一种基于谱图小波描述子的非刚性三维模型检索方法技术

本发明专利技术提供一种基于谱图小波描述子的非刚性三维模型检索方法，能够提高非刚性三维模型的检索性能并能够降低三维模型检索耗时。所述方法包括：计算三维模型点的谱图小波描述子SGWS；根据得到的谱图小波描述子SGWS，利用BOP模型计算SGWS‑BOP特征；对得到的SGWS‑BOP特征进行降维；根据降维后的特征进行检索。本发明专利技术适用于三维模型局部特征提取、三维模型检索操作。

A non rigid 3D model retrieval method based on spectral graph wavelet descriptors

The invention provides a non rigid 3D model retrieval method based on the spectral wavelet descriptor, which can improve the retrieval performance of the non rigid 3D model and reduce the time consuming of the 3D model retrieval. The methods described include: calculating the spectral image wavelet descriptor SGWS of the three-dimensional model points; using the obtained spectral wavelet descriptor SGWS, the BOP model is used to calculate the SGWS BOP features, and the obtained SGWS BOP features are dimensionality reduced; and the features are retrieved according to the dimensionality reduction characteristics. The invention is suitable for 3D model local feature extraction and 3D model retrieval operation.

【技术实现步骤摘要】
一种基于谱图小波描述子的非刚性三维模型检索方法
本专利技术涉及计算机视觉领域，特别是指一种基于谱图小波描述子的非刚性三维模型检索方法。
技术介绍
近年来，三维模型检索技术是信息检索的一个分支，其就是为了准确、快速、方便的帮助用户寻找相关的三维模型。现有的三维模型形状分析中的关键点检测算法和特征描述子大多只适用于刚性三维模型，无法满足具有关节可进行姿态变化的非刚性三维模型，其尺度性能、鲁棒性、有效性不符合要求。针对三维形状存在姿态变化、非刚性形变等特点，研究者最初设计的方法大多是基于点之间的测地距离来进行设计的。这类方法对三维形状具有一定的等距等容不变性，但是其对拓扑噪声很敏感、结果容易受噪声影响，且计算量较大。近年来，随着谱分析技术在图像领域的成功应用，研究者开始研究基于谱分析的三维形状分析技术，并先后提出了一系列基于拉普拉斯一贝尔特拉米(Laplace-Beltrami，LB)算子的三维形状谱特征的方法。由于LB算子的特征函数可以刻画三维形状的几何特性和拓扑结构，且对三维形状具有等距等容不变性，因此其可以很好地应用于三维形状特征提取。但是，这类方法在特征构造的过程中，仍存在一定的有效信息损失。如何在谱域中充分挖掘出三维形状所蕴含的不变性信息，值得进行进一步地深入研究和探索。现有技术中，将词袋(BagsofFeatures，BOF)模型运用于三维模型检索，由于BOF模型丢弃了视觉单词之间的相互位置信息，对三维模型的特征表述不够全面，导致检索性能低。
技术实现思路
本专利技术要解决的技术问题是提供一种基于谱图小波描述子的非刚性三维模型检索方法，以解决现有技术所存在的利用BOF模型描述三维模型的特征，导致检索性能低的问题。为解决上述技术问题，本专利技术实施例提供一种基于谱图小波描述子的非刚性三维模型检索方法，包括：计算三维模型点的谱图小波描述子SGWS；根据得到的谱图小波描述子SGWS，利用BOP模型计算SGWS-BOP特征；对得到的SGWS-BOP特征进行降维；根据降维后的特征进行检索。进一步地，所述计算三维模型点的谱图小波描述子SGWS包括：对一三维模型，计算每个点的谱图小波描述子，得到p×n的描述子矩阵S＝(s1,s2,…,sn)；其中，si表示三维模型上第i个点的谱图小波描述子,p表示谱图小波描述子的维数，n表示三维模型点的数目。