CN106651931B - 一种基于射线的三维模型切比雪夫特征提取方法 - Google Patents

一种基于射线的三维模型切比雪夫特征提取方法 Download PDF

Info

Publication number
CN106651931B
CN106651931B CN201611009718.2A CN201611009718A CN106651931B CN 106651931 B CN106651931 B CN 106651931B CN 201611009718 A CN201611009718 A CN 201611009718A CN 106651931 B CN106651931 B CN 106651931B
Authority
CN
China
Prior art keywords
chebyshev
model
dimensional
point
feature
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
CN201611009718.2A
Other languages
English (en)
Other versions
CN106651931A (zh
Inventor
周燕
曾凡智
周月霞
邓杭
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.)
Foshan University
Original Assignee
Foshan University
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 Foshan University filed Critical Foshan University
Priority to CN201611009718.2A priority Critical patent/CN106651931B/zh
Publication of CN106651931A publication Critical patent/CN106651931A/zh
Application granted granted Critical
Publication of CN106651931B publication Critical patent/CN106651931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/007—Transform coding, e.g. discrete cosine transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20052—Discrete cosine transform [DCT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Discrete Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明提供一种基于射线的三维模型切比雪夫特征提取方法，首先，将三维网格模型进行WPCA预处理矫正；其次，建立模型的切比雪夫球面，对其表面进行经纬区域划分，并将WPCA预处理矫正的三维网格模型置于切比雪夫球面的单位球内，设计采样窗口；再次，将采样窗口内的面片进行三角密集化处理，对密集点处理得到区域内的最大采样距离和最小采样距离，形成二维特征信号，即为切比雪夫特征原始信号；最后，将切比雪夫特征原始信号进行稀疏处理，并进行二维压缩感知处理，得到低维度的压缩感知特征FCSCR。该方法增强了提取方法的鲁棒性，同时能更精细的对三维模型进行描述，能够得到高效降维的压缩感知特征。

