] [8]BimboAD,PalaP.Content-BasedRetrievalof3DModels[C]//ACM Trans.MultimediaComputingComm.Applications. 2006.
[0164] [9]BustosB，KeimDA，SaupeD，etal.Feature-basedsimilaritysearchin 3Dobjectdatabases[J].AcmComputingSurveys,2005,37 (4):2005.
[0165] [10]TangelderJffH,VeltkampRC.ASurveyofContentBased3DShape RetrievalMethods[C]//ShapeModelingandApplications,InternationalConference on.IEEEComputerSociety,2004:145-156.
[0166] [11]贾永红.数字图像处理[M]//武汉大学出版社，2003.
[0167] [12]LoweDG.Objectrecognitionfromlocalscale-invariant features[C]//Computervision,1999.TheproceedingsoftheseventhIEEE internationalconferenceon.Ieee,1999,2:1150-1157.
[0168] [13]LoweDG.Distinctiveimagefeaturesfromscale-invariant keypoints[J].Internationaljournalofcomputervision,2004,60 (2):91-110.
[0169] [14]LengB,ZengJ,YaoM,etal. 3DObjectRetrievalWithMultitopic ModelCombiningRelevanceFeedbackandLDAModel[J].ImageProcessing,IEEE Transactionson，2015, 24(1) :94_105.
[0170] [15]T.GriffithsandM.Steyvers.Findingscientifictopics.InProc.of theNationalAcademyofSciences,2004.
[0171] [16]T.Griffiths,"Gibbssamplinginthegenerativemodeloflatent dirichletallocation,StandfordUniversity,vol. 518,no. 11,pp. 1 - 3, 2002.
[0172] [17]M.Steyvers,P.Smyth,M.Rosen-Zvi,andT.Griffiths,^Probabilistic
[0173]author-topicmodelsforinformationdiscovery，"inProceedingsofthe tenthACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandData Mining,Seattle,WA,USA,September2004,pp. 306 - 315.
[0174] [18]CoverT，HartP.Nearestneighborpatternclassification[J].IEEE TransactionsonInformationTheory,1967,13(1):21-27.
[0175] [19]AspertN，Santa-CruzD,EbrahimiT.MESH:MeasuringErrorsbetween SurfacesusingtheHausdorffdistance[J].IEEEInternationalConferenceonMult imedia&Expo,2002,i_ii:705-708.
[0176] [20]GaoY，DaiQ，WangM，etal. 3Dmodelretrievalusingweighted bipartitegraphmatching[J]?SignalProcessingImageCommunicati on，2011，26(1) :39-47.
[0177] [21]GaoY.Cameraconstraint-freeview-based3-Dobjectretrieval. [J]. IEEETransactionsonImageProcessing,2012, 21 (4):2269-2281.
[0178] 本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例 序号仅仅为了描述，不代表实施例的优劣。
[0179] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和 原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种基于主题模型的3D模型检索方法，其特征在于，所述方法包括以下步骤： 将单词内容分布和文档分布分别输入LDA主题模型，并指定生成的主题个数，获取每 个3D模型的主题分布向量； 选择查询模型，计算查询模型与3D模型库中其余模型之间主题分布向量在欧式空间 内的距离； 将欧式空间内的距离升序排列，得到最终的检索结果。2. 根据权利要求1所述的一种基于主题模型的3D模型检索方法，其特征在于，在将单 词内容分布和文档分布分别输入LDA主题模型的步骤之前，所述方法还包括： 在3D特征库中对所有兴趣点的SIFT特征进行K-means聚类，获取词典，根据词典获取 每个兴趣点的单词内容分布； 根据SIFT兴趣点所在视图的空间位置不同，划分为文档，生成每个3D模型中兴趣点的 文档分布。3. 根据权利要求2所述的一种基于主题模型的3D模型检索方法，其特征在于，所述根 据词典获取每个兴趣点的单词内容分布的步骤具体为： 在词典中查找距离每个视觉单词最近的聚类中心作为单词内容，获取3D模型中每个 兴趣点的单词内容分布。4. 根据权利要求2或3所述的一种基于主题模型的3D模型检索方法，其特征在于，所 述3D特征库具体为： 提取每个3D模型初始视图集的SIFT特征，由SIFT特征组成的特征库。5. 根据权利要求1至3中任一权利要求所述的一种基于主题模型的3D模型检索方法， 其特征在于，所述将单词内容分布和文档分布分别输入LDA主题模型，并指定生成的主题 个数，获取每个3D模型的主题分布向量的步骤具体为： 获取各文档的主题分布参数、各主题的单词内容分布参数，当条件概率最大时，通过吉 普斯采样获取各3D模型中每个文档的各主题分布向量； 通过每个文档的各主题分布向量获取每个3D模型的主题分布向量。6. 根据权利要求5所述的一种基于主题模型的3D模型检索方法，其特征在于，所述各 文档的主题分布参数、各主题的单词内容分布参数具体为： 每个文档采样一个主题分布，对文档中的每个单词采样一个主题； 为每个单词采样单词内容。7. -种基于主题模型的3D模型检索装置，其特征在于，所述装置包括： 第一获取模块，用于将单词内容分布和文档分布分别输入LDA主题模型，并指定生成 的主题个数，获取每个3D模型的主题分布向量； 第二获取模块，用于选择查询模型，计算查询模型与3D模型库中其余模型之间主题分 布向量在欧式空间内的距离； 第三获取模块，用于将欧式空间内的距离升序排列，得到最终的检索结果。8. 根据权利要求7所述的一种基于主题模型的3D模型检索装置，其特征在于，所述装 置还包括： 第四获取模块，用于在3D特征库中对所有兴趣点的SIFT特征进行K-means聚类，获取 词典，根据词典获取每个兴趣点的单词内容分布； 生成模块，用于根据SIFT兴趣点所在视图的空间位置不同，划分为文档，生成每个3D模型中兴趣点的文档分布。9. 根据权利要求8所述的一种基于主题模型的3D模型检索装置，其特征在于，所述第 四获取模块包括： 查找子模块，用于在词典中查找距离每个视觉单词最近的聚类中心作为单词内容； 第一获取子模块，用于获取3D模型中每个兴趣点的单词内容分布。10. 根据权利要求7所述的一种基于主题模型的3D模型检索装置，其特征在于，所述第 一获取模块包括： 第二获取子模块，用于获取各文档的主题分布参数、各主题的单词内容分布参数，当条 件概率最大时，通过吉普斯采样获取各3D模型中每个文档的各主题分布向量； 第三获取子模块，用于通过每个文档的各主题分布向量获取每个3D模型的主题分布 向量。
【专利摘要】本发明公开了一种基于主题模型的3D模型检索方法及其检索装置，所述方法包括以下步骤：将单词内容分布和文档分布分别输入LDA主题模型，并指定生成的主题个数，获取每个3D模型的主题分布向量；选择查询模型，计算查询模型与3D模型库中其余模型之间主题分布向量在欧式空间内的距离；将欧式空间内的距离升序排列，得到最终的检索结果。所述装置包括：第一获取模块、第二获取模块以及第三获取模块，通过该些获取模块，本发明克服了LDA主题模型忽略了空间信息的缺点，提高了检索性能。通过无监督学习利用隐含主题变量更加准确地描述了模型特征之间深层的结构联系。
【IPC分类】G06K9/62, G06F17/30
【公开号】CN105205135
【申请号】CN201510589032
【发明人】刘安安, 李希茜, 聂为之, 苏育挺
【申请人】天津大学
【公开日】2015年12月30日
【申请日】2015年9月15日