2. 哈尔滨理工大学 软件与微电子学院, 黑龙江 哈尔滨 150080
2. School of Software and Microelectronics, Harbin University of Science and Technology, Harbin 150080, China
在CAD领域中,80%的设计是对原有方案的重用和修改。为了从规模庞大的模型库中获取所需要的模型,许多研究者使用了基于三维视图的模型检索方法[1],如樊亚春等[2]、范菁等[3]采用局部视图信息对模型进行组合描述。刘志等[4]获取了三维模型较优视点集,并从各个视点混合轮廓线视图中抽取边缘响应特征。利用自然图像与特征线的边缘相似性来检索三维模型。但是视图的投影方向和数目会对模型特征的精度产生影响,而且此方法对于拓扑结构复杂的三维模型,效果不稳定。利用模型本体的结构信息[5]结合三维模型面的几何属性[6],是行之有效的方法。徐静等[7]根据外部边闭合规范、待定边转换规范和表面区域合并规范,将三维零件模型分割为若干个区域。对分割区域进行编码,利用区域结构编码来检索零件。此外,多属性融合的特征描述子[8-9]能更好地描述模型之间的差异。王新颖[10]从多个不同的方向上利用张量来抽取特征,给出了一种加权多线性主成分分析方法,并将其应用于三维模型的特征提取过程之中。Furuya等[11]将部分整体关系嵌入网络算法应用于三维模型检索过程中,能够有效地检测部分整体包含关系,并将其融入特征空间之中。Wang等[12]比较三维模型面,对比中立点的形状特征来计算2个三维模型之间的相似性。Tao[13]利用顶点之间的兼容性矩阵和边缘兼容性矩阵表示模型,采用归一化方法来构造最优顶点映射矩阵,使用分级分配算法来检索CAD模型。Li等[14]使用多个分类器来预测给定的三维模型,使用不精确推理理论来融合所有的预测结果,提高了高维空间的搜索效率。Chen等[15]以样本模型作为对齐目标,将所有三维模型依次排列,提出了一种基于样本对齐的模型检索方法。
本文提取模型的几何拓扑属性[16],综合考虑几何信息在模型相似性计算中的作用[17]。利用边数差异来计算面的形状相似性,进而构建2个模型之间的面相似度矩阵。以模型面的邻接关系和面的形状相似性为基础来度量2个模型面的结构相似性。综合面的形状相似性和结构相似性来建立2个模型的整体相似度矩阵。融合遗传算法和模拟退火算法来搜索最优面匹配序列,并计算这2个模型之间的相似性。
1 模型之间的相似性计算模型是由多个面组成的。模型面的形状差异,造成了模型之间的千差万别。为了计算2个模型之间的相似性,需要度量这2个模型面之间的形状差异。面是由边构成的,2个边数不同的面,其形状一定有差别。本文利用边数差异来度量2个面之间的形状相似性。使用面相似性来度量2个模型的形状差异。如果2个模型面的组成边数差异越小,那么这2个面的形状就越相似。如果2个模型面之间的组成边数差异越大,那么这2个面之间的形状差异就越大。本文以源模型U和目标模型V为例来说明模型之间的形状相似性计算过程。
带有槽的三棱柱如图 1所示。图 2也是一个带有槽的三棱柱,只是面的编号有所不同。
Download:
|
|
Download:
|
|
此处,使用us表示源模型U的面;vt表示目标模型V的面。源模型面us和目标模型面vt之间的面相似性计算过程为:
$ {S_f}({u_s},{v_t}) = 1 - \frac{{|N({u_s}) - N({v_t})|}}{{{\rm{max}}(N({u_s}),N({v_t}))}} $ | (1) |
式中:N(f)表示面f的组成边数;max(x, y)表示x与y之间的最大值。
如果面us和vt所含边数差别越小,那么us与vt之间的相似性就越高,Sf(us, vt)的值就越大;相反,如果面us和vt所含边数差别越大,那么us与vt之间的相似性就越低,Sf(us, vt)的值也就越小。利用式(1)计算源模型与目标模型各个面之间的形状相似性,并构造面相似度矩阵。此处,使用m表示源模型面数,利用n表示目标模型面数。搜索面相似度矩阵,能够获得源模型与目标模型之间的最优面匹配序列。为了便于求解,假设m≤n,即面相似度矩阵的行数要小于等于列数。如果m>n,则将源模型与目标模型互换来进行求解。
源模型与目标模型之间的相似性,不仅取决于各个组成面之间的形状相似程度,而且还取决于各个组成面之间的结构相似程度。在计算源模型面us与目标模型面vt之间的结构相似性时,需要考虑us的邻接面和vt的邻接面之间形状相似程度,还需要考虑us及其邻接面与vt及其邻接面之间邻接顺序对应情况。在模型中,使用邻接矩阵来表示组成面之间的邻接关系:
$ {\mathit{\boldsymbol{w}}_{ab}} = \left\{ {\begin{array}{*{20}{l}} {1,}&{a{\rm{ 与 }}b{\rm{ 相邻 }}}\\ {0,}&{a{\rm{ 与 }}b{\rm{ 不相邻 }}} \end{array}} \right. $ | (2) |
式中:a和b分别表示模型的2个面。在源模型中,使用如下规则来表示面与面之间的邻接顺序关系:当i≤s时,表示源模型面ui和us之间的顺序为正序。当i>s时,表示源模型面ui和us之间的顺序为反序。当j≤t时,表示目标模型面vj和vt之间的顺序为正序。当j>t时,表示目标模型面vj和vt之间的顺序为反序。此处,令w=wuius+wvjvi。源模型面ui及us与目标模型面vj及vt之间的邻接顺序对应值W(i, s, j, t)的计算过程为:
$ W(i,s,j,t) = \left\{ {\begin{array}{*{20}{l}} {0.5,}&{w = 1,{\rm{ 且 }}(i < s,j < t{\rm{ 或 }}i > s,j > t)}\\ {0.25,}&{w = 2,{\rm{ 且 }}(i > s,j < t{\rm{ 或 }}i < s,j > t)}\\ {1,}&{w = 2,{\rm{ 且 }}(i < s,j < t{\rm{ 或 }}i > s,j > t)}\\ {0,}&{{\rm{其他}}} \end{array}} \right. $ | (3) |
源模型面ui与目标模型面vj之间的结构相似性计算过程如下:
$ {\rm{Si}}{{\rm{m}}_{st}}({u_i},{v_j}) = \sum\limits_{i = 1}^n {\sum\limits_{j = 1}^m {{S_f}} } ({u_s},{v_t}) \cdot W(i,s,j,t)/(mn) $ | (4) |
在计算ui与vj的结构相似性时,不仅考虑了ui的所有邻接面与vj的所有邻接面之间的形状对应程度,而且考虑了ui及其邻接面与vj及其邻接面的邻接顺序对应关系。因此,式(4)能够度量源模型面与目标模型面之间的结构相似性。
为了准确地计算源模型面ui与目标模型面vj之间的相似性,需要考虑二者之间的形状和结构相似程度。源模型面ui与目标模型面vj之间的相似性S(ui, vj)的计算过程为:
$ S({u_i},{v_j}) = {S_f}({u_i},{v_j}) \cdot {S_{st}}({u_i},{v_j}) $ | (5) |
利用式(5)计算源模型与目标模型各个面之间的相似性,并构造源模型与目标模型之间的整体相似度矩阵S。
2 基于遗传退火算法的面匹配遗传算法对离散空间具有较强的全局搜索能力,模拟退火算法具有较好的局部搜索能力。为了提高面匹配的准确性,文本融合这2种算法,提出了基于遗传退火算法的面匹配方法。
1) 染色体编码。
使用二元序对(i, j(i))表示源模型面ui与目标模型面vj(i)相匹配。对于每个源模型面而言,都可以获得一个二元序对。按照源模型面序号递增的顺序,利用所有的二元序对来构造染色体X=((1, j(1)), (2, j(2)), …, (m, j(m)))。对于源模型面ui,有多种面匹配方案。因此,可以获得多条不同的染色体。此处,选取s条染色体Xt=((1, jt(1)), (2, jt(2)), …, (m, jt(m))) (t=1, 2, …, s)。设定染色体的数量s为20。源模型与目标模型的面匹配过程将转化为求最优染色体编码的问题。染色体X的适应度值F(X)的计算过程为:
$ F(\mathit{\boldsymbol{X}}) = \sum\limits_{i = 1}^m S (i,j(i)) $ | (6) |
2) 选择操作。
在选择最优面匹配序列时,采用轮盘赌比例选择操作,实现方式如下:
利用式(6)分别计算出F(X1)、F(X2)、…、F(Xs)的适应度值。染色体Xt的选择概率为:
$ P({\mathit{\boldsymbol{X}}_t}) = F({\mathit{\boldsymbol{X}}_t})/\sum\limits_{i = 1} {F({\mathit{\boldsymbol{X}}_i})} ,\;\:t = 1,2, \cdots ,s $ | (7) |
产生一个[0, 1]的随机数r。若
3) 交叉操作。
采用顺序交叉方法,对面匹配序列进行交叉,实现方法如下:
在相邻2个染色体之间,随机选取一段用于产生待交叉序列(待交叉序列的长度为序列长度的1/3~2/3,并采用四舍五入方法进行取整),以概率Pc产生交叉。交叉操作是使种群多样化的主要因素。
