CN109035391B - 三维模型处理方法及装置 - Google Patents
三维模型处理方法及装置 Download PDFInfo
- Publication number
- CN109035391B CN109035391B CN201810797426.2A CN201810797426A CN109035391B CN 109035391 B CN109035391 B CN 109035391B CN 201810797426 A CN201810797426 A CN 201810797426A CN 109035391 B CN109035391 B CN 109035391B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- model
- sample
- image
- cleaning
- 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
- 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
- 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
Abstract
本发明实施例提供一种三维模型处理方法及装置。所述三维模型处理方法包括:获取训练数据,所述训练数据包括多个样本,每个样本为一目标类型对象的初始三维图像;对每个样本的所述初始三维图像进行清洗,得到每个样本的清洗图像;将所述清洗图像进行降维处理,将所述清洗图像映射到三维流形上,得到三维流形图;将所述三维流形图通过聚类算法对每个样本的各个部位进行分割,得到每个样本的各部位的特征数据;将所述各部位的特征数据输入训练模型进行训练,得到建立模型。
Description
技术领域
本发明涉及数据处理领域,具体而言,涉及一种三维模型处理方法及装置。
背景技术
目前,针对于物体进行三维建模特别是针对牦牛进行三维建模的方法主要是,采用双目立体视觉系统对牦牛所摆姿势进行拍摄,得到一个图像序列,然后将再通过拟合、空间三维圆锥曲面方程牦牛肢体模型。
发明内容
有鉴于此,本发明实施例的目的在于提供一种三维模型处理方法及装置。
本发明实施例提供的一种三维模型处理方法,包括:
获取训练数据,所述训练数据包括多个样本,每个样本为一目标类型对象的初始三维图像;
对每个样本的所述初始三维图像进行清洗,得到每个样本的清洗图像;
将所述清洗图像进行降维处理,将所述清洗图像映射到三维流形上,得到三维流形图;
将所述三维流形图通过聚类算法对每个样本的各个部位进行分割,得到每个样本的各部位的特征数据;
将所述各部位的特征数据输入训练模型进行训练,得到建立模型。
可选地,所述将所述各部位的特征数据输入预设的训练模型进行训练,得到建立模型的步骤,包括:
将所述特征数据输入所述训练模型进行计算,得到输出结果;
将所述输出结果与标记数据进行对比,判断误差是否在设定范围内;
若误差没有在误差范围内则对所述训练模型中的参数进行调整;
重复上述三个步骤,直到所述误差在所述设定范围内,停止训练,得到建立模型。
可选地,所述对每个样本的所述初始三维图像进行清洗,得到每个样本的清洗图像的步骤,包括:
对所述初始三维图进行识别,识别出缺失位置;
在所述缺失位置补充匹配的数值。
可选地,所述对每个样本的所述初始三维图像进行清洗,得到每个样本的清洗图像的步骤,包括:
对所述初始三维图进行识别,识别出噪声数据;
对所述噪声数据进行删除或位置调整。
可选地,所述对每个样本的所述初始三维图像进行清洗,得到每个样本的清洗图像的步骤,包括:
对所述初始三维图进行识别,删除其中重复的数据。
可选地,每个所述样本对应一个牦牛的数据;
所述将所述三维流形图通过聚类算法对每个样本的各个部位进行分割,得到每个样本的各部位的特征数据的步骤包括:
将所述三维流形图通过聚类算法划分出所述牦牛的各个部分进行分割,每个样本对应的牦牛的各个部位的特征数据。
可选地,在所述将所述各部位的特征数据输入训练模型进行训练,得到建立模型的步骤之后,所述方法还包括:
将待建立的模型的目标对象的初始三维图像输入所述建立模型中建立所述目标对象的三维模型。
可选地,在所述将所述各部位的特征数据输入训练模型进行训练,得到建立模型的步骤之后,所述方法还包括:
将待建立的模型的目标对象的初始三维图像进行清洗,得到目标清洗图像;
将所述目标清洗图像进行降维处理,将所述清洗图像映射到三维流形上,得到目标三维流形图;
将所述目标三维流形图通过聚类算法对目标对象的各个部位进行分割,得到目标对象的各部位的特征数据;
将所述目标对象的各部位的特征数据输入所述建立模型进行建立得到所述目标对象的三维模型。
本发明实施例还提供一种三维模型处理装置,包括:
获取模块,用于获取训练数据,所述训练数据包括多个样本,每个样本为一目标类型对象的初始三维图像;
