[发明专利]一种基于谱图小波描述子的非刚性三维模型检索方法

权利要求书

1.一种基于谱图小波描述子的非刚性三维模型检索方法，其特征在于，包括：

计算三维模型点的谱图小波描述子SGWS；

根据得到的谱图小波描述子SGWS，利用BOP模型计算SGWS-BOP特征；

对得到的SGWS-BOP特征进行降维；

根据降维后的特征进行检索；

其中，所述计算三维模型点的谱图小波描述子SGWS包括：

计算每个三维模型点的谱图小波函数系数及尺度函数系数，其中，计算尺度函数系数的尺度函数为：

其中，λ表示拉普拉斯–贝尔特拉米算子的特征值，λ_min是拉普拉斯–贝尔特拉米算子的最小特征值，γ是h(0)的值和谱图小波核函数g的最大值相同时取的参数；

通过多分辨率将谱图小波函数系数和尺度函数系数进行融合，生成谱图小波描述子；其中，选取三次样条基函数作为谱图小波核函数，所述谱图小波核函数表示为：

其中，p是拉普拉斯–贝尔特拉米算子的特征值λ与尺度变换参数t的乘积；若t为最大尺度，则表示为若t为最小尺度，则表示为λ_max是拉普拉斯–贝尔特拉米算子最大特征值；

其中，所述计算三维模型点的谱图小波描述子SGWS包括：

对一三维模型，计算每个点的谱图小波描述子，得到p×n的描述子矩阵S＝(s₁,s₂,…,s_n)；

其中，s_i表示三维模型上第i个点的谱图小波描述子,p表示谱图小波描述子的维数，n表示三维模型点的数目；

其中，所述根据得到的谱图小波描述子SGWS，利用BOP模型计算SGWS-BOP特征包括：

使用FSFDP聚类算法确定初始聚类中心，其中，FSFDP聚类算法为基于快速查找密度峰值的聚类方法；

根据得到的初始聚类中心，使用K-means聚类算法对描述子矩阵S进行聚类，得到k个聚类中心点v₁,v₂,…,v_k，将得到的k个聚类中心点定义为视觉词汇，得到p×k维的视觉词典V＝{v₁,v₂,…,v_k}；

按照视觉词汇对三维模型上的每个点进行特征软分配，得到三维模型每个点的特征分布；

利用点的1-环邻域点及其到原点的高斯距离，构建三维模型视觉单词的空间排列模型；其中，点的1-环邻域点是位于该点外侧第一层且在几何位置关系上直接相邻的点；

将三维模型每个点的特征分布与其1-环邻域点构建的空间排列模型相组合，利用两点间的高斯距离确定相关性权重，计算三维模型的SGWS-BOP特征描述矩阵；

其中，三维模型上点x的特征分布表示为：θ(x)＝[θ₁(x),...,θ_k(x)]^T，其中，T表示转置，θ_i(x)表示三维模型点x对于视觉词典V中第i个视觉词汇v_i的分布情况，θ_i(x)的计算式为：

其中，v_i代表对于视觉词典V中第i个视觉词汇，s(x)表示三维模型点x对应的谱图小波描述子，||·||₂表示L2范数，σ为视觉词典V＝{v₁,v₂,…,v_k}中视觉词汇之间的平均距离的两倍，c(x)表示归一化系数；

其中，所述将三维模型每个点的特征分布与其1-环邻域点构建的空间排列模型相组合，利用两点间的高斯距离确定相关性权重，计算三维模型的SGWS-BOP特征描述矩阵包括：

将三维模型每个点的特征分布与其1-环邻域点构建的空间排列模型相组合，利用式计算三维模型的SGWS-BOP特征描述矩阵；

其中，y是点x的1-环邻域点，n(x)表示点x的1-环邻域点集合，α(x)、α(y)分别表示点x、点y的邻域面积，G(x,y)表示点x和y之间的高斯距离，σ表示点x与其所有1-环邻域点距离的平均值。