CN101894267A

CN101894267A - 一种三维对象特征视图选取方法

Info

Publication number: CN101894267A
Application number: CN 201010226085
Authority: CN
Inventors: 戴琼海; 高跃
Original assignee: Tsinghua University
Current assignee: Tsinghua University
Priority date: 2010-07-06
Filing date: 2010-07-06
Publication date: 2010-11-24
Anticipated expiration: 2030-07-06
Also published as: CN101894267B

Abstract

本发明提出一种三维对象特征视图选取方法，包括以下步骤：选择一个三维对象作为目标三维对象，并获得与所述目标三维对象同类的三维对象的多视角视图；对每个三维对象的多视角视图获取保留多视图，并设置初始权重；计算任意两组属于不同三维对象的多视角视图之间的视图距离矩阵；对所有的三维对象的多视图的权重进行图上增强学习以获得最终的权重；和从原始的三维对象的保留的视图中，选取权重最大的若干个作为代表性视图。本发明的方法该算法不仅在被分析对象的多视图之间进行分析，同时考虑了同类对象之间的多视图的相关性，从而应用一种新的图上的增强学习方法进行代表性多视图选取。并且本发明方法设计简单，易于实现。

Description

一种三维对象特征视图选取方法

技术领域

本发明涉及图像处理技术领域，特别涉及一种三维对象特征视图选取方法。

背景技术

随着多媒体技术的不断进步，三维立体对象数据正在以惊人的速度增长，广泛地应用在计算机辅助制造、虚拟现实、医学及娱乐等多个领域。由于三维立体对象相对于平面的图像能够更好的描述对象的特征和属性，因此使得针对三维立体对象的理解、识别和检测变得越发的重要。

传统的三维对象的描述方法都是基于虚拟模型的。虚拟的三维模型可以通过AutoCAD等工具进行显示，通过X、Y、Z的三维坐标系来从立体角度进行对原始三维对象进行展示。这些方法通过使用三角片面、直线、曲面等来构建整个三维模型。这在计算机辅助制造等方面有着广泛的应用。在应用传统的三维对象描述方法对真实三维对象进行表示时通常需要三维重建的过程。一方面三维重建的计算量非常的庞大，另一方面三维重建也需要足够的采样照片来完成这个工作。这使得传统的三维对象描述方法并不能很好的应用到真实三维对象的分析与处理上。

进入21世纪以来，随着照相机技术的快速发展，在原有的基于三维虚拟模型的分析方法之外产生了基于多视图的三维立体对象分析方法。这种多视图的方法使用固定的或者非固定的照相机阵列获得一系列三维立体对象的多视图，通过这组多视图来描述三维对象的信息，进而完成三维立体对象的分析、重建、理解和检索等进一步的工作。

由于三维对象包含更多的空间信息，因此针对三维对象的分析和处理更加的复杂和困难，这使得原始的基于单视图的图像分析方法并不能有效的应用在三维对象的多视图上。近些年来，很多的研究工作集中在基于多视图的三维立体对象的检索和分析上。

在应用多视图进行三维立体对象的描述中，如何进行有效的三维立体对象表示以及提升多视图的描述效果是一个最基本的问题。由于三维立体对象包含了复杂的空间几何信息，并且同时可能发生旋转、偏移等变化，这使得很难用同一的模型来进行分析。目前并没有有效的进行三维对象的特征多视图选取的方法。

2003年在欧洲图形学会议上提出的方法中(D.Y.Chen，X.P.Tian，Y.T.Shen，andM.Ouhyoung.On visual similarity based 3d model retrieval.Computer Graphics Forum)提出了光场描述符(Lighting Filed Descriptor)，通过正十面体的照相机阵列进行数据采集，获得多组视图来描述原始三维对象。这些视图从不同的角度来描述三维对象的空间结构信息。进一步，该方法针对这样的多视图阵列进行匹配来三维立体对象之间的匹配。这里二值的视图的Zernike矩和傅里叶描述符特征被用来作为视图的特征。但是，在这种方法中需要对照相机阵列有固定的设置。

2007年在国际电子电气工程师协会多媒体汇刊上(T.F.Ansary，M.Daoudi，and J.P.Vandeborre，“A bayesian 3-d search engine using adaptive views clustering，”IEEETransactions on Multimedia，vo1.9，no.1，pp.78-88，2007.)提出一种基于贝叶斯分析的三维立体对象检索方法，其中视图获取也是使用固定的320照相机阵列。该方法首先获得320张原始图片，这里针对原始视图，49维的Zernike矩被选用图像特征。该方法首先从原始视图中进行代表性视图选择。通过对视图之间的整体相似度的计算，进行K均值迭代聚类，其中每一步都尝试将已有的分类结果进行重新聚类，其中K选取为2。这里，贝叶斯信息准备被用来判定聚类的效果及停止条件。在接下来的处理中，只有代表性的视图才应用到具体的检索分析中。通过对视图之间的贝叶斯概率分析来获得整体三维对象之间的相关程度，从而完成三维立体对象的基于视图的检索工作。但是，这种特征视图的选取方法只考虑单一对象的视图关系，并没有考虑到整类视图的共同属性，因此并不能很好的选取有效的代表性视图。

