基于球體投影的三維模型檢索

潘 婷，楊秋翔，景志宇

中北大學(xué) 軟件學(xué)院，太原030051

1 引言

三維模型是對(duì)現(xiàn)實(shí)世界實(shí)體或虛構(gòu)物體進(jìn)行建模后存儲(chǔ)在計(jì)算機(jī)中的數(shù)據(jù)。由于三維模型具有強(qiáng)烈的視覺(jué)感知及立體特征，它已成為繼聲音、圖像和視頻之后的第四種多媒體數(shù)據(jù)類型[1]。三維模型被廣泛應(yīng)用于各個(gè)領(lǐng)域：醫(yī)療領(lǐng)域使用精密的三維人體器官模型進(jìn)行教學(xué)指導(dǎo)及輔助治療；文物保護(hù)領(lǐng)域使用三維建模進(jìn)行文物展示及文物重建；游戲領(lǐng)域用三維模型進(jìn)行場(chǎng)景搭建；教育領(lǐng)域利用三維建模技術(shù)輔助教學(xué)等。三維建模技術(shù)的高速發(fā)展，使得三維模型數(shù)量呈現(xiàn)出指數(shù)式增長(zhǎng)的態(tài)勢(shì)，如何識(shí)別、檢索、重用和重新構(gòu)建三維數(shù)據(jù)已成為設(shè)計(jì)師、工程師和研究人員共同關(guān)注的問(wèn)題[2]。

傳統(tǒng)的基于文本信息的搜索不適用于三維模型檢索。具體而言，不同的人對(duì)同一對(duì)象的描述會(huì)有差異，這些差異可歸因于他們的文化背景、世界觀、生活環(huán)境甚至情感狀態(tài)?；谖谋拘畔⒌臋z索需要手動(dòng)注釋，隨著模型數(shù)量的爆炸式增長(zhǎng)，這已成為一項(xiàng)非常繁瑣和艱巨的任務(wù)。因此，研究人員提出了基于內(nèi)容的三維模型檢索框架，主要包括兩個(gè)類別：基于實(shí)例的三維模型檢索和基于草圖的三維模型檢索。基于實(shí)例的三維模型檢索需要用戶提供相似的三維模型，屬于同域檢索問(wèn)題，因此檢索準(zhǔn)確率更高[3-4]。但是三維模型并不容易獲取到，需要一定的專業(yè)技術(shù)，給用戶帶來(lái)了很多的不便。草圖是人們認(rèn)識(shí)三維物體最直觀的方式，包含了許多信息。設(shè)計(jì)人員一般在設(shè)計(jì)階段都會(huì)將腦海中所構(gòu)思的物體以草圖的形式描繪出來(lái)。因此，基于草圖的三維模型檢索技術(shù)越來(lái)越受到計(jì)算機(jī)視覺(jué)領(lǐng)域的關(guān)注。

基于草圖的三維模型檢索因其簡(jiǎn)單性、直觀性和易用性而被采納。然而，基于草圖的三維模型檢索的研究還面臨著很多嚴(yán)峻的挑戰(zhàn)[1，4]：（1）草圖具有高度的抽象性和可變性，同一物體可以以不同的風(fēng)格進(jìn)行繪制，從而產(chǎn)生不同程度的抽象和變形。（2）草圖主要是由黑色和白色線條組成，缺乏顏色和紋理信息，不同物體有可能會(huì)被繪制成相似的草圖，例如：檸檬、甜甜圈和輪胎繪制成草圖后，由于缺乏顏色和細(xì)節(jié)紋理變得難以區(qū)分，這對(duì)檢索算法區(qū)分物體的能力提出了極高的要求。（3）草圖與三維模型屬于不同的空間類型，二者在視覺(jué)感知上存在明顯的差異，直接使用草圖進(jìn)行檢索存在一定的困難。

在本文中，提出了一種基于球體投影的三維模型網(wǎng)絡(luò)檢索框架。主要的創(chuàng)新點(diǎn)如下：（1）提出了一種新的基于球體的三維模型投影算法。該算法利用外接球體對(duì)三維模型進(jìn)行多角度的投影。（2）利用高斯濾波差分和貝塞爾曲線逼近相結(jié)合的三維模型線圖計(jì)算方法來(lái)提取線圖。（3）將轉(zhuǎn)移學(xué)習(xí)算法用于對(duì)三維模型投影視圖的分類，通過(guò)對(duì)二維投影視圖數(shù)據(jù)集進(jìn)行訓(xùn)練，獲得最佳投影視圖。

