CN106204749B - 稀疏低秩特征表达的三维模型共分割方法 - Google Patents
稀疏低秩特征表达的三维模型共分割方法 Download PDFInfo
- Publication number
- CN106204749B CN106204749B CN201610534020.6A CN201610534020A CN106204749B CN 106204749 B CN106204749 B CN 106204749B CN 201610534020 A CN201610534020 A CN 201610534020A CN 106204749 B CN106204749 B CN 106204749B
- Authority
- CN
- China
- Prior art keywords
- threedimensional model
- expression
- dough sheet
- model
- sheet block
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/30—Polynomial surface description
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Discrete Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Multimedia (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种稀疏低秩特征表达的三维模型共分割方法,包括:针对三维模型类别中的各三维模型进行预分割,得到各三维模型的三维模型面片块;对各三维模型的三维模型面片块分别进行直方图构建,得到各三维模型的面片块特征向量;对各三维模型的面片块特征向量进行稀疏低秩表达的处理,得到各三维模型的表达系数和表达误差;根据各三维模型的表达系数和表达误差,确定各三维模型的信任表达系数;对各三维模型的信任表达系数进行聚类,以对各三维模型分别进行共分割。保持了同类三维模型的全局一致性,并且保持单个三维模型的个性特征;将多次表达结果正确地结合在一起,三维模型共分割结果的正确率较高。
Description
技术领域
本发明涉及计算机图形技术领域,尤其涉及一种稀疏低秩特征表达的三维模型共分割方法。
背景技术
随着计算机科学技术的不断进步发展,三维模型处理技术已经成为人们生活所需的重要组成部分之一,在影视、医疗、工业生产等等领域都需要采用到三维模型处理技术。并且,三维模型共分割技术作为三维模型理解与处理的重要基础技术之一,三维模型共分割技术在三维建模、三维动画、三维仿真等各三维技术领域都发挥着巨大的作用。三维模型共分割技术指的是同一类别的模型中具有多个模型,然后对这些模型的各部件进行统一分割的技术。
现有技术中,三维模型共分割方法包括了无监督的三维模型集联合分割方法、可交互的三维模型集共分割方法等方法。其中,无监督的三维模型集联合分割方法,通过对输入模型集的每个模型进行初始分割之后,对不同模型间的预分割部件进行两两联合分割来识别模型间相似的部件,最后对所有模型部件进行全局优化以获得一致性的三维模型集共分割结果;可交互的三维模型集共分割方法通过预分割产生初始分割结果,然后用户根据先验指定少量的模型间相同类别的部分与不同类别的部分约束,利用这些约束不断优化迭代共分割的结果,最后得到三维模型集的一致分割结果。
然而现有技术中,无监督的三维模型集联合分割方法依赖于初始的预分割结果,若在预分割过程中得不到正确的部件分割结果,那么会导致最终也得不到正确的分割结果;同时,由于无监督的三维模型集联合分割方法依赖模型间的对应关系,一旦模型的部件多样性引起错误的对应关系,则会产生错误的分割结果,该方法的共分割结果的正确率较低。而可交互的三维模型集共分割方法由于需通过少量的用户交互来将正确的模型部件对应关系传播给其他模型,没有一个真实分割结果的指引,用户交互的指引在纠正错误的模型部件对应关系上具有存在一定的局限性,进而也无法得到正确的分割结果,该方法的共分割结果的正确率也较低。
发明内容
本发明提供一种稀疏低秩特征表达的三维模型共分割方法,用以解决现有技术中的三维模型共分割结果的正确率较低的问题。
本发明提供一种稀疏低秩特征表达的三维模型共分割方法,包括:
针对三维模型类别中的各三维模型进行预分割,得到各三维模型的三维模型面片块;
对各三维模型的三维模型面片块分别进行直方图构建,得到各三维模型的面片块特征向量;
对各三维模型的面片块特征向量进行稀疏低秩表达的处理,得到各三维模型的表达系数和表达误差;
根据各三维模型的表达系数和表达误差,确定各三维模型的信任表达系数;
对各三维模型的信任表达系数进行聚类,以对各三维模型分别进行共分割。
如上所述的方法中,所述针对三维模型类别中的各三维模型进行预分割,得到各三维模型的三维模型面片块,包括:
针对三维模型类别中的每一个三维模型,获取每一个三维模型的基本几何特征组合;