第一清洗模块,用于对每个样本的所述初始三维图像进行清洗,得到每个样本的清洗图像;
第一降维模块,用于将所述清洗图像进行降维处理,将所述清洗图像映射到三维流形上,得到三维流形图;
分割模块,用于将所述三维流形图通过聚类算法对每个样本的各个部位进行分割,得到每个样本的各部位的特征数据;
训练模块,用于将所述各部位的特征数据输入训练模型进行训练,得到建立模型。
可选地,所述装置还包括:
第二清洗模块,用于将待建立的模型的目标对象的初始三维图像进行清洗,得到目标清洗图像;
第二降维模块,用于将所述目标清洗图像进行降维处理,将所述清洗图像映射到三维流形上,得到目标三维流形图;
第二分割模块,用于将所述目标三维流形图通过聚类算法对目标对象的各个部位进行分割,得到目标对象的各部位的特征数据;
建立模块,用于将所述目标对象的各部位的特征数据输入所述建立模型进行建立得到所述目标对象的三维模型。
与现有技术相比,本发明实施例的三维模型处理方法及装置,通过使用一些样本进行训练得到可以建立目标对象的建立模型,可以在需要建立模型的时候不再需要人工去绘制目标对象的模型可以大大提高模型绘制的效率。另外,还将用于建立模型的训练数据进行预先的清洗以及各个部位的数据进行分割可以使用训练数据的适应性更高,使训练得到的建立模型能够更好地建立目标对象的三维模型。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的电子终端的方框示意图。
图2为本发明实施例提供的三维模型处理方法的流程图。
图3为本发明实施例提供的三维模型处理方法的步骤S205的详细流程图。
图4为本发明实施例提供的三维模型处理装置的功能模块示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,是一电子终端100的方框示意图。所述电子终端100包括三维模型处理装置110、存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对电子终端100的结构造成限定。例如,电子终端100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。本实施例所述的电子终端100可以是个人计算机、处理服务器、或者移动电子设备等具有数据处理能力的计算设备。
所述存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述三维模型处理装置110包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器111中或固化在所述电子终端100的操作系统(Operating System,OS)中的软件功能模块。所述处理器113用于执行存储器中存储的可执行模块,例如所述三维模型处理装置110包括的软件功能模块或计算机程序。
其中,所述存储器111可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器111用于存储程序,所述处理器113在接收到执行指令后,执行所述程序,本发明实施例任一实施例揭示的过程定义的电子终端100所执行的方法可以应用于处理器113中,或者由处理器113实现。
所述处理器113可能是一种集成电路芯片,具有信号的处理能力。上述的处理器113可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述外设接口114将各种输入/输入装置耦合至处理器113以及存储器111。在一些实施例中,外设接口114,处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
所述输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是,但不限于,鼠标和键盘等。
所述显示单元116在所述电子终端100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器进行计算和处理。
发明人研究可以先通过双目立体视觉系统对牦牛所摆姿势进行拍摄,得到牦牛图像,然后采用图像分割技术检测并得到牦牛肢体在各个时刻左右图像上的边缘轮廓信息,再通过拟合、空间三维圆锥曲面方程,使用OpenGL程序等构成并得到牦牛肢体模型。上述的方式主要是建立牦牛肢体各个时刻在空间运动动作的模型,不能对物体的形体进行快捷精确建模,另外,该方式中需要使用双目立体视觉系统对牦牛肢体所摆姿势进行拍摄,即要利用二部拍摄设备来确定牦牛肢体在空间的位置,所用拍摄设备比较昂贵。
发明人进行进一步地研究,牦牛的动作数据,表情数据等都具有很高的自由度,并且有高纬度,非线性,相关性等特征,而机器学习技术往往能够比传统的基于物理,基于运动学的模型更好地拟合这些特性。基于上述描述,本申请通过以下几个实施例可以有效地解决上述技术问题,具体描述如下。
