CN102622773A - 一种可交互的二维形状特征对应方法 - Google Patents
一种可交互的二维形状特征对应方法 Download PDFInfo
- Publication number
- CN102622773A CN102622773A CN2012100318918A CN201210031891A CN102622773A CN 102622773 A CN102622773 A CN 102622773A CN 2012100318918 A CN2012100318918 A CN 2012100318918A CN 201210031891 A CN201210031891 A CN 201210031891A CN 102622773 A CN102622773 A CN 102622773A
- Authority
- CN
- China
- Prior art keywords
- source
- point
- shape
- target
- unique point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种可交互的二维形状特征对应方法。提供一种自动匹配与人工交互相结合的二维形状特征对应方法。包括源形状和目标形状,所述的方法包括:步骤一、根据源形状上的特征语义,用户通过手工指定的方式在源形状上逐个指定源特征点;步骤二、对源形状上逐个指定的每个源特征点,采用算法在目标形状上自动查找到与源特征点相匹配的对应目标特征点;步骤三、若出现自动查找到的对应目标特征点与当前指定的源特征点不相匹配时,则采用手工删除或移动目标特征点,使指定的源特征点和目标特征点之间匹配且一一对应。本发明有效解决了二维形状之间的特征对应问题,主要用于面向计算机动画制作的二维形状渐变技术中。
Description
技术领域
本发明涉及二维角色动画技术以及二维形状渐变技术领域,尤其涉及一种可交互的二维形状特征对应方法。
背景技术
在政府的大力支持下,国内动漫产业近年来发展迅速,动漫产量亦大幅提升。然而,传统的手绘二维动画制作方法需要大量时间和高额成本。国内外研发了许多二维商业动画软件,例如Adobe Flash、Toon Boom Studio等,以辅助二维动画制作。这些商业软件主要实现了所谓的“无纸卡通”功能,即把传统的动画师纸上绘画转为让动画师通过数位板在计算机上绘画,以方便素材的编辑和管理。但是,动画师仍需要一帧一帧地绘制动画序列,工作量依然非常巨大。因此,研发智能化的二维动画技术,以自动生成动画序列,可以有效提高二维动画的制作效率,极大降低其制作成本,具有现实的社会和经济意义。
二维形状渐变是计算机动画领域中的一项重要技术,它能够光滑地过渡一个形状到另一个形状。给定两个包含二维矢量形状的关键帧,通过过渡一个关键帧中的形状到另一个关键帧中的形状,可以自动生成关键帧之间的动画序列。因此,二维形状渐变技术被广泛应用于二维关键帧动画系统中。该技术需要解决一个基本问题:形状之间的特征对应,即如何建立两个形状之间相似特征的对应关系。大多数二维形状渐变方法需要用户在两个形状上指定若干对一一对应的关键点,这些关键点进而把形状分解为一一对应的若干区域。该方法简单直观,但是需要较多的人工交互。于是,研究人员设计了自动的特征对应方法,但是这些方法无法保证产生满足用户需要的特征对应结果,常常需要较多的手工交互来纠正对应结果。因此,如何降低人工交互量并保证对应结果的准确性是二维形状特征对应方法亟需解决的问题。为该问题提供一个令人满意的解决方案,可以提高二维形状渐变技术的实用性,进而推动智能化二维动画技术的发展。
中国专利公开号CN 101903908A,公开日是2010年12月01日,名称为“基于特征的2D/3D图像配准”的方案中公开了一种基于特征的2D/3D图像配准。它包括以下方法:特征检测器,其配置用于从二维图像提取二维特征集,从三维图像提取三维特征集;投影处理器,其配置用于将三维数据投影成二维投影数据;以及配准处理器,其配置用于调节参数以将所述二维特征集与由所述投影处理器使用投影几何投影的所述三维特征集进行配准,以及使用经调节的参数以将所述二维图像和由所述投影处理器使用所述投影几何投影的所述三维图像进行配准。不足之处是,这种基于特征的2D/3D图像配准方法,在特征集对应发生错误时,投影处理器不能够对其对应错误进行纠正,也不能够采用算法对其对应错误进行自动寻找匹配,因而匹配对应准确性不高。
发明内容
本发明是为了解决现有的完全手工或完全自动的二维形状特征对应方法中存在的交互量大、纠错难、对应匹配准确性不高的这些不足,提供一种纠错容易、准确可靠、编码简单、算法高效、人工交互指定与算法自动抽取相结合的可交互的二维形状特征对应方法。
为了实现上述目的,本发明采用以下技术方案:
一种可交互的二维形状特征对应方法,包括源形状和目标形状,其特征在于,所述的方法包括:
步骤一、根据源形状上的特征语义,用户通过手工指定的方式在源形状上逐个指定源特征点;这一步骤的作用是把源形状上的源特征点逐个指定标出,以完成后面源和目标特征点的一一对应。
步骤二、对源形状上逐个指定的每个源特征点,采用算法在目标形状上自动查找到与源特征点相匹配的对应目标特征点;这一步骤的作用是用算法在目标形状上自动查找到与步骤一指定的源特征点相匹配的对应目标特征点。
步骤三、若出现自动查找到的对应目标特征点与当前指定的源特征点之间的对应不相匹配时,则采用手工删除或移动目标特征点,使指定的源特征点和目标特征点之间匹配且一一对应。这一步骤的作用是纠错,使目标特征点与当前指定的源特征点匹配且一一对应,从而有效降低之后的用户交互量。
作为优选,先采用算法检测出源形状和目标形状上的视觉显著性点;再以源形状上的视觉显著性点作为参考和导引,让用户在源形状上逐个指定源特征点;再采用算法自动在目标形状上的视觉显著性点中抽取出与各个源特征点相匹配的对应目标特征点;若出现目标特征点和对应源特征点不相匹配时,采用手工删除或移动目标特征点;最终,目标特征点和源特征点之间匹配且一一对应。该优选方案采用自动和手工相结合的形式,使目标特征点和源特征点之间匹配且一一对应,不仅保证了对应结果的准确无误,同时大大降低了用户交互量。
作为优选,所述的算法是根据源形状上每一个指定的源特征点,算法自动在目标形状上抽取出与源特征点相匹配的一个对应目标特征点,最终,源形状的源特征点和目标形状的目标特征点匹配且一一对应。该优选方案以源特征点为基准,采用算法自动在目标形状上找出与源特征点相匹配且一一对应的目标特征点。查找过程高效、迅速且准确度高,同时能够有效降低用户交互量。
作为优选,对于所述的自动查找的对应目标特征点与指定的源特征点之间的对应关系,允许用户通过移动或者删除特征点的人工交互方式来即时纠正匹配错误。该优选方案允许用户对自动查找匹配过程中可能产生的匹配错误进行人工纠正,增加了匹配时的绝对准确性,使得源特征点与目标特征点对应关系更加精准,源特征点与目标特征点相匹配的可靠性更高,满足用户对源特征点与目标特征点一一对应且相匹配的要求,同时能够大大降低用户交互量。
作为优选,对于用户在源形状上指定的当前源特征点,算法先在源形状上已有的源特征点中按照顺时针方向找到当前源特征点的直接前邻居源特征点和直接后邻居源特征点;然后,根据源特征点和目标特征点之间的对应关系,算法通过直接前邻居源特征点和直接后邻居源特征点,在目标形状上找出与待计算目标特征点相对应的直接前邻居目标特征点和直接后邻居目标特征点;再把目标形状上落在直接前邻居目标特征点和直接后邻居目标特征点之间的目标视觉显著性点放入候选目标特征点集合中;最后通过算法自动在候选目标特征点集合中找到与当前指定的源特征点相匹配的对应目标特征点。该优选方案通过确定直接前邻居目标特征点和直接后邻居目标特征点来确定当前要查找的目标特征点。能够保证目标特征点的方向一致性,使查找结果更加准确可靠。
作为优选,所述的视觉显著性点包括形状上的曲率极值点、尖点或拐点。采用该优选方案,可以在源形状上迅速找到源特征点,也可以在目标形状上迅速找到目标特征点,使得查找过程迅速准确,且能够有效降低用户交互量。
本发明能够达到如下效果:
本发明结合了完全手工交互对应和自动特征对应两者的优点。本发明通过视觉显著性点导引源形状上特征点的交互指定,同时自动抽取目标形状上的对应特征点,从而有效降低了用户交互量。同时,本发明允许用户即时纠正错误的对应结果,从而避免该错误影响之后的对应过程,并保证源特征点与目标特征点之间的准确高效一一对应。
附图说明
图1是本发明的一对源形状(左)和目标形状(右)以及它们的视觉显著性点(黑方框点)示意图。
图2是本发明的源特征点(左图,带数字标号的圆形点)和目标特征点(右图,带数字标号的圆形点)一一对应示意图。
图3是图2源形状上的一个局部区域(上)和目标形状上的一个局部区域(下)示意图。
具体实施方式
实施例:一种可交互的二维形状特征对应方法。如图1、图2所示,首先给定两个形状,分别称为源形状A和目标形状B。其方法包括:
步骤一、根据源形状A上的特征语义,用户通过手工指定的方式在源形状A上逐个指定源特征点;
步骤二、对源形状A上逐个指定的每个源特征点,采用算法在目标形状B上自动查找到与源特征点相匹配的对应目标特征点;
步骤三、若出现自动查找到的对应目标特征点与当前指定的源特征点不相匹配时,则采用手工删除或移动目标特征点,使指定的源特征点和目标特征点之间匹配且一一对应。
先采用算法检测出源形状A和目标形状B上的视觉显著性点,这些视觉显著性点包括形状上的曲率极值点、尖点或拐点,如图1中的黑方框点C所示;再以源形状A上的视觉显著性点作为参考和导引,让用户在源形状A上逐个指定源特征点;再采用算法自动在目标形状B上的视觉显著性点中抽取出与各个源特征点相匹配的对应目标特征点;若出现目标特征点和对应源特征点不相匹配时,采用手工删除或移动目标特征点;最终,目标特征点和源特征点之间匹配且一一对应。
算法是根据源形状A上每一个指定的源特征点,算法自动在目标形状B上抽取出与源特征点相匹配的一个对应目标特征点,最终,源形状A的源特征点和目标形状B的目标特征点匹配且一一对应。
对于自动查找的对应目标特征点与指定的源特征点之间的对应关系,允许用户通过移动或者删除特征点的人工交互方式来即时纠正匹配错误。
对于用户在源形状A上指定的当前源特征点,算法先在源形状A上已有的源特征点中按照顺时针方向找到当前源特征点的直接前邻居源特征点和直接后邻居源特征点;然后,根据源特征点和目标特征点之间的对应关系,算法通过直接前邻居源特征点和直接后邻居源特征点,在目标形状B上找出与待计算目标特征点相对应的直接前邻居目标特征点和直接后邻居目标特征点;再把目标形状B上落在直接前邻居目标特征点和直接后邻居目标特征点之间的目标视觉显著性点放入候选目标特征点集合中;最后通过算法自动在候选目标特征点集合中找到与当前指定的源特征点相匹配的对应目标特征点。
算式表示推理如下:
令为源形状A上视觉显著性点的集合,其中,为源视觉显著性点;为目标形状B上视觉显著性点的集合,其中,为目标视觉显著性点;为源形状A上特征点的集合,其中,为源特征点;为目标形状B上特征点的集合,其中,为源特征点。最初,集合F1和F2中均不包含特征点,即:N=0。然后,令为一个源特征点和一个目标视觉显著性点之间的匹配度大小。
重复执行下面1-4的操作步骤,直到在源形状A和目标形状B之间得到一个所需的源特征点和目标特征点一一对应结果。
因此,允许用户通过通过手工删除、移动或添加的人工交互方式来即时纠正匹配错误,避免该错误影响其之后的对应过程,这样就能够保证源特征点与目标特征点之间的准确一一对应。
在上述步骤2中,最直接的方法是把所有目标视觉显著性点放入到候选目标特征点集合,即C=S2。但是,当N≥2时,这可能破坏源和目标形状B上已有特征点顺序的一致性。如图2所示,在源形状A上,特征点‘2’位于特征点‘1’和特征点‘3’之间,如果目标形状B上对应的特征点‘2’不在目标特征点‘1’和‘3’分割的区域之内,则源形状A上特征点‘1’-‘2’-‘3’的顺序与目标形状B上特征点‘1’-‘2’-‘3’的顺序显然不可能一致,从而产生了不合理的特征点对应关系。因此,我们按照顺时针方向,在源特征点集合F1中找到当前指定的源特征点的直接前后邻居特征点和再根据源特征点和目标特征点的对应关系在目标特征点集合F2中得到对应的目标特征点和然后仅把目标形状B上位于和之间的目标视觉显著性点放入到候选目标特征点集合C中,从而保证最新匹配的源特点和目标特征点遵从源形状A和目标形状B上已有特征点的顺序一致性。
此外,算法需要计算一个源特征点和一个目标视觉显著性点的匹配度大小,即的值。如图1和2所示,特征点和视觉显著性点把形状分割成多个视觉显著性区域,因此我们可以先找到特征点和视觉显著性点的相邻区域,然后通过计算对应的相邻区域的局部形状的相似性来度量和的匹配度。对于源特征点其在源形状A上的两个相邻区域分别记为和具体地,(或)对应着源形状A上分割出的一条线带,它由源特征点及其顺时针方向在集合F1∪S1中的直接前驱(或后继)邻居源特征点或者源视觉显著性点分割而成。类似地,可以找到视觉显著性点在目标形状B上的两个相邻区域,分别记为和于是,定义源特征点和目标视觉显著性点之间的匹配度为:
上面结合附图描述了本发明的实施方式,但实现时不受上述实施例限制,本领域普通技术人员可以在所附权利要求的范围内做出各种变化或修改。
Claims (6)
1. 一种可交互的二维形状特征对应方法,包括源形状和目标形状,其特征在于,所述的方法包括:
步骤一、根据源形状上的特征语义,用户通过手工指定的方式在源形状上逐个指定源特征点;
步骤二、对源形状上逐个指定的每个源特征点,采用算法在目标形状上自动查找到与源特征点相匹配的对应目标特征点;
步骤三、若出现自动查找到的对应目标特征点与当前指定的源特征点不相匹配时,则采用手工删除或移动目标特征点,使指定的源特征点和目标特征点之间匹配且一一对应。
2.根据权利要求1所述的一种可交互的二维形状特征对应方法,其特征在于,先采用算法检测出源形状和目标形状上的视觉显著性点;再以源形状上的视觉显著性点作为参考和导引,让用户在源形状上逐个指定源特征点;再采用算法自动在目标形状上的视觉显著性点中抽取出与各个源特征点相匹配的对应目标特征点;若出现目标特征点和对应源特征点不相匹配时,采用手工删除或移动目标特征点;最终,目标特征点和源特征点之间匹配且一一对应。
3.根据权利要求1或2所述的一种可交互的二维形状特征对应方法,其特征在于,所述的算法是根据源形状上每一个指定的源特征点,算法自动在目标形状上抽取出与源特征点相匹配的一个对应目标特征点,最终,源形状上的源特征点和目标形状上的目标特征点匹配且一一对应。
4.根据权利要求3所述的一种可交互的二维形状特征对应方法,其特征在于,对于所述的自动查找的对应目标特征点与指定的源特征点之间的对应关系,允许用户通过移动或者删除特征点的人工交互方式来即时纠正匹配错误。
5.根据权利要求1或4所述的一种可交互的二维形状特征对应方法,其特征在于,对于用户在源形状上指定的当前源特征点,算法先在源形状上已有的源特征点中按照顺时针方向找到当前源特征点的直接前邻居源特征点和直接后邻居源特征点;然后,根据源特征点和目标特征点之间的对应关系,算法通过直接前邻居源特征点和直接后邻居源特征点,在目标形状上找出与待计算目标特征点相对应的直接前邻居目标特征点和直接后邻居目标特征点;再把目标形状上落在直接前邻居目标特征点和直接后邻居目标特征点之间的目标视觉显著性点放入候选目标特征点集合中;最后通过算法自动在候选目标特征点集合中找到与当前指定的源特征点相匹配的对应目标特征点。
6.根据权利要求1所述的一种可交互的二维形状特征对应方法,其特征在于,所述的视觉显著性点包括形状上的曲率极值点、尖点或拐点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210031891 CN102622773B (zh) | 2012-02-14 | 2012-02-14 | 一种可交互的二维形状特征对应方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210031891 CN102622773B (zh) | 2012-02-14 | 2012-02-14 | 一种可交互的二维形状特征对应方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102622773A true CN102622773A (zh) | 2012-08-01 |
CN102622773B CN102622773B (zh) | 2013-12-25 |
Family
ID=46562674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201210031891 Expired - Fee Related CN102622773B (zh) | 2012-02-14 | 2012-02-14 | 一种可交互的二维形状特征对应方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102622773B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489212A (zh) * | 2013-09-16 | 2014-01-01 | 浙江工商大学 | 基于用户启发的二维形状对应方法 |
CN104424658A (zh) * | 2014-10-22 | 2015-03-18 | 浙江工商大学 | 一种保结构的二维形状内插方法 |
CN107978010A (zh) * | 2017-11-27 | 2018-05-01 | 浙江工商大学 | 分阶段的精确形状匹配方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060104544A1 (en) * | 2004-11-17 | 2006-05-18 | Krish Chaudhury | Automatic image feature embedding |
CN101030300A (zh) * | 2007-02-08 | 2007-09-05 | 深圳大学 | 一种深度像匹配方法 |
-
2012
- 2012-02-14 CN CN 201210031891 patent/CN102622773B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060104544A1 (en) * | 2004-11-17 | 2006-05-18 | Krish Chaudhury | Automatic image feature embedding |
CN101030300A (zh) * | 2007-02-08 | 2007-09-05 | 深圳大学 | 一种深度像匹配方法 |
Non-Patent Citations (2)
Title |
---|
YANG WW: "2D shape morphing via automatic feature matching and hierarchical interpolation", 《COMPUTER & GRAPHICS》, no. 33, 31 December 2009 (2009-12-31), pages 414 - 423 * |
杨文武 等: "基于特征分解的2-D多边形渐变", 《软件学报》, vol. 16, no. 2, 28 February 2005 (2005-02-28), pages 309 - 315 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489212A (zh) * | 2013-09-16 | 2014-01-01 | 浙江工商大学 | 基于用户启发的二维形状对应方法 |
CN103489212B (zh) * | 2013-09-16 | 2016-09-28 | 浙江工商大学 | 基于用户启发的二维形状对应方法 |
CN104424658A (zh) * | 2014-10-22 | 2015-03-18 | 浙江工商大学 | 一种保结构的二维形状内插方法 |
CN104424658B (zh) * | 2014-10-22 | 2017-09-29 | 浙江工商大学 | 一种保结构的二维形状内插方法 |
CN107978010A (zh) * | 2017-11-27 | 2018-05-01 | 浙江工商大学 | 分阶段的精确形状匹配方法 |
CN107978010B (zh) * | 2017-11-27 | 2021-03-05 | 浙江工商大学 | 分阶段的精确形状匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102622773B (zh) | 2013-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107025685B (zh) | 拓扑感知下的机载建筑屋顶点云建模方法 | |
Zhong et al. | Spatiotemporal dynamics and driving forces of urban land-use expansion: A case study of the Yangtze River economic belt, China | |
Ma et al. | Real-time detection and spatial localization of insulators for UAV inspection based on binocular stereo vision | |
CN102568038B (zh) | 将二维工程图上的尺寸转移到三维cad模型上的方法 | |
Zhang et al. | Feature-preserved point cloud simplification based on natural quadric shape models | |
Bassier et al. | Point cloud vs. mesh features for building interior classification | |
Chen et al. | Automatic seamline network generation for urban orthophoto mosaicking with the use of a digital surface model | |
CN102663800A (zh) | 一种顾及城市意象的城市建筑综合与渲染的方法 | |
Cui et al. | Structural 3D reconstruction of indoor space for 5G signal simulation with mobile laser scanning point clouds | |
CN105913372A (zh) | 二维房型平面图转换为三维空间图的方法及其系统 | |
Uher et al. | Hierarchical hexagonal clustering and indexing | |
CN103473766A (zh) | 一种基于视觉感知的二维形状特征点匹配方法 | |
CN102622773B (zh) | 一种可交互的二维形状特征对应方法 | |
Yang et al. | Automatic stockpile extraction and measurement using 3D point cloud and multi-scale directional curvature | |
CN114120141A (zh) | 一种可全天候遥感监测自动分析方法及其系统 | |
Zhao et al. | Analysis of the spatial and temporal evolution of the GDP in Henan Province based on nighttime light data | |
Yin et al. | CoMask: Corresponding mask-based end-to-end extrinsic calibration of the camera and LiDAR | |
Bai et al. | 3D instance segmentation and object detection framework based on the fusion of LIDAR remote sensing and optical image sensing | |
CN103345774A (zh) | 一种三维多尺度矢量化的建模方法 | |
Hu et al. | Reconstruction of complex roof semantic structures from 3D point clouds using local convexity and consistency | |
Xu et al. | 3D city reconstruction: a novel method for semantic segmentation and building monomer construction using oblique photography | |
Wang et al. | YPD-SLAM: A real-time VSLAM system for handling dynamic indoor environments | |
Li et al. | A multi-feature fusion slam system attaching semantic invariant to points and lines | |
CN103489212B (zh) | 基于用户启发的二维形状对应方法 | |
He et al. | Automatic, multiview, coplanar extraction for CityGML building model texture mapping |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131225 Termination date: 20180214 |
|
CF01 | Termination of patent right due to non-payment of annual fee |