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.     

融合形状与纹理的点云局部特征描述算法

针对现有点云局部描述符缺乏色彩纹理信息导致特征描述能力不足,以及耗时过长的问题,提出一种基于FPFH(快速点特征直方图)的多特征融合描述符。利用FPFH算法提取形状特征;为特征邻域内点云建立拓扑结构,利用点对间HSV色彩通道比值提取纹理特征;通过特征融合构造描述符,基于最近邻比值的策略进行特征匹配来评估性能。实验结果表明,该算法相较其它描述符有效减少了计算量,可以提高彩色点云特征匹配的效率和精度。     

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%.     

拓扑和形状特征相结合的三维模型检索

针对整体相似性检索算法在局部细节特征上的表达能力不足,提出了一种将拓扑和形状特征相结合的三维模型相似性比较方法.首先提取三维模型的骨架,获得模型的整体拓扑特征;然后根据骨架节点将模型分解为多个子部分,并利用球面谐波算法提取每一个子部分的形状特征.模型的匹配分为3步进行:整体骨架的拓扑特征相似性比较,相对应的子部分的局部形状特征相似性比较,模型总的相似性是整体骨架相似性与对应子部分局部形状相似性的加权和.实验结果表明:该方法从整体到局部、由粗到精,综合考虑了拓扑和形状特征,较传统的考虑单一拓扑或形状特征的检索算法有较高的检索精度,同时又支持基于局部特征的相似性检索.     

改进的Ankerst三维模型检索算法

针对基于Ankerst方法的形状描述符对三维模型本身内容描述不够充分的问题,提出一种改进的三维模型检索方法.使用球壳和扇区组合模式对三维模型所在的空间进行分割,构成形状直方图;然后,旋转过球心的平面与模型求交点提取相交点信息和闭环,生成具有拓扑特征的形状描述符;利用相似函数来计算模型之问的相似度.实验表明,这种方法能达到比较好的检索效果.     

大型工件部分点云与整体点云的配准方法

部分点云与整体点云的高效、高精度配准是完成大型工件尺寸快速评价工作的基础,但由于部分点云和整体点云全局特征的差异性,使用现有的局部特征描述符进行点对匹配搜索计算量大,点云配准耗时长.为此,针对部分点云与全局点云的几何特征,提出一种基于区域均值特征描述符的部分点云与整体点云配准方法.首先提出一种区域均值特征描述符,能够有效地描述点云中关键点的邻域几何特征;然后通过评价点云区域均值特征描述符的特征度选择数据点作为待配准关键点,搜索与之匹配的描述符,完成部分点云与整体点云的关键点匹配;最后使用奇异值分解法计算点云之间的转换矩阵,基于迭代最近点算法完成部分点云与整体点云的配准.利用斯坦福公共数据库点云集和大型发动机舱段的三维扫描点云数据,对配准算法的配准准确度和配准速度进行实验的结果表明,与现有的几种基于局部特征描述符(PFH,HoPPF,PPFH,FPFH)的点云配准方法相比,所提方法配准准确度平均提高56.75%,配准速度平均提高45.57%,验证了该方法的有效性.     

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.     

阶层式三维形状环特征提取方法

针对已有的三维形状局部特征属性单一及缺乏空间结构信息的问题,提出了一种融合三维形状拓扑连接信息的阶层式特征提取框架,并得到具有平移不变性的三维形状环特征。首先,以三维形状底层特征提取为基础,进一步利用等测地线环的方式对特征点的局部区域进行建模,抽象出包含丰富空间几何结构信息的中层特征;然后,利用稀疏编码方式对中层特征进一步概括抽象,进而得到更具区分力和丰富信息的高层特征。将该高层特征与已有的尺度不变的热核描述子（SI-HKS）在三维形状对应和形状检索这两类任务中进行对比,该特征准确率分别提高了24.5个百分点和7.2个百分点。实验结果表明所提特征相较于已有的特征描述符具有更高的分辨率和识别度。     

基于点描述图像的三维形状检索算法

基于内容的三维形状检索缺少对三维形状的局部描述。针对该问题,提出一种基于点描述图像的算法。在三维形状上,根据对应规则选取一些点,利用这些点计算局部形状分布的点描述图像(PODI),得到PODI的点描述图像集合(PODISet),将PODISet作为三维形状的描述符进行检索。实验结果表明,相比其他2种算法,PODISet的局部形状分布性能较优。     

点云曲面上的形状直径函数

针对已有的形状直径函数(SDF)算法需要计算落在锥体里面的若干条射线和物体表面的交点,不能直接处理点云曲面或者带洞的几何模型的问题,提出点云上的SDF算法.首先推导了连续曲面上的SDF显式公式,并将其推广至离散点集;然后在离散情况下把锥体内部空间离散化为120个单元,采用投票技巧筛选出每个单元上的有效穿透距离;再采用OBB树批量处理点云数据,而不是逐点判断;最后把所有单元块的穿透距离进行加权得到最终的SDF值.实验结果表明,该算法可应用于形状检索和厚度可视化等多种场合.     

Multi-scale tensor voting for feature extraction from unstructured point clouds

Identifying sharp features in a 3D model is essential for shape analysis, matching and a wide range of geometry processing applications. This paper presents a new method based on the tensor voting theory to extract sharp features from an unstructured point cloud which may contain random noise, outliers and artifacts. Our method first takes the voting tensors at every point using the corresponding neighborhoods and computes the feature weight to infer the local structure via eigenvalue analysis of the tensor. The optimal scale for a point is automatically determined by observing the feature weight variation in order to deal with both a noisy smooth region and a sharp edge. We finally extract the points at sharp features using adaptive thresholding of the feature weight and the feature completion process. The multi-scale tensor voting of a given point set improves noise sensitivity and scale dependency of an input model. We demonstrate the strength of the proposed method in terms of efficiency and robustness by comparing it with other feature detection algorithms.     

基于图像几何形状特征的CBIR算法

张量尺度是一种基于图像几何形状的特征描述子,由于其特征提取过程计算复杂度较高,不适合于快速的基于内容的图像检索。提出一种基于图像森林变换的张量尺度特征提取快速算法,并采用归一化的张量尺度方向直方图作为图像几何形状的特征描述子,与相似性度量标准结合,实现了一种具有图像平移、旋转、尺度变换不变特性的基于内容的图像检索算法。与现有的张量尺度计算方法相比,该算法具有较低的计算复杂度,仿真实验结果证明算法的有效性。     

相似性维数在点云中的应用

3D点云配准、分割、识别等任务中都需要获取形状属性,传统的形状属性对尺度变化敏感且计算复杂,表达的几何意义简单。结合分形几何中相似性维数的概念,给出了一种可作为点云模型形状属性的维数定义。首先,求取模型中每个点的k邻域得到一个点集,计算其外接球半径;其次,计算由该点集组成的体积与面积信息,并通过缩放处理解决尺度敏感的问题;最后,利用相似性维数表达式计算点云模型中每个点的维数值,使用该值来表示点云模型的形状属性。实验结果表明,相似性维数具有表达形状的能力,并且能够清晰地表达模型的全局特征。     

一种基于形状描述的模型配准方法

针对模型配准中需要预配准操作的问题, 提出了一种基于几何形状描述的模型配准方法。首先利用一种基于距离场的几何形状描述方法从预配准模型中获取特征点并建立对应关系, 即构造预配准模型间的特征点对; 之后, 以特征点对为基础计算模型配准所需的转换矩阵以实现对模型的一步精确配准。实例表明该方法在不需要对模型进行预配准操作的情况下可实现模型的精确配准。     

基于局部指纹曲面片的点云三维物体识别

提出一种新的基于局部描述符的点云物体识别算法。算法根据点云的位置信息提取出邻域以及曲率信息,进而得到形状索引信息。根据形状索引提取到特征点,在每个特征点根据样条拟合原理得到测地距离和矢量夹角分割曲面得到曲面片集。每个曲面片的等距测地线构成了曲面片指纹,通过矢量和半径的变化描述,可以把每个模型物体得到的曲面片集描述存入数据库。对于给定的一个物体,根据上面步骤同样得到其曲面片集描述,通过和数据库中模型物体曲面片集的比对,得到初始识别结果。对每对初始识别结果进行对应滤波后,通过最近点迭代方法得到最终的识别结果。最后通过具体的实验说明了算法的有效性和高效性。     

基于小波变换的局部形状匹配

为解决仿射变换下的局部形状匹配问题,提出了一种新的基于小波描述子的局部形状匹配方法。算法首先基于分割点将轮廓曲线分段,为了更精确地描述每段子曲线,定义一种新的特征点--等面积分割点,并在子曲线上提取,基于该特征点构造一种新的具有局部特征的小波描述子。新定义的等面积分割点有比一般的特征点（角点、拐点、切点）更精确描述曲线的特性,能解决轮廓曲线平滑特征点少而不能被精确描述的问题;定义的等面积分割点和提取的小波描述子都具有仿射不变性,且均为局部描述符,因而该方法适合于仿射变换且在轮廓局部遮挡和缺失的情况下仍然有效。理论分析和实验结果都证明了该算法的有效性。     

基于3D-Harris 与FPFH 改进的3D-NDT 配准算法

针对传统点云配准三维正态分布变换(3D-NDT)、迭代最近点(ICP)算法在未给定初 始配准估计的情况下配准效果不佳、配准时间长、误差较大的缺陷,提出了精准且相对高效的 点云匹配算法。首先,运用3D-Harris 算法识别每一幅点云的关键点,并以此为基本点建立局 部参考框架,计算快速点特征直方图(FPFH)描述子;之后,使用最小中值法(LMeds)中的对应 估计算法排除不准确的点对应关系,得到含有对应三维特征关系的特征点对。计算粗配准所需 的变换矩阵,完成初步匹配。随后,根据3D-NDT 算法将点云数据空间体素化,运用概率分布 函数完成最终的点云进行精确地匹配。使用改进配准将3 组分别从网络下载的较少噪声、大规 模与Kinect V2.0 采集的较多噪声、大规模的2 组重叠度不同的点云数据匹配到同一个空间参考 框架中,并通过精度分析对比经典3D-NDT,ICP 等算法。实验结果证明,该算法在迭代次数 较低时,可使室内场景点云数据完成精度较高的配准且受噪声影响较小,但如何将算法的复杂 度适当降低,缩短配准时间需要更进一步的研究。     

基于特征相似性的RGBD点云配准

三维点云数据的配准是计算机视觉领域的重要研究课题,也是三维重建的关键步 骤。针对 RGBD 点云数据的配准问题,提出一种基于特征相似性的初始配准方法。首先需要计 算待配准的 RGBD 点云模型的曲率和颜色特征度(CFD),并对 CFD 进行统计分析,若模型颜色 特征足够丰富优先采用颜色相似性策略,反之尝试曲率相似性策略。通过特征点提取精简点云 模型,利用确定的对应点选择策略选择候选对应点对。在候选对应点对上采用优化样本一致性 算法获得初始配准变换矩阵,实现两片点云的初始配准。针对不同颜色纹理的 RGBD 点云模型, 本文方法可以自适应选择合适的特征点选择策略,实现点云间良好的初始配准。实验结果表明, 对于几何特征不明显的 RGBD 模型,本文方法能够自适应选择颜色相似性策略来较好地完成初 始配准。对于不同类型的模型配准结果较好,算法效率更高。