CN114627263A - 一种基于变异粒子群优化算法的三维产权体视角选择方法 - Google Patents

一种基于变异粒子群优化算法的三维产权体视角选择方法 Download PDF

Info

Publication number
CN114627263A
CN114627263A CN202210518033.XA CN202210518033A CN114627263A CN 114627263 A CN114627263 A CN 114627263A CN 202210518033 A CN202210518033 A CN 202210518033A CN 114627263 A CN114627263 A CN 114627263A
Authority
CN
China
Prior art keywords
dimensional
dimensional property
view angle
body model
property body
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
Application number
CN202210518033.XA
Other languages
English (en)
Other versions
CN114627263B (zh
Inventor
王履华
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202210518033.XA priority Critical patent/CN114627263B/zh
Publication of CN114627263A publication Critical patent/CN114627263A/zh
Application granted granted Critical
Publication of CN114627263B publication Critical patent/CN114627263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/20—Packaging, e.g. boxes or containers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/56—Particle system, point based geometry or rendering

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于变异粒子群优化算法的三维产权体视角选择方法，涉及计算机视觉形状识别技术领域，包括生成包围模型的正二十面体，选用正二十面体几何中心上方的16个视点构建候选视角集合；人工对16个视角下所观察到的三维产权体模型评分排序；提取三维产权体模型的评价特征包括可见三维界址点数量、关联性、视角舒适度，利用评价特征和特征权重分配定义评价函数；基于已有的训练模型集合以及人工标定视角得分序列，采用变异粒子群优化算法和退火算法进行特征权重学习，获取最适合该产权体各评价因子的权重组合；基于以上结果，构建待评价模型的评价函数，求解得出得分最高视角即最优视角，输出最优视角下的三维产权体图件。

