شناسایی مدل‌های سه‌بعدی در حوزه فوریه با استفاده از فشرده‌کردن کره مشی تا رویه مدل

در این مقاله توصیف گر نوین مدل سه بعدی در حوزه فوریه پیشنهاد شده است. به منظور استخراج ویژگی در روش پیشنهادی، کره مش بندی شده محیط بر مدل، از بیرون مدل به سمت مرکز آن فشرده شده، سپس طول مسیری که راس های کره از ابتدا تا رسیدن به رویه مدل طی می کنند، محاسبه می شود. این مقادیر به منظور محاسبه تابع مسیر، که طول مسیر راس های مدل تا مرکز آن است، استفاده می شوند. تابع به دست آمده در مقابل تغییرات ایزومتریک مقاوم و برای شناسایی مدل های غیر صلب بسیار کار آمد است. در ادامه، ضرایب فوریه تابع مسیر به عنوان بردار ویژگی محاسبه می شوند و سپس بردار ویژگی استخراج شده در طبقه بند svm مورد استفاده قرار می گیرد. با بهره گیری از ویژگی پاسخ دامنه تبدیل فوریه سیگنال های حقیقی، مدل در فضایی با ابعاد کمتر، بدون از دست دادن ویژگی های ذاتی خود توصیف شده، همچنین از نرمالیزاسیون حالت بی نیاز می شود. نتایج پیاده سازی برروی پایگاه داده mcgill نشان دهنده دقت بالای روش پیشنهادی در طبقه بندی مدل های سه بعدی است.

3D Models Recognition in Fourier Domain Using Compression of the Spherical Mesh up to the Models Surface

Representing 3D models in diverse fields have automatically paved the way of storing, indexing, classifying, and retrieving 3D objects. Classification and retrieval of 3D models demand that the 3D models represent in a way to capture the local and global shape specifications of the object. This requires establishing a 3D descriptor or signature that summarizes the pivotal shape properties of the object. Therefore, in this work, a new shape descriptor has been proposed to recognize 3D model utilizing global characteristics. To perform feature extraction in the proposed method, the bounding meshed sphere surrounding the 3D model and concentrated from the outside toward the center of the model. Then, the length of the path which the sphere's vertices travel from the beginning to the model’;s surface will be measured. These values are exploited to compute the path function. The engendered function is robust against isometric variations and it is appropriate for recognizing nonrigid models. In the following, the Fourier transform of the path function is calculated as the features vector, and then the extracted features vector is utilized in SVM classifier. By exploiting the properties of the magnitude response of the Fourier transform of the real signals, the model can be analyzed in the lower space without losing the inherent characteristics, and no more pose normalization is needed. The simulation results based on the SVM classifier on the McGill data set show the proposed method has the highest accuracy (i.e. 79.7%) among the compared related methods. Moreover, the confusion matrix for performing 70% trained SVM classifier indicates the suitable distinguishing ability for similar models and does not have a high computational complexity of model processing in 3D space.