请参阅图2,是本发明实施例提供的应用于图1所示的电子终端的三维模型处理方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤S201,获取训练数据。
本实施例中,所述训练数据包括多个样本,每个样本为一目标类型对象的初始三维图像。
本实施例中,所述训练数据可以是预先采集到的目标类型对象的三维图像。所述三维图像可以通过3d扫描仪扫描得到的图像。
本实施例中,每个所述样本对应一个牦牛的数据。
在一实例中,所述目标类型对象可以是牦牛。每一个样本可以是一只牦牛数据。下面以牦牛以例进行描述。
步骤S202,对每个样本的所述初始三维图像进行清洗,得到每个样本的清洗图像。
在一种实施方式中,所述步骤S202包括:对所述初始三维图进行识别,识别出缺失位置;在所述缺失位置补充匹配的数值。
在另一种实施方式中,所述步骤S202包括:对所述初始三维图进行识别,识别出噪声数据;对所述噪声数据进行删除或位置调整。
再一种实施方式中,所述步骤S202包括:对所述初始三维图进行识别,删除其中重复的数据。
步骤S203,将所述清洗图像进行降维处理,将所述清洗图像映射到三维流形上,得到三维流形图。
所述降维处理就是指采用某种映射方法,将原高维空间中的数据点映射到低维度的空间中。其中,降维的本质是学习一个映射函数f:x→y,其中,x是原始数据点的表达,x可表示使用向量表达形式。y是数据点映射后的低维向量表达,通常y的维度小于x的维度(当然提高维度也是可以的)。f可能是显式的或隐式的、线性的或非线性的。
流形是局部具有欧几里得空间性质的空间,在数学中用于描述几何形体。
步骤S204,将所述三维流形图通过聚类算法对每个样本的各个部位进行分割,得到每个样本的各部位的特征数据。
所述步骤S204包括:将所述三维流形图通过聚类算法划分出所述牦牛的各个部分进行分割,每个样本对应的牦牛的各个部位的特征数据。
其中,所述各个部位的特征数据可以包括:脸形数据、牛角数据、牛腿数据、牛尾数据、牛眼数据、牛鼻数据、牛嘴数据等。
步骤S205,将所述各部位的特征数据输入训练模型进行训练,得到建立模型。
本实施例中,如图3所示,所述步骤S205包括以下步骤。
步骤S2051,将所述特征数据输入所述训练模型进行计算,得到输出结果。
步骤S2052,将所述输出结果与标记数据进行对比,判断误差是否在设定范围内。
步骤S2053,将所述输出结果与标记数据进行对比,判断误差是否在设定范围内。
重复上述步骤S2051至S2053,直到所述误差在所述设定范围内,停止训练,得到建立模型。
本发明实施例的三维模型处理方法,通过使用一些样本进行训练得到可以建立目标对象的建立模型,可以在需要建立模型的时候不再需要人工去绘制目标对象的模型可以大大提高模型绘制的效率。另外,还将用于建立模型的训练数据进行预先的清洗以及各个部位的数据进行分割可以使用训练数据的适应性更高,使训练得到的建立模型能够更好地建立目标对象的三维模型。
本实施例中,在步骤S205之后,所述方法还包括:将待建立的模型的目标对象的初始三维图像输入所述建立模型中建立所述目标对象的三维模型。
本实施例中,在所述将所述各部位的特征数据输入训练模型进行训练,得到建立模型的步骤之后,所述方法还包括:将待建立的模型的目标对象的初始三维图像进行清洗,得到目标清洗图像;将所述目标清洗图像进行降维处理,将所述清洗图像映射到三维流形上,得到目标三维流形图;将所述目标三维流形图通过聚类算法对目标对象的各个部位进行分割,得到目标对象的各部位的特征数据;将所述目标对象的各部位的特征数据输入所述建立模型进行建立得到所述目标对象的三维模型。
请参阅图4,是本发明实施例提供的图1所示的三维模型处理装置110的功能模块示意图。本实施例中的三维模型处理装置用于执行上述方法实施例中的各个步骤。所述三维模型处理装置包括:获取模块1101、第一清洗模块1102、第一降维模块1103、分割模块1104及训练模块1105。
所述获取模块1101,用于获取训练数据,所述训练数据包括多个样本,每个样本为一目标类型对象的初始三维图像。
所述第一清洗模块1102,用于对每个样本的所述初始三维图像进行清洗,得到每个样本的清洗图像。
所述第一降维模块1103,用于将所述清洗图像进行降维处理,将所述清洗图像映射到三维流形上,得到三维流形图。
所述分割模块1104,用于将所述三维流形图通过聚类算法对每个样本的各个部位进行分割,得到每个样本的各部位的特征数据。
所述训练模块1105,用于将所述各部位的特征数据输入训练模型进行训练,得到建立模型。
本实施例中,所述训练模块1105还用于:
将所述特征数据输入所述训练模型进行计算,得到输出结果;
将所述输出结果与标记数据进行对比,判断误差是否在设定范围内;