Description

一种基于变异粒子群优化算法的三维产权体视角选择方法
技术领域
本发明涉及计算机视觉形状识别技术领域，具体的是一种基于变异粒子群优化算法的三维产权体视角选择方法。
背景技术
尽管现行的二维地籍可以简化复杂的三维空间，具有表达简单的特点，但却无法描述复杂三维空间实体的空间形态、位置关系，随着地籍管理要求愈发精细精准，迫切需要引入三维地籍概念，解决立体化土地开发利用中的三维地籍管理问题，三维地籍是在地籍的概念中引入三维产权的含义，将一定的三维空间划分为没有交叉、空隙和重叠的三维权利实体，三维产权体是三维地籍管理的最小单元，定义为以三维权属界址组成的封闭权利实体，可以实现对地上和地下立体空间中三维地籍产权体的定界和表达，三维产权体还原了以不动产为主要内容的三维地籍管理的本质，让产权内容表达的更加直观准确，但三维产权体组成成分复杂，它既可以与具体的物理实体关联，由物理实体抽象后的几何形体来代表其空间范围，由相关法律法规确定和解释其权利空间；也可以不直接与物理实体产生关联，通过法律认定约束的一致空间来描述权利空间，因此产权体包含大量的产权空间信息和物理空间信息，如何搜索获得符合人眼视觉感官、传递尽可能多信息量的最优视角成为一个难点，现有的三维模型最优视角选择方法主要分为最优化兴趣目标、最大化视角可见特征。
这两类方法分别将模型最优视角选择问题归结为自定义目标的最优问题和最大化模型可见部分或信息量的问题，对于视角亲和舒适性的把握仍显不足，并且特征权重的取值难以保证适用于所有同类型的三维模型，所以所选择的部分视角并不是很理想，为此，现在提出一种基于变异粒子群优化算法的三维产权体视角选择方法，设计了一个对候选视角打分的权重函数，该函数中的特征选取不仅考虑了视角应能够看到三维产权体尽可能多的信息量，同时也考虑了所选视角的舒适性，尽量接近人们观察物体常用的视角；采用变异粒子群算法对模型进行分类别学习，在不断迭代中获取权重函数中各个特征的权重配置，利用特征权重组合构建评价函数确定得分最高的视角，即三维产权体模型的最优视角。
发明内容
为解决上述背景技术中提到的不足，本发明的目的在于提供一种基于变异粒子群优化算法的三维产权体视角选择方法。
本发明的目的可以通过以下技术方案实现：一种基于变异粒子群优化算法的三维产权体视角选择方法，方法包括以下步骤：
步骤一：生成包围三维产权体模型的边界球，将三维产权体模型的正二十面体12个顶点和各三角形面的20个重心扩散至边界球面，选择正二十面体在几何中心上方的各顶点和各面重心构建具有16个视点的候选视角集合；
步骤二：根据具有16个视点的候选视角集合下所观察到的三维产权体模型信息量，以人为的综合感官按照从好到差标准进行评分标识，获得视角排序序列；
步骤三：提取三维产权体模型各视角下的模型评价特征，包括可见三维界址点数量V(w)、关联性R(w)、视角舒适度D(w)，从特征集合出发进行特征权重分配定义评价函数S(w)；
步骤四：输入标注的训练模型集合，16个视角人工标定得分序列，采用变异粒子群优化算法和退火算法进行特征权重学习，输出三维产权体模型各特征的权重组合
Figure 754934DEST_PATH_IMAGE001
；
步骤五：提取待评价的三维产权体模型评价因子，利用特征权重组合，构建各视角的评价函数，求解出各视角得分，输出得分最高视角下的三维产权体图件。
进一步地，所述包围三维产权体模型的边界球为单位半径r为三维产权体模型包围盒对角线长度，球体的中心与三维产权体模型的几何中心一致。
进一步地，所述包围三维产权体模型的边界球进一步细分为包围三维产权体模型的正二十面体，则三维产权体模型的候选的视角在正二十面体的12个顶点和各三角面的20个重心点中选定。
进一步地，所述视角排序序列的排序标准采用五点量表法进行人工评分标识，将评分结果分为5个等级：很合适10分、合适8分、没有意见6分、不太合适4分和不合适2分，然后按照得分对各视角排序。
进一步地，所述可见三维界址点数量V(w)的求解公式为：
Figure 784069DEST_PATH_IMAGE002
其中，N(w)为三维产权体模型从视角w可见的三维界址点数量，N为三维产权体模型的所有三维界址点数量；
所述关联性R(w)反映视角w下可见的产权体面积与整个三维产权体模型表面积的关联性，求解公式为：