对于面序对(i, j(i)),定义操作c(i, j(i))=j(i),即取面序对的第2分量。对于染色体X=((1, j(1)), (2, j(2)), …, (m, j(m))),定义操作C(X)=(c(1, j(1)), c(2, j(2)), …, c(m, j(m)))。C(X)为从源模型与目标模型的面匹配序列中依次抽取每个面序对的第二分量所形成的向量。对于父代染色体Xp=((1, jp(1)), (2, jp(2)), …, (m, jp(m)))和Xq=((1, jq(1), (2, jq(2)), …, (m, jq(m))),可以获得C(Xp)和C(Xq)。构造子代染色体Xsp=((1, jsp(1)), (2, jsp(2)), …, (m, jsp(m)))和Xsq=((1, jsq(1)), (2, jsq(2)), …, (m, jsq(m)))。
所取出的交叉分量为X′sp=((round(m/3), jsp(round(m/3))), …, (round(2m/3), jsp(round(2m/3))))和X′sq=((round(m/3), jsq(round(m/3))), …, (round(2m/3), jsq(round(2m/3))))。互换X′sp与X′sq所对应面序对的第2分量。C(X′sp)=(c(round(m/3), jsp(round(m/3))), …, c(round(2m/3), jsp(round(2m/3))))和C(X′sq)=(c(round(m/3), jsq(round(m/3))), …, c(round(2 m/3), jsq(round(2 m/3))))。setdiff(A, B)= A-B为序列差操作。Isp=setdiff(C(Xp), C(X′sq)),Isq=setdiff(C(Xq), C(X′sp))。将Isp中的元素依次插入Xsp的第1~round(m/3)-1和第round(2m/3)+1~m的面序对的第2分量。将Isq中的元素依次插入X′sq的第1~round(m/3)-1和第round(2m/3)+1~m的面序对的第2分量。从而获得子代染色体Xsp和Xsq。
4) 变异操作。
为了避免陷入局部最优,同时保证解空间的多样性,采用逆转变异方法对面匹配序列进行处理。随机选择染色体Xi=((1, ji(1)), (2, ji(2)), …, (b, ji(b)), …, (d, ji(d)), …, (m, ji(m)))。随机选取2个交换位置点b和d,取出位置点b和d的面序对(b, ji(b))和(d, ji(d))。将(b, ji(b))和(d, ji(d))的第二分量进行互换。变异后的面匹配序列为Xvi=((1, ji(1)), (2, ji(2)), …, (b, ji(d)), …, (d, ji(b)), …, (m, ji(m)))。变异操作是保证种群多样性的辅助手段。为了避免损失优良的个体,变异概率Pd设定为0.01。
5) 模拟退火操作。
通常,模拟退火算法在当前解的邻域范围内更新解。本文采用如下方法来产生新解:
在染色体Xi中,对基因ji(k)使用rand函数产生一个[0, 1]之间的随机数r。利用下式决定基因ji(k)的移动方向,设定步长为1:
$ j_i^{t + 1}(k) = \left\{ {\begin{array}{*{20}{l}} {j_i^t(k) + 1,}&{r > \frac{2}{3}}\\ {j_i^t(k),}&{{\rm{其他}}}\\ {j_i^t(k) - 1,}&{r < \frac{1}{3}} \end{array}} \right. $ | (8) |
式中:jit(k)为位置k上的基因在第t次迭代时的数值。经过变换之后,产生的新解为jit+1(k)。若r>2/3,则jit(k)的值加1。若r < 1/3,则jit(k)的值减1。若r为其他值时,则jit(k)的值保持不变。当前最优解序列为C(Xi)=(ji(1), …, ji(2), …, ji(b), …, ji(d), …, ji(m))。经过模拟退火操作之后,产生新解C(Xz)=(jz(1), …, jz(2), …, jz(m))。产生新解的次数为Markov链的长度L,设置L的数值为20。在每次产生新解时,使用Metropolis准则来判断是否接受新解Xnew,还是保留原始解Xold。Xold为上一次所搜索到的面匹配序列,Xnew为当前搜索到的面匹配序列,即:
$ \left\{ {\begin{array}{*{20}{l}} {{\mathit{\boldsymbol{X}}_{{\rm{old}}}} = ((1,{j_{{\rm{old}}}}(1)),(2,{j_{{\rm{old}}}}(2)), \cdots ,(m,{j_{{\rm{old}}}}(m)))}\\ {{\mathit{\boldsymbol{X}}_{{\rm{new}}}} = ((1,{j_{{\rm{new}}}}(1)),(2,{j_{{\rm{new}}}}(2)), \cdots ,(m,{j_{{\rm{new}}}}(m)))} \end{array}} \right. $ |
