一種三維模型構(gòu)件的自動(dòng)提取方法
【專利摘要】本發(fā)明公開(kāi)了一種三維模型構(gòu)件的自動(dòng)提取方法，包括以下步驟：對(duì)輸入的同類三維模型集中的每個(gè)模型，計(jì)算其每個(gè)網(wǎng)格面片的特征，從而獲得三維模型所有網(wǎng)格面片的特征向量；根據(jù)所有網(wǎng)格面片的特征向量，對(duì)所有三維模型進(jìn)行聯(lián)合分割，提取三維模型的K類一致性構(gòu)件集，類數(shù)K為三維模型中構(gòu)件的類型數(shù)，可由用戶提供，也可自動(dòng)計(jì)算；聯(lián)合分割過(guò)程，首先進(jìn)行初始化聚類中心，產(chǎn)生K個(gè)聚類中心，然后迭代進(jìn)行隸屬度計(jì)算、隸屬度更新以及聚類中心計(jì)算過(guò)程，直至收斂，從而獲得每個(gè)網(wǎng)格面片屬于每個(gè)聚類的隸屬度，最后，根據(jù)隸屬度計(jì)算出網(wǎng)格面片的聚類劃分，并通過(guò)尋找連通分量的方法實(shí)現(xiàn)構(gòu)件生成，最終提取出三維模型集的K類一致性構(gòu)件集。
【專利說(shuō)明】一種三維模型構(gòu)件的自動(dòng)提取方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種形狀分析的處理方法，屬于計(jì)算機(jī)圖形學(xué)【技術(shù)領(lǐng)域】，具體地說(shuō)是一種基于聯(lián)合分割的三維模型構(gòu)件的自動(dòng)提取方法。
【背景技術(shù)】
[0002]將三維模型分割并提取出其構(gòu)成部件是形狀理解和處理的基礎(chǔ)，也是幾何建模、生產(chǎn)制造、三維模型動(dòng)畫(huà)及紋理等領(lǐng)域的諸多任務(wù)的必需過(guò)程。這些應(yīng)用往往不僅需要對(duì)三維模型進(jìn)行劃分，更需要進(jìn)一步獲得三維模型的一致性構(gòu)件，這些構(gòu)件通常具有相似的功能，但幾何形狀卻不同。例如，用部件組裝的方式創(chuàng)建人體模型的應(yīng)用中，需對(duì)人體素材庫(kù)中的模型進(jìn)行劃分，提取功能一致但形狀不同的“胳膊”構(gòu)件、“腿”構(gòu)件等等；另外，提取出的一致性構(gòu)件通過(guò)簡(jiǎn)單的歸類標(biāo)注，則可加入一些數(shù)據(jù)庫(kù)中，便于后續(xù)的檢索工作。
[0003]盡管大量工作針對(duì)三維模型分割問(wèn)題展開(kāi)了研究，它們主要關(guān)注于單個(gè)三維模型，根據(jù)一些低層次幾何特征，如，凸度和曲率等，將模型分解為一組數(shù)目有限、具有簡(jiǎn)單形狀意義且各自連通的模型子塊，從而快速而直觀地按特定的目標(biāo)劃分模型，然而，如文獻(xiàn)I:Chen X., Golovinskiy A., Funkhouser T.A Benchmark for 3D Mesh Segmentation.ACM Transactions on Graphics, 2009, 28(3).和文獻(xiàn) 2:Golovinskiy A., FunkhouserT.Consistent segmentation of 3D models.Computers and Graphics (Shape Modeling International09)2009, 33(3):262-269.所述這些方法都無(wú)法對(duì)所有模型均產(chǎn)生滿意的效果，且難以提取三維模型的一致性構(gòu)件。
[0004]文 獻(xiàn) 3:Kalogerakis E., Hertzmann A., Singh K.Learning 3D meshsegmentation and labeling.ACM Transactions on Graphics, 2010, 29 (4)ArticleN0.102.率先提出一種數(shù)據(jù)驅(qū)動(dòng)的模型分割與標(biāo)注方法，他們通過(guò)對(duì)人工分割標(biāo)注的模型集進(jìn)行學(xué)習(xí)，將模型部件標(biāo)注問(wèn)題表示為條件隨機(jī)場(chǎng)最優(yōu)化問(wèn)題，從而獲得三維模型的分割與標(biāo)注，實(shí)現(xiàn)一致性構(gòu)件的提取。中國(guó)專利201310019194.5 一種三維模型構(gòu)件類別的自動(dòng)標(biāo)注方法，則進(jìn)一步利用三維模型的對(duì)稱性檢測(cè)，以消除冗余樣本，從而減少了方法的訓(xùn)練時(shí)間。然而，這兩個(gè)方法都依賴于大量人工標(biāo)注的三維模型集。
[0005]近來(lái)，文獻(xiàn)2、文獻(xiàn)4:徐凱.語(yǔ)義驅(qū)動(dòng)的三維形狀分析及建模.[D]國(guó)防科學(xué)技術(shù)大學(xué)研究生院.2011.考慮到同類物體的三維模型比單個(gè)模型包含更豐富的語(yǔ)義信息，因此提出對(duì)同類模型集進(jìn)行分析，進(jìn)而獲得多個(gè)模型一致性構(gòu)件的聯(lián)合分割方法。他們采用剛性對(duì)齊方法計(jì)算不同模型間的對(duì)應(yīng)，進(jìn)而用圖聚類算法獲得同類模型的一致性構(gòu)件劃分，然而，方法受限于剛性對(duì)齊，僅可處理形狀變化程度不高的一致性構(gòu)件；文獻(xiàn) 5:Huang Q., Koltun V., Guibas L.Joint-Shape Segmentation with LinearProgramming.ACM Transactions on Graphics, 2011, 30 (5): 125:1-125:11.文獻(xiàn) 6:Sidi
0., van Kaick 0., Kleiman Y., Zhang H., Cohen-Or D.Unsupervised co-segmentationof a set of shapes via descriptor—space spectral clustering.ACM Transactionson Graphics, 2011，30(6): 126:1-126:10.1，2，3，5，6，8.文獻(xiàn) 7:Hu R., Fan L., LiuL.Co-segmentation of 3d shapes via subspace clustering.Computer Graphics Forum, 2012，31 (5): 1703-1713.1, 2，6，7.文獻(xiàn) 8:Meng M.，Xia J.，Luo J.，He Y.Unsupervisedco-segmentation for 3d shapes using iterative mult1-label optimization.Computer-Aided Design, 2013, 45 (2): 312-320.1, 2, 6.文獻(xiàn)9:Luo P., Wu Z., Xia C., FengL., Ma T., Co-segmentation of 3D shapes via mult1-view spectral clustering.VisualComputer, 2013，29(6-8):587 - 597.文獻(xiàn) 10:Wu Z., Wang Y., Shou R., Chen B., LiuX., Unsupervised co-segmentation of 3D shapes via affinity aggregation spectralclustering, Computers and Graphics, 2013, 37 (6):628-637.則提出基于形狀描述子空間聚類的方法，從而消除了對(duì)剛性對(duì)齊的依賴，實(shí)現(xiàn)更大程度變化的一致性構(gòu)件分割。中國(guó)專利201310020469.7 一種三維模型構(gòu)成的自動(dòng)標(biāo)注方法進(jìn)而提出利用同類模型具有類似部件組成結(jié)構(gòu)這一信息，對(duì)未知三維模型的組成部件進(jìn)行分割與標(biāo)注。然而，這些方法都在初始的對(duì)每個(gè)模型進(jìn)行預(yù)分割的基礎(chǔ)上進(jìn)行，受限于初始分割效果，方法的結(jié)果并不穩(wěn)定，且難以獲得較為精細(xì)的構(gòu)件提取效果，以便后續(xù)的建模過(guò)程使用。本專利提出的聯(lián)合分割方法直接對(duì)網(wǎng)格面片進(jìn)行處理，從而消除了對(duì)初始分割的依賴，不僅可以獲得一致性構(gòu)件，便于根據(jù)功能進(jìn)行標(biāo)注，而且可穩(wěn)定提取精細(xì)的構(gòu)件作為后續(xù)建模過(guò)程中的構(gòu)件素材反復(fù)使用。

【發(fā)明內(nèi)容】

[0006]發(fā)明目的:本發(fā)明所要解決的技術(shù)問(wèn)題是針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于聯(lián)合分割的三維模型構(gòu)件的自動(dòng)提取方法，用于支持對(duì)三維模型一致性構(gòu)件的自動(dòng)提取。
[0007]為了解決上述技術(shù)問(wèn)題，本發(fā)明公開(kāi)了一種基于聯(lián)合分割的三維模型構(gòu)件的自動(dòng)提取方法，包括以下步驟:
[0008]步驟一，特征提取:對(duì)輸入的同類三維模型集中的每個(gè)模型，計(jì)算其每個(gè)網(wǎng)格面片的特征，包括:高斯曲率、形狀直徑函數(shù)、平均測(cè)地距離和形狀上下文，從而對(duì)三維模型每個(gè)網(wǎng)格面片上都計(jì)算這四個(gè)特征組成的h=4維特征向量Xi，i=l,…，n，n為所有三維模型網(wǎng)格面片的總數(shù)。
[0009]步驟二，聯(lián)合分割:根據(jù)所有網(wǎng)格面片的特征向量，對(duì)所有三維模型進(jìn)行聯(lián)合分害!]，提取三維模型的K類一致性構(gòu)件集，類數(shù)K為三維模型中構(gòu)件的類型數(shù)，可由用戶提供，也可自動(dòng)計(jì)算。
[0010]本發(fā)明步驟二中所述聯(lián)合分割部分包括以下步驟:
[0011]步驟21，初始化聚類中心:若聚類數(shù)K由用戶提供，則隨機(jī)生成Kfh維向量作為K個(gè)聚類中心Cj, j=l,..., K ;否則,采用mean-shift算法自動(dòng)計(jì)算聚類數(shù)K,并產(chǎn)生K個(gè)聚類中心C」，j=l,…，K。
[0012]步驟22，隸屬度計(jì)算:計(jì)算網(wǎng)格面片i的特征向量Xi與聚類中心Cj的距離Clij,i=l,…，n, j=l,…，K,進(jìn)而根據(jù)距離(Iij計(jì)算網(wǎng)格面片i從屬于聚類j的隸屬度Uij,隸屬度Uij表示網(wǎng)格面片i從屬于聚類j的概率，i=l,…，n, j=l,…，K。
[0013]步驟23,隸屬度更新:首先，建立鄰接圖G,鄰接圖的頂點(diǎn)由網(wǎng)格面片頂點(diǎn)集Vx=IviIi = I,...，!!}與聚類頂點(diǎn)集= 組成，網(wǎng)格面片頂點(diǎn)集中的每個(gè)頂點(diǎn)都對(duì)應(yīng)三維模型的一個(gè)網(wǎng)格面片，聚類頂點(diǎn)集中的每個(gè)頂點(diǎn)則表示一個(gè)聚類。若網(wǎng)格面片i和網(wǎng)格面片i,在同一個(gè)三維模型中，且具有公共邊，則稱它們相鄰，其對(duì)應(yīng)的頂點(diǎn)Vi和V在鄰接圖G中存在邊，邊的權(quán)重Wii,可由這兩個(gè)網(wǎng)格面片的公共邊的長(zhǎng)度和這兩個(gè)網(wǎng)格面片的外二面角計(jì)算。每個(gè)網(wǎng)格面片所對(duì)應(yīng)的頂點(diǎn)與所有聚類所對(duì)應(yīng)的頂點(diǎn)在鄰接圖G中都存在邊，邊的權(quán)重由網(wǎng)格面片的隸屬度計(jì)算。將聚類頂點(diǎn)集中的頂點(diǎn)作為種子點(diǎn)，網(wǎng)格面片頂點(diǎn)集中的頂點(diǎn)作為非種子點(diǎn)，通過(guò)隨機(jī)游走算法，可計(jì)算出一個(gè)隨機(jī)游走者從非種子點(diǎn)i出發(fā)，在到達(dá)其他種子點(diǎn)之前到達(dá)種子點(diǎn)<的概車^將其替換隸屬度uu，i=l，-,η,j=l,…，K,從而對(duì)隸屬度進(jìn)行更新。
