CN114170384A - 三维模型的处理方法、装置、存储介质及电子设备 - Google Patents

三维模型的处理方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN114170384A
CN114170384A CN202111500765.8A CN202111500765A CN114170384A CN 114170384 A CN114170384 A CN 114170384A CN 202111500765 A CN202111500765 A CN 202111500765A CN 114170384 A CN114170384 A CN 114170384A
Authority
CN
China
Prior art keywords
dimensional model
target
included angle
clustering
characteristic
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
Application number
CN202111500765.8A
Other languages
English (en)
Inventor
邓聪
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.)
Shandong Neusoft System Integration Co ltd
Neusoft Corp
Original Assignee
Shandong Neusoft System Integration Co ltd
Neusoft Corp
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 Shandong Neusoft System Integration Co ltd, Neusoft Corp filed Critical Shandong Neusoft System Integration Co ltd
Priority to CN202111500765.8A priority Critical patent/CN114170384A/zh
Publication of CN114170384A publication Critical patent/CN114170384A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/006—Mixed reality

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种三维模型的处理方法、装置、存储介质及电子设备，该三维模型的处理方法能够根据三维模型中每个面的中心点与预设的三维直角坐标系中每个坐标面的距离特征和该三维模型中每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征对该三维模型中的面进行聚类；将聚为同一类的面合并为同一平面，以得到处理后的三维模型，由于无需对三维模型进行网格划分，因此能够有效减少三维模型简化过程所需的计算量，加快三维模型的简化速度，提升三维模型的简化效率。

Description

三维模型的处理方法、装置、存储介质及电子设备
技术领域
本公开涉及几何模型处理领域，具体地，涉及一种三维模型的处理方法、装置、存储介质及电子设备。
背景技术
随着计算机软硬件技术的不断发展，增强现实(Augmented Reality，简称AR)、虚拟现实(Virtual Reality，简称VR)、混合现实(Mixed Reality，简称MR)的不断普及，三维建模的需求量正在呈指数级的增加，三维模型的结构也愈发复杂，而在实际应用过程中，往往对三维模型处理速度有一定要求，这就需要对三维模型进行简化处理。目前的三维模型简化方法中，通常存在简化过程计算量较大，简化速度慢，效率低等问题。
发明内容
本公开的目的是提供一种三维模型的处理方法、装置、存储介质及电子设备。
为了实现上述目的，本公开第一方面提供一种三维模型的处理方法，所述方法包括：
获取三维模型中每个面的中心点与预设的三维直角坐标系中每个坐标面的距离特征；
获取所述三维模型中每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征；
根据所述距离特征和所述夹角特征对所述三维模型中的面进行聚类；
将聚为同一类的面合并为同一平面，以得到处理后的三维模型。
可选地，所述根据所述距离特征和所述夹角特征对所述三维模型中的面进行聚类，包括：
获取所述三维模型中具有相同的目标法向量的多个目标面；
