基于梯度方向累加热核特征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梯度方向累加热核特征的非刚性三维模型检索方法，在特征提取过程中能够有效地避免高频信息的丢失，提高检索效率。所述方法包括：计算三维模型点的热核特征及其对数差分值；将所述对数差分值的梯度差分绝对值按照梯度方向进行累加，得到梯度方向累加热核特征；根据得到的梯度方向累加热核特征，确定梯度方向累加热核形状描述子；根据确定的梯度方向累加热核形状描述子，利用梯度下降法进行融合特征学习，获得融合特征；根据得到的融合特征，采用相似性度量方法进行检索。本发明专利技术适用于三维模型特征提取、检索。

Non rigid 3D model retrieval method based on gradient directional heating kernel feature

The invention provides a non rigid 3D model retrieval method based on the characteristic of the gradient direction tired heating core, which can effectively avoid the loss of high frequency information in the process of feature extraction and improve the retrieval efficiency. The methods include: calculating the thermonuclear characteristics and the logarithmic difference values of the three dimensional model points, adding the gradient difference absolute value of the logarithmic difference value according to the gradient direction, obtaining the characteristic of the gradient direction tired heating core, and determining the shape descriptor of the gradient direction tired heating nucleus according to the obtained gradient direction. Based on the defined gradient direction tired core shape descriptor, the fusion feature is learned by the gradient descent method, and the fusion features are obtained, and the similarity measure is used to retrieve the fusion features. The invention is suitable for 3D model feature extraction and retrieval.

