CN108509981A - 基于序列顶点特征的三维物体内部部件自动划分方法 - Google Patents
基于序列顶点特征的三维物体内部部件自动划分方法 Download PDFInfo
- Publication number
- CN108509981A CN108509981A CN201810192389.2A CN201810192389A CN108509981A CN 108509981 A CN108509981 A CN 108509981A CN 201810192389 A CN201810192389 A CN 201810192389A CN 108509981 A CN108509981 A CN 108509981A
- Authority
- CN
- China
- Prior art keywords
- feature
- vertex
- sequence
- apex
- internal part
- 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.)
- Pending
Links
Classifications
-
- 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
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于序列顶点特征的三维物体内部部件自动划分方法,属计算机视觉、图像处理领域。主要作用是实现对三维物体内部部件的全自动划分。三维物体本身结构复杂,发明有助于将对整个物体的综合建模分解为对每个部件的单独建模,有效提高建模精度。特征上,基于对物体多种姿态下三维网格数据的序列化整合,为每一顶点构建序列化描述特征。序列特征包含顶点在物体每一姿态下的具体拓扑和位置,能够有效反映顶点在物体姿态发生改变时的变化情况,是物体形状动态可变性的直接表现。基于序列顶点特征,发明引入聚类方法实现对顶点所属部件的自动划分。部件数目方面,引入由部件内部特征相似性决定的终止条件迭代确定,保证方法的全自动运行。
Description
技术领域
本发明针对三维物体内部的部件(区域)划分问题展开研究,设计提出一种全自动部件划分算法,属计算机视觉、图像处理技术研究领域。
近年来,以三维物体为对象的研究和应用越来越普遍,与人们的日常生活也越来越贴近。由顶点和线段组成的三角形网格是目前最常用的三维物体外观形态描述方式。伴随着物体外观姿态的变化,描述网格中顶点的绝对位置及对应局部拓扑结构会发生一定改变,显而易见,这些变化的具体模式跟物体本身的动态可变属性直接相关,本质上从属于同一内部部位的顶点在运动模式方面必然相近。因此,通过对多种姿态物体网格数据中的顶点进行整体分析,即序列顶点分析,实质上能够揭示物体本质动态属性,而动态属性又直接反应物体内部的部件归属关系,所以本发明设计提出了一种基于序列顶点特征的三维物体内部部件自动划分方法。发明通过提取每一网格顶点在多个物体姿态上的形态特征,即序列顶点特征,获取对物体表面动态特征的描述,进而实现以动态可变性为核心依据的物体内部部件自动划分。
背景技术
客观物质世界以三维形式存在,三维描述是精确反应物体本质形态特征的新型数据载体。近年来,伴随着三维物体信息获取技术和设备的飞速发展,三维信息逐渐成为计算机视觉、图像处理、模式识别等领域最主要的研究对象载体之一,相关成果和突出工作屡见不鲜。
本发明关注物体内部部件的划分问题,旨在提出一种不需要人工干预的全自动方法。物体部件划分对目前人们重点关注的物体数字化描述建模工作(该工作是计算机表示、处理和展示三维数据的核心基础)具有重要意义。因为许多柔性物体(如人体)在外部形态上是非常多变的,极为丰富的多变性意味着基于数量有限的变化基元对这些物体进行精确表示描述是难以实现的。而应对该困难最直接的方式,即是对物体内部的各个部件分别建模描述。属于相同部件的物体三维顶点在运动和变化趋势上必然具有一定一致性,因此就各个独立部件而言,其内在可变模式在多样性方面较之物体整体必然会有显著降低,所以对其进行逐个建模的难度将明显低于整体建模。然而,以往工作中对物体内部部件的自动划分问题研究较少,相关工作更多是基于人工经验进行划分。显然,对人工的依赖直接降低了相关方法的自主性和鲁棒性,也在一定程度上限制了这些方法的应用和普及。
另一方面,对物体进行部件划分必然需要依赖一定属性特征,物体的特征提取和应用研究也是一个重要的理论和实际课题。然而,由于三维物体数据规模较大,而其本身的形态特征较之二维形式也极大丰富,以往三维属性研究更多是针对单一物体本身包含的静态特征,如物体表面整体拓扑结构、局部相对位置关系、分布密度等,对于集成分析物体多个姿态间的变化关系,并基于此进一步探索分析物体本身的动态可变能力和属性,则关注较少。
综上,本发明重点针对当前工作中人们较少关注的物体部件自动划分问题和动态可变属性的探索应用展开,具有一定创新性。
发明内容
