面向家具三维模型的压缩感知特征融合与检索方法研究

For the technical problems such as low management efficiency and slow retrieval speed on reuse of furniture 3D model design, based on the compressed sensing theory and deep analysis on furniture 3D model characteristics, we explore a new feature extraction method for three kinds of global features and two kinds of local features, and propose a new two-phase retrieval method which implements sub-class retrieval and meticulous retrieval by integrating multi features. The research contents include: (1) Establish a high dimensional compressed sensing model and reduce the dimension of features by high dimensional compressed measuring, so form the global and local feature vectors with the compressed measurements. (2) In the global feature space, research a weight sparse representation classification method and design a regular sparse adaptive matching pursuit algorithm, so implement fast looking for sub objects of sample model. (3) By Riemannian manifold analysis, design the geodesic distance among local feature vectors and calculate the overall similarity among 3D models, so implement the second-phase meticulous retrieval on sub objects and construct a prototype verification system for feature extraction, infusion and retrieval on furniture 3D model based on compressed sensing. The extracted feature is low dimension and high identification, which will build a theoretical foundation for compressed sensing applied in 3D model retrieval. Its results will have broad application prospects in electronic commerce, industrial product design and other fields.

针对家具三维模型设计重用中管理效率低、检索速度慢等技术难题，本项目基于压缩感知理论，在深入分析模型特殊性基础上，探索新的三类全局和两类局部特征提取算法，提出利用多特征融合实现子类定位与精细搜索的两阶段检索新方法。研究内容包括：（1）建立高维压缩感知模型，采用高维压缩测量过程对特征数据进行降维，获取测量值并形成模型的全局与局部特征向量。（2）在全局特征空间上，研究一种加权稀疏表示分类方法并设计正则精细化稀疏自适应匹配追踪算法，实现对查询示例模型目标子类的快速定位。（3）采用Riemannian流形分析，设计局部特征向量测地距离并融合多特征计算模型相似度，实现对目标子类的二次精细搜索及反馈分析，构建基于压缩感知的家具三维模型特征提取、融合及检索的原型系统。本项目算法所提取的特征具有低维度与高可分辨性，为压缩感知应用于三维模型检索奠定理论基础，其成果将在产品设计、电子商务等领域具有广阔应用前景。

本项目围绕家具三维模型的设计重用管理效率低、检索速度慢等技术难题，采用压缩感知理论，研究了三维模型全局和局部特征提取、多特征融合检索新方法，提取的三维模型特征具有低维度与高可分辨性，为三维模型的多特征融合和检索提供了新思路，其成果能提升企业的智能制造水平。.项目的研究成果包含四个方面：.1）构建了高维压缩感知测量模型，高效提取三维模型的全局特征与局部特征。针对家具三维模型的几何特征及结构特征进行压缩测量降维，获取低维度的特征描述子，提高家具三维模型的检索速度。.2）提出了家具模型的三类全局特征向量和两类局部特征向量的提取算法。三类全局特征向量分别为：扩展高斯球面特征向量，该特征具有较强的鲁棒性与可区分性；Radon变换球面分布特征向量，该特征向量具有旋转不变性且能更精细反映模型内部结构；视图分层压缩感知特征向量，该特征保持空间相同层上体素点的位置空间关系。两类局部特征分别为：基于热核的HKS特征，该特征利用离散傅里叶变换，通过引入时间指数表达，构造新的特征计算函数，消除了传统HKS的尺度敏感性；基于多种投影视图的局部特征，该特征通过设计局部结构特征的编码，采用多角度投影方式，形成了三维模型的新型局部特征用于检索。.3）研究了三维模型的多特征融合方法，设计整体相似度计算方法，构建基于多特征融合的面向家具三维模型的检索系统。以样本模型的查询结果分类信息熵作为指标并结合监督学习过程，给出了一种多特征融合的加权系数估算方法，提出刚体三维模型的多特征融合MFF(Multi-Feature Fusion)检索新方法。.4）采用深度学习方法，提出了一种基于球面变换极视图投影方法，所构造的极视图作为学习数据源，能更综合概述三维模型的整体、内部分布和表面局部结构的特性，设计了新的深度卷积神经网络，提取可用于刚体/非刚体的普适性特征。同时，设计并训练一种融合多类视图特征的CNNs网络并提取深度融合特征的算法框架，为家具三维模型多特征融合和检索做了新的探索。