CN101299218B - 三维模型的检索方法和装置 - Google Patents

Abstract

本发明提供了一种三维模型的检索方法和装置。该方法主要包括：获取用户的反馈信息，根据该反馈信息对查询模型的各个特征向量的权重值和相关性信息进行更新；利用所述更新后的各个特征向量的权重值和相关性信息，计算出所述查询模型与匹配模型之间的相似度距离，根据该相似度距离获得所述查询模型的相似模型。利用本发明，可以根据用户的反馈信息，不断地更新特征向量之间的权重关系和特征向量内部的相关性信息，最终实现了较快地缩小高层用户语义信息与底层模型特征信息之间差距的目的，进而显著地提高了三维模型的检索效果。

Description

三维模型的检索方法和装置

技术领域

本发明涉及信息检索领域，尤其涉及一种三维模型的检索方法和装置。

背景技术

三维模型检索就是从三维模型库中检索与已知三维模型相似的其他三维模型，在三维模型检索过程中，已知三维模型被称为查询模型Q，三维模型库中的待检索的三维模型被称为匹配模型0。基于内容的三维模型检索技术已经应用于许多研究领域，如虚拟现实，计算机辅助设计和生物信息学等。根据提取模型特征的方式，基于内容的三维模型特征提取算法主要分为基于几何结构和基于形状信息两大类算法。基于几何结构的算法主要根据三维模型顶点和三角面片的空间信息及分布情况进行模型特征提取，基于形状信息的算法主要利用三维模型经过规范化处理后的投影图像进行模型特征提取。

通过定义三维模型的一种特定的特征信息，三维模型特征提取算法将三维模型表示成一个上百维的特征数组，该特征数组被称为三维模型的特征向量。由于一个三维模型可以包含多个特征信息，因此，一个三维模型可以对应多个特征向量。

基于内容的三维模型检索是利用底层的模型特征信息进行相似性匹配，而人能够理解和表达的却是高层的语义信息，两者之间必然存在一定的差距，因此高层用户语义信息与底层模型特征信息之间的差距是三维模型检索中一个最根本、最重要的问题。

为了获取用户的检索信息，提高三维模型的检索效果，可以将相关性反馈算法应用于三维模型检索技术中。

现有技术中的一种三维模型检索中的相关性反馈算法为：运用可控的方式，依据用户的反馈，通过改变三维模型特征空间中数据点的方式实现相关性反馈。该相关性反馈算法的具体处理过程如下：

在模型特征空间中，并不是每一个特征向量都接受到用户反馈的信息，对于那些用户没有给出反馈信息的特征向量，可以通过空间变形的方法来获得接近查询模型的冲量。

该相关性反馈算法中的空间变形的实现原理示意图如图1所示，在图1中，q是查询向量，f_j是用户给出了相关反馈信息u_j的一个特征向量，p_i是用户未给出相关反馈信息的一个特征向量。

要计算p_i的移动量v_pi，就必须先算出p_i到q间的向量v_iq，以及p_i到到f_j间的向量v_ij。然后，根据向量v_iq、v_ij计算出v_pi，将该v_pi作为查询向量q基于特征向量p_i查询得到的匹配向量。

在实现本发明的过程中，发明人发现上述现有技术中的三维模型检索中的相关性反馈算法的缺点为：该算法一次只能利用一种三维模型的特征向量进行相关性反馈和三维模型检索，不能同时利用多种特征向量进行三维模型检索。该算法比较简单，获得的三维模型检索结果的准确性不好。

发明内容

本发明实施例的目的是提供一种三维模型的检索方法和装置，从而可以解决现有技术方案不能同时利用多种特征向量进行三维模型检索的问题。

本发明实施例的目的是通过以下技术方案实现的：

一种三维模型的检索方法，包括：

预先设置查询模型的各个特征向量的初始权重值和初始相关性信息；

利用特征向量的初始相关性信息计算出该特征向量和匹配模型中的对应特征向量的底层特征信息之间的相似距离，将各个特征向量对应的所述相似距离与各个特征向量的初始权重值进行线性合成，得到查询模型与匹配模型之间的相似度距离；将所述相似度距离小于预先设定的门限值的匹配模型确定为查询模型的相似模型，将用户对所述相似模型标注的相似程度信息作为用户的反馈信息；

根据所述用户的反馈信息对查询模型的各个特征向量的权重值和相关性信息进行更新；

利用更新后的查询模型的各个特征向量的相关性信息，计算出各个特征向量和匹配模型中的对应特征向量的底层特征信息之间的相似距离，将各个特征向量对应的所述相似距离与各个特征向量的更新后的权重值进行线性合成，得到查询模型与匹配模型之间的相似度距离；将相似度距离小于预先设定的门限值的匹配模型，确定为检索出的所述查询模型的相似模型；

所述的根据所述用户的反馈信息对查询模型的各个特征向量的权重和相关性信息进行更新的过程，具体包括：

根据特征向量对应的相似距离，得到所述特征向量的相似模型集合，将用户对所述特征向量的相似模型集合中的相似模型批注的相似程度信息对应的分值进行相加，得到所述特征向量的累加分值，将该累加分值在所有特征向量的累加分值之和中所占的比例作为所述特征向量的更新后的权重值；