Figure 962241DEST_PATH_IMAGE003
其中，M代表整个三维产权体模型，A(w)是视角w下可见的产权体面积，是整个三维产权体模型表面积；
所述视角舒适度D(w)反映候选视角与最优视角之间的接近度，求解公式为：
Figure 444038DEST_PATH_IMAGE004
其中，
Figure 982336DEST_PATH_IMAGE005
为W视角下所对应的向量与竖直方向所对应的向量的夹角，
Figure 865978DEST_PATH_IMAGE006
为物体的最优视角的夹角，且
Figure 215051DEST_PATH_IMAGE007
；
所述评价函数S(w)的表达式为：
Figure 184144DEST_PATH_IMAGE008
其中，WV为视角可见三维界址点数量的权重，WR为对视角关联性的权重，WD为视角舒适度的权重。
进一步地，所述特征权重学习的步骤如下：
步骤S1：输入三维产权体训练模型、候选视角合集、人工标识视角排序序列、视角评价因子数据；设置粒子群的种群规模大小n，种群维度d，迭代次数t，初始温度Tk，k=0，退火系数C，粒子最大速度；
步骤S2：随机在区间[0，1]中选取m个粒子
Figure 260553DEST_PATH_IMAGE009
，即m组权重组合
Figure 264281DEST_PATH_IMAGE010
为初始粒子群，其中1≤ i≤m；
步骤S3：设置迭代次数为t，在每一次的迭代中更新粒子个体及整个粒子群的速度和位置，并进行退火算法，直至达到设定的迭代次数后结束；
步骤S4：在训练数据集上对每个组合通过评价函数的计算获得各个权重组合下的视角的得分，按得分从高到低排序，粒子适应度的评价是基于计算实验序列与标定序列之间的距离，设wi在标定序列中所处的位置为
Figure 784255DEST_PATH_IMAGE011
，实验所得序列所处位置为
Figure 240645DEST_PATH_IMAGE012
，两个位置之间的距离可认为是该权重组合将视角
Figure 120745DEST_PATH_IMAGE013
错排程度的一种度量，计算每个视角对应的度量值并相加，将和值作为两个序列之间的距离D：
Figure 713400DEST_PATH_IMAGE014
计算得到m种组合实验所得出的序列与标定序列之间的距离
Figure 404276DEST_PATH_IMAGE015
，D越小，说明其对应的权重组合下获得的视角排序越接近人工标识视角排序，则该权重组合为本轮最优粒子；
步骤S5：根据粒子的更新速度公式和更新位置公式，调整粒子个体位置，进一步调整粒子群的位置和速度，进行下一次迭代，其中，粒子的更新速度公式和更新位置公式为：
Figure 347961DEST_PATH_IMAGE016
Vi+1为第i+1个粒子的速度，Xi+1为第i+1个粒子的位置，Vi为第i个粒子的速度，
Figure 34682DEST_PATH_IMAGE017
为第i个粒子的位置，i取在[1, N]之间；Pi为第i个粒子自身搜索到的最优位置；Pg为整个粒子群搜索到的最优位置；c1和c2是非负常数；r1和r2是介于[0,1]之间的随机数；
步骤S6：引入退火算法，通过退火算法的状态产生函数对除最优粒子外其他粒子产生新粒子，计算新旧粒子对应的序列距离T，并判断T是否接受新粒子，判断依据为
Figure 747423DEST_PATH_IMAGE018
，满足条件的进行退火操作，否则重复进行退火算法；
步骤S7：在退火实验完成之后，返回至步骤S4，重复计算粒子群的适应度，当达到迭代次数后，程序结束输出，输出结果为权重组合
Figure 609199DEST_PATH_IMAGE019
。
进一步地，所述输出得分最高视角下的三维产权体图件的过程包括：利用训练好的权重学习模型，输入待评价的三维产权体模型，获取产权体的视角集合，提取产权体的评价特征集合，通过权重学习模型获得最优特征权重组合，构建产权体模型各视角下的评价函数，获得各视角评价得分，输出得分最高视角下的三维产权体图件。
本发明的有益效果：