采用NCuts算法分别对每一个三维模型的基本几何特征组合进行预分割,确定每一个三维模型的三维模型面片块。
如上所述的方法中,所述基本几何特征组合中包括以下特征:法向量、几何坐标;
每一个三维模型的三维模型面片块的块数为50个。
如上所述的方法中,所述对各三维模型的三维模型面片块分别进行直方图构建,得到各三维模型的面片块特征向量,包括:
对每一个三维模型的每一个三维模型面片块进行几何特征值计算,确定每一个三维模型的每一个三维模型面片块的三角面片特征值组合,三角面片特征值组合中包括至少一个三角面片特征值;
对每一个三维模型的每一个三维模型面片块的三角面片特征值组合,分别进行直方图构建,以确定每一个三维模型的每一个三维模型面片块的特征直方图;
对每一个三维模型的所有三维模型面片块的特征直方图进行排列,确定每一个三维模型的面片块特征向量。
如上所述的方法中,三角面片特征值组合中包括Shape Diameter Function(形状直径函数,简称SDF)值、Distance from medial surface(内侧面距离,简称DMS)值、Average Geodesic Distance(平均测地线距离,简称AGD)值、Shape Context(形状上下文,简称SC)值。
如上所述的方法中,所述对各三维模型的面片块特征向量进行稀疏低秩表达的处理,得到各三维模型的表达系数和表达误差,包括:
根据三维模型的面片块特征向量,构建模型的面片块特征向量矩阵Di=DkZki+Eki,其中,Dk为模型k的面片块特征向量矩阵,Zki为表达系数,Eki为表达误差,i∈[1,n],k∈[1,n],i、n、k为正整数;
构建稀疏低秩约束条件其中,Zki≥0,ZZk为以模型k为字典去表达所有模型的表达系数集合,且ZZk={Zk1,Zk2,...,Zkn},||.||*表示矩阵核范数,||.||*为矩阵特征值加和,||.||2,1表示l2,1范数,np表示每个模型中的三维模型面片块的块数,Zki(*,j)表示Zki的第j列,||.||1,1表示l1,1范数,||E||1,1=Σi,j|Ei,j|,i、j分别为矩阵E的行数与列数,j∈[1,n*np],j、np为正整数,α、λ为平衡权重因子;
根据每一个模型的面片块特征向量矩阵以及所述稀疏低秩约束条件,确定求解公式其中,Di=DkRki+Eki,Zki=Ski,Zki=Rki,Ski≥0,Rki≥0;
对所述求解公式进行求解,得到每一个三维模型的各表达系数Zki和各表达误差Eki。
如上所述的方法中,对所述求解公式进行求解,得到每一个三维模型的各表达系数Zki和各表达误差Eki,包括:
采用Augmented Lagrange Multiplier(增强拉格朗日乘数,简称ALM)方法对所述求解公式进行求解,得到每一个三维模型的各表达系数Zki和各表达误差Eki。
如上所述的方法中,所述根据各三维模型的表达系数和表达误差,确定各三维模型的信任表达系数,包括:
对每一个三维模型的所有表达误差进行归一化处理,得到每一个三维模型的归一化后的表达误差EEi={Ei1,Ei2,...,Ein},其中,i∈[1,n],i、n为正整数;
根据每一个三维模型的归一化后的所有表达误差,确定每一个三维模型的误差和其中,i∈[1,n],j∈[1,n*np],j、np为正整数;
对每一个三维模型的所有误差和进行归一化处理,得到每一个三维模型的各权重值NSEi;
根据每一个三维模型的各权重值NSEi和表达系数集合ZZi,确定每一个三维模型的各信任表达系数其中,β为控制参数。
如上所述的方法中,所述对各三维模型的信任表达系数进行聚类,以对各三维模型分别进行共分割,包括:
采用K-means方法对所有三维模型的信任表达系数进行聚类,得到每一个三维模型的共分割结果。
如上所述的方法中,在所述对各三维模型的信任表达系数进行聚类,以对各三维模型分别进行共分割之后,还包括:
采用Fuzzy Cuts(模糊切割,简称Fuzzy Cuts)方法对每一个三维模型的共分割结果进行边界平滑和优化的处理,确定每一个三维模型的优化后的共分割结果。
本发明的技术效果是:通过针对三维模型类别中的各三维模型进行预分割,得到各三维模型的三维模型面片块;对各三维模型的三维模型面片块分别进行直方图构建,得到各三维模型的面片块特征向量;对各三维模型的面片块特征向量进行稀疏低秩表达的处理,得到各三维模型的表达系数和表达误差;根据各三维模型的表达系数和表达误差,确定各三维模型的信任表达系数;对各三维模型的信任表达系数进行聚类,以对各三维模型分别进行共分割。从而提出了一种新的基于稀疏低秩表达的三维模型共分割方法,利用单个三维模型作为字典,去找寻各三维模型间的对应关系,同时保持了同类三维模型的全局一致性,并且保持单个三维模型的个性特征;同时,采用表达误差对表达系数进行信任度加权的方法,可以将多次表达结果正确地结合在一起,进而聚类之后可以得到最终的三维模型共分割结果,三维模型共分割结果的正确率较高。
附图说明
图1为本发明实施例一提供的稀疏低秩特征表达的三维模型共分割方法的流程图;