【技术实现步骤摘要】
基于梯度方向累加热核特征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，特别是指一种基于梯度方向累加热核特征的非刚性三维模型检索方法。
技术介绍
三维模型检索技术属于信息检索领域的一部分，其关键在于如何能够有效提取三维模型的特征信息。三维模型特征可分为全局特征和局部特征两大类。全局特征主要是通过分析三维模型的整体来得到其形状表达。按照处理方式的不同，又可将其分为基于几何属性的特征提取方法、基于视图的全局提取特征方法以及基于拓扑图的特征提取方法等：基于几何属性的方法主要是通过从三维模型的全局范围内获取特定的几何关系并利用统计学思想获取三维模型形状描述子。虽然基于几何属性的特征提取具有较高的计算效率，但该类方法会因统计数据种类过于单一而导致对三维模型的区分能力较差。基于视图的特征提取关键思想在于将三维模型投影为二维图像进而完成特征提取，并且利用多个投影视图来完善对三维模型的形状描述。其优点在于对噪声的鲁棒性较好，直观上更契合人的视觉认知，但随之带来的是巨大的计算量，计算过程繁琐。三维模型的拓扑结构是对模型架构的完整体现，因此基于拓扑图的特征提取能够充分反映模型内各部分之间的连接，但它具有对噪声的鲁棒性差，计算量大等缺点。与全局特征提取方法不同，局部特征提取方法从三维模型的局部区域出发，选取能够有效表示局部特征的关键点，进而建立对整体三维模型的特征描述。这类方法对遮挡、模型的缺失、网格分辨率变化等具有更好地鲁棒性，因此近年来受到越来越多研究者的关注。常用的局部特征提取方法主要有基于空间分布直方图的方法(如SpinImage、3DShapeContext、RotationalProjectionStatistics等)和基于几何特性直方图的方法(如LocalSurfacePatch、PointFeatureHistogram、FastPointFeatureHistogram等)。这些方法虽然取得了较好地检索效率，但是大多数是针对刚性三维模型来设计的，对三维模型的非刚性形变不具有不变性。Darom等将二维图像描述领域经典的SIFT描述子扩展到三维网格数据，提出了LD-SIFT(LocaldepthSIFT)特征。该特征使用特征点邻域构建深度图，使用PCA(PrincipleComponentAnalysis)方法估计特征点的主方向以实现旋转不变性，取得了较好的检索和匹配结果。该特征虽然对于三维模型的尺度变化和部分遮挡具有一定的鲁棒性，但是其要求输入的三维模型数据点必须是密集的而且被均匀采样过的，且不能处理形状复杂的三维结构，对非刚性三维模型的非刚性形变不具有不变性。针对这一问题，相关学者开始利用拉普拉斯算子的特征系统来研究对三维模型非刚性变换具有不变性的局部特征提取方法。Sun等人提出了一种可用于描述非刚性三维模型局部形状结构的特征，即热核特征(HKS，HeatKernelSignature)。该特征是由热量在模型表面逐渐传递过程得到的，由该点的热核和拉普拉斯算子表示。HKS特征舍弃了热核在空间分布上的信息，仅保留了热核信号的时域信息以此作为对关键点的特征描述，再加之HKS特征在时域上的多尺度属性，使得其相对热核而言对三维模型的平移、旋转及其等距变换具有不变性。但是HKS特征也存在着显著的缺点，其中之一便是对三维模型的尺度变换敏感，对具有尺度变换的两个三维模型而言，相应三维点的HKS特征会存在明显的不同。在某些特定要求下，可以对三维模型提前进行一些预处理以此来消除HKS特征对尺度变换敏感带来的影响，常见的例如对三维模型的边界框、内直径以及拉普拉斯一贝尔特拉米(Laplace-Beltrami)算子进行规范化，但是这些方法的使用条件有时会较为苛刻，于是一种以HKS特征为基础，具有尺度不变性的热核特征(SI-HKS，ScaleInvariantHeatKernelSignature)应运而生。其通过一系列的变换，利用低频信息来构造具有尺度不变特性的局部特征。虽然SI-HKS特征对于三维模型的尺度变换具有良好的鲁棒性，但由于其仅仅利用了低频信息，不免产生高频信息损失。
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梯度方向累加热核特征的非刚性三维模型检索方法，以解决现有技术所存在的SI-HKS特征存在高频有效信息丢失的问题。为解决上述技术问题，本专利技术实施例提供一种基于梯度方向累加热核特征的非刚性三维模型检索方法，包括：计算三维模型点的热核特征及其对数差分值；将所述对数差分值的梯度差分绝对值按照梯度方向进行累加，得到梯度方向累加热核特征；根据得到的梯度方向累加热核特征，确定梯度方向累加热核形状描述子；根据确定的梯度方向累加热核形状描述子，利用梯度下降法进行融合特征学习，获得融合特征；根据得到的融合特征，采用相似性度量方法进行检索。进一步地，对数差分值表示为：其中，表示hτ的对数差分值，hτ表示三维模型X在ατ时刻对应的热核信号的取值/热核特征，hτ+1表示三维模型X在ατ+1时刻对应的热核信号的取值/热核特征。进一步地，所述将所述对数差分值的梯度差分绝对值按照梯度方向进行累加，得到梯度方向累加热核特征包括：确定梯度方向θ，并将所述对数差分值的梯度差分的绝对值作为梯度方向累计值GDA：其中，表示三维模型X在时刻ατ+2对应的热核信号的对数loghτ+2与在时刻ατ+1对应的热核信号的对数loghτ+1的差值，表示三维模型X在时刻ατ对应的热核信号的对数loghτ与在时刻ατ-1对应的热核信号的对数loghτ-1的差值；△T为采样时间tτ+1和tτ-1的差值，即：△T＝tτ+1-tτ-1＝ατ+1-ατ-1，k为时间比例系数，α和τ为计算采样时间t参数；将梯度方向θ的取值区间以为间隔等分成B个子区间，将梯度方向累计值GDA落入每个子区间的值进行叠加，得到一个B维的梯度方向累加热核特征描述向量，其中，B表示特征维数。进一步地，在得到一个B维的梯度方向累加热核特征描述向量之后，所述方法还包括：将得到的B维的梯度方向累加热核特征描述向量进行二范数归一化处理。进一步地，所述根据得到的梯度方向累加热核特征，计算梯度方向累加热核形状描述子包括：将得到的B维的梯度方向累加热核特征描述向量的每一维的取值区间分为NB个子区间；统计梯度方向累加热核特征描述向量的每一维元素落入NB个子区间的个数，得到B个NB维的特征分布统计向量；对每一个NB维的特征分布统计向量，分别进行L1范数归一化处理，得到B×NB的梯度方向累加热核形状描述子矩阵。进一步地，所述根据确定的梯度方向累加热核形状描述子，利用梯度下降法进行融合特征学习，获得融合特征包括：将B×NB的梯度方向累加热核形状描述子矩阵的每一行分别依次送入相应的自动编码器，其中，自动编码器的个数为B个；以样本类别标签作为输出，构造融合特征网络；将类别标签作为输出层，把类别信息加入到特征融合的计算中，使用梯度下降算法训练构造的融合特征网络，使网络代价函数为最小，得到融合特征。进一步地，在网络代价函数中加入Fisher鉴别项，网络代价函数J(W,b)表示为：其中，W表示广义权值，b表示偏置，m表示样本集中三维模型的个数，λ表示权重衰减系数，sl表示网络中第l层节点的个数，l表示网络的层数本文档来自技高网...

【技术保护点】
1.一种基于梯度方向累加热核特征的非刚性三维模型检索方法，其特征在于，包括：计算三维模型点的热核特征及其对数差分值；将所述对数差分值的梯度差分绝对值按照梯度方向进行累加，得到梯度方向累加热核特征；根据得到的梯度方向累加热核特征，确定梯度方向累加热核形状描述子；根据确定的梯度方向累加热核形状描述子，利用梯度下降法进行融合特征学习，获得融合特征；根据得到的融合特征，采用相似性度量方法进行检索。

【技术特征摘要】
1.一种基于梯度方向累加热核特征的非刚性三维模型检索方法，其特征在于，包括：计算三维模型点的热核特征及其对数差分值；将所述对数差分值的梯度差分绝对值按照梯度方向进行累加，得到梯度方向累加热核特征；根据得到的梯度方向累加热核特征，确定梯度方向累加热核形状描述子；根据确定的梯度方向累加热核形状描述子，利用梯度下降法进行融合特征学习，获得融合特征；根据得到的融合特征，采用相似性度量方法进行检索。2.根据权利要求1所述的基于梯度方向累加热核特征的非刚性三维模型检索方法，其特征在于，对数差分值表示为：其中，表示hτ的对数差分值，hτ表示三维模型X在ατ时刻对应的热核信号的取值/热核特征，hτ+1表示三维模型X在ατ+1时刻对应的热核信号的取值/热核特征。3.根据权利要求1所述的基于梯度方向累加热核特征的非刚性三维模型检索方法，其特征在于，所述将所述对数差分值的梯度差分绝对值按照梯度方向进行累加，得到梯度方向累加热核特征包括：确定梯度方向θ，并将所述对数差分值的梯度差分的绝对值作为梯度方向累计值GDA：其中，表示三维模型X在时刻ατ+2对应的热核信号的对数loghτ+2与在时刻ατ+1对应的热核信号的对数loghτ+1的差值，表示三维模型X在时刻ατ对应的热核信号的对数loghτ与在时刻ατ-1对应的热核信号的对数loghτ-1的差值；△T为采样时间tτ+1和tτ-1的差值，即：△T＝tτ+1-tτ-1＝ατ+1-ατ-1，k为时间比例系数，α和τ为计算采样时间t参数；将梯度方向θ的取值区间以为间隔等分成B个子区间，将梯度方向累计值GDA落入每个子区间的值进行叠加，得到一个B维的梯度方向累加热核特征描述向量，其中，B表示特征维数。4.根据权利要求3所述的基于梯度方向累加热核特征的非刚性三维模型检索方法，其特征在于，在得到一个B维的梯度方向累加热核特征描述向量之后，所述方法还包括：将得到的B维的梯度方向累加热核特征描述向量进行二范数归一化处理。5.根据权利要求3所述的基于梯度方向累加热核特征的非刚性三维模型检索方法，其特征在于，所述根据得到的梯度方向累加热核特征，计算梯度方向累加热核形状描述子包括：将得到的B维的梯度方向累加热核特征描述向量的每一维的取值区间分为NB个子区间；统...

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