本發(fā)明屬于三維模型檢索領(lǐng)域，尤其涉及一種基于本體間語義相關(guān)的三維模型檢索方法及系統(tǒng)。

背景技術(shù)：

隨著虛擬現(xiàn)實和3d可視化技術(shù)的發(fā)展，產(chǎn)品三維模型數(shù)量以指數(shù)方式在快速增長，三維模型檢索技術(shù)可以幫助用戶在快速準確地獲取符合設計意圖的三維模型。最基本的三維檢索是提取產(chǎn)品三維形狀特征進行相似性匹配，這需要用戶給出非常詳細的形式化的形狀特征信息才能得到較高的檢索正確率，但對于三維物體的形狀特征很難用形式化的信息進行描述。而且其應用的領(lǐng)域是根據(jù)已知模型在三維模型庫中檢索出與其相似的模型，對于某些三維建模如場景建?；虍a(chǎn)品裝配等領(lǐng)域則不適合，因為在場景建模中需要根據(jù)已知模型去檢索與其相關(guān)的其它模型，而不是檢索與其相似的模型。對于這方面的研究目前還較少，具有較強的現(xiàn)實意義。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的就是為了解決上述問題，提供一種基于本體間語義相關(guān)的三維模型檢索方法及系統(tǒng)，發(fā)明考慮到模型之間的相關(guān)性，結(jié)合領(lǐng)域知識，利用模型間的語義相關(guān)度作為檢索結(jié)果，以期在某些特定領(lǐng)域如場景建模和產(chǎn)品裝配中可以提高三維模型檢索的有效性，縮短用戶的檢索時間。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于本體間語義相關(guān)的三維模型檢索方法，包括如下步驟：

數(shù)據(jù)獲取：定義兩種類型的產(chǎn)品：第一種類型產(chǎn)品和第二種類型產(chǎn)品，獲取每種產(chǎn)品模型實例的特征數(shù)據(jù)，對特征數(shù)據(jù)進行歸納量化，然后利用每種產(chǎn)品模型實例的特征數(shù)據(jù)構(gòu)建對應產(chǎn)品的語義本體；

特征關(guān)系集合構(gòu)建：建立第一種類型產(chǎn)品的每個特征與第二種類型產(chǎn)品每個特征之間的關(guān)系，生成特征關(guān)系集合；

深度信念網(wǎng)絡樣本集生成：基于新的特征關(guān)系集合，判斷每組特征關(guān)系對應的兩個特征的屬性是否相同，若相同，則該組特征關(guān)系的值為1；否則為0；從而生成樣本集；

生成檢索推薦準則：利用深度信念網(wǎng)絡對樣本集里面的樣本數(shù)據(jù)進行學習，用戶對樣本集中每個實例搭配的評價結(jié)果作為深度信念網(wǎng)絡的輸出；求得每組特征關(guān)系的關(guān)聯(lián)度權(quán)值，形成檢索推薦準則；

形成檢索結(jié)果：對用戶提出的待檢索產(chǎn)品進行語義特征提取，利用檢索推薦準則實現(xiàn)待檢索產(chǎn)品的語義特征與三維模型庫中產(chǎn)品的語義特征之間相關(guān)度的計算，將滿足設定閾值的結(jié)果作為檢索結(jié)果。

在所述特征關(guān)系集合構(gòu)建與所述深度信念網(wǎng)絡樣本集生成之間還包括降維：通過聚類算法對特征關(guān)系集合進行聚類，保留有相關(guān)性的特征，刪除沒有相關(guān)性的特征；得到若干個新的特征關(guān)系集合；從而實現(xiàn)對特征關(guān)系集合的降維。

在所述生成檢索推薦準則之前，還包括：接收用戶對樣本集中每個實例搭配的評價，將評價分為五個等級：1、2、3、4和5，將用戶對每個實例搭配的評價取平均數(shù)，四舍五入后，歸入五個等級之一，作為實例搭配的最終評價結(jié)果；若最終評價結(jié)果屬于五個等級中的某一個等級，則該等級的值為1，其他等級的值為0。

所述生成檢索推薦準則的步驟為：

步驟(4.1)：利用樣本集訓練第一個rbm；

步驟(4.2)：設定第一個rbm的權(quán)重和偏移量，第一個rbm的隱元作為第二個rbm的顯元，充分訓練第二個rbm；

步驟(4.3)：頂層bp網(wǎng)絡輸入為第二個rbm隱元，輸出為標簽數(shù)據(jù)，標簽數(shù)據(jù)對應該樣本的用戶打分等級；深度信念網(wǎng)絡反向傳播，以調(diào)整第k組特征關(guān)系rk的關(guān)聯(lián)度權(quán)值ωk；其中，k∈{1,2,…s}；s表示特征關(guān)系的總數(shù)，為正整數(shù)；

步驟(4.4)：深度信念網(wǎng)絡達到穩(wěn)定狀態(tài)，訓練結(jié)束；得到相關(guān)度relat(x,y)，形成檢索條件。

所述相關(guān)度relat(x,y)

其中，x表示第一種類型產(chǎn)品，y表示第二種類型產(chǎn)品。

所述特征數(shù)據(jù)是指產(chǎn)品的基本屬性特征。

一種基于本體間語義相關(guān)的三維模型檢索系統(tǒng)，包括：

數(shù)據(jù)獲取模塊：定義兩種類型的產(chǎn)品：第一種類型產(chǎn)品和第二種類型產(chǎn)品，獲取每種產(chǎn)品模型實例的特征數(shù)據(jù)，對特征數(shù)據(jù)進行歸納量化，然后利用每種產(chǎn)品模型實例的特征數(shù)據(jù)構(gòu)建對應產(chǎn)品的語義本體；

特征關(guān)系集合構(gòu)建模塊：建立第一種類型產(chǎn)品的每個特征與第二種類型產(chǎn)品每個特征之間的關(guān)系，生成特征關(guān)系集合；

深度信念網(wǎng)絡樣本集生成模塊：基于新的特征關(guān)系集合，判斷每組特征關(guān)系對應的兩個特征的屬性是否相同，若相同，則該組特征關(guān)系的值為1；否則為0；從而生成樣本集；

生成檢索推薦準則模塊：利用深度信念網(wǎng)絡對樣本集里面的樣本數(shù)據(jù)進行學習，用戶對樣本集中每個實例搭配的評價結(jié)果作為深度信念網(wǎng)絡的輸出；求得每組特征關(guān)系的關(guān)聯(lián)度權(quán)值，形成檢索推薦準則；

形成檢索結(jié)果模塊：對用戶提出的待檢索產(chǎn)品進行語義特征提取，利用檢索推薦準則實現(xiàn)待檢索產(chǎn)品的語義特征與三維模型庫中產(chǎn)品的語義特征之間相關(guān)度的計算，將滿足設定閾值的結(jié)果作為檢索結(jié)果。

在所述特征關(guān)系集合構(gòu)建模塊與所述深度信念網(wǎng)絡樣本集生成模塊之間還包括降維模塊：通過聚類算法對特征關(guān)系集合進行聚類，保留有相關(guān)性的特征，刪除沒有相關(guān)性的特征；得到若干個新的特征關(guān)系集合；從而實現(xiàn)對特征關(guān)系集合的降維。

在所述生成檢索推薦準則之前，還包括：接收用戶對樣本集中每個實例搭配的評價，將評價分為五個等級：1、2、3、4和5，將用戶對每個實例搭配的評價取平均數(shù)，四舍五入后，歸入五個等級之一，作為實例搭配的最終評價結(jié)果；若最終評價結(jié)果屬于五個等級中的某一個等級，則該等級的值為1，其他等級的值為0。

所述生成檢索推薦準則的步驟為：

步驟(4.1)：利用樣本集訓練第一個rbm；

步驟(4.2)：設定第一個rbm的權(quán)重和偏移量，第一個rbm的隱元作為第二個rbm的顯元，充分訓練第二個rbm；

步驟(4.3)：頂層bp網(wǎng)絡輸入為第二個rbm隱元，輸出為標簽數(shù)據(jù)，標簽數(shù)據(jù)對應該樣本的用戶打分等級；深度信念網(wǎng)絡反向傳播，以調(diào)整第k組特征關(guān)系rk的關(guān)聯(lián)度權(quán)值ωk；其中，k∈{1,2,…s}；s表示特征關(guān)系的總數(shù)，為正整數(shù)；

步驟(4.4)：深度信念網(wǎng)絡達到穩(wěn)定狀態(tài)，訓練結(jié)束；得到相關(guān)度relat(x,y)，形成檢索條件。

所述相關(guān)度relat(x,y)：

其中，x表示第一種類型產(chǎn)品，y表示第二種類型產(chǎn)品。

本發(fā)明的有益效果：

(1)本發(fā)明是從一種較新的角度考慮三維模型的檢索問題，針對于場景建模和產(chǎn)品裝配等特定問題進行了研究，以解決此類領(lǐng)域帶來的三維檢索新問題；