将搜索到的面匹配序列Xold和Xnew代入式(6)计算出对应的相似度数值F(Xold)和F(Xnew),使用Metropolis准则进行判断。
Metropolis接受准则为:
$ \begin{array}{l} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} P = \\ \left\{ {\begin{array}{*{20}{l}} {1,}&{F({\mathit{\boldsymbol{X}}_{{\rm{ old }}}}) < F({\mathit{\boldsymbol{X}}_{{\rm{ new }}}})}\\ {{\rm{exp}}\left( { - \frac{{F({X_{{\rm{ old }}}}) - F({X_{{\rm{ new }}}})}}{T}} \right),}&{F({\mathit{\boldsymbol{X}}_{{\rm{ old }}}}) \ge F({\mathit{\boldsymbol{X}}_{{\rm{ new }}}})} \end{array}} \right. \end{array} $ | (9) |
式中:F(Xold)为上一次得到的面匹配序列的适应度值;F(Xnew)为新的面匹配序列的适应度值。退火过程采用下式来完成:
$ {T_k} = Q{T_{K - 1}} $ | (10) |
式中:Q为退火参数,设定Q的值为0.95。
在产生新解的过程中,基因的移动是随机的,而且是相互独立的。因此,在所产生的新解中,会出现0元素、越界元素和重复元素。为了解决这一问题,进行了如下处理:
I1=setdiff(randperm(n), I);
i=1;
for k=1: m
if(I(k)==0||I(k)>n)
I(k)=I1(i);
i=i+1;
end
end
[B, N]=unique(I);
R=setdiff(1: numel(I), N);
I2=setdiff(randperm(n), unique(I));
for r=1: length(R)
for p=1: m
if(I(R(r))==I(p))
I(p)=I2(r);
break;
end
end
end
此处,集合I=C(X),即I为面匹配序列的第二分量的集合。randperm函数返回1~n的一个随机序列;setdiff(A, B)为序列差操作,返回集合A与B的差集;[B, N]=unique(I)为去重函数,B为I中不重复元素组成的集合,N为B中元素在I中的位置序号的集合;numel(I)为I中元素的个数;length(R)为集合R的长度。
基于遗传退火算法的面匹配:
1) 根据式(5)计算源模型U的第i个面和目标模型V的第j个面之间的相似性,并构造整体相似度矩阵S。
2) 初始化温度T=100,降温参数Q=0.95、种群规模s=20、交叉概率pc=0.7、变异概率pd=0.01,Markov链的长度L=20和最大迭代次数Maxk=100,置迭代次数的初始值i=1。
3) 产生初始种群G=(X1, X2, …, X20),染色体Xt=((1, jt(1)), (2, jt(2)), …, (m, jt(m))) (t=1, 2, …, 20)。利用式(6)计算染色体Xt的适应度值F(Xt),并进行选择操作。
4) 对种群G中的染色体随机配对并执行交叉操作,得到交叉后的种群Gc。
5) 对交叉后的种群Gc中的染色体执行变异操作,得到变异后的种群Gm。
6) 对种群Gm中的染色体执行模拟退火操作,采用Metropolis准则判断更新解序列,产生种群Gg=(X1*, X2*, …, X20*),G=Gg。
7) 判断是否满足条件i≤Maxk,若满足,则输出最优面匹配序列,否则重复执行步骤4)~6)。
在源模型U和目标模型V的整体相似度矩阵S中,利用上述算法来搜索二者之间的最优面匹配序列,得到的解向量(j(1), j(2), …, j(m))。所对应的最优面匹配序列为((1, j(1)), (2, j(2)), …, (m, j(m)))。以最优面匹配序列为基础,从整体相似度矩阵S中取出源模型面与目标模型面的相似性。通过累积面的相似性来计算源模型U与目标模型V之间的相似性,其计算过程为:
$ {S_{{\rm{ Model }}}}(U,V) = \sum\limits_{i = 1}^m S (i,j(i))/n $ | (11) |
式中:m表示源模型U的面数;n为目标模型V的面数;(i, j(i))为利用上述算法所获得的最优面匹配序列中的第i个序对。
