[发明专利]一种多特征融合非刚性三维模型检索方法

权利要求书

1.一种多特征融合非刚性三维模型检索方法，其特征在于，包括：

确定三维模型点的SI-HKS特征和WKS特征；

分别确定SI-HKS特征和WKS特征对应的BOP全局描述矩阵；

对SI-HKS特征和WKS特征对应的BOP全局描述矩阵分别进行高斯归一化处理；

对归一化处理后的特征进行降维处理；

根据降维后的特征进行检索。

2.根据权利要求1所述的多特征融合非刚性三维模型检索方法，其特征在于，所述确定三维模型点的WKS特征包括：

定义三维模型点x∈X上的WKS特征为以下实值函数：

其中，X表示三维模型的顶点集合，表示函数以x为自变量且从实数集映射到实数集φ_k(x)是流体形状的拉普拉斯贝尔特拉米算子△_M的第k个特征值相对应的特征向量，E_k是该流体形状的拉普拉斯贝尔特拉米算子△_M的第k个特征值，e＝log(E_k)表示对数能量尺度，σ为方差。

3.根据权利要求1所述的多特征融合非刚性三维模型检索方法，其特征在于，所述确定SI-HKS特征对应的BOP全局描述矩阵包括：

使用K-means聚类方法构建视觉词汇表P＝{p₁,p₂,...,p_V}，其中，V表示视觉词汇的个数；

按照视觉词汇表P对三维模型的每个点进行SI-HKS特征软分配，得到三维模型每个点的特征分布；

将三维模型每个点的特征分布与其空间位置关系相结合，计算三维模型的BOP全局描述矩阵。

4.根据权利要求3所述的多特征融合非刚性三维模型检索方法，其特征在于，三维模型点x对于视觉词汇表P中第i个视觉词汇p_i的分布情况θ_i(x)表示为：

其中，p_i表示对于视觉词典P中第i个视觉词汇，σ_d为视觉词汇p₁,p₂,...,p_V的平均距离的两倍，c(x)表示归一化系数，||·||₂表示L2范数，p(x)为三维模型点x的SI-HKS特征向量。

5.根据权利要求1所述的多特征融合非刚性三维模型检索方法，其特征在于，所述对SI-HKS特征对应的BOP全局描述矩阵进行高斯归一化处理包括：

将三维模型库中的所有三维模型记为：X₁,X₂,...X_M，三维模型X_i对应的BOP全局描述矩阵记为F_i＝[f_i1,f_i2,...,f_iN]；

对于特征分量值[f_1j,f_2j,...,f_Mj]，计算均值m_j和标准差σ_j；

根据计算得到的均值m_j和标准差σ_j，通过第一公式，对f_ij进行归一化处理，其中，所述第一公式表示为：

通过第二公式，对归一化处理得到的f_ij'进行平移变换，其中，所述第二公式表示为：

其中，f_ij表示经过归一化处理和平移变换后的特征值。

6.根据权利要求1所述的多特征融合非刚性三维模型检索方法，其特征在于，所述对归一化处理后的特征进行降维处理包括：

使用卷积神经网络对归一化处理后的特征进行特征学习，得到降维后的特征。