[发明专利]自适应稀疏编码融合的非刚性三维模型分类算法

说明书

本发明公开一种适用范围广的自适应稀疏编码融合的非刚性三维模型分类算法，首先提取非刚性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生成AGD‑BoF,HKS‑BoF,SDF‑BoF特征向量，通过随机样本创建三个特征词典，并训练生成异类多特征权值矩阵；最后利用特征权值矩阵与稀疏优化编码自适应融合，采用Sotfmax分类算法实现非刚性模型的有效分类。具有更高的识别准确率及较强的鲁棒性，适用范围广。

技术领域

本发明属于非刚性三维模型的分类算法领域，尤其涉及一种适用范围广的自适应稀疏编码融合的非刚性三维模型分类算法。

背景技术

由于当前计算机硬件处理、存储能力和互联网带宽飞速提高，同时三维扫描、过程式建模等获取技术的不断发展进步，促进了三维数字模型(三维模型)在各个领域的广泛应用，三维模型的多样性与复杂度显著提高。相对于文字、图像等多媒体信息，三维模型不仅拥有海量的几何信息数据，而且具有更为丰富的几何多变性，对于进一步实现三维模型的识别与理解提出了更大的挑战。

目前，常用的三维模型分类算法主要分为基于特征描述符的分类算法和基于深度学习的分类算法。基于特征描述符的分类算法包含基于局部特征描述符算法和基于全局特征描述符算法，基于深度学习的分类算法是利用深度神经网络实现对三维模型的识别与分类。已有的工作表明，具有较强识别能力与稳定性的特征描述符对于实现三维模型的准确分类至关重要。但是，由于三维模型的结构复杂性，现有的特征描述符很难适用于所有模型，适用范围窄。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种适用范围广的自适应稀疏编码融合的非刚性三维模型分类算法。

本发明的技术解决方案是：一种自适应稀疏编码融合的非刚性三维模型分类算法，其特征在于按照如下步骤进行：

a.选定三维模型训练样本集T；

b.令无向带权图G(V,E)表示三维模型样本M，其中，V表示三维模型的顶点，E表示三维模型顶点间的边集合，提取三维模型样本M的平均测地线距离AGD、热核HKS及形状直径函数SDF；

c.采用特征词袋模型方法，分别对所提取的平均测地线距离AGD、热核HKS及形状直径函数SDF构建中级特征词袋表示，即AGD-BoF、HKS-BoF和SDF-BoF，具体步骤如下：

c.1令S＝{s₁,s₂,...s_N}∈R^p×N为平均测地线距离AGD的低层几何特征，p为顶点特征维度，N为顶点数目，使用K-means聚类算法将S进行聚类，计算聚类中心D＝{d₁,d₂,...,d_k}∈R^p×k，即模型的视觉词汇，其中k为分类数目；

c.2利用软量化SVQ方法，将三维模型样本M中每个顶点的低层几何特征s_i量化到视觉词汇D上，利用公式(1)构造U{u₁,u₂,..,u_n}，即AGD-BoF；

式中α表示平滑参数，取α＝1/(8η²)；η表示聚类中心的平均值；

c.3分别以每个三维模型样本M的热核HKS和形状直径函数SDF的低层几何特征替代平均测地线距离AGD的低层几何特征，重复步骤c.1和c.2，获得每个三维模型样本M的HKS-BoF和SDF-BoF；

d.利用稀疏编码优化算法生成优化的特征编码系数，采用softmax分类器实现训练样本的识别与分类，分别统计AGD-BoF、HKS-BoF和SDF-BoF对于各类模型的分类精度,构造异类多特征权值矩阵W^＊，具体步骤如下：