3 实验和结果本文使用Matlab编写基于遗传退火的面匹配算法,对整体相似度矩阵S进行搜索。在实验中,目标模型为一个六棱锥,如图 3所示。同时选取了15个CAD模型作为源模型,如图 4所示。
Download:
|
|
Download:
|
|
使用贪心算法对面相似度矩阵进行搜索,以获得最优面匹配序列。利用蝙蝠算法[18]、模拟退火算法和本文所提出的方法分别对整体相似度矩阵进行搜索,以获得最优面匹配序列。以最优面匹配序列为基础,使用式(11)计算源模型与目标模型之间的相似性。在4组实验中,源模型与目标模型之间的相似性如表 1所示。
对源模型按照相似性由大到小的顺序进行排序。对贪心算法,源模型排序的结果为A、L、N、D、J、K、G、B、E、H、C、F、I、M、O。对蝙蝠算法,源模型排序的结果为A、B、C、D、E、G、J、K、L、H、N、I、F、M、O。对模拟退火算法,源模型排序的结果为A、B、C、D、E、G、L、H、K、F、J、I、M、N、O。对本文所提出的方法,源模型排序的结果为A、B、C、D、E、G、K、J、L、H、I、F、M、N、O。从形状上看,源模型A与目标模型相同。贪心算法、蝙蝠算法、模拟退火算法和本文所提出方法都把模型A排在了第1位。
从形状上看,源模型B和C与目标模型的相似度很高。蝙蝠算法、模拟退火算法和本文所提出方法都把源模型B、C排在第2位和第3位,而贪心算法却把与目标模型非常不相似的L、N 2个模型排在第2位和第3位。
从形状上看,源模型D和G与目标模型的相似程度明显不如B、C 2个模型。蝙蝠算法、模拟退火算法和本文所提出方法都把模型D和G排在模型B、C之后,而贪心算法把模型D和G排在模型B、C之前。由此可以看出:在计算2个模型的相似性时,蝙蝠算法、模拟退火算法和本文所提出方法的性能要好于贪心算法。其原因是:在计算模型相似性时,蝙蝠算法、模拟退火算法和本文所提出方法不仅考虑了形状信息,而且考虑了结构信息。贪心算法仅仅考虑了形状信息。
对H、J、K、L4个模型而言,K最接近目标模型,J与目标模型较为相似,H、L与目标模型的差异较大。贪心算法把L排在了J、K之前,K排在了J之后。蝙蝠算法把K排在了J之后。模拟退火算法将H、L排在了J、K之前。本文所提出方法将K、J排在了H、L之前,将K排在J之前。相对于模拟退火算法而言,所提出方法使13.33%的模型的排序效果有所改善。相对于模型N而言,I、M更接近于目标模型。蝙蝠算法将模型N排在I、M之前,模拟退火算法和本文所提出方法都把模型N排在I、M之后。由此可以看出:在计算2个模型的相似性时,本文所提出方法的性能要优于蝙蝠算法和模拟退火算法。其原因是:本文所提出的方法既兼顾了遗传算法的全局搜索能力,又兼顾了模拟退火算法的局部搜索能力。与模拟退火算法和蝙蝠算法相比,本文所提出方法能够更好地计算2个模型之间的相似度。
4 结论1) 本文利用面之间的边数差异构造2个模型之间的面相似度矩阵。以此为基础,结合面的邻接关系来计算源模型面与目标模型面的结构相似性。结合面的形状相似性和结构相似性构造整体相似度矩阵。
2) 利用遗传退火算法来搜索整体相似度矩阵,以获得源模型与目标模型之间的最优面匹配序列。以最优面匹配序列为基础,通过累积源模型面与目标模型面之间的相似性度量2个模型之间的差异。
3) 在计算模型相似性时,本文所提出的方法要优于蝙蝠算法、模拟退火算法和贪心算法,能够更准确地计算2个模型之间的相似性。
[1] |
牟春倩, 唐雁, 胡金戈. 基于流形排序的三维模型检索方法[J]. 山东大学学报(工学版), 2017, 47(4): 19-24. MOU Chunqian, TANG Yan, HU Jinge. A new 3D model retrieval method based on manifold ranking[J]. Journal of Shandong University (engineering science), 2017, 47(4): 19-24. (0) |
[2] |
樊亚春, 谭小慧, 周明全, 等. 基于局部多尺度的三维模型草图检索方法[J]. 计算机学报, 2017, 40(11): 2448-2465. FAN Yachun, TAN Xiaohui, ZHOU Mingquan, et al. A scale invariant local descriptor for sketch based 3d model retrieval[J]. Chinese journal of computers, 2017, 40(11): 2448-2465. DOI:10.11897/SP.J.1016.2017.02448 (0) |
[3] |