进一步地，所述计算三维模型点的谱图小波描述子SGWS包括：计算每个三维模型点的谱图小波函数系数及尺度函数系数，其中，计算尺度函数系数的尺度函数为：其中，λ表示拉普拉斯贝尔特拉米算子的特征值，λmin是拉普拉斯贝尔特拉米算子的最小特征值，λmax是拉普拉斯贝尔特拉米算子最大特征值，γ是将h(0)的值和谱图小波核函数g的最大值相同时取的参数。通过多分辨率将谱图小波函数系数和尺度函数系数进行融合，生成谱图小波描述子；其中，选取三次样条基函数作为谱图小波核函数，所述谱图小波核函数表示为：其中，p是拉普拉斯贝尔特拉米算子的特征值λ与尺度变换参数t的乘积。进一步地，所述根据得到的谱图小波描述子SGWS，利用BOP模型计算SGWS-BOP特征包括：使用FSFDP聚类算法确定初始聚类中心；根据得到的初始聚类中心，使用K-means聚类算法对描述子矩阵S进行聚类，得到k个聚类中心点v1,v2,…,vk，将得到的k个聚类中心点定义为视觉词汇，得到p×k维的视觉词典V＝{v1,v2,…,vk}；按照视觉词汇对三维模型上的每个点进行特征软分配，得到三维模型每个点的特征分布；利用点的1-环邻域点及其到原点的高斯距离，构建三维模型视觉单词的空间排列模型；将三维模型每个点的特征分布与其1-环邻域点构建的空间排列模型相组合，利用两点间的高斯距离确定相关性权重，计算三维模型的SGWS-BOP特征描述矩阵。进一步地，所述使用FSFDP聚类算法确定初始聚类中心包括：对于三维模型点集合X＝{x1,x2,...,xn}，计算每一个点xi的局部密度ρi和该点到具有更高局部密度的点的最小距离δ'i：其中，自定义函数m＝dij-dc，dij表示点xi与xj间的距离，dc表示计算局部密度的阈值，n表示三维模型点的数目；其中，ρmax为局部密度集合ρ＝{ρ1,ρ2,...,ρn}中的最大值，δi为δi'的归一化结果，最小距离集合δ＝{δ1,δ2,...,δn}；将具有δi值和ρi值乘积较大的点作为初始聚类中心。进一步地，三维模型上点x的特征分布表示为：θ(x)＝[θ1(x),...,θk(x)]T，其中，T表示转置，θi(x)表示三维模型点x对于视觉词典V中第i个视觉词汇vi的分布情况，θi(x)的计算式为：其中，vi代表对于视觉词典V中第i个视觉词汇，s(x)表示三维模型点x对应的谱图小波描述子，||·||2表示L2范数，σ为视觉词典V＝{v1,v2,…,vk}中视觉词汇之间的平均距离的两倍，c(x)表示归一化系数。进一步地，点的1-环邻域点是位于该点外侧第一层且在几何位置关系上直接相邻的点。进一步地，所将三维模型每个点的特征分布与其1-环邻域点构建的空间排列模型相组合，利用两点间的高斯距离确定相关性权重，计算三维模型的SGWS-BOP特征描述矩阵包括：将三维模型每个点的特征分布与其1-环邻域点构建的空间排列模型相组合，利用式计算三维模型的SGWS-BOP特征描述矩阵；其中，y是点x的1-环邻域点，n(x)表示点x的1-环邻域点集合，α(x)、α(y)分别表示点x、点y的邻域面积，G(x,y)表示点x和y之间的高斯距离，σ表示点x与其所有1-环邻域点距离的平均值。进一步地，所述对得到的SGWS-BOP特征进行降维包括：将三维模型的SGWS-BOP特征输入自动编码器输入层，得到一个编码；将编码送入自动编码器的解码器中，将该编码解码输出一个向量；通过对比自动编码器的输入和输出，调整自动编码器参数，对自动编码器的深度神经网络的参数进行训练学习，使得输入和输出相同，得到降维后的特征；其中，在训练过程中，使用反向传播算法和梯度下降法训练，损失函数J(W,b)为：其中，A表示同一类训练模型的数量，表示特征层的输出，W表示权重，b表示偏置，M+表示和三维模型M是同类的模型，M-表示和三维模型M是不同类模型，||·||2表示L2范数，||·||F表示LF范数，n表示三维模型点的数目，β和γ为可调节参数。进一步地，所述根据降维后的特征进行检索包括：计算待查询三维模型降维后的特征与预先存储的每个三维模型的降维后的特征之间的欧氏距离，所述欧式距离用于衡量2个三维模型之间的相似度；按照欧氏距离进行排序。本专利技术的上述技术方案的有益效果如下：上述方案中，针对谱图小波描述子具有尺度不变性，多分辨率特性，而且能够捕捉到详尽的局部邻域内的结构信息，并且结合了带通、低通滤波器的优势，采用谱图小波描述子来描述三维模型的局部特征，并且由于现有BOF模型自身的缺陷，对三维模型的特征表述不够全面的问题，采用能够表述特征之间的空间位置分布关系的BOP模型来生成三维模型全局描述特征(SGWS-BOP特征)；对生成的全局描述特征进行降维，根据降维后的特征进行检索。这样，可以更充分地利用三维模型中蕴含的有效鉴别信息，有效地提高非刚性三维模型的检索性能并能够降低三维模型检索耗本文档来自技高网...