本发明的目的是克服现有技术中存在的不足,提出一种能够对三维物体内部部件进行全自动划分的方法。本发明方法依据的核心特征是物体形态的动态可变性,即依据三维物体形态描述网格上各顶点的运动特性实现对物体部件的区别区分,运动模式上相近的顶点将有较大的可能性被归属同一部件。运动特性具体基于对同一物体多种姿态描述形式下顶点静态特征的集成获取。这些不同姿态下的静态特征,实际上形成了物体运动变化的一系列“分解动作”。正如通过多幅图画的组合能够形成动画艺术形式,本发明基于形成序列的多姿态顶点静态特征,直接获取对物体外部形态可变模式的描述。本发明方法的具体内容,即方法流程,包括:
1.获取物体在多种姿态下的三维三角形网格描述形式,组成待分析样本序列,要求各姿态上网格顶点严格对应;
2.对物体上每一顶点,提取其在所有序列样本上的形态特征,具体包括:顶点曲率、顶点梯度、顶点位置坐标;
3.整合姿态序列上获取的所有顶点特征,为每一物体顶点构建对应的序列化动态行为描述特征;
4.设定拟划分物体内部部件的数目(初始值为4),开始划分迭代循环;
5.依据序列特征对各顶点进行聚类,实现对物体内部部件的自动划分;
6.若不满足算法收敛条件(由各部件内特征偏差的相对比例决定),划分部件数目加1,返回步骤4重新运行,直到满足收敛条件时算法停止。
本发明是一种基于序列化动态属性特征的三维物体全自动部件划分方法,能够在无人工干预的前提下,实现对任意类型物体的部件自动划分。与现有技术相比,本发明的主要优势在于:
(1)引入了以往相关工作中较少采用的动态可变模式特征作为物体部件划分的核心依据,实现了依据变化模式差异进行物体的部件区分;
(2)能够基于有限的静态样本提取物体的动态属性,不依赖大规模训练样本;
(3)从特征提取至迭代聚类划分,本发明方法均可自主完成,不需要任何人工干预,保证了算法的鲁棒性;
(4)方法的有效性不受物体类型局限,对任意类型物体均为有效,适应性好。
附图说明
图1展示了本发明方法主要步骤流程。
具体实施方式
本发明基于物体本身的动态可变属性进行部件划分,对动态属性的获取基于对物体多种不同姿态下表面形态的整体分析获取,因此方法实施时对输入姿态样本有一定相关要求。首先,姿态样本数目不能低于3个,否则无法有效反应物体形态的动态可变模式。同时所有姿态样本上的顶点和连接线段应严格对应,使得能够对顶点位置及其局部拓扑结构进行序列化对比分析,保证对形态可变能力的准确获取。由于相互间严格的对应关系,将各输入训练样本放在一起,实质上就形成了一个可供分析的姿态样本序列。
在顶点的特征提取阶段,我们将在姿态序列中所有样本上提取的顶点描述特征进行整合,使得每一个物体顶点都能够由整个序列上所有对应描述特征所表征。由于这些特征分别来源于物体的不同姿态,因此这一序列化特征能够恰当反应这一顶点在物体姿态发生改变时的动态变化模式,从而成为有效的动态描述特征。在顶点特征的组成方面,具体包括顶点曲率、顶点梯度、顶点位置坐标。其中,前两者反映当前顶点所在局部的拓扑结构,最后者标识当前顶点的具体所在位置。
具体使用时,发明将每一顶点对应的序列化特征整合为一个统一向量,与传统特征向量形式实现统一,便于与后续自动聚类方法兼容。
在获取各顶点的代表性特征后,本发明基于聚类方法实现对各顶点的自动部件划分。具体采用行业公知的K均值聚类算法实现。该算法运行时,需要预先指定类别数目,传统上该参数由人工进行指定,因而严重制约方法的自主性和实用性。针对此问题,本发明设计引入部件划分应满足的具体量化指标条件,以该条件引导算法的自主运行,排除人工干预。该条件具体要求在划分完成后,部件内部各顶点的特征向量与对应均值向量之间的平均相对偏差应不超过40%,即每一部件内部各顶点在特征上应“较为相似”,否则即为“不合格”划分。初始运行时,将部件数目设定为4,进行聚类,若聚类输出的各部件满足上述条件,方法终止,反之,将部件划分数目加1,重新进行划分聚类,直至满足条件后算法终止。
Claims (7)
1.基于序列顶点特征的三维物体内部部件自动划分方法,包括下列步骤:
步骤1:获取一个物体在不同姿态下的多个三维外部曲面描述,组成姿态样本序列;
步骤2:对每一物体网格顶点,提取其在所有姿态样本上的顶点特征;
步骤3:整合所有姿态样本上的顶点特征,形成每一顶点对应的序列顶点特征;
步骤4:设定拟划分物体内部部件的数目,开始迭代划分过程;
步骤5:依据序列顶点特征进行聚类,实现对物体内部部件的自动划分;
步骤6:若不满足划分算法收敛条件,将划分数目加1,返回至步骤4重新运行,直至满足条件。
2.如权利要求1所述的基于序列顶点特征的三维物体内部部件自动划分方法,其特征在于,步骤1中,物体姿态数目应不少于3个;物体外部三维曲面的描述采用三角形网格形式,即连接各网格顶点的线段组成不同的三角面片覆盖物体所有外部曲面(目前行业公知的三维物体描述方法);各姿态上的顶点和线段严格对应。
3.如权利要求1所述的基于序列顶点特征的三维物体内部部件自动划分方法,其特征在于,步骤2中,顶点特征包括三部分:顶点曲率(c)、顶点梯度(g)、顶点位置坐标(p),其中顶点曲率采用高斯曲面曲率(行业公知方法)。
4.如权利要求1所述的基于序列顶点特征的三维物体内部部件自动划分方法,其特征在于,步骤3中,每一顶点i的序列顶点特征为其中M为姿态样本数目。
5.如权利要求1所述的基于序列顶点特征的三维物体内部部件自动划分方法,其特征在于,步骤4中,初始物体划分部件数目设置为4。
6.如权利要求1所述的基于序列顶点特征的三维物体内部部件自动划分方法,其特征在于,步骤5中,聚类过程基于K均值聚类算法(行业公知方法)实现。
7.如权利要求1所述的基于序列顶点特征的三维物体内部部件自动划分方法,其特征在于,步骤6中,划分算法收敛条件为:
其中,N为物体顶点数目,D为部件数目;i∈{l(i)=k}代表被分入第k个物体部件的所有顶点,代表所有被分入部件k的顶点的均值序列特征;常阈值α=0.4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810192389.2A CN108509981A (zh) | 2018-03-05 | 2018-03-05 | 基于序列顶点特征的三维物体内部部件自动划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810192389.2A CN108509981A (zh) | 2018-03-05 | 2018-03-05 | 基于序列顶点特征的三维物体内部部件自动划分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108509981A true CN108509981A (zh) | 2018-09-07 |
Family
ID=63376232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810192389.2A Pending CN108509981A (zh) | 2018-03-05 | 2018-03-05 | 基于序列顶点特征的三维物体内部部件自动划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108509981A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807833A (zh) * | 2019-11-04 | 2020-02-18 | 成都数字天空科技有限公司 | 一种网状拓扑获得方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1734503A (zh) * | 2004-06-08 | 2006-02-15 | 微软公司 | 使用光谱分析的伸展驱动的网格参数化 |
CN101211344A (zh) * | 2006-12-29 | 2008-07-02 | 上海芯盛电子科技有限公司 | 文本信息遍历的快速四维可视化方法 |
CN102938161A (zh) * | 2012-09-24 | 2013-02-20 | 西北工业大学 | 一种基于Mean Shift的三维形状自动分割方法 |
CN103077555A (zh) * | 2013-01-18 | 2013-05-01 | 南京大学 | 一种三维模型构成的自动标注方法 |
CN103473813A (zh) * | 2013-09-18 | 2013-12-25 | 南京大学 | 一种三维模型构件的自动提取方法 |
CN104408396A (zh) * | 2014-08-28 | 2015-03-11 | 浙江工业大学 | 一种基于时间金字塔局部匹配窗口的动作识别方法 |
CN107247961A (zh) * | 2017-05-10 | 2017-10-13 | 西安交通大学 | 一种应用模糊轨迹序列的轨迹预测方法 |
-
2018
- 2018-03-05 CN CN201810192389.2A patent/CN108509981A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1734503A (zh) * | 2004-06-08 | 2006-02-15 | 微软公司 | 使用光谱分析的伸展驱动的网格参数化 |
CN101211344A (zh) * | 2006-12-29 | 2008-07-02 | 上海芯盛电子科技有限公司 | 文本信息遍历的快速四维可视化方法 |
CN102938161A (zh) * | 2012-09-24 | 2013-02-20 | 西北工业大学 | 一种基于Mean Shift的三维形状自动分割方法 |
CN103077555A (zh) * | 2013-01-18 | 2013-05-01 | 南京大学 | 一种三维模型构成的自动标注方法 |
