一种三维模型形状检索描述符

为了解决基于关键字的搜索方式不能准确查找三维模型的问题,对三角网格形式的三维模型提出一种基于内容的模型搜索算法.首先将模型中的三角网格再次划分,增加形状函数的维度,定义了一种新的三维模型形状函数,以提高形状函数的准确性;然后确定三维模型的极轴,将三维模型绕任意轴的旋转转换为绕极轴旋转,增强了球面调和方法提取的形状描述符旋转不变性;最后根据形状描述符之间的欧氏距离来度量三维模型的相似程度.实验结果表明,该算法适用于基于内容的三维模型搜索,并且在准确性和时效性方面都令人满意.     

基于形状分布的三维骨骼的相似性度量

文中应用形状分布算法度量由CT数据重建出的三维骨骼的相似度,并提出了改进.基本步骤是:在模型表面选择随机点,计算每两点间的距离,以形状分布函数来构建形状分布直方图,通过比较形状分布直方图来给出不同骨骼间的相似度.实验表明,该方法能够准确度量骨骼的相似性.     

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。     

一种基于改进地貌形状上下文的形状匹配方法

在基于地貌形状上下文的形状匹配方法中,计算地貌空间测地距离消耗时间较高,对应形状特征提取过程的效率较低.针对这一问题,本文提出了一种基于地貌模糊形状上下文的快速形状匹配方法.在形状特征提取过程中,通过引入最短路径算法对轮廓采样点间的测地距离进行快速计算.在此基础上结合对数极坐标模糊直方图构造地貌模糊形状上下文,其能够更好地描述轮廓点分布情况进而有效提升形状描述符的表达能力.考虑到轮廓点集顺序已知,进一步引入动态规划分析不同地貌空间下形状片段间的对应关系,以获取准确的形状匹配结果.通过对不同的数据集进行实验仿真分析,验证了本文方法能够有效地提升运算效率并取得较好形状检索精度.     

基于形状标记和双谱分析的图像形状特征提取

针对严重滑动磨粒、疲劳剥块和层状磨粒等磨粒的图像识别问题, 提出了基于形状标记和双谱分析的图像形状特征提取方法. 首先根据中心距离函数、累积角函数、最远点距离函数和三角形区域表示等4种形状标记方法, 将二维磨粒图像转换为一维信号表示; 然后对一维信号进行双谱分析, 得到形状的归一化双谱; 最后在归一化双谱域内, 根据双谱积分和双谱矩计算双谱不变量, 得到图像的76维形状特征, 涵盖了形状的整体特征、角度变化信息、角点信息和轮廓细节信息等. 为了有效评价所提方法的有效性, 在MPEG-7 CE Shape-1 Part B数据集和Swedish leaf数据集上进行了形状识别能力实验与抗噪声能力实验. 实验结果表明, 所提方法能够有效提高双谱分析用于形状识别时的识别准确率和抗噪声能力.     

基于谱对称的形状配准方法

针对现有三维形状配准方法中存在左右翻转的错误匹配问题,提出了基于内蕴对称特征检测的高效形状配准算法。首先,通过热核与几何约束构建模型的内蕴自对称点对;其次,基于谱嵌入特征空间分析提取模型的内蕴对称平面,并依据模型表面法向量有效识别模型的左右结构属性;然后,根据内蕴对称点对获得模型的一致性谱对称结构描述;最后,引入一致性点漂移算法(CPD),实现基于谱对称的非刚性模型的形状配准,有效避免了模型配准中的左右结构翻转问题。实验进一步论证了这种方法不仅有效提高了模型匹配的效率,而且能有效识别同类模型的结构特征,对于非刚性模型的配准具有较强的鲁棒性。     

基于形状分布的三维骨骼的相似性度量

文中应用形状分布算法度量由CT数据重建出的三维骨骼的相似度,并提出了改进。基本步骤是:在模型表面选择随机点,计算每两点间的距离,以形状分布函数来构建形状分布直方图,通过比较形状分布直方图来给出不同骨骼间的相似度。实验表明,该方法能够准确度量骨骼的相似性。     

基于双调合距离的三维形状相似度计算方法

基于双调和距离的等距不变性,提出一种三维形状的相似性度量方法。给出双调和距离、形式化表达和离散计算的定义,并对形状的双调和距离矩阵进行奇异值分解。提取双调和距离矩阵的特征值作为形状描述符,将一对形状特征值的余弦距离作为形状相似度。通过TOSCA2010数据库上的实验结果表明,与FMPS方法、SHED方法相比,该方法能够较好地兼顾时间耗费度和形状匹配度。     

基于高斯函数的曲面形状控制方法

为了实现对三维曲面的多控制点编辑与变形，提出一种基于高斯函数的编辑方法。本文利用高斯函数的分布特性实现曲面形状控制，并针对不同控制点的重叠控制区域采用加权方法做出特别处理，并给出算法的应用实例。     

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。     

非刚性三维模型检索特征提取技术研究

三维模型特征描述符是一种简洁且信息量丰富的表示方式.特征提取是许多三维模型分析处理任务的关键步骤.近年来,针对非刚性三维模型特征提取技术的研究引起了人们的广泛关注.本文首先汇总了常用的非刚性三维模型基准数据集和算法评价标准.然后在广泛调研大量文献和最新成果的基础上,将非刚性三维模型特征分为人工设计的特征描述符和基于学习的特征描述符两大类并分别加以介绍.对每类方法所包含的典型算法,尤其是最近几年基于深度学习的特征提取算法的基本思想、优缺点进行了分析、对比和总结.最后进行总结,并对未来可能的发展趋势加以展望.     