将每个所述目标法向量对应的多个目标面中任一个目标面的距离特征和夹角特征作为聚类初始点特征；
根据所述聚类初始点特征，所述距离特征和所述夹角特征对所述三维模型中的面进行聚类。
可选地，所述根据所述距离特征和所述夹角特征对所述三维模型中的面进行聚类，还包括：
在所述目标法向量的数量小于预设数量阈值的情况下，获取每个目标法向量对应的多个所述目标面中每两个所述目标面的中心点之间的目标距离；
将每个所述目标法向量对应的多个所述目标面中所述目标距离最大的两个所述目标面的距离特征和夹角特征作为所述聚类初始点特征。
可选地，所述根据所述距离特征和所述夹角特征对所述三维模型中的面进行聚类，还包括：
在所述目标法向量的数量大于预设数量阈值的情况下，获取不同目标法向量之间的目标夹角；
将所述三维模型中所述目标夹角最小的两个所述目标法向量对应的聚类初始点特征中的任一个作为更新后的聚类初始点特征。
可选地，所述获取所述三维模型中每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征，包括：
获取所述三维模型中每个面的法向量与三维直角坐标系中每个坐标轴正向对应预设向量的内积；
获取所述三维模型中每个面的法向量与所述预设向量的外积；
根据所述内积和所述外积确定所述每个面的法向量与每个所述坐标轴的指定夹角。
可选地，所述根据所述内积和所述外积确定所述每个面的法向量与每个所述坐标轴的指定夹角，包括：
获取所述法向量的第一模长和所述预设向量的第二模长；
根据所述第一模长，所述第二模长和所述内积确定目标余弦值；
根据所述目标余弦值和所述外积确定所述指定夹角。
可选地，所述根据所述目标余弦值和所述外积确定所述指定夹角，包括：
获取所述目标余弦值对应的目标角度；
在所述外积对应向量处于第一预设区域的情况下，将所述目标角度作为所述指定夹角；
在所述外积对应向量处于第二预设区域的情况下，将所述目标角度与预设矫正角度的和值作为所述指定夹角。
本公开的第二方面提供一种三维模型的处理装置，所述装置包括：
第一获取模块，被配置为获取三维模型中每个面的中心点与预设的三维直角坐标系中每个坐标面的距离特征；
第二获取模块，被配置为获取所述三维模型中每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征；
聚类模块，被配置为根据所述距离特征和所述夹角特征对所述三维模型中的面进行聚类；
合并模块，被配置为将聚为同一类的面合并为同一平面，以得到处理后的三维模型。
可选地，所述聚类模块，被配置为：
获取所述三维模型中具有相同的目标法向量的多个目标面；
将每个所述目标法向量对应的多个目标面中任一个目标面的距离特征和夹角特征作为聚类初始点特征；
根据所述聚类初始点特征，所述距离特征和所述夹角特征对所述三维模型中的面进行聚类。
可选地，所述聚类模块，还被配置为：
在所述目标法向量的数量小于预设数量阈值的情况下，获取每个目标法向量对应的多个所述目标面中每两个所述目标面的中心点之间的目标距离；
将每个所述目标法向量对应的多个所述目标面中所述目标距离最大的两个所述目标面的距离特征和夹角特征作为所述聚类初始点特征。
可选地，所述聚类模块，还被配置为：
在所述目标法向量的数量大于预设数量阈值的情况下，获取不同目标法向量之间的目标夹角；
将所述三维模型中所述目标夹角最小的两个所述目标法向量对应的聚类初始点特征中的任一个作为更新后的聚类初始点特征。
可选地，所述第二获取模块，被配置为：
获取所述三维模型中每个面的法向量与三维直角坐标系中每个坐标轴正向对应预设向量的内积；
获取所述三维模型中每个面的法向量与所述预设向量的外积；
根据所述内积和所述外积确定所述每个面的法向量与每个所述坐标轴的指定夹角。
可选地，所述第二获取模块，被配置为：
获取所述法向量的第一模长和所述预设向量的第二模长；
根据所述第一模长，所述第二模长和所述内积确定目标余弦值；
根据所述目标余弦值和所述外积确定所述指定夹角。
可选地，所述第二获取模块，被配置为：
获取所述目标余弦值对应的目标角度；
在所述外积对应向量处于第一预设区域的情况下，将所述目标角度作为所述指定夹角；
在所述外积对应向量处于第二预设区域的情况下，将所述目标角度与预设矫正角度的和值作为所述指定夹角。
本公开的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上第一方面所述方法的步骤。
本公开的第四方面提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现以上第一方面所述方法的步骤。
