获得图像的判别稀疏向量表示,增强图像稀疏表示的判别性;最后结合支持向量机(SVM)分类器实现场景分类.实验结果表明,该算法提高了图像稀疏表示的特征分类能力以及分类性能,更有利于场景分类任务.     

基于稀疏表示与非局部相似的图像去噪算法

针对受加性高斯白噪声(AWGN)与椒盐噪声(SPIN)以及随机值冲击噪声(RVIN)组成的混合噪声污染的图像进行去噪的问题,提出一种在现有加权编码算法的基础上将图像稀疏表示和非局部相似先验融合的改进算法。首先,利用基于字典的图像稀疏表示构建去噪变分模型,对模型中的数据保真项设计一个权重因子来抑制冲击噪声的干扰;其次,利用非局部平均思想对混合噪声图像进行初始去噪,在得到的图像中构建掩膜矩阵将冲击噪声点排除进而求取非局部相似先验知识;最后,将非局部相似先验与稀疏先验融合进变分模型的正则项中,求解变分模型得到最终去噪图像。实验结果表明,在不同的噪声比率下,所提算法与模糊加权非局部平均算法相比,峰值信噪比(PSNR)提高了1.7 dB,特征相似性指数(FSIM)提高了0.06;与加权编码算法相比,PSNR提高了0.64 dB,FSIM提高了0.03。该算法对于纹理较强的图像可以显著提升去噪效果,能有效地保留图像的本真信息。     

基于哈希自注意力端到端网络的三维模型草图检索

为了提高草图和三维模型视图嵌入特征的聚类性,提出一种结合自注意力和哈希正则化约束的特征提取算法.首先将三维模型渲染得到二维视图集,并通过边缘检测在草图和视图之间建立统一的特征描述空间;然后在共享权重网络中嵌入自注意力层,通过结构信息自相关性编码提高草图和视图的聚类性,避免局部差异性对结果的影响;最后对特征进行哈希编码,并嵌入哈希正则化约束和交叉熵损失函数,避免特征值发散.对基准数据集SHREC13和SHREC14的实验结果表明,该算法在哈希自注意力端到端网络的检索准确率方面优于已有的典型算法,平均准确率性能提高了6％.     

基于弱监督ECOC算法的肺结节辅助检测

肺结节的准确分类与识别是计算机辅助诊断系统在肺癌诊断领域应用的关键,同时也面临巨大的挑战。该技术不仅在特征表示、样本标记等方面存在发展的瓶颈,而且目前缺少准确、有效的分类识别算法。本文提出了一种结合弱监督纠错输出编码（Error correcting output codes, ECOC）算法和肺结节形状特征表达的肺结节多分类算法。为了提高分类识别的准确率,本文对肺结节的形状特征进行了详细的分析,并提出了一系列准确的形状特征描述向量。在分类识别阶段,算法训练学习了利用专家对肺结节标记信息标记的少量样本,并生成二类分类器,获得编码矩阵。最后,通过计算测试样本编码和编码矩阵每一行的汉明距离,确定样本所属类别。实验结果表明,本文方法能够获得更加准确的分类结果。