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%.     

三维形状特征提取技术研究进展

三维形状模型广泛应用于工业设计、教育、生物医药、动画娱乐、文物保护等多个领域中。三维形状模型的特征提取是计算机图形学和模式识别领域的重要问题,近年来受到学者的广泛关注。尤其是具有铰链、关节等的非刚性三维形状通常会发生变形,进一步增加了形状特征提取的难度。主要研究、分析、总结了近几年出现的刚性三维形状和非刚性三维形状的特征提取算法,分析了三维形状特征提取的难点,给出了三维形状特征提取的发展进程。介绍了近年来三维形状特征匹配研究领域中常用的一些测试数据库,重点探讨了非刚性三维形状的特征匹配方法,并展望了三维形状特征提取、特征匹配的未来发展方向。     

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.     

非刚性三维形状匹配中基于谱分析的形状描述符综述

基于谱分析的形状描述符在非刚性三维形状匹配中取得了较好的匹配效果，引起了研究者的广泛关注.谱分析是基于流形上拉普拉斯贝尔特拉米算子谱分解的一种内蕴形状分析方法.谱形状描述符和谱距离分布函数是最主要的两类谱分析形状描述符，它们具有不同的数学性质和物理意义.基于两类不同的形状描述符，给出了详细的方法分析及其在形状匹配中的应用.首先，给出了应用基于谱分析的形状描述符的非刚性三维形状匹配框架，介绍了几种常用的谱形状描述符及谱距离分布函数的基本思想和计算方法；然后，分析比较了这些形状描述符的优缺点及应用场景，为研究者选择基于谱分析的形状描述符提供参考；最后，通过实验对比了不同基于谱分析的形状描述符的算法鲁棒性、时间耗费及非刚性匹配性能，以此推动谱分析形状描述符的应用进程.     

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。     

基于核密度估计的三维非等距模型簇的对应关系计算方法

针对三维非等距模型簇的一致对应关系计算问题,提出了一种基于核密度估计的三维非等距模型簇对应关系计算方法.首先引入离散时间演化过程描述符(DEP)提取三维模型表面的特征描述符,得到不同区域的不同分布特征;其次通过核密度估计建立非等距模型间的映射关系;最后利用弹性网罚函数对非等距模型簇映射关系进行凸优化,从而得到更准确的三维非等距模型簇点到点对应关系.实验结果表明,利用时变描述符与核密度估计相结合的方法计算非等距模型簇的对应关系,在一定程度上减小了模型簇一致对应的测地错误,与Aubry的算法比较,测地错误平均下降至0.054.该基于核密度估计的匹配算法与使用函数映射或随机森林函数的方法相比,能构建出更为准确的非等距模型簇一致对应关系.     

流形学习的四嗪衍生物抗癌活性预测模型研究

由于四嗪衍生物抗癌活性与其结构之间可能存在非线性关系,本文引入非线性的流形学习方法对计算出的四嗪衍生物分子描述符进行特征提取,以提高其预测模型的准确性。便于分析,分别采用特征选择的逐步回归法、线性特征提取的主成份分析法以及非线性特征提取的流形学习方法对四嗪衍生物分子描述符进行筛选,然后基于偏最小二乘和支持向量回归机构建其定量构效关系模型。计算结果表明,本文中四嗪衍生物的描述符数据为非线性流形,并且它们的结构与活性之间呈非线性关系,基于支持向量回归机模型的最优预测结果达到了97.4%。所以,利用非线性特征提取的流形学习预处理的QSAR模型可以为此类化合物抗癌活性的预测提供指导。     

使用形状变化描述三维模型

针对三维模型检索中的形状特征提取问题,提出利用三维模型自身形状变化信息构造形状特征描述符的方法.首先选择一组等间距互相平行的平面切割三维模型,得到三维模型的切片集合;然后定义相邻切片的 差来描述切片间的形状变化,并通过所有相邻切片间的差值来反映三维模型自身的形状变化,以此作为三维模型的形状特征描述符.该方法与三维模型的旋转、平移无关,同时不依赖于模型的点云分布,并且精简模型三角面片对算法的影响较小.实验结果验证了该方法的有效性.     