CN103473813A (zh) * | 2013-09-18 | 2013-12-25 | 南京大学 | 一种三维模型构件的自动提取方法 |
CN104408396A (zh) * | 2014-08-28 | 2015-03-11 | 浙江工业大学 | 一种基于时间金字塔局部匹配窗口的动作识别方法 |
CN107247961A (zh) * | 2017-05-10 | 2017-10-13 | 西安交通大学 | 一种应用模糊轨迹序列的轨迹预测方法 |
Non-Patent Citations (4)
Title |
---|
PEI LUO: "Co-segmentation of 3D shapes via multi-view spectral clustering", 《SPRINGER》 * |
RUIZHEN HU: "Co-Segmentation of 3D Shapes via Subspace Clustering", 《EUROGRAPHICS SYMPOSIUM ON GEOMETRY PROCESSING 2012》 * |
YUELONG LI: "Vertex-Level Three-Dimensional Shape Deformability Measurement Based on Line Segment Advection", 《IET COMPUTER VISION》 * |
刘莉莉: "K-均值聚类算法的研究与改进", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807833A (zh) * | 2019-11-04 | 2020-02-18 | 成都数字天空科技有限公司 | 一种网状拓扑获得方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mitra et al. | Structure-aware shape processing | |
CN107168527B (zh) | 基于区域卷积神经网络的第一视角手势识别与交互方法 | |
CN105741355B (zh) | 一种三角网格模型的块分割方法 | |
Wang et al. | An edge-weighted centroidal Voronoi tessellation model for image segmentation | |
CN100369064C (zh) | 一种基于视频内容的人体姿态变形方法 | |
CN109035388A (zh) | 三维人脸模型重建方法及装置 | |
CN104933757B (zh) | 一种基于款式描述符的三维服装建模方法 | |
CN101017575B (zh) | 基于人体部件模板和体形轮廓的三维虚拟人体自动生成方法 | |
CN103310481B (zh) | 一种基于模糊熵迭代的点云精简方法 | |
CN110111430B (zh) | 一种从三维点云中提取二次曲面的方法 | |
CN109584302A (zh) | 相机位姿优化方法、装置、电子设备和计算机可读介质 | |
CN105006016A (zh) | 一种贝叶斯网络约束的部件级三维模型构建方法 | |
CN113379898A (zh) | 一种基于语义分割的三维室内场景重建方法 | |
CN108629834A (zh) | 一种基于单张图片的三维头发重建方法 | |
JP2008282110A (ja) | 対象物の関節構造の取得方法及び装置 | |
CN109859208A (zh) | 基于凹凸性和rsd特征的场景分割与目标建模方法 | |
CN110363804B (zh) | 一种基于形变模型的花朵浅浮雕浮雕生成方法 | |
CN108537887A (zh) | 基于3d打印的草图与模型库三维视图匹配方法 | |
CN110909778B (zh) | 一种基于几何一致性的图像语义特征匹配方法 | |
CN112287857A (zh) | 一种多视角异常步态识别方法 | |
CN108509981A (zh) | 基于序列顶点特征的三维物体内部部件自动划分方法 | |
Zhang et al. | 3D viewpoint estimation based on aesthetics | |
Toussaint et al. | An Integrated Platform for Dynamic Cardiac Simulation and Image Processing: Application to Personalised Tetralogy of Fallot Simulation. | |
CN103295240A (zh) | 一种评价自由曲面相似性的方法 | |
CN103383778B (zh) | 一种三维卡通人脸生成方法和系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180907 |