上述技术方案，能够根据三维模型中每个面的中心点与预设的三维直角坐标系中每个坐标面的距离特征和所述三维模型中每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征对所述三维模型中的面进行聚类；将聚为同一类的面合并为同一平面，以得到处理后的三维模型，能够有效减少三维模型简化过程所需的计算量，加快三维模型的简化速度，提升三维模型的简化效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是本公开一示例性实施例示出的一种三维模型的处理方法的流程图；
图2是根据本公开图1所示实施例示出的一种三维模型的处理方法的流程图；
图3是根据本公开图2所示实施例示出的一种三维模型的处理方法的流程图；
图4是根据本公开图1所示实施例示出的一种三维模型的处理方法的流程图；
图5是本公开一示例性实施例示出的一种三维模型的处理装置的框图；
图6是根据一示例性实施例示出的一种电子设备的框图；
图7是根据一示例性实施例示出的另一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
在详细介绍本公开的具体实施方式之前，首先，对本公开的应用场景进行以下说明，本公开可以应用于对三维模型的简化过程中，目前，相关技术中，通常所采用的简化的方法主要有：基于模糊聚类和最小割层次化的三维网格分隔算法；通过谱聚类对三维模型进行分隔；以及基于空间八叉剖分的面聚类网格简化算法。以上三种简化方法均是基于三维网格的分隔，即需要先对三维模型进行网格划分，然后基于划分后的三维网格对该三维模型进行简化，这样，由于需要进行三维网格划分，因此必然会增加三维模型简化过程所需的计算量，从而很容易导致三维模型简化速度慢，简化效率低的问题。
为了解决以上技术问题，本公开提供了一种三维模型的处理方法、装置、存储介质及电子设备，该三维模型的处理方法能够根据三维模型中每个面的中心点与预设的三维直角坐标系中每个坐标面的距离特征和该三维模型中每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征对该三维模型中的面进行聚类；将聚为同一类的面合并为同一平面，以得到处理后的三维模型，由于无需对三维模型进行网格划分，因此能够有效减少三维模型简化过程所需的计算量，加快三维模型的简化速度，提升三维模型的简化效率。
下面结合具体实施例对本公开的技术方案进行详细阐述。
图1是本公开一示例性实施例示出的一种三维模型的处理方法的流程图；如图1所示，该三维模型的处理方法可以包括以下步骤：
步骤101，获取三维模型中每个面的中心点与预设的三维直角坐标系中每个坐标面的距离特征。
其中，该三维直角坐标系可以是该三维模型所处的任意三维的直角坐标系，例如，该三维模型可以在该三维直角坐标系中的任一个象限，也可以在该三维直角坐标系中的任意两个或三个象限中，还可以在该三维直角坐标系中的第一象限，第二象限，第三象限，第四象限，或者在该三维直角坐标系中的第五象限，第六象限，第七象限，第八象限，还可以在该三维直角坐标系中的八个象限中。
本步骤中，在该三维直角坐标系由X轴，Y轴和Z轴交于原点O形成时，该坐标面可以包括XOY面，YOZ面，XOZ面，该距离特征可以是该三维模型中每个面的中心点分别与XOY面，YOZ面和XOZ面的距离。
步骤102，获取该三维模型中每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征。
其中，该三维直角坐标系中可以包括X轴，Y轴，Z轴，该夹角特征可以包括每个面的法向量分别与X轴，Y轴和Z轴的夹角。
步骤103，根据该距离特征和该夹角特征对该三维模型中的面进行聚类。
本步骤中，可以将三维模型中每个面的中心点与该三维直角坐标系中每个坐标面的距离特征和三维模型中每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征作为聚类算法的输入，以使聚类模型输出对该三维模型中面的聚类结果。其中，该聚类算法可以是k-means聚类算法，层次聚类算法，SOM聚类算法，或者FCM聚类算法中的任一个。
步骤104，将聚为同一类的面合并为同一平面，以得到处理后的三维模型。
以上技术方案，能够根据三维模型中每个面的中心点与预设的三维直角坐标系中每个坐标面的距离特征和该三维模型中每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征对该三维模型中的面进行聚类；将聚为同一类的面合并为同一平面，以得到处理后的三维模型，能够有效减少三维模型简化过程所需的计算量，加快三维模型的简化速度，提升三维模型的简化效率。
图2是根据本公开图1所示实施例示出的一种三维模型的处理方法的流程图；如图2所示，图1中步骤103所示的根据该距离特征和该夹角特征对该三维模型中的面进行聚类，可以包括以下步骤：
步骤1031，获取该三维模型中具有相同的目标法向量的多个目标面。
本步骤中，在该三维模型中包括多个目标法向量的情况下，每个目标法向量对应多个目标面。
示例地，若该三维模型中一共有16个面分别为a面、b面、c面、d面、e面、f面、g面、h面、i面、j面、k面、l面、m面、n面、o面和p面，其中，a面、b面和c面对应的法向量相同，d面和e面对应的法向量相同，f面、g面、h面、i面和j面对应的法向量相同，m面、n面、o面和p面对应的法向量相同，即该a面、b面和c面对应的法向量，d面和e面对应的法向量，f面、g面、h面、i面和j面对应的法向量，m面、n面、o面和p面对应的法向量均为目标法向量。
步骤1032，将每个该目标法向量对应的多个目标面中任一个目标面的距离特征和夹角特征作为聚类初始点特征。
示例地，仍以上述步骤1031中所述的示例为例进行说明，可以将a面、b面和c面中任一个面的距离特征和夹角特征作为聚类初始点特征，将d面和e面中任一个面的距离特征和夹角特征作为聚类初始点特征，将f面、g面、h面、i面和j面中任一个面的距离特征和夹角特征作为聚类初始点特征，将m面、n面、o面和p面中任一个面的距离特征和夹角特征作为聚类初始点特征。
步骤1033，根据该聚类初始点特征，该距离特征和该夹角特征对该三维模型中的面进行聚类。
其中，一个面的中心点与预设的三维直角坐标系中每个坐标面的距离特征(与三个坐标面对应三个距离，每个距离为一个维度，因此是三个维度)，以及一个面的法向量与三维直角坐标系中每个坐标轴的夹角特征(与三个坐标轴对应三个夹角，每个夹角为一个维度，因此是三个维度)形成一个6维的聚类初始点特征，也就是说，该聚类初始点特征是从6个维度描述一个聚类初始点的特征。
本步骤中，可以根据该聚类初始点特征确定聚类初始点，根据该三维模型中其他面对应的该距离特征和该夹角特征，通过k-means聚类算法进行聚类。
以上技术方案，能够将每个该目标法向量对应的多个目标面中任一个目标面的距离特征和夹角特征作为聚类初始点特征，从而获取到k-means聚类算法中的聚类初始点，以该聚类初始点特征确定的聚类初始点为基准，根据该三维模型中其他面对应的该距离特征和该夹角特征对该三维模型中的面进行聚类，能够有效减少三维模型简化过程所需的计算量，加快三维模型的简化速度，提升三维模型的简化效率。
图3是根据本公开图2所示实施例示出的一种三维模型的处理方法的流程图；如图3所示，在图2中步骤1033所示的根据该聚类初始点特征，该距离特征和该夹角特征对该三维模型中的面进行聚类之前，该方法还可以包括以下步骤：
步骤1034，获取目标法向量的数量。
其中，该目标法向量为该三维模型中多个面的共同法向量。
步骤1035，确定该目标法向量的数量是否小于预设数量阈值。
本步骤中，在该目标法向量的数量小于预设数量阈值的情况下，执行步骤1036至步骤1037；在该目标法向量的数量大于预设数量阈值的情况下，执行步骤1038至步骤1039。
步骤1036，获取每个目标法向量对应的多个该目标面中每两个该目标面的中心点之间的目标距离。
示例地，在该目标法向量为a面、b面和c面对应的法向量时，可以获取该a面的中心点与b面的中心点之间，b面的中心点与c面的中心点之间，a面的中心点与c面的中心点之间的目标距离。
步骤1037，将每个该目标法向量对应的多个该目标面中该目标距离最大的两个该目标面的距离特征和夹角特征作为该聚类初始点特征。
示例地，仍以上述步骤1036中所示的示例为例进行说明，若该a面的中心点与b面的中心点之间目标距离大于该b面的中心点与c面的中心点之间的目标距离，该a面的中心点与c面的中心点之间的目标距离小于该b面的中心点与c面的中心点之间的目标距离时，由于该a面的中心点与b面的中心点之间目标距离最大，因此将a面的中心点与b面的距离特征和夹角特征作为该聚类初始点特征，一组距离特征和一组夹角特征形成一个6维的聚类初始点特征，以从6个维度描述一个聚类初始点，因此将a面的中心点与b面的距离特征和夹角特征作为该聚类初始点特征能够有效增加该聚类初始点的数量。这样能够在该聚类初始点的数量小于预设数量阈值的情况下，有效增加该聚类初始点的数量，直至该聚类初始点的数量等于该预设数量阈值的情况下，得到待用的该聚类初始点。
步骤1038，获取不同目标法向量之间的目标夹角。
示例地，若该目标法向量包括该a面、b面和c面对应的法向量，d面和e面对应的法向量，f面、g面、h面、i面和j面对应的法向量，m面、n面、o面和p面对应的法向量，则可以获取该a面、b面和c面对应的法向量与d面和e面对应的法向量之间，该a面、b面和c面对应的法向量与f面、g面、h面、i面和j面对应的法向量之间，该a面、b面和c面对应的法向量与m面、n面、o面和p面对应的法向量之间，该d面和e面对应的法向量与该f面、g面、h面、i面和j面对应的法向量之间，该d面和e面对应的法向量与m面、n面、o面和p面对应的法向量之间，该f面、g面、h面、i面和j面对应的法向量与该m面、n面、o面和p面对应的法向量之间的目标夹角。
