论文部分内容阅读
随着多媒体技术以及计算机软硬件的快速发展,海量的三维模型被广泛的应用在设计重用、智能生产等众多领域,因此解决三维模型的分类与检索技术上的难题,实现对海量三维模型的有效管理,是各个领域迫切的需求。对三维模型进行有效的分类管理可以提高设计生产效率,提高原有模型的复用率,降低时间以及人工成本。近年来,人工智能(Artificial Intelligence,AI)无论在理论还是应用上面,都取得了快速发展。特别是引入了深度学习(Deep Learning,DL)的理论方法,解决了AI上许多难于实现的问题,同时实现了把AI推广应用到各个领域中去。在三维模型分类与检索的研究领域中,提高算法准确率、适用性以及智能化,是目前重要的研究发展方向。在三维模型分类与检索技术中,需要解决三维模型的特征提取、分类以及检索的研究难题,其研究目的是快速的在数据集中找出模型,并对海量的模型就行有效的分类管理。目前关于三维模型分类与检索研究工作中大多数针对刚体模型,其算法难以适用于姿态易变的非刚体模型。本文以描述热扩散规律的热核为基础,研究非刚体三维模型特征提取、分类以及检索方法,提出了一种具有尺度变换不变性的NSIHKS(New Scale-invariant Heat Kernel Signature)特征提取算法。并结合深度学习的理论方法,构建了一个非刚体三维模型的分类与检索框架。本文研究成果对产品设计重用、电子商务等领域有重要意义。论文主要研究内容如下:(1)本文在总结分析现有的通用三维模型、刚体三维模型以及非刚体三维模型分类与检索方法的基础上,提出了非刚体三维模型NSIHKS特征提取算法,并分析了该特征在非刚体三维模型应用上的优势。热核特征HKS(Heat Kernel Signature)作为模型顶点的局部特征,具备等距等容不变性,应用在非刚体三维模型分类与检索中效果突出,但缺点是易受到模型的尺度影响。本文利用离散傅里叶变换借鉴非刚体模型特征SIHKS(Scale-invariant Heat Kernel Signature)的提取思想,在时间尺度和特征维度上进行优化,提出一种非刚体三维模型NSIHKS特征提取算法。(2)根据k-means算法,修正并计算生成适用于模型库的聚类中心,并将NSIHKS特征转化为模型新的形状描述符。给出了一种基于Hausdorff距离模型相似度的度量指标,用于非刚体三维模型的分类与检索。(3)基于深度学习理论,设计卷积神经网络(convolution neural network,CNN)用于提取非刚体三维模型的深度特征,提出一个非刚体三维模型的分类与检索框架,进一步提高分类与检索准确率。数据仿真实验表明,该方法在非刚体三维模型分类与检索性能较好。