CN105956005B - 一种数据处理方法和设备 - Google Patents

一种数据处理方法和设备 Download PDF

Info

Publication number
CN105956005B
CN105956005B CN201610249262.0A CN201610249262A CN105956005B CN 105956005 B CN105956005 B CN 105956005B CN 201610249262 A CN201610249262 A CN 201610249262A CN 105956005 B CN105956005 B CN 105956005B
Authority
CN
China
Prior art keywords
component
data
model
title
variance
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.)
Active
Application number
CN201610249262.0A
Other languages
English (en)
Other versions
CN105956005A (zh
Inventor
曹屹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING MOYIHOME NETWORK TECHNOLOGY DEVELOPMENT Co.,Ltd.
Original Assignee
曹屹
苏芮
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 曹屹, 苏芮 filed Critical 曹屹
Priority to CN201610249262.0A priority Critical patent/CN105956005B/zh
Publication of CN105956005A publication Critical patent/CN105956005A/zh
Application granted granted Critical
Publication of CN105956005B publication Critical patent/CN105956005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种数据处理方法和设备，通过对三维模型数据库中的模型按照类别进行划分,并将每一类别下的模型按照预设规则拆分为多个组件，同时对组件进行命名；对名称相同的组件进行相似度分析，并将相似度在预设范围内的组件划分为对应名称的近似组件集；通过分析近似组件集中的组件，确定存在差异的差异数据与相同部分的相同数据，保存差异数据并剔除相同数据；具体的，将的提取差异的数据变换参数进行存储，另外剔除相同的数据部分，这样就减少存储大量模型的存储空间。此外，由于网络加载差异化变换参数远小于本身的模型数据信息所占用的带宽，因此提升了新三维家具模型加载速度。

