CN109767480A - 基于显著性和空间特征的三维网格动画压缩方法 - Google Patents
基于显著性和空间特征的三维网格动画压缩方法 Download PDFInfo
- Publication number
- CN109767480A CN109767480A CN201811543477.9A CN201811543477A CN109767480A CN 109767480 A CN109767480 A CN 109767480A CN 201811543477 A CN201811543477 A CN 201811543477A CN 109767480 A CN109767480 A CN 109767480A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- cluster
- vertex
- frame
- model
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于显著性和空间特征的三维网格动画压缩方法。本发明使用显著性模型来评估三维网格序列动画模型每一帧的运动强弱。由物体运动得到的空域聚类和时域聚类之后,所得系数在经过图傅里叶变化后,产生了新系数,并且它们有一个共同特点,即代表高频系数的数量多但大部分几乎为0,代表低频的系数数量少但值很大。基于此,仅保留低频信息以到达提高压缩率的目的,排除高频信息的干扰。最后,采用图傅里叶变化和CSPECK编码将上述的得到DMS转换成多分辨率表示以支持渐进式流。
Description
技术领域
本发明属于三维动画模型压缩的多媒体技术领域,具体涉及一种根据三维动画模型显著性和空间特征对三维动画模型进行压缩的方法。
背景技术
随着三维数据获取手段的不断丰富,计算机图形学相关理论及技术的日臻成熟和网络技术的迅猛发展,三维动画模型作为继文本、音频、图像(图形)和视频之后的第五种多媒体数据类型在工业制造、产品展示、建筑设计、机器人技术、医学、电子商务、教育培训、军事模拟仿真以及影视娱乐等诸多领域里扮演着日益重要的角色并发挥其独有的优势。
但日益精细完美的三维动画模型被广泛应用的同时,其数据量和复杂度的激增给PC机图形显示卡、手持移动计算终端的图形处理能力及网络带宽带来了极大的挑战,这无疑严重阻碍了该类型媒体的使用和传播。要解决这一问题,仅仅依靠提高处理器的处理速度和能力、增加存储器容量和网络带宽等硬件方面的措施是不现实的,必须还要采取一些相应的算法来减少三维动画模型数据,三维几何数据压缩技术便是其中一种行之有效的方法。
对于客户端而言,所需的三维模型存储数据越少、重构误差越小越好。当然前人也研究了一些方法,对于聚类来说,有效且最常用的是K-means聚类算法。但该算法存在这其固有的缺点,首先算法中k是事先给定的,该k值的选定是很难估计的,因为在大多数情况下,并不知道给定的数据集应该分成多少个类别才合适;其次该算法对初始值的选取依赖性极大,而且算法常陷入局部极小解,不同的初始值结果往往不同;最后该算法需要不断地进行样本分类调整,不断地计算调整后的新聚类中心,因此当数据量非常大时,该算法的时间开销也很大。
发明内容
本发明针对现有压缩算法在三维场景应用方面的不足,提供了一种根据三维动画模型显著性和空间特征对三维模型进行压缩的方法。
本发明解决其技术问题所采用的技术方案如下:
步骤一:对三维动态网格模型分类边界划分;
计算每个顶点与其相邻顶点所在区域的速度差的模dv(v)
其中代表点v的速度,表示以s为半径区域,v为中心的高斯加权平均速度。
在得到顶点的速度差的模之后,定义为BV={v∈V:|dv(v)|>tbound}选择该模dv(v)大于tbound=0.01的点顶为聚类边界的点,其中V是所有的点集,tbound是判断聚类边界点的临界值。
步骤二:对局部运动相似性的顶点聚类;
利用得到的分类边界信息并结合空间连贯性,对非边界顶点进行初始聚类,定义顶点t到聚类区域C的相似度的衡量标准,如公式:
其中为聚类区域C的平均速度。
之后,根据局部运动相似性和三维模型的拓扑关系,对初始聚类结果进行类别优化,得到最终聚类划分。
步骤三:对聚类区域显著性值计算;
先将顶点运动状态分为以下几类:静态、呈现运动、开始运动、终止匀速运动、变速运动,然后建立各类运动状态所对应的显著性值的衰减函数。
定义簇头p的相对运动速度
其中G是所有顶点的集合,f是动画序列的一帧,w是G内的顶点。
步骤四:对三维动画进行帧聚类;
采用皮尔森相关性算法来衡量三维动画帧之间的差异性。计算公式如下:
将相邻帧的显著性值赋予X和Y,通过计算将可得相应的相似度值ρx,y。通过选取相应的界限值我们将满足的相邻帧归为一类。
步骤五:计算三维动画空间坐标的残差值;
基于上述第四步帧聚类后的结果,为了进一步对网格数据进行压缩,使用基于三维网格坐标值相似性预测算法将每类中的各个帧进行平移和旋转,然后与每类中的关键帧进行差值计算,此处的关键帧不进行任何处理,即保留原有三维坐标数据。将得到差值矩阵视为每一帧网格上的信号,即残差值。
步骤六:计算三维动画模型的空间度量值;
对三维动画模型的三维空间中的几何信息进行欧几里德距离计算,定义相应的空间度量值为D,如果该度量值非常的接近于零,则认为三维模型关键帧中这两个相邻的顶点在空间上是非常接近的,应该被归为同一类。
对上述得到聚类结果中的某一类(假设其为K类)的关键帧进行空间切割算法,最后得到相应的块数(假设其为S块)。
步骤七:网格信号的优化和图傅里叶编码;
采用PCA对三维模型的网格信号进行优化生成相应的PCA系数,从而进一步消除三维模型在时间上的冗余。将生成的三种信号,即残差值、空间度量值和PCA系数,定义作为网格上的信号点,然后执行图傅里叶变化获得一系列图傅里叶变换后的系数,通过图傅里叶系数来压缩三维网格模型。
这样便最终完成了模型的压缩。
本发明的有益效果:本发明使用显著性模型来评估三维网格序列动画模型每一帧的运动强弱。由物体运动得到的空域聚类和时域聚类之后,所得系数在经过图傅里叶变化后,产生了新系数,并且它们有一个共同特点,即代表高频系数的数量多但大部分几乎为0,代表低频的系数数量少但值很大。基于此,仅保留低频信息以到达提高压缩率的目的,排除高频信息的干扰。最后,采用图傅里叶变化和CSPECK编码将上述的得到DMS转换成多分辨率表示以支持渐进式流。
具体实施方式
以下结合实施例对本发明作进一步说明:
本实施例的具体步骤是:
步骤一:对三维动态网格模型分类边界划分。
计算每个顶点与其相邻顶点所在区域的速度差的模dv(v)
其中代表点v的速度,表示以s为半径区域,v为中心的高斯加权平均速度。在得到顶点的速度差的模之后,选择该模dv(v)大于tbound=0.01的点顶为聚类边界的点,定义为BV={v∈V:|dv(v)|>tbound},其中V是所有的点集,tbound是判断聚类边界点的临界值。
步骤二:对局部运动相似性的顶点聚类。
利用得到的分类边界信息并结合空间连贯性,对非边界顶点进行初始聚类。定义顶点t到聚类区域C的相似度的衡量标准,如公式:
其中为聚类区域C的平均速度。之后,根据局部运动相似性和三维模型的拓扑关系,对初始聚类结果进行类别优化,得到最终聚类划分。
步骤三:对聚类区域显著性值计算;
先将顶点运动状态进行定义并分类,包括静态、呈现运动、开始运动、终止匀速运动、变速运动,建立各类运动状态所对应的显著性值的衰减函数。为了去除模型整体移动对显著性计算所造成的影响,定义簇头p的相对运动速度
其中G是所有顶点的集合,f是动画序列的一帧,w是G内的顶点。
步骤四:对三维动画进行帧聚类;
采用皮尔森相关性算法来衡量三维动画帧之间的差异性,
该算法能很好的反映出两个变量在数学上的线性相关程度,其相应的取值范围在[-1,1]之间。两个变量在数学上呈现出相关性时,其取值范围趋于取值范围两端。将相邻帧的显著性值赋予X和Y,通过计算将可得相应的相似度值ρx,y。通过选取相应的界限值将满足的相邻帧归为一类。
步骤五:计算三维动画空间坐标的残差值;
基于上述第四步帧聚类后的结果,为了进一步对网格数据进行压缩,使我们用基于三维网格坐标值相似性预测算法将每类中的各个帧进行平移和旋转,然后与每类中的关键帧进行差值计算,此处的关键帧不进行任何处理,即保留原有三维坐标数据。将得到差值矩阵视为每一帧网格上的信号,即残差值。
步骤六:计算三维动画模型的空间度量值;
对三维动画模型的三维空间中的几何信息(顶点信息)进行欧几里德距离计算,定义相应的空间度量值为D,如果该度量值非常的接近于零,则认为三维模型关键帧中这两个相邻的顶点在空间上是非常接近的,应该被归为同一类。对上述得到聚类结果中的某一类(假设其为K类)的关键帧进行空间切割算法,最后得到相应的块数(假设其为S块)。每块中的所含几何消息(顶点信息)必须非常相似这样才能保证分割块数的准确。
步骤七:网格信号的优化和图傅里叶编码;
采用PCA对三维模型的网格信号进行优化生成相应的PCA系数,从而进一步消除三维模型在时间上的冗余。将上述生成的三种信号,即残差值、空间度量值和PCA系数,定义作为网格上的信号点,然后执行图傅里叶变化获得一系列图傅里叶变换后的系数。通过图傅里叶系数来压缩三维网格模型。
这样便最终完成了模型的压缩。
Claims (1)
1.基于显著性和空间特征的三维网格动画压缩方法,其特征在于该方法包括以下步骤:
步骤一:对三维动态网格模型分类边界划分;
计算每个顶点与其相邻顶点所在区域的速度差的模dv(v)
其中代表点v的速度,表示以s为半径区域,v为中心的高斯加权平均速度;
在得到顶点的速度差的模之后,定义为BV={v∈V:|dv(v)|>tbound},选择该模dv(v)大于tbound=0.01的点顶为聚类边界的点,其中V是所有的点集,tbound是判断聚类边界点的临界值;
步骤二:对局部运动相似性的顶点聚类;
利用得到的分类边界信息并结合空间连贯性,对非边界顶点进行初始聚类,定义顶点t到聚类区域C的相似度的衡量标准,如公式:
其中为聚类区域C的平均速度;
之后,根据局部运动相似性和三维模型的拓扑关系,对初始聚类结果进行类别优化,得到最终聚类划分;
步骤三:对聚类区域显著性值计算;
先将顶点运动状态分为以下几类:静态、呈现运动、开始运动、终止匀速运动、变速运动,然后建立各类运动状态所对应的显著性值的衰减函数;
定义簇头p的相对运动速度
其中G是所有顶点的集合,f是动画序列的一帧,w是G内的顶点;
步骤四:对三维动画进行帧聚类;
采用皮尔森相关性算法来衡量三维动画帧之间的差异性,计算公式如下:
将相邻帧的显著性值赋予X和Y,通过计算将可得相应的相似度值ρx,y;通过选取相应的界限值将满足的相邻帧归为一类;
步骤五:计算三维动画空间坐标的残差值;
基于上述第四步帧聚类后的结果,为了进一步对网格数据进行压缩,使用基于三维网格坐标值相似性预测算法将每类中的各个帧进行平移和旋转,然后与每类中的关键帧进行差值计算,此处的关键帧不进行任何处理,即保留原有三维坐标数据;将得到差值矩阵视为每一帧网格上的信号,即残差值;
步骤六:计算三维动画模型的空间度量值;
对三维动画模型的三维空间中的几何信息进行欧几里德距离计算,定义相应的空间度量值为D,如果该度量值非常的接近于零,则认为三维模型关键帧中这两个相邻的顶点在空间上是非常接近的,应该被归为同一类;
对上述得到聚类结果中的某一类的关键帧进行空间切割算法,最后得到相应的块数;
步骤七:网格信号的优化和图傅里叶编码;
采用PCA对三维模型的网格信号进行优化生成相应的PCA系数,从而进一步消除三维模型在时间上的冗余;将生成的三种信号,即残差值、空间度量值和PCA系数,定义作为网格上的信号点,然后执行图傅里叶变化获得一系列图傅里叶变换后的系数,通过图傅里叶系数来压缩三维网格模型;
这样便最终完成了模型的压缩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811543477.9A CN109767480B (zh) | 2018-12-17 | 2018-12-17 | 基于显著性和空间特征的三维网格动画压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811543477.9A CN109767480B (zh) | 2018-12-17 | 2018-12-17 | 基于显著性和空间特征的三维网格动画压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109767480A true CN109767480A (zh) | 2019-05-17 |
CN109767480B CN109767480B (zh) | 2023-08-18 |
Family
ID=66450714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811543477.9A Active CN109767480B (zh) | 2018-12-17 | 2018-12-17 | 基于显著性和空间特征的三维网格动画压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109767480B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191520A (zh) * | 2019-12-10 | 2020-05-22 | 北京大学 | 用于动作识别的人体骨架压缩方法、装置以及设备 |
CN113938666A (zh) * | 2021-10-25 | 2022-01-14 | 深圳普罗米修斯视觉技术有限公司 | 基于关键帧的视频数据传输方法、装置及存储介质 |
CN118247151A (zh) * | 2024-05-22 | 2024-06-25 | 浙江凌迪数字科技有限公司 | 一种布料动画的超分辨率方法、装置、电子设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509099A (zh) * | 2011-10-21 | 2012-06-20 | 清华大学深圳研究生院 | 一种图像显著区域检测方法 |
US20120262444A1 (en) * | 2007-04-18 | 2012-10-18 | Gottfried Wilhelm Leibniz Universitat Hannover | Scalable compression of time-consistend 3d mesh sequences |
EP3163536A1 (en) * | 2015-10-30 | 2017-05-03 | Dassault Systèmes | Compression of a three-dimensional modeled object |
-
2018
- 2018-12-17 CN CN201811543477.9A patent/CN109767480B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120262444A1 (en) * | 2007-04-18 | 2012-10-18 | Gottfried Wilhelm Leibniz Universitat Hannover | Scalable compression of time-consistend 3d mesh sequences |
CN102509099A (zh) * | 2011-10-21 | 2012-06-20 | 清华大学深圳研究生院 | 一种图像显著区域检测方法 |
EP3163536A1 (en) * | 2015-10-30 | 2017-05-03 | Dassault Systèmes | Compression of a three-dimensional modeled object |
Non-Patent Citations (2)
Title |
---|
YANG BAILIN等: "compressed dynamic mesh sequence for progressive streaming" * |
关爽;殷海兵;: "基于三维变换域频谱差的视频显著性检测算法" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191520A (zh) * | 2019-12-10 | 2020-05-22 | 北京大学 | 用于动作识别的人体骨架压缩方法、装置以及设备 |
CN113938666A (zh) * | 2021-10-25 | 2022-01-14 | 深圳普罗米修斯视觉技术有限公司 | 基于关键帧的视频数据传输方法、装置及存储介质 |
CN118247151A (zh) * | 2024-05-22 | 2024-06-25 | 浙江凌迪数字科技有限公司 | 一种布料动画的超分辨率方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109767480B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2194834C (en) | Encoding and progressive transmission of progressive meshes | |
CN109767480A (zh) | 基于显著性和空间特征的三维网格动画压缩方法 | |
KR20200128378A (ko) | 이미지 생성 네트워크의 훈련 및 이미지 처리 방법, 장치, 전자 기기, 매체 | |
Heinrich et al. | Progressive splatting of continuous scatterplots and parallel coordinates | |
CN105913475B (zh) | 一种时空变化过程动态可视化方法 | |
Zhang et al. | Color-guided depth image recovery with adaptive data fidelity and transferred graph Laplacian regularization | |
Chen et al. | Synthesizing cloth wrinkles by CNN‐based geometry image superresolution | |
CN109325996A (zh) | 用于生成信息的方法和装置 | |
CN100403338C (zh) | 一种基于视频流的人脸表情幻想方法 | |
CN113706577A (zh) | 一种图像处理方法、装置和计算机可读存储介质 | |
CN107403182A (zh) | 基于3d sift框架的时空兴趣点的检测方法及装置 | |
Ghanem et al. | Phase based modelling of dynamic textures | |
CN103984944A (zh) | 对一组图像中目标物体进行提取并连续播放的方法和装置 | |
Scholz et al. | Real‐time isosurface extraction with view‐dependent level of detail and applications | |
Xie et al. | GAGCN: Generative adversarial graph convolutional network for non‐homogeneous texture extension synthesis | |
Chittora et al. | A brief study on Fourier transform and its applications | |
Velho | Mesh simplification using four-face clusters | |
Scholz et al. | Level of Detail for Real-Time Volumetric Terrain Rendering. | |
He et al. | Laplace-Based 3D Human Mesh Sequence Compression | |
CN105574867B (zh) | 根据曲率对三维模型进行空域分割的方法 | |
Mamou et al. | Multi-chart geometry video: A compact representation for 3D animations | |
CN113240788A (zh) | 三维数据的传输和接收方法、设备和计算机可读存储介质 | |
Marvie et al. | Coding of dynamic 3D meshes | |
Jin et al. | Research on Multi‐Precision Fabric Modeling Method Based on Machine Learning | |
Yang et al. | Application of virtual reality technology and unsupervised video object segmentation algorithm in 3D model modeling |
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 |