[發明專利]一種基于深度學習的空間曲線形狀匹配方法

在審

• 申請號: 202210068297.X
• 申請日: 2022-01-20
• 公開（公告）號: CN114419347A
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 蘇坤華;陶鈞
• 申請（專利權）人: 中山大學
• 主分類號: G06V10/74
• 分類號: G06V10/74;G06V10/75;G06V10/82;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 深圳市創富知識產權代理有限公司 44367
• 代理人: 高冰

本發明公開了一種基于深度學習的空間曲線形狀匹配方法，所述方法包括通過時間序列數據的可見圖在流線上的擴展得到流線的可見圖，在流線s上的所有點之間生成一個成對的距離矩陣得到然后選擇需要的閾值d過濾該矩陣生成一個距離為d的可見圖，在可見圖中進行采樣獲得子圖，神經網絡進行深度學習訓練獲得潛在向量，最后實現流線的形狀匹配。通過深度學習的手段將任何流線數據集的形狀信息單獨進行編碼并嵌入到一個潛在的特征空間，在盡量保證信息損失最小的前提下，利用流線編碼成的潛在向量描述符進行精確的形狀匹配。

技術領域

本發明屬于計算機預測模型的技術領域，具體涉及一種基于深度學習的空間曲線形狀匹配方法。

背景技術

流場可視化是科學可視化中的一個重要的課題，它可以幫助科學家和研究人員理解其潛在的物理現象，這些現象通常與特定的流動模式有關，并通過流線的形狀如渦和腦動脈瘤等向科學家們展示出來，這使得區分流線中的不同流動模式和特征并在流場中識別它們非常重要。這個課題在各種背景下得到了廣泛的研究，包括流線選擇、流線聚類、流場特征檢測、形狀匹配，以及曲線和集合模型的形狀分析等。

現有的方法大致可以分為兩類，分別是相似性度量和形狀描述符。相似性度量評估了兩條流線的相似性，從而根據流線的相似性進行聚類，并選擇具有代表性的流線來簡明地揭示流場的流動模式。形狀描述符的方法不依賴于流線的比較，相反，這種方法將流線作為向量嵌入到抽象空間中，這樣就可以在該空間中提取模式特征。這些向量可以以多種不同的方式產生，早期的方法通常是基于幾何屬性來構造描述符，如曲率和扭矩。

Oeltze等人研究了距離相似性度量和聚類技術對血流聚類的影響，其將流線的相似性度量分為基于幾何和基于屬性兩類，并在實現血流聚類時同時考慮基于幾何的點對距離和基于屬性的距離。基于幾何的流線相似性通常由距離度量表示，一般要求是正定性和對稱性，一個比較常用的選擇是Hausdorff距離，但是這個距離對流線的長度非常敏感，因為它輸出的是所有點對之間距離的最大值，作為減少聚類誤差的替換，Oeltze等人選擇了對流線長度不太敏感的MCPD距離，原因在于其輸出的是最近點對之間的平均距離。除了流線幾何，還使用了流線的屬性進行聚類，如壓力、速度大小、速度梯度大小、角速度和渦度大小等屬性，通過計算流線間屬性的距離，并與基于幾何的MCPD距離，一起應用到流線的聚類中，以實現更加精細的聚類結果。

描述符一般用于描述三維曲線或幾何對象的形狀，早期的方法出現在計算機圖形學中，收集采樣的信息形成直方圖作為描述符。隨著近年來神經網絡和深度學習的不斷發展，其在眾多領域上的應用越來越廣，考慮到神經網絡對于探索數據潛在規律的強大功能，通過深度學習對流線進行編碼形成用于形狀匹配的潛在描述符以進一步探索流場的潛在特征的方向已經成為現在的一個研究方向。

基于相似性度量的方法只能描述流線之間的關系，不能描述單條流線的模式，這限制了對基于距離的流線的進一步分析，如各種聚類的方法。此外，這類方法通常需要計算大量流線之間的成對距離，以全面分析流場的結構，這是一項開銷相當大的工作。相比之下，形狀描述符方法可以描述流線的形狀，而不需要參考其它的流線，但是它們通常是基于聚合的屬性，這些屬性可能對變化的形狀不夠精確或健壯。

發明內容

鑒于現有技術的缺陷，本發明提供了一種基于深度學習的空間曲線形狀匹配方法，通過深度學習的手段將任何流線數據集的形狀信息單獨進行編碼并嵌入到一個潛在的特征空間，在盡量保證信息損失最小的前提下，利用流線編碼成的潛在向量描述符進行精確的形狀匹配。

為了實現上述目的，本發明采用的技術方案如下：

一種基于深度學習的空間曲線形狀匹配方法，所述方法包括通過時間序列數據的可見圖在流線上的擴展得到流線的可見圖，在流線s上的所有點之間生成一個成對的距離矩陣得到然后選擇需要的閾值d過濾該矩陣生成一個距離為d的可見圖，在可見圖中進行采樣獲得子圖，神經網絡進行深度學習訓練獲得潛在向量，最后實現流線的形狀匹配。