Description

一种基于射线的三维模型切比雪夫特征提取方法
技术领域
本发明涉及三维模型处理领域，更具体地说，涉及一种基于射线的三维模型切比雪夫特征提取方法。
背景技术
随着计算机硬件和软件的快速发展，以及多媒体技术、虚拟现实技术等的推广，三维模型得到越来越广泛的关注和研究。三维模型是物体的三维多边形表示，可以由计算机或者其它视屏设备进行显示。三维模型比二维模型能更真实地表示物体，因此，三维模型在生物医学、电子商务、虚拟现实、建筑设计、机械设计以及三维游戏等多个领域扮演着重要的角色。
至今，互联网上已经出现了大量的三维模型，三维模型的应用需求也在日益增大。将来，三维模型将与现在的二维图像、二维视频等一样，数量不可估计。为此，如何检索三维模型成了亟待解决的问题。近年来，大量基于内容的模型特征提取方法已被提出，其中，传统基于射线采样的三维模型特征提取算法，是选取切比雪夫球面的经纬划分交点作为终点做为采样射线，但由于要做大量的射线与面片求交运算，其特征提取速度较慢。同时，该提取方法对模型采样鲁棒性差，模型的细微的旋转变换往往导致不能精确地表达三维模型的特征。另外，当射线少时，采样率低，不能准确的反应模型特性，当射线多时，采样率高，虽然能准确表达模型特性，但其提取速度慢，同时采样信号会产生大量冗余，特征存储量大，另外在相似度计算增加计算时间，效率低。
发明内容
本发明的目的在于克服现有技术中的缺点与不足，提供一种基于射线的三维模型切比雪夫特征提取方法，该特征提取方法避免了因三维模型的细微旋转和位移产生特征的巨大变化，从而增强了提取方法的鲁棒性，同时能更精细的对三维模型进行描述，能够得到高效降维的压缩感知特征。
为了达到上述目的，本发明通过下述技术方案予以实现：一种基于射线的三维模型切比雪夫特征提取方法，其特征在于：
首先，将三维网格模型进行WPCA预处理矫正，以消除三维网格模型因为方位、旋转和缩放的影响；
其次，建立模型的切比雪夫球面，对其表面进行经纬区域划分，并将WPCA 预处理矫正的三维网格模型置于切比雪夫球面的单位球内，设计采样窗口；
再次，将采样窗口内的面片进行三角密集化处理，对密集点处理得到区域内的最大采样距离和最小采样距离，形成二维特征信号，即为切比雪夫特征原始信号；
最后，将切比雪夫特征原始信号进行稀疏处理，并进行二维压缩感知处理，得到低维度的压缩感知特征FCSCR。
在上述方案中，本发明的一种基于射线的三维模型切比雪夫特征提取方法是采用基于区域窗口的统计模式，避免了因三维模型的细微旋转和位移产生特征的巨大变化，增强了提取算法的鲁棒性。其次，由于同时考虑区域的最大距离和最小距离，能够对模型的重叠部分进行细分，能更精细的对模型进行描述。最后，通过对采样的二维信号进行DCT及稀疏表达，结合二维压缩感知过程，得到高效降维的压缩感知特征。上述的WPCA为加权主成分分析法。
本发明包括以下步骤：
步骤s201：将三维网格模型进行WPCA预处理矫正；
步骤s202：建立三维网格模型的切比雪夫球面，对其表面进行经纬区域划分；设球坐标中规定仰角由Z正半轴0°到负半轴180°，球面的区域划分步长如下：
其中nC，nR代表球经度、纬度划分数；τij表示球面上任意划分区域；
步骤s203：将最大距离特征矩阵和最小距离特征矩阵FCBVL(nR×nC)和 FCBVS(nR×nC)都置为零矩阵；任意区域窗口τij上的密集点采样点距离集合初值 dis(τij)＝{0}；
步骤s204：选取模型中的任意未处理面片Pk，其三角区域做密集化处理，所得交点集即该面片的点云集记为Cloud(Pk)；
步骤s205：对于任意点计算该点ck与模型质心的距离dk；
步骤s206：按下列公式计算点ck所映射到球面区域窗口的序号；点ck所对应的球坐标记为ck＝(ck(φ),ck(θ),1)；
按如下公式将采样距离dk并入相应的区域窗口τij的距离集合dis(τij)中： dis(τij)＝dis(τij)∪{dk}；
步骤s207：如果面片Pk为最后一个面片，则进行步骤s208，否则跳转至步骤s204；
步骤s208：计算各区域窗口τij上的最大距离和最小距离，生成最大距离特征矩阵和最小距离特征矩阵，如下：
步骤s209：利用DCT对二维采样信号FCBVL(i,j),FCBVS(i,j)进行稀疏变换形成稀疏矩阵χL，χS：
步骤s210：采用二维压缩感知，形成如下特征向量：
其中Φ1,Φ2为归一化的二维高斯随机测量矩阵；最后，输出FL，FS作为基于射线的切比雪夫压缩感知特征向量；