范菁, 李然, 董天阳, 等. 基于局部视图的三维树木模型递进检索方法[J]. 计算机辅助设计与图形学学报, 2016, 8(1): 162-171. FAN Jing, LI Ran, DONG Tianyang, et al. Progressive retrieval method for 3D tree model based on local view[J]. Journal of computer-aided design & computer graphics, 2016, 8(1): 162-171. DOI:10.3969/j.issn.1003-9775.2016.01.020 (0) |
[4] |
刘志, 尹世超, 潘翔, 等. 基于特征线条的三维模型检索方法[J]. 计算机辅助设计与图形学学报, 2016, 28(9): 1512-1520. LIU Zhi, YIN Shichao, PAN Xiang, et al. 3D model retrieval method based on feature lines[J]. Journal of computer-aided design & computer graphics, 2016, 28(9): 1512-1520. DOI:10.3969/j.issn.1003-9775.2016.09.014 (0) |
[5] |
刘楠楠, 王洪涛, 郭洪斌, 等. 基于多模态信息的三维模型检索算法[J]. 南开大学学报(自然科学版), 2017, 50(6): 59-65. LIU Nannan, WANG Hongtao, GUO Hongbin, et al. 3D models retrieval algorithm based on multimodal data[J]. Acta Scientiarum Naturalium Universitatis Nankaiensis (natural science edition), 2017, 50(6): 59-65. (0) |
[6] |
ZHOU Jilai, ZHOU Mingquan, GENG Guohua, et al. A novel 3D model retrieval method based on shape index distribution[J]. International journal of signal processing, image processing and pattern recognition, 2016, 9(9): 325-332. DOI:10.14257/ijsip.2016.9.9.30 (0)
|
[7] |
徐静, 董雁. 基于区域分割的零件三维模型检索方法[J]. 计算机辅助设计与图形学学报, 2017, 29(5): 929-938. XU Jing, DONG Yan. 3D part model retrieval method based on surface region decomposition[J]. Journal of computer-aided design & computer graphics, 2017, 29(5): 929-938. DOI:10.3969/j.issn.1003-9775.2017.05.018 (0) |
[8] |
庄廷, 张旭堂, 侯珍秀. 多特征结合相似度优化的三维工程模型检索算法[J]. 哈尔滨工程大学学报, 2015, 36(5): 720-724. ZHUANG Ting, ZHANG Xutang, HOU Zhenxiu. 3D engineering model retrieval algorithm based on multiple features and similarity calculation optimization[J]. Journal of Harbin Engineering University, 2015, 36(5): 720-724. (0) |
[9] |
李海生, 孙莉, 吴晓群, 等. 基于模型内二面角分布直方图的非刚性三维模型检索[J]. 计算机辅助设计与图形学学报, 2017, 29(6): 1128-1134. LI Haisheng, SUN Li, WU Xiaoqun, et al. Non-rigid 3D shape retrieval based on inner dihedral angle histogram[J]. Journal of computer-aided design & computer graphics, 2017, 29(6): 1128-1134. DOI:10.3969/j.issn.1003-9775.2017.06.019 (0) |