[0014]步驟24，聚類中心計(jì)算:根據(jù)隸屬度Uij,以及網(wǎng)格面片特征向量Xi，計(jì)算新的聚類中心Cjl O
[0015]步驟25，判斷是否收斂:計(jì)算新的聚類中心<和原聚類中心Cj的距離d%若距離de小于閾值ε，則說(shuō)明已收斂，轉(zhuǎn)步驟26 ;否則，用新的聚類中心c/替換原聚類中心Cj，j=l,…，K，并轉(zhuǎn)步驟22。
[0016]步驟26，構(gòu)件生成:根據(jù)隸屬度uu，將三維模型網(wǎng)格面片劃分到所屬的聚類中，每個(gè)網(wǎng)格面片所屬的聚類A為該網(wǎng)格面片隸屬度最大的聚類，從而獲得K個(gè)聚類，每個(gè)聚類都由屬于該聚類的網(wǎng)格面片組成。分別對(duì)每個(gè)聚類構(gòu)建一個(gè)聚類元素圖，聚類元素圖的頂點(diǎn)由該聚類中的網(wǎng)格面片組成，相鄰的網(wǎng)格面片所對(duì)應(yīng)的頂點(diǎn)在聚類元素圖中存在邊，利用尋找連通分量的算法求解該聚類元素圖的連通分量，獲得的連通分量則為所求的構(gòu)件。屬于同一聚類的構(gòu)件則為一致性構(gòu)件，從而最終提取出三維模型集的K類一致性構(gòu)件集。
[0017]步驟22隸屬度計(jì)算,公式如下:
【權(quán)利要求】
1.一種三維模型構(gòu)件的自動(dòng)提取方法，其特征在于，包括以下步驟: 步驟一，特征提取:對(duì)輸入的同類三維模型集中的每個(gè)三維模型，計(jì)算三維模型每個(gè)網(wǎng)格面片的特征，包括:高斯曲率、形狀直徑函數(shù)、平均測(cè)地距離和形狀上下文，從而得到所述所有網(wǎng)格面片的四個(gè)特征組成的h=4維特征向量Xi，i=l,…，n，n為所有三維模型網(wǎng)格面片的總數(shù)； 步驟二，聯(lián)合分割:根據(jù)所有網(wǎng)格面片的特征向量，對(duì)所有三維模型進(jìn)行聯(lián)合分割，提取三維模型的K類一致性構(gòu)件集，類數(shù)K為三維模型中構(gòu)件的類型數(shù)。
2.根據(jù)權(quán)利要求1所述的一種三維模型構(gòu)件的自動(dòng)提取方法，其特征在于，步驟二中所述聯(lián)合分割部分包括以下步驟: 步驟21，初始化聚類中心: 如果聚類數(shù)K由用戶輸入，則隨機(jī)生成K個(gè)h維向量作為K個(gè)聚類中心q，j=l，…，K ; 否則，采用均值漂移算法自動(dòng)計(jì)算聚類數(shù)K，并產(chǎn)生K個(gè)聚類中心Cp j=l,-,K； 步驟22,隸屬度計(jì)算:計(jì)算網(wǎng)格面片i的特征向量Xi與聚類中心Cj的距離…，n, j=l,…，K,進(jìn)而根據(jù)距離(Iij計(jì)算網(wǎng)格面片i從屬于聚類j的隸屬度Uij,隸屬度Uij表示網(wǎng)格面片i從屬于聚類j的概率； 步驟23，隸屬度更新:首先，建立鄰接圖G，鄰接圖的頂點(diǎn)由網(wǎng)格面片頂點(diǎn)集Vx= Ivi I i=l,…，η}與聚類頂點(diǎn)集= 組成，網(wǎng)格面片頂點(diǎn)集中的每個(gè)頂點(diǎn)Vi對(duì)應(yīng)三維模型的一個(gè)網(wǎng)格面片，聚類頂點(diǎn)集中的每個(gè)頂點(diǎn)4表示一個(gè)聚類；若網(wǎng)格面片i和網(wǎng)格面片i'在同一個(gè)三維模型中，且具有公共邊，則稱它們相鄰，將相鄰的網(wǎng)格面片i和網(wǎng)格面片P對(duì)應(yīng)的頂點(diǎn)\和^在鄰接圖G中連接邊，邊的網(wǎng)格面片頂點(diǎn)權(quán)重為Wii,;將每個(gè)網(wǎng)格面片所對(duì)應(yīng)的頂點(diǎn)與所有聚類所對(duì)應(yīng)頂點(diǎn)在鄰接圖G中連接邊，邊的聚類頂點(diǎn)權(quán)重》由網(wǎng)格面片的隸屬度計(jì)算； 將聚類頂點(diǎn)集中的頂點(diǎn)作為種子點(diǎn)，網(wǎng)格面片頂點(diǎn)集屮的頂點(diǎn)作為非種子點(diǎn)，通過(guò)隨機(jī)游走算法，計(jì)算出一個(gè)隨機(jī)游走者從非種子點(diǎn)i出發(fā)，在到達(dá)其他種子點(diǎn)之前到達(dá)種子點(diǎn) < 的概率，將其替換隸屬度uu，從而對(duì)隸屬度進(jìn)行更新； 步驟24，聚類中心計(jì)算:根據(jù)隸屬度Uij，以及網(wǎng)格面片特征向量Xi，計(jì)算新的聚類中心； 步驟25，判斷是否收斂:計(jì)算新的聚類中心c/和原聚類中心的距離(f，若距離Cf小于閾值ε，則說(shuō)明已收斂，轉(zhuǎn)步驟26 ;否則，用新的聚類中心<替換原聚類中心并轉(zhuǎn)步驟22。 步驟26，構(gòu)件生成:根據(jù)隸屬度Uij,將三維模型網(wǎng)格面片劃分到所屬的聚類中，每個(gè)網(wǎng)格面片所屬的聚類為該網(wǎng)格面片隸屬度最大的聚類，從而獲得K個(gè)聚類，每個(gè)聚類都由屬于該聚類的網(wǎng)格面片組成； 分別對(duì)每個(gè)聚類構(gòu)建一個(gè)聚類元素圖，聚類元素圖的頂點(diǎn)由該聚類中的網(wǎng)格面片組成，將相鄰的網(wǎng)格面片所對(duì)應(yīng)的頂點(diǎn)在聚類元素圖中連接邊，利用尋找連通分量的算法求解該聚類元素圖的連通分量，獲得的連通分量則為所求的構(gòu)件；屬于同一聚類的構(gòu)件則為一致性構(gòu)件，從而最終提取出三維模型集的K類一致性構(gòu)件集。
3.根據(jù)權(quán)利要求2所述的一種三維模型構(gòu)件的自動(dòng)提取方法，其特征在于，步驟22隸屬度計(jì)算，公式如下: me (I, + -)是控制算法柔性的加權(quán)指數(shù)參數(shù)，Clil是特征向量Xi與聚類中心C1的距離，I表示聚類。
4.根據(jù)權(quán)利要求3所述的一種三維模型構(gòu)件的自動(dòng)提取方法，其特征在于，步驟23中所述網(wǎng)格面片頂點(diǎn)權(quán)重Wii,計(jì)算公式如下: Iii,為網(wǎng)格面片i和網(wǎng)格面片i'公共邊的長(zhǎng)度，Θ為網(wǎng)格面片i和網(wǎng)格面片i'的外二面角，即沿著三維模型外表面形成的二面角； 聚類頂點(diǎn)權(quán)重汁算公式如下: Cli是網(wǎng)格面片i與其所有相鄰網(wǎng)格面片在鄰接圖G中邊的面片頂點(diǎn)權(quán)重之和，Y是調(diào)節(jié)網(wǎng)格面片頂點(diǎn)權(quán)重Wii,與聚類頂點(diǎn)權(quán)重< 的參數(shù)，取值范圍為(O，I]。
5.根據(jù)權(quán)利要求4所述的一種三維模型構(gòu)件的自動(dòng)提取方法，其特征在于，步驟24中采用如下公式計(jì)算計(jì)算新的聚類中心:是網(wǎng)格面片i從屬于聚類j的隸屬度，Xi是網(wǎng)格面片i的h=4維特
征向量，m是控制算法柔性的加權(quán)指數(shù)參數(shù)。
【文檔編號(hào)】G06T7/00GK103473813SQ201310432523
【公開(kāi)日】2013年12月25日 申請(qǐng)日期:2013年9月18日 優(yōu)先權(quán)日:2013年9月18日
【發(fā)明者】孫正興, 章菲倩, 宋沫飛, 郎許鋒 申請(qǐng)人:南京大學(xué)