步骤s211：将最大特征向量FL和最小特征向量FS归并，得到压缩感知切比雪夫特征特征向量FCSCR ：
FCSCR ＝(FL,FS)。
所述建立模型的切比雪夫球面，对其表面进行经纬区域划分，并将WPCA 预处理矫正的三维网格模型置于切比雪夫球面的单位球内，设计采样窗口是指：将切比雪夫球面的单位球体按照经线和纬线划分，在球面形成网格窗口，将 WPCA预处理矫正的三维网格模型置于切比雪夫球面的单位球内，对网格窗口内的面片进行采样。
对密集点处理得到区域内的最大采样距离和最小采样距离，形成二维特征信号是指：对密集点处理得到区域内的最大采样距离和最小采样距离，按照窗口的顺序排列形成二维特征信号矩阵。
与现有技术相比，本发明具有如下优点与有益效果：本发明一种基于射线的三维模型切比雪夫特征提取方法避免了因三维模型的细微旋转和位移产生特征的巨大变化，从而增强了提取方法的鲁棒性，同时能更精细的对三维模型进行描述，能够得到高效降维的压缩感知特征。
附图说明
图1是本发明基于射线的三维模型切比雪夫特征提取方法的流程图；
图2是步骤s204中，模型中的任意未处理面片Pk的三角区域做密集化处理的示意图；
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
实施例
如图1所示，本发明基于射线的三维模型切比雪夫特征提取方法是这样的：
首先，将三维网格模型进行WPCA预处理矫正，以消除三维网格模型因为方位、旋转和缩放的影响；
其次，建立模型的切比雪夫球面，对其表面进行经纬区域划分，并将WPCA 预处理矫正的三维网格模型置于切比雪夫球面的单位球内，设计采样窗口；
再次，将采样窗口内的面片进行三角密集化处理，对密集点处理得到区域内的最大采样距离和最小采样距离，形成二维特征信号，即为切比雪夫特征原始信号；
最后，将切比雪夫特征原始信号进行稀疏处理，并进行二维压缩感知处理，得到低维度的压缩感知特征FCSCR。
本发明的方法具体包括以下步骤：
步骤s201：将三维网格模型进行WPCA预处理矫正；
步骤s202：建立三维网格模型的切比雪夫球面，对其表面进行经纬区域划分；设球坐标中规定仰角由Z正半轴0°到负半轴180°，球面的区域划分步长如下：
其中nC，nR代表球经度、纬度划分数；τij表示球面上任意划分区域；本实施例选取nR＝32,nC＝32。
步骤s203：将最大距离特征矩阵和最小距离特征矩阵FCBVL(nR×nC)和 FCBVS(nR×nC)都置为零矩阵；任意区域窗口τij上的密集点采样点距离集合初值 dis(τij)＝{0}；
步骤s204：选取模型中的任意未处理面片Pk，其三角区域按图2所示方式做密集化处理，所得交点集即该面片的点云集记为Cloud(Pk)；
步骤s205：对于任意点计算该点ck与模型质心的距离dk；
步骤s206：按下列公式计算点ck所映射到球面区域窗口的序号；点ck所对应的球坐标记为ck＝(ck(φ),ck(θ),1)；
按如下公式将采样距离dk并入相应的区域窗口τij的距离集合dis(τij)中： dis(τij)＝dis(τij)∪{dk}；
步骤s207：如果面片Pk为最后一个面片，则进行步骤s208，否则跳转至步骤s204；
步骤s208：计算各区域窗口τij上的最大距离和最小距离，生成最大距离特征矩阵和最小距离特征矩阵，如下：
步骤s209：利用DCT对二维采样信号FCBVL(i,j),FCBVS(i,j)进行稀疏变换形成稀疏矩阵χL，χS：
步骤s210：采用二维压缩感知，形成如下特征向量：
其中Φ1,Φ2为归一化的二维高斯随机测量矩阵；最后，输出FL，FS作为基于射线的切比雪夫压缩感知特征向量；
步骤s211：将最大特征向量FL和最小特征向量FS归并，得到压缩感知切比雪夫特征特征向量FCSCR ：
FCSCR ＝(FL,FS)。
上述方法中，建立模型的切比雪夫球面，对其表面进行经纬区域划分，并将WPCA预处理矫正的三维网格模型置于切比雪夫球面的单位球内，设计采样窗口是指：将切比雪夫球面的单位球体按照经线和纬线划分，在球面形成网格窗口，将WPCA预处理矫正的三维网格模型置于切比雪夫球面的单位球内，对网格窗口内的面片进行采样。
而对密集点处理得到区域内的最大采样距离和最小采样距离，形成二维特征信号是指：对密集点处理得到区域内的最大采样距离和最小采样距离，按照窗口的顺序排列形成二维特征信号矩阵。
