CN115471642A - 一种采用粒子群优化的三维模型最优视角选择方法 - Google Patents

一种采用粒子群优化的三维模型最优视角选择方法 Download PDF

Info

Publication number
CN115471642A
CN115471642A CN202211419177.6A CN202211419177A CN115471642A CN 115471642 A CN115471642 A CN 115471642A CN 202211419177 A CN202211419177 A CN 202211419177A CN 115471642 A CN115471642 A CN 115471642A
Authority
CN
China
Prior art keywords
model
dimensional model
optimal
angle
visual angle
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
CN202211419177.6A
Other languages
English (en)
Inventor
张晔嘉
张臻
孙耀宗
刘辰炜
汪静
姜梦蝶
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.)
CETC 28 Research Institute
Original Assignee
CETC 28 Research Institute
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 CETC 28 Research Institute filed Critical CETC 28 Research Institute
Priority to CN202211419177.6A priority Critical patent/CN115471642A/zh
Publication of CN115471642A publication Critical patent/CN115471642A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Architecture (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种采用粒子群优化的三维模型最优视角选择方法，包括：对已分类的三维模型集进行姿态校正得到姿态一致的三维模型集；对三维模型集进行预分割，属于同一类的模型以相同的分割标准进行语义分割；对每一类模型取出部分模型作为训练模型，并对训练模型进行视角采样，获得候选视角集合；对候选视角集合进行排序获得标定的视角排序序列，并获得最优视角角度；对训练模型集合提取视角特征，设计针对各特征的权重函数；通过粒子群优化算法分类别学习各类模型最优的特征权重配置；对于其他非训练模型，在预分割和姿态校正的基础上，对候选视角集合用权重函数进行打分，得分最高的视角即为最优视角。

Description

一种采用粒子群优化的三维模型最优视角选择方法
技术领域
本发明属于计算机图形学技术领域，具体涉及一种采用粒子群优化的三维模型最优视角选择方法。
背景技术
计算机技术的发展使得三维模型在计算机辅助设计、数字娱乐、医学等诸多领域得到了广泛的应用，为了有效地利用由此产生的大量三维模型，需要高效的浏览与认知手段。人类对物体的认知依赖于观察物体的视角位置，而使得人类能够最好地认知和理解三维模型的视角，称之为该三维模型的最优视角。在大型三维模型数据集的浏览过程中，应该选用富有信息量和符合多数人主观倾向的视角作为最优视角以生成缩略图来展示三维模型。人类能够合理地选择视角位置，得到三维模型的最优视角，但是对于大量的三维模型来说，完全由人工选择是不可行的，因而需要自动选择三维模型最优视角的方法。
三维模型的最优视角与人类对三维模型的自然感知密切相关，是涉及诸如神经学、心理学和计算机科学等多学科的问题。文献“Blanz V, Tarr M, Bülthoff H. Whatobject attributes determine canonical views [J]. Perception, 1999, 28(5):575–599”探讨了共同决定一个权威性视角的六个方面因素，并给出了三维模型的首选或具权威性的视角，被称为Canonical视点；文献“Palmer S, Rosch E, ChaseP. Canonicalperspective and the perception of objects [C] //Proceedings of the 9thInternational Symposium on Attention and Performance. Hillsdale ErlbaumPress, 1981, 9: 135-151”通过照片选择、物体描述和视角拍照等实验证明了最优视点在物体非轴向方向；文献“Perrett DI, Harries MH, Looker S. Use of prefer entailinspection to define the viewing sphere and characteristic views of anarbitrary machined tool part [J]. Perception,1992, 21(4): 497-515”则利用自由旋转物体的显著结构判断实验验证了大多数测试者选择非轴向视点作为最优观察点；文献“Verfaillie K, Boutsen L. A corpus of 714 full color images of depth-rotatedobjects [J]. Perception & Psychophysics,1995, 57(7): 925-961”通过对物体不同角度照片优劣等级的成对比较得出了最优视点为四分之三视点位置的结论。这些研究表明：物体的最优视角通常是能观察到模型尽可能多显著特征的视点，接近于人观察物体常用的四分之三视点。已有的最优视角选择方法主要可以分为两类：一是最优化兴趣目标，二是最大化视角可见特征。
在第一类方法中，文献“Yamauchi H, Saleem W, Yoshizawa S, Karni Z,Belyaev A, Seidel H-P.: Towards stable and salient multi-view representationof 3D shapes. In: Proceedings of the IEEE International Conference on ShapeModeling and Applications 2006 (SMI’06), p. 40(2006)”和文献“Denton T, DemirciMF, Abrahamson J, Shokoufandeh A, Dickinson S.: Selecting canonical views forview-based 3-D object recognition. In: International Conference on PatternRecognition, vol. 2, pp. 273–276 (2004)”将选择在视角相似性上最具代表性的视角作为目标，相似的视角聚类在一起，不同的类中心形成了具有代表性的视角子集，但这些方法是基于k-均值聚类的，需要用户指定聚类个数；文献“Ansary TF, Daoudi M,Vandeborre J.-P.: A Bayesian 3-d search engine using adaptive viewsclustering. IEEE Trans. Multimed.9(1), 78–88 (2007)”针对这一问题提出了一种改进的X-均值算法，聚类的数量可自适应于模型的复杂性；文献“Podolak J, Shilane P,Golovinskiy A, Rusinkiewicz S, Funkhouser T.: A planar-reflective symmetrytransform for 3Dshapes. ACM Trans. Graph, pp. 549–559 (2006)”以减少视角对称性为目标，选择对称性最小的视角作为最优视角；公开号CN103295025B、发明名称为《一种三维模型最优视图的自动选择方法》中，将最优视角选择问题归结为特征选取以及分类问题，考察视角对不同类模型的区分性能，某一类模型各个视角中区分能力最好的视角即为最优视角，但是该方法需要大量的样本数据来训练分类器，对于小样本数据则难以获得理想的选择结果。这类方法将模型最优视角选择问题归结为各自所定义目标的最优问题，然而使得目标最优的视角并不一定拥有较大的信息量和符合人们的主观倾向。
第二类方法的目的是最大化视角可见特征。在这类方法中，首先通过在模型的包围球面上采样获得候选视角集合，有助于减少最优视角的搜索空间；然后选择视角可见模型特征，部分方法还会为这些特征赋予权重以衡量其重要性；最后通过函数为各视角打分选择得分最高视角作为最优视角。这类方法的关键在于特征的选取以及权重的设定。文献“Vázquez P-P, Feixas M, Sbert M, Heidrich W.: Viewpoint selection usingviewpoint entropy. In: Proceedings of the Vision Modeling and VisualizationConference VMV, (2001). ’01, pp. 273–280. Aka GmbH (2001)”提出利用曲面面积熵来衡量模型的几何复杂性，将模型每一面片可见部分投影面积相对于整个模型可见部分投影面积之比作为面片概率，并选取面积熵最大的视点作为最优观察视点；文献：曹伟国，胡平，李华，林宗楷。基于距离直方图的最优视点选择。计算机辅助设计与图形学学报，2010，22(9)：1515-1521).在三维物体表面均匀采样获取采样点并计算物体形心，利用采样点到物体形心的距离来构造距离直方图，计算距离直方图的Shannon熵作为衡量视角优劣的标准；文献“杨利明，王文成，吴恩华。基于视平面上特征计算的视点选择。计算机辅助设计与图形学学报，2008，20(9)，1097-1103”定义了基于视平面的一种曲率特征，并由此计算与视角相关的一种熵值，将熵值最大的视角作为最优视角。上述方法选择最优视角主要只是考虑模型的几何特征，所选取的视角在可见信息量上相对第一类方法有较好的表现，但在视角的亲和舒适性上的考虑还不足。文献“Michela M, Michela S. Semantics-driven bestview of 3D shapes. Computers & Graphics 33 (2009) 280–290”认为最优视角应当和模型的语义组成部分密切相关，利用面向语义的分割方法来分割模型来获取有意义的部分，不同分割方法的分割片段具有不同的特征权重，作者设计了一种权重函数对候选视角集合进行打分以获得最优视角。该方法除了把握视角的几何特征，还考虑到了模型的语义含义。但是由于特征的选取对于视角亲和舒适性的把握仍显不足；并且特征权重是对应于分割方法，并通过大量实验统计分析后得到各种分割方法最终的权重值，难以保证适用于所有使用该分割方法的模型类。所以所选择的部分视角并不是很理想，视角常常还是以最大化模型可见部分或信息量为标准，并且在视角亲和舒适度上依然有所欠缺。
发明内容
发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种采用粒子群优化的三维模型最优视角选择方法，包括以下步骤：
步骤1，对已分类的三维模型集进行预处理，所述三维模型集中包含有三维数字几何模型数据；
步骤2，基于预处理后的三维模型集，学习最优权重配置；
步骤3，对三维模型选择最优视角。
步骤1包括：
步骤1-1，对三维模型数据进行姿态校正；
步骤1-2，对三维模型数据进行标准化分割。
步骤1-1包括以下步骤：
步骤1-1-1，计算三维模型的中心，将三维模型平移至以三维模型的中心为原点的坐标系上；
步骤1-1-2，通过PCA(Principal Component Analysis，主成成分分析)方法计算三维模型的主轴方向（一般是通过文献“Pearson K. On lines and planes of closestfit to systems of points in space[J]. Philosophical Magazine, 1901, 2(6):559-572”提出的PCA方法计算模型的主轴方向）；
步骤1-1-3，将各个三维模型通过PCA方法得到的主轴正方向调整至与坐标系的z轴正方向一致。
步骤1-2包括：
将同类三维模型按统一的标准分割为两个以上语义部件（以人体模型为例，可统一分割为头部、双手、双脚、躯干四个部件，其他类别模型保持标准统一的分割方式即可），同类三维模型拥有相同的语义部件个数以及相同的语义标签。
步骤2包括：
步骤2-1，获取三维模型的视角标定序列；
步骤2-2，学习三维模型的最优视角角度；
步骤2-3，设计三维模型视角的权重函数；
步骤2-4，学习三维模型视角的最优权重配置。
步骤2-1包括：
步骤2-1-1，对于任一类的三维模型，选出其中n个三维模型作为训练模型集合m={m 1 ,m 2 ,…,m n }，其中m n 表示第n个三维模型；计算各训练模型顶点两两之间的距离，选择最长的顶点之间的距离记为R max ，生成包围模型的正20面体，正20面体中心与坐标原点重合，正20面体中心到顶点的距离为R max ；
步骤2-1-2，计算各三角面重心所在半径与正20面体各顶点所在球面的交点，所求交点与正20面体各顶点形成候选视角所在位置的集合，共32个，记为
Figure 741104DEST_PATH_IMAGE001
；
步骤2-1-3，对每个训练模型生成各视角所见的模型视图；
步骤2-1-4，对各训练模型的模型视图集合进行排序，计算各视角与模型主轴方向的夹角θ作为排序依据，θ越接近45°则排序越靠前，所得n个排序序列即为训练模型候选视角的标定排序序列。
步骤2-2包括以下步骤：
步骤2-2-1，n个训练模型的标定排序序列中，排在首位的视角即为模型的最优视角，排在首位的视角形成训练模型的最优视角集合v_best={v best1 , v best1 ,…,v bestn }，其中v bestn 表示第n个训练模型的最优视角；各最优视角一一对应着从坐标原点到视点所在位置的向量，计算集合v_best中第i个最优视角对应向量v besti 与模型竖直方向向量n的夹角d i ，形成最优视角角度集合degree={ d 1 , d 2 ,…, d n }，其中i取值为1~n；
步骤2-2-2，使用k-means方法对集合degree进行聚类，将各最优视角角度根据角度之间的距离|d besti - d bestj |进行聚类，计算各聚类中心，将类中心之间距离小于所设定阈值的类再次进行聚类，重复这一操作直到不能再进行进一步聚类，并计算最终所得各聚类中心的最优视角角度作为模型的最优视角角度集合，记为degree_best={d best1 ,d best2 ,…,d bestm }，m为最终的聚类个数，d besti 表示第i个聚类中心的最优视角角度。
步骤2-3包括以下步骤：
步骤2-3-1，计算三维模型分段可见性：
Figure 463072DEST_PATH_IMAGE002
其中
Figure 749697DEST_PATH_IMAGE003
为从视角v可见的分段s的顶点数，
Figure 171713DEST_PATH_IMAGE004
为分段s的总顶点数；
计算分段相关性
Figure 518381DEST_PATH_IMAGE005
：
Figure 727645DEST_PATH_IMAGE006
其中
Figure 817961DEST_PATH_IMAGE007
为分段s的表面积，
Figure 563325DEST_PATH_IMAGE008
为模型的M的总表面积；
步骤2-3-2，计算三维模型分段数目可见性
Figure 815315DEST_PATH_IMAGE009
：
Figure 449559DEST_PATH_IMAGE010
其中
Figure 77986DEST_PATH_IMAGE011
为从视角v可见的分段数目，N为模型分段总数目；
步骤2-3-3，对于模型的候选视角v，计算视角对应的向量与模型竖直方向的夹角d v ；选择模型对应的degree_best集合中与d v 最接近的角度d besti ，候选视角v的亲和度
Figure 176392DEST_PATH_IMAGE012
定义为：
Figure 100748DEST_PATH_IMAGE013
；
步骤2-3-4，将模型分段s i 的可见性与相关性的乘积
Figure 346922DEST_PATH_IMAGE014
作为特征赋予权重
Figure 779040DEST_PATH_IMAGE015
，分段数目可见性赋予权重
Figure 466373DEST_PATH_IMAGE016
视角亲和性赋予权重
Figure 827210DEST_PATH_IMAGE017
，设计权重函数
Figure 170466DEST_PATH_IMAGE018
形式如下：
Figure 140697DEST_PATH_IMAGE019
。
步骤2-4包括以下步骤：
步骤2-4-1，在权重空间随机选择k种（一般可取值10）权重配置，权重空间由各权重的不同组合构成；
步骤2-4-2，对每一个训练模型和每一种权重配置，使用权重函数
Figure 213695DEST_PATH_IMAGE018
计算各候选视角得分；
步骤2-4-3，根据得分，将候选视角进行从高到低排序，获得排序序列；
步骤2-4-4，将每一个训练模型的候选视角的排序序列与对应的标定序列计算距离，对于第i个视角
Figure 243968DEST_PATH_IMAGE020
，
Figure 700619DEST_PATH_IMAGE021
，设定
Figure 208961DEST_PATH_IMAGE020
在标定序列中所处的位置为
Figure 136465DEST_PATH_IMAGE022
，再计算得分所得的排序序列所处的位置为
Figure 9744DEST_PATH_IMAGE023
，两个位置之间的距离
Figure 389909DEST_PATH_IMAGE024
用下式表示：
Figure 468986DEST_PATH_IMAGE025
对每个视角都计算出对应的距离并相加，将和值作为标定序列和得分所得的排序序列之间的距离
Figure 516576DEST_PATH_IMAGE026
，如下式所示：
Figure 888652DEST_PATH_IMAGE027
；
步骤2-4-5，将每一种权重配置下，各训练模型的视角排序距离求和，选出距离之和最小的权重配置；
步骤2-4-6，在距离之和最小的权重配置临近的权重空间内继续随机选取k种权重配置，迭代上述过程，直到达到迭代终止条件，迭代终止条件为以下三种的任一种：
序列距离已达到所设定的阈值；
一轮迭代下已经无法再获得更优的解，即更小的序列距离之和；
迭代次数达到设定的上限；
步骤2-4-7，迭代过程结束后，得到三维模型最优的权重配置。
步骤3包括：对于其他已经过预处理的非训练三维模型，对各候选视角提取特征，通过权重函数对候选视角打分，选择得分最高的视角作为最优视角。
本发明设计了一种对候选最优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能够看到三维模型尽可能多的几何特征，即信息量较大，同时也考虑了所选视角的亲和舒适性，尽量接近人们观察物体常用的视角；另外本发明采用粒子群优化方法对模型进行分类别学习，获取最适合于该类模型的权重值，从而获取权重函数中各个特征的权重配置。利用权重函数对模型各个候选视角进行打分，得分最高的视角即为最优视角。
有益效果：本发明是一种通用的最优视角选择方法，可以适用于多种类别的三维模型；其次，本发明对三维模型库的大小没有严格的要求，不同大小的模型库均可获得较理想的视角选择结果；最后，本发明得到的最优视角很符合多数人倾向的观察视角。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明的处理流程示意图。
图2是本发明模型标准化分割示意图。
图3是三维模型候选视角示意图。
图4a是实施例的输入模型集示例示意图。
图4b是实施例的输入模型集示例示意图。
图4c是实施例的输入模型集示例示意图。
图5a是对三维模型提取得到的最优视角的示意图。
图5b是对三维模型提取得到的最优视角的示意图。
图5c是对三维模型提取得到的最优视角的示意图。
具体实施方式
如图1所示，本发明公开的一种采用粒子群优化的三维模型最优视角选择方法，具体包括以下步骤：
步骤1，三维模型集预处理：对已分类的三维模型集进行预处理以减少三维模型不同姿态和同类模型非标准化分割的影响，包括姿态校正和标准化分割两个步骤。
步骤2，学习最优权重配置：对每一类模型取出部分模型作为训练数据，提取特征，并通过学习方法获得每一类模型最优的权重配置，包括获取视角标定序列，学习最优视角角度，设计权重函数和学习最优权重配置四个步骤。
步骤3，选择最优视角：对于其他已经过预处理非训练模型，通过权重函数对候选视角打分，选择得分最高的视角作为最优视角。
本发明的输入三维模型集为已分好类的三维模型集合。
下面具体介绍各个步骤的主要流程：
（1）三维模型集预处理
三维模型集预处理：对已分类的三维模型集进行预处理以减少三维模型不同姿态和同类模型非标准化分割的影响，包括姿态校正和标准化分割两个步骤。
1.1姿态校正
姿态校正过程调整三维模型的坐标系，将三维模型的姿态校正为直立状态，减少三维模型不同姿态的影响。过程如下：
步骤1-1-1，计算三维模型的中心，将三维模型平移至以该模型的中心为原点的坐标系上；
步骤1-1-2，通过PCA方法计算模型的主轴方向；
步骤1-1-3，将各个模型通过PCA方法得到的主轴正方向调整至与坐标系的z轴正方向一致。
1.2标准化分割
标准化分割：将同一类模型按照统一的标准进行分割，减少分割结果不统一造成的影响。过程如下：
将同类模型按统一的标准分割为多个语义部件，同类模型拥有相同的语义部件个数以及相同的语义标签。
（2）学习最优权重配置
学习最优权重配置：对每一类模型取出部分模型作为训练数据，提取特征，并通过学习方法获得每一类模型最优的权重配置，包括获取视角标定序列，学习最优视角角度，设计权重函数和学习最优权重配置四个步骤。
2.1获取视角标定序列
获取视角标定序列是在候选视角采样的基础上，对训练模型的候选视角进行排序，作为标定的视角排序序列。过程如下：
步骤2-1-1，对于某类模型，选出n个模型作为训练模型集合记为m={m 1 ,m 2 ,…,m n }；计算各训练模型顶点两两之间的距离，选择最长的顶点之间的距离记为R max ，生成包围模型的正20面体，体中心与坐标原点重合，体中心到顶点的距离为R max 。
步骤2-1-2，计算各三角面重心所在半径与正20面体各顶点所在球面的交点。所求交点与正20面体各顶点形成候选视角所在位置的集合，共32个，记为
Figure 756114DEST_PATH_IMAGE001
；
步骤2-1-3，对每个训练模型生成各视角所见的模型视图。
步骤2-1-4，对各训练模型的视图集合进行排序，计算各视角与模型主轴方向的夹角θ作为排序依据，θ越接近45°则排序越靠前。
步骤2-1-5，所得n个排序序列即为训练模型候选视角的标定序列。
2.2学习最优视角角度
学习最优视角角度是在获得排序的基础上，获得观察该类模型时更为倾向的视角角度。过程如下：
步骤2-2-1，n个训练模型的标定排序序列中，排在首位的视角即为该模型的最优视角，排在首位的视角形成训练模型的最优视角集合v_best={v best1 , v best1 ,…,v bestn }；各视角一一对应着从坐标原点到视点所在位置的向量，计算集合v_best中各视角对应向量v besti 与模型竖直方向向量n的夹角d i ，形成最优视角角度集合degree={ d 1 , d 2 ,…, d n }。
步骤2-2-2，使用k-means方法对集合degree进行聚类，将各最优视角角度根据角度之间的距离|d besti - d bestj |进行聚类。距离的阈值和聚类个数可进行设定，一般可设定阈值为10，聚类个数5；计算各聚类中心，将类中心之间距离小于所设定阈值的类再次进行聚类；重复这一操作直到不能再进行进一步聚类，并计算最终所得各聚类中心的最优视角角度作为该类模型的最优视角角度集合，记为degree_best={d best1 ,d best2 ,…,d bestm }。m为最终的聚类个数。
2.3设计权重函数
设计权重函数主要是选择视角特征，并对特征赋予权重，通过设计函数来衡量一个视角的质量。过程如下：
步骤2-3-1，采用文献“Michela M, Michela S. Semantics-driven best viewof 3D shapes. Computers & Graphics 33 (2009) 280–290”中提出的分段可见性（feature visibility），分段相关性（feature relevance）作为视角特征。分段可见性为模型在某一视角下各分段可见顶点数目与该分段所有顶点数之比：
Figure 170040DEST_PATH_IMAGE002
Figure 806558DEST_PATH_IMAGE003
为从视角v可见的分段s的顶点数，
Figure 349534DEST_PATH_IMAGE004
为分段s的总顶点数；分段相关性为模型各分段表面积与模型总表面积之比：
Figure 376396DEST_PATH_IMAGE006
Figure 30231DEST_PATH_IMAGE007
为分段s的表面积，
Figure 73319DEST_PATH_IMAGE008
为模型的M的总表面积。
步骤2-3-2，采用分段数目可见性作为视角特征。分段数目可见性为模型在某视角下可见的分段数目与总分段数目之比：
Figure 521618DEST_PATH_IMAGE010
Figure 301355DEST_PATH_IMAGE011
为从视角v可见的分段数目，N为模型分段总数目。
步骤2-3-3，采用视角亲和度作为视角特征。对于某个模型的某候选视角v，计算该视角对应的向量与模型竖直方向的夹角d v ；选择该类模型对应的degree_best集合中与d v 最接近的角度d besti ，候选视角v的亲和度定义为：
Figure 493302DEST_PATH_IMAGE013
步骤2-3-4，步骤2-3-4，将模型分段s i 的可见性与相关性的乘积
Figure 901149DEST_PATH_IMAGE014
作为特征赋予权重
Figure 552973DEST_PATH_IMAGE015
，分段数目可见性赋予权重
Figure 616744DEST_PATH_IMAGE016
视角亲和性赋予权重
Figure 550065DEST_PATH_IMAGE017
，设计权重函数
Figure 750102DEST_PATH_IMAGE018
形式如下：
Figure 868099DEST_PATH_IMAGE019
。
2.4学习最优权重配置
学习最优权重配置通过粒子群优化算法来获得权重函数中各类模型各特征的最优权重配置。过程如下：
步骤2-4-1，在权重空间随机选择k种权重配置。
步骤2-4-2，对每一个训练模型和每一种权重配置，使用权重函数计算各候选视角得分。
步骤2-4-3，根据得分，将候选视角进行从高到低排序，获得排序序列。
步骤2-4-4，将每一个训练模型的候选视角的排序序列与对应的标定序列计算距离，对于第i个视角
Figure 389473DEST_PATH_IMAGE020
，
Figure 985539DEST_PATH_IMAGE021
，设定
Figure 571241DEST_PATH_IMAGE020
在标定序列中所处的位置为
Figure 797823DEST_PATH_IMAGE022
，再计算得分所得的排序序列所处的位置为
Figure 337651DEST_PATH_IMAGE023
，两个位置之间的距离
Figure 612775DEST_PATH_IMAGE024
用下式表示：
Figure 52983DEST_PATH_IMAGE025
对每个视角都计算出对应的距离并相加，将和值作为两个序列之间的距离，如下式所示：
Figure 247204DEST_PATH_IMAGE027
；
步骤2-4-5，将每一种权重配置下，各训练模型的视角排序距离求和，选出距离之和最小的权重配置；
步骤2-4-6，在距离之和最小的权重配置临近的权重空间内继续随机选取k种权重配置，迭代上述过程，直到达到迭代终止条件，迭代终止条件为：（1）序列距离已达到所设定的阈值，该阈值可根据具体情况设定；（2）某一轮迭代下已经无法再获得更优的解，即更小的序列距离之和；（3）迭代次数达到设定的上限。
步骤2-4-7，迭代过程结束后，可得到该类模型最优的权重配置。
（3）选择最优视角
最优视角选择：对于其他已经过预处理非训练模型，对各候选视角提取特征，通过权重函数对候选视角打分，选择得分最高的视角作为最优视角。
实施例
本实施例中，如图4a、图4b、4c所示为输入的模型集合，通过本发明所述的三维模型最优视角选择方法，可以得到图5a、图5b、5c中每个三维模型的最优视角选择结果。具体实施过程如下：
步骤1中，对已分类的三维模型集经过姿态校正和标准化分割后，得到姿态一致且同类模型分割标准一致的三维模型集合，模型分割结果如图2所示
步骤2中，对每一类模型取出部分模型作为训练数据，通过包围模型的正20面体进行视角采样，采样结果如图3所示；通过采样所得的候选视角进行排序，作为标定的视角排序序列；对各训练模型的视角标定序列的首位视角对应的向量与模型竖直方向夹角的集合进行聚类，得到该类模型的最优视角角度；提取视角特征，并对特征赋予权重，通过设计函数来衡量一个视角的质量；通过粒子群优化算法来学习出权重函数中各类模型各特征的最优权重配置。
步骤3中，对于已经过预处理的非训练模型，经过视角采样，提取特征，通过权重函数对各候选视角进行打分，得分最高的视角即选为最优视角，最优视角选择结果如图5a、图5b、5c所示。
具体实现中，本申请提供计算机存储介质以及对应的数据处理单元，其中，该计算机存储介质能够存储计算机程序，所述计算机程序通过数据处理单元执行时可运行本发明提供的一种采用粒子群优化的三维模型最优视角选择方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体（read-only memory，ROM）或随机存储记忆体（random access memory，RAM）等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来，该计算机程序软件产品可以存储在存储介质中，包括若干指令用以使得一台包含数据处理单元的设备（可以是个人计算机，服务器，单片机。MUU或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。
本发明提供了一种采用粒子群优化的三维模型最优视角选择方法，具体实现该技术方案的方法和途径很多，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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (7)

1.一种采用粒子群优化的三维模型最优视角选择方法，其特征在于，包括以下步骤：
步骤1，对已分类的三维模型集进行预处理，所述三维模型集中包含有三维数字几何模型数据，包括：
步骤1-1，对三维模型数据进行姿态校正；
步骤1-2，对三维模型数据进行标准化分割；
步骤2，基于预处理后的三维模型集，学习最优权重配置，包括：
步骤2-1，获取三维模型的视角标定序列；
步骤2-2，学习三维模型的最优视角角度；
步骤2-3，设计三维模型视角的权重函数；
步骤2-4，学习三维模型视角的最优权重配置；
步骤3，对三维模型选择最优视角，包括：对于其他已经过预处理的非训练三维模型，对各候选视角提取特征，通过权重函数对候选视角打分，选择得分最高的视角作为最优视角。
2.根据权利要求1所述的方法，其特征在于，步骤1-1包括以下步骤：
步骤1-1-1，计算三维模型的中心，将三维模型平移至以三维模型的中心为原点的坐标系上；
步骤1-1-2，通过PCA主成成分分析方法计算三维模型的主轴方向；
步骤1-1-3，将各个三维模型通过PCA方法得到的主轴正方向调整至与坐标系的z轴正方向一致。
3.根据权利要求2所述的方法，其特征在于，步骤1-2包括：
将同类三维模型按统一的标准分割为两个以上语义部件，同类三维模型拥有相同的语义部件个数以及相同的语义标签。
4.根据权利要求3所述的方法，其特征在于，步骤2-1包括：
步骤2-1-1，对于任一类的三维模型，选出其中n个三维模型作为训练模型集合m={m 1 ,m 2 ,…,m n }，其中m n 表示第n个三维模型；计算各训练模型顶点两两之间的距离，选择最长的顶点之间的距离记为R max ，生成包围模型的正20面体，正20面体中心与坐标原点重合，正20面体中心到顶点的距离为R max ；
步骤2-1-2，计算各三角面重心所在半径与正20面体各顶点所在球面的交点，所求交点与正20面体各顶点形成候选视角所在位置的集合，共32个，记为
Figure 75237DEST_PATH_IMAGE001
；
步骤2-1-3，对每个训练模型生成各视角所见的模型视图；
步骤2-1-4，对各训练模型的模型视图集合进行排序，所得n个排序序列即为训练模型候选视角的标定排序序列。
5.根据权利要求4所述的方法，其特征在于，步骤2-2包括以下步骤：
步骤2-2-1，n个训练模型的标定排序序列中，排在首位的视角即为模型的最优视角，排在首位的视角形成训练模型的最优视角集合v_best={v best1 , v best1 ,…,v bestn }，其中v bestn 表示第n个训练模型的最优视角；各最优视角一一对应着从坐标原点到视点所在位置的向量，计算集合v_best中第i个最优视角对应向量v besti 与模型竖直方向向量n的夹角d i ，形成最优视角角度集合degree={ d 1 , d 2 ,…, d n }，其中i取值为1~n；
步骤2-2-2，使用k-means方法对集合degree进行聚类，将各最优视角角度根据角度之间的距离|d besti - d bestj |进行聚类，计算各聚类中心，将类中心之间距离小于所设定阈值的类再次进行聚类，重复这一操作直到不能再进行进一步聚类，并计算最终所得各聚类中心的最优视角角度作为模型的最优视角角度集合，记为degree_best={d best1 ,d best2 ,…,d bestm }，m为最终的聚类个数，d besti 表示第i个聚类中心的最优视角角度。
6.根据权利要求5所述的方法，其特征在于，步骤2-3包括以下步骤：
步骤2-3-1，计算三维模型分段可见性：
Figure 54695DEST_PATH_IMAGE002
其中
Figure 896749DEST_PATH_IMAGE003
为从视角v可见的分段s的顶点数，
Figure 121319DEST_PATH_IMAGE004
为分段s的总顶点数；
计算分段相关性
Figure 998008DEST_PATH_IMAGE005
：
Figure 882788DEST_PATH_IMAGE006
其中
Figure 212138DEST_PATH_IMAGE007
为分段s的表面积，
Figure 709240DEST_PATH_IMAGE008
为模型的M的总表面积；
步骤2-3-2，计算三维模型分段数目可见性
Figure 440436DEST_PATH_IMAGE009
：
Figure 292854DEST_PATH_IMAGE010
其中
Figure 109501DEST_PATH_IMAGE011
为从视角v可见的分段数目，N为模型分段总数目；
步骤2-3-3，对于模型的候选视角v，计算视角对应的向量与模型竖直方向的夹角d v ；选择模型对应的degree_best集合中与d v 最接近的角度d besti ，候选视角v的亲和度
Figure 144715DEST_PATH_IMAGE012
定义为：
Figure 730417DEST_PATH_IMAGE013
；
步骤2-3-4，将模型分段s i 的可见性与相关性的乘积
Figure 894682DEST_PATH_IMAGE014
作为特征赋予权重
Figure 933045DEST_PATH_IMAGE015
，分段数目可见性赋予权重
Figure 270486DEST_PATH_IMAGE016
视角亲和性赋予权重
Figure 477739DEST_PATH_IMAGE017
，设计权重函数
Figure 671960DEST_PATH_IMAGE018
形式如下：
Figure 197619DEST_PATH_IMAGE019
。
7.根据权利要求6所述的方法，其特征在于，步骤2-4包括以下步骤：
步骤2-4-1，在权重空间随机选择k种权重配置；
步骤2-4-2，对每一个训练模型和每一种权重配置，使用权重函数
Figure 338750DEST_PATH_IMAGE018
计算各候选视角得分；
步骤2-4-3，根据得分，将候选视角进行从高到低排序，获得排序序列；
步骤2-4-4，将每一个训练模型的候选视角的排序序列与对应的标定序列计算距离，对于第i个视角
Figure 400509DEST_PATH_IMAGE020
，
Figure 234473DEST_PATH_IMAGE021
，设定
Figure 247428DEST_PATH_IMAGE020
在标定序列中所处的位置为
Figure 192251DEST_PATH_IMAGE022
，再计算得分所得的排序序列所处的位置为
Figure 108516DEST_PATH_IMAGE023
，两个位置之间的距离
Figure 785485DEST_PATH_IMAGE024
用下式表示：
Figure 20158DEST_PATH_IMAGE025
对每个视角都计算出对应的距离并相加，将和值作为标定序列和得分所得的排序序列之间的距离
Figure 503092DEST_PATH_IMAGE026
，如下式所示：
Figure 834716DEST_PATH_IMAGE027
；
步骤2-4-5，将每一种权重配置下，各训练模型的视角排序距离求和，选出距离之和最小的权重配置；
步骤2-4-6，在距离之和最小的权重配置临近的权重空间内继续随机选取k种权重配置，迭代上述过程，直到达到迭代终止条件，迭代终止条件为以下三种的任一种：
序列距离已达到所设定的阈值；
一轮迭代下已经无法再获得更优的解，即更小的序列距离之和；
迭代次数达到设定的上限；
步骤2-4-7，迭代过程结束后，得到三维模型最优的权重配置。
CN202211419177.6A 2022-11-14 2022-11-14 一种采用粒子群优化的三维模型最优视角选择方法 Pending CN115471642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211419177.6A CN115471642A (zh) 2022-11-14 2022-11-14 一种采用粒子群优化的三维模型最优视角选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211419177.6A CN115471642A (zh) 2022-11-14 2022-11-14 一种采用粒子群优化的三维模型最优视角选择方法

Publications (1)

Publication Number Publication Date
CN115471642A true CN115471642A (zh) 2022-12-13

Family

ID=84338061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211419177.6A Pending CN115471642A (zh) 2022-11-14 2022-11-14 一种采用粒子群优化的三维模型最优视角选择方法

Country Status (1)

Country Link
CN (1) CN115471642A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295025A (zh) * 2013-05-03 2013-09-11 南京大学 一种三维模型最优视图的自动选择方法
CN104182765A (zh) * 2014-08-21 2014-12-03 南京大学 一种互联网图像驱动的三维模型最优视图自动选择方法
CN114627263A (zh) * 2022-05-13 2022-06-14 南京信息工程大学 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295025A (zh) * 2013-05-03 2013-09-11 南京大学 一种三维模型最优视图的自动选择方法
CN104182765A (zh) * 2014-08-21 2014-12-03 南京大学 一种互联网图像驱动的三维模型最优视图自动选择方法
CN114627263A (zh) * 2022-05-13 2022-06-14 南京信息工程大学 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张晔嘉 等: "三维模型最优视角选择的粒子群优化方法", 《计算机辅助设计与图形学学报》 *
张晔嘉: "军事信息系统中数字几何模型缩略图视角选择方法", 《电子质量》 *

Similar Documents

Publication Publication Date Title
Hong et al. Multi-view object retrieval via multi-scale topic models
Shilane et al. Distinctive regions of 3D surfaces
Bai et al. Shape vocabulary: A robust and efficient shape representation for shape matching
CN107742102B (zh) 一种基于深度传感器的手势识别方法
Kazmi et al. A survey of 2D and 3D shape descriptors
Bustos et al. Feature-based similarity search in 3D object databases
Kim et al. Blended intrinsic maps
Elad et al. On bending invariant signatures for surfaces
Bustos et al. An experimental effectiveness comparison of methods for 3D similarity search
Lu et al. 3D model retrieval and classification by semi-supervised learning with content-based similarity
Lu et al. Learning view-model joint relevance for 3D object retrieval
Daras et al. Investigating the effects of multiple factors towards more accurate 3-D object retrieval
Liu et al. Shape context based mesh saliency detection and its applications: A survey
Akgül et al. Density-based 3D shape descriptors
Atmosukarto et al. 3D object retrieval using salient views
CN109948662B (zh) 一种基于K-means和MMD的人脸图像深度聚类方法
CN111597367B (zh) 基于视图和哈希算法的三维模型检索方法
Godil et al. SHREC'09 Track: Generic shape retrieval.
Zou et al. A 3D model feature extraction method using curvature-based shape distribution
CN115471642A (zh) 一种采用粒子群优化的三维模型最优视角选择方法
Limberger et al. Shrec'17 track: Point-cloud shape retrieval of non-rigid toys
Guan et al. View-based 3D model retrieval by joint subgraph learning and matching
CN109272013B (zh) 基于学习的相似性度量方法
Niu et al. Mathematical methods for shape analysis and form comparison in 3D anthropometry: a literature review
CN106845543B (zh) 一种基于特征匹配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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20221213