步骤1039，将该三维模型中该目标夹角最小的两个该目标法向量对应的聚类初始点特征中的任一个作为更新后的聚类初始点特征。
其中，将该三维模型中该目标夹角最小的两个该目标法向量对应的聚类初始点特征中的任一个作为更新后的聚类初始点特征之后，可以用更新后的聚类初始点特征代替该目标夹角最小的两个该目标法向量对应的聚类初始点特征。
本步骤中，能够在该聚类初始点的数量大于预设数量阈值的情况下，有效减少该聚类初始点的数量，直至该聚类初始点的数量等于该预设数量阈值的情况下，得到待用的该聚类初始点。
以上技术方案，能够有效确定k-means聚类算法中的聚类初始点特征，根据该聚类初始点特征，该距离特征和该夹角特征对该三维模型中的面进行聚类，能够有效减少三维模型简化过程所需的计算量，加快三维模型的简化速度，提升三维模型的简化效率。
图4是根据本公开图1所示实施例示出的一种三维模型的处理方法的流程图；如图4所示，图1中步骤102所示的获取该三维模型中每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征，可以包括以下步骤：
步骤1021，获取该三维模型中每个面的法向量与三维直角坐标系中每个坐标轴正向对应预设向量的内积。
其中，该预设向量可以是沿坐标轴(X轴，Y轴或者Z轴)正向，任意长度的向量。
步骤1022，获取该三维模型中每个面的法向量与该预设向量的外积。
步骤1023，根据该内积和该外积确定该每个面的法向量与每个该坐标轴的指定夹角。
本步骤中，可以获取该法向量的第一模长和该预设向量的第二模长；根据该第一模长，该第二模长和该内积确定目标余弦值；根据该目标余弦值和该外积确定该指定夹角。
其中，上述根据该目标余弦值和该外积确定该指定夹角，可以包括：获取该目标余弦值对应的目标角度；在该外积对应向量处于第一预设区域的情况下，将该目标角度作为该指定夹角；在该外积对应向量处于第二预设区域的情况下，将该目标角度与预设矫正角度的和值作为该指定夹角。
其中，在该外积对应向量为(abc)时，该第一预设区域可以是该三维直角坐标系中a>0,b>0,或者c>0的区域，该第二预设区域可以是该三维直角坐标系中a<0,b<0,或者c<0的区域，该预设矫正角度可以是π或者180°。
示例地，若三维模型中某个面的法向量为n＝(x1y1z1)，X轴正向对应的预设向量为m＝(x2y2z2)，n·m＝|n||m|cosα＝x1x2+y1y2+z1z2，n×m＝y1z2-z1y2，z1x2-x1z2，x1y2-x2y1，该第一预设区域为a>0的区域，该第二预设区域可以为a<0的区域；该目标角度
Figure BDA0003402509080000121
Figure BDA0003402509080000122
若该z1x2-x1z2>0，即属于第一预设区域，则该
Figure BDA0003402509080000123
若该z1x2-x1z2<0，即属于第二预设区域，则该
Figure BDA0003402509080000131
在该第一预设区域为b>0的区域，该第二预设区域为b<0的区域时；若z1x2-x1z2>0，即属于第一预设区域，则该
Figure BDA0003402509080000132
若z1x2-x1z2<0，即属于第二预设区域，则该
Figure BDA0003402509080000133
在该第一预设区域为c>0的区域，该第二预设区域为c<0的区域时，若x1y2-x2y1>0，即属于第一预设区域，则该
Figure BDA0003402509080000134
若x1y2-x2y1<0，即属于第二预设区域，则该
Figure BDA0003402509080000135
以上技术方案，能够将每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征从0至180°扩展到0至360°，能够有效提升聚类所用的夹角特征的准确性和合理性，从而能够有效提升聚类结果的准确性，也能够有效提升三维模型简化结果的准确性和合理性。
图5是本公开一示例性实施例示出的一种三维模型的处理装置的框图；如图5所示，该三维模型的处理装置可以包括：
第一获取模块501，被配置为获取三维模型中每个面的中心点与预设的三维直角坐标系中每个坐标面的距离特征；
第二获取模块502，被配置为获取该三维模型中每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征；
聚类模块503，被配置为根据该距离特征和该夹角特征对该三维模型中的面进行聚类；
合并模块504，被配置为将聚为同一类的面合并为同一平面，以得到处理后的三维模型。
