CN103646414A - 一种三维场景中基于单元重用的三维模型轻量化方法 - Google Patents

Abstract

本发明公开了一种三维场景中基于单元重用的三维模型轻量化方法，具体包括:对所有的模型单元进行姿态对齐预处理，预处理包括：平移无关处理、旋转无关处理和缩放无关处理；预处理后，在对齐姿态下抽取每个单元的特征描述符，再通过匹配方法来对所有的模型单元进行匹配和分类，找出可重用的模型单元；在寻找出可重用的模型单元后，去掉冗余的重复单元以达到轻量化模型数据的效果。采用本发明通过比较相同索引的体素状态有多少相同数目来确定两模型单元是否相同，与其他方法相比，轻量化所花费时间和人工成本都有明显的降低。

Description

一种三维场景中基于单元重用的三维模型轻量化方法

技术领域

本发明涉及三维模型压缩与Web3D领域技术，尤其涉及的是一种三维场景中基于单元重用的三维模型轻量化方法。

背景技术

目前在移动互联网上应用大规模Web3D内容的趋势越来越明显。然而欲将大规模虚拟场景构筑在移动互联网上却充满了挑战，这也是为什么一直困扰并阻碍着移动互联网上3D应用的大规模普及。其原因分析如下：

1、目前的大多3D模型与虚拟场景的数据量过于“沉重”。

虽然移动互联网的带宽与网速在不断提高，然而相对与其要承载的3D模型与虚拟场景来说还是远远不够的，而且即便网速与带宽提高了一些，可是用户欲浏览的虚拟场景的规模与3D模型的复杂度也都更急剧地增加着。目前绝大多数单机版与网络客户端（C/S）的3D游戏是无法直接移植到在网页与手机上的，因为其场景规模和模型复杂度对于网页和手机3D内容创作与网上实时虚拟浏览来说，实在是过于“沉重”。若想想有效地降低复杂3D模型/大规模虚拟场景在移动互联网上的传输负担，必须要对这些复杂3D模型与大规模虚拟场景进行轻量化处理。

2、手工3D模型与虚拟场景的轻量化处理的周期长而效率低。

3D场景建模是虚拟现实系统开发的第一环节，目前的轻量化3D模型处理的手段基本上是手工进行的，而且手工3D轻量化建模的时间和成本也占整个项目成本的一半以上。美工建模人员往往需要大量时间来人工地去掉那些对视觉没有贡献的冗余的点、边、面片等。这样既费时、费力，而且成本也高。因此，需要一种低成本且高效的轻量化建模手段。

当前，实际应用的大量三维模型通常均由建模工具创建（例如著名的3DS MAX），这些模型通常是多连通的，往往包含（形状与结构相似）的重复几何模型单元，它们往往仅仅具有不同的空间位置、缩放大小和旋转方向，如果能寻找出并重用这些重复存在的模型单元，在网络上传输它们时，只需传输这些重复几何单元一次，便可以多次引用。这样既减小了模型传输的数据量，同时也提高了模型的传输效率。本发明正是基于这样的想法来进行模型的轻量化处理的。

因此，现有技术还有待于改进和发展。

发明内容

本发明的目的在于提供一种三维场景中基于单元重用的三维模型轻量化方法，旨在解决现有的轻量化3D模型处理的手段所花的时间和成本都很高的问题。

本发明的技术方案如下：

一种三维场景中基于单元重用的三维模型轻量化方法，其具体包括:

对所有的模型单元进行姿态对齐预处理，预处理包括：平移无关处理、旋转无关处理和缩放无关处理；

预处理后，在对齐姿态下抽取每个单元的特征描述符，再通过匹配方法来对所有的模型单元进行匹配和分类，找出可重用的模型单元；

在寻找出可重用的模型单元后，去掉冗余的重复单元以达到轻量化模型数据的效果。

所述的三维场景中基于单元重用的三维模型轻量化方法，其中，所述平移无关处理中的平移操作是将模型单元置于世界坐标系的原点位置，并将模型单元的拓扑结构考虑在内，使得预处理后不同模型单元区别加大。

所述的三维场景中基于单元重用的三维模型轻量化方法，其中，在进行旋转无关处理处理时增加对称不变性处理。

所述的三维场景中基于单元重用的三维模型轻量化方法，其中，所述对称不变性的旋转无关处理是在对模型单元进行旋转不变处理时采用主元分析来寻找模型的三个主轴，主元分析获取的样本数据为模型的三维顶点集合。

所述的三维场景中基于单元重用的三维模型轻量化方法，其中，所述的缩放无关处理是指使两个模型单元的大小一致，以便对两模型单元进行几何匹配，采用不同缩放比例的模型单元所具有的共同特性来求其缩放比，使得不同的模型单元经过缩放无关处理后，其包围盒也是不相同的，以便用包围盒的大小是否相同来粗略判断两模型单元是否相同。

所述的三维场景中基于单元重用的三维模型轻量化方法，其中，在对齐姿态下抽取每个单元的特征描述符的方法为：对模型进行体素化，用表面体素状态序列来表示模型单元即每个单元的特征描述符，具体为：求出其最小的轴对齐AABB包围盒，然后将AABB包围盒进行均匀立方体分割，并将这些体素存储为一维体素状态序列，序列中的索引唯一对应于体素的空间位置，用布尔量来记录模型单元体素化后体素的状态，用该体素状态序列来表示模型单元的空间轮廓信息。

所述的三维场景中基于单元重用的三维模型轻量化方法，其中，所述模型单元匹配是通过模型单元体素状态序列间的匹配完成的，设体素状态序列为S={voxels[i],0≤i＜N_x×N_y×N_z}，给定两个三维模型单元为A和B，S_A和S_B分别为体素状态序列，匹配步骤如下：

步骤S1：判断S_A和S_B是否相同，若相同则表示两模型单元相同，同时两模型单元的AABB包围盒也相同，并执行步骤S2；否则，定义两模型单元不相同，取消匹配；

步骤S2：判断两个模型的顶点是否相同是则执行步骤S3；否则，定义两模型单元不相同，取消匹配；

步骤S3：计算两模型单元的具体相似度：

$\mathrm{similarity}(A,B)=\frac{\left|\right\{i|\mathrm{voxels}(i,S_A)==\mathrm{voxels}(i,S_B),0\&le;i<N_x\&times;N_y\&times;N_z\}|}{N_x\&times;N_y\&times;N_z}$

其中，similarity(A,B)表示相似度，voxels(i,S_A)为模型单元A的状态序列S_A中第i个体素的状态， voxels(i,S_B)同理，N_x×N_y×N_z为体素状态序列voxels[]的长度，若similarity(A,B)≥0.99，则两模型单元相同，否则，定义两模型单元不同。

本发明的有益效果：本发明是通过一种基于体素化的三维模型单元匹配新方法，寻找三维模型中不同姿态的相同模型单元，并重用这些相同单元以达到三维模型轻量化的效果。该方法采用了几何不变性的预处理，然后对模型单元进行体素化，并将与模型单元表面相交的体素作为模型单元的特征描述符，最后，通过比较相同索引的体素状态有多少相同数目来确定两模型单元是否相同，与其他方法相比，轻量化所花费时间和人工成本都有明显的降低。

附图说明

图1a是两个几何顶点相同而拓扑结构不同的模型单元效果图。

图1b将图1a平移操作后得到有效地区别的效果图。

图2a是两个有旋转和平移的模型单元效果图。

图2b是经过PCA处理后三个主轴的方向可能相反但成对称状态图。

图2c是增加对称无关处理后两模型单元重合效果图。

图3为分辨率N=64的模型体素化后的效果图。

图4是单元匹配结果临时存储结构示意图。

图5a轻量化前组织方式示例示意图。

图5b轻量化后组织方式示例示意图。

图6a-6e为实验效果图，左侧为实验采用的三维模型，右侧为用本文算法寻找的Unique单元。

图7本发明提供的方法流程图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。

本发明提出单元重用的三维模型轻量化方法，首先要寻找出三维场景中可重用的模型单元。参见图7，本发明寻找的具体方法包括：

首先，对所有的模型单元进行姿态对齐预处理，预处理包括：平移无关处理、旋转无关处理和缩放无关处理；

然后，在对齐姿态下抽取每个单元的特征描述符；再通过匹配方法来对所有的模型单元进行匹配和分类，找出可重用的模型单元；

最后，在寻找出可重用的模型单元后，去掉冗余的重复单元以达到轻量化模型数据的效果。

模型单元姿态对齐预处理是为了使两个模型单元处于同一标准坐标系下，这样所提取的特征描述符与各种几何变换无关，并且能够精确的表示该模型单元。在齐预处理阶段需要记录对每个模型单元所做的处理，包括：平移无关处理、旋转无关处理和缩放无关处理。通过对预处理的优化，特别是对旋转无关处理增加对称不变性处理，使两个相同模型单元的对齐效果进一步提升。