本发明的一种基于射线的三维模型切比雪夫特征提取方法是采用基于区域窗口的统计模式，避免了因三维模型的细微旋转和位移产生特征的巨大变化，增强了提取算法的鲁棒性。其次，由于同时考虑区域的最大距离和最小距离，能够对模型的重叠部分进行细分，能更精细的对模型进行描述。最后，通过对采样的二维信号进行DCT及稀疏表达，结合二维压缩感知过程，得到高效降维的压缩感知特征。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种基于射线的三维模型切比雪夫特征提取方法，其特征在于：
首先，将三维网格模型进行WPCA预处理矫正，以消除三维网格模型因为方位、旋转和缩放的影响；
其次，建立模型的切比雪夫球面，对其表面进行经纬区域划分，并将WPCA预处理矫正后的三维网格模型置于切比雪夫球面的单位球内，设计采样窗口；
再次，将采样窗口内的面片进行三角密集化处理，对密集点处理得到区域内的最大采样距离和最小采样距离，形成二维特征信号，即为切比雪夫特征原始信号；
最后，将切比雪夫特征原始信号进行稀疏处理，并进行二维压缩感知处理，得到低维度的压缩感知特征FCSCR。
2.根据权利要求1所述的基于射线的三维模型切比雪夫特征提取方法，其特征在于：包括以下步骤：
步骤s201：将三维网格模型进行WPCA预处理矫正；
步骤s202：建立三维网格模型的切比雪夫球面，对其表面进行经纬区域划分；设球坐标中规定仰角由Z正半轴0°到负半轴180°，球面的区域划分步长如下：
其中nC，nR代表球经度、纬度划分数；
步骤s203：将最大距离特征矩阵和最小距离特征矩阵FCBVL(nR×nC)和FCBVS(nR×nC)都置为零矩阵；任意区域窗口τij上的密集点采样点距离集合初值dis(τij)＝{0}；其中，τij表示球面上任意划分区域；
步骤s204：选取模型中的任意未处理面片Pk，其三角区域做密集化处理，所得交点集即该面片的点云集记为Cloud(Pk)；
步骤s205：对于任意点计算该点ck与模型质心的距离dk；
步骤s206：按下列公式计算点ck所映射到球面区域窗口的序号；点ck所对应的球坐标记为ck＝(ck(φ),ck(θ),1)；其中φ,θ分别代表球面点经度夹角和纬度夹角；
按如下公式将采样距离dk并入相应的区域窗口τij的距离集合dis(τij)中：dis(τij)＝dis(τij)∪{dk}；
步骤s207：如果面片Pk为最后一个面片，则进行步骤s208，否则跳转至步骤s204；
步骤s208：计算各区域窗口τij上的最大距离和最小距离，生成最大距离特征矩阵和最小距离特征矩阵，如下：
步骤s209：利用DCT对二维采样信号FCBVL(i,j),FCBVS(i,j)进行稀疏变换形成稀疏矩阵χL，χS：
步骤s210：采用二维压缩感知，形成如下特征向量：
其中Φ1,Φ2为归一化的二维高斯随机测量矩阵；最后，输出FL，FS作为基于射线的切比雪夫压缩感知特征向量；
步骤s211：将最大特征向量FL和最小特征向量FS归并，得到压缩感知切比雪夫特征特征向量FCSCR ：
FCSCR ＝(FL,FS)。
3.根据权利要求1所述的基于射线的三维模型切比雪夫特征提取方法，其特征在于：所述建立模型的切比雪夫球面，对其表面进行经纬区域划分，并将WPCA预处理矫正的三维网格模型置于切比雪夫球面的单位球内，设计采样窗口是指：将切比雪夫球面的单位球体按照经线和纬线划分，在球面形成网格窗口，将WPCA预处理矫正的三维网格模型置于切比雪夫球面的单位球内，对网格窗口内的面片进行采样。
4.根据权利要求1所述的基于射线的三维模型切比雪夫特征提取方法，其特征在于：对密集点处理得到区域内的最大采样距离和最小采样距离，形成二维特征信号是指：对密集点处理得到区域内的最大采样距离和最小采样距离，按照窗口的顺序排列形成二维特征信号矩阵。
CN201611009718.2A 2016-11-16 2016-11-16 一种基于射线的三维模型切比雪夫特征提取方法 Active CN106651931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611009718.2A CN106651931B (zh) 2016-11-16 2016-11-16 一种基于射线的三维模型切比雪夫特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611009718.2A CN106651931B (zh) 2016-11-16 2016-11-16 一种基于射线的三维模型切比雪夫特征提取方法