发明内容

本发明的目的旨在至少解决上述技术缺陷，提出了一种三维对象特征视图选取方法和装置。

为达到上述目的，本发明一方面提出一种三维对象特征视图选取方法，包括以下步骤：选择一个三维对象作为目标三维对象，并获得与所述目标三维对象同类的三维对象的多视角视图；对每个三维对象的多视角视图获取目标三维对象的保留多视图，并设置初始权重；计算任意两组属于不同三维对象的多视角视图之间的视图距离矩阵；和对所有的三维对象的多视图的权重进行图上增强学习以获得最终的权重。

本发明的方法不仅在被分析对象的多视图之间进行分析，同时考虑了同类对象之间的多视图的相关性，从而应用一种新的图上的增强学习方法进行代表性多视图选取。通过同类对象的多视图之间的增强学习，可以有效的分析出该类对象中的共同特征，从而获得该类对象的代表性视图。

原因如下：传统的方法主要关注在单一对象的多视图分析，从该对象的视图角度分析其主要的特点，但是并没有考虑到该类对象的共同特征。虽然仅针对该单一对象可以获取的一定的共同特征吗，但是并没有分析作为这一类对象其特有的特点。因此，很可能获得的代表性视图是不能有效的表示该类对象的特征的。本发明提出的方法，进一步从多个同类对象的多视图中进行相关性分析，应用图上的增强学习方法，可以更有效的选取出三维对象的代表性多视图。另外，本发明方法设计简单，易于实现。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例的三维对象特征视图选取方法流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

如图1所示，为本发明实施例的三维对象特征视图选取方法流程图，本发明的方法是通过同类对象的多视图之间的相关性分析来获得该对象的特征多视图。本发明方法包括以下步骤：

步骤S101，在一个三维对象(以下称为目标三维对象)进行特征视图选取分析前，首先获得与该目标三维对象同类的三维对象的多视角视图。在本发明的实施例中同类说明是同一种对象，比如自行车，各种不同的自行车都属于自行车这个类别，在库中假设一共有10个自行车，那么与该自行车对象同类的三维对象就是10个(包括他自己)。

步骤S102，对每个三维对象的多视角视图，获取目标三维对象的保留视图，给予一个初始权重。该步骤具体包括：

(1)计算每个三维对象中任意两个视图之间的距离，这里采用Zernike Moments作为特征，使用欧式距离作为距离计算方法，从而获得属于每个对象的那些多视角视图之间的距离矩阵。

(2)根据获得的多视图距离矩阵，采用层次聚类方法对每个三维对象的多视角视图进行聚类，例如，层次聚类保证距离小于一定阈值的视图被聚为一类。

(3)从每个聚类中选取三维对象中与其他视角视图平均距离最小的视图作为目标三维对象的保留多视图。

(4)每个保留的多视图被赋予与其聚类中视图数量相关的权重，其权重的计算方法如下。令该对象的总的多视图数量为N，该聚类内的视图数量为T，则该对应的保留的视图的权重w＝T/N。

步骤S103，计算任意两组属于不同三维对象的多视图之间的视图距离矩阵，这里采用Zernike Moments作为特征，使用欧式距离作为距离计算方法，从而获得多视图之间的距离矩阵。

步骤S104，对所有的三维对象的多视图的权重进行图上增强学习，从而获得最终的权重。该步骤具体包括：

(1)为每个对象的保留视图初始的权重设置保留系数a₁，a₂...，a_K(一共有K个对象)。

(2)在图上进行迭代运算，直至每个视图的权重稳定。令第i个对象的保留视图的对应的初始权重为

第i个对象和第j个对象之间的相似度矩阵为W^ij，其中w^ij(a，b)为第i个对象的第a个视图和第j个对象的第b个视图之间的相似度。从第j个对象到第i个对象的多视图之间的转移矩阵的计算方法为

其中，

迭代的方法为：

其中，K为参与运算的对象个数，一直迭代到稳定为止。

步骤S105，从原始的三维对象的保留的视图中，选取权重最大的若干个作为代表性视图。这里选取权重最大的几个视图(使其总的权重之和大于0.75)。

为了能对本发明有更清楚的理解，以下以具体实施例的方式进行详细介绍。本实施例为4组分别包含5个同类对象的多视图数据。每个对象由60个多视图进行描述。这些三维对象选自国立台湾大学的三维对象数据库。本实施例的新的三维对象特征视图选取方法包括以下步骤：