图2为本发明实施例一提供的稀疏低秩特征表达的三维模型共分割方法的中三维模型的示意图;
图3为本发明实施例二提供的稀疏低秩特征表达的三维模型共分割方法的流程图;
图4为本发明实施例二提供的稀疏低秩特征表达的三维模型共分割方法的中三维模型的示意图;
图5为本发明实施例二提供的稀疏低秩特征表达的三维模型共分割方法的中三维模型的几何特征值计算示意图;
图6为本发明实施例二提供的稀疏低秩特征表达的三维模型共分割方法的中三维模型的稀疏低秩特征表达计算示意图;
图7为本发明实施例二提供的稀疏低秩特征表达的三维模型共分割方法的中三维模型的稀疏信任度加权计算示意图;
图8为本发明实施例二提供的稀疏低秩特征表达的三维模型共分割方法的中三维模型的共分割的结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一提供的稀疏低秩特征表达的三维模型共分割方法的流程图,如图1所示,本实施例的方法包括:
步骤101、针对三维模型类别中的各三维模型进行预分割,得到各三维模型的三维模型面片块。
在本实施例中,具体的,在一个三维模型类别中具有多个三维模型,例如在一个人体类别的三维模型类别中,图2为本发明实施例一提供的稀疏低秩特征表达的三维模型共分割方法的中三维模型的示意图,如图2所示,具有多个人体的三维模型;在一个桌子类别的三维模型类别中,具有多个桌子的三维模型;在一个猫类别的三维模型类别中,具有多个猫的三维模型。需要对一个三维模型类别中所有三维模型进行分割,从而将每一个三维模型分割为几个部件。例如,对一个人体类别的各人体的三维模型进行共分割,从而将每一个人体分割为头部、躯干、四肢这些部件。
首先需要对三维模型类别中的各个三维模型,分别进行预分割,从而得到每一个三维模型的三维模型面片块。三维模型面片块为连续的、聚合的三维模型三角面片组成。每一个三维模型可以具有多个三维模型面片块。
步骤102、对各三维模型的三维模型面片块分别进行直方图构建,得到各三维模型的面片块特征向量。
在本实施例中,具体的,对各个三维模型的三维模型面片块分别进行直方图构建,具体来说,可以首先对每一个三维模型的三维模型三角面片进行几何特征的提取,进而可以得到每一个三维模型的各三维模型三角面片的SDF值、DMS值、AGD值和SC值,然后,将计算得到的每一个三维模型的各三维模型三角面片的几何特征值进行归一化处理,然后计算得到每一个三维模型的每一个三维模型面片块的特征直方图,再将每一个三维模型的各三维模型面片块特征直方图重排列并拼接在一起之后,就可以得到每一个三维模型的面片块特征向量。
步骤103、对各三维模型的面片块特征向量进行稀疏低秩表达的处理,得到各三维模型的表达系数和表达误差。
在本实施例中,具体的,可以将三维模型类别中的每一个模型的面块特征直方图集合为字典,去分别稀疏的表达三维模型类别中的每一个模型,即对各三维模型的面片块特征向量进行稀疏低秩表达的处理;同时构建出稀疏低秩约束,使得表达系数的秩尽可能低,然后通过计算去得到每一个三维模型的表达系数的集合与表达误差的集合。在一个三维模型的表达系数的集合中具有多个表达系数,在一个三维模型的表达误差的集合中具有多个表达误差。
步骤104、根据各三维模型的表达系数和表达误差,确定各三维模型的信任表达系数。
在本实施例中,具体的,针对每一个三维模型来说,可以对三维模型的表达误差进行归一化,将归一化后的表达误差作为与表达误差对应的表达系数的权重,从而对各表达误差进行加权,从而分别计算出每一个三维模型的信任表达系数。其中,一个三维模型具有一个信任表达系数。
步骤105、对各三维模型的信任表达系数进行聚类,以对各三维模型分别进行共分割。
在本实施例中,具体的,将所有三维模型的信任表达系数,统一进行聚类划分,可以得到每一个三维模型的共分割结果,从而将每一个三维模型分为多个部件,并且每一个三维模型的部件的类别是统一的;然后可以将得到的每一个三维模型的共分割结果,采用Fuzzy Cuts方法进行边界平滑与优化,得到最终的三维模型共分割结果。
本实施例通过针对三维模型类别中的各三维模型进行预分割,得到各三维模型的三维模型面片块;对各三维模型的三维模型面片块分别进行直方图构建,得到各三维模型的面片块特征向量;对各三维模型的面片块特征向量进行稀疏低秩表达的处理,得到各三维模型的表达系数和表达误差;根据各三维模型的表达系数和表达误差,确定各三维模型的信任表达系数;对各三维模型的信任表达系数进行聚类,以对各三维模型分别进行共分割。从而提出了一种新的基于稀疏低秩表达的三维模型共分割方法,利用单个三维模型作为字典,去找寻各三维模型间的对应关系,同时保持了同类三维模型的全局一致性,并且保持单个三维模型的个性特征;同时,采用表达误差对表达系数进行信任度加权的方法,可以将多次表达结果正确地结合在一起,进而聚类之后可以得到最终的三维模型共分割结果,三维模型共分割结果的正确率较高。
图3为本发明实施例二提供的稀疏低秩特征表达的三维模型共分割方法的流程图,在实施例一的基础上,如图3所示,本实施例的方法,步骤101,具体包括:
针对三维模型类别中的每一个三维模型,获取每一个三维模型的基本几何特征组合;
采用NCuts算法分别对每一个三维模型的基本几何特征组合进行预分割,确定每一个三维模型的三维模型面片块。
其中,基本几何特征组合中包括以下特征:法向量、几何坐标;每一个三维模型的三维模型面片块的块数为50个。
在本实施例中,具体的,图4为本发明实施例二提供的稀疏低秩特征表达的三维模型共分割方法的中三维模型的示意图,如图4所示,在一个三维模型类别中具有多个三维模型,将一个三维模型类别中的多个三维模型输入到计算机中,然后就可以获取到每一个三维模型的基本几何特征组合,其中,基本几何特征组合中了法向量、几何坐标这些特征。
然后,就可以采用NCuts算法分别对每一个三维模型的基本几何特征组合进行预分割,从而将每一个三维模型进行预分割,可以得到每一个三维模型的连续的、聚合的三维模型面片块。其中,每一个三维模型的三维模型面片块的块数,通常设置为50个。
步骤102,具体包括:
对每一个三维模型的每一个三维模型面片块进行几何特征值计算,确定每一个三维模型的每一个三维模型面片块的三角面片特征值组合,三角面片特征值组合中包括至少一个三角面片特征值;
对每一个三维模型的每一个三维模型面片块的三角面片特征值组合,分别进行直方图构建,以确定每一个三维模型的每一个三维模型面片块的特征直方图;
对每一个三维模型的所有三维模型面片块的特征直方图进行排列,确定每一个三维模型的面片块特征向量。
其中,三角面片特征值组合中包括SDF值、DMS值、AGD值、SC值。
在本实施例中,具体的,针对三维模型类别中的每一个三维模型来说,首先需要对每一个三维模型的每一个三维模型面片块进行几何特征值计算,可以计算出每一个三维模型的每一个三维模型面片块的SDF值、DMS值、AGD值、SC值等三角面片特征值,从而每一个三维模型面片块的SDF值、DMS值、AGD值、SC值,构成了每一个三维模型面片块的三角面片特征值组合。图5为本发明实施例二提供的稀疏低秩特征表达的三维模型共分割方法的中三维模型的几何特征值计算示意图,如图5所示,对于各个模型,可以得到每一个三维模型面片块的SDF值、DMS值、AGD值、SC值。
然后,对每一个三维模型的每一个三维模型面片块的三角面片特征值组合,分别进行直方图构建,从而确定出每一个三维模型的每一个三维模型面片块的特征直方图。可知,一个三维模型具有50块三维模型面片块,则一个三维模型具有50个特征直方图。在进行直方图构建的时候,通常将特征直方图的划分块数设置为50。
最后,将每一个三维模型的所有三维模型面片块的特征直方图进行排列,可以将每一个三维模型的所有特征直方图中的特征值排列成1列,将排列后的特征直方图作为每一个三维模型的面片块特征向量。其中,每一个三维模型具有多个面片块特征向量。
步骤103,具体包括:
根据三维模型的面片块特征向量,构建模型的面片块特征向量矩阵Di=DkZki+Eki,其中,Dk为模型k的面片块特征向量矩阵,Zki为表达系数,Eki为表达误差,i∈[1,n],k∈[1,n],i、n、k为正整数;
构建稀疏低秩约束条件其中,Zki≥0,ZZk为以模型k为字典去表达所有模型的表达系数集合,且ZZk={Zk1,Zk2,...,Zkn},||.||*表示矩阵核范数,||.||*为矩阵特征值加和,||.||2,1表示l2,1范数,np表示每个模型中的三维模型面片块的块数,Zki(*,j)表示Zki的第j列,||.||1,1表示l1,1范数,||E||1,1=∑i,j|Ei,j|,i、j分别为矩阵E的行数与列数,j∈[1,n*np],j、np为正整数,α、λ为平衡权重因子;
根据每一个模型的面片块特征向量矩阵以及稀疏低秩约束条件,确定求解公式其中,Di=DkRki+Eki,Zki=Ski,Zki=Rki,Ski≥0,Rki≥0;
对求解公式进行求解,得到每一个三维模型的各表达系数Zki和各表达误差Eki。
其中,对求解公式进行求解,得到每一个三维模型的各表达系数Zki和各表达误差Eki,包括:
采用ALM方法对求解公式进行求解,得到每一个三维模型的各表达系数Zki和各表达误差Eki。
在本实施例中,具体的,针对三维模型类别中的每一个三维模型来说,在得到了每一个三维模型的面片块特征向量之后,首先可以将其中的模型k的所有面片块特征向量进行拼接,从而得到模型k的面片块特征向量矩阵Dk。然后,每一个三维模型的面片块特征向量,确定出每一个模型的面片块特征向量矩阵的表达公式Di=DkZki+Eki,其中,Zki为表达系数,Eki为表达误差,i∈[1,n],k∈[1,n],i、n、k为正整数,此时,表达系数Zki,表达误差Eki为未知数。
为了得到紧致一致的各模型间的相互关系,本实施例需要构建出稀疏低秩约束条件其中,Zki≥0,ZZk为以模型k为字典去表达一个三维模型类别中的所有模型的表达系数集合,且ZZk={Zk1,Zk2,...,Zkn},||.||*表示矩阵核范数,为矩阵特征值加和,||.||2,1表示l2,1范数,其中,np表示每个模型中的三维模型面片块的块数,Zki(*,j)表示Zki的第j列,||.||1,1表示l1,1范数,||E||1,1=∑i,j|Ei,j|,i、j分别为矩阵E的行数与列数,j∈[1,n*np],j、np为正整数,α、λ为平衡权重因子。