基于多尺度轮廓段的形状特征提取与识别

形状识别是计算机视觉与模式识别领域的重要研究内容。形状的特征选取与描述是形状识别的研究热点。针对现有识别方法的不足，提出一种通过对不同长度轮廓段进行描述，进行特征提取的方法。对每个形状均在6种尺度下进行特征提取，每种尺度选取5种轮廓段特征参数，实现了对形状的特征描述。在形状识别阶段，使用动态时间规整（DTW）算法度量形状描述子之间的匹配距离，实现形状识别。分别在Kimia99、Kimia216和MPEG-7数据库中进行算法验证，结果表明基于多尺度轮廓段的形状特征描述子具有旋转、缩放、平移和局部遮挡不变性，识别率优于现有算法。     

形状匹配方法研究与展望

形状匹配及分类是计算机视觉中的重要问题. 近年来,以形状上下文为代表的基于轮廓的形状匹配方法和以奇点图为代表的基于骨架的形状匹配方法获得了长足的发展. 本文介绍了形状匹配问题的基本概念, 分析了形状匹配问题的难点, 按照基于轮廓和基于骨架的分类方法对近年来最新出现的形状表示与形状匹配的方法进行了详尽的介绍, 并介绍了基于度量学习的形状检索方法, 本文还详细介绍了近年来形状匹配研究领域常用的一些测试数据库, 之后对局部形状匹配和形状分类等有潜力的研究方向进行了展望. 最后对形状匹配的整体框架及其应用前景进行了总结.     

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.     

Partial 3D Shape Retrieval by Reeb Pattern Unfolding

This paper presents a novel approach for fast and efficient partial shape retrieval on a collection of 3D shapes. Each shape is represented by a Reeb graph associated with geometrical signatures. Partial similarity between two shapes is evaluated by computing a variant of their maximum common sub-graph.
By investigating Reeb graph theory, we take advantage of its intrinsic properties at two levels. First, we show that the segmentation of a shape by a Reeb graph provides charts with disk or annulus topology only. This topology control enables the computation of concise and efficient sub-part geometrical signatures based on parameterisation techniques. Secondly, we introduce the notion of Reeb pattern on a Reeb graph along with its structural signature. We show this information discards Reeb graph structural distortion and still depicts the topology of the related sub-parts. The number of combinations to evaluate in the matching process is then dramatically reduced by only considering the combinations of topology equivalent Reeb patterns.
The proposed framework is invariant against rigid transformations and robust against non-rigid transformations and surface noise. It queries the collection in interactive time (from 4 to 30 seconds for the largest queries). It outperforms the competing methods of the SHREC 2007 contest in term of NDCG vector and provides, respectively, a gain of 14.1% and 40.9% on the approaches by Biasotti et al. [ BMSF06 ] and Cornea et al. [ CDS*05 ].
As an application, we present an intelligent modelling-by-example system which enables a novice user to rapidly create new 3D shapes by composing shapes of a collection having similar sub-parts.     

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。     

融合信息熵和CNN 的基于手绘的三维模型检索

基于手绘草图的三维模型检索(SBSR)已成为三维模型检索、模式识别与计算机视 觉领域的一个研究热点。与传统方法相比,基于卷积神经网络(CNN)的三维深度表示方法在三 维模型检索任务中性能优势非常明显。本文提出了一种基于手绘图像融合信息熵和CNN 的三 维模型检索方法。首先,通过计算模型投影图的信息熵得到模型的代表性视图,并将代表性视 图经过边缘检测等处理得到三维模型投影图的轮廓图像;然后,将轮廓图像和手绘草图输入到 CNN 中提取特征描述子,并进行特征匹配。本文方法在Shape Retrieval Contest (SHREC) 2012 数据库和SHREC 2013 数据库上进行实验。实验证明,该方法的效果较其他传统方法检索准确 度更高。     

基于多任务学习的有限样本多视角三维形状识别算法

随着三维扫描技术的快速发展,三维形状分析得到了学术界的广泛关注;尤其是深度学习在计算机视觉上取得的显著成功,使得基于多视图的三维形状识别方法成为了目前三维模型识别的主流方式。已有研究表明,三维数据集的数量对于最终的分类精度是一个非常重要的影响条件。然而,由于专业三维扫描设备的限制,三维形状数据难以采集。实际上,现有的公共基准三维数据集的规模远远小于二维数据集,三维形状分析的发展因此受到阻碍。为了解决这一问题,文中主要研究在极小数据样本情况下,三维形状识别问题的优化解策略。受多任务学习的启发,搭建了多分支的网络结构,并引入基于度量学习的辅助比较模块,用于挖掘类内和类间的相似性和差异性信息。网络模型包括主支路与辅助支路,分别使用不同的损失函数对应不同的训练任务,并使用权值超参数平衡多项损失。主支路获得预测分类,使用交叉熵损失函数进行更新;辅助支路得到不同样本间的相似性得分,使用均方差损失函数进行更新。为保证特征向量被投影到同一个空间中,主、辅助支路共享相同的特征提取模块,在训练阶段共同更新参数,在测试阶段仅使用主支路获得的分类结果。在两个公开的三维形状基准数据集上的大量实验结果表明,所提网络结构与训练策略相比传统方法,在少样本的情况下可以显著提高特征模块对不同类别的区分能力,获得更优的识别结果。