以上技术方案，能够根据三维模型中每个面的中心点与预设的三维直角坐标系中每个坐标面的距离特征和该三维模型中每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征对该三维模型中的面进行聚类；将聚为同一类的面合并为同一平面，以得到处理后的三维模型，能够有效减少三维模型简化过程所需的计算量，加快三维模型的简化速度，提升三维模型的简化效率。
可选地，该聚类模块503，被配置为：
获取该三维模型中具有相同的目标法向量的多个目标面；
将每个该目标法向量对应的多个目标面中任一个目标面的距离特征和夹角特征作为聚类初始点特征；
根据该聚类初始点特征，该距离特征和该夹角特征对该三维模型中的面进行聚类。
可选地，该聚类模块503，还被配置为：
在该目标法向量的数量小于预设数量阈值的情况下，获取每个目标法向量对应的多个该目标面中每两个该目标面的中心点之间的目标距离；
将每个该目标法向量对应的多个该目标面中该目标距离最大的两个该目标面的距离特征和夹角特征作为该聚类初始点特征。
以上技术方案，能够有效确定k-means聚类算法中的聚类初始点特征，根据该聚类初始点特征，该距离特征和该夹角特征对该三维模型中的面进行聚类，能够有效减少三维模型简化过程所需的计算量，加快三维模型的简化速度，提升三维模型的简化效率。
可选地，该聚类模块503，还被配置为：
在该目标法向量的数量大于预设数量阈值的情况下，获取不同目标法向量之间的目标夹角；
将该三维模型中该目标夹角最小的两个该目标法向量对应的聚类初始点特征中的任一个作为更新后的聚类初始点特征。
可选地，该第二获取模块502，被配置为：
获取该三维模型中每个面的法向量与三维直角坐标系中每个坐标轴正向对应预设向量的内积；
获取该三维模型中每个面的法向量与该预设向量的外积；
根据该内积和该外积确定该每个面的法向量与每个该坐标轴的指定夹角。
可选地，该第二获取模块502，被配置为：
获取该法向量的第一模长和该预设向量的第二模长；
根据该第一模长，该第二模长和该内积确定目标余弦值；
根据该目标余弦值和该外积确定该指定夹角。
可选地，该第二获取模块502，被配置为：
获取该目标余弦值对应的目标角度；
在该外积对应向量处于第一预设区域的情况下，将该目标角度作为该指定夹角；
在该外积对应向量处于第二预设区域的情况下，将该目标角度与预设矫正角度的和值作为该指定夹角。
以上技术方案，能够将每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征从0至180°扩展到0至360°，能够有效提升聚类所用的夹角特征的准确性和合理性，从而能够有效提升聚类结果的准确性，也能够有效提升三维模型简化结果的准确性和合理性。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种电子设备的框图。如图6所示，该电子设备600可以包括：处理器601，存储器602。该电子设备600还可以包括多媒体组件603，输入/输出(I/O)接口604，以及通信组件605中的一者或多者。
其中，处理器601用于控制该电子设备600的整体操作，以完成上述的三维模型的处理方法中的全部或部分步骤。存储器602用于存储各种类型的数据以支持在该电子设备600的操作，这些数据例如可以包括用于在该电子设备600上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器602可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件603可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器602或通过通信组件605发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口604为处理器601和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件605用于该电子设备600与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件605可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，电子设备600可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的三维模型的处理方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的三维模型的处理方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器602，上述程序指令可由电子设备600的处理器601执行以完成上述的三维模型的处理方法。