【技术保护点】
1.一种基于谱图小波描述子的非刚性三维模型检索方法，其特征在于，包括：计算三维模型点的谱图小波描述子SGWS；根据得到的谱图小波描述子SGWS，利用BOP模型计算SGWS‑BOP特征；对得到的SGWS‑BOP特征进行降维；根据降维后的特征进行检索。

【技术特征摘要】
1.一种基于谱图小波描述子的非刚性三维模型检索方法，其特征在于，包括：计算三维模型点的谱图小波描述子SGWS；根据得到的谱图小波描述子SGWS，利用BOP模型计算SGWS-BOP特征；对得到的SGWS-BOP特征进行降维；根据降维后的特征进行检索。2.根据权利要求1所述的基于谱图小波描述子的非刚性三维模型检索方法，其特征在于，所述计算三维模型点的谱图小波描述子SGWS包括：对一三维模型，计算每个点的谱图小波描述子，得到p×n的描述子矩阵S＝(s1,s2,…,sn)；其中，si表示三维模型上第i个点的谱图小波描述子,p表示谱图小波描述子的维数，n表示三维模型点的数目。3.根据权利要求1所述的基于谱图小波描述子的非刚性三维模型检索方法，其特征在于，所述计算三维模型点的谱图小波描述子SGWS包括：计算每个三维模型点的谱图小波函数系数及尺度函数系数，其中，计算尺度函数系数的尺度函数为：其中，λ表示拉普拉斯贝尔特拉米算子的特征值，λmin是拉普拉斯贝尔特拉米算子的最小特征值，λmax是拉普拉斯贝尔特拉米算子最大特征值，γ是将h(0)的值和谱图小波核函数g的最大值相同时取的参数。通过多分辨率将谱图小波函数系数和尺度函数系数进行融合，生成谱图小波描述子；其中，选取三次样条基函数作为谱图小波核函数，所述谱图小波核函数表示为：其中，p是拉普拉斯贝尔特拉米算子的特征值λ与尺度变换参数t的乘积。4.根据权利要求2所述的基于谱图小波描述子的非刚性三维模型检索方法，其特征在于，所述根据得到的谱图小波描述子SGWS，利用BOP模型计算SGWS-BOP特征包括：使用FSFDP聚类算法确定初始聚类中心；根据得到的初始聚类中心，使用K-means聚类算法对描述子矩阵S进行聚类，得到k个聚类中心点v1,v2,…,vk，将得到的k个聚类中心点定义为视觉词汇，得到p×k维的视觉词典V＝{v1,v2,…,vk}；按照视觉词汇对三维模型上的每个点进行特征软分配，得到三维模型每个点的特征分布；利用点的1-环邻域点及其到原点的高斯距离，构建三维模型视觉单词的空间排列模型；将三维模型每个点的特征分布与其1-环邻域点构建的空间排列模型相组合，利用两点间的高斯距离确定相关性权重，计算三维模型的SGWS-BOP特征描述矩阵。5.根据权利要求4所述的基于谱图小波描述子的非刚性三维模型检索方法，其特征在于，所述使用FSFDP聚类算法确定初始聚类中心包括：对于三维模型点集合X＝{x1,x2,...,xn}，计算每一个点xi的局部密度ρi和该点到具有更高局部密度的点的最小距离δ′i：其中，自定义函数m＝dij-dc，dij表示点xi与xj间的距离，dc表示计算局部密度的阈值，n表示三维模型点的数目；其中，ρmax为局部密度集合ρ＝{ρ1...

【专利技术属性】
技术研发人员：曾慧，王臣良，刘文丽，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京,11