利用用户对相似模型的标注信息，对每个特征向量的相关性信息中的两个子集：相关模型集合和非相关模型集合进行更新，所述用户对相似模型的标注信息包括：相关、一般或不相关信息，所述相关模型集合中包含用户标注了相关的相似模型，所述非相关模型集合中包含用户标注了一般或不相关的相似模型；

所述将用户对所述特征向量的相似模型集合中的相似模型批注的相似程度信息对应的分值进行相加，得到所述特征向量的累加分值的过程，包括：

根据预先设定的相似距离S(f_i)的门限值，得到相似距离S(f_i)小于所述门限值的K个特征向量fi的最相似模型集合

根据所述相似模型的分值集合Value_RT，计算特征向量fi的累加分值

如果所述Score(f_i)值小于0，则设置所述Score(f_i)值为0；

 所述相似模型的分值集合Value_RT根据用户对每个相似模型的标注信息对应的分值而得到，所述Value_j表示所述Value_RT中的元素，Value_RT＝[Value₁，...，Value_j，...，Value_K]，所述RT^S表示根据预先设定的相似度距离S的门限值，将相似度距离S小于所述门限值的匹配模型作为查询模型的相似模型，得到的K个相似模型集合。

一种三维模型的检索装置，包括：

反馈信息获取模块，用于获取用户的反馈信息；

更新处理模块，用于根据所述反馈信息获取模块所获取的反馈信息对查询模型的各个特征向量的权重值和相关性信息进行更新；

相似模型获取模块，用于利用所述更新处理模块获取的更新后的查询模型的各个特征向量的权重和相关性信息，计算出各个特征向量和匹配模型中的对应特征向量的底层特征信息之间的相似距离，将各个特征向量对应的所述相似距离与各个特征向量的更新后的权重值进行线性合成，得到查询模型与匹配模型之间的相似度距离；将相似度距离小于预先设定的门限值的匹配模型，确定为检索出的所述查询模型的相似模型；

所述反馈信息获取模块包括：

初始设置模块，用于预先设置查询模型的各个特征向量的初始权重值和初始相关性信息；

相似度距离计算模块，用于利用特征向量的初始相关性信息计算出该特征向量和匹配模型中的对应特征向量的底层特征信息之间的相似距离，将各个特征向量对应的所述相似距离与各个特征向量的初始权重值进行线性合成，得到查询模型与匹配模型之间的相似度距离；

标注信息获取模块，用于将相似度距离小于预先设定的门限值的匹配模型确定为所述查询模型的相似模型，将用户对所述相似模型标注的相似程度信息作为用户的反馈信息；

所述更新处理模块包括：

权重值更新模块，用于根据特征向量对应的相似距离，得到所述特征向量的相似模型集合，将用户对所述特征向量的相似模型集合中的相似模型批注的相似程度信息对应的分值进行相加，得到所述特征向量的累加分值，将该累加分值在所有特征向量的累加分值之和中所占的比例作为所述特征向量的更新后的权重值；

相关性更新模块，用于利用用户对相似模型的标注信息，对每个特征向量的相关性信息中的两个子集：相关模型集合

和非相关模型集合

进行更新，所述用户对相似模型的标注信息包括：相关、一般或不相关信息，所述相关模型集合中包含用户标注了相关的相似模型，所述非相关模型集合中包含用户标注了一般或不相关的相似模型；

所述将用户对所述特征向量的相似模型集合中的相似模型批注的相似程度信息对应的分值进行相加，得到所述特征向量的累加分值的过程，包括：

根据预先设定的相似距离S(f_i)的门限值，得到相似距离S(f_i)小于所述门限值的K个特征向量fi的最相似模型集合

根据所述相似模型的分值集合Value_RT，计算特征向量fi的累加分值

如果所述Score(f_i)值小于0，则设置所述Score(f_i)值为0；

所述相似模型的分值集合Value_RT根据用户对每个相似模型的标注信息对应的分值而得到，所述Value_j表示所述Value_RT中的元素，Value_RT＝[Value₁，...，Value_j，...，Value_K]，所述RT^S表示根据预先设定的相似度距离S的门限值，将相似度距离S小于所述门限值的匹配模型作为查询模型的相似模型，得到的K个相似模型集合。

由上述本发明实施例提供的技术方案可以看出，本发明实施例通过根据用户的反馈信息，不断地更新特征向量之间的权重关系和特征向量内部的相关性信息，最终实现了较快地缩小高层用户语义信息与底层模型特征信息之间差距的目的，进而显著地提高了三维模型的检索效果。

附图说明

图1为现有技术中的三维模型检索中的相关性反馈算法中的空间变形的实现原理示意图；

图2为本发明实施例提供的三维模型的相关性反馈算法的实现原理示意图；

图3为本发明实施例提供的三维模型的相关性反馈算法的具体处理流程图；

图4为本发明实施例提供的三维模型检索的装置的实施例的结构示意图；

图5为本发明实施例提出的实验得到的MRF算法和现有的DESIRE算法第一次和第四次反馈的查准率-查全率曲线图；

图6为本发明实施例提出的实验得到的MRF算法和现有的Elad2001算法、Leifman2005算法、SpaceWarping算法的第1轮到第4轮反馈的DCG曲线效果示意图。

