[发明专利]一种多特征融合非刚性三维模型检索方法

说明书

本发明提供一种多特征融合非刚性三维模型检索方法，能够提高非刚性三维模型检索的效率。所述方法包括：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。本发明适用于三维模型特征提取、检索。

技术领域

本发明涉及计算机视觉领域，特别是指一种多特征融合非刚性三维模型检索方法。

背景技术

三维模型检索技术根据检索方式的不同可分为基于文本和基于内容两大类。基于文本的三维模型检索方法虽然目前得到了广泛应用，但该方法的检索准确度不高，检索结果难以令人满意。基于内容的三维模型检索方法与模型的自身特性比较贴近，但现有的研究多数是针对刚性三维模型的，对于具有丰富可变性的非刚性三维模型，除了存在平移、旋转、尺度变换之外还存在非刚性形变，这些因素增加了三维模型检索的技术难度。由于非刚性三维物体广泛存在于真实世界和虚拟世界中，因此近年来面向非刚性三维模型的检索技术受到研究者们越来越多的关注。

现有技术中，针对已有非刚性三维模型的检索方法简单依赖于单一特征、不能充分利用三维模型中蕴含的有效鉴别信息，导致检索效率低。

发明内容

本发明要解决的技术问题是提供一种多特征融合非刚性三维模型检索方法，以解决现有技术所存在的利用单一特征进行检索，导致检索效率低的问题。

为解决上述技术问题，本发明实施例提供一种多特征融合非刚性三维模型检索方法，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。

进一步地，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。

进一步地，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。

进一步地，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：