然后,将每一个模型的面片块特征向量矩阵Di=DkZki+Eki,以及稀疏低秩约束条件这两个公式进行等价转换,从而得到一个求解公式其中,Di=DkRki+Eki,Zki=Ski,Zki=Rki,Ski≥0,Rki≥0,i∈[1,n],k∈[1,n],i、n、k为正整数。
然后再利用ALM方法求解上述求解公式可以得到每一个三维模型的各表达系数Zki、以及与各表达系数Zki分别一一对应的表达误差Eki。可知,对于一个三维模型来说,一个三维模型是具有多个表达系数、以及多个表达误差的,并且,表达系数是与表达误差一一对应的。
图6为本发明实施例二提供的稀疏低秩特征表达的三维模型共分割方法的中三维模型的稀疏低秩特征表达计算示意图,如图6所示,从而可以利用一个三维模型类别中的每个三维模型去作为字典,去整个三维模型类别中的所有三维模型进行稀疏低秩的表达,然后去计算出每一个三维模型的各表达系数Zki、以及与各表达系数Zki分别一一对应的表达误差Eki。
步骤104,具体包括:
对每一个三维模型的所有表达误差进行归一化处理,得到每一个三维模型的归一化后的表达误差EEi={Ei1,Ei2,...,Ein},其中,i∈[1,n],i、n为正整数;
根据每一个三维模型的归一化后的所有表达误差,确定每一个三维模型的误差和其中,i∈[1,n],j∈[1,n*np],j、np为正整数;
对每一个三维模型的所有误差和进行归一化处理,得到每一个三维模型的各权重值NSEi;
根据每一个三维模型的各权重值NSEi和表达系数集合ZZi,确定每一个三维模型的各信任表达系数其中,β为控制参数。
在本实施例中,具体的,提出了一种系数信任度加权方法,可以利用表达误差对得到的表达系数进行信任度评估与加权,从而得到可靠的信任表达系数。
具体来说,首先,对每一个三维模型的所有表达误差Eki进行归一化处理,从而得到每一个三维模型的归一化后的表达误差EEi={Ei1,Ei2,...,Ein},并且,i∈[1,n],i、n为正整数。
然后,图7为本发明实施例二提供的稀疏低秩特征表达的三维模型共分割方法的中三维模型的稀疏信任度加权计算示意图,如图7所示,就可以依据每一个三维模型的归一化后的所有表达误差EEi={Ei1,Ei2,...,Ein},去计算出每一个三维模型的每一列的误差和其中,i∈[1,n],j∈[1,n*np],j、np为正整数。
接着,对每一个三维模型的所有误差和SEi进行归一化处理,得到每一个三维模型的各权重值NSEi;再依据每一个三维模型的各权重值NSEi和表达系数集合ZZi,去求解出每一个三维模型的各信任表达系数β为一个控制参数,一般来说,β取值为5。
步骤105,具体包括:
采用K-means方法对所有三维模型的信任表达系数进行聚类,得到每一个三维模型的共分割结果。
在本实施例中,具体的,将所有三维模型的信任表达系数,采用K-means方法进行聚类划分,从而可以得到每一个三维模型的共分割结果,此时,就已经将一个三维模型类别中的每一个三维模型分割为了多个部件,并且每一个三维模型的部件的类别是统一的。
例如,对于一个人体类型的多个人体三维模型,将每一个人体三维模型换分为了头部、躯干、四肢等多个部件;同时,没有将人体三维模型的各部件进行错误的划分。
在步骤105之后,还包括:
步骤201、采用Fuzzy Cuts方法对每一个三维模型的共分割结果进行边界平滑和优化的处理,确定每一个三维模型的优化后的共分割结果。
在本实施例中,具体的,在步骤105之后,可以得到一个三维模型类中的各三维模型的初始共分割结果,此时,针对每一个三维模型来说,需要采用Fuzzy Cuts方法对步骤105的每一个三维模型的共分割结果进行边界平滑和优化的处理,图8为本发明实施例二提供的稀疏低秩特征表达的三维模型共分割方法的中三维模型的共分割的结果示意图,如图8所示,从而得到最终的三维模型共结果,即得到了一个三维模型类中每一个三维模型的优化后的共分割结果,以保证共分割的准确率。
本实施例通过针对三维模型类别中的各三维模型进行预分割,得到各三维模型的三维模型面片块;对各三维模型的三维模型面片块分别进行直方图构建,得到各三维模型的面片块特征向量;对各三维模型的面片块特征向量进行稀疏低秩表达的处理,得到各三维模型的表达系数和表达误差;根据各三维模型的表达系数和表达误差,确定各三维模型的信任表达系数;对各三维模型的信任表达系数进行聚类,以对各三维模型分别进行共分割;然后采用Fuzzy Cuts方法对每一个三维模型的共分割结果进行边界平滑和优化的处理,确定每一个三维模型的优化后的共分割结果。从而提出了一种新的基于稀疏低秩表达的三维模型共分割方法,利用单个三维模型作为字典,去找寻各三维模型间的对应关系,同时保持了同类三维模型的全局一致性,并且保持单个三维模型的个性特征;同时,采用表达误差对表达系数进行信任度加权的方法,可以将多次表达结果正确地结合在一起,进而聚类之后可以得到最终的三维模型共分割结果,三维模型共分割结果的正确率较高。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种稀疏低秩特征表达的三维模型共分割方法,其特征在于,包括:
针对三维模型类别中的各三维模型进行预分割,得到各三维模型的三维模型面片块;
对各三维模型的三维模型面片块分别进行直方图构建,得到各三维模型的面片块特征向量;
对各三维模型的面片块特征向量进行稀疏低秩表达的处理,得到各三维模型的表达系数和表达误差;
根据各三维模型的表达系数和表达误差,确定各三维模型的信任表达系数;
对各三维模型的信任表达系数进行聚类,以对各三维模型分别进行共分割;
其中,所述对各三维模型的面片块特征向量进行稀疏低秩表达的处理,得到各三维模型的表达系数和表达误差,包括:
根据三维模型的面片块特征向量,构建模型的面片块特征向量矩阵Di=DkZki+Eki,其中,Dk为模型k的面片块特征向量矩阵,Zki为表达系数,Eki为表达误差,i∈[1,n],k∈[1,n],i、n、k为正整数;
构建稀疏低秩约束条件其中,Zki≥0,ZZk为以模型k为字典去表达所有模型的表达系数集合,且ZZk={Zk1,Zk2,...,Zkn},||.||*表示矩阵核范数,||.||*为矩阵特征值加和,||.||2,1表示l2,1范数,np表示每个模型中的三维模型面片块的块数,Zki(*,j)表示Zki的第j列,||.||1,1表示l1,1范数,||E||1,1=∑i,j|Ei,j|,i、j分别为矩阵E的行数与列数,j∈[1,n*np],j、np为正整数,α、λ为平衡权重因子;
根据每一个模型的面片块特征向量矩阵以及所述稀疏低秩约束条件,确定求解公式其中,Di=DkRki+Eki,Zki=Ski,Zki=Rki,Ski≥0,Rki≥0;
对所述求解公式进行求解,得到每一个三维模型的各表达系数Zki和各表达误差Eki;
其中,所述根据各三维模型的表达系数和表达误差,确定各三维模型的信任表达系数,包括:
对每一个三维模型的所有表达误差进行归一化处理,得到每一个三维模型的归一化后的表达误差EEi={Ei1,Ei2,...,Ein},其中,i∈[1,n],i、n为正整数;
根据每一个三维模型的归一化后的所有表达误差,确定每一个三维模型的误差和其中,i∈[1,n],j∈[1,n*np],j、np为正整数;
对每一个三维模型的所有误差和进行归一化处理,得到每一个三维模型的各权重值NSEi;
根据每一个三维模型的各权重值NSEi和表达系数集合ZZi,确定每一个三维模型的各信任表达系数其中,β为控制参数。
2.根据权利要求1所述的方法,其特征在于,所述针对三维模型类别中的各三维模型进行预分割,得到各三维模型的三维模型面片块,包括:
针对三维模型类别中的每一个三维模型,获取每一个三维模型的基本几何特征组合;
采用NCuts算法分别对每一个三维模型的基本几何特征组合进行预分割,确定每一个三维模型的三维模型面片块。
3.根据权利要求2所述的方法,其特征在于,所述基本几何特征组合中包括以下特征:法向量、几何坐标;
每一个三维模型的三维模型面片块的块数为50个。
4.根据权利要求1所述的方法,其特征在于,所述对各三维模型的三维模型面片块分别进行直方图构建,得到各三维模型的面片块特征向量,包括:
对每一个三维模型的每一个三维模型面片块进行几何特征值计算,确定每一个三维模型的每一个三维模型面片块的三角面片特征值组合,三角面片特征值组合中包括至少一个三角面片特征值;
对每一个三维模型的每一个三维模型面片块的三角面片特征值组合,分别进行直方图构建,以确定每一个三维模型的每一个三维模型面片块的特征直方图;
对每一个三维模型的所有三维模型面片块的特征直方图进行排列,确定每一个三维模型的面片块特征向量。
5.根据权利要求4所述的方法,其特征在于,三角面片特征值组合中包括形状直径函数SDF值、内侧面距离DMS值、平均测地线距离AGD值、形状上下文SC值。
6.根据权利要求5所述的方法,其特征在于,对所述求解公式进行求解,得到每一个三维模型的各表达系数Zki和各表达误差Eki,包括:
采用增强拉格朗日乘数ALM方法对所述求解公式进行求解,得到每一个三维模型的各表达系数Zki和各表达误差Eki。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述对各三维模型的信任表达系数进行聚类,以对各三维模型分别进行共分割,包括:
采用K-means方法对所有三维模型的信任表达系数进行聚类,得到每一个三维模型的共分割结果。
8.根据权利要求1-6任一项所述的方法,其特征在于,在所述对各三维模型的信任表达系数进行聚类,以对各三维模型分别进行共分割之后,还包括:
采用模糊切割Fuzzy Cuts方法对每一个三维模型的共分割结果进行边界平滑和优化的处理,确定每一个三维模型的优化后的共分割结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610534020.6A CN106204749B (zh) | 2016-07-07 | 2016-07-07 | 稀疏低秩特征表达的三维模型共分割方法 |
US15/448,540 US10152797B2 (en) | 2016-07-07 | 2017-03-02 | Method for co-segmentating three-dimensional models represented by sparse and low-rank feature |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610534020.6A CN106204749B (zh) | 2016-07-07 | 2016-07-07 | 稀疏低秩特征表达的三维模型共分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106204749A CN106204749A (zh) | 2016-12-07 |
CN106204749B true CN106204749B (zh) | 2019-03-29 |
Family
ID=57473278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610534020.6A Active CN106204749B (zh) | 2016-07-07 | 2016-07-07 | 稀疏低秩特征表达的三维模型共分割方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10152797B2 (zh) |
CN (1) | CN106204749B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886754B (zh) * | 2017-01-17 | 2019-07-09 | 华中科技大学 | 一种基于三角面片的三维场景下的物体识别方法及系统 |
CN106827521B (zh) * | 2017-01-19 | 2019-05-03 | 上海电气集团股份有限公司 | 一种分层方向的优化方法 |
CN106952267B (zh) * | 2017-02-17 | 2020-04-21 | 北京航空航天大学 | 三维模型集共分割方法及装置 |
CN111179245B (zh) * | 2019-12-27 | 2023-04-21 | 成都中科创达软件有限公司 | 图像质量检测方法、装置、电子设备和存储介质 |
CN111462306B (zh) * | 2020-03-17 | 2022-04-22 | 华南理工大学 | 基于体向量场稀疏局部化分解的三维头发参数化模型方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218818A (zh) * | 2013-04-19 | 2013-07-24 | 中国科学院深圳先进技术研究院 | 三维模型分割方法和系统 |
JP2014203366A (ja) * | 2013-04-08 | 2014-10-27 | 学校法人明治大学 | 三次元構造物の製造方法、三次元構造物の製造装置、及び、プログラム |
WO2014190037A1 (en) * | 2013-05-22 | 2014-11-27 | Siemens Aktiengesellschaft | Parameter estimation for mesh segmentation using random walks |
CN104992430A (zh) * | 2015-04-14 | 2015-10-21 | 杭州奥视图像技术有限公司 | 基于卷积神经网络的全自动的三维肝脏分割方法 |
CN105590320A (zh) * | 2015-12-21 | 2016-05-18 | 浙江工商大学 | 用改进的k-means对三维模型进行空域分割的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102308320B (zh) * | 2009-02-06 | 2013-05-29 | 香港科技大学 | 从图像生成三维模型 |
-
2016
- 2016-07-07 CN CN201610534020.6A patent/CN106204749B/zh active Active
-
2017
- 2017-03-02 US US15/448,540 patent/US10152797B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014203366A (ja) * | 2013-04-08 | 2014-10-27 | 学校法人明治大学 | 三次元構造物の製造方法、三次元構造物の製造装置、及び、プログラム |