基于正方形描述符和LSSVM的三维人脸区域标记

提出了一种基于正方形切平面描述符的三维人脸模型区域标记算法.新的描述符由三维人脸模型顶点的正方形切平面区域内的几何信息编码而成.通过最小二乘支持向量机算法(LSSVM)对其进行学习,对三维模型上所有顶点进行分类,实现了对三维人脸模型上眉毛、眼睛、鼻子、嘴巴等区域的识别和标记.定位仿真实验中,分类准确率可达92.35%.所提描述符具有旋转、头部姿势、三维模型分辨率不变性,对模型的噪声具有鲁棒性.实验结果表明:提出的方法能有效标记三维人脸模型区域.     

面向非线性特征的三维CAD模型聚类

拓扑结构是三维CAD模型的关键属性,其对应的描述符为图、树等非线性结构.针对现有聚类算法无法有效对这些非线性描述符聚类的问题,提出一种面向非线性特征的三维CAD模型聚类算法.首先将各类非线性特征统一表征为属性图,定义属性图序列的距离矩阵;然后以距离矩阵为输入,利用非线性凝聚层次聚类算法实现属性图的聚类;最后以聚类结果为学习样本,引入增量模型的动态归类方法归类新增模式,实现三维CAD模型可重用区域的有效聚类.理论分析及实验结果表明了该算法的有效性.     

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。     

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.     

改进复杂网络模型的形状特征提取

目的 传统的基于欧氏距离的复杂网络表示方法容易受形状的非刚性变形影响。鉴于此,提出一种基于复杂网络模型与相对一致性距离相结合的形状特征提取方法。方法 首先,提取形状的边界轮廓点作为网络的节点,利用节点间的相对一致性距离作为边的权值构建初始的复杂网络模型;然后,利用阈值演化方法对初始网络模型进行动态演化,得到一系列子网络;最后,提取不同演化阶段下子网络的拓扑特征,实现对形状特征的提取。结果 分类和检索实验结果表明,相比于传统的复杂网络描述方法,本文方法对形状图像具有更强的描述和识别能力。结论 相比于传统的距离度量,相对一致性距离对形状的非刚性变形具有更强的稳定性。     

自监督深度残差函数映射网络的3维模型对应关系计算

目的 针对传统非刚性3维模型的对应关系计算方法需要模型间真实对应关系监督的缺点,提出一种自监督深度残差函数映射网络（self-supervised deep residual functional maps network,SSDRFMN）。方法 首先将局部坐标系与直方图结合以计算3维模型的特征描述符,即方向直方图签名（signature of histograms of orientations,SHOT）描述符;其次将源模型与目标模型的SHOT描述符输入SSDRFMN,利用深度函数映射（deep functional maps,DFM）层计算两个模型间的函数映射矩阵,并通过模糊对应层将函数映射关系转换为点到点的对应关系;最后利用自监督损失函数计算模型间的测地距离误差,对计算出的对应关系进行评估。结果 实验结果表明,在MPI-FAUST数据集上,本文算法相比于有监督的深度函数映射（supervised deep functional maps,SDFM）算法,人体模型对应关系的测地误差减小了1.45;相比于频谱上采样（spectral upsampling,SU）算法减小了1.67。在TOSCA数据集上,本文算法相比于SDFM算法,狗、猫和狼等模型的对应关系的测地误差分别减小了3.13、0.98和1.89;相比于SU算法分别减小了2.81、2.22和1.11,并有效克服了已有深度函数映射方法需要模型间的真实对应关系来监督的缺点,使得该方法可以适用于不同的数据集,可扩展性大幅增强。结论 本文通过自监督深度残差函数映射网络训练模型的方向直方图签名描述符,提升了模型对应关系的准确率。本文方法可以适应于不同的数据集,相比传统方法,普适性较好。