3D对象的识别已经在多个领域取得了进展,包括安全领域(Lee & Krim, 2017)、医疗保健领域(Zheng, He, & Jing, 2023)和文化遗产领域(Aicardi, Chiabrando, Lingua, & Noardo, 2018)。这一技术依赖于从3D模型中提取区分性特征,这些特征可以通过形状描述符来表示(Carvalho & von Wangenheim, 2019),这些描述符可以是数据驱动的(Rostami, Bashiri, Rostami, & Yu, 2019)或知识驱动的。数据驱动的描述符是从原始几何形状中学习得到的,具有灵活性;而知识驱动的描述符则整合了专家定义的特征或拓扑不变量,以提高鲁棒性。3D对象识别包括三个步骤:计算形状描述符、测量相似性以及做出分类决策。相似性可以通过基于距离的度量(例如欧几里得距离)、适用于可变形形状的基于图的模型或处理不确定性和不完整数据的基于概率的技术来评估。最终决策可以是明确的(将对象分配到特定类别),也可以是模糊的(根据对象与查询的相似性对对象进行排名)。这种区别在需要明确匹配的安全领域(Lee & Krim, 2017)和医疗保健领域(Zheng et al., 2023)尤为重要。
为了支持智能的3D对象识别和分类,本文介绍了一种基于2D关键点的新描述符方法,该方法利用了对象表面关键点之间空间关系的拓扑不变性。该方法基于代数拓扑学(Biasotti et al., 2008b; De Floriani, Fugacci, & Iuricich, 2016),能够捕捉连接组件、隧道和空洞等结构特征,并且在常见的几何变换下保持鲁棒性。它使用多变量实值度量函数来定义关键点的分布,即使部分因切割、遮挡或侵蚀而缺失,也能保留对象的基本拓扑结构。与可能将这些缺陷误解为拓扑变化的传统技术不同,这种方法强调有意义的连接模式,过滤掉噪声并保留有信息量的结构描述符。
所提出框架的核心要素是引入了尺寸函数工具(Biasotti et al., 2008b; Frosini, 1992),该工具基于定义在3D对象上的实值度量函数对其进行拓扑表征。在这项工作中,我们定义了一个2D度量函数,该函数同时包含了表面位移和测地偏心率这两个基于测地的特征,它们分别捕捉了局部和全局的形状属性。由此产生的2D尺寸函数总结了随着这两个测量值变化而变化的连接组件数量,提供了一个鲁棒且紧凑的拓扑特征。该度量函数的灵活性——特别是其超越Morse函数限制的能力——为描述符增加了适应性和通用性,使其适用于各种3D几何形状。虽然之前已经有过使用表面位移进行3D形状分析的研究(Alaoui Mhamdi & Ziou, 2021),但在2D度量函数中同时使用表面位移和测地偏心率增强了描述符的区分能力和对非刚性变形的抵抗力。
本文的其余部分组织如下:第2节介绍了近期在3D对象识别方面的相关方法和一些研究。第3节描述了我们的贡献。第4节讨论了实验结果及其解释。最后,第5节提出了结论和未来的工作方向。