本发明在使用时，对于用于训练的各类三维产权体模型，利用已经人工标定的视角排序序列，通过变异粒子群优化算法学习出模型各个评价特征的权重值，生成权重组合，避免不同三维产权体模型权重固定设置的问题；对于其它的同类三维产权体模型，运用权重组合值计算各候选视角的评价函数值，对候选视角打分选择出最优视角；评价函数的设计不仅考虑三维产权体模型各个分段在某视角下的信息量，还根据具体的应用场景和人体的主观倾向考虑到视角的舒适性，视角选择过程定量化、可计算，降低了传统方法的主观性，提高了视角选择的质量精度和自动化程度，缓解人工选择方法耗时耗力的不足。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，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的附图；
图1是本发明流程图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，一种基于变异粒子群优化算法的三维产权体视角选择方法，方法包括以下步骤：
步骤一：生成包围三维产权体模型的边界球，将三维产权体模型的正二十面体12个顶点和各三角形面的20个重心扩散至边界球面，选择正二十面体在几何中心上方的各顶点和各面重心构建具有16个视点的候选视角集合；
需要进一步进行说明的是，在具体实施过程中，模型的候选视角确定为正二十面体的12个顶点和各三角面的20个重心点。其12个顶点坐标分别为：
Figure 164815DEST_PATH_IMAGE020
其中
Figure 262084DEST_PATH_IMAGE021
，
Figure 970277DEST_PATH_IMAGE022
，k为假定的比例系数。20个重心点为正二十面体每面三角形的重心，采用暴力算法，以一个三角形的重心为标准，对所有顶点进行组合，保留准重心点与几何中心连线长度与标准重心点与几何中心连线相同的点，则该点为重心点，最后去除正二十面体几何中心平面以下的所有点，保留的16个视点为三维产权体模型的候选视角。
步骤二：根据具有16个视点的候选视角集合下所观察到的三维产权体模型信息量，以人为的综合感官按照从好到差标准进行评分标识，获得视角排序序列；
步骤三：提取三维产权体模型各视角下的模型评价特征，包括可见三维界址点数量V(w)、关联性R(w)、视角舒适度D(w)，从特征集合出发进行特征权重分配定义评价函数S(w)；
需要进一步进行说明的是，在具体实施过程中，调用Geoprocessor中Analyst3DTools 的Intervisibility确定视角与三维界址点之间的可见性，通过判断是否存在阻碍视角与各三维界址点通视线的多面体，从而确定该视角下可见的三维界址点数量，计算其与三维产权体总界址点数的比值得出评价因子V(w)。
评价因子关联性R(w)反映视角w下可见的产权体面积与整个三维产权体模型表面积的关联性，首先连接视点与模型中心点，然后构建垂直于连线的平面，要求该投影平面是三维产权体投影的1.5倍，将平面均匀切分为100份，构建视点与100份小平面中心点的连线，最后利用连线与三维产权体模型求交，通过计算交点数量与总点数的比值，近似表达可见的产权体面积与整个三维产权体模型表面积的比值。
步骤四：输入标注的训练模型集合，16个视角人工标定得分序列，采用变异粒子群优化算法和退火算法进行特征权重学习，输出三维产权体模型各特征的权重组合
Figure 862009DEST_PATH_IMAGE019
；
步骤五：提取待评价的三维产权体模型评价因子，利用特征权重组合，构建各视角的评价函数，求解出各视角得分，输出得分最高视角下的三维产权体图件。
需要进行说明的是，所述包围三维产权体模型的边界球为单位半径r为三维产权体模型包围盒对角线长度，球体的中心与三维产权体模型的几何中心一致。
需要进一步进行说明的是，在具体实施过程中，所述包围三维产权体模型的边界球进一步细分为包围模型的正二十面体，则三维产权体模型的候选的视角在正二十面体的12个顶点和各三角面的20个重心点中选定。
需要进一步进行说明的是，在具体实施过程中，所述视角排序序列的排序标准采用五点量表法进行人工评分标识，将评分结果分为5个等级：很合适10分、合适8分、没有意见6分、不太合适4分和不合适2分，然后按照得分对各视角排序。
所述可见三维界址点数量V(w)的求解公式为：
Figure 514707DEST_PATH_IMAGE023
其中，N(w)为模型从视角w可见的三维界址点数量，N为该模型的所有三维界址点数量；