2 相關(guān)工作

近年來(lái)，基于草圖的三維模型檢索的研究已經(jīng)取得了很大的進(jìn)展。由于草圖的抽象性和獨(dú)特性，許多研究者對(duì)草圖的識(shí)別進(jìn)行了深刻的探索。Paulson 等人[5]提出了一種新的識(shí)別系統(tǒng)，它可以識(shí)別八種簡(jiǎn)單圖形和簡(jiǎn)單圖像的組合。文獻(xiàn)[6]提出了一種基于語(yǔ)義的三維模型檢索，通過(guò)監(jiān)督學(xué)習(xí)捕捉草圖的所要表達(dá)的含義。Cao等人[7]提出了一種基于三視圖的新型三維模型檢索方法，該方法的創(chuàng)新之處在于對(duì)用戶的個(gè)性化草圖進(jìn)行建模。Yoon 等人[8]利用無(wú)監(jiān)督算法自動(dòng)學(xué)習(xí)和優(yōu)化草圖和三維模型特征，克服了從黑白素描圖像中提取魯棒特征的難度。Tasse 等人[9]提出了一種新穎的跨域檢索方法，將草圖和三維模型嵌入到相同的向量空間。Muhammad等人[10]提出了一個(gè)草圖抽象模型，在草圖的可識(shí)別性和筆畫數(shù)之間進(jìn)行權(quán)衡，預(yù)測(cè)如何安全去除筆畫而不影響草圖的可識(shí)別性。Sun等人[11]將化學(xué)結(jié)構(gòu)式（CSF）應(yīng)用到草圖識(shí)別系統(tǒng)，建立圖結(jié)構(gòu)來(lái)描述草圖的所含信息。Sert等人[12]使用轉(zhuǎn)移學(xué)習(xí)進(jìn)行草圖識(shí)別。

草圖和模型屬于不同的維度空間，為了讓草圖與三維模型進(jìn)行匹配，將三維模型投影成二維視圖。Su 等人[13]采用固定視角的方案，其方案假設(shè)三維模型是直立向上的，并在模型周圍每隔30°放置一個(gè)攝像機(jī)進(jìn)行投影。對(duì)于不滿足直立向上的模型，Su等人[13]提出了另一種方案，該方案將模型周圍的正二十面體上的二十個(gè)頂點(diǎn)上放置相機(jī)。張海龍[14]將三維模型投影成三個(gè)二維圖像。Kainai[15]和Yoon等人[16]采用平行投影的方法，利用正射投影與對(duì)等軸測(cè)投影將三維模型投影成14個(gè)二維圖像，包括6 個(gè)正投影圖像以及8 個(gè)對(duì)等軸測(cè)投影圖像。Chen等人[17]采用中心投影的方法，提出了利用光場(chǎng)描述符來(lái)表示三維模型的二維投影圖像，通過(guò)將光源均勻分布和定位在一個(gè)常規(guī)的十二面體的各個(gè)頂點(diǎn)上，從每個(gè)頂點(diǎn)出發(fā)按照三條棱的方向進(jìn)行投影。Yasseen等人[18]提出了一種新的方法來(lái)描述二維投影圖像的視覺(jué)突出部分。Wang等人[19]利用極簡(jiǎn)主義的方法定義二維投影視圖，提出的方法不依賴“最佳視圖”和“手工制作”的特性。

為了使三維模型更易與草圖進(jìn)行匹配，可以將三維模型渲染成與草圖類似的二值非真實(shí)感線條圖。常用的渲染方法有剪影圖、外輪廓線圖和輪廓線圖。剪影圖只顯示模型的外部輪廓線，內(nèi)部全用黑色填充；外輪廓線圖只提取模型最外層的封閉輪廓線；輪廓線圖由外輪廓線和內(nèi)輪廓線共同組成。文獻(xiàn)[13]將模型向13 個(gè)方向進(jìn)行正交投影，得到13 張不同的的外輪廓線圖像。文獻(xiàn)[20]提出了一種自適應(yīng)獲取模型視圖的方法，并結(jié)合剪影圖和外輪廓線圖共同描述三維模型二維投影。剪影圖和輪廓線圖只能描述模型的外部輪廓信息，無(wú)法描述內(nèi)部結(jié)構(gòu)信息。輪廓線圖可以同時(shí)表達(dá)模型內(nèi)部、外部的形狀結(jié)構(gòu)信息。獲取輪廓線圖由兩種方式：一是提取三維輪廓線后投影成輪廓線圖；二是先投影成二維圖像再提取輪廓線圖。文獻(xiàn)[21]提出視角相關(guān)的Suggestive三維輪廓線提取方法，該方法能夠提取外輪廓線圖和內(nèi)部輪廓線圖。文獻(xiàn)[22]利用Suggestive輪廓線投影為二維圖像，用于三維模型檢索。文獻(xiàn)[23]利用渲染緩沖提取輪廓線圖，但是渲染圖象容易受光照的影響。文獻(xiàn)[24]在獲取的深度圖像上利用拉普拉斯濾波，細(xì)化及高斯濾波的方法獲取二維線圖進(jìn)行三維模型檢索。但是該方法存在鋸齒現(xiàn)象。

3 檢索框架

圖1 三維模型檢索框架

本文檢索方法框架如圖1 所示。在基于草圖的三維模型檢索時(shí)，需要從多個(gè)方向渲染數(shù)據(jù)庫(kù)中的三維模型以獲取每個(gè)模型的二維投影視圖。本文采用基于球體虛擬照相的投影方法來(lái)獲取二維視圖。由于手繪草圖是通過(guò)線條來(lái)描述物體的大致輪廓，需要將二維投影視圖表示為與草圖類似的線圖結(jié)構(gòu)。因此，采用高斯濾波差分和貝塞兒曲線逼近相結(jié)合的線圖提取方法來(lái)獲得三維模型線圖。在獲取三維模型線圖后，采用轉(zhuǎn)移學(xué)習(xí)算法獲取最優(yōu)視圖。使用草圖檢索所需三維模型時(shí)，需要計(jì)算草圖與三維模型的相似度。但是，草圖和三維模型在計(jì)算機(jī)中是以離散的像素點(diǎn)矩陣存在的，不能使用像素信息進(jìn)行區(qū)分。因此，通過(guò)對(duì)圖像提取特征，構(gòu)建相應(yīng)特征描述符。本文采用改進(jìn)的SBLBP描述符用于圖像分類，并利用兩個(gè)Siamese 網(wǎng)絡(luò)進(jìn)行基于草圖的三維模型檢索。

4 框架細(xì)節(jié)

4.1 三維模型的二維表示

獲取三維模型的二維投影視圖方法有很多種，主要分為兩類：平行投影和中心投影。通過(guò)對(duì)現(xiàn)有投影方法進(jìn)行分析，發(fā)現(xiàn)中心投影投射的圖形與人類觀察物體所產(chǎn)生的視覺(jué)效果相近，所繪制的圖形立體感較強(qiáng)，更能反應(yīng)三維模型的特性，也更有利于投影視圖特征的提取。因此，本文采用中心投影的方法。在對(duì)模型渲染時(shí)需要指定角度，倘若從每個(gè)角度對(duì)模型進(jìn)行渲染，就會(huì)導(dǎo)致信息表達(dá)出現(xiàn)冗余，計(jì)算量過(guò)于龐大。本文提出一種基于球體虛擬照相的投影方法，從指定角度對(duì)模型進(jìn)行投影，既獲取了對(duì)模型信息的充分表達(dá)，也降低了后續(xù)的計(jì)算量。為了使投影視圖更易與草圖進(jìn)行匹配，本文利用高斯濾波差分和Bezier 曲線逼近相結(jié)合的三維模型線圖計(jì)算方法來(lái)提取線圖，以克服假邊緣過(guò)多及邊緣定位不準(zhǔn)的情況。具體步驟如下：

步驟1 模型預(yù)處理。首先，對(duì)模型進(jìn)行平移不變性的預(yù)處理，本文采用基于加權(quán)面積的方法，該方法表示如下：

其中，Pi是三維模型上的任意一點(diǎn)，Pˉ是三維模型的重心坐標(biāo)頂，Si是三維模型上每一個(gè)頂點(diǎn)的相鄰面片的平均面積，Sj是每個(gè)頂點(diǎn)的各相鄰面片的面積；其次，采用基于法線分布調(diào)整CPCA 主軸的旋轉(zhuǎn)歸一化方法[25]來(lái)完成模型旋轉(zhuǎn)不變性的預(yù)處理；最后，通過(guò)一個(gè)變換因子，實(shí)現(xiàn)三維模型的縮放不變性。將三個(gè)坐標(biāo)軸方向的變換因子分別設(shè)為Tx、Ty、Tz，則三維模型的縮放不變因子為：

步驟2 投影角度。在三維模型外圍外接一個(gè)球體，在球體半圓弧上每隔30°的地方放置一個(gè)虛擬照相機(jī)，并確保照相機(jī)鏡頭垂直于模型質(zhì)心同攝像機(jī)之間的連線。一次拍攝后，將半圓弧旋轉(zhuǎn)30°繼續(xù)拍攝，直至半圓弧回歸原位。必須注意的是，要始終保持照相機(jī)鏡頭垂直于模型質(zhì)心同攝像機(jī)之間的連線。圖2 為投影示意圖。

圖2 三維模型投影示意圖

步驟3 視圖的渲染。采用MATLAB工具內(nèi)置的三角網(wǎng)格繪制函數(shù)trimesh 來(lái)完成視圖渲染。渲染時(shí)，設(shè)置函數(shù)屬性AmbientStrength=0.2，DiffuseStrength=0.6，SpecularStrength=0；三個(gè)屬性分別對(duì)應(yīng)馮氏光照模型中的環(huán)境光照、漫反射光照和鏡面光照；設(shè)置函數(shù)屬性FaceLighting 為Gouraud，即采用Gouraud 方案對(duì)三角面著色。

步驟4 線圖的提取。本文采用光滑可矢量的二維線圖提取方法[26]。首先，利用尺度空間高斯差分方法提煉投影視圖的輪廓邊緣。不同尺度空間圖像進(jìn)行差分運(yùn)算即可獲取近似邊緣圖像，如式（4）所示，將圖像與不同高斯核差分進(jìn)行卷積得到差分邊緣圖像。

其中，pi為Bezier曲線的控制點(diǎn)，即多邊形頂點(diǎn)，n 為曲線的階數(shù)，即多邊形頂點(diǎn)個(gè)數(shù)，t 為時(shí)間參數(shù)。

4.2 最優(yōu)視圖

草圖與三維模型分屬不同域，但是同一類別下的草圖和三維模型存在一定的相似性。草圖是人類對(duì)直觀事物的一種抽象性的表達(dá)，它體現(xiàn)了事物的共性和特性。換句話說(shuō)，草圖可以代表一個(gè)小類別的三維模型。假設(shè)一個(gè)三維模型屬于某一類別，那么這個(gè)三維模型的投影視圖中肯定存在多個(gè)與該類別草圖具有很大相似性的投影視圖。本文利用三維模型投影視圖與草圖之間的相似性，構(gòu)建了一個(gè)分類器，并使用它為不同模型選擇最優(yōu)視圖。最優(yōu)視圖的選取，可以減少投影視圖數(shù)量，在對(duì)投影視圖進(jìn)行特征提取時(shí)，可以降低計(jì)算量。本文選擇效果較好的神經(jīng)網(wǎng)絡(luò)作為分類器。

整體過(guò)程如圖3所示，具體的步驟如下。

圖3 最優(yōu)視圖獲取流程圖

圖4 構(gòu)建圖結(jié)構(gòu)的過(guò)程

其中σ=0.2，dapp=(gi,hj)表示標(biāo)準(zhǔn)化歐式距離。草圖中，gi的平均方向表示為θi；投影視圖中，hj的平均方向表示為θj。假設(shè)W ni 表示從gi開(kāi)始長(zhǎng)度為n 的步長(zhǎng)；同樣地，W nj 表示從hj開(kāi)始長(zhǎng)度為n 的步長(zhǎng)。步行距離公式表示為：

其中，|li|是Es的個(gè)數(shù)。

草圖是光滑的，包含的頂點(diǎn)數(shù)比投影視圖少。因此，參數(shù)n 的值非常重要。如果n 值過(guò)大，則頂點(diǎn)數(shù)可能小于n，導(dǎo)致步行失敗；n 值過(guò)大，還會(huì)導(dǎo)致計(jì)算時(shí)間過(guò)長(zhǎng)。因此，n 被設(shè)置為4以獲取準(zhǔn)確的結(jié)果并且降低計(jì)算要求。

步驟2 訓(xùn)練樣本。模型的最優(yōu)視圖需要通過(guò)學(xué)習(xí)框架來(lái)獲得，但是學(xué)習(xí)框架中的網(wǎng)絡(luò)需要大量樣本來(lái)支撐。Eitz的草圖數(shù)據(jù)集[27]在每個(gè)類別中包含80個(gè)草圖，本文在每個(gè)類別的80個(gè)草圖和多投影視圖之間建立關(guān)系，并定義鑒別函數(shù)D 來(lái)對(duì)樣本進(jìn)行分類。

對(duì)屬于第i 類草圖集Si的草圖和投影視圖，定義概率函數(shù)p(0 ＜p ＜1)：

綜上，定義一個(gè)辨別函數(shù)D 以區(qū)分與多投影視圖相關(guān)的正樣本和負(fù)樣本：

步驟3 訓(xùn)練和測(cè)試。使用SoftMax 激活函數(shù)輸出網(wǎng)絡(luò)分析結(jié)果。具體地，通過(guò)定義一個(gè)Score 函數(shù)來(lái)表示MLP 網(wǎng)絡(luò)的最終輸出結(jié)果。對(duì)于每個(gè)投影圖像，Score 函數(shù)可以表示為：

步驟4 排名。本文采用Zhao等人[28]提出的排名方法。該方法避免從特定角度關(guān)注投影圖像，主要目的在于保持投影圖像的多樣性。由于每個(gè)投影視圖都是從模型的邊界球體密集采集的，因此附近的視點(diǎn)通常具有非常相似的輪廓，會(huì)出現(xiàn)相似的分?jǐn)?shù)。如果直接對(duì)得分最高的值進(jìn)行排序，選擇前N 個(gè)最好的值，結(jié)果可能只來(lái)自模型的一側(cè)，這個(gè)結(jié)果往往是無(wú)效的。因此，為了保證投影視圖的多樣性，同時(shí)抑制從鄰近視點(diǎn)獲得投影視圖，采用Zhao等人[28]提出的分?jǐn)?shù)抑制方法進(jìn)行排名。

從方程（13），可以得到每個(gè)投影視圖的得分。然后利用排名策略調(diào)整該得分。定義一個(gè)新函數(shù)S~：

5 實(shí)驗(yàn)及分析

實(shí)驗(yàn)基于TensorFlow深度學(xué)習(xí)框架，使用Python3.7和C++處理數(shù)據(jù)及部分可視化。草圖數(shù)據(jù)集來(lái)源于Eitz的手繪草圖庫(kù)，其中包含80個(gè)不同類別（飛機(jī)、臺(tái)燈、椅子等）的查詢草圖。三維模型數(shù)據(jù)集采用普林斯頓形狀基準(zhǔn)（PSB），該數(shù)據(jù)集包括1 814個(gè)三維模型，其中包括907個(gè)測(cè)試集和907個(gè)訓(xùn)練集。每個(gè)模型都有相對(duì)應(yīng)的草圖集，每個(gè)草圖都是由手繪輪廓和封閉邊界曲線組成的，符合實(shí)驗(yàn)的要求。

5.1 投影視圖實(shí)驗(yàn)

三維模型的二維投影圖像具有足夠的代表性，能夠捕獲到三維模型具有辨識(shí)力的特征。不同的三維模型投影方法，對(duì)檢索性能將產(chǎn)生很大的影響。一般地，認(rèn)為投影圖像越多模型檢索準(zhǔn)確率越高，但是過(guò)多的投影圖像會(huì)影響檢索效率，造成空間上的浪費(fèi)。將提出的方法與5種現(xiàn)有的投影方法進(jìn)行對(duì)比：張海龍[14]利用基于主平面分析的投影方法獲得3 個(gè)二維投影圖像。Funkhouser 等人[29]將三維模型投影為三視圖、四角視圖和6個(gè)傾斜視圖共13個(gè)投影圖像。Kanai[15]利用立方體將模型投影為6 個(gè)正射投影圖像和8 個(gè)對(duì)等軸測(cè)投影圖像共14個(gè)二維圖像。Yoon等人[16]利用球體將模型投影為14個(gè)投影圖像。Chen等人[17]通過(guò)光場(chǎng)描述符生成60個(gè)投影圖像。

表1 不同投影方法的檢索平均準(zhǔn)確率

從表1可以看出，本文提出的基于球體虛擬照相的投影方法的優(yōu)于其他4 種投影方法?；谇蝮w虛擬照相的投影方法比其他方法所投射的角度更全面，獲取的模型信息足夠豐富，因此在檢索性能上也具有更好的優(yōu)勢(shì)。

5.2 最優(yōu)視圖實(shí)驗(yàn)

最優(yōu)視圖的選擇對(duì)三維模型的檢索有著至關(guān)重要的作用。將本文方法與Web 圖像驅(qū)動(dòng)方法[30]和基于SVM 分類方法[28]進(jìn)行對(duì)比，通過(guò)使用不同的試圖選擇方法來(lái)計(jì)算數(shù)據(jù)集中每個(gè)模型的候選視角，并得到最終的檢索結(jié)果。通過(guò)改變參數(shù)獲取不同的候選視角，并繪制其P-R曲線，利用P-R曲線下的面積（Area Under Curve，AUC）來(lái)評(píng)估檢索性能。如圖5 所示，本文方法的效果優(yōu)于其他兩種最優(yōu)視圖選擇的方法。不良視圖圖像容易對(duì)模型的檢索結(jié)果產(chǎn)生負(fù)面影響，不良圖像越多，檢索效果越差。主要通過(guò)移除不良視圖來(lái)獲取最優(yōu)視圖。

圖5 本文方法與其他方法的對(duì)比曲線

5.3 檢索實(shí)驗(yàn)

為了能夠進(jìn)一步說(shuō)明本文方法的有效性，在基準(zhǔn)數(shù)據(jù)集SHREC2013 上與其他方法進(jìn)行對(duì)比，并采用三維模型檢索領(lǐng)域常用的6 種檢索評(píng)價(jià)方法來(lái)衡量方法的效果，如表2 所示。從表可知，本文算法在NN、FT、ST、E、DCG 上的指標(biāo)表現(xiàn)得更好，進(jìn)一步說(shuō)明了本文方法在基于草圖的三維模型檢索上有更高的準(zhǔn)確率和優(yōu)越性。

表2 SHREC2013數(shù)據(jù)方法評(píng)價(jià)結(jié)果

此外，對(duì)于三維模型檢索另一個(gè)值得注意的問(wèn)題是用戶檢索模型所耗費(fèi)的時(shí)間問(wèn)題，如果檢索實(shí)時(shí)性下降，即使檢索準(zhǔn)確率有了明顯提升那么實(shí)用性也不強(qiáng)。Liu 等人[30]的檢索方法與本文方法都是通過(guò)選取最優(yōu)視圖完成模型檢索，因此，將本文方法與Liu 等人[30]的檢索方法進(jìn)行對(duì)比。如表3 所示，由于本文方法是基于草圖與三維模型的相似性來(lái)選取最優(yōu)視圖，而Liu 等人[30]是通過(guò)Web 圖像選取最優(yōu)視圖，因此在準(zhǔn)備率上會(huì)高于Liu 等人[30]的方法。從表中，可以看出本文提出的算法能夠加速匹配效率，且能夠處理復(fù)雜的三維模型。

表3 不同檢索方法的處理時(shí)間

6 結(jié)束語(yǔ)

本文提出了一種基于基于球體投影的三維模型檢索方法：首先利用基于球體虛擬照相的投影方法獲取三維模型多個(gè)角度的二維視圖，并利用高斯濾波差分和Bezier 曲線逼近相結(jié)合的三維模型線圖計(jì)算方法來(lái)提取線圖；其次，通過(guò)神經(jīng)網(wǎng)絡(luò)分類器獲取最優(yōu)視圖，并提取視圖的SBLBP描述符；最后采用Siamese網(wǎng)絡(luò)完成基于草圖的三維模型檢索。實(shí)驗(yàn)證明，本文檢索方法適用于三維模型的檢索，有效地提高了檢索的準(zhǔn)確率。由于草圖和三維模型的二維投影視圖具有一定的差異性，接下來(lái)的工作將深入研究草圖和二維投影視圖的特征提取方法，進(jìn)一步提高檢索效果。