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。     

自适应稀疏编码融合的非刚性三维模型分类算法

针对传统的三维模型单一特征识别精度低问题,提出一种自适应稀疏编码融合的非刚性三维模型分类算法.首先提取模型的平均测地线特征、热核特征、形状直径函数特征,以构造互补的多特征形状描述;其次利用特征袋模型构造AGD-BoF, HKS-BoF, SDF-BoF特征向量,通过随机样本建立特征权值矩阵;最后利用特征权值矩阵与稀疏优化编码自适应融合,并采用Softmax分类算法实现非刚性模型的有效分类.通过在非刚性数据集SHREC10与SHREC11上的综合实验表明,自适应稀疏编码融合的分类算法具有更高的识别准确率及较强的鲁棒性.     

结构感知深度学习的三维形状分类方法

为了解决复杂、海量三维模型的形状识别问题,提出了一种结构感知深度学习的三维形状分类方法.通过联合学习三维模型的几何结构和空间结构,生成具有结构感知的特征向量表示,该特征向量具有更强的识别力与稳定性,在三维形状分类中取得显著的效果.首先,提取优化的多尺度热核特征,并通过CNN学习模型,有效地获取三维形状的几何结构特征;其次,建立多视图卷积学习网络提取三维形状的空间结构特征;最后,通过联合优化学习生成具有结构感知的深度特征表示.文中采用了C++,Matlab,TensorFlow框架实现,并在公开的三维数据库中进行了大量实验,实验结果表明,文中方法获取的深层结构特征对于复杂拓扑结构、大尺度几何形变的三维形状具有稳定性;与相关方法对比,在三维形状分类中具有更高的分类精度.     

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.