具体实施方式

在本发明实施例中，提出了一种多层次的相关性反馈算法(MRF，multilevelrelevance feedback)。MRF算法主要利用反馈机制获取用户反馈的高层语义信息，通过不断地分解将该高层语义信息转化为不同特征向量之间的权重关系和特征向量内部的相关性信息，即根据用户的反馈信息对查询模型的各个特征向量的权重W_i值和相关性信息进行更新。

利用所述更新后的各个特征向量的权重值和相关性信息，计算出所述查询模型与匹配模型之间的相似度距离，根据该相似度距离获得所述查询模型的相似模型。

上述用户反馈的高层语义信息可以为用户在检索过程中的标注信息。

在本发明实施例中，一些三维模型检索相关的参数的表示形式如下：

三维模型的特征向量集合F描述连接高层语义信息和底层特征信息之间的中层信息，由不同的特征向量f_i组成，F＝{f_i}。

特征向量f_i的元素集合R描述三维模型的底层特征信息，由上百维元素r_ij构成，R＝{r_ij}。

基于上述F和R，一个三维模型A可以被表示为：A＝A{F，R}，该三维模型A可以为查询模型Q和匹配模型O。

下面结合附图来详细描述本发明实施例，本发明实施例提供的三维模型的相关性反馈算法的实现原理示意图如图2所示，具体处理流程如图3所示，包括如下步骤：

步骤31、对查询模型Q的各个特征向量的W_i值和相关性信息进行初始化。

一个查询模型Q的特征向量的W_i值体现了该特征向量在查询模型Q的检索过程中的重要程度，反映了根据该特征向量计算出的查询模型Q与匹配模型O的底层特征信息之间的相似距离S(f_i)的重要程度。

一个特征向量的W_i值可以根据该特征向量和查询模型Q的主要特征之间的相关性，以及用户对该特征向量反馈的信息来确定。如果一个特征向量能更好地描述查询模型Q的主要特征，和/或，用户对该特征向量反馈的信息比较多，那么该特征向量对应的W_i值就应该较大。反之，如果一个特征向量不能描述查询模型Q的主要特征，并且用户对该特征向量没有反馈信息，则该特征向量对应的W_i值就应该较小，甚至可以为0。

在初始化时，不考虑用户的反馈信息，可以将一个查询模型Q的所有特征向量的初始W_i值都设置为相同的数值，所有特征向量的W_i值之和为1。即：

各个f_i的W_i＝1/||F||

上述||F||代表查询模型Q的特征向量的个数。

还可以根据各个特征向量和查询模型Q的主要特征之间的具体相关性，将各个特征向量的初始W_i值都设置为不同的数值。

特征向量f_i的相关性信息

反映了用户对该特征向量f_i反馈的程度，在初始化时，不考虑用户的反馈信息，各个特征向量f_i的相关性信息

都为空集。

步骤32、计算查询模型Q与各个匹配模型O之间的相似度距离S。

从待搜索的三维模型库中选取一个匹配模型O，利用查询模型Q的特征向量f_i的相关性信息

利用L1度量方法计算该特征向量f_i和匹配模型O中的对应特征向量的底层特征信息之间的相似距离S(f_i)。L1度量方法又叫做曼哈顿度量方法，即两个点(多维)的绝对距离：

然后，将查询模型Q的各个特征向量f_i对应的相似距离S(f_i)与W_i值进行线性合成，得到查询模型Q与匹配模型O之间的相似度距离S：

S＝∑w_iS(f_i)

按照上述计算方法，依次计算出查询模型Q与三维模型库中所有匹配模型O之间的相似度距离S。相似度距离S值越小，表示匹配模型O与查询模型Q之间越相似。

在上述处理过程中，对于任意两个三维模型，不同特征向量f_i对应的相似距离S(f_i)均不相同，而且S(f_i)的范围也无法估计。为了避免某个S(f_i)值过大而影响其他S(f_i)和W_i值对S的作用，需要对S(f_i)进行归一化处理，将S(f_i)的取值范围被规范在0至1之间，具体的归一化处理过程如下：

利用特征向量f_i离线地计算模型库中每两个匹配模型0之间的相似距离S(f_i)，假定模型库中有N个匹配模型，则共有N(N-1)/2个S(f_i)。计算出N(N-1)/2个S(f_i)的均值μ_i和标准偏差σ_i。

利用上述均值μ_i和标准偏差σ_i对上述各个特征向量fi对应的相似距离S(f_i)进行如下的归一化处理：

$S\left(f_i\right)=\frac{S\left(f_i\right)-{\mathrm{\μ}}_i+3{\mathrm{\σ}}_i}{6{\mathrm{\σ}}_i}$

经归一化处理后的S(f_i)值99％在[0，1]范围内，对于小于0或大于1的值都被设定为0或1。

步骤33、根据相似度距离S得到初次检索的相似模型集合，用户对每个相似模型标注一种相似程度。

在计算出了查询模型Q与所有匹配模型O之间的相似度距离S之后，根据预先设定的相似度距离S的门限值，将相似度距离S小于上述门限值的匹配模型作为查询模型的相似模型，得到K个相似模型集合，即