图7是根据一示例性实施例示出的另一种电子设备的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1922可以被配置为执行该计算机程序，以执行上述的三维模型的处理方法。
另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的三维模型的处理方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器1932，上述程序指令可由电子设备1900的处理器1922执行以完成上述的三维模型的处理方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种三维模型的处理方法，其特征在于，所述方法包括：
获取三维模型中每个面的中心点与预设的三维直角坐标系中每个坐标面的距离特征；
获取所述三维模型中每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征；
根据所述距离特征和所述夹角特征对所述三维模型中的面进行聚类；
将聚为同一类的面合并为同一平面，以得到处理后的三维模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述距离特征和所述夹角特征对所述三维模型中的面进行聚类，包括：
获取所述三维模型中具有相同的目标法向量的多个目标面；
将每个所述目标法向量对应的多个目标面中任一个目标面的距离特征和夹角特征作为聚类初始点特征；
根据所述聚类初始点特征，所述距离特征和所述夹角特征对所述三维模型中的面进行聚类。
3.根据权利要求2所述的方法，其特征在于，所述根据所述距离特征和所述夹角特征对所述三维模型中的面进行聚类，还包括：
在所述目标法向量的数量小于预设数量阈值的情况下，获取每个目标法向量对应的多个所述目标面中每两个所述目标面的中心点之间的目标距离；
将每个所述目标法向量对应的多个所述目标面中所述目标距离最大的两个所述目标面的距离特征和夹角特征作为所述聚类初始点特征。
4.根据权利要求2所述的方法，其特征在于，所述根据所述距离特征和所述夹角特征对所述三维模型中的面进行聚类，还包括：
在所述目标法向量的数量大于预设数量阈值的情况下，获取不同目标法向量之间的目标夹角；
将所述三维模型中所述目标夹角最小的两个所述目标法向量对应的聚类初始点特征中的任一个作为更新后的聚类初始点特征。
5.根据权利要求1所述的方法，其特征在于，所述获取所述三维模型中每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征，包括：
获取所述三维模型中每个面的法向量与三维直角坐标系中每个坐标轴正向对应预设向量的内积；
获取所述三维模型中每个面的法向量与所述预设向量的外积；
根据所述内积和所述外积确定所述每个面的法向量与每个所述坐标轴的指定夹角。
6.根据权利要求5所述的方法，其特征在于，所述根据所述内积和所述外积确定所述每个面的法向量与每个所述坐标轴的指定夹角，包括：
获取所述法向量的第一模长和所述预设向量的第二模长；
根据所述第一模长，所述第二模长和所述内积确定目标余弦值；
根据所述目标余弦值和所述外积确定所述指定夹角。
7.根据权利要求6所述的方法，其特征在于，所述根据所述目标余弦值和所述外积确定所述指定夹角，包括：
获取所述目标余弦值对应的目标角度；
在所述外积对应向量处于第一预设区域的情况下，将所述目标角度作为所述指定夹角；
在所述外积对应向量处于第二预设区域的情况下，将所述目标角度与预设矫正角度的和值作为所述指定夹角。
8.一种三维模型的处理装置，其特征在于，所述装置包括：
第一获取模块，被配置为获取三维模型中每个面的中心点与预设的三维直角坐标系中每个坐标面的距离特征；
第二获取模块，被配置为获取所述三维模型中每个面的法向量与三维直角坐标系中每个坐标轴的夹角特征；
聚类模块，被配置为根据所述距离特征和所述夹角特征对所述三维模型中的面进行聚类；
合并模块，被配置为将聚为同一类的面合并为同一平面，以得到处理后的三维模型。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
CN202111500765.8A 2021-12-09 2021-12-09 三维模型的处理方法、装置、存储介质及电子设备 Pending CN114170384A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111500765.8A CN114170384A (zh) 2021-12-09 2021-12-09 三维模型的处理方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111500765.8A CN114170384A (zh) 2021-12-09 2021-12-09 三维模型的处理方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN114170384A true CN114170384A (zh) 2022-03-11

Family

ID=80484989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111500765.8A Pending CN114170384A (zh) 2021-12-09 2021-12-09 三维模型的处理方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN114170384A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117547825A (zh) * 2024-01-12 2024-02-13 腾讯科技（深圳）有限公司 碰撞数据的管理方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117547825A (zh) * 2024-01-12 2024-02-13 腾讯科技（深圳）有限公司 碰撞数据的管理方法、装置、设备及存储介质
CN117547825B (zh) * 2024-01-12 2024-03-22 腾讯科技（深圳）有限公司 碰撞数据的管理方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US10416667B2 (en) System and method for utilization of multiple-camera network to capture static and/or motion scenes
CN110361005B (zh) 定位方法、定位装置、可读存储介质及电子设备
JP7228623B2 (ja) 障害物検出方法、装置、設備、記憶媒体、及びプログラム
JP7258066B2 (ja) 測位方法、測位装置及び電子機器
CN112530024A (zh) 用于虚拟场景的数据处理方法以及设备
CN104778688A (zh) 点云数据的配准方法及装置
US20220254059A1 (en) Data Processing Method and Related Device
WO2022262160A1 (zh) 传感器标定方法及装置、电子设备和存储介质
EP3842745B1 (en) Method and apparatus for updating point cloud
CN111754579A (zh) 多目相机外参确定方法及装置
CN110632582A (zh) 声源定位方法、装置及存储介质
CN112150551A (zh) 物体位姿的获取方法、装置和电子设备
KR20230142627A (ko) 충돌 데이터 프로세싱 방법 및 장치, 저장 매체, 및 전자 디바이스
CN114170384A (zh) 三维模型的处理方法、装置、存储介质及电子设备
US20180374237A1 (en) Method, system and apparatus for determining a pose for an object
WO2023273415A1 (zh) 基于无人机的定位方法、装置、存储介质、电子设备和产品
CN111369680A (zh) 生成建筑物的三维图像的方法及装置
CN114998433A (zh) 位姿计算方法、装置、存储介质以及电子设备
CN115170740A (zh) 特效处理方法、装置、电子设备及存储介质
JP7262530B2 (ja) 位置情報の生成方法、関連装置及びコンピュータプログラム製品
KR102568948B1 (ko) 장애물 속도를 결정하는 방법, 장치, 전자 기기, 저장 매체 및 프로그램
CN112070835A (zh) 机械臂位姿预测方法、装置、存储介质及电子设备
US20220404460A1 (en) Sensor calibration method and apparatus, electronic device, and storage medium
CN116681857A (zh) 一种空间碰撞检测方法、装置及电子设备
CN111949816B (zh) 定位处理方法、装置、电子设备和存储介质

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