三维形变目标内蕴特征提取与聚类分析

While 3D models are insensitive to lighting conditions and pose changes, the main challenge remained for the 3D object recognition is the deformation of the object itself. This project is aimed at the development of an unsupervised analysis method for 3D deformable objects. An important observation is that the geodesic distance is slighted affected by the deformation of the moving objects. Features based on the geodesic metric reflect the intrinsic properties of the 3D deformable objects and thus offer a robust and isometric deformation invariant representation for the objects.. Automatically determining the number of clusters is one of the most difficult problems in cluster analysis. The project intends to design a novel clustering algorithm capable of automatic model selection using powerful Dirichlet Processing Mixture Models. Topics need for further investigation include the design of hierarchical structure, sampling acceleration, and variational inference. A priori knowledeg of object structure is introduced with 3D object modelling. This project is expected to tackle the difficult unsupervised clustering problem with the unknown number of clusters. A prototype system is to be developed with novel intrinsci features and an automatic clustering method.

三维图像分析可以有效克服光照和姿态变化的影响，其面临的主要挑战是目标运动引起的形变影响。本项目通过对曲面测地线特征的深入研究，利用三维目标形变在大部分情况下是一种曲面等距变换的特性，设计能够精确刻画三维形变目标结构内蕴性质的测地线特征，实现高效的内蕴特征提取方法，有效提高三维图像分析对于运动形变的鲁棒性。. 无监督聚类分析的难点之一是如何自动确定聚类数目，本项目以狄利克雷过程混合模型为核心，设计实现具有模型选择能力的聚类算法，结合高效的基于测地线的内蕴特征提取，将其应用于无监督的三维形变目标聚类分析。深入研究设计分层模型，优化采样速度，引入变分推断技术，加速计算过程。通过结合三维目标建模的先验，提高测地线特征的准确性和鲁棒性，着重解决确切类别数未知的复杂情况下的自动聚类问题，自动判定出现的新类别目标。实现一个三维形变目标自动聚类分析原型系统，取得三维图像分析技术的新突破。

本项目通过对曲面测地线特征的深入研究，设计能够精确刻画三维形变目标结构内蕴性质的测地线特征，实现了高效的内蕴特征提取方法，有效提高了三维图像分析对于运动形变的鲁棒性。以狄利克雷过程混合模型为核心，设计实现具有模型选择能力的聚类算法。研究设计分层模型，优化采样速度，引入变分推断技术，加速计算过程。着重解决确切类别数未知的复杂情况下的自动聚类问题，自动判定出现的新类别目标，实现了一个三维形变目标自动聚类分析原型系统。. 深度学习技术近年来取得了巨大成功，本项研究也尝试将深度网络用于复杂聚类分析。在利用狄利克雷过程混合模型设计实现具有模型选择能力的聚类算法时，发现经典DPM通常难以处理流形数据，主要原因在于经典概率函数通常定义在欧式空间，于是我们通过使用多个深度神经网络，将原始定义于欧式空间中的概率分布映射到流形空间中，从而将流形聚类问题转化为神经网络的参数学习问题，达到自动聚类分析和学习的目标。由于在DPM框架中引入了非线性的深度网络模型，经典DPM模型的共轭性质被破坏，因此，在模型推理和学习阶段使用变分自编码器VAE进行参数学习和后验概率更新。. 进一步的研究是将目前广泛应用的深度卷积网络推广到三维网格模型，针对三维网格模型不规则的数据结构，提出一种三维形变目标的网格卷积特征提取方法—Mesh Convolution，通过三维网格卷积操作获取局部网格曲面形状分布信息，并结合局部形状在模型中的空间共现关系形成三维模型的特征表示，实现对三维形变目标的自动分类。实验结果表明三维网格卷积方法可以十分有效提取三维形变目标的特征，并使形变目标分类准确率大大提高，在标准非刚性三维模型数据集（SHREC10以及SHREC15）上的分类准确率分别达到了92.88%与96.33%。