用户对每个相似模型标注一种相似程度：相关、一般或不相关，得到RMS(RelevantModel Set，相关模型集合)和IMS(Irrelevant Model Set，非相关模型集合)，上述RMS中包含用户标注了相关的相似模型，上述IMS中包含用户标注了一般或不相关的相似模型。

用户可以通过不同的图标或符号来标注不同的相似程度，该标注信息可以看成用户反馈的高层语义信息。

上述相关、一般或不相关信息可以分别对应不同的分值，比如为：6、-1或-3，于是，得到上述相似模型集合的分值集合Value_RT：

Value_RT＝[Value₁，...，Value_j，...，Value_K]。

步骤34、生成查询模型Q的RI(Relevant Information，相关性信息)，利用该RI更新查询模型Q中的各个特征向量f_i的W_i值和相关性信息

根据上述RMS和IMS，得到查询模型Q的RI：

RI＝RI{RMS，IMS}

由于上述RMS和IMS是根据用户的标注信息得到的，因此，上述查询模型Q的RI代表了用户反馈的高层语义信息。

在本发明实施例提出的MRF算法中，查询模型Q的特征向量f_i之间通过W_i值相互影响，元素r_ij之间通过特征向量f_i的相关性信息

相互关联，而W_i值和

都需要根据查询模型Q的RI进行动态更新。通过W_i值把代表了用户反馈的高层语义信息的RI转换为中层信息，再利用

将中层信息转换为底层的模型特征信息，最终将用户反馈的高层语义信息表现在检索系统底层。

对查询模型Q的各个特征向量f_i的W_i值进行更新的处理过程如下：

选取查询模型Q的一个特征向量f_i和一个匹配模型O，利用上述初始的W_i值和

根据上述处理过程，计算出该特征向量f_i对应的查询模型Q和匹配模型O的底层特征信息之间的相似距离S(f_i)，根据该特征向量f_i依次计算出各个匹配模型O对应的上述相似距离S(f_i)。

根据预先设定的相似距离S(f_i)的门限值，得到相似距离S(f_i)小于上述门限值的K个特征向量fi的最相似模型集合

${\mathrm{RT}}^{S\left(f_i\right)}=[{\mathrm{RT}}_1^{S\left(f_i\right)},...,{\mathrm{RT}}_j^{S\left(f_i\right)},...,{\mathrm{RT}}_K^{S\left(f_i\right)}].$

根据上述相似模型的分值集合Value_RT，计算特征向量fi的累加分值Score(f_i)：

$\mathrm{Score}\left(f_i\right)=\underset{j=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{Value}}_j,$ $\begin{array}{cc}\mathrm{if}& {\mathrm{RT}}_j^{S\left(f_i\right)}\∈{\mathrm{RT}}^S\end{array}$

如果Score(f_i)值小于0，则被设置为0。

根据上述处理过程，依次计算出各个查询模型Q的各个特征向量fi的累加分值Score(f_i)，最后，利用不同特征向量的累加分值得到更新后的特征向量fi的W_i值：

$W_i=\frac{\mathrm{Score}\left(f_i\right)}{\mathrm{\ΣScore}\left(f_i\right)}$

很显然∑W_i＝1。

在对查询模型Q的各个特征向量f_i的W_i值进行更新后，还需要对各个特征向量f_i的相关性信息

进行更新，具体更新过程如下：

三维模型的底层特征r_ij是计算相似距离S(f_i)的基本信息，S(f_i)是根据相关性信息

计算而得，并不是简单地累加查询模型Q与匹配模型O之间r_ij的L1距离。特征向量f_i的相关性信息是由高层的用户语义信息分解为底层的特征信息，具体表现在S(f_i)的计算过程。

相关性信息由特征向量的相关性模型集合

和非相关性模型集合组成，并根据相似模型的分值集合Value_RT和特征向量f_i的最相似模型集合

计算而得。

${\mathrm{RMS}}^{f_i}={\mathrm{RMS}}^{f_i}\∪{\mathrm{RT}}_i^{S\left(f_i\right)}$

$\begin{array}{cc}\mathrm{if}& {\mathrm{RT}}_i^{S\left(f_i\right)}={\mathrm{RT}}_j^S\end{array}$ and Value_j＝6，1≤i，j≤K

${\mathrm{IMS}}^{f_i}={\mathrm{IMS}}^{f_i}\∪{\mathrm{RT}}_i^{S\left(f_i\right)}$

$\begin{array}{cc}\mathrm{if}& {\mathrm{RT}}_i^{S\left(f_i\right)}={\mathrm{RT}}_j^S\end{array}$ and Value_j＝-3，1≤i，j≤K

其中

中的

和初始值均为空。

然后，根据相关性模型集合

中模型的次序关系计算

对应的权重集合

权重的取值范围规定在[1，2]，其计算公式如下：

$W_j^{{\mathrm{RMS}}^{f_i}}=2-\frac{j-1}{L-1}$

其中L表示相关性模型集合

中的模型个数。

最后利用特征向量fi的相关性信息

权重集合

和r_ij计算相似距离S(f_i)。

当

和

均为空时，相似距离S(f_i)仅与r_ij有关：

$S\left(f_i\right)=\underset{j}{\overset{T}{\mathrm{\Σ}}}\left(L_1\right|r_{\mathrm{ij}}^Q-r_{\mathrm{ij}}^O\left|\right)$

其中T表示特征向量f_i中r_ij的个数，

和

分别表示查询模型Q和模型O的r_ij值。

当

为非空时，相似距离S(f_i)与

和r_ij有关：

$S\left(f_i\right)=\frac{\underset{l-1}{\overset{L}{\mathrm{\Σ}}}\underset{j-1}{\overset{T}{\mathrm{\Σ}}}(W_l^{{\mathrm{RMS}}^{f_i}}\·L_1|r_{\mathrm{ij}}^Q-r_{\mathrm{ij}}^O\left|\right)}{\underset{l-1}{\overset{L}{\mathrm{\Σ}}}{W}_l^{{\mathrm{RMS}}^{f_i}}}$

以上两种情况计算的S(f_i)需要进行上述归一化处理。仅

为非空时，相似距离S(f_i)被设置为1。

步骤35、利用更新后的各个特征向量f_i的W_i值和相关性信息

重新计算查询模型Q与各个匹配模型O之间的相似度距离S，得到重新检索的相似模型集合。

利用上述更新后的特征向量f_i的相关性信息

重新计算各个特征向量f_i对应的查询模型Q与匹配模型O之间的底层特征信息之间的相似距离S(f_i)，然后，将重新计算的各个特征向量f_i对应的相似距离S(f_i)与更新后的W_i值进行线性合成，重新得到查询模型Q与匹配模型O之间的相似度距离S。

按照上述计算方法，依次重新计算出查询模型Q与三维模型库中所有匹配模型O之间的相似度距离S。

根据预先设定的相似度距离S的门限值，得到相似度距离S小于上述门限值的第二轮检索的相似模型集合，用户可以对第二轮检索的每个相似模型再标注一种相似程度。

在实际应用中，还可以根据上述用户对第二轮检索的相似模型的标注信息，再次对各个特征向量f_i的W_i值和相关性信息

进行更新，重新进行第三轮检索，得到第三轮检索的相似模型集合。

本发明实施例提供的三维模型检索的装置的实施例的结构示意图如图4所示，包括如下模块：

反馈信息获取模块41，用于获取用户的反馈信息。包括：初始设置模块411、相似度距离计算模块412和标注信息获取模块413。

更新处理模块42，用于根据所述反馈信息获取模块所获取的反馈信息对查询模型的各个特征向量的权重值和相关性信息进行更新。包括：权重值更新模块421和相关性更新模块422。

相似模型获取模块43，用于利用所述更新处理模块获取的更新后的各个特征向量的权重和相关性信息，计算出所述查询模型与匹配模型的相似度距离，根据该相似度距离获得所述查询模型的相似模型。包括：相似度距离计算模块431和相似模型确定模块432。

上述反馈信息获取模块41中的初始设置模块411，用于预先设置查询模型的各个特征向量的初始权重值和初始相关性信息；

上述反馈信息获取模块41中的相似度距离计算模块412，用于利用特征向量的初始相关性信息计算出该特征向量和匹配模型中的对应特征向量的底层特征信息之间的相似距离，将各个特征向量对应的所述相似距离与各个特征向量的初始权重值进行线性合成，得到查询模型与匹配模型之间的相似度距离；

上述反馈信息获取模块41中的标注信息获取模块413，用于将相似度距离小于预先设定的门限值的匹配模型确定为所述查询模型的相似模型，将用户对所述相似模型标注的相似程度信息作为用户的反馈信息。

上述更新处理模块42中的权重值更新模块421，用于根据特征向量对应的相似距离，得到所述特征向量的相似模型集合，将用户对所述特征向量的相似模型集合中的相似模型批注的相似程度信息对应的分值进行相加，得到所述特征向量的累加分值，将该累加分值在所有特征向量的累加分值之和中所占的比例作为所述特征向量的更新后的权重值；

上述更新处理模块42中的相关性更新模块422，用于利用用户对相似模型的标注信息，对每个特征向量的相关性信息中的两个子集：相关模型集合和非相关模型集合进行更新，所述相关模型集合中包含用户标注了相关的相似模型，所述非相关模型集合中包含用户标注了一般或不相关的相似模型。

上述相似模型获取模块43中的相似度距离计算模块431，用于利用更新后的特征向量的初始相关性信息，计算出该特征向量和匹配模型中的对应特征向量的底层特征信息之间的相似距离，将各个特征向量对应的所述相似距离与各个特征向量的更新后的权重值进行线性合成，得到查询模型与匹配模型之间的相似度距离；

上述相似模型获取模块43中相似模型确定模块432，用于将相似度距离小于预先设定的门限值的匹配模型，确定为重新检索出的所述查询模型的相似模型。

上述本发明实施例可以应用于基于内容的三维模型检索系统。

综上所述，利用本发明实施例，可以根据用户的反馈信息更准确地获取用户的检索需求，通过不断地更新特征向量之间的权重关系和特征向量内部的相关性信息，最终实现了较快地缩小高层用户语义信息与底层模型特征信息之间差距的目的，进而显著地提高了三维模型的检索效果。

本发明实施例弥补了利用单一特征向量来进行三维模型检索的不足，获得的检索性能明显优于现有基于单一特征向量的最佳的检索方法DESIRE，以及三种主要的三维模型反馈算法E1ad2001、SpaceWarping和Leifman2005。

下面通过具体的实验来详细介绍本发明实施例提出的MRF算法与上述现有的三维模型检索方法DESIRE、Elad2001、SpaceWarping和Leifman2005的检索性能比较。

该实验采用四种主要的特征描述算法Gaussian Euclidean Distance Transform(GEDT)，Silhouette，Ray和Dbuffer作为系统的特征向量。在检索过程中，系统返回24个最相似的三维模型。

该实验采用标准的由1814个不同类型的三维模型组成的三维模型库PSB，其中包括的三维模型如交通工具，动物，植物等。

该实验采用了查准率-查全率曲线(precision vs.recall)、average precision，first-tier，second-tier，Discounted Cumulative Gain(DCG)和normalized DCG等多种评估方法。该实验采用L1度量方法计算模型之间的相似度距离。

该实验得到的DESIRE和MRF算法第一次和第四次反馈的查准率-查全率曲线图如图5所示，图5中的查准率-查全率曲线清晰地说明MRF算法的第一轮反馈效果要明显地优于DESIRE，而且随着反馈次数的增加，MRF算法的检索性能也不断提高。与DESIRE相比，MRF算法的第四轮反馈效果在average precision，first-tier，second-tier和DCG等评价方法下分别提高了17.1％，24.2％，15.5％和10.3％。

下面将本发明实施例提出的MRF算法与现有的三种主要的反馈算法Elad2001，SpaceWarping和Leifman2005进行比较。下述表1描述了四种算法在第一轮反馈时的检索性能，在五种不同的评价方法下，MRF算法都取得了最佳的效果，相对于其它三种反馈算法具有明显的优势，SpaceWarping算法紧随其后，而Elad2001算法和Leifman2005算法的检索效果最差。根据average precision的评价结果，MRF算法分别比Elad2001，SpaceWarping和Leifman2005提高了16.87％，10.46％和17.20％。由此可见，MRF算法在第一轮反馈的检索性能明显优于Elad2001，SpaceWarping和Leifman2005。

表1：四种算法在第一轮反馈时的检索性能

针对标准模型库PSB中的三个最大模型类，四种算法在第二轮反馈时的检索性能如下述表2所示，MRF算法的检索效果都高于其它三种反馈算法。

表2：四种反馈算法针对三个最大模型类在第二轮反馈时的检索性能

从上述表1和表2可以得出本MRF算法不仅在整个模型库的平均检索性能方面而且在具体模型类的检索效果方面都明显优于现有的三种主要的反馈算法。

DCG方法不仅考虑了相关性模型的先后次序，而且在多种评价方法中还具有最低的标准偏差，因此被视为最精确的评价方法。图6描述了四种算法从第1轮到第4轮反馈的DCG曲线效果，MRF算法在第一轮反馈时优势显著，而且四轮反馈的DCG值均高于其他三种算法。Elad2001算法和Leifman2005算法虽然在第二轮和第三轮有明显的提高，但只是缩小了与MRF算法的差距。由此可见，MRF算法在多轮反馈时的检索性能都优于现有的三种主要的反馈算法，因而更适用于基于内容的三维模型检索系统。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种三维模型的检索方法，其特征在于，包括：

预先设置查询模型的各个特征向量的初始权重值和初始相关性信息；

利用特征向量的初始相关性信息计算出该特征向量和匹配模型中的对应特征向量的底层特征信息之间的相似距离，将各个特征向量对应的所述相似距离与各个特征向量的初始权重值进行线性合成，得到查询模型与匹配模型之间的相似度距离；将所述相似度距离小于预先设定的门限值的匹配模型确定为查询模型的相似模型，将用户对所述相似模型标注的相似程度信息作为用户的反馈信息；

根据所述用户的反馈信息对查询模型的各个特征向量的权重值和相关性信息进行更新；

利用更新后的查询模型的各个特征向量的相关性信息，计算出各个特征向量和匹配模型中的对应特征向量的底层特征信息之间的相似距离，将各个特征向量对应的所述相似距离与各个特征向量的更新后的权重值进行线性合成，得到查询模型与匹配模型之间的相似度距离；将相似度距离小于预先设定的门限值的匹配模型，确定为检索出的所述查询模型的相似模型；

所述的根据所述用户的反馈信息对查询模型的各个特征向量的权重和相关性信息进行更新的过程，具体包括：

根据特征向量对应的相似距离，得到所述特征向量的相似模型集合，将用户对所述特征向量的相似模型集合中的相似模型批注的相似程度信息对应的分值进行相加，得到所述特征向量的累加分值，将该累加分值在所有特征向量的累加分值之和中所占的比例作为所述特征向量的更新后的权重值；

利用用户对相似模型的标注信息，对每个特征向量的相关性信息中的两个子集：相关模型集合

和非相关模型集合

进行更新，所述用户对相似模型的标注信息包括：相关、一般或不相关信息，所述相关模型集合中包含用户标注了相关的相似模型，所述非相关模型集合中包含用户标注了一般或不相关的相似模型；

所述将用户对所述特征向量的相似模型集合中的相似模型批注的相似程度信息对应的分值进行相加，得到所述特征向量的累加分值的过程，包括：

根据预先设定的相似距离S(f_i)的门限值，得到相似距离S(f_i)小于所述门限值的K个特征向量fi的最相似模型集合 ${\mathrm{RT}}^{S\left(f_i\right)}=[{\mathrm{RT}}_1^{S\left(f_i\right)},...,{\mathrm{RT}}_j^{S\left(f_i\right)},...,{\mathrm{RT}}_K^{S\left(f_i\right)}];$

根据所述相似模型的分值集合Value_RT，计算特征向量fi的累加分值

如果所述Score(f_i)值小于0，则设置所述Score(f_i)值为0；

所述相似模型的分值集合Value_RT根据用户对每个相似模型的标注信息对应的分值而得到，所述Value_j表示所述Value_RT中的元素，Value_RT＝[Value₁，...，Value_j，...，Value_K]，所述RT^S表示根据预先设定的相似度距离S的门限值，将相似度距离S小于所述门限值的匹配模型作为查询模型的相似模型，得到的K个相似模型集合。

2.根据权利要求1所述的方法，其特征在于，所述预先设置查询模型的各个特征向量的初始权重值和初始相关性信息的过程，包括：

预先设置查询模型的各个特征向量的初始权重值互相相等，并且各个特征向量的初始权重值之和为1，预先设置查询模型的各个特征向量的初始相关性信息为空集。

3.根据权利要求1所述的方法，其特征在于，所述将各个特征向量对应的所述相似距离与各个特征向量的初始权重值进行线性合成的过程包括：

将各个特征向量对应的相似距离进行归一化处理，归一化处理后的相似距离大于或等于0，并且小于或等于1；

将特征向量的归一化处理后的相似距离与该特征向量的初始权重值相乘，将各个特征向量对应的所述相乘处理后得到的数值进行相加。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述利用所述更新后的各个特征向量的权重和相关性信息，计算出所述查询模型与匹配模型的相似度距离，根据该相似度距离获得所述查询模型的相似模型的过程，包括：

利用更新后的特征向量的初始相关性信息，计算出该特征向量和匹配模型中的对应特征向量的底层特征信息之间的相似距离，将各个特征向量对应的所述相似距离与各个特征向量的更新后的权重值进行线性合成，得到查询模型与匹配模型之间的相似度距离；

将相似度距离小于预先设定的门限值的匹配模型，确定为重新检索出的所述查询模型的相似模型；

所述利用更新后的特征向量的初始相关性信息，计算出该特征向量和匹配模型中的对应特征向量的底层特征信息之间的相似距离的过程，包括：

利用特征向量fi的相关性信息

权重集合

和元素r_ij计算相似距离S(f_i)，

当和

均为空时，所述相似距离S(f_i)仅与r_ij有关：

$S\left(f_i\right)=\underset{j}{\overset{T}{\mathrm{\Σ}}}\left(L_1\right|r_{\mathrm{ij}}^Q-r_{\mathrm{ij}}^Q\left|\right)$

其中T表示特征向量f_i中r_ij的个数，

和

分别表示查询模型Q和匹配模型O的r_ij值；

当

为非空时，相似距离S(f_i)与

和r_ij有关：

$S\left(f_i\right)=\frac{\underset{l-1}{\overset{L}{\mathrm{\Σ}}}\underset{j-1}{\overset{T}{\mathrm{\Σ}}}(W_l^{{\mathrm{RMS}}^{f_i}}\·L_1|r_{\mathrm{ij}}^Q-r_{\mathrm{ij}}^Q\left|\right)}{\underset{l-1}{\overset{L}{\mathrm{\Σ}}}{W}_l^{{\mathrm{RMS}}^{f_i}}}$

所述

为根据相关性模型集合

中模型的次序关系计算出的

对应的权重集合；所述r_ij表示特征向量f_i的元素集合R中的元素，所述R描述了三维模型的底层特征信息；所述L表示相关性模型集合

中的模型个数；所述T表示特征向量f_i中r_ij的个数；所述

表示查询模型Q的r_ij值；所述

表示匹配模型O的r_ij值，在三维模型检索过程中，已知三维模型被称为查询模型Q，三维模型库中的待检索的三维模型被称为匹配模型O。

5.一种三维模型的检索装置，其特征在于，包括：

反馈信息获取模块，用于获取用户的反馈信息；

更新处理模块，用于根据所述反馈信息获取模块所获取的反馈信息对查询模型的各个特征向量的权重值和相关性信息进行更新；

相似模型获取模块，用于利用所述更新处理模块获取的更新后的查询模型的各个特征向量的权重和相关性信息，计算出查询模型的各个特征向量和匹配模型中的对应特征向量的底层特征信息之间的相似距离，将各个特征向量对应的所述相似距离与各个特征向量的更新后的权重值进行线性合成，得到查询模型与匹配模型之间的相似度距离；将相似度距离小于预先设定的门限值的匹配模型，确定为检索出的所述查询模型的相似模型；

所述反馈信息获取模块包括：

初始设置模块，用于预先设置查询模型的各个特征向量的初始权重值和初始相关性信息；

相似度距离计算模块，用于利用特征向量的初始相关性信息计算出该特征向量和匹配模型中的对应特征向量的底层特征信息之间的相似距离，将各个特征向量对应的所述相似距离与各个特征向量的初始权重值进行线性合成，得到查询模型与匹配模型之间的相似度距离；

标注信息获取模块，用于将相似度距离小于预先设定的门限值的匹配模型确定为所述查询模型的相似模型，将用户对所述相似模型标注的相似程度信息作为用户的反馈信息；

所述更新处理模块包括：

权重值更新模块，用于根据特征向量对应的相似距离，得到所述特征向量的相似模型集合，将用户对所述特征向量的相似模型集合中的相似模型批注的相似程度信息对应的分值进行相加，得到所述特征向量的累加分值，将该累加分值在所有特征向量的累加分值之和中所占的比例作为所述特征向量的更新后的权重值；

相关性更新模块，用于利用用户对相似模型的标注信息，对每个特征向量的相关性信息中的两个子集：相关模型集合

和非相关模型集合进行更新，所述用户对相似模型的标注信息包括：相关、一般或不相关信息，所述相关模型集合中包含用户标注了相关的相似模型，所述非相关模型集合中包含用户标注了一般或不相关的相似模型；

所述将用户对所述特征向量的相似模型集合中的相似模型批注的相似程度信息对应的分值进行相加，得到所述特征向量的累加分值的过程，包括：

根据预先设定的相似距离S(f_i)的门限值，得到相似距离S(f_i)小于所述门限值的K个特征向量fi的最相似模型集合 ${\mathrm{RT}}^{S\left(f_i\right)}=[{\mathrm{RT}}_1^{S\left(f_i\right)},...,{\mathrm{RT}}_j^{S\left(f_i\right)},...,{\mathrm{RT}}_K^{S\left(f_i\right)}];$

根据所述相似模型的分值集合Value_RT，计算特征向量fi的累加分值

如果所述Score(f_i)值小于0，则设置所述Score(f_i)值为0；

所述相似模型的分值集合Value_RT根据用户对每个相似模型的标注信息对应的分值而得到，所述Value_j表示所述Value_RT中的元素，Value_RT＝[Value₁，...，Value_j，...，Value_K]，所述RT^S表示根据预先设定的相似度距离S的门限值，将相似度距离S小于所述门限值的匹配模型作为查询模型的相似模型，得到的K个相似模型集合。

6.根据权利要求5所述的三维模型的检索装置，其特征在于，所述相似模型获取模块包括：

相似度距离计算模块，用于利用更新后的特征向量的初始相关性信息，计算出该特征向量和匹配模型中的对应特征向量的底层特征信息之间的相似距离，将各个特征向量对应的所述相似距离与各个特征向量的更新后的权重值进行线性合成，得到查询模型与匹配模型之间的相似度距离；

所述利用更新后的特征向量的初始相关性信息，计算出该特征向量和匹配模型中的对应特征向量的底层特征信息之间的相似距离的过程，包括：

利用特征向量fi的相关性信息

权重集合

和元素r_ij计算相似距离S(f_i)，

当

和

均为空时，所述相似距离S(f_i)仅与r_ij有关：

$S\left(f_i\right)=\underset{j}{\overset{T}{\mathrm{\Σ}}}\left(L_1\right|r_{\mathrm{ij}}^Q-r_{\mathrm{ij}}^Q\left|\right)$

其中T表示特征向量f_i中r_ij的个数，

和

分别表示查询模型Q和匹配模型O的r_ij值；当

为非空时，相似距离S(f_i)与

和r_ij有关：

$S\left(f_i\right)=\frac{\underset{l-1}{\overset{L}{\mathrm{\Σ}}}\underset{j-1}{\overset{T}{\mathrm{\Σ}}}(W_l^{{\mathrm{RMS}}^{f_i}}\·L_1|r_{\mathrm{ij}}^Q-r_{\mathrm{ij}}^Q\left|\right)}{\underset{l-1}{\overset{L}{\mathrm{\Σ}}}{W}_l^{{\mathrm{RMS}}^{f_i}}}$

所述

为根据相关性模型集合

中模型的次序关系计算出的

对应的权重集合；所述r_ij表示特征向量f_i的元素集合R中的元素，所述R描述了三维模型的底层特征信息；所述L表示相关性模型集合

中的模型个数；所述T表示特征向量f_i中r_ij的个数；所述

表示查询模型Q的r_ij值；所述

表示匹配模型O的r_ij值，在三维模型检索过程中，已知三维模型被称为查询模型Q，三维模型库中的待检索的三维模型被称为匹配模型O；

相似模型确定模块，用于将相似度距离小于预先设定的门限值的匹配模型，确定为重新检索出的所述查询模型的相似模型。

Images