Description

一种数据处理方法和设备
技术领域
本发明涉及到一种数据处理方法，特别还涉及到一种数据处理设备。
背景技术
现有家具三维模型，均是通过通过3DMAX、MAYA等三维建模软件构造的三维模型数据，这些三维模型数据具有唯一性的特点，即每一个家具三维模型与现实当中的实体模型是一一对应的。
而从数据角度分析，每一款家具对应的三维模型都具有本身的网格信息、纹理信息、材质信息，那么储存每一个家具的三维模型数据都需要为这些三维模型数据独立地在磁盘上分配相应的存储空间，且，每一款家具对应的三维模型数据量都是很大的，这样造成一些系统在存储大量模型上存在极大的局限性。
此外，在三维展示角度来看，三维模型的加载同样需要独立的为每个三维模型分配内存，这造成了家具的三维模型进行大量实时三维渲染的主要性能瓶颈。
由以上可知，对于以服务器和客户端为基础的系统来说，从服务器获得每个家具的三维模型时，都需要下载一个独立的三维模型数据，而该三维模型数据的数据量是很大的，这无疑对于带宽有限的移动设备来说是一项巨大的负担。
由此可知，在现有技术中，由于家具的三维模型数据具有唯一性的特点，且由于三维模型包含的信息多，导致数据量大的特点，从而使得大量的模型在进行存储时，需要大量的磁盘空间，增加了用户移动设备的开支，同时使得在对三维模型进行加载时，需要下载独立的三维数据模型，导致加载速度很慢，对于带宽有限的移动设备是很大负担的缺陷，最终导致在应用时具有很大的局限性。
发明内容
针对现有技术中的缺陷，本申请提出了一种数据处理方法和设备，用以解决现有技术中需要大量存储空间，加载速度很慢，给移动设备很大负担的缺陷。
为此，本发明实施例提出了一种数据处理方法，包括：对三维模型数据库中的模型按照类别进行划分,并将每一类别下的模型按照预设规则拆分为多个组件，同时对所述组件进行命名；
对名称相同的组件进行相似度分析，并将相似度在预设范围内的组件划分为对应名称的近似组件集；
通过分析所述近似组件集中的组件，确定存在差异的差异数据与相同部分的相同数据，保存差异数据并剔除相同数据。
优选的，所述对名称相同的组件进行相似度分析，具体包括：
获取名称相同的组件的模型数据；
基于所述模型数据对名称相同的组件的形状特征进行分析，来确定名称相同的各组件之间的相似度。
优选的，所述形状特征包括：面积分布特征和纬度方向平均半径；
所述基于所述模型数据对名称相同的组件的形状特征进行分析，来确定名称相同的各组件之间的相似度，具体包括：
基于所述模型数据采用同心球切分模型的方式，获取名称相同的组件的面积分布特征；
基于所述模型数据采用极坐标的方式，获取名称相同的组件的纬度方向平均半径；
通过分步归类的方式综合面积分布特征与纬度方向平均半径确定名称相同的各组件之间的相似度。
优选的，通过分析近似组件集中的组件，确定存在差异的差异数据与相同部分的相同数据，保存差异数据并删除相同数据，具体包括：
从所述近似组件集中任选一个组件作为标准组件；
利用所述标准组件与所述近似组件集中其他组件进行比较，确定其他组件与标准组件存在差异的差异数据以及相同部分的相同数据；
保存差异数据，同时删除相同数据。
优选的，该方法还包括：
当需要对三维模型进行加载时，确定待加载的三维模型的类型以及待加载的三维模型在所述类型下对应的组件名称；
提取相同名称的标准组件以及差异数据；
基于所述标准组件以及差异数据转换为待加载的三维模型的组件；
通过融合算法将转换后的组件进行融合，以完成对三维模型的加载。
本发明实施例还提出了一种数据处理设备，包括：
划分模块，用于对三维模型数据库中的模型按照类别进行划分,并将每一类别下的模型按照预设规则拆分为多个组件，同时对所述组件进行命名；
分析模块，用于对名称相同的组件进行相似度分析，并将相似度在预设范围内的组件划分为对应名称的近似组件集；
处理模块，用于通过分析所述近似组件集中的组件，确定存在差异的差异数据与相同部分的相同数据，保存差异数据并剔除相同数据。