所述关联性R(w)反映视角w下可见的产权体面积与整个三维产权体模型表面积的关联性，求解公式为：
Figure 805880DEST_PATH_IMAGE024
其中，M代表整个三维产权体模型，A(w)是视角w下可见的产权体面积，是整个三维产权体模型表面积；
所述视角舒适度D(w)反映候选视角与最优视角之间的接近度，求解公式为：
Figure 103001DEST_PATH_IMAGE025
其中，
Figure 431214DEST_PATH_IMAGE005
为W视角下所对应的向量与竖直方向所对应的向量的夹角，
Figure 961421DEST_PATH_IMAGE026
为物体的最优视角的夹角，且
Figure 666072DEST_PATH_IMAGE027
；
所述评价函数S(w)的表达式为：
Figure 83278DEST_PATH_IMAGE028
其中，WV为视角可见三维界址点数量的权重，WR为对视角关联性的权重，WD为视角舒适度的权重。
需要进一步进行说明的是，在具体实施过程中，所述特征权重学习的步骤如下：
步骤S1：输入三维产权体训练模型、候选视角合集、人工标识视角排序序列、视角评价因子数据；设置粒子群的种群规模大小n，种群维度d，迭代次数t，初始温度Tk，K=0，退火系数C，粒子最大速度；
步骤S2：随机在区间[0，1]中选取m个粒子
Figure 316813DEST_PATH_IMAGE029
，m组的权重组合
Figure 337246DEST_PATH_IMAGE030
为初始粒子群，其中1≤ i≤m；
步骤S3：设置迭代次数为t，在每一次的迭代中更新粒子个体及整个粒子群的速度和位置，并进行退火算法，直至达到设定的迭代次数后结束；
步骤S4：在训练数据集上对每个组合通过评价函数的计算获得各个权重组合下的视角的得分，按得分从高到低排序，粒子适应度的评价是基于计算实验序列与标定序列之间的距离，设wi在标定序列中所处的位置为
Figure 580009DEST_PATH_IMAGE031
，实验所得序列所处位置为
Figure 851721DEST_PATH_IMAGE032
，两个位置之间的距离可认为是该权重组合将视角Wi错排程度的一种度量，计算每个视角对应的度量值并相加，将和值作为两个序列之间的距离D：
Figure 521737DEST_PATH_IMAGE033
计算得到m种组合实验所得出的序列与标定序列之间的距离
Figure 760957DEST_PATH_IMAGE034
，D越小，说明其对应的权重组合下获得的视角排序越接近人工标识视角排序，则该权重组合为本轮最优粒子；
步骤S5：根据粒子的更新速度公式和更新位置公式，调整粒子个体位置，进一步调整粒子群的位置和速度，进行下一次迭代，其中，粒子的更新速度公式和更新位置公式为：
Figure 682777DEST_PATH_IMAGE035
Vi+1为第i+1个粒子的速度，Xi+1为第i+1个粒子的位置，Vi为第i个粒子的速度，
Figure 199209DEST_PATH_IMAGE017
为第i个粒子的位置，i取在[1, N]之间；Pi为第i个粒子自身搜索到的最优位置；Pg为整个粒子群搜索到的最优位置；c1和c2是非负常数；r1和r2是介于[0,1]之间的随机数；
步骤S6：引入退火算法，通过退火算法的状态产生函数对除最优粒子外其他粒子产生新粒子，计算新旧粒子对应的序列距离T，并判断T是否接受新粒子，判断依据为
Figure 164760DEST_PATH_IMAGE036
，满足条件的进行退火操作，否则重复进行退火算法；
步骤S7：在退火实验完成之后，返回至步骤S4，重复计算粒子群的适应度，当达到迭代次数后，程序结束输出，输出结果为权重组合
Figure 766642DEST_PATH_IMAGE037
。
所述输出得分最高视角下的三维产权体图件的过程包括：利用训练好的权重学习模型，输入待评价的三维产权体模型，获取产权体的视角集合，提取产权体的评价特征集合，通过权重学习模型获得最优特征权重组合，构建产权体模型各视角下的评价函数，获得各视角评价得分，输出得分最高视角下的三维产权体图件。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (7)