若误差没有在误差范围内则对所述训练模型中的参数进行调整;
重复上述三个步骤,直到所述误差在所述设定范围内,停止训练,得到建立模型。
本实施例中,所述第一清洗模块1102还用于:
对所述初始三维图进行识别,识别出缺失位置;
在所述缺失位置补充匹配的数值。
本实施例中,所述第一清洗模块1102还用于:
对所述初始三维图进行识别,识别出噪声数据;
对所述噪声数据进行删除或位置调整。
本实施例中,本实施例中,所述第一清洗模块1102还用于:
对所述初始三维图进行识别,删除其中重复的数据。
本实施例中,每个所述样本对应一个牦牛的数据;
所述将所述三维流形图通过聚类算法对每个样本的各个部位进行分割,得到每个样本的各部位的特征数据的步骤包括:
将所述三维流形图通过聚类算法划分出所述牦牛的各个部分进行分割,每个样本对应的牦牛的各个部位的特征数据。
本实施例中,所述装置还用于:将待建立的模型的目标对象的初始三维图像输入所述建立模型中建立所述目标对象的三维模型。
本实施例中,所述三维模型处理装置110还包括:
第二清洗模块,用于将待建立的模型的目标对象的初始三维图像进行清洗,得到目标清洗图像;
第二降维模块,用于将所述目标清洗图像进行降维处理,将所述清洗图像映射到三维流形上,得到目标三维流形图;
第二分割模块,用于将所述目标三维流形图通过聚类算法对目标对象的各个部位进行分割,得到目标对象的各部位的特征数据;
建立模块,用于将所述目标对象的各部位的特征数据输入所述建立模型进行建立得到所述目标对象的三维模型。
本发明实施例的三维模型处理装置,通过使用一些样本进行训练得到可以建立目标对象的建立模型,可以在需要建立模型的时候不再需要人工去绘制目标对象的模型可以大大提高模型绘制的效率。另外,还将用于建立模型的训练数据进行预先的清洗以及各个部位的数据进行分割可以使用训练数据的适应性更高,使训练得到的建立模型能够更好地建立目标对象的三维模型。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种三维模型处理方法,其特征在于,包括:
获取训练数据,所述训练数据包括多个样本,每个样本为一目标类型对象的初始三维图像;
对每个样本的所述初始三维图像进行清洗,得到每个样本的清洗图像;
将所述清洗图像进行降维处理,将所述清洗图像映射到三维流形上,得到三维流形图;
将所述三维流形图通过聚类算法对每个样本的各个部位进行分割,得到每个样本的各部位的特征数据;
将所述各部位的特征数据输入训练模型进行训练,得到建立模型;
其中,所述将所述各部位的特征数据输入训练模型进行训练,得到建立模型,包括:将所述特征数据输入所述训练模型进行计算,得到输出结果;将所述输出结果与标记数据进行对比,判断误差是否在设定范围内;若误差没有在误差范围内则对所述训练模型中的参数进行调整;重复上面三个步骤,直到所述误差在所述设定范围内,停止训练,得到建立模型;
将待建立的模型的目标对象的初始三维图像输入所述建立模型中建立所述目标对象的三维模型。
2.如权利要求1所述的三维模型处理方法,其特征在于,所述对每个样本的所述初始三维图像进行清洗,得到每个样本的清洗图像的步骤,包括:
对所述初始三维图进行识别,识别出缺失位置;
在所述缺失位置补充匹配的数值。
3.如权利要求1所述的三维模型处理方法,其特征在于,所述对每个样本的所述初始三维图像进行清洗,得到每个样本的清洗图像的步骤,包括:
对所述初始三维图进行识别,识别出噪声数据;
对所述噪声数据进行删除或位置调整。
4.如权利要求1所述的三维模型处理方法,其特征在于,所述对每个样本的所述初始三维图像进行清洗,得到每个样本的清洗图像的步骤,包括:
对所述初始三维图进行识别,删除其中重复的数据。
5.如权利要求1所述的三维模型处理方法,其特征在于,每个所述样本对应一个牦牛的数据;
所述将所述三维流形图通过聚类算法对每个样本的各个部位进行分割,得到每个样本的各部位的特征数据的步骤包括:
将所述三维流形图通过聚类算法划分出所述牦牛的各个部分进行分割,每个样本对应的牦牛的各个部位的特征数据。
6.如权利要求1-5任意一项所述的三维模型处理方法,其特征在于,在所述将所述各部位的特征数据输入训练模型进行训练,得到建立模型的步骤之后,所述方法还包括:
将待建立的模型的目标对象的初始三维图像进行清洗,得到目标清洗图像;
将所述目标清洗图像进行降维处理,将所述清洗图像映射到三维流形上,得到目标三维流形图;
将所述目标三维流形图通过聚类算法对目标对象的各个部位进行分割,得到目标对象的各部位的特征数据;
将所述目标对象的各部位的特征数据输入所述建立模型进行建立得到所述目标对象的三维模型。
7.一种三维模型处理装置,其特征在于,包括:
获取模块,用于获取训练数据,所述训练数据包括多个样本,每个样本为一目标类型对象的初始三维图像;
第一清洗模块,用于对每个样本的所述初始三维图像进行清洗,得到每个样本的清洗图像;
第一降维模块,用于将所述清洗图像进行降维处理,将所述清洗图像映射到三维流形上,得到三维流形图;
分割模块,用于将所述三维流形图通过聚类算法对每个样本的各个部位进行分割,得到每个样本的各部位的特征数据;
训练模块,用于将所述各部位的特征数据输入训练模型进行训练,得到建立模型;所述训练模块还用于:将所述特征数据输入所述训练模型进行计算,得到输出结果;将所述输出结果与标记数据进行对比,判断误差是否在设定范围内;若误差没有在误差范围内则对所述训练模型中的参数进行调整;重复上面三个步骤,直到所述误差在所述设定范围内,停止训练,得到建立模型;将待建立的模型的目标对象的初始三维图像输入所述建立模型中建立所述目标对象的三维模型。
8.如权利要求7所述的三维模型处理装置,其特征在于,所述装置还包括:
第二清洗模块,用于将待建立的模型的目标对象的初始三维图像进行清洗,得到目标清洗图像;
第二降维模块,用于将所述目标清洗图像进行降维处理,将所述清洗图像映射到三维流形上,得到目标三维流形图;
第二分割模块,用于将所述目标三维流形图通过聚类算法对目标对象的各个部位进行分割,得到目标对象的各部位的特征数据;
建立模块,用于将所述目标对象的各部位的特征数据输入所述建立模型进行建立得到所述目标对象的三维模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810797426.2A CN109035391B (zh) | 2018-07-19 | 2018-07-19 | 三维模型处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810797426.2A CN109035391B (zh) | 2018-07-19 | 2018-07-19 | 三维模型处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035391A CN109035391A (zh) | 2018-12-18 |
CN109035391B true CN109035391B (zh) | 2023-07-21 |
Family
ID=64642139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810797426.2A Active CN109035391B (zh) | 2018-07-19 | 2018-07-19 | 三维模型处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035391B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136381A (zh) * | 2011-11-23 | 2013-06-05 | 比亚迪股份有限公司 | 一种菲林制作方法 |
WO2014079477A1 (de) * | 2012-11-20 | 2014-05-30 | Siemens Aktiengesellschaft | Verfahren zum automatischen erstellen von zwei- oder dreidimensionalen gebäudemodellen |
US8954295B1 (en) * | 2011-08-10 | 2015-02-10 | Trimble Navigation Limited | Determining an outer shell of a composite three-dimensional model |
CN107452049A (zh) * | 2016-05-30 | 2017-12-08 | 腾讯科技(深圳)有限公司 | 一种三维头部建模方法及装置 |
CN107680158A (zh) * | 2017-11-01 | 2018-02-09 | 长沙学院 | 一种基于卷积神经网络模型的三维人脸重建方法 |
-
2018
- 2018-07-19 CN CN201810797426.2A patent/CN109035391B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8954295B1 (en) * | 2011-08-10 | 2015-02-10 | Trimble Navigation Limited | Determining an outer shell of a composite three-dimensional model |
CN103136381A (zh) * | 2011-11-23 | 2013-06-05 | 比亚迪股份有限公司 | 一种菲林制作方法 |
WO2014079477A1 (de) * | 2012-11-20 | 2014-05-30 | Siemens Aktiengesellschaft | Verfahren zum automatischen erstellen von zwei- oder dreidimensionalen gebäudemodellen |
CN107452049A (zh) * | 2016-05-30 | 2017-12-08 | 腾讯科技(深圳)有限公司 | 一种三维头部建模方法及装置 |
CN107680158A (zh) * | 2017-11-01 | 2018-02-09 | 长沙学院 | 一种基于卷积神经网络模型的三维人脸重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109035391A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108227912B (zh) | 设备控制方法和装置、电子设备、计算机存储介质 | |
CN107563446B (zh) | 一种微操作系统目标检测方法 | |
JP6554900B2 (ja) | テンプレート作成装置及びテンプレート作成方法 | |
Nai et al. | Fast hand posture classification using depth features extracted from random line segments | |
EP3113114A1 (en) | Image processing method and device | |
CN106997613B (zh) | 根据2d图像的3d模型生成 | |
CN108573471B (zh) | 图像处理装置、图像处理方法以及记录介质 | |
SE528068C2 (sv) | Igenkänning av 3D föremål | |
CN109241844B (zh) | 三维物体的姿态估计方法、装置、设备及存储介质 | |
US8542912B2 (en) | Determining the uniqueness of a model for machine vision | |
RU2014108870A (ru) | Процессор изображений, содержащий систему распознавания жестов с распознаванием неподвижной позы кисти на основе первого и второго наборов признаков | |
CN113111844B (zh) | 一种作业姿态评估方法、装置、本地终端及可读存储介质 | |
CN107272899B (zh) | 一种基于动态手势的vr交互方法、装置及电子设备 | |
JP2019114103A (ja) | 物体認識処理装置、物体認識処理方法及びプログラム | |
CN113420848A (zh) | 神经网络模型的训练方法及装置、手势识别的方法及装置 | |
CN112287730A (zh) | 姿态识别方法、装置、系统、存储介质及设备 | |
CN112907569A (zh) | 头部图像区域的分割方法、装置、电子设备和存储介质 | |
US8542905B2 (en) | Determining the uniqueness of a model for machine vision | |
CN112949576B (zh) | 姿态估计方法、装置、设备及存储介质 | |
Mantecón et al. | New generation of human machine interfaces for controlling UAV through depth-based gesture recognition | |
CN109035391B (zh) | 三维模型处理方法及装置 | |
CN110956131B (zh) | 单目标追踪方法、装置及系统 | |
Wang | Automatic and robust hand gesture recognition by SDD features based model matching | |
Zhu et al. | Cascaded normal filtering neural network for geometry-aware mesh denoising of measurement surfaces | |
Makihara et al. | Grasp pose detection for deformable daily items by pix2stiffness estimation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |