[发明专利]一种基于多视图散列增强哈希的三维模型特征表示方法

权利要求书

1.一种基于多视图散列增强哈希的三维模型特征表示方法，其特征在于，包括以下步骤；

步骤1、获取立体对象多视图特征表示，即得到前期特征；

步骤2、计算视图关系矩阵；

步骤3、基于视图关系矩阵进行特征融合与增强，得到增强特征；

步骤4、利用损失函数和梯度下降算法实现参数优化，得到基于多视图散列增强哈希的三维模型特征表示。

2.根据权利要求1所述的一种基于多视图散列增强哈希的三维模型特征表示方法，其特征在于，步骤1具体操作如下：

假定是一组立体对象，其原始特征为：

其中，d_m为第m个视图的维度，M即视图的数量，N是对象的数量；集成的二进制代码矩阵其中b_i是与o_i关联的二进制代码，并且q是代码长度；

建立用于获取立体对象多视图特征表示的特征提取算法模型；所述的特征提取算法模型是以原始特征X作为输入的CNN模型，其网络结构和VGG16完全相同；因此，将VGG16算法模型记为Q为利用计算得到的前期特征；即且Q的维度承接X，为M×N×C，M是视图的数量，N是立体对象的数量，C是类目的数量。

3.根据权利要求2所述的一种基于多视图散列增强哈希的三维模型特征表示方法，其特征在于，步骤2：

计算视图关系矩阵：

定义视图关系矩阵生成函数ε(Q)如下:

因为存在不同的视图空间，所以ε也可以表示成[ε₁，…，ε_M]；公式中的表示计算方差；将函数ε(Q)对于输入Q时的输出结果记为E，即E＝ε(Q)，所述的E即视图关系矩阵，对视图关系矩阵E做归一化，得到归一化后的视图关系矩阵log{E}，具体如下：

4.根据权利要求3所述的一种基于多视图散列增强哈希的三维模型特征表示方法，其特征在于，步骤3具体操作如下：

实现特征的融合与增强；

将融合后的特征即增强特征记为H，采用以下公式表示融合过程：

其中以及都表示从1到M是向量的自连接操作；其中自连接操作的第二个参数表示自复制的次数；是d维度中的排序函数；能够将E转换为离散控制向量，因此E仅确定视图之间的顺序，而融合强度由常数参数v_i进行控制。

5.根据权利要求4所述的一种基于多视图散列增强哈希的三维模型特征表示方法，其特征在于，步骤4具体操作如下：

通过步骤3，能够得到增强特征H，采用符号函数将增强特征H转化为二进制代码矩阵B，即B＝sgn(H)；得到的二进制代码矩阵B为最终输出特征，即哈希形式的特征表示；

由于特征提取算法模型包含了许多的卷积结构，卷积内部有权重参数；因此，只有使用梯度下降优化方法，让算法模型不断训练，才能让VGG16从原始特征X中提取出可用的前期特征Q，并实施后续的特征融合与增强过程，即得到增强特征H，以及最后输出即哈希形式的特征表示B；以下为损失函数的具体内容：

损失函数基于最终输出特征B设计，梯度下降优化进行时，需要对每个视图空间中的每两个三维对象都施加相同的损失函数；首先，定义第m个视图空间中的任意两个三维对象o₁，o₂，它们对应的哈希形式的特征表示记为b₁，b₂，已知b₁，b₂∈B；其次，通过松弛映射，将b₁，b₂的值从{-1，+1}^q映射到[-1，+1]^q；然后，通过预先标注的标签信息判断o₁，o₂是否是相似对象，当o₁，o₂是相似对象时定义y＝1，否则y＝-1；最后，定义第m个视图空间中的损失函数如下：

其中||·||₁是1范数，|·|是绝对值，α0是边界控制参数，损失函数的第三项(即α(|||b₁|-1||₁+|||b₂|-1||₁)这一项)是正则项，能够避免梯度消失；在其他的视图空间中，也使用相同形式的损失函数，总体的损失函数为各个视图空间的损失函数之和；

通过基于总体的损失函数的梯度下降优化算法，对特征提取算法模型中的权重参数进行更新与优化，最终输出基于多视图散列增强哈希的三维模型特征表示B，即最终输出特征B。