步骤S201，在一个三维对象N1进行特征视图选取分析前，首先获得与该对象同类的三维对象(N2，N3，N4，N5)的多视图。

步骤S202，对每个三维对象(N1-N5)的多视图，获取保留视图，给予一个初始权重，比如对于N1，获取保留视图V1，V2..Vk，每个视图获得一个初始权重a₁，a₂...，a_K。

步骤S203，计算任意两组多视图之间的视图距离矩阵，这里采用Zernike Moments作为特征，使用欧式距离作为距离计算方法，从而获得多视图之间的距离矩阵。

步骤S204，对所有的三维对象的多视图的权重进行图上增强学习，从而获得最终的权重。具体包括以下步骤：

(1)为每个对象的保留视图初始的权重设置保留系数a₁，a₂...，a_K(一共有K个对象)，这里a_i＝0.5。

其中，

迭代的方法为：

其中，K为参与运算的对象个数，一直迭代到稳定为止。

步骤S205，从原始的三维对象的保留的视图中，选取权重最大的若干个作为代表性视图。

本实施例的三维对象特征视图选取结果如表(1)所示。本发明的三维对象特征视图选取方法与仅通过单一对象的多视图聚类的特征视图选取方法进行了对比，实验数据如表(1)所示，其中代表性视图数量为保留的特征视图数，表征能力为用户对选取的代表性视图的表征原始三维对象的能力的评分，这是一个主观的评测值，由5名用户对选取的特征视图进行打分，最高分为10分，最低分为0分，取平均值作为最后得分。从表(1)中可以看到，本发明方法在特征视图的选取效果上，与传统方法相比能取得更好的效果。

虽然在本方法说明及实施例中对三维对象的多视图进行了特征视图的选取，但是本发明并不限于这种形式的应用。本领域普通技术人员可在本发明的精神及观点内对本发明进行多种不同的修改，但凡依本发明权利要求书范围所做的同等的变化及修饰，皆为本发明所保护的范围。

表1本发明仅通过单一对象的多视图聚类的方法的特征视图选取效果比较

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同限定。

Claims

1.一种三维对象特征视图选取方法，其特征在于，包括以下步骤：

选择一个三维对象作为目标三维对象，并获得与所述目标三维对象同类的三维对象的多视角视图；

对每个三维对象的多视角视图获取目标三维对象的保留多视图，并设置初始权重；

计算任意两组属于不同三维对象的多视角视图之间的视图距离矩阵；

对所有的三维对象的多视图的权重进行图上增强学习以获得最终的权重；和

从原始的三维对象的保留的视图中，选取权重最大的若干个作为代表性视图。

2.如权利要求1所述的三维对象特征视图选取方法，其特征在于，所述对每个三维对象的多视角视图获取保留多视图，并设置初始权重进一步包括：

采用Zernike Moments作为特征并使用欧式距离作为距离计算方法，计算每个三维对象中任意两个视图之间的距离，以获得所有三维对象的不同多视图之间的距离矩阵；

根据获得的多视图距离矩阵，采用层次聚类方法对每个三维对象的多视角视图进行聚类；

从每个聚类中选取与该三维对象中其他视图平均距离最小的视图作为目标三维对象的保留多视图；和

每个保留多视图被赋予与其聚类中视图数量相关的权重。

3.如权利要求2所述的三维对象特征视图选取方法，其特征在于，所述每个保留多视图被赋予与其聚类中视图数量相关的权重进一步包括：

令该对象的总的多视图数量为N，该聚类内的视图数量为T，则该对应的保留的视图的权重为w＝T/N。

4.如权利要求1所述的三维对象特征视图选取方法，其特征在于，所述计算任意两组属于不同三维对象的多视角视图之间的视图距离矩阵进一步包括：

采用Zernike Moments作为特征并使用欧式距离作为距离计算方法，以获得多视角视图之间的距离矩阵。

5.如权利要求1所述的三维对象特征视图选取方法，其特征在于，所述对所有的三维对象的多视图的权重进行图上增强学习以获得最终的权重进一步包括：

为每个对象的保留视图初始的权重设置保留系数a₁，a₂...，a_K；

在图上进行迭代运算，直至每个视图的权重稳定。

6.如权利要求5所述的三维对象特征视图选取方法，其特征在于，所述在图上进行迭代运算，直至每个视图的权重稳定进一步包括：

令第i个对象的保留视图的对应的初始权重为

第i个对象和第j个对象之间的相似度矩阵为W^ij，其中，w^ij(a，b)为第i个对象的第a个视图和第j个对象的第b个视图之间的相似度，从第j个对象到第i个对象的多视图之间的转移矩阵的计算方法为

其中，

迭代的方法为：

其中，K为参与运算的对象个数，一直迭代到稳定为止。