首页 / 专利库 / 电脑编程 / 算法 / 自适应稀疏编码融合的非刚性三维模型分类算法

自适应稀疏编码融合的非刚性三维模型分类算法

阅读:202发布:2022-10-02

专利汇可以提供自适应稀疏编码融合的非刚性三维模型分类算法专利检索,专利查询,专利分析的服务。并且本 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。,下面是自适应稀疏编码融合的非刚性三维模型分类算法专利的具体信息内容。

1.一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,...sN}∈Rp×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,…,dk}∈Rp×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si量化到视觉词汇D上,利用公式(1)构造U{u1,u2,..,un},即AGD-BoF;
2
式中α表示平滑参数,取α=1/(8η);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:
d.1 利用三维模型样本M的AGD-BoF特征构建字典A=(A1,A2,A3,…,AC)∈RK×B,其中C为样本种类,B为训练样本总数,K为样本的AGD-BoF特征维度;
d.2 按照式(2)计算稀疏编码系数
式(2)中ε表示为误差,A为字典,Y∈RK为AGD-BoF特征;
d.3 计算Γi=μi-σi.其中,μi和σi分别表示第i类稀疏编码系数 的平均值与标准差,生成优化的特征编码系数Γ_AGD={Γ1,Γ2,...,Γc}∈RC(C<d.4 分别以每个三维模型样本M的HKS和SDF的低层几何特征替代AGD的低层几何特征,重复d.1~d.3,最终分别生成优化的特征编码系数Γ_HKS={Γ1,Γ2,...,Γc}∈RC(C<d.5 使用Softmax分类器按照公式(3)分别将优化的特征编码系数Γ转化为相对概率分布,
则模型类别为
d.6 按照公式(4)分别统计AGD-BoF、HKS-BoF和SDF-BoF对于各类模型的分类准确率其中:y(M)表示模型M的实际标签, 是分类算法的预测标签,Ti(i=1,2....C)表示三维模型训练样本集T中第i类样本集;
d.7 按照公式(5)分别统计AGD-BoF、HKS-BoF和SDF-BoF对每一类模型的识别权重αi,βi,γi,i∈1,2,...C,构造异类多特征权值矩阵W*=[α;β;γ]T∈RC×3;
e.将待测模型M*替代三维模型样本M,重复所述b步骤及d.1~d.4步骤,得到优化的特征编码系数F=[Γ_AGD;Γ_HKS;Γ_SDF]T∈RC×3,按照公式(6)与特征权值矩阵W*融合,采用Softmax分类算法按照公式(3)将融合编码转化为相对概率,运用
实现模型的有效分类。

说明书全文

自适应稀疏编码融合的非刚性三维模型分类算法

技术领域

[0001] 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

[0002] 由于当前计算机硬件处理、存储能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。
[0003] 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

[0004] 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。
[0005] 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:
[0006] a.选定三维模型训练样本集T;
[0007] 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;
[0008] 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:
[0009] c.1令S={s1,s2,...sN}∈Rp×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,...,p×kdk}∈R ,即模型的视觉词汇,其中k为分类数目;
[0010] 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si量化到视觉词汇D上,利用公式(1)构造U{u1,u2,..,un},即AGD-BoF;
[0011]
[0012] 式中α表示平滑参数,取α=1/(8η2);η表示聚类中心的平均值;
[0013] 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;
[0014] 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:
[0015] d.1利用三维模型样本M的AGD-BoF特征构建字典A=(A1,A2,A3,...,AC)∈RK×B,其中C为样本种类,B为训练样本总数,K为样本的AGD-BoF特征维度;
[0016] d.2按照式(2)计算稀疏编码系数
[0017]
[0018] 式(2)中ε表示为误差,A为字典,Y∈RK为AGD-BoF特征;
[0019] d.3计算Γi=μi-σi.其中,μi和σi分别表示第i类稀疏编码系数 的平均值与标准差,生成优化的特征编码系数Γ_AGD={Γ1,Γ2,...,Γc}∈RC(C<
[0020] d.4分别以每个三维模型样本M的HKS和SDF的低层几何特征替代AGD的低层几何特征,重复d.1~d.3,最终分别生成优化的特征编码系数Γ_HKS={Γ1,Γ2,...,Γc}∈RC(C
[0021] d.5使用Softmax分类器按照公式(3)分别将优化的特征编码系数Γ转化为相对概率分布,
[0022] 则模型类别为
[0023] d.6按照公式(4)分别统计AGD-BoF、HKS-BoF和SDF-BoF对于各类模型的分类准确率
[0024]
[0025] 其中:y(M)表示模型M的实际标签, 是分类算法的预测标签,Ti(i=1,2....C)表示三维模型训练样本集T中第i类样本集;
[0026] d.7按照公式(5)分别统计AGD-BoF、HKS-BoF和SDF-BoF对每一类模型的识别权重αi,βi,γi,i∈1,2,...C,构造异类多特征权值矩阵W*=[α;β;γ]T∈RC×3;
[0027]
[0028]
[0029]
[0030] e.将待测模型M*替代三维模型样本M,重复所述b步骤及d.1~d.4步骤,得到优化的特征编码系数F=[Γ_AGD;Γ_HKS;Γ_SDF]T∈RC×3,按照公式(6)与特征权值矩阵W*融合,
[0031] 采用Softmax分类算法按照公式(3)将融合编码转化为相对概率,运用实现模型的有效分类。
[0032] 本发明首先提取非刚性三维模型的平均测地线特征、热核特征及形状直径函数特征,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及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被测三维模型稀疏优化编码自适应融合,并采用Sotfmax分类算法实现非刚性模型的有效分类,本发明具有更高的识别准确率及较强的鲁棒性,适用范围广。附图说明
[0033] 图1为本发明实施例流程图
[0034] 图2、图3为本发明实施例与现有技术不同类别间的平均分类准确率对比示意图。

