CN110533781B - 一种多类别三维模型部件自动标注方法 - Google Patents
一种多类别三维模型部件自动标注方法 Download PDFInfo
- Publication number
- CN110533781B CN110533781B CN201910800414.5A CN201910800414A CN110533781B CN 110533781 B CN110533781 B CN 110533781B CN 201910800414 A CN201910800414 A CN 201910800414A CN 110533781 B CN110533781 B CN 110533781B
- Authority
- CN
- China
- Prior art keywords
- dimensional model
- labeling
- model
- grid
- edge
- 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
- 238000002372 labelling Methods 0.000 title claims abstract description 107
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000005477 standard model Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 241000238413 Octopus Species 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 229940060587 alpha e Drugs 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/004—Annotating, labelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多类别三维模型部件自动标注方法，所述方法包括：对目标三维模型进行特征提取；基于所提取的特征，采用已训练好的标注模型对目标三维模型进行部件类别标注、边界边的类别标注、对象类别一致性标注；针对目标三维模型构建图模型，将面片的部件类别标注的负概率对数作为标注模型的数据项、将网格边从属于边界边的标注负概率对数作为标注模型的平滑项、将目标三维模型对象类别一致性标注的负概率对数作为标注模型的协调项；采用图割优化算法计算出目标三维模型中每个网格面片的标注。本发明可利用从训练集中学习出的标注模型对未知类别未知部件三维模型进行部件标注，而不受限于特定的规则或特征，适用范围广。
Description
技术领域
本发明涉及一种多类别三维模型部件自动标注方法，属于计算机图形分析技术领域。
背景技术
将形状分割并标注为语义部件是形状理解的一个关键步骤。数据驱动形状分割的目标是将输入集中的形状划分为部件，并估计这些形状间部件的对应。因此，数据驱动的形状分割可产生一致性的具有语义标注的部件，并能够有效地支持三维模型的合成、实例建模、以及纹理合成等后续几何处理任务。
已有的研究致力于提高在同类三维模型中进行分割和标注的准确度，其基本分析基元大多选择为面片或超面片(过分割网格块)等来提取形状底层信息，然而仅利用这些底层的几何特征，却无法在多类别的三维模型集上取得较好的标注、分割结果。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种多类别三维模型部件自动标注方法，解决现有技术中无法对多类别三维模型进行精确标注的技术问题。
为解决上述记述问题，本发明是采用下述技术方案实现的：
一种多类别三维模型部件自动标注方法，所述方法包括如下步骤：
对目标三维模型进行特征提取，包括提取每个网格面片的面片特征、每条网格边的边特征以及目标三维模型的全局特征；
基于所提取的特征，采用已训练好的标注模型对目标三维模型的面片集进行部件类别标注、对目标三维模型的每条网格边进行边界边的类别标注、对目标三维模型本身进行对象类别一致性标注；
针对目标三维模型构建图模型，图中节点为网格面片、边存在于相邻网格面片之间以及全局节点和各网格面片之间，将面片的部件类别标注的负概率对数作为标注模型的数据项、将网格边从属于边界边的标注负概率对数作为标注模型的平滑项、将目标三维模型对象类别一致性标注的负概率对数作为标注模型的协调项；
采用图割优化算法计算出目标三维模型中每个网格面片的标注。
进一步的，对所述标注模型进行训练的方法包括：
采用包含多种不同类别部件的三维模型构建训练集；
对训练集中三维模型进行标准标注，标注信息包括三维模型所属对象的类别标注、三维模型中每个网格面片从属于构成部件的类别标注、每条网格边从属于边界边的类别标注；
将训练集划分为实例集和验证集；
对实例集中三维模型进行特征提取，包括提取网格面片的面片特征、每条网格边的边特征以及三维模型的全局特征；
采用所提取的特征结合标准标注分类训练出标注模型的数据项、平滑项和协调项；
利用验证集搜索标注模型的最优平滑项和协调项权重参数。
进一步的，对所述标注模型进行训练的方法还包括对训练集中的三维模型进行归一化处理，具体包括如下步骤：
将训练集中的三维模型的质心移动到坐标原点；
计算训练集中的三维模型每个面片中心到其质心的欧式距离；
将所有欧式距离的中值作为规范项，将训练集中的三维模型上各点的坐标除以该规范项，完成训练集中三维模型的归一化处理。
进一步的，所述质心采用三维模型上所有顶点的面积加权平均值获得，计算公式如下：
其中，V表示三维模型的顶点集，顶点i的三维坐标为(xi,yi,zi)，包含顶点i的表面面积为ai，Vnum为顶点集中的顶点数目。
进一步的，所述标注模型的数据项训练方法包括如下步骤：
计算度量网格面片的面片特征向量Xf与其标注l一致性的标注模型的数据项Edata(l；Xf)，其中标注l∈P，P为预定义的所有可能的标注集合；
根据实例集中所有三维模型的面片集及其面片特征向量Xf，以及每个网格面片相应的标注类别采用JointBoost分类器进行训练学习，从而获得具有面片特征向量Xf的网格面片，标注为l的概率分布P(lXf)，相应的数据项则为：Edata(l；Xf)＝-logP(lXf)。
进一步的，所述标注模型的平滑项训练方法包括如下步骤：
计算度量边特征向量Xe与共享边的相邻面片标注l，l'一致性的标注模型的平滑项Esmooth(l,l'；Xe)；
采用JointBoost分类器进行训练，从而获得边界边，即边两侧的相邻面片标注不相同的概率分布P(l≠l'|Xe)，相应的平滑项为Esmooth(l,l'；Xe)＝-log(P(l≠l'|Xe))。
进一步的，所述标注模型的协调项训练方法包括如下步骤：
计算度量全局特征向量Xg与该三维模型内面片标注l一致性的标注模型的协调项Eharmony(l,g；Xg)；
采用JointBoost分类器进行训练，获得某类对象中标注为非该类部件的概率相应的协调项为/>
进一步的，利用验证集搜索标注模型的最优平滑项和协调项权重参数的方法包括：
对验证集中所有三维模型进行特征提取，包括提取每个三维模型的全局特征、网格面片的面片特征和每条网格边的边特征；
设置平滑项和协调项权重参数α和β的取值范围；
根据每次搜索设置的参数值所得标注模型，对验证集中每个三维模型进行分割与标注，比较标注误差er与当前误差ei，若当前误差小于标注误差：ei＜er，则er＝ei，并记录最佳参数αi和βi；重复此步骤，直至搜索结束。
进一步的，所述特征提取包括如下步骤：
将三维模型的每个网格面片的面片特征，由曲率特征、PCA特征、形状直径特征、平均测地距离特征和形状上下文特征级联形成一个特征向量；
将三维模型每条网格边的边特征，由边二面角特征、边邻域顶点的二面角特征，边两侧邻域顶点的曲率差和导数特征、共享网格边的两个邻接面片形状直径差异特征、共享边的两个邻接面片的体形状图像差异特征级联形成一个特征向量；
将三维模型的全局特征，由形状直方图特征、光场描述子特征、三维Zernike矩和MVCNN特征级联形成一个特征向量。
进一步的，采用扩展的α-expansion图割优化算法，通过计算图最小割的方式，计算三维模型上每个面片的最佳标注l，来最小化能量项：
E(l)＝Edata(l；Xf)+Esmooth(l,l'；Xe)+Eharmony(l,g；Xg)
其中：Edata(l；Xf)为标准模型的数据项；Esmooth(l,l'；Xe)为标注模型的平滑项；Eharmony(l,g；Xg)为标注模型的协调项。
与现有技术相比，本发明所达到的有益效果包括：可利用从训练集中学习出的标注模型对未知类别未知部件三维模型进行部件标注，而不受限于特定的规则或特征，适用范围广。
附图说明
图1是根据本发明实施例提供的一种多类别三维模型部件自动标注方法；
图2是本发明实施例中形状-面片一致性项对不属于该类形状的部件标注做出惩罚的示意图；
图3是本发明实施例所采用的多类别三维模型标注训练集示例；
图4是由图3训练集学习的标注模型对目标三维模型在不预先指定类别的前提下进行部件标注的结果。
具体实施方式
本发明实施例提供了一种多类别三维模型部件自动标注方法，利用多类别标注训练集的学习过程所得标注模型，分别对目标三维模型整体、目标三维模型面片和网格边进行标注，从而获得目标三维模型从属于对象的类别标注概率、每个面片从属于构成部件的类别标注概率以及每条网格边从属于边界边的类别标注概率；针对目标三维模型构建图模型，并通过图割优化算法得到平滑的分割和标注结果。本发明实施例能够对未知类别未知部件三维模型进行部件标注，而不受限于特定的规则或特征，适用范围广。
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，是本发明实施例提供的多类别三维模型部件自动标注方法的流程图，包括基于训练集的学习过程和基于标注模型的分割标注过程。
对于基于训练集的学习过程，训练集中的三维模型可以为多种不同类别且部件已给出标准标注，标注信息包括：三维模型所属对象的类别标注、三维模型每个网格面片从属于构成部件的类别标注以及每条网格边从属于边界边的类别标注。如图3所示为两种类别：杯子和章鱼所构成的训练集。每个三维模型都给出对象类别标注，每个模型中的网格面片都通过不同颜色指示不同的部件类别标注，训练集中的标注为标准标注。通过对多类别三维模型标注训练集进行学习，获得可用于对未知类别未知部件构成的三维模型进行分割与标注的标注模型。具体的，可以将训练集按照所含三维模型数量5:1的比例划分为实例集和验证集，基于实例集进行分类训练，基于验证集进行参数搜索。
基于训练集的学习过程具体包括如下步骤：
步骤1.1：对训练集中所有三维模型进行预处理：
三维模型预处理过程包括模型归一化处理和特征提取两个步骤。
输入：多类别三维模型标注训练集。
输出：多类别三维模型标注训练集中所有三维模型的全局特征，三维模型中所有面片的面片特征和所有网格边的边特征。
Step1.1-01：对训练集中所有三维模型进行预处理，得到归一化的三维模型集。包括首先将三维模型的质心移动到坐标原点，模型的质心通过三维模型上所有顶点的面积加权平均值获得，即每个顶点的坐标通过包含该顶点的所有面片面积和作为权重。质心mV(x,y,z)的计算公式为：
其中，V表示三维模型的顶点集，顶点i的三维坐标为(xi,yi,zi)，包含顶点i的表面面积为ai，Vnum为顶点集中的顶点数目。
然后计算三维模型每个面片中心到其质心的欧式距离，取所有欧式距离的中值作为规范项，将三维模型上各点的坐标除以该规范项，从而完成三维模型的归一化处理。
Step1.1-02：提取三维模型的全局特征，包括形状直方图特征、光场描述子特征、三维Zernike矩和MVCNN特征级联形成一个特征向量。
Step1.1-03：提取三维模型每个网格面片的面片特征，包括曲率特征、PCA特征、形状直径特征、平均测地距离特征和形状上下文特征，级联形成一个特征向量。
Step1.1-04：提取三维模型每条网格边的边特征，由边二面角特征、边邻域顶点的二面角特征，边两侧邻域顶点的曲率差和导数特征、共享边的两个邻接面片形状直径差异特征、共享边的两个邻接面片的体形状图像差异特征，级联形成一个特征向量。
步骤1.2：对实例集的分类训练：
输入：预处理过的三维模型标注实例集。
输出：标注模型的数据项、平滑项和协调项。
Step1.2-01：计算度量网格面片的面片特征向量Xf与其标注l一致性的标注模型的数据项Edata(l；Xf)。其中标注l∈P，P为预定义的所有可能的标注集合，如，杯子的“杯身”、或“杯柄”、章鱼的“触角”或“身体”，根据实例集中所有三维模型的面片集及其面片特征向量Xf，以及每个网格面片相应的标注类别，采用JointBoost分类器进行训练学习，从而获得具有面片特征向量Xf的网格面片，标注为l的概率分布P(l|Xf)，相应的数据项则为：Edata(l；Xf)＝-logP(lXf)。
Step1.2-02：计算度量边特征向量Xe与共享边的相邻面片标注l，l'一致性的标注模型的平滑项Esmooth(l,l'；Xe)。采用JointBoost分类器进行训练，从而获得边界边，即边两侧的相邻面片标注不相同的概率分布P(l≠l'Xe)，相应的平滑项为Esmooth(l,l'；Xe)＝-log(P(l≠l'Xe))。
Step1.2-03：计算度量全局特征向量Xg与该三维模型内面片标注l一致性的标注模型的协调项Eharmony(l,g；Xg)。采用JointBoost分类器进行训练，获得某类对象中标注为非该类部件的概率相应的协调项为/>
步骤1.3利用验证集进行参数搜索：
输入：训练集根据面片标注模型得到的图的数据项、平滑项和协调项。
输出：α-expansion图割优化的平滑项和协调项的最佳权重。
Step1.3-01：针对训练集中的每个三维模型构建图模型，图的节点为网格面片，图的边存在于相邻网格面片之间以及全局节点和各网格面片之间。分类训练得到的数据项为Edata(l；Xf)，平滑项α×Esmooth(l,l'；Xe)作为图模型中相邻面片之间共享边的权重，协调项β×Eharmony(l,g；Xg)作为图模型中连接全局结点和各网格面片之间边的权重。采用扩展的α-expansion图割优化算法计算出目标三维模型中每个网格面片的标注。在验证集中，将α和β的取值范围设置为[0,10]，在此范围内，设置步长为0.2进行网格搜索，找到使得验证集中平均分割精度最高的α和β，即为图割模型的最优平滑项权重αbest和协调项权重βbest。
对于基于标注模型的分割标注过程，利用多类别三维模型标注训练集的学习过程所得标注模型，分别对目标三维模型整体，三维模型面片和网格边进行标注，从而获得目标三维模型从属于对象类别的标注概率，三维模型中每个面片从属于构成部件的类别标注概率以及每条网格边从属于边界边的类别标注概率，构建图模型，并通过扩展的α-expansion图割优化得到平滑的分割和标注结果。该目标三维模型从属于训练集中某种类型，但无需预先指定是哪种类别且尚未分割与标注的三维模型，具体过程如下：
输入：目标三维模型。
输出：目标三维模型的网格面片标注。
步骤2.1对三维模型进行预处理，提取每个网格面片的面片特征，每条网格边的边特征以及整个三维模型的全局特征。
步骤2.2根据三维模型的标注模型对目标三维模型的面片集进行部件类别标注，对三维模型的每条网格边进行边界边的类别标注，对三维模型本身进行对象类别一致性标注。
步骤2.3针对目标三维模型构建图模型，图中节点为网格面片，边存在于相邻网格面片之间以及全局节点和各网格面片之间。面片的部件类别标注的负概率对数作为数据项Edata(l；Xf)＝-logP(lXf)，网格边从属于边界边的标注负概率对数作为平滑项Esmooth(l,l'；Xe)＝-log(P(l≠l'|Xe))，三维模型对象类别一致性标注的负概率对数作为协调项采用扩展的α-expansion图割优化算法，通过计算图最小割的方式，计算三维网格模型上每个面片的最佳标注l，来最小化能量项：
E(l)＝Edata(l；Xf)+Esmooth(l,l'；Xe)+Eharmony(l,g；Xg)。
本发明中，如图3所示为输入的多类别三维模型标注训练集，根据本发明实施例提供的多类别三维模型部件自动标注方法，可对图4中的两类模型进行分割，图4中(a)和图4中(b)是待标注的三维模型，图4中(c)是本发明由图3训练集学习的标注模型对图4中(a)的目标三维模型(杯子)在不预先指定类别的前提下进行部件标注的结果。图4中(d)是本发明由图3训练集学习的标注模型对图4中(b)的目标三维模型(章鱼)在不预先指定类别的前提下进行部件标注的结果。不同类别标注的部件由不同颜色表示。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种多类别三维模型部件自动标注方法，其特征在于，所述方法包括如下步骤：
对目标三维模型进行特征提取，包括提取每个网格面片的面片特征、每条网格边的边特征以及目标三维模型的全局特征；
基于所提取的特征，采用已训练好的标注模型对目标三维模型的面片集进行部件类别标注、对目标三维模型的每条网格边进行边界边的类别标注、对目标三维模型本身进行对象类别一致性标注；
针对目标三维模型构建图模型，图中节点为网格面片、边存在于相邻网格面片之间以及全局节点和各网格面片之间，将面片的部件类别标注的负概率对数作为标注模型的数据项、将网格边从属于边界边的标注负概率对数作为标注模型的平滑项、将目标三维模型对象类别一致性标注的负概率对数作为标注模型的协调项；
采用图割优化算法计算出目标三维模型中每个网格面片的标注；
采用扩展的α-expansion图割优化算法，通过计算图最小割的方式，计算三维模型上每个面片的最佳标注l，来最小化能量项：
E(l)＝Edata(l；Xf)+Esmooth(l,l'；Xe)+Eharmony(l,g；Xg)
其中：Edata(l；Xf)为标准模型的数据项；Esmooth(l,l'；Xe)为标注模型的平滑项；
Eharmony(l,g；Xg)为标注模型的协调项；
所述标注模型的数据项训练方法包括如下步骤：
计算度量网格面片的面片特征向量Xf与其标注l一致性的标注模型的数据项Edata(l；Xf)，其中标注l∈P，P为预定义的所有可能的标注集合；
根据实例集中所有三维模型的面片集及其面片特征向量Xf，以及每个网格面片相应的标注类别采用JointBoost分类器进行训练学习，从而获得具有面片特征向量Xf的网格面片，标注为l的概率分布P(l|Xf)，相应的数据项则为：Edata(l；Xf)＝-logP(l|Xf)；
所述标注模型的平滑项训练方法包括如下步骤：
计算度量边特征向量Xe与共享边的相邻面片标注l、l'一致性的标注模型的平滑项Esmooth(l,l'；Xe)；
采用JointBoost分类器进行训练，从而获得边界边，即边两侧的相邻面片标注不相同的概率分布P(l≠l'|Xe)，相应的平滑项为Esmooth(l,l'；Xe)＝-log(P(l≠l'|Xe))；
所述标注模型的协调项训练方法包括如下步骤：
计算度量全局特征向量Xg与该三维模型内面片标注l一致性的标注模型的协调项Eharmony(l,g；Xg)；
采用JointBoost分类器进行训练，获得某类对象中标注为非该类部件的概率相应的协调项为/>
2.根据权利要求1所述的多类别三维模型部件自动标注方法，其特征在于，对所述标注模型进行训练的方法包括：
采用包含多种不同类别部件的三维模型构建训练集；
对训练集中三维模型进行标准标注，标注信息包括三维模型所属对象的类别标注、三维模型中每个网格面片从属于构成部件的类别标注、每条网格边从属于边界边的类别标注；
将训练集划分为实例集和验证集；
对实例集中三维模型进行特征提取，包括提取网格面片的面片特征、每条网格边的边特征以及三维模型的全局特征；
采用所提取的特征结合标准标注分类训练出标注模型的数据项、平滑项和协调项；
利用验证集搜索标注模型的最优平滑项和协调项权重参数。
3.根据权利要求2所述的多类别三维模型部件自动标注方法，其特征在于，对所述标注模型进行训练的方法还包括对训练集中的三维模型进行归一化处理，具体包括如下步骤：
将训练集中的三维模型的质心移动到坐标原点；
计算训练集中的三维模型每个面片中心到其质心的欧式距离；
将所有欧式距离的中值作为规范项，将训练集中的三维模型上各点的坐标除以该规范项，完成训练集中三维模型的归一化处理。
4.根据权利要求3所述的多类别三维模型部件自动标注方法，其特征在于，所述质心采用三维模型上所有顶点的面积加权平均值获得，计算公式如下：
其中，V表示三维模型的顶点集，顶点i的三维坐标为(xi,yi,zi)，包含顶点i的表面面积为ai，Vnum为顶点集中的顶点数目。
5.根据权利要求2所述的多类别三维模型部件自动标注方法，其特征在于，利用验证集搜索标注模型的最优平滑项和协调项权重参数的方法包括：
对验证集中所有三维模型进行特征提取，包括提取每个三维模型的全局特征、网格面片的面片特征和每条网格边的边特征；
设置平滑项和协调项权重参数α和β的取值范围；
根据每次搜索设置的参数值所得标注模型，对验证集中每个三维模型进行分割与标注，比较标注误差er与当前误差ei，若当前误差小于标注误差：ei<er，则er＝ei，并记录最佳参数αi和βi；重复此步骤，直至搜索结束。
6.根据权利要求1至5任一项所述的多类别三维模型部件自动标注方法，其特征在于，所述特征提取包括如下步骤：
将三维模型的每个网格面片的面片特征，由曲率特征、PCA特征、形状直径特征、平均测地距离特征和形状上下文特征级联形成一个特征向量；
将三维模型每条网格边的边特征，由边二面角特征、边邻域顶点的二面角特征，边两侧邻域顶点的曲率差和导数特征、共享网格边的两个邻接面片形状直径差异特征、共享边的两个邻接面片的体形状图像差异特征级联形成一个特征向量；
将三维模型的全局特征，由形状直方图特征、光场描述子特征、三维Zernike矩和MVCNN特征级联形成一个特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910800414.5A CN110533781B (zh) | 2019-08-28 | 2019-08-28 | 一种多类别三维模型部件自动标注方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910800414.5A CN110533781B (zh) | 2019-08-28 | 2019-08-28 | 一种多类别三维模型部件自动标注方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110533781A CN110533781A (zh) | 2019-12-03 |
| CN110533781B true CN110533781B (zh) | 2023-07-25 |
Family
ID=68664640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910800414.5A Active CN110533781B (zh) | 2019-08-28 | 2019-08-28 | 一种多类别三维模型部件自动标注方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110533781B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112818626B (zh) * | 2021-02-26 | 2022-08-23 | 北京华大九天科技股份有限公司 | 一种基于多重掩膜版的版图布线方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103021029B (zh) * | 2013-01-18 | 2015-03-25 | 南京大学 | 一种三维模型构件类别的自动标注方法 |
| CN103077555B (zh) * | 2013-01-18 | 2016-01-20 | 南京大学 | 一种三维模型构成的自动标注方法 |
| CN106157375B (zh) * | 2016-07-06 | 2018-11-30 | 南京大学 | 一种三维模型部件类别自动标注方法 |
-
2019
- 2019-08-28 CN CN201910800414.5A patent/CN110533781B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110533781A (zh) | 2019-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | Color-, depth-, and shape-based 3D fruit detection | |
| CN107123164B (zh) | 保持锐利特征的三维重建方法及系统 | |
| CN102262724B (zh) | 目标图像特征点定位方法和目标图像特征点定位系统 | |
| Ji et al. | A novel simplification method for 3D geometric point cloud based on the importance of point | |
| CN103914571B (zh) | 一种基于网格分割的三维模型检索方法 | |
| CN106157375B (zh) | 一种三维模型部件类别自动标注方法 | |
| CN113298833A (zh) | 目标物点云特征线面提取方法及系统 | |
| CN112288857A (zh) | 一种基于深度学习的机器人语义地图物体识别方法 | |
| CN110930456A (zh) | 基于pcl点云库的钣金零件的三维立体识别及定位方法 | |
| CN110111430B (zh) | 一种从三维点云中提取二次曲面的方法 | |
| CN103077555B (zh) | 一种三维模型构成的自动标注方法 | |
| CN113628263A (zh) | 一种基于局部曲率及其近邻特征的点云配准方法 | |
| Liu et al. | A novel rock-mass point cloud registration method based on feature line extraction and feature point matching | |
| CN109034131A (zh) | 一种半自动人脸关键点标注方法及存储介质 | |
| Cupec et al. | Object recognition based on convex hull alignment | |
| CN104732247B (zh) | 一种人脸特征定位方法 | |
| CN110533781B (zh) | 一种多类别三维模型部件自动标注方法 | |
| CN106980878B (zh) | 三维模型几何风格的确定方法及装置 | |
| Ganapathi et al. | Graph based texture pattern classification | |
| CN117928385A (zh) | 一种基于远程无人机和传感器的工程施工智能测量方法 | |
| Takaishi et al. | Free-form feature classification for finite element meshing based on shape descriptors and machine learning | |
| CN104700458A (zh) | 实物表面采样数据边界样点识别方法 | |
| Huang et al. | Non-rigid visual object tracking using user-defined marker and Gaussian kernel | |
| JP6355372B2 (ja) | 三次元モデル特徴抽出方法、及び三次元モデル・アノテーションシステム | |
| CN113052231A (zh) | 一种基于体素和全局形状分布特征的三维模型分类方法 |
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 |