所述平移无关处理中的平移操作是将模型单元置于世界坐标系的原点位置，不同的方法所采用的参考点通常不同。为了使得相同几何结构不同拓扑结构模型单元（如图1a所示）的平移参考点不同，从而有效区别该类模型单元。为了简单且有效地解决该问题，其本质就是需要将模型单元的拓扑结构考虑在内，使得预处理后不同模型单元区别加大，因此，采用模型三角形面中心点进行面积加权平均，可以简单有效地解决该问题。设m为平移参考点，三角形t_i的三个顶点为（a_i、b_i、c_i），模型单元的三角形集合M={t₁、t₂、···、t_n}，则：

$m=\frac{1}{E}{\mathrm{\&Sigma;}}_{t_i\&Element;M}{E}_i\&CenterDot;\frac{(a_i+b_i+c_i)}{3}---\left(1\right)$

其中：E_i为三角形t_i面积，E为模型单元的表面积。由此构造的平移矩阵为T_-m，如图1b所示，可以有效区别同顶点而拓扑不同的模型单元。

对称几何变换不变性（即对称不变性）的旋转无关处理是在对模型单元进行旋转不变处理时采用主元分析（PCA,Principal Component Analysis）来寻找模型的三个主轴。其精确程度取决于样本的好坏，所以针对不同样本采取不同方法包括CPCA和NPCA，CPCA获取的样本数据是模型的坐标点加权，其精确程度取决于模型表面顶点的分布密度；而NPCA获取的样本数据是模型三角形面法向量的面积加权，其精度取决于模型表面的法向分布。本发明使用CPCA即采用模型的三维顶点集合作为样本。对于PCA的求解，其实就是求解样本数据的协方差矩阵的特征值和特征向量，设C为协方差矩阵，模型单元的三维顶点集合为V={v₁、v₂、···、v_n}，顶点的个数为|V|，有：

$\begin{array}{c}C=\frac{1}{\left|V\right|}{\text{\&Integral;\&Integral;\&Integral;}}_{\text{v\&Element;V}}(v-m){(v-m)}^T\mathrm{dv}\\ \&DoubleRightArrow;\frac{1}{\left|V\right|}{\mathrm{\&Sigma;}}_{v_i\&Element;V}(v-m){(v-m)}^T\end{array}---\left(2\right)$

其中，m为平移参考点。由于C为实对称矩阵，则一定有特征解λ₁、λ₂、λ₃，设求得特征值为，且λ₁>λ₂>λ₃，其特征解对应的特征向量为X₁、X₂、X₃，将特征值按从大到小排序是为了对应于x、y、z坐标轴。由此构造的旋转矩阵R为：R=[X₁、X₂、X₃]^T。

模型单元经过CPCA处理后，可以完美的发现模型单元的三个主轴，但是对于两个不同旋转姿态的相同模型单元来说，其三个主轴的方向可能相反，一定程度上影响了模型单元匹配的精确度，如图2a和2b所示，有旋转和平移的两模型单元经过CPCA处理后三个主轴的方向可能相反，但成对称状态，因此需要考虑模型单元的对称无关性处理，使得模型单元的三个主轴方向一致，包括平面对称，坐标轴对称和原点对称。本文给出的对角阵可以使得CPCA处理后的三个主轴方向一致，利用的是模型单元各点到yz、xz、xy平面带符号的距离平方，此方法可以有效处理模型单元的对称无关性：

F=diag(sign(f_x)，sign(f_y)，sign(f_z))  (3)

其中：v=(v_x,v_y,v_z)∈V′=R·(V-m)，V为模型单元坐标点集合，f_y和f_z与f_x类似。如图2c所示，增加对称不变性处理后的效果，使得两个经过CPCA处理后出现对称状态的模型单元将会完美重合。

所述的缩放无关处理是指使两个模型单元的大小一致，以便对两模型单元进行几何匹配。本发明采用不同缩放比例的模型单元所具有的共同特性来求其缩放比，使得不同的模型单元经过缩放无关处理后，其包围盒也是不相同的，这样便可以用包围盒的大小是否相同来粗略判断两模型单元是否相同了，并且该方法是非常高效的。缩放比例s求解为：

$s=1/\sqrt{(s_x^2+s_y^2+s_z^{\text{2}})/3}---\left(4\right)$

其中： $S_x=\frac{1}{|V\&prime;|}{\mathrm{\&Sigma;}}_{v\&Element;V}\&prime;\left|v_x\right|,v=(v_{x,}{v}_y,v_z)\&Element;V\&prime;=F\&CenterDot;R\&CenterDot;(V-m),V$ 为模型单元坐标点集合，s_y和s_z与s_x类似，由此构造缩放矩阵为S，对有平移、旋转和缩放的模型单元经过处理后会完全重合。

所述的模型单元体素化本发明采用了一种简单高效的体素化方法，并用表面体素状态序列来表示模型单元即每个单元的特征描述符。给定模型单元，在经过预处理后，求出其最小的轴对齐包围盒（AABB），然后将AABB进行均匀立方体分割，并将这些体素存储为一维体素状态序列，序列中的索引唯一对应于体素的空间位置。由于采用表面体素来表示模型单元的轮廓，所以体素序列中只需用布尔量（或位）来表示该空间位置的体素是否为表面体素即可，可以有效的表示出模型单元的三维轮廓。

设M为三维模型单元，经过预处理后求AABB出包围盒的左下点p(x,y,z)和右上点p′(x,y,z)，给定分辨率N，则得到体素化时在三个轴分量上的步长(L_x,L_y,L_z)，则体素状态序列voxels[]长度为N_x×N_y×N_z，N_x=N_y=N_z=N，体素大小为(L_x,L_y,L_z)。对于体素序列中的体素，若空间位置为(i,j,k)体素为表面体素，则voxels[i*N_x+j*N_y+N_z]=1，否则为0；对于每一个三角形，求该三角形的包围盒，这样就只需与三角形包围盒内的所有体素进行相交测试，大大减少了相交测试的体素数，很大程度上提高了效率。如图3所示为模型单元的体素化结果，可以有效的表示出模型单元的轮廓。

所述模型单元匹配是通过模型单元体素状态序列间的匹配完成的，该序列有效的表示模型单元轮廓的空间位置信息，并且序列的索引与该体素所处的空间位置是唯一对应，所以如果两个模型单元完全相同，那么两模型单元的体素状态序列也是完全相同的，但前提条件是模型单元必须经过不变性预处理。用体素来表示模型单元，可以很好的反应其轮廓的空间位置信息，在比较时对于所提到的退化情况（例如圆球，圆柱等）也是健壮的，不需要任何额外处理。

设体素状态序列为S={voxels[i],0≤i＜N_x×N_y×N_z}，给定两个三维模型单元为A和B，S_A和S_B分别为体素状态序列，匹配步骤如下：

步骤S1：判断S_A和S_B是否相同，若相同则表示两模型单元相同，同时两模型单元的AABB包围盒也相同，并执行步骤S2；否则，定义两模型单元不相同，取消匹配；

步骤S2：判断两个模型的顶点是否相同是则执行步骤S3；否则，定义两模型单元不相同，取消匹配；

步骤S3：计算两模型单元的具体相似度：

$\mathrm{similarity}(A,B)=\frac{\left|\right\{i|\mathrm{voxels}(i,S_A)==\mathrm{voxels}(i,S_B),0\&le;i<N_x\&times;N_y\&times;N_z\}|}{N_x\&times;N_y\&times;N_z}---\left(5\right)$

其中，similarity(A,B)表示相似度，voxels(i,S_A)为模型单元A的状态序列S_A中第i个体素的状态， voxels(i,S_B)同理，N_x×N_y×N_z为体素状态序列voxels[]的长度。其意义为两模型单元体素状态序列中，相同索引体素的状态相同的个数。若similarity(A,B)≥0.99，则两模型单元相同，否则，定义两模型单元不同。

所谓三维模型的轻量化的具体方法为：假设模型单元A,B,C,D通过匹配后相同，A为Unique单元，B,C,D为Instance单元，则

其中，M_A为A在预处理阶段得到的变换矩阵，同理M_B。首先，在匹配过程中，用C++标准库中的multimap<key,value>来记录单元匹配结果，key为分类数，对应的value为所有相同的单元，将每个分类的第一个模型单元定义为Unique单元，因此每类中至少含有一个模型单元，具体的组织结构如图4所示。

为了重用相同模型单元，采用了一种有向无环图来构造原三维模型，在此有向无环图的定义是：对于其中的任意节点，都不可能存在一条通路，以该节点作为通路的开始和结束。如此，每个节点可以有一个或多个父节点和子节点，满足重用子节点的需求，以图4中模型单元A、B、C和D为例，轻量化后的存储结构如图5所示。

实验结果实验采用的三维场景模型如图6a、b、c、d左侧所示，右侧为对应模型中采用本文方法寻找的Unique单元。

本方法的发明点主要体现在：

1、通过对预处理的优化，特别是增加对称不变性处理，解决了PCA三主轴的方向问题，简单且有效地使两个相同模型单元的对齐效果得到了进一步提升。

2、体素化时，只需计算简单AABB包围盒（Axis-aligned bounding box），并且用布尔量来记录模型单元体素化后体素的状态，用该体素状态序列来表示模型单元的空间轮廓信息，不需要占用太多的存储空间。

3、对PCA的退化情况具有鲁棒性，不需要特殊处理。

4、在计算相似度时，只是比较相同索引的体素状态，因此易于计算。

5、该匹配方法在于识别异同方面效果更佳，因此，用于三维模型中寻找重复单元的效果较好。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种三维场景中基于单元重用的三维模型轻量化方法，其特征在于，具体包括:

对所有的模型单元进行姿态对齐预处理，预处理包括：平移无关处理、旋转无关处理和缩放无关处理；

预处理后，在对齐姿态下抽取每个单元的特征描述符，再通过匹配方法来对所有的模型单元进行匹配和分类，找出可重用的模型单元；

在寻找出可重用的模型单元后，去掉冗余的重复单元以达到轻量化模型数据的效果。

2.根据权利要求1所述的三维场景中基于单元重用的三维模型轻量化方法，其特征在于，所述平移无关处理中的平移操作是将模型单元置于世界坐标系的原点位置，并将模型单元的拓扑结构考虑在内，使得预处理后不同模型单元区别加大。

3.根据权利要求1所述的三维场景中基于单元重用的三维模型轻量化方法，其特征在于，在进行旋转无关处理处理时增加对称不变性处理。

4.根据权利要求3所述的三维场景中基于单元重用的三维模型轻量化方法，其特征在于，所述对称不变性的旋转无关处理是在对模型单元进行旋转不变处理时采用主元分析来寻找模型的三个主轴，主元分析获取的样本数据为模型的三维顶点集合。

5.根据权利要求1所述的三维场景中基于单元重用的三维模型轻量化方法，其特征在于，所述的缩放无关处理是指使两个模型单元的大小一致，以便对两模型单元进行几何匹配，采用不同缩放比例的模型单元所具有的共同特性来求其缩放比，使得不同的模型单元经过缩放无关处理后，其包围盒也是不相同的，以便用包围盒的大小是否相同来粗略判断两模型单元是否相同。

6.根据权利要求1所述的三维场景中基于单元重用的三维模型轻量化方法，其特征在于，在对齐姿态下抽取每个单元的特征描述符的方法为：对模型进行体素化，用表面体素状态序列来表示模型单元即每个单元的特征描述符，具体为：求出其最小的轴对齐AABB包围盒，然后将AABB包围盒进行均匀立方体分割，并将这些体素存储为一维体素状态序列，序列中的索引唯一对应于体素的空间位置，用布尔量来记录模型单元体素化后体素的状态，用该体素状态序列来表示模型单元的空间轮廓信息。

7.根据权利要求6所述的三维场景中基于单元重用的三维模型轻量化方法，其特征在于，所述模型单元匹配是通过模型单元体素状态序列间的匹配完成的，设体素状态序列为S={voxels[i],0≤i＜N_x×N_y×N_z}，给定两个三维模型单元为A和B，S_A和S_B分别为体素状态序列，匹配步骤如下：

步骤S1：判断S_A和S_B是否相同，若相同则表示两模型单元相同，同时两模型单元的AABB包围盒也相同，并执行步骤S2；否则，定义两模型单元不相同，取消匹配；

步骤S2：判断两个模型的顶点是否相同是则执行步骤S3；否则，定义两模型单元不相同，取消匹配；

步骤S3：计算两模型单元的具体相似度：

$\mathrm{similarity}(A,B)=\frac{\left|\right\{i|\mathrm{voxels}(i,S_A)==\mathrm{voxels}(i,S_B),0\&le;i<N_x\&times;N_y\&times;N_z\}|}{N_x\&times;N_y\&times;N_z}$

其中，similarity(A,B)表示相似度，voxels(i，S_A)为模型单元A的状态序列S_A中第i个体素的状态， voxels(i,S_B)同理，N_x×N_y×N_z为体素状态序列voxels[]的长度，若similarity(A,B)≥0.99，则两模型单元相同，否则，定义两模型单元不同。

Images