1.一种基于变异粒子群优化算法的三维产权体视角选择方法，其特征在于，方法包括以下步骤：
步骤一：生成包围三维产权体模型的边界球，将三维产权体模型的正二十面体12个顶点和各三角形面的20个重心扩散至边界球面，选择正二十面体在几何中心上方的各顶点和各面重心构建具有16个视点的候选视角集合；
步骤二：根据具有16个视点的候选视角集合下所观察到的三维产权体模型信息量，以人为的综合感官按照从好到差标准进行评分标识，获得视角排序序列；
步骤三：提取三维产权体模型各视角下的模型评价特征，包括可见三维界址点数量V(w)、关联性R(w)、视角舒适度D(w)，从特征集合出发进行特征权重分配定义评价函数S(w)；
步骤四：输入标注的训练模型集合，16个视角人工标定得分序列，采用变异粒子群优化算法和退火算法进行特征权重学习，输出三维产权体模型各特征的权重组合
Figure 910137DEST_PATH_IMAGE001
；
步骤五：提取待评价的三维产权体模型评价因子，利用特征权重组合，构建各视角的评价函数，求解出各视角得分，输出得分最高视角下的三维产权体图件。
2.根据权利要求1所述的一种基于变异粒子群优化算法的三维产权体视角选择方法，其特征在于，所述包围三维产权体模型的边界球为单位半径r为三维产权体模型包围盒对角线长度，球体的中心与三维产权体模型的几何中心一致。
3.根据权利要求2所述的一种基于变异粒子群优化算法的三维产权体视角选择方法，其特征在于，所述包围三维产权体模型的边界球进一步细分为包围三维产权体模型的正二十面体，则三维产权体模型的候选的视角在正二十面体的12个顶点和各三角面的20个重心点中选定。
4.根据权利要求1所述的一种基于变异粒子群优化算法的三维产权体视角选择方法，其特征在于，所述视角排序序列的排序标准采用五点量表法进行人工评分标识，将评分结果分为5个等级：很合适10分、合适8分、没有意见6分、不太合适4分和不合适2分，然后按照得分对各视角排序。
5.根据权利要求1所述的一种基于变异粒子群优化算法的三维产权体视角选择方法，其特征在于，所述可见三维界址点数量V(w)的求解公式为：
Figure 358436DEST_PATH_IMAGE002
其中，N(w)为三维产权体模型从视角w可见的三维界址点数量，N为三维产权体模型的所有三维界址点数量；
所述关联性R(w)反映视角w下可见的产权体面积与整个三维产权体模型表面积的关联性，求解公式为：
Figure 59545DEST_PATH_IMAGE003
其中，M代表整个三维产权体模型，A(w)是视角w下可见的产权体面积，是整个三维产权体模型表面积；
所述视角舒适度D(w)反映候选视角与最优视角之间的接近度，求解公式为：
Figure 126858DEST_PATH_IMAGE004
其中，
Figure 472389DEST_PATH_IMAGE005
为W视角下所对应的向量与竖直方向所对应的向量的夹角，
Figure 481802DEST_PATH_IMAGE006
为物体的最优视角的夹角，且
Figure 155360DEST_PATH_IMAGE007
；
所述评价函数S(w)的表达式为：
Figure 885418DEST_PATH_IMAGE008
其中，WV为视角可见三维界址点数量的权重，WR为对视角关联性的权重，WD为视角舒适度的权重。
6.根据权利要求1所述的一种基于变异粒子群优化算法的三维产权体视角选择方法，其特征在于，所述特征权重学习的步骤如下：
步骤S1：输入三维产权体训练模型、候选视角合集、人工标识视角排序序列、视角评价因子数据；设置粒子群的种群规模大小n，种群维度d，迭代次数t，初始温度Tk，k=0，退火系数C，粒子最大速度；
步骤S2：随机在区间[0，1]中选取m个粒子
