基于概率密度和輪廓線的三維模型檢索研究.pdf

1、隨著因特網(wǎng)上三維模型數(shù)據(jù)庫的增加,三維模型檢索技術(shù)已經(jīng)成為研究的一個熱點。當(dāng)前比較成熟的三維模型檢索系統(tǒng)有兩類:基于文本檢索和基于內(nèi)容檢索。前者需要研究人員為每個三維模型添加大量文本描述,這對大規(guī)模三維數(shù)據(jù)庫來說是一個非常耗時和耗力的工作,同時它對復(fù)雜模型的描述又有著很強(qiáng)的局限性。后者能僅根據(jù)三維模型自身的特征提取它的形狀描述器,它比基于文本檢索有著更好的實際應(yīng)用。
　　在基于內(nèi)容檢索算法中,基于概率密度檢索和基于輪廓線檢索在多個

2、數(shù)據(jù)庫上都有著較高的檢索準(zhǔn)確率。前者運用高斯核函數(shù)來擬合模型特征的概率密度分布,通過多種形狀特征分布的相似度來判斷模型間的相似度。后者運用傅里葉變換求出模型投影輪廓線特征在頻域中的分布,將變換系數(shù)組合在一起形成模型的形狀描述器。然而當(dāng)模型的質(zhì)量較差時,基于概率密度檢索無法準(zhǔn)確求出它所定義的二階特征,這在一定程度上降低了檢索的準(zhǔn)確率?；谳喞€檢索需要模型投影輪廓線上點的數(shù)目固定,這使得它對模型的投影輪廓線描述不全面。
　　本文在這

3、兩種算法的啟發(fā)下提出了一種新的三維模型檢索算法—基于概率密度和輪廓線檢索。它運用高斯核函數(shù)擬合模型投影輪廓線的多種特征分布,并結(jié)合快速高斯變換和目標(biāo)點來提取模型形狀描述器。該檢索算法比基于概率檢索對模型的質(zhì)量變化有著更強(qiáng)的抗干擾性,同時比基于輪廓線檢索對投影輪廓線的描述更全面。此外基于概率密度和輪廓線檢索還擁有形狀匹配不變性,它的高斯核密度估計對輪廓線潛在的特征分布沒有提出任何要求,同時快速高斯變換能將算法的復(fù)雜度降低一到二階。在多個三