优选的，所述分析模块对名称相同的组件进行相似度分析，具体包括：
获取名称相同的组件的模型数据；
基于所述模型数据对名称相同的组件的形状特征进行分析，来确定名称相同的各组件之间的相似度。
优选的，所述形状特征包括：面积分布特征和纬度方向平均半径；
所述分析模块基于所述模型数据对名称相同的组件的形状特征进行分析，来确定名称相同的各组件之间的相似度，具体包括：
基于所述模型数据采用同心球切分模型的方式，获取名称相同的组件的面积分布特征；
基于所述模型数据采用极坐标的方式，获取名称相同的组件的纬度方向平均半径；
通过分步归类的方式综合面积分布特征与纬度方向平均半径确定名称相同的各组件之间的相似度。
优选的，所述处理模块，具体用于：
从所述近似组件集中任选一个组件作为标准组件；
利用所述标准组件与所述近似组件集中其他组件进行比较，确定其他组件与标准组件存在差异的差异数据以及相同部分的相同数据；
保存差异数据，同时删除相同数据。
优选的，该数据处理设备还包括：
加载模块，用于：当需要对三维模型进行加载时，确定待加载的三维模型的类型以及待加载的三维模型在所述类型下对应的组件名称；
提取相同名称的标准组件以及差异数据；
基于所述标准组件以及差异数据转换为待加载的三维模型的组件；
通过融合算法将转换后的组件进行融合，以完成对三维模型的加载。
与现有技术相比，本发明实施例，通过对三维模型数据库中的模型按照类别进行划分,并将每一类别下的模型按照预设规则拆分为多个组件，同时对所述组件进行命名；对名称相同的组件进行相似度分析，并将相似度在预设范围内的组件划分为对应名称的近似组件集；通过分析所述近似组件集中的组件，确定存在差异的差异数据与相同部分的相同数据，保存差异数据并剔除相同数据；具体的，将的提取差异的数据变换参数进行存储，另外剔除相同的数据部分，这样就减少存储大量模型的存储空间。此外，由于网络加载差异化变换参数远小于本身的模型数据信息所占用的带宽，因此提升了新三维家具模型加载速度。
附图说明
图1为本发明实施例还提出了一种数据处理方法的流程示意图；
图2为本发明实施例提出的一种确定面积分布特征示意图；
图3为本发明实施例提出的一种确定纬度方向平均半径的示意图；
图4为本发明实施例提出的一种比较组件之间差异的示意图；
图5为本发明实施例提出的一种数据处理设备的结构示意图。
具体实施方式
针对现有技术中存在的需要大量存储空间，加载速度很慢，给移动设备很大负担的缺陷，本发明提出了一种数据处理方法和设备，用以解决现有技术中的问题，减少了数据量，进而减少了数据所需的存储空间，以及提高了加载速度。
为此，本发明提出了以下几个实施例：
实施例1
实施例1提出了一种数据处理方法，如图1所示，包括以下步骤：
步骤101、对三维模型数据库中的模型按照类别进行划分,并将每一类别下的模型按照预设规则拆分为多个组件，同时对组件进行命名。
具体的，三维模型数据库中存储的都是同一种类实体的三维模型，其中的种类，可以分为家具，电器等等，在此以家具的三维模型为例来进行说明，对三维模型数据库中的模型按照类别进行划分，例如可以分为床、餐桌，凳子等等。以此可以建立索引，从而实现快速查找。
在基于类别进行划分后，还要进行拆分，在此以一个具体的实施例来进行说明：例如床可以拆分成的组件包括：床头、床头装饰、床垫、床尾、床尾装饰、四角装饰柱、护栏、侧面板、床板等。具体的命名可以基于生活中的习惯叫法来进行命名，或者科学上采用的专业名称等等。
步骤102、对名称相同的组件进行相似度分析，并将相似度在预设范围内的组件划分为对应名称的近似组件集。
对名称相同的组件进行相似度分析，具体包括：
获取名称相同的组件的模型数据；
基于模型数据对名称相同的组件的形状特征进行分析，来确定名称相同的各组件之间的相似度。
而其中，形状特征包括：面积分布特征和纬度方向平均半径；
具体的，基于模型数据对名称相同的组件的形状特征进行分析，来确定名称相同的各组件之间的相似度，包括：
基于模型数据采用同心球切分模型的方式，获取名称相同的组件的面积分布特征；
基于模型数据采用极坐标的方式，获取名称相同的组件的纬度方向平均半径；
通过分步归类的方式综合面积分布特征与纬度方向平均半径确定名称相同的各组件之间的相似度。
在此以一个具体的实施例来进行说明，例如三维模型为家具，分类后实体为床，分别命名为床1，床2，床3,···，而在进行了组件拆分后，对应的相同名称的组件为床板，其命名可以对应床，分别命名为床板1，床板2，床板3···，然后对各床板组件进行相似度分析，具体的，以同心球切分模型的方式，获取各床板的面积分布特征，还要将对应的床板的3D模型放入放到极坐标系中,然后按纬度方向进行切分,计算每个切分部分所含点到坐标原点的平均半径距离作为3D模型特征向量，并基于3D模型特征向量来进行处理，得到纬度方向平均半径，当然，这两个步骤是不分先后的，可以同时进行，也可以先后进行。在获取了面积分布特征以及纬度方向平均半径之后，利用分步归类的方式综合这两个特征最终得到名称相同的各组件之间的相似度。
而在获取了名称相同的各组件之间的相似度之后，将相似度在预设范围内的组件划分为对应名称的近似组件集，仍以上述为例来进行说明，例如预设范围为从0.8到1(在此，数值越大，表示相似程度越高，按照不同的运算实际情况，也可以使得数值越大，表示相似程度越低)，按照这预设范围进行划分，使得床板1，床板2，床板4，床板7，床板8作为一个近视组件集。
步骤103、通过分析近似组件集中的组件，确定存在差异的差异数据与相同部分的相同数据，保存差异数据并剔除相同数据。
具体的，通过分析近似组件集中的组件，确定存在差异的差异数据与相同部分的相同数据，保存差异数据并删除相同数据，包括：
从近似组件集中任选一个组件作为标准组件；
利用标准组件与近似组件集中其他组件进行比较，确定其他组件与标准组件存在差异的差异数据以及相同部分的相同数据；
保存差异数据，同时删除相同数据。
具体的，仍以上述例子来进行说明，床板1，床板2，床板4，床板7，床板8作为一个近视组件集，其中可以任选一个组件作为标准组件，例如可以选择床板7作为标准组件，并通过其他的4个组件(即床板1，床板2，床板4，床板8)与床板7，分别进行比较，在此以床板2与床板7的比较为例来进行说明，床板2与床板7存在共同的部分，例如为数据1，而床板2与床板7的差异部分为数据2，在此就可以保留数据2，删除数据1。后续可以利用数据2与床板7将床板2恢复。
具体的，该方法还包括：
当需要对三维模型进行加载时，确定待加载的三维模型的类型以及待加载的三维模型在类型下对应的组件名称；
提取相同名称的标准组件以及差异数据；
基于标准组件以及差异数据转换为待加载的三维模型的组件；
通过融合算法将转换后的组件进行融合，以完成对三维模型的加载。
实施例2
为了对本申请进行进一步地说明，本发明还提出了一种具体应用场景下的实施例2。
步骤1、首先建立个家具三维模型的大数据库。
步骤2、将家具模型按照家具类别进行分类，如：床、餐桌等等，形成按照家具类别分类，可以进行快速索引的家具三维模型的数据库。
步骤3、将每一类别的家具按照相应的规则进行组件化拆分，如：床拆分为床头、床头装饰、床垫、床尾、床尾装饰、四角装饰柱、护栏、侧面板、床板等，并分析同一类别不同家具的相同组件的网格信息。
其中，具体的三维模型网格信息是通过提取模型网格的不同的形状特征来进行分析的，而具体的形状特征包括:面积分布特征和纬度方向平均半径，因此是通过结合使用这2个特征进行归类分析的。
具体的，针对面积分布特征，是采用同心球切分模型的方式,计算每个切分部分的表面面积所占比例作为面积分布特征，具体的过程如图2所示，过程如下：
(1)、使用表面积加权平均法计算3D模型的中心,然后将模型的坐标原点平移到中心点。
(2)、以模型的中心点为球心,使用10个不同半径的同心球等距离切分模型。一个具体的实施例。
(3)、计算每个切分部分所包含三角面片的面积之和,然后除以3D模型的总表面积,构成具有10个分量的特征向量[A1,A2,A3···，A10]作为面积分布特征。
另一个特征为纬度方向平均半径，具体的，纬度方向平均半径特征提取是将3D模型放到极坐标系中,然后按纬度方向进行切分,计算每个切分部分所含点到坐标原点的平均半径距离作为3D模型特征向量。其具体的过程如图3所示，具体有如下过程：
(1)、首先使用PCA方法对3D模型进行规范化预处理,使其满足平移不变,缩放不变,旋转不变,对称不变。
(2)、对3D模型的表面进行均匀采样,将三角面片模型转换为点云模型。
(3)、把点云模型变换到极坐标系中,使用极坐标表示每个点。按纬度方向(角方向)等角度把点云模型切分成M等份,一般M＝16,每部分的角度大小为θ＝π/M。
(4)计算每部分的点到极点的平均半径,然后将每部分的平均半径除以点云模型所有点的平均半径,构成3D模型的纬度方向平均半径特征向量[r0,r1,···，RM-1]。
在获取了以上两个特征之后，可以综合利用这两个特征进行形状特征的分析，具体的，为了利用2个特征间的互补性使得模型分类更准确,采用分步归类的方法归类3D模型,具体算法如下：
首先根据示例3D模型的面积分布特征,应用二次型形式的距离公式计算相似度,公式如下:
其中:p和q是2个模型的特征向量；
N是特征向量的分量个数；
A是N×N的相似矩阵,
aij表示特征向量的分量i和j的相近度。这里将A设置为单位矩阵,那么公式将变为欧几里德距离公式,那么欧几里德距离公式是二次型形式距离公式的一个特例。aij定义为aij＝e-δd(i,j),d(i，j)是特征向量的分量之间的距离。
其中，如果用不同半径同心球切分3D模型,分量之间的距离是半径的差值；如果用不同的角度来切分,那么分量之间的距离是角度的差值。
δ是用来控制相似矩阵整体变化的参数,δ越大,得到的矩阵就越接近单位矩阵,这里取δ＝5。根据二次型形式的距离公式计算距离d<0.3的模型归类，数量为K。
然后根据示例模型的纬度方向平均半径特征从K个3D模型中，依然利用二次型形式的距离公式计算距离d＜0.2的L个最相似模型归为一类。
步骤4、在已经归类的近似组件集合中任意选出一个组件作为标准组件，将标准组件与其他组件分别比较，提取差异的数据变换参数进行存储，剔除相同的数据部分。步骤计算法如下：
(1)、在标准组件的网格上和其他组件的网格表面上采用相同的均匀采样点来作为标记点，一个具体的实施例如图4所示。
(2)、根据标准组件的网格上标记点的移动来变换标准组件的网格上的顶点。ρ是一个距离阈值,这里取它为外包围盒大小的四分之一。对标准组件的网格上的一个顶点V找出离此顶点最近的3个标记点,分别记为Q1,Q2和Q3。如果线段VQ1,VQ2和VQ3中至少有一个的长度大于ρ,就忽略V，继续测试下一个顶点；根据Q1,Q2和Q3找到对应的其他组件网格表面的标记点D1,D2和D3。根据Q1,Q2,Q3和D1,D2和D3求得变换后的顶点Vnew。
其中：S{D1D2D3}为Δ{D1D2D3}的面积；
S{Q1Q2Q3}为Δ{Q1Q2Q3}的面积；
V投影到由Q1,Q2和Q3确定的平面上,投影点为Vp；
Vnew到O的距离为0；
其中,n是平面{D1D2D3}的单位法线矢量,如果V-Vp与n有相同的方向,则c＝1.0；否则c＝-1.0。
根据这个原理只需要本地只需要存储Q1,Q2到Q3点的数据，服务端只需要存储D1,D2到D3点的数据。
步骤5、对于新的家具三维模型，首先放入数据库中拆分为对应类别的组件，然后，将标准组件与其组件分别比较，提取差异的数据变换标记点进行存储，剔除相同的数据部分。在本地的磁盘中只需要存储该家具三维模型类型各个组件的标准数据，那么在加载该模型三维数据时只需要调取各个组件的标准数据，然后根据对应组件的索引快速加载差异数据的变换信息即标记点数据，将标准数据快速的转换为需要的数据信息。
当获得一个新三维家具模型的各个组件之后，通过对各个组件的仿射变换，将各个组件按照拆分时的拆分规则拼接成为一个新三维家具模型的外形，然后通过网格融合算法来进行网格的融合。
具体的，以一个具体的例子来进行说明，例如为网格M1和M2进行融合，由M1边界向M2边界扩展生成过渡网格的关键是如何生成新的网格点。其具体的过程包括：
首先，搜索假设M1的边界点c，搜索出c点邻近的所有其它边界点，包括M1和M2上的点，作为候选三角化的采样点，候选采样点列表用L表示。
其次，利用c点处两边界ce1和ce2，将候选采样点向ce1和ce2所组成的平面投影，并将位于此区域以外的候选采样点从L中删除；对于此区域内候选采样点如果与c点距离大于|ce1|+|ce1|*3/4，也从L中删除。
然后，将保留下来的候选采样点分为两种情况:
情况1、L中除e1，e2外没有其它点的情况，如果∠e1ce2＜90°，直接连接e1e2；如果∠e1ce2≥90°，将∠e1ce2均分且满足均分后各角接近60°，在每条角分线上距c点距离为|ce1|+|ce1|/2处增加新的采样点；
情况2、对除e1，e2外还有候选采样点保留下来的情况，首先将这些保留下来的采样点与c相连，将此边界角分割为几个边界角，然后对每一个边界角用情况1的方法处理。更新网格边界，完成一个封闭的新三维家具模型数据。
实施例3
本发明实施例提出了一种数据处理设备，具体的，该数据处理设备可以是移动端设备，例如平板，在一个具体的应用场景中，可以如图5所示，包括：
划分模块501，用于对三维模型数据库中的模型按照类别进行划分,并将每一类别下的模型按照预设规则拆分为多个组件，同时对所述组件进行命名；
分析模块502，用于对名称相同的组件进行相似度分析，并将相似度在预设范围内的组件划分为对应名称的近似组件集；
处理模块503，用于通过分析所述近似组件集中的组件，确定存在差异的差异数据与相同部分的相同数据，保存差异数据并剔除相同数据。
具体的，所述分析模块502对名称相同的组件进行相似度分析，具体包括：
获取名称相同的组件的模型数据；
基于所述模型数据对名称相同的组件的形状特征进行分析，来确定名称相同的各组件之间的相似度。
具体的，所述形状特征包括：面积分布特征和纬度方向平均半径；
所述分析模块502基于所述模型数据对名称相同的组件的形状特征进行分析，来确定名称相同的各组件之间的相似度，具体包括：
基于所述模型数据采用同心球切分模型的方式，获取名称相同的组件的面积分布特征；
基于所述模型数据采用极坐标的方式，获取名称相同的组件的纬度方向平均半径；
通过分步归类的方式综合面积分布特征与纬度方向平均半径确定名称相同的各组件之间的相似度。
具体的，所述处理模块503，具体用于：
从所述近似组件集中任选一个组件作为标准组件；
利用所述标准组件与所述近似组件集中其他组件进行比较，确定其他组件与标准组件存在差异的差异数据以及相同部分的相同数据；
保存差异数据，同时删除相同数据。
具体的，该数据处理设备还包括：
加载模块，用于：当需要对三维模型进行加载时，确定待加载的三维模型的类型以及待加载的三维模型在所述类型下对应的组件名称；
提取相同名称的标准组件以及差异数据；
基于所述标准组件以及差异数据转换为待加载的三维模型的组件；
通过融合算法将转换后的组件进行融合，以完成对三维模型的加载。
与现有技术相比，本发明实施例，通过对三维模型数据库中的模型按照类别进行划分,并将每一类别下的模型按照预设规则拆分为多个组件，同时对所述组件进行命名；对名称相同的组件进行相似度分析，并将相似度在预设范围内的组件划分为对应名称的近似组件集；通过分析所述近似组件集中的组件，确定存在差异的差异数据与相同部分的相同数据，保存差异数据并剔除相同数据；具体的，将的提取差异的数据变换参数进行存储，另外剔除相同的数据部分，这样就减少存储大量模型的存储空间。此外，由于网络加载差异化变换参数远小于本身的模型数据信息所占用的带宽，因此提升了新三维家具模型加载速度。

Claims (6)

1.一种数据处理方法，其特征在于，包括：
对三维模型数据库中的模型按照类别进行划分,并将每一类别下的模型按照预设规则拆分为多个组件，同时对所述组件进行命名；
获取名称相同的组件的模型数据，基于所述模型数据采用同心球切分模型的方式，获取名称相同的组件的面积分布特征；
基于所述模型数据采用极坐标的方式，获取名称相同的组件的纬度方向平均半径；通过分步归类的方式综合面积分布特征与纬度方向平均半径确定名称相同的各组件之间的相似度，并将相似度在预设范围内的组件划分为对应名称的近似组件集；
通过分析所述近似组件集中的组件，确定存在差异的差异数据与相同部分的相同数据，保存差异数据并剔除相同数据。
2.如权利要求1所述的方法，其特征在于，通过分析近似组件集中的组件，确定存在差异的差异数据与相同部分的相同数据，保存差异数据并删除相同数据，具体包括：
从所述近似组件集中任选一个组件作为标准组件；
利用所述标准组件与所述近似组件集中其他组件进行比较，确定其他组件与标准组件存在差异的差异数据以及相同部分的相同数据；
保存差异数据，同时删除相同数据。
3.如权利要求1所述的方法，其特征在于，还包括：
当需要对三维模型进行加载时，确定待加载的三维模型的类型以及待加载的三维模型在所述类型下对应的组件名称；
提取相同名称的标准组件以及差异数据；
基于所述标准组件以及差异数据转换为待加载的三维模型的组件；
通过融合算法将转换后的组件进行融合，以完成对三维模型的加载。
4.一种数据处理设备，其特征在于，包括：
划分模块，用于对三维模型数据库中的模型按照类别进行划分,并将每一类别下的模型按照预设规则拆分为多个组件，同时对所述组件进行命名；
分析模块，用于获取名称相同的组件的模型数据，基于所述模型数据采用同心球切分模型的方式，获取名称相同的组件的面积分布特征；基于所述模型数据采用极坐标的方式，获取名称相同的组件的纬度方向平均半径；通过分步归类的方式综合面积分布特征与纬度方向平均半径确定名称相同的各组件之间的相似度，并将相似度在预设范围内的组件划分为对应名称的近似组件集；
处理模块，用于通过分析所述近似组件集中的组件，确定存在差异的差异数据与相同部分的相同数据，保存差异数据并剔除相同数据。
5.如权利要求4所述的设备，其特征在于，所述处理模块，具体用于：
从所述近似组件集中任选一个组件作为标准组件；
利用所述标准组件与所述近似组件集中其他组件进行比较，确定其他组件与标准组件存在差异的差异数据以及相同部分的相同数据；
保存差异数据，同时删除相同数据。
6.如权利要求4所述的设备，其特征在于，还包括：
加载模块，用于：当需要对三维模型进行加载时，确定待加载的三维模型的类型以及待加载的三维模型在所述类型下对应的组件名称；
提取相同名称的标准组件以及差异数据；
基于所述标准组件以及差异数据转换为待加载的三维模型的组件；通过融合算法将转换后的组件进行融合，以完成对三维模型的加载。
CN201610249262.0A 2016-04-20 2016-04-20 一种数据处理方法和设备 Active CN105956005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610249262.0A CN105956005B (zh) 2016-04-20 2016-04-20 一种数据处理方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610249262.0A CN105956005B (zh) 2016-04-20 2016-04-20 一种数据处理方法和设备

Publications (2)

Publication Number Publication Date
CN105956005A CN105956005A (zh) 2016-09-21
CN105956005B true CN105956005B (zh) 2019-06-07

Family

ID=56917918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610249262.0A Active CN105956005B (zh) 2016-04-20 2016-04-20 一种数据处理方法和设备

Country Status (1)

Country Link
CN (1) CN105956005B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325599A (zh) * 2018-08-14 2019-02-12 重庆邂智科技有限公司 一种数据处理方法、服务器及计算机可读介质
JP6760348B2 (ja) 2018-10-11 2020-09-23 株式会社富士通ゼネラル 空気調和機、データ送信方法及び空気調和システム
CN112150465B (zh) * 2020-11-24 2022-05-13 数坤(北京)网络科技股份有限公司 一种血管命名方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477529A (zh) * 2008-12-01 2009-07-08 清华大学 一种三维对象的检索方法和装置
CN101546318A (zh) * 2008-03-27 2009-09-30 林兆祥 一种基于版本的数据存储方法
CN101996245A (zh) * 2010-11-09 2011-03-30 南京大学 一种图形对象的形状特征描述与检索方法
CN103200219A (zh) * 2013-02-05 2013-07-10 北京小米科技有限责任公司 数据包更新方法、装置、终端设备和服务器
CN104679794A (zh) * 2013-12-03 2015-06-03 中兴通讯股份有限公司 数据差异分析方法及装置
CN105095226A (zh) * 2014-04-25 2015-11-25 广州市动景计算机科技有限公司 网页资源加载方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101546318A (zh) * 2008-03-27 2009-09-30 林兆祥 一种基于版本的数据存储方法
CN101477529A (zh) * 2008-12-01 2009-07-08 清华大学 一种三维对象的检索方法和装置
CN101996245A (zh) * 2010-11-09 2011-03-30 南京大学 一种图形对象的形状特征描述与检索方法
CN103200219A (zh) * 2013-02-05 2013-07-10 北京小米科技有限责任公司 数据包更新方法、装置、终端设备和服务器
CN104679794A (zh) * 2013-12-03 2015-06-03 中兴通讯股份有限公司 数据差异分析方法及装置
CN105095226A (zh) * 2014-04-25 2015-11-25 广州市动景计算机科技有限公司 网页资源加载方法及装置

Also Published As

Publication number Publication date
CN105956005A (zh) 2016-09-21

Similar Documents

Publication Publication Date Title
CN107038751B (zh) 从2d图像进行3d建模对象的识别的方法、介质与系统
WO2024077812A1 (zh) 基于点云语义分割与结构拟合的单体建筑三维重建方法
Shapira et al. Consistent mesh partitioning and skeletonisation using the shape diameter function
WO2020119661A1 (zh) 一种目标检测方法、装置以及行人检测方法、系统
CN106327506B (zh) 一种基于概率分区合并的三维模型分割方法
CN110163863B (zh) 三维物体分割方法、设备和介质
CN105956005B (zh) 一种数据处理方法和设备
CN110019914A (zh) 一种支持三维场景交互的三维模型数据库检索方法
Fan et al. A self-adaptive segmentation method for a point cloud
CN110176071A (zh) 一种基于特征模板的三维点云重构方法
Cao et al. Sharp feature extraction in point clouds
CN108537887A (zh) 基于3d打印的草图与模型库三维视图匹配方法
Ho et al. Volume based mesh segmentation
CN106683105A (zh) 图像分割方法及图像分割装置
CN112053439B (zh) 图像中实例属性信息确定方法、装置、设备及存储介质
Zhou 3D urban modeling from city-scale aerial LiDAR data
CN117036733A (zh) 一种城市道路场景特征线提取的方法
CN116089639A (zh) 一种辅助三维建模方法、系统、装置和介质
Álvarez et al. Junction assisted 3d pose retrieval of untextured 3d models in monocular images
CN106980878A (zh) 三维模型几何风格的确定方法及装置
Asgharian et al. Feature-preserving mesh simplification through anisotropic Nyquist-based adaptive sampling of points inside the segmented regions
Yuan et al. Automatic cables segmentation from a substation device based on 3D point cloud
Yang et al. Developing a semantic-driven hybrid segmentation method for point clouds of 3D shapes
Liu et al. Extended cone-curvature based salient points detection and 3D model retrieval
Ma et al. Vision-based indoor positioning method by joint using 2d images and 3d point cloud map

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210113

Address after: Room 3206, block a, building 17, fangchengyuan District 1, Fangzhuang, Fengtai District, Beijing

Patentee after: BEIJING MOYIHOME NETWORK TECHNOLOGY DEVELOPMENT Co.,Ltd.

Address before: No. 2001, building 4, fangxingyuan District 3, Fengtai District, Beijing

Patentee before: Cao Yi

Patentee before: Su Rui

TR01 Transfer of patent right
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160921

Assignee: Hangzhou zhaitoudou Technology Co.,Ltd.

Assignor: BEIJING MOYIHOME NETWORK TECHNOLOGY DEVELOPMENT Co.,Ltd.

Contract record no.: X2021990000340

Denomination of invention: A data processing method and equipment

Granted publication date: 20190607

License type: Exclusive License

Record date: 20210607

EE01 Entry into force of recordation of patent licensing contract