CN116226426B - 基于形状的三维模型检索方法、计算机设备和存储介质 - Google Patents

基于形状的三维模型检索方法、计算机设备和存储介质 Download PDF

Info

Publication number
CN116226426B
CN116226426B CN202310511674.7A CN202310511674A CN116226426B CN 116226426 B CN116226426 B CN 116226426B CN 202310511674 A CN202310511674 A CN 202310511674A CN 116226426 B CN116226426 B CN 116226426B
Authority
CN
China
Prior art keywords
dimensional model
candidate
vertex
shape
information
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
Application number
CN202310511674.7A
Other languages
English (en)
Other versions
CN116226426A (zh
Inventor
罗除
骆阳林
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.)
Shenzhen Kaihong Digital Industry Development Co Ltd
Original Assignee
Shenzhen Kaihong Digital Industry Development Co Ltd
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 Shenzhen Kaihong Digital Industry Development Co Ltd filed Critical Shenzhen Kaihong Digital Industry Development Co Ltd
Priority to CN202310511674.7A priority Critical patent/CN116226426B/zh
Publication of CN116226426A publication Critical patent/CN116226426A/zh
Application granted granted Critical
Publication of CN116226426B publication Critical patent/CN116226426B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请涉及模型检索领域，特别涉及一种基于形状的三维模型检索方法、设备和存储介质，该方法包括：确定源三维模型和至少一个候选三维模型；对源三维模型的第一顶点集合与第一平面集合进行特征提取，获得第一形状特征信息；对每个候选三维模型的第二顶点集合与第二平面集合进行特征提取，获得每个候选三维模型的第二形状特征信息；对第一形状特征信息与每个候选三维模型的第二形状特征信息进行形状匹配，获得每个候选三维模型对应的形状匹配结果；根据每个候选三维模型对应的形状匹配结果，确定目标三维模型。上述方法通过根据三维模型的顶点和平面进行三维模型检索，计算复杂度低，无需人工调试，可以有效提高三维模型检索的效率和降低成本。

Description

基于形状的三维模型检索方法、计算机设备和存储介质
技术领域
本申请涉及模型检索领域，尤其涉及一种基于形状的三维模型检索方法、计算机设备和计算机可读存储介质。
背景技术
目前，很多行业都使用三维成像技术，如激光雷达、毫米波雷达、深度相机以及双目立体视觉等三维成像技术。因此，在三维成像和建模过程之后，需要检测当前三维模型与其它三维模型的形状是否相似是很有意义的。在相关技术中，判断两个三维模型的形状是否匹配需要依赖特定的计算环境，如硬件方面的人工智能芯片与软件方面的信号滤波、深度学习框架。这些技术的配置、开发和实施过程都很复杂，需要人工调试，效率低而且成本高。
因此，如何提高检索三维模型的效率和降低成本成为亟需解决的问题。
发明内容
本申请提供了一种基于形状的三维模型检索方法、计算机设备和计算机可读存储介质，解决了相关技术判断两个三维模型的形状是否匹配需要依赖特定的计算环境，导致效率低和成本高的问题。
第一方面，本申请提供了一种基于形状的三维模型检索方法，所述方法包括：
确定待检索的源三维模型和至少一个候选三维模型；对所述源三维模型的第一顶点集合与第一平面集合进行特征提取，获得所述源三维模型的第一形状特征信息；对每个所述候选三维模型的第二顶点集合与第二平面集合进行特征提取，获得每个所述候选三维模型的第二形状特征信息；对所述第一形状特征信息与每个所述候选三维模型的所述第二形状特征信息进行形状匹配，获得每个所述候选三维模型对应的形状匹配结果；根据每个所述候选三维模型对应的形状匹配结果，确定所述源三维模型对应的目标三维模型。
上述方法，通过对三维模型的顶点集合与平面集合进行特征提取，并基于得到的形状特征信息进行形状匹配，可以实现基于三维模型的顶点和平面进行三维模型检索，计算复杂度低，无需人工调试，可以有效提高三维模型检索的效率和降低成本。
第二方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的基于形状的三维模型检索方法。
第三方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的基于形状的三维模型检索方法。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请实施例提供的一种计算机设备的结构示意图；
图2是本申请实施例提供的一种基于形状的三维模型检索方法的示意性流程图；
图3是本申请实施例提供的一种特征提取的示意性流程图；
图4是本申请实施例提供的一种计算顶间距离的子步骤的示意性流程图；
图5是本申请实施例提供的一种计算顶心距离的示意性流程图；
图6是本申请实施例提供的一种计算顶心距离的子步骤的示意性流程图；
图7是本申请实施例提供的一种计算平面方向的子步骤的示意性流程图；
图8是本申请实施例提供的另一种特征提取的子步骤的示意性流程图；
图9是本申请实施例提供的一种形状匹配的子步骤的示意性流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请的实施例提供了一种基于形状的三维模型检索方法、计算机设备和计算机可读存储介质。该基于形状的三维模型检索方法应用于计算机设备，通过根据三维模型的顶点和平面进行三维模型检索，计算复杂度低，无需人工调试，可以有效提高三维模型检索的效率和降低成本。
示例性的，计算机设备可以是服务器或终端。其中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑和台式电脑等电子设备。
请参阅图1，图1是本申请实施例提供的一种计算机设备1000的结构示意图。计算机设备可以包括处理器1001和存储器1002，其中处理器1001以及存储器1002可以通过总线连接，该总线比如为I2C（Inter-integrated Circuit，集成电路）总线等任意适用的总线。
其中，存储器1002可以包括存储介质和内存储器。存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器1001执行任意一种基于形状的三维模型检索方法。
其中，处理器1001用于提供计算和控制能力，支撑整个计算机设备1000的运行。
其中，处理器1001可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，处理器1001用于运行存储在存储器1002中的计算机程序，以实现如下步骤：
确定待检索的源三维模型和至少一个候选三维模型；对源三维模型的第一顶点集合与第一平面集合进行特征提取，获得源三维模型的第一形状特征信息；对每个候选三维模型的第二顶点集合与第二平面集合进行特征提取，获得每个候选三维模型的第二形状特征信息；对第一形状特征信息与每个候选三维模型的第二形状特征信息进行形状匹配，获得每个候选三维模型对应的形状匹配结果；根据每个候选三维模型对应的形状匹配结果，确定源三维模型对应的目标三维模型。
在一个实施例中，处理器1001在实现对源三维模型的第一顶点集合与第一平面集合进行特征提取，获得源三维模型的第一形状特征信息时，用于实现：
对第一顶点集合进行顶间距离计算，获得源三维模型对应的顶间距离信息；对第一顶点集合进行顶心距离计算，获得源三维模型对应的顶心距离信息；对第一平面集合进行平面方向计算，获得源三维模型对应的平面方向信息；根据源三维模型对应的顶间距离信息、顶心距离信息以及平面方向信息，确定第一形状特征信息。
在一个实施例中，第一顶点集合包括源三维模型的多个顶点；处理器1001在实现对第一顶点集合进行顶间距离计算，获得源三维模型对应的顶间距离信息时，用于实现：
对第一顶点集合中的每两个顶点进行距离计算，获得第一顶点集合的多个初始顶间距离；对多个初始顶间距离进行归一化处理，获得第一顶点集合的多个目标顶间距离；对多个目标顶间距离进行分布概率统计，获得第一顶点集合的顶间距离分布概率；根据顶间距离分布概率，确定顶间距离信息。
在一个实施例中，处理器1001在实现对第一顶点集合进行顶心距离计算，获得源三维模型对应的顶心距离信息时，用于实现：
确定源三维模型的模型中心点；对第一顶点集合中的每个顶点与模型中心点进行顶心距离计算，获得顶心距离信息。
在一个实施例中，顶点包括三维坐标；处理器1001在实现确定源三维模型的模型中心点时，用于实现：
对第一顶点集合中的全部顶点的三维坐标进行均值计算，获得三维坐标均值；根据三维坐标均值，确定模型中心点。
在一个实施例中，处理器1001在实现对第一顶点集合中的每个顶点与模型中心点进行顶心距离计算，获得顶心距离信息时，用于实现：
对第一顶点集合中的每个顶点与模型中心点进行顶心距离计算，获得第一顶点集合的多个初始顶心距离；对多个初始顶心距离进行归一化处理，获得第一顶点集合的多个目标顶心距离；对多个目标顶心距离进行分布概率统计，获得第一顶点集合的顶心距离分布概率；根据顶心距离分布概率，确定顶心距离信息。
在一个实施例中，第一平面集合包括源三维模型的多个平面；处理器1001在实现对第一平面集合进行平面方向计算，获得源三维模型对应的平面方向信息时，用于实现：
确定每个平面的法向量；确定每个平面的中心点向量，中心点向量为每个平面的中心点到源三维模型的模型中心点的向量；根据每个平面的法向量与中心点向量，确定每个平面的平面方向角；根据每个平面的平面方向角，确定平面方向信息。
在一个实施例中，处理器1001在实现对每个候选三维模型的第二顶点集合与第二平面集合进行特征提取，获得每个候选三维模型的第二形状特征信息时，用于实现：
对每个候选三维模型的第二顶点集合进行顶间距离计算，获得每个候选三维模型的对应的顶间距离信息；对每个候选三维模型的第二顶点集合进行顶心距离计算，获得每个候选三维模型的对应的顶心距离信息；对每个候选三维模型的第二平面集合进行平面方向计算，获得每个候选三维模型的对应的平面方向信息；根据每个候选三维模型对应的顶间距离信息、顶心距离信息以及平面方向信息，确定每个候选三维模型的第二形状特征信息。
在一个实施例中，处理器1001在实现对第一形状特征信息与每个候选三维模型的第二形状特征信息进行形状匹配，获得每个候选三维模型对应的形状匹配结果时，用于实现：
对第一形状特征信息与每个候选三维模型的第二形状特征信息进行特征偏差计算，获得每个候选三维模型的特征偏差总值；根据每个候选三维模型的特征偏差总值，确定每个候选三维模型与源三维模型之间的形状匹配度；根据形状匹配度，确定每个候选三维模型对应的形状匹配结果。
在一个实施例中，第一形状特征信息包括顶间距离信息、顶心距离信息以及平面方向信息，第二形状特征信息包括顶间距离信息、顶心距离信息以及平面方向信息；处理器1001在实现对第一形状特征信息与每个候选三维模型的第二形状特征信息进行特征偏差计算，获得每个候选三维模型的特征偏差总值时，用于实现：
将第一形状特征信息中的顶间距离信息与每个候选三维模型的第二形状特征信息中的顶间距离信息进行相减取绝对值，获得每个候选三维模型的第一特征偏差值；将第一形状特征信息中的顶心距离信息与每个候选三维模型的第二形状特征信息中的顶心距离信息进行相减取绝对值，获得每个候选三维模型的第二特征偏差值；将第一形状特征信息中的平面方向信息与每个候选三维模型的第二形状特征信息中的平面方向信息进行相减取绝对值，获得每个候选三维模型的第三特征偏差值；对每个候选三维模型的第一特征偏差值、第二特征偏差值以及第三特征偏差值取平均值，获得每个候选三维模型的特征偏差总值。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。请参阅图2，图2是本申请实施例提供的一种基于形状的三维模型检索方法的示意性流程图。如图2所示，基于形状的三维模型检索方法，可以包括步骤S101至步骤S105。
步骤S101、确定待检索的源三维模型和至少一个候选三维模型。
示例性的，在进行三维模型检索时，需要先确定待检索的源三维模型以及确定至少一个候选三维模型。
示例性的，可以根据用户的选择操作，确定待检索的源三维模型。在确定源三维模型之后，可以从三维模型数据库中获取多个候选三维模型。需要说明的是，在三维模型检索场景中，用户可以在计算机设备的检索界面上选择需要检索的三维模型。
需要说明的是，在本申请实施例中，可以预先在三维模型数据库存储各种类型的三维模型。例如，三维模型数据库可以包括车辆自动驾驶传感系统对路面车辆的识别数据生成的三维模型、智能家居机器人在室内对不同的家具和电器的识别数据生成的三维模型等等。
步骤S102、对源三维模型的第一顶点集合与第一平面集合进行特征提取，获得源三维模型的第一形状特征信息。
示例性的，可以对源三维模型的第一顶点集合与第一平面集合进行特征提取，获得源三维模型的第一形状特征信息。
例如，在确定待检索的源三维模型之后，可以根据源三维模型的各个顶点，生成第一顶点集合，以及根据源三维模型的各个平面，生成第一平面集合。然后，对源三维模型的第一顶点集合与第一平面集合进行特征提取，得到第一形状特征信息。
示例性的，第一顶点集合可以包括源三维模型的多个顶点，第一平面集合可以包括源三维模型的多个平面，其中，每个顶点包括三维坐标，每个平面的每条边包括两个顶点。
在本申请实施例中，对于三维模型
Figure SMS_1
，可以定义为/>
Figure SMS_3
。其中，/>
Figure SMS_16
表示三维模型/>
Figure SMS_11
的编号，/>
Figure SMS_18
表示顶点集合，包括三维模型/>
Figure SMS_8
中的各顶点/>
Figure SMS_21
。对于顶点集合/>
Figure SMS_6
中的各顶点/>
Figure SMS_15
，可以定义为/>
Figure SMS_2
，其中，/>
Figure SMS_20
表示顶点的编号，/>
Figure SMS_5
表示顶点/>
Figure SMS_13
在三维坐标系中的三维坐标。/>
Figure SMS_4
表示平面集合，包括三维模型/>
Figure SMS_19
中的各个平面/>
Figure SMS_10
。当平面为三角平面时，平面集合/>
Figure SMS_22
可以包括各个平面的三个顶点。对于平面集合/>
Figure SMS_12
中的各个平面/>
Figure SMS_17
，可以定义为/>
Figure SMS_7
，其中，/>
Figure SMS_14
表示平面的编号，/>
Figure SMS_9
表示平面的三个顶点。
需要说明的是，在本申请实施例中，特征提取是指提取源三维模型对应的顶间距离信息、顶心距离信息以及平面方向信息等特征。其中，顶间距离是指源三维模型中的每两个顶点之间的距离值，顶心距离是指源三维模型的模型中心点与各个顶点之间的距离值，平面方向角是在源三维模型的各个平面相对于模型中心点的偏离角。
示例性的，可以计算第一顶点集合中的每两个顶点之间的顶间距离，根据顶间距离对应的分布概率生成顶间距离信息，计算第一顶点集合中的各顶点与模型中心点之间的顶心距离，根据顶心距离对应的分布概率生成顶心距离信息，以及计算第一平面集合中的各个平面相对于模型中心点的平面方向角，根据平面方向角对应的分布概率生成平面方向信息。然后，根据顶间距离信息、顶心距离信息以及平面方向信息，生成第一形状特征信息。
上述实施例，通过对源三维模型的第一顶点集合与第一平面集合进行特征提取，可以方便、快捷地获得源三维模型的第一形状特征信息，计算过程简单，无需人工调试，可以有效提高三维模型检索的效率和降低成本。
步骤S103、对每个候选三维模型的第二顶点集合与第二平面集合进行特征提取，获得每个候选三维模型的第二形状特征信息。
示例性的，在确定至少一个候选三维模型之后，可以对每个候选三维模型的第二顶点集合与第二平面集合进行特征提取，获得每个候选三维模型的第二形状特征信息。其中，对候选三维模型的第二顶点集合与第二平面集合进行特征提取的具体过程，与上述对源三维模型的第一顶点集合与第一平面集合进行特征提取的过程相似，在此不作赘述。
上述实施例，通过对每个候选三维模型的第二顶点集合与第二平面集合进行特征提取，可以方便、快捷地获得每个候选三维模型的第二形状特征信息，计算过程简单，无需人工调试，可以有效提高三维模型检索的效率和降低成本。
步骤S104、对第一形状特征信息与每个候选三维模型的第二形状特征信息进行形状匹配，获得每个候选三维模型对应的形状匹配结果。
示例性的，在获得源三维模型的第一形状特征信息和每个候选三维模型的第二形状特征信息之后，可以对第一形状特征信息与每个候选三维模型的第二形状特征信息进行形状匹配，得到每个候选三维模型对应的形状匹配结果。其中，形状匹配结果可以包括形状匹配度。
需要说明的是，形状匹配是指计算源三维模型与候选三维之间的形状的形状匹配度，根据形状匹配度判断两者是否相同或相似。示例性的，可以通过对第一形状特征信息与第二形状特征信息进行特征偏差计算，特征偏差总值越小，对应的形状匹配度越大，特征偏差总值越大，对应的形状匹配度越小。
其中，形状匹配度的取值范围为[0，1]。匹配程度值越高意味着两个三维模型的形状相似程度越高。当形状匹配度为1时，说明两个三维模型的形状完全匹配。当形状匹配度为0时，说明两个三维模型的形状完全不匹配。当形状匹配度在0和1之间时，说明两个三维模型的形状部分匹配。
上述实施例，通过对第一形状特征信息与每个候选三维模型的第二形状特征信息进行形状匹配，获得每个候选三维模型对应的形状匹配结果，形状匹配过程简单，计算复杂度低，可以有效提高了三维模型匹配的效率。
步骤S105、根据每个候选三维模型对应的形状匹配结果，确定源三维模型对应的目标三维模型。
示例性的，在获得每个候选三维模型对应的形状匹配结果之后，可以根据每个候选三维模型对应的形状匹配结果，确定源三维模型对应的目标三维模型。例如，可以将最高的形状匹配度对应的候选三维模型，确定为目标三维模型。
在一些实施例中，在确定源三维模型对应的目标三维模型之后，可以在检索界面上显示目标三维模型以及对应的形状匹配结果。
上述实施例，通过对三维模型的顶点集合与平面集合进行特征提取，并基于得到的形状特征信息进行形状匹配，可以实现基于三维模型的顶点和平面进行三维模型检索，计算复杂度低，无需人工调试，可以有效提高三维模型检索的效率和降低成本。
请参阅图3，图3是本申请实施例提供的一种特征提取的示意性流程图，步骤S102中对源三维模型的第一顶点集合与第一平面集合进行特征提取，可以包括以下步骤S201至步骤S204。
步骤S201、对第一顶点集合进行顶间距离计算，获得源三维模型对应的顶间距离信息。
需要说明的是，在本申请实施例中，在特征提取时，可以先对第一顶点集合提取特征，也可以先对第一平面集合提取特征，特征提取的顺序在此不作限定。
在一些实施例中，可以对第一顶点集合进行顶间距离计算，获得源三维模型对应的顶间距离信息。
其中，源三维模型对应的顶间距离信息可以表示为H1。例如，对于第一顶点集合
Figure SMS_23
，可以对第一顶点集合/>
Figure SMS_24
进行顶间距离计算，得到源三维模型对应的顶间距离信息H1。例如，可以对顶点集合/>
Figure SMS_25
中的相邻两个顶点/>
Figure SMS_26
和顶点/>
Figure SMS_27
进行顶间距离计算，得到顶点/>
Figure SMS_28
和顶点/>
Figure SMS_29
之间的顶间距离信息H1。
上述实施例，通过对第一顶点集合进行顶间距离计算，可以获得源三维模型对应的顶间距离信息。
步骤S202、对第一顶点集合进行顶心距离计算，获得源三维模型对应的顶心距离信息。
在一些实施例中，可以对第一顶点集合进行顶心距离计算，获得源三维模型对应的顶心距离信息。
其中，源三维模型对应的顶心距离信息可以表示为H2。示例性的，对于第一顶点集合
Figure SMS_30
，可以对第一顶点集合/>
Figure SMS_31
进行顶心距离计算，得到源三维模型对应的顶心距离信息H2。例如，可以对顶点集合/>
Figure SMS_32
中的顶点/>
Figure SMS_33
进行顶心距离计算，得到顶点/>
Figure SMS_34
对应的顶心距离信息H2。
上述实施例，通过对第一顶点集合进行顶心距离计算，可以获得源三维模型对应的顶心距离信息。
步骤S203、对第一平面集合进行平面方向计算，获得源三维模型对应的平面方向信息。
在一些实施例中，可以对第一平面集合进行平面方向计算，获得源三维模型对应的平面方向信息。
其中，源三维模型对应的平面方向信息可以表示为H3。示例性的，对于第一平面集合
Figure SMS_35
，可以对第一平面集合/>
Figure SMS_36
进行平面方向计算，获得源三维模型对应的平面方向信息H3。例如，可以计算第一平面集合/>
Figure SMS_37
中的第一平面/>
Figure SMS_38
相对于模型中心点的偏离角。又例如，可以计算第一平面集合/>
Figure SMS_39
中的第二平面/>
Figure SMS_40
相对于模型中心点的偏离角。然后，根据全部偏离角的分布概率，生成平面方向信息H3。
上述实施例，通过对第一平面集合进行平面方向计算，可以获得源三维模型对应的平面方向信息。
步骤S204、根据源三维模型对应的顶间距离信息、顶心距离信息以及平面方向信息，确定第一形状特征信息。
示例性的，在获得源三维模型对应的顶间距离信息H1、顶心距离信息H2、平面方向信息H3之后，可以根据源三维模型对应的顶间距离信息H1、顶心距离信息H2、平面方向信息H3，确定第一形状特征信息。
例如，可以将源三维模型对应的顶间距离信息H1、顶心距离信息H2、平面方向信息H3，确定为第一形状特征信息。其中，第一形状特征信息可以表示为{H1，H2，H3}。
上述实施例，通过对第一顶点集合进行顶间距离计算和顶心距离计算以及对第一平面集合进行平面方向计算，可以实现从多维度提取源三维模型的形状特征，可以有效提高三维模型检索的准确性，并且计算过程简单，无需人工调试，可以有效提高三维模型检索的效率和降低成本。
请参阅图4，图4是本申请实施例提供的一种计算顶间距离的子步骤的示意性流程图，步骤S201中对第一顶点集合进行顶间距离计算，可以包括以下步骤S301至步骤S304。
步骤S301、对第一顶点集合中的每两个顶点进行距离计算，获得第一顶点集合的多个初始顶间距离。
示例性的，可以对第一顶点集合中的每两个顶点进行距离计算，获得第一顶点集合的多个初始顶间距离。
例如，对于第一顶点集合
Figure SMS_47
中的顶点/>
Figure SMS_44
和顶点/>
Figure SMS_54
，其中，顶点/>
Figure SMS_43
，顶点
Figure SMS_51
，可以基于距离公式，对顶点/>
Figure SMS_50
和顶点/>
Figure SMS_57
进行距离计算，得到顶点/>
Figure SMS_41
和顶点/>
Figure SMS_53
之间的初始顶间距离。又例如，对于第一顶点集合/>
Figure SMS_42
中的顶点/>
Figure SMS_56
和顶点/>
Figure SMS_49
，其中，顶点
Figure SMS_58
，顶点/>
Figure SMS_46
，可以基于距离公式，对顶点/>
Figure SMS_55
和顶点/>
Figure SMS_45
进行距离计算，得到顶点/>
Figure SMS_52
和顶点/>
Figure SMS_48
之间的初始顶间距离。
示例性的，初始顶间距离可以表示为D，例如，D1，D2，D3，等等。
其中，距离公式可以包括但不限于欧式距离、曼哈顿距离、切比雪夫距离或闵可夫斯基距离等公式。例如，可以基于欧式距离公式，对顶点
Figure SMS_59
和顶点/>
Figure SMS_60
进行距离计算，得到顶点/>
Figure SMS_61
和顶点/>
Figure SMS_62
之间的初始顶间距离。
上述实施例，通过基于距离公式对第一顶点集合中的每两个顶点进行距离计算，计算过程简单，无线依赖特定的计算环境，可以有效提高三维模型检索的效率和降低成本。
步骤S302、对多个初始顶间距离进行归一化处理，获得第一顶点集合的多个目标顶间距离。
在一些实施例中，在获得第一顶点集合的多个初始顶间距离之后，可以对多个初始顶间距离进行归一化处理，获得第一顶点集合的多个目标顶间距离。
示例性的，可以从多个初始顶间距离中确定最大顶间距离Dmax，将每个初始顶间距离与最大顶间距离Dmax相除，得到多个目标顶间距离。例如，对于初始顶间距离D1、初始顶间距离D2、初始顶间距离D3，分别与最大顶间距离Dmax相除，得到对应的目标顶间距离为D1/Dmax、D2/Dmax、D3/Dmax。
上述实施例，通过对多个初始顶间距离进行归一化处理，可以便于后续进行分布概率统计。
步骤S303、对多个目标顶间距离进行分布概率统计，获得第一顶点集合的顶间距离分布概率。
示例性的，在获得第一顶点集合的多个目标顶间距离之后，可以对多个目标顶间距离进行分布概率统计，获得第一顶点集合的顶间距离分布概率。例如，可以对多个目标顶间距离进行直方图统计，统计多个目标顶间距离在每个直方图中的分布概率，得到顶间距离分布概率。
上述实施例，通过对多个目标顶间距离进行分布概率统计，由于所有的顶间距离分布概率的总和为1，因此可以使得顶间距离分布概率的数据范围处于可控范围内。
步骤S304、根据顶间距离分布概率，确定顶间距离信息。
示例性的，在获得第一顶点集合的顶间距离分布概率之后，可以根据顶间距离分布概率，确定顶间距离信息。例如，可以将顶间距离分布概率，确定为顶间距离信息。
上述实施例，通过将顶间距离分布概率确定为顶间距离信息，由于顶间距离分布概率的数据范围处于可控范围内，可以降低计算复杂度，提高了后续的形状匹配的效率。
请参阅图5，图5是本申请实施例提供的一种计算顶心距离的示意性流程图，步骤S202中对第一顶点集合进行顶心距离计算，可以包括以下步骤S401和步骤S402。
步骤S401、确定源三维模型的模型中心点。
需要说明的是，在计算顶心距离时，需要先计算源三维模型的模型中心点。
在一些实施例中，确定源三维模型的模型中心点，可以包括：对第一顶点集合中的全部顶点的三维坐标进行均值计算，获得三维坐标均值；根据三维坐标均值，确定模型中心点。
示例性的，对于第一顶点集合
Figure SMS_63
中的全部顶点/>
Figure SMS_64
，可以对全部顶点
Figure SMS_65
的三维坐标/>
Figure SMS_66
进行均值计算，得到三维坐标均值/>
Figure SMS_67
。然后，可以将三维坐标均值/>
Figure SMS_68
，确定为模型中心点。
步骤S402、对第一顶点集合中的每个顶点与模型中心点进行顶心距离计算，获得顶心距离信息。
示例性的，在确定源三维模型的模型中心点之后，可以对第一顶点集合中的每个顶点与模型中心点进行顶心距离计算，获得顶心距离信息。以下将对如何计算顶心距离作详细说明。
请参阅图6，图6是本申请实施例提供的一种计算顶心距离的子步骤的示意性流程图，步骤S402中对第一顶点集合中的每个顶点与模型中心点进行顶心距离计算，可以包括以下步骤S501至步骤S504。
步骤S501、对第一顶点集合中的每个顶点与模型中心点进行顶心距离计算，获得第一顶点集合的多个初始顶心距离。
在一些实施例中，可以对第一顶点集合中的每个顶点与模型中心点进行顶心距离计算，获得第一顶点集合的多个初始顶心距离。
示例性的，对于第一顶点集合
Figure SMS_69
中的每个顶点/>
Figure SMS_70
和模型中心点
Figure SMS_71
，可以基于距离公式，分别对每个顶点/>
Figure SMS_72
和模型中心点/>
Figure SMS_73
进行距离计算，得到每个顶点/>
Figure SMS_74
和模型中心点/>
Figure SMS_75
之间的初始顶心距离。其中，初始顶心距离可以表示为C，例如，C1，C2，C3，等等。具体的计算过程，在此不作赘述。
上述实施例，通过对第一顶点集合中的每个顶点与模型中心点进行顶心距离计算，可以获得第一顶点集合的多个初始顶心距离。
步骤S502、对多个初始顶心距离进行归一化处理，获得第一顶点集合的多个目标顶心距离。
在一些实施例中，在获得第一顶点集合的多个初始顶心距离之后，可以对多个初始顶心距离进行归一化处理，获得第一顶点集合的多个目标顶心距离。
示例性的，可以从多个初始顶心距离中确定最大顶心距离Cmax，将每个初始顶心距离与最大顶心距离Cmax相除，得到多个目标顶心距离。例如，对于初始顶心距离C1、初始顶心距离C2、初始顶心距离C3，分别与最大顶心距离Cmax相除，得到对应的目标顶心距离为C1/Cmax、C2/Cmax、C3/Cmax。
上述实施例，通过对多个初始顶心距离进行归一化处理，可以便于后续进行分布概率统计。
步骤S503、对多个目标顶心距离进行分布概率统计，获得第一顶点集合的顶心距离分布概率。
示例性的，在获得第一顶点集合的多个目标顶心距离之后，可以对多个目标顶心距离进行分布概率统计，获得第一顶点集合的顶心距离分布概率。例如，可以对多个目标顶心距离进行直方图统计，统计多个目标顶心距离在每个直方图中的分布概率，得到顶心距离分布概率。
上述实施例，通过对多个目标顶心距离进行分布概率统计，由于所有的顶心距离分布概率的总和为1，因此可以使得顶心距离分布概率的数据范围处于可控范围内。
步骤S504、根据顶心距离分布概率，确定顶心距离信息。
示例性的，在获得第一顶点集合的顶心距离分布概率之后，可以根据顶心距离分布概率，确定顶心距离信息。例如，可以将顶心距离分布概率，确定为顶心距离信息。
上述实施例，通过将顶心距离分布概率确定为顶心距离信息，由于顶心距离分布概率的数据范围处于可控范围内，可以降低计算复杂度，提高了后续的形状匹配的效率。
请参阅图7，图7是本申请实施例提供的一种计算平面方向的子步骤的示意性流程图，步骤S203中对第一平面集合进行平面方向计算，可以包括以下步骤S601至步骤S604。
步骤S601、确定每个平面的法向量。
示例性的，基于向量外积公式计算每个平面的法向量。例如，对于第一平面集合
Figure SMS_77
，每个平面/>
Figure SMS_80
的法向量/>
Figure SMS_82
可以定义为/>
Figure SMS_78
，式中，向量/>
Figure SMS_79
表示平面/>
Figure SMS_81
的第一个顶点到第二个顶点的向量，向量/>
Figure SMS_83
表示平面/>
Figure SMS_76
的第一个顶点到第三个顶点的向量。
步骤S602、确定每个平面的中心点向量，中心点向量为每个平面的中心点到源三维模型的模型中心点的向量。
示例性的，可以确定每个平面的中心点向量，其中，中心点向量为每个平面的中心点到源三维模型的模型中心点的向量。例如，中心点向量可以表示为
Figure SMS_84
。
需要说明的是，平面的中心点是指平面的各个顶点的平均值，平面的中心点可以表示为
Figure SMS_85
。
示例性的，可以计算每个平面的中心点
Figure SMS_86
到模型中心点/>
Figure SMS_87
的向量，得到中心点向量/>
Figure SMS_88
。其中，具体的计算过程，在此不作赘述。
步骤S603、根据每个平面的法向量与中心点向量，确定每个平面的平面方向角。
