[發(fā)明專利]針對(duì)非剛性形狀匹配的局部頻域描述子生成方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201910282314.8
• 申請(qǐng)日: 2019-05-31
• 公開(kāi)（公告）號(hào): CN110070096B
• 公開(kāi)（公告）日: 2021-01-12
• 發(fā)明（設(shè)計(jì)）人: 王逸群;郭建偉;嚴(yán)冬明;張曉鵬
• 申請(qǐng)（專利權(quán)）人: 中國(guó)科學(xué)院自動(dòng)化研究所
• 主分類號(hào): G06K9/46
• 分類號(hào): G06K9/46;G06K9/62;G06N3/04
• 代理公司: 北京市恒有知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11576
• 代理人: 郭文浩;尹文會(huì)

本發(fā)明屬于計(jì)算機(jī)視覺(jué)領(lǐng)域，具體涉及一種針對(duì)非剛性形狀匹配的局部頻域描述子生成方法及裝置，旨在為了解決不同空間分辨率、采樣和各種變換影響下獲取局部頻域描述子魯棒性差的問(wèn)題。本發(fā)明方法包括：基于拉普拉斯－貝爾特拉米算子，對(duì)于表面三角網(wǎng)格模型中的每個(gè)頂點(diǎn)，在頻域中提取三維形狀局部點(diǎn)特征；基于所述局部特征點(diǎn)，獲取所述三維形狀的每個(gè)頂點(diǎn)對(duì)應(yīng)的頂點(diǎn)頻域圖像，并通過(guò)三元神經(jīng)網(wǎng)絡(luò)得到用于非剛性形狀匹配的局部頻域描述子。本發(fā)明提取的局部點(diǎn)特征，對(duì)三維形狀在各分辨率、三角剖分、尺度和旋轉(zhuǎn)下都具有較好的魯棒性，并基于此，通過(guò)本發(fā)明的三元神經(jīng)網(wǎng)絡(luò)可以準(zhǔn)確的、魯棒的獲取用于非剛性形狀匹配的局部頻域描述子。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺(jué)領(lǐng)域，具體涉及一種針對(duì)非剛性形狀匹配的局部頻域描述子生成方法及裝置。

背景技術(shù)

因?yàn)槿S形狀(網(wǎng)格模型)的簡(jiǎn)易性、有效性和靈活性，在計(jì)算機(jī)視覺(jué)領(lǐng)域中已經(jīng)成為三維數(shù)據(jù)離散表示中廣泛應(yīng)用的形式。隨著三維掃描設(shè)備和計(jì)算機(jī)視覺(jué)重建技術(shù)的發(fā)展，獲取詳細(xì)的三維形狀變得越來(lái)越容易。因此，三維形狀分析(如形狀匹配、分割、對(duì)應(yīng)和檢索)的重要性得到了顯著提高。設(shè)計(jì)一個(gè)針對(duì)表面形狀的局部描述子是計(jì)算機(jī)視覺(jué)中一個(gè)基本問(wèn)題，并且是其他高級(jí)應(yīng)用的關(guān)鍵和基礎(chǔ)。

現(xiàn)有技術(shù)中生成局部描述子的方法主要包括空間域的方法、基于嵌入的方法以及基于深度學(xué)習(xí)的方法。

空間域的方法主要通過(guò)統(tǒng)計(jì)局部空間中頂點(diǎn)特征信息(如數(shù)量、角度、方向等)，從而得到一個(gè)統(tǒng)計(jì)的直方圖來(lái)代表局部頂點(diǎn)特征。比如3DSC(3D shape context，三維形狀環(huán)境)描述子統(tǒng)計(jì)每個(gè)直方圖塊中頂點(diǎn)的數(shù)量，SHOT(Signature of histogram oforientations，方向直方圖特征)統(tǒng)計(jì)鄰域點(diǎn)法向量的角度，Mesh-HOG(Mesh histogram oforiented gradients，網(wǎng)格方向梯度)描述子統(tǒng)計(jì)梯度的方向，RoPS(The rotationalprojection statistics，旋轉(zhuǎn)投影統(tǒng)計(jì))描述子統(tǒng)計(jì)投影二維平面的多個(gè)特征等。顯然，這些傳統(tǒng)的方法都是基于空間域特征，易受分辨率和形狀各種變換和變形的影響。

基于嵌入的方法大多提出的是內(nèi)蘊(yùn)的描述子，這種內(nèi)蘊(yùn)的描述子旨在解決等距變形的問(wèn)題。生成嵌入描述子的方法普遍基于Laplace-Beltrami(拉普拉斯－貝爾特拉米)算子。Shape-DNA(形狀DNA)利用Laplace-Beltrami(拉普拉斯－貝爾特拉米)算子的特征值作為特征。GPS(Global Point Signature，全局頂點(diǎn)特征)結(jié)合了特征值和特征函數(shù)來(lái)生成特征。HKS(Heat Kernel Signature，熱核特征)，scale-invariant HKS(scale-invariantHeat Kernel Signature，尺度不變熱核特征)和OSD(optimal spectral descriptors，最優(yōu)譜描述符)基于擴(kuò)散幾何被提出。然而，這些嵌入方法大多基于全局內(nèi)蘊(yùn)特性，對(duì)局部細(xì)節(jié)描述不夠魯棒，并且大多對(duì)尺度敏感。

基于深度學(xué)習(xí)的方法近來(lái)被用于提取形狀描述子，基于深度學(xué)習(xí)的方法主要包括多視圖、體素化和直接在三維形狀上學(xué)習(xí)的方法，然而，由于這些方法學(xué)習(xí)到的信息與形狀的結(jié)構(gòu)(如網(wǎng)格尺度、空間分辨率、采樣等)是相關(guān)的，所以它們的泛化能力是有缺陷的。

因此，如何提供一種解決上述問(wèn)題(不同空間分辨率、采樣和各種變換)的方法是本領(lǐng)域技術(shù)人員目前需要解決的問(wèn)題。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中的上述問(wèn)題，即為了解決不同空間分辨率、采樣和各種變換影響下獲取局部頻域描述子魯棒性差的問(wèn)題，本發(fā)明的第一方面，提出了一種針對(duì)非剛性形狀匹配的局部頻域描述子生成方法，該方法包括以下步驟：

步驟S10，基于拉普拉斯－貝爾特拉米算子，對(duì)于表面三角網(wǎng)格模型中的每個(gè)頂點(diǎn)，在頻域中提取三維形狀局部點(diǎn)特征；