CN103218818A (zh) * | 2013-04-19 | 2013-07-24 | 中国科学院深圳先进技术研究院 | 三维模型分割方法和系统 |
WO2014190037A1 (en) * | 2013-05-22 | 2014-11-27 | Siemens Aktiengesellschaft | Parameter estimation for mesh segmentation using random walks |
CN104992430A (zh) * | 2015-04-14 | 2015-10-21 | 杭州奥视图像技术有限公司 | 基于卷积神经网络的全自动的三维肝脏分割方法 |
CN105590320A (zh) * | 2015-12-21 | 2016-05-18 | 浙江工商大学 | 用改进的k-means对三维模型进行空域分割的方法 |
Non-Patent Citations (2)
Title |
---|
Co-Segmentation of 3D Shapes via Subspace Clustering;Ruizhen Hu 等;《Computer graphics forum》;20120831;第31卷(第5期);1703-1713 |
三维人体模型重建、分割及尺寸提取技术研究;晏义;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130415(第04期);I138-1313 |
Also Published As
Publication number | Publication date |
---|---|
US20180012361A1 (en) | 2018-01-11 |
CN106204749A (zh) | 2016-12-07 |
US10152797B2 (en) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204749B (zh) | 稀疏低秩特征表达的三维模型共分割方法 | |
CN110188228B (zh) | 基于草图检索三维模型的跨模态检索方法 | |
CN111062382A (zh) | 用于目标检测网络的通道剪枝方法 | |
CN107992850B (zh) | 一种室外场景三维彩色点云分类方法 | |
De Amorim | Constrained clustering with minkowski weighted k-means | |
CN104809469A (zh) | 一种面向服务机器人的室内场景图像分类方法 | |
CN112464004A (zh) | 一种多视角深度生成图像聚类方法 | |
CN106776856A (zh) | 一种融合颜色特征与词汇树的车辆图像检索方法 | |
CN110111365B (zh) | 基于深度学习的训练方法和装置以及目标跟踪方法和装置 | |
CN116580257A (zh) | 特征融合模型训练及样本检索方法、装置和计算机设备 | |
CN110543916A (zh) | 一种缺失多视图数据的分类方法及系统 | |
CN114358109A (zh) | 特征提取模型训练、样本检索方法、装置和计算机设备 | |
CN104573726B (zh) | 基于四等分及各成分重构误差最优组合的人脸图像识别方法 | |
CN106952267A (zh) | 三维模型集共分割方法及装置 | |
CN110363833A (zh) | 一种基于局部稀疏表示的完全人体运动参数化表示方法 | |
CN118135207A (zh) | 基于几何交互和自适应图卷积的点云叶片分割方法及系统 | |
CN113850811A (zh) | 基于多尺度聚类和掩码打分的三维点云实例分割方法 | |
Yang et al. | Monocular depth estimation based on multi-scale depth map fusion | |
CN116089639A (zh) | 一种辅助三维建模方法、系统、装置和介质 | |
CN107492148B (zh) | 基于SVM与K‑Means的大规模无标定曲面点云重建圆柱面方法 | |
CN114092653A (zh) | 基于2d图像重建3d图像方法、装置、设备及存储介质 | |
CN114511002A (zh) | 一种面向小样本数据的故障诊断方法及系统 | |
CN113515685A (zh) | 一种融合Embedding强化拓扑与节点内容信息的社团检测方法 | |
CN113808006A (zh) | 一种基于二维图像重建三维网格模型的方法及装置 | |
CN106650777B (zh) | 结合字典群的目标分割方法 |
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 |