(2)本發(fā)明利用領(lǐng)域知識，進行啟發(fā)式檢索，提高了檢索算法的智能化；

(3)本發(fā)明利用模型間的語義相關(guān)度作為檢索條件，即去除了使用形體特征來檢索的復雜度，又解決了單一語義檢索的低查準率；

(4)本發(fā)明的基于本體間語義相關(guān)的三維模型檢索方法提高了檢索的查準率，從而加快了檢索速度。

附圖說明

圖1是根據(jù)桌子特征構(gòu)建本體示意圖；

圖2是根據(jù)桌椅之間特征相關(guān)性構(gòu)建語義關(guān)系示意圖；

圖3是本發(fā)明流程步驟示意圖；

圖4(a)是用戶所選桌子模型；

圖4(b1)-圖4(b10)是方法1(基于風格的三維模型檢索方法)的檢索首頁結(jié)果；

圖4(c1)-圖4(c10)是方法2(基于顏色的三維模型檢索方法)的檢索首頁結(jié)果；

圖4(d1)-圖4(d10)是本發(fā)明的檢索首頁結(jié)果；

圖5是本發(fā)明的檢索方法與其他檢索方法首頁查準率對比示意圖。

具體實施方式

下面結(jié)合附圖與實施例對本發(fā)明作進一步說明。

本發(fā)明的一種基于本體間語義相關(guān)的三維模型檢索方法，本方法包含如下步驟：數(shù)據(jù)獲取，數(shù)據(jù)分析，生成檢索條件，形成檢索結(jié)果。

數(shù)據(jù)獲取：獲取產(chǎn)品模型實例的特征數(shù)據(jù)構(gòu)建本體及獲取用戶評價數(shù)據(jù)。

數(shù)據(jù)分析：通過聚類算法對兩個產(chǎn)品本體之間的屬性特征的相關(guān)性進行分析，相關(guān)性較大的特征會聚在一起，因此可以去掉不相關(guān)或相關(guān)性較小的特征關(guān)系，從而實現(xiàn)對特征關(guān)系集合的降維。

生成檢索條件：本算法中對于特征關(guān)系的量化值只有0、1兩種取值，表示特征間有相關(guān)性或無相關(guān)性，利用深度信念網(wǎng)絡對實例樣本數(shù)據(jù)的學習，求得各屬性關(guān)聯(lián)度權(quán)值，形成檢索準則即檢索條件。

形成檢索結(jié)果：對于用戶提出的產(chǎn)品，在模型庫中對相關(guān)產(chǎn)品利用檢索條件實現(xiàn)對產(chǎn)品之間相關(guān)度的確認，最終形成檢索結(jié)果。

1、數(shù)據(jù)獲取

針對產(chǎn)品的內(nèi)在要素和外在要素進行分析，列出其主要特征，并在互聯(lián)網(wǎng)上搜集各設計實例，每一套組合的特征語義進行數(shù)據(jù)搜集，將所有特征參數(shù)值進行歸納量化。在此以餐廳中的餐桌與餐椅為例進行分析。

(1)桌子的特征分析

桌子的結(jié)構(gòu)最主要的就由兩個部分組成，桌面和桌腿，桌面包含了桌面形狀，桌面材質(zhì)，桌面顏色，桌腿包含了桌腿形狀，桌腿材質(zhì)，桌腿顏色，桌腿個數(shù)，除了這些特征還有整體特征，是否有雕刻，是否有弧度存在，如圖1所示。桌子的場景特征包含所使用地點和風格。桌子的本體圖如圖2所示。

(2)進行歸納量化

根據(jù)所搜集的樣本數(shù)據(jù)進行歸納量化，如表1所示

表1

2、數(shù)據(jù)分析

如圖3所示，通過聚類分析得出餐桌與餐椅的相關(guān)特征兩兩組合構(gòu)成一個集合。將每個相關(guān)特征對作為一個數(shù)據(jù)單元。將桌子的每個特征與椅子的每個特征結(jié)合，生成特征關(guān)系集合。桌子11個特征，椅子16個特征，共生成176個特征關(guān)系。但大部分特征之間都無關(guān)系。比如桌子的弧度只與椅子的弧度有關(guān)系，與椅子的其它特征無直接關(guān)系，因此176個特征關(guān)系集合中大部分值都是0，可以通過聚類分析對其進行降維處理，保留有效的特征關(guān)系，生成新的特征關(guān)系集合。

3、生成檢索條件

本算法中對于特征關(guān)系的量化值只有0、1兩種取值，表示特征間有相關(guān)性或無相關(guān)性，考慮到深度信念網(wǎng)絡中底層的所使用的受限波茲曼機要求每個神經(jīng)元只有開和關(guān)0、1兩種狀態(tài)，且收斂速度快，因此選擇了深度信念網(wǎng)絡對實例樣本數(shù)據(jù)的學習。

隨機選取了50例搭配實例，做成調(diào)查表，調(diào)查了140人，有效問卷139份，對于每組搭配實例進行評價，評價分為5個等級(1，2，3，4，5)，將所有用戶對某一實例搭配的評價值取平均數(shù)四舍五入歸為5個等級之一，作為該實例的搭配的最終評價結(jié)果。根據(jù)實例的相關(guān)特征的值是否相同賦值為1或0，生成樣本集，標簽數(shù)據(jù)為5個等級分類，屬于某等級則相應等級的值為1，其它為0。dbn網(wǎng)絡結(jié)構(gòu)由兩層rbm加一層反向傳播網(wǎng)絡組成，兩層rbm節(jié)點數(shù)分別為15，10。

由此求得各屬性關(guān)聯(lián)度權(quán)值，形成檢索準則即檢索條件。

4、形成檢索結(jié)果

對于用戶提出的產(chǎn)品，獲取其特征語義值，在模型庫中對相關(guān)產(chǎn)品利用檢索條件實現(xiàn)對產(chǎn)品之間相關(guān)度的確認，最終形成檢索結(jié)果。如圖4(a)、圖4(b1)-圖4(b10)、圖4(c1)-圖4(c10)、圖4(d1)-圖4(d10)所示。

此方法流程如圖所示：

假設第一種類型產(chǎn)品x具有特征{x1,x2,…xm}，第二種類型產(chǎn)品y具有特征{y1,y2,…yn}；

步驟1假設第一種類型產(chǎn)品x中的每一個特征與第二種類型產(chǎn)品y中的所有特征都有關(guān)系，建立兩類產(chǎn)品特征之間的關(guān)系集合c＝{c11,c12,…cmn}；其中cij＝(xi,yj)；i∈1,2,…m,j∈1,2,…n；

步驟2對于兩類產(chǎn)品特征之間的關(guān)系集合c＝{c11,c12,…cmn}用聚類算法進行聚類得到包含s個相關(guān)特征的集合r＝{r1,r2,…rs},r∈c,其中rk為相關(guān)特征，k∈{1,2,…s}；

步驟3假設第一種類型產(chǎn)品x與第二種類型產(chǎn)品y通過排列組合形成t個搭配實例，對于第o個搭配實例，根據(jù)公式(1)求出其s個相關(guān)特征的值構(gòu)成集合ro中rok值，其中，ro＝{ro1,ro2,…ros}，o∈{1,2,…t}，從而得到樣本集{r1,r2,…rt}；

步驟4：對樣本集通過dbn訓練，生成推薦準則。

步驟4.1：根據(jù)步驟3得到的樣本集{r1,r2,…rt}，訓練第一個rbm；

步驟4.2：設定第一個rbm的權(quán)重和偏移量，第一個rbm的隱元作為第二個rbm的顯元，充分訓練第二個rbm；

步驟4.3：頂層bp網(wǎng)絡輸入為第二個rbm隱元，輸出為標簽數(shù)據(jù)，標簽數(shù)據(jù)對應該樣本的用戶打分等級；共分五級，分值相對某一等級則取值為1，其它為0。反向傳播，以調(diào)整特征關(guān)系rk,k∈{1,2,…s}的關(guān)聯(lián)度權(quán)值ωk。

步驟4.4：達到穩(wěn)定狀態(tài)，訓練結(jié)束。得到相關(guān)度公式relat(x,y)如式(2)，形成檢索條件。

步驟5：對于輸入的某產(chǎn)品，獲取其特征語義信息，并在數(shù)據(jù)庫中根據(jù)檢索條件找到相關(guān)度值高于一定閾值的相關(guān)產(chǎn)品作為檢索結(jié)果，如圖5所示，發(fā)明的檢索方法與其他檢索方法首頁查準率對比示意圖。

rbm(限制波爾茲曼機)、bn(深度信念網(wǎng)絡)。

上述雖然結(jié)合附圖對本發(fā)明的具體實施方式進行了描述，但并非對本發(fā)明保護范圍的限制，所屬領(lǐng)域技術(shù)人員應該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護范圍以內(nèi)。