面向三维CAD模型的加权谱聚类算法研究

局部区域特征的重要程度对三维CAD模型的分类有很大影响。针对现有聚类算法未能有效利用此关键特征实现聚类,提出一种基于局部区域的加权谱聚类算法。该算法按局部区域在模型库中出现的频次计算权重,提高出现频次低但区分能力强的局部区域的重要程度,从而降低常见局部区域的重要程度;并将上述表达与严重依赖模型间相似度的加权谱聚类算法相结合作为权重信息。实验结果显示,该方法能较好地完成三维CAD模型聚类任务,最终得到的NMI值、V-measure值对比当前最优方法所得结果分别提高3%、4%。

融合权重信息的三维CAD模型聚类研究

局部区域特征的获取与表达对于研究三维CAD模型聚类至关重要.面向局部区域特征表达问题提出了在现有的六元组方法基础之上将其扩展为七元组,加入了模型中面与面相交形成的边属性信息,从而更好的获得了由局部区域特征构建的词汇本;在聚类阶段,提出了一种模型局部区域加权方法,该方法降低常见局部区域在聚类相似度计算时的最重要程度,从而相对提高了更有区分度的局部区域.实验结果表明,采用本文提出的表达方法能有效支持CAD模型聚类任务,对比基线方法在四种典型聚类算法上得到的NMI值、V-measure值、Purity值均有提升.

基于水平分量优先原则的RDW-LBP人脸识别算法

首先分析了人脸图像不同的方向性细节对识别率的影响,提出了水平分量优先原则。结合该原则提出了一种基于多尺度区域性-方向性加权的规范型二元局部纹理描述算子RDW-LBP的鲁棒人脸识别算法。算法通过多尺度Haar小波分解,提取多级尺度分量和含有最多有效识别细节的一级水平细节分量,组成待分析系数子图矩阵M。计算矩阵M的RDW-LBP纹理特征图谱,结合子区域剖分,连接子区域特征共同组成人脸图像特征向量,最后使用基于Chi-Square距离的分类器进行识别。