论文部分内容阅读
三维模型被广泛应用于各领域,大量的应用以现有模型为基础,快速找到所需模型是加速应用进程的关键。基于内容的三维模型检索算法能够从海量的无标记三维模型中检索出用户所需的对象成为当前的研究热点。三维模型检索中特征提取、特征编码、相似性度量是影响检索准确率的关键。本文主要从高区分度的特征提取、高效的特征编码方案选取、多特征融合以及相似性度量中流形排序的作用几个方面开展研究。在分析现有检索算法各阶段存在的问题后,提出三种三维模型特征、两种特征融合算法以及一种基于流形排序的三维模型检索算法,旨在提高三维模型检索准确率。三维模型主要分为刚体和非刚体两种类型,本文针对刚体三维模型检索展开研究,所取得的主要研究成果与创新工作概述如下:(1)针对全局、局部及视图特征各自存在的问题,分别提出三种特征。形状分布特征存在着不同模型具有相似特征的情形,而此时不同模型的包围盒、面片及法线分布信息均有差异,为此提出一种全局特征,将包围盒及面片法线分布信息叠加到形状分布特征中,提升特征区分度。基于视图的特征优于其它类型特征,但现有视图特征忽略产生深度图像时的视点差异而将所有深度图像等同对待,制约检索准确率的提升。为此,我们提出一种融入视点差异的多尺度视图特征,首先提取多分辨率深度图像,并根据深度图像能否构成“三视图”而将其分两部分提取特征,分别采用高斯混合模型训练词典,并通过Fisher编码以获得同一模型的两种特征向量,接着将这两种特征向量组合得到模型的最终特征向量并用于三维模型检索。视图特征还存在着不能正确描述模型被遮挡区域的空间关系,造成模型信息丢失的问题。针对此问题,提出一种三维局部特征,其直接在三维空间中计算模型给定顶点邻域内的统计信息,不受遮挡影响,所提特征与视图特征有较好的互补性。(2)提出两种特征融合算法并应用于三维模型检索。第一种算法采用距离加权方式进行融合,主要验证互补性对特征融合的影响。第二种算法基于检索结果序列自适应加权方式进行融合,解决特征融合过程中存在的权值难以有效确定以及归一化过程易受数据分布影响的问题。算法首先选定基准特征并以此为标准,自适应计算参与融合的各特征与基准特征之间的相关性,并以此为融合的权值。随后以检索结果序列为输入,根据序列中模型的位置序号获得初始相似度值,并利用近邻信息更新相似度值,再以计算得到的权值融合不同特征对应的相似度值。由于获取位置序号无需对距离矩阵进行归一化操作,因此有效避免归一化失效对融合算法的影响。实验结果验证了提出算法的有效性。(3)流形排序能够发现隐藏在数据背后的流形结构,提升检索性能。传统方法在构建用于流形排序的相似度矩阵时采用高斯核方法,易受异常数据点影响,造成流形传递失效。为此,我们在相似度矩阵构建时,直接将模型的位置序号转换为相似度值,减小异常数据及分布对流形传递的影响,实验显示改进后的流形排序方法更为稳定,并且能够直接作用于融合后的特征,进一步提升检索准确率。另外在流形传递过程还存在着将本已在正确结果集中的数据传递到错误结果集中的问题,为此我们在流形传递结束后,通过叠加原相似度矩阵作为修正项,减轻错误传递程度。两者综合应用,显著提高三维模型检索算法的准确率。