Signal and Data Processing

fa شناسایی مدل‌های سه‌بعدی در حوزه فوریه با استفاده از فشرده‌کردن کره مشی تا رویه مدل 3D Models Recognition in Fourier Domain Using Compression of the Spherical Mesh up to the Models Surface مقالات پردازش تصویر Paper پژوهشي Research <div style="text-align: justify;">در این مقاله توصیف‌گر نوین مدل سهبعدی در حوزه فوریه پیشنهاد شده است. به‌منظور استخراج ویژگی در روش پیشنهادی، کره مش‌بندی‌شده محیط بر مدل، از بیرون مدل به سمت مرکز آن فشرده شده، سپس طول مسیری که رأسهای کره از ابتدا تا رسیدن به رویه مدل طی میکنند، محاسبه میشود. این مقادیر به‌منظور محاسبه تابع مسیر، که طول مسیر رأسهای مدل تا مرکز آن است، استفاده میشوند. تابع به‌دست‌آمده در مقابل تغییرات ایزومتریک مقاوم و برای شناسایی مدلهای غیرصلب بسیار کار آمد است. در ادامه، ضرایب فوریه تابع مسیر به‌عنوان بردار ویژگی محاسبه میشوند و سپس بردار ویژگی استخراج‌شده در طبقهبند SVM مورد استفاده قرار میگیرد. با بهرهگیری از ویژگی پاسخ دامنه تبدیل فوریه سیگنالهای حقیقی، مدل در فضایی با ابعاد کمتر، بدون از دستدادن ویژگیهای ذاتی خود توصیف شده، همچنین از نرمالیزاسیون حالت بینیاز میشود. نتایج پیادهسازی برروی پایگاه داده McGill نشاندهنده دقت بالای روش پیشنهادی در طبقهبندی مدلهای سهبعدی است.</div> 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 non-rigid 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. ویژگی‌های مبتنی بر محتوا, استخراج ویژگی, شناسایی مدل‌های سه‌بعدی, طبقه‌بند SVM, تبدیل فوریه گسسته Feature Content base, Feature extraction, 3D Models Recognition, SVM Classifier, Discrete Fourier Transform 3 18 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1256-1&slc_lang=fa&sid=1 Fereshteh Behbahani فرشته بهبهانی behbahani.fe@fe.lu.ac.ir 10031947532846007895 10031947532846007895 No Lorestan University گروه برق - الکترونیک، دانشکده فنی و مهندسی، دانشگاه لرستان Vahid Mehrdad وحید مهرداد mehrdad.v@lu.ac.ir 10031947532846007896 10031947532846007896 Yes Lorestan University گروه برق - الکترونیک، دانشکده فنی و مهندسی، دانشگاه لرستان Hossein Ebrahimnezhad حسین ابراهیم نژاد ebrahimnezhad@sut.ac.ir 10031947532846007897 10031947532846007897 No Sahand University of Technology دانشکده مهندسی برق، دانشگاه صنعتی سهند