Figure 210089DEST_PATH_IMAGE009
，m组的权重组合
Figure 191DEST_PATH_IMAGE010
为初始粒子群，其中1≤ i≤m；
步骤S3：设置迭代次数为t，在每一次的迭代中更新粒子个体及整个粒子群的速度和位置，并进行退火算法，直至达到设定的迭代次数后结束；
步骤S4：在训练数据集上对每个组合通过评价函数的计算获得各个权重组合下的视角的得分，按得分从高到低排序，粒子适应度的评价是基于计算实验序列与标定序列之间的距离，设wi在标定序列中所处的位置为
Figure 161045DEST_PATH_IMAGE011
，实验所得序列所处位置为
Figure 429215DEST_PATH_IMAGE012
，两个位置之间的距离为权重组合将视角
Figure 611322DEST_PATH_IMAGE013
错排程度的一种度量，计算每个视角对应的度量值并相加，将和值作为两个序列之间的距离D：
Figure 572325DEST_PATH_IMAGE014
计算得到m种组合实验所得出的序列与标定序列之间的距离
Figure 486054DEST_PATH_IMAGE015
，D越小，说明其对应的权重组合下获得的视角排序越接近人工标识视角排序，则对应的权重组合为本轮最优粒子；
步骤S5：根据粒子的更新速度公式和更新位置公式，调整粒子个体位置，进一步调整粒子群的位置和速度，进行下一次迭代，其中，粒子的更新速度公式和更新位置公式为：
Figure 416970DEST_PATH_IMAGE016
Vi+1为第i+1个粒子的速度，Xi+1为第i+1个粒子的位置，Vi为第i个粒子的速度，
Figure 591600DEST_PATH_IMAGE017
为第i个粒子的位置，i取在[1, N]之间；Pi为第i个粒子自身搜索到的最优位置；Pg为整个粒子群搜索到的最优位置；c1和c2是非负常数；r1和r2是介于[0,1]之间的随机数；
步骤S6：引入退火算法，通过退火算法的状态产生函数对除最优粒子外其他粒子产生新粒子，计算新旧粒子对应的序列距离T，并判断T是否接受新粒子，判断依据为
Figure 598870DEST_PATH_IMAGE018
，满足条件的进行退火操作，否则重复进行退火算法；
步骤S7：在退火实验完成之后，返回至步骤S4，重复计算粒子群的适应度，当达到迭代次数后，程序结束输出，输出结果为权重组合
Figure 858950DEST_PATH_IMAGE019
。
7.根据权利要求1所述的一种基于变异粒子群优化算法的三维产权体视角选择方法，其特征在于，所述输出得分最高视角下的三维产权体图件的过程包括：利用训练好的权重学习模型，输入待评价的三维产权体模型，获取产权体的视角集合，提取产权体的评价特征集合，通过权重学习模型获得最优特征权重组合，构建产权体模型各视角下的评价函数，获得各视角评价得分，输出得分最高视角下的三维产权体图件。
CN202210518033.XA 2022-05-13 2022-05-13 一种基于变异粒子群优化算法的三维产权体视角选择方法 Active CN114627263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210518033.XA CN114627263B (zh) 2022-05-13 2022-05-13 一种基于变异粒子群优化算法的三维产权体视角选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210518033.XA CN114627263B (zh) 2022-05-13 2022-05-13 一种基于变异粒子群优化算法的三维产权体视角选择方法

Publications (2)

Publication Number Publication Date
CN114627263A true CN114627263A (zh) 2022-06-14
CN114627263B CN114627263B (zh) 2022-08-16

Family

ID=81906948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210518033.XA Active CN114627263B (zh) 2022-05-13 2022-05-13 一种基于变异粒子群优化算法的三维产权体视角选择方法

Country Status (1)

Country Link
CN (1) CN114627263B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115471642A (zh) * 2022-11-14 2022-12-13 中国电子科技集团公司第二十八研究所 一种采用粒子群优化的三维模型最优视角选择方法
CN117351091A (zh) * 2023-09-14 2024-01-05 成都飞机工业（集团）有限责任公司 一种相机阵列标定装置及其使用方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102074029A (zh) * 2011-02-24 2011-05-25 武汉大学 一种三维地籍产权证多视图的制图方法
CN111784833A (zh) * 2020-06-23 2020-10-16 长江空间信息技术工程有限公司(武汉) 基于WebGL的洪水演进态势三维动态可视化展示方法
CN112381123A (zh) * 2020-10-30 2021-02-19 鄂尔多斯应用技术学院 一种基于时间序列预测方法的采煤机故障预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102074029A (zh) * 2011-02-24 2011-05-25 武汉大学 一种三维地籍产权证多视图的制图方法
CN111784833A (zh) * 2020-06-23 2020-10-16 长江空间信息技术工程有限公司(武汉) 基于WebGL的洪水演进态势三维动态可视化展示方法
CN112381123A (zh) * 2020-10-30 2021-02-19 鄂尔多斯应用技术学院 一种基于时间序列预测方法的采煤机故障预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHEN YING等: "Case-driven category analysis of 3D building property", 《HTTPS://DOI.ORG/10.4233/UUID:8FA25BBB-A024-4769-B90E-A4907C9366F0》 *
王履华: "三维地籍数据模型及时空关系研究", 《中国土地科学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115471642A (zh) * 2022-11-14 2022-12-13 中国电子科技集团公司第二十八研究所 一种采用粒子群优化的三维模型最优视角选择方法
CN117351091A (zh) * 2023-09-14 2024-01-05 成都飞机工业（集团）有限责任公司 一种相机阵列标定装置及其使用方法

Also Published As

Publication number Publication date
CN114627263B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN114627263B (zh) 一种基于变异粒子群优化算法的三维产权体视角选择方法
Summerville Expanding expressive range: Evaluation methodologies for procedural content generation
Zhang et al. Perceptual models of preference in 3D printing direction
Fisher-Gewirtzman et al. Spatial openness as a practical metric for evaluating built-up environments
US20050052452A1 (en) 3D computer surface model generation
CN105931298B (zh) 一种基于视觉显著性的浅浮雕位置自动选择方法
CN110069656A (zh) 一种基于生成对抗网络的二维图片检索三维模型的方法
EP0313586A1 (en) A method for global blending of computer modeled solid objects using a convolution integral
CN110119772B (zh) 一种基于几何形状特征融合的三维模型分类方法
Pound et al. A patch-based approach to 3D plant shoot phenotyping
CN104751463B (zh) 一种基于草图轮廓特征的三维模型最佳视角选取方法
CN111460193B (zh) 一种基于多模态信息融合的三维模型分类方法
CN115713605A (zh) 一种基于图像学习的商业类建筑群自动建模方法
CN110727817B (zh) 基于t-CNN的三维模型检索方法、终端设备及存储介质
CN109191447B (zh) 一种基于几何曲率分析的三维网格质量评价方法
Zhang et al. Optimization of the Virtual Scene Layout Based on the Optimal 3D Viewpoint
Shibata et al. Modeling of subjective interpretation for street landscape image
CN111369124A (zh) 一种基于自生成全局特征和注意力的图像美学预测方法
Dev et al. A perceptual aesthetics measure for 3D shapes
CN113268872B (zh) 一种基于全息三维的国土空间规划仿真方法及系统
Liang et al. Building placements in urban modeling using conditional generative latent optimization
Pech et al. Quantifiable Isovist and Graph-Based Measures for Automatic Evaluation of Different Area Types in Virtual Terrain Generation
Iwasaki et al. GPU-based rendering of point-sampled water surfaces
CN116976242A (zh) 商业空间智能人流预测方法、布局设计方法与优化方法
Zheng et al. Hierarchical Bayesian Network Modeling and Layout of Huizhou Traditional Villages in Geographic Environment

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220614

Assignee: NANJING GUOTU INFORMATION INDUSTRY CO.,LTD.

Assignor: Nanjing University of Information Science and Technology

Contract record no.: X2023980035914

Denomination of invention: A perspective selection method of 3D property rights based on mutation particle swarm optimization algorithm

Granted publication date: 20220816

License type: Common License

Record date: 20230525

EE01 Entry into force of recordation of patent licensing contract