Publications (2)

Publication Number Publication Date
CN106651931A CN106651931A (zh) 2017-05-10
CN106651931B true CN106651931B (zh) 2019-08-02

Family

ID=58807279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611009718.2A Active CN106651931B (zh) 2016-11-16 2016-11-16 一种基于射线的三维模型切比雪夫特征提取方法

Country Status (1)

Country Link
CN (1) CN106651931B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325500A (zh) * 2018-08-02 2019-02-12 佛山科学技术学院 一种基于面积加权的三维模型特征提取方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964117A (zh) * 2010-09-25 2011-02-02 清华大学 一种深度图融合方法和装置
KR20130059035A (ko) * 2011-11-28 2013-06-05 연세대학교 산학협력단 스케치를 이용한 시나리오 콘티의 자동 완성 장치 및 방법, 그리고 이를 이용한 애니메이션 제작 시스템
CN105701845A (zh) * 2016-01-14 2016-06-22 辽宁师范大学 协同稀疏测量和3d tv模型的高光谱影像压缩感知重构方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9355123B2 (en) * 2013-07-19 2016-05-31 Nant Holdings Ip, Llc Fast recognition algorithm processing, systems and methods

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964117A (zh) * 2010-09-25 2011-02-02 清华大学 一种深度图融合方法和装置
KR20130059035A (ko) * 2011-11-28 2013-06-05 연세대학교 산학협력단 스케치를 이용한 시나리오 콘티의 자동 완성 장치 및 방법, 그리고 이를 이용한 애니메이션 제작 시스템
CN105701845A (zh) * 2016-01-14 2016-06-22 辽宁师范大学 协同稀疏测量和3d tv模型的高光谱影像压缩感知重构方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Hierarchical Visual Perception and Two-Dimensional Compressive Sensing for Effective Content-Based Color Image Retrieval";Zhou Y等;《Cognitive Computation》;20160831;第877-889页
"基于多特征融合的三维模型检索算法";周燕 等;《计算机科学》;20160731;第303-309页

Also Published As

Publication number Publication date
CN106651931A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
WO2019157924A1 (zh) 三维物体的实时检测方法及系统
CN106599053B (zh) 一种三维模型检索方法
CN103810744B (zh) 在点云中回填点
WO2017092251A1 (zh) 实时虚拟场景中圆柱碰撞体与凸体碰撞探测的方法、终端和存储介质
CN110060286B (zh) 一种单目深度估计方法
CN109683699A (zh) 基于深度学习实现增强现实的方法、装置及移动终端
WO2021169498A1 (zh) 三维点云的增广方法、装置、存储介质及计算机设备
WO2023093739A1 (zh) 一种多视图三维重建的方法
CN109063139A (zh) 基于全景图及多通道cnn的三维模型分类和检索方法
CN107452056B (zh) 一种增强现实的教学系统及其控制方法
CN113129352B (zh) 一种稀疏光场重建方法及装置
Sun et al. Quadratic terms based point-to-surface 3D representation for deep learning of point cloud
US20230076939A1 (en) Encoding and Decoding Visual Content Including Polygonal Meshes
CN108615254A (zh) 基于树型结构网格矢量量化的点云渲染方法、系统及装置
CN106651931B (zh) 一种基于射线的三维模型切比雪夫特征提取方法
CN115803782A (zh) 具有实时深度图的感受几何结构的增强现实效果
US20240005541A1 (en) Image depth prediction method and electronic device
CN116993955A (zh) 三维模型的重拓扑方法、装置、设备及存储介质
CN114792360A (zh) 基于快速傅立叶变换的动态海洋仿真方法
CN114067046B (zh) 一种单张图片重建手部三维模型并显示的方法及系统
Han et al. 3D reconstruction of dense model based on the sparse frames using RGBD camera
CN108777000A (zh) 一种ar下模型尺寸控制算法
CN105550970B (zh) 一种矢量地图可逆信息隐藏方法
Li et al. An Improved RANSAC Surface Reconstruction Study
Kolivand et al. Shadow mapping or shadow volume?

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhou Yan

Inventor after: Zeng Fanzhi

Inventor after: Zhou Yuexia

Inventor after: Deng Hang

Inventor before: Zeng Fanzhi

Inventor before: Zhou Yan

Inventor before: Zhou Yuexia

Inventor before: Deng Hang

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No.18, Jiangwan 1st Road, Chancheng District, Foshan City, Guangdong Province 528011

Patentee after: Foshan University

Country or region after: China

Address before: No.18, Jiangwan 1st Road, Chancheng District, Foshan City, Guangdong Province 528011

Patentee before: FOSHAN University

Country or region before: China