[10] |
王新颖, 岳远扬. 基于张量子空间的三维模型特征提取及检索方法[J]. 吉林大学学报, 2016, 34(5): 645-650. WANG Xinying, YUE Yuanyang. Method of 3D model feature extraction and retrieval based on tensor subspace learning[J]. Journal of Jilin University (information science edition), 2016, 34(5): 645-650. DOI:10.3969/j.issn.1671-5896.2016.05.010 (0) |
[11] |
FURUYA T, OHBUCHI R. Learning part-in-whole relation of 3D shapes for part-based 3D model retrieval[J]. Computer vision and image understanding, 2018, 166: 102-114. DOI:10.1016/j.cviu.2017.11.007 (0)
|
[12] |
WANG Jihua, WANG Huayu. A study of 3D model similarity based on surface bipartite graph matching[J]. Engineering computations, 2017, 34(1): 174-188. DOI:10.1108/EC-10-2015-0315 (0)
|
[13] |
TAO Songqiao. CAD model retrieval based on graduated assignment algorithm[J]. 3D research, 2015, 6(2): 1-11. (0)
|
[14] |
LI Zongmin, WU Zijian, KUANG Zhenzhong, et al. Evidence-based SVM fusion for 3D model retrieval[J]. Multimedia tools and applications, 2014, 72(2): 1731-1749. DOI:10.1007/s11042-013-1475-z (0)
|
[15] |
CHEN Zongyao, LIN Weichao, TSAI C F, et al. 3D model retrieval by sample based alignment[J]. Journal of visual communication and image representation, 2016, 40: 721-731. DOI:10.1016/j.jvcir.2016.08.017 (0)
|
[16] |
皇甫中民, 张树生, 闫雒恒. 面向三维CAD模型检索的模型分割方法[J]. 机械科学与技术, 2017, 36(5): 741-748. HUANGFU Zhongmin, ZHANG Shusheng, YAN Luoheng. A method of model segmentation for 3D CAD model retrieval[J]. Mechanical science and technology for aerospace engineering, 2017, 36(5): 741-748. (0) |
[17] |
于勇, 顾黎, 印璞, 等. MBD模型本体建模及检索技术研究与应用[J]. 北京航空航天大学学报, 2017, 43(2): 260-269. YU Yong, GU Li, YIN Pu, et al. Research and implementation of ontology modeling and retrieval technology of MBD model[J]. Journal of Beijing University of Aeronautics and Astronautics, 2017, 43(2): 260-269. (0) |
[18] |
陈育南.基于蝙蝠算法的三维CAD模型相似性计算[D].哈尔滨: 哈尔滨理工大学, 2019: 39-49. CHEN Yu'nan. Compute similarity of 3D CAD model based on bat algorithm[D]. Harbin: Harbin University of Science and Technology, 2019: 39-49. (0) |