具体实施方式

[0035] 本发明的自适应稀疏编码融合的非刚性三维模型分类算法如图1所示,按照如下步骤进行:
[0036] a.选定三维模型训练样本集T;
[0037] 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;
[0038] 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:
[0039] c.1令S={s1,s2,...sN}∈Rp×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,...,dk}∈Rp×k,即模型的视觉词汇,其中k为分类数目;
[0040] 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si量化到视觉词汇D上,利用公式(1)构造U{u1,u2,..,un},即AGD-BoF;
[0041]
[0042] 式中α表示平滑参数,取α=1/(8η2);η表示聚类中心的平均值;
[0043] 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;
[0044] 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:
[0045] d.1利用三维模型样本M的AGD-BoF特征构建字典A=(A1,A2,A3,...,AC)∈RK×B,其中C为样本种类,B为训练样本总数,K为样本的AGD-BoF特征维度;
[0046] d.2按照式(2)计算稀疏编码系数
[0047]
[0048] 式(2)中ε表示为误差,A为字典,Y∈RK为AGD-BoF特征;
[0049] d.3计算Γi=μi-σi.其中,μi和σi分别表示第i类稀疏编码系数 的平均值与标准差,生成优化的特征编码系数Γ_AGD={Γ1,Γ2,...,Γc}∈RC(C<
[0050] d.4分别以每个三维模型样本M的HKS和SDF的低层几何特征替代AGD的低层几何特征,重复d.1~d.3,最终分别生成优化的特征编码系数Γ_HKS={Γ1,Γ2,...,Γc}∈RC(C<
[0051] d.5使用Softmax分类器按照公式(3)分别将优化的特征编码系数Γ转化为相对概率分布,
[0052] 则模型类别为
[0053] d.6按照公式(4)分别统计AGD-BoF、HKS-BoF和SDF-BoF对于各类模型的分类准确率
[0054]
[0055] 其中:y(M)表示模型M的实际标签, 是分类算法的预测标签,Ti(i=1,2....C)表示三维模型训练样本集T中第i类样本集;
[0056] d.7按照公式(5)分别统计AGD-BoF、HKS-BoF和SDF-BoF对每一类模型的识别权重αi,βi,γi,i∈1,2,...C,构造异类多特征权值矩阵W*=[α;β;γ]T∈RC×3;
[0057]
[0058]
[0059]
[0060] e.将待测模型M*替代三维模型样本M,重复所述b步骤及d.1~d.4步骤,得到优化的特征编码系数F=[Γ_AGD;Γ_HKS;Γ_SDF]T∈RC×3,按照公式(6)与特征权值矩阵W*融合,
[0061] 采用Softmax分类算法按照公式(3)将融合编码转化为相对概率,运用实现模型的有效分类。
[0062] 本发明实施例所选定三维模型训练样本集为SHREC10和SHREC11数据集,与其它现有技术在SHREC10和SHREC11数据集中不同类别间的平均分类准确率对比如图2、图3所示。
[0063] 对图2、图3对应的在SHREC10和SHREC11数据集中平均分类准确率对比分别如表1、表2所示。
[0064] 表1不同算法存SHREC10数据集平均分类准确率对比
[0065]
[0066] 表2不同算法在SHREC11数据集平均分类准确率对比
[0067]
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