示例性的，可以根据每个平面的法向量与中心点向量，计算每个平面的平面方向角。
需要说明的是，平面方向角可以定义为平面的法向量与中心点向量之间的夹角。
例如，可以基于向量夹角余弦公式，计算每个平面的法向量
Figure SMS_89
与中心点向量/>
Figure SMS_90
之间的夹角，得到对应的每个平面的平面方向角/>
Figure SMS_91
。其中，具体的计算过程，在此不作赘述。
需要说明的是，当平面的中心点
Figure SMS_94
与模型中心点/>
Figure SMS_95
重合时，可以直接将平面方向角/>
Figure SMS_97
设为360°。当平面的中心点/>
Figure SMS_93
与模型中心点/>
Figure SMS_96
不重合时，若平面方向角/>
Figure SMS_98
小于90°，则将平面方向角/>
Figure SMS_99
修正为（180°-/>
Figure SMS_92
）。
上述实施例，通过计算每个平面的法向量与中心点向量之间的夹角，可以确定每个平面的平面方向角。
步骤S604、根据每个平面的平面方向角，确定平面方向信息。
示例性的，在确定每个平面的平面方向角之后，可以根据每个平面的平面方向角，确定平面方向信息。
在一些实施例中，在根据每个平面的平面方向角，确定平面方向信息时，可以包括：对多个平面方向角进行分布概率统计，获得多个方向角分布概率；根据多个方向角分布概率，确定平面方向信息。
示例性的，可以对多个平面方向角进行直方图统计，统计每个直方图中的平面方向角的分布概率，得到多个方向角分布概率。然后，可以将多个方向角分布概率，确定为平面方向信息。
上述实施例，通过对多个平面方向角进行分布概率统计，并将获得的多个方向角分布概率确定为平面方向信息，可以降低计算复杂度，提高了后续的形状匹配的效率。
请参阅图8，图8是本申请实施例提供的另一种特征提取的子步骤的示意性流程图，步骤S103中对每个候选三维模型的第二顶点集合与第二平面集合进行特征提取，可以包括以下步骤S701至步骤S704。
步骤S701、对每个候选三维模型的第二顶点集合进行顶间距离计算，获得每个候选三维模型的对应的顶间距离信息。
步骤S702、对每个候选三维模型的第二顶点集合进行顶心距离计算，获得每个候选三维模型的对应的顶心距离信息。
步骤S703、对每个候选三维模型的第二平面集合进行平面方向计算，获得每个候选三维模型的对应的平面方向信息。
步骤S704、根据每个候选三维模型对应的顶间距离信息、顶心距离信息以及平面方向信息，确定每个候选三维模型的第二形状特征信息。
可以理解，步骤S701至步骤S704与上述步骤S201至步骤S204相似，在此不作赘述。
请参阅图9，图9是本申请实施例提供的一种形状匹配的子步骤的示意性流程图，步骤S104中对第一形状特征信息与每个候选三维模型的第二形状特征信息进行形状匹配，可以包括以下步骤S801至步骤S803。
步骤S801、对第一形状特征信息与每个候选三维模型的第二形状特征信息进行特征偏差计算，获得每个候选三维模型的特征偏差总值。
在一些实施例中，在获得源三维模型的第一形状特征信息以及获得每个候选三维模型的第二形状特征信息之后，可以对第一形状特征信息与每个候选三维模型的第二形状特征信息进行形状匹配，获得每个候选三维模型对应的形状匹配结果。
其中，第一形状特征信息可以包括顶间距离信息、顶心距离信息以及平面方向信息，第二形状特征信息可以包括顶间距离信息、顶心距离信息以及平面方向信息。
在一些实施例中，对第一形状特征信息与每个候选三维模型的第二形状特征信息进行特征偏差计算，获得每个候选三维模型的特征偏差总值，可以包括：将第一形状特征信息中的顶间距离信息与每个候选三维模型的第二形状特征信息中的顶间距离信息进行相减取绝对值，获得每个候选三维模型的第一特征偏差值；将第一形状特征信息中的顶心距离信息与每个候选三维模型的第二形状特征信息中的顶心距离信息进行相减取绝对值，获得每个候选三维模型的第二特征偏差值；将第一形状特征信息中的平面方向信息与每个候选三维模型的第二形状特征信息中的平面方向信息进行相减取绝对值，获得每个候选三维模型的第三特征偏差值；对每个候选三维模型的第一特征偏差值、第二特征偏差值以及第三特征偏差值取平均值，获得每个候选三维模型的特征偏差总值。
示例性的，在计算每个候选三维模型的第一特征偏差值时，可以将第一形状特征信息中的顶间距离信息与每个候选三维模型的第二形状特征信息中的顶间距离信息进行相减取绝对值，获得每个候选三维模型的第一特征偏差值。例如，当顶间距离信息为顶间距离分布概率时，可以将源三维模型对应的顶间距离分布概率分别与每个候选三维模型对应的顶间距离分布概率进行相减取绝对值，得到对应的每个候选三维模型的第一特征偏差值。
可以理解，第二特征偏差值、第三特征偏差值的计算方式，与第一特征偏差值的计算方式相似，在此不作赘述。
示例性的，可以将每个候选三维模型的第一特征偏差值、第二特征偏差值以及第三特征偏差值取平均值，得到每个候选三维模型的特征偏差总值。例如，特征偏差总值可以表示为f。
上述实施例，通过对第一形状特征信息与每个候选三维模型的第二形状特征信息进行特征偏差计算，获得每个候选三维模型的特征偏差总值，计算简单，可以降低计算复杂度。
步骤S802、根据每个候选三维模型的特征偏差总值，确定每个候选三维模型与源三维模型之间的形状匹配度。
示例性的，在获得每个候选三维模型的特征偏差总值之后，可以根据每个候选三维模型的特征偏差总值，确定每个候选三维模型与源三维模型之间的形状匹配度。
示例性的，形状匹配度可以表示为m，其中，形状匹配度m可以定义为（1-f）。
可以理解，特征偏差总值与形状匹配度呈负相关，特征偏差总值越小，对应的形状匹配度越大。形状匹配度越大，说明两个三维模型的形状相似度越高。
步骤S803、根据形状匹配度，确定每个候选三维模型对应的形状匹配结果。
示例性的，在确定每个候选三维模型与源三维模型之间的形状匹配度之后，可以根据形状匹配度，确定每个候选三维模型对应的形状匹配结果。例如，可以将每个候选三维模型对应的形状匹配度，确定为对应的每个候选三维模型的形状匹配结果。
上述实施例，通过确定每个候选三维模型与源三维模型之间的形状匹配度，确定每个候选三维模型对应的形状匹配结果，可以得到每个候选三维模型相对于源三维模型的形状匹配度。
本申请的实施例中还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序中包括程序指令，处理器执行程序指令，实现本申请实施例提供的任一项基于形状的三维模型检索方法。例如，该计算机程序被处理器加载，可以执行如下步骤：
确定待检索的源三维模型和至少一个候选三维模型；对源三维模型的第一顶点集合与第一平面集合进行特征提取，获得源三维模型的第一形状特征信息；对每个候选三维模型的第二顶点集合与第二平面集合进行特征提取，获得每个候选三维模型的第二形状特征信息；对第一形状特征信息与每个候选三维模型的第二形状特征信息进行形状匹配，获得每个候选三维模型对应的形状匹配结果；根据每个候选三维模型对应的形状匹配结果，确定源三维模型对应的目标三维模型。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，计算机可读存储介质可以是前述实施例的计算机设备的内部存储单元，例如计算机设备的硬盘或内存。计算机可读存储介质也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字卡(Secure Digital，SD)，闪存卡(Flash Card)等。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于形状的三维模型检索方法，其特征在于，包括：
确定待检索的源三维模型和至少一个候选三维模型；
对所述源三维模型的第一顶点集合与第一平面集合进行特征提取，获得所述源三维模型的第一形状特征信息；
对每个所述候选三维模型的第二顶点集合与第二平面集合进行特征提取，获得每个所述候选三维模型的第二形状特征信息；
对所述第一形状特征信息与每个所述候选三维模型的所述第二形状特征信息进行形状匹配，获得每个所述候选三维模型对应的形状匹配结果；
根据每个所述候选三维模型对应的形状匹配结果，确定所述源三维模型对应的目标三维模型；
所述对所述源三维模型的第一顶点集合与第一平面集合进行特征提取，获得所述源三维模型的第一形状特征信息，包括：对所述第一顶点集合进行顶间距离计算，获得所述源三维模型对应的顶间距离信息；对所述第一顶点集合进行顶心距离计算，获得所述源三维模型对应的顶心距离信息；对所述第一平面集合进行平面方向计算，获得所述源三维模型对应的平面方向信息；根据所述源三维模型对应的顶间距离信息、顶心距离信息以及所述平面方向信息，确定所述第一形状特征信息；所述平面方向计算是指计算平面的法向量与中心点向量之间的夹角；
所述对每个所述候选三维模型的第二顶点集合与第二平面集合进行特征提取，获得每个所述候选三维模型的第二形状特征信息，包括：对每个所述候选三维模型的所述第二顶点集合进行顶间距离计算，获得每个所述候选三维模型的对应的顶间距离信息；对每个所述候选三维模型的所述第二顶点集合进行顶心距离计算，获得每个所述候选三维模型的对应的顶心距离信息；对每个所述候选三维模型的所述第二平面集合进行平面方向计算，获得每个所述候选三维模型的对应的平面方向信息；根据每个所述候选三维模型对应的顶间距离信息、顶心距离信息以及平面方向信息，确定每个所述候选三维模型的所述第二形状特征信息；
所述对所述第一形状特征信息与每个所述候选三维模型的所述第二形状特征信息进行形状匹配，获得每个所述候选三维模型对应的形状匹配结果，包括：对所述第一形状特征信息与每个所述候选三维模型的所述第二形状特征信息进行特征偏差计算，获得每个所述候选三维模型的特征偏差总值；根据每个所述候选三维模型的所述特征偏差总值，确定每个所述候选三维模型与所述源三维模型之间的形状匹配度；根据所述形状匹配度，确定每个所述候选三维模型对应的形状匹配结果。
2.根据权利要求1所述的基于形状的三维模型检索方法，其特征在于，所述第一顶点集合包括所述源三维模型的多个顶点；
所述对所述第一顶点集合进行顶间距离计算，获得所述源三维模型对应的顶间距离信息，包括：
对所述第一顶点集合中的每两个顶点进行距离计算，获得所述第一顶点集合的多个初始顶间距离；
对所述多个初始顶间距离进行归一化处理，获得所述第一顶点集合的多个目标顶间距离；
对所述多个目标顶间距离进行分布概率统计，获得所述第一顶点集合的顶间距离分布概率；
根据所述顶间距离分布概率，确定所述顶间距离信息。
3.根据权利要求1所述的基于形状的三维模型检索方法，其特征在于，所述对所述第一顶点集合进行顶心距离计算，获得所述源三维模型对应的顶心距离信息，包括：
确定所述源三维模型的模型中心点；
对所述第一顶点集合中的每个顶点与所述模型中心点进行顶心距离计算，获得顶心距离信息。
4.根据权利要求3所述的基于形状的三维模型检索方法，其特征在于，所述顶点包括三维坐标；所述确定所述源三维模型的模型中心点，包括：
对所述第一顶点集合中的全部顶点的三维坐标进行均值计算，获得三维坐标均值；
根据所述三维坐标均值，确定所述模型中心点。
5.根据权利要求3所述的基于形状的三维模型检索方法，其特征在于，所述对所述第一顶点集合中的每个顶点与所述模型中心点进行顶心距离计算，获得顶心距离信息，包括：
对所述第一顶点集合中的每个顶点与所述模型中心点进行顶心距离计算，获得所述第一顶点集合的多个初始顶心距离；
对所述多个初始顶心距离进行归一化处理，获得所述第一顶点集合的多个目标顶心距离；
对所述多个目标顶心距离进行分布概率统计，获得所述第一顶点集合的顶心距离分布概率；
根据所述顶心距离分布概率，确定所述顶心距离信息。
6.根据权利要求1所述的基于形状的三维模型检索方法，其特征在于，所述第一平面集合包括所述源三维模型的多个平面；所述对所述第一平面集合进行平面方向计算，获得所述源三维模型对应的平面方向信息，包括：
确定每个所述平面的法向量；
确定每个所述平面的中心点向量，所述中心点向量为每个所述平面的中心点到所述源三维模型的模型中心点的向量；
根据每个所述平面的法向量与中心点向量，确定每个所述平面的平面方向角；
根据每个所述平面的平面方向角，确定所述平面方向信息。
7.根据权利要求1所述的基于形状的三维模型检索方法，其特征在于，所述第一形状特征信息包括顶间距离信息、顶心距离信息以及平面方向信息，所述第二形状特征信息包括顶间距离信息、顶心距离信息以及平面方向信息；
所述对所述第一形状特征信息与每个所述候选三维模型的所述第二形状特征信息进行特征偏差计算，获得每个所述候选三维模型的特征偏差总值，包括：
将所述第一形状特征信息中的顶间距离信息与每个所述候选三维模型的所述第二形状特征信息中的顶间距离信息进行相减取绝对值，获得每个所述候选三维模型的第一特征偏差值；
将所述第一形状特征信息中的顶心距离信息与每个所述候选三维模型的所述第二形状特征信息中的顶心距离信息进行相减取绝对值，获得每个所述候选三维模型的第二特征偏差值；
将所述第一形状特征信息中的平面方向信息与每个所述候选三维模型的所述第二形状特征信息中的平面方向信息进行相减取绝对值，获得每个所述候选三维模型的第三特征偏差值；
对每个所述候选三维模型的第一特征偏差值、第二特征偏差值以及第三特征偏差值取平均值，获得每个所述候选三维模型的所述特征偏差总值。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的基于形状的三维模型检索方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的基于形状的三维模型检索方法。
CN202310511674.7A 2023-05-09 2023-05-09 基于形状的三维模型检索方法、计算机设备和存储介质 Active CN116226426B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310511674.7A CN116226426B (zh) 2023-05-09 2023-05-09 基于形状的三维模型检索方法、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310511674.7A CN116226426B (zh) 2023-05-09 2023-05-09 基于形状的三维模型检索方法、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN116226426A CN116226426A (zh) 2023-06-06
CN116226426B true CN116226426B (zh) 2023-07-11

Family

ID=86587681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310511674.7A Active CN116226426B (zh) 2023-05-09 2023-05-09 基于形状的三维模型检索方法、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116226426B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115455142A (zh) * 2022-08-31 2022-12-09 科大讯飞股份有限公司 文本检索方法、计算机设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101350035A (zh) * 2008-09-22 2009-01-21 北京理工大学 基于内容的三维模型检索方法试验平台
CN101882150B (zh) * 2010-06-09 2012-09-26 南京大学 一种基于核密度估计的三维模型比较和检索方法
CN101901500A (zh) * 2010-07-15 2010-12-01 北京航空航天大学 一种基于切面射线的三维模型特征提取方法
CN102592136B (zh) * 2011-12-21 2013-10-16 东南大学 基于几何图像中中频信息的三维人脸识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115455142A (zh) * 2022-08-31 2022-12-09 科大讯飞股份有限公司 文本检索方法、计算机设备和存储介质

Also Published As

Publication number Publication date
CN116226426A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
EP3417425B1 (en) Leveraging multi cues for fine-grained object classification
CN111144242B (zh) 一种三维目标检测方法、装置及终端
WO2019018063A1 (en) FINAL GRAIN IMAGE RECOGNITION
US20210272306A1 (en) Method for training image depth estimation model and method for processing image depth information
EP4056952A1 (en) Map fusion method, apparatus, device, and storage medium
CN112435193B (zh) 一种点云数据去噪的方法、装置、存储介质和电子设备
CN110263209B (zh) 用于生成信息的方法和装置
CN111831844A (zh) 图像检索方法、图像检索装置、图像检索设备及介质
CN113361527B (zh) 多目标对象的识别定位方法及装置、电子设备、存储介质
CN112085033A (zh) 一种模板匹配方法、装置、电子设备及存储介质
CN112336342A (zh) 手部关键点检测方法、装置及终端设备
JP2014032623A (ja) 画像処理装置
WO2021115061A1 (zh) 图像分割方法、装置及服务器
US20230401799A1 (en) Augmented reality method and related device
CN114998433A (zh) 位姿计算方法、装置、存储介质以及电子设备
US20220284569A1 (en) Multi-phase object contour refinement
CN110717405A (zh) 人脸特征点定位方法、装置、介质及电子设备
CN110851639A (zh) 一种以图搜图的方法及设备
CN116226426B (zh) 基于形状的三维模型检索方法、计算机设备和存储介质
EP3410389A1 (en) Image processing method and device
CN115457202B (zh) 一种三维模型更新的方法、装置及存储介质
CN115239776B (zh) 点云的配准方法、装置、设备和介质
CN115661493A (zh) 一种对象位姿的确定方法及装置、设备及存储介质
CN108288023B (zh) 人脸识别的方法和装置
CN113724374A (zh) 点云数据处理方法和装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant