專利名稱：三維對象的特征選擇方法及裝置的制作方法
技術領域：
本發(fā)明涉及多々某體技術領域，特別涉及一種三維對象的特征選擇方法及裝置。
背景技術：
近年來，隨著基于圖像的三維對象表示和渲染技術的發(fā)展，基于多視圖的 三維對象的標注、識別、檢索等技術逐漸成為熱點。在這些技術中，三維對象 的視圖往往用 一組或幾組底層視覺特征來表示，底層視覺特征主要是像素級的 特征，包括顏色、紋理、形狀等。這些特征在描述不同類別的對象時的重要性 是不一樣的，在比較兩類對象時所起的作用也常常是不同的，所以需要對特征 進行選擇。
現(xiàn)有在基于多視圖的三維對象的標注、識別、檢索等技術中，常常是通過 人工選擇的方式，實現(xiàn)三維對象的特征選擇。
在實現(xiàn)本發(fā)明的過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術存在以下缺點 如果三維對象的特征較多，或數(shù)據(jù)庫中三維對象的數(shù)目比較龐大時，通過 用戶進行特征選擇時，工作量將變得相當繁重。

發(fā)明內容
為了減少在選擇三維對象的特征時的工作量，便于對三維對象進行標注、 識別、檢索等操作，本發(fā)明實施例提供了一種三維對象的特征選擇方法及裝置。 所述技術方案如下
一方面，提供了一種三維對象的特征選擇方法，所述方法包括
分別獲取三維對象在每種特征下的相似類集合；
選擇最小相似類集合；
將所述最小相似類集合對應的特征分別和其他特征組合，得到新的組合特 征，并獲取所述三維對象在所述新的組合特征下的相似類集合，直至得到為空集的相似類集合，將所述為空集的相似類集合對應的新的組合特征作為所述三 維對象的近似最優(yōu)特征。
另一方面，提供了一種三維對象的特征選擇裝置，所述裝置包括 獲取模塊，用于分別獲取三維對象在每種特征下的相似類集合； 選擇模塊，用于選擇最小相似類集合；
處理模塊，用于將所述最小相似類集合對應的特征分別和其他特征組合， 得到新的組合特征，并獲取所述三維對象在所述新的組合特征下的相似類集合， 直至得到為空集的相似類集合，將所述為空集的相似類集合對應的新的組合特 征作為所述三維對象的近似最優(yōu)特征。
本發(fā)明實施例提供的技術方案的有益效果是
通過充分利用三維對象的不同特征，獲取三維對象在每種特征下的相似類 集合，從而得到能夠將該三維對象區(qū)別于其他類別三維對象的近似最優(yōu)特征， 在避免特征冗余的同時，還減少了特征選擇時的工作量，不僅便于對三維對象 進行標注、識別、檢索等操作，同時，本發(fā)明實施例提供的方法還可適用于規(guī) 模較大的數(shù)據(jù)庫。


為了更清楚地說明本發(fā)明實施例中的技術方案，下面將對實施例描述中所 需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明 的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下， 還可以根據(jù)這些附圖獲得其他的附圖。
圖1是本發(fā)明實施例1提供的三維對象的特征選擇方法流程圖； 圖2是本發(fā)明實施例2提供的三維對象的特征選擇方法流程圖； 圖3是本發(fā)明實施例3提供的三維對象的特征選擇裝置結構示意圖； 圖4是本發(fā)明實施例3提供的三維對象的特征選擇裝置中的獲取模塊結構 示意圖。
具體實施例方式
為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚，下面將結合附圖對本發(fā)明 實施方式作進一步地詳細描述。實施例1
參見圖1,本實施例提供了一種三維對象的特征選擇方法，該方法具體流程
:i口下
101:分別獲取三維對象在每種特征下的相似類集合； 102:選擇最小相似類集合；
103:將所述最小相似類集合對應的特征分別和其他特征組合，得到新的組 合特征，并獲取所述三維對象在所述新的組合特征下的相似類集合，直至得到 為空集的相似類集合，將所述為空集的相似類集合對應的新的組合特征作為所 述三維對象的近似最優(yōu)特征。
本實施例提供的方法，通過充分利用三維對象的不同特征，獲取三維對象 在每種特征下的相似類集合，從而得到能夠將該三維對象區(qū)別于其他類別三維 對象的近似最優(yōu)特征，不僅減少了特征選擇時的工作量，避免了特征冗余，便 于對三維對象進行標注、識別、檢索等操作，同時，還可適用于規(guī)模較大的數(shù) 據(jù)庫。
實施例2
本實施例提供了 一種三維對象的特征選擇方法，在進行三維對象的特征選 擇之前，先將三維對象數(shù)據(jù)庫中的所有三維對象人工分成若干個類別，并對每 個類別進行標注；其次，將每個三維對象置于攝像機陣列中進行拍攝，得到每 個三維對象對應的二維視圖集合，這些二維視圖集合構成了基于多視圖的三維 對象數(shù)據(jù)庫。實施本實施例提供的方法的前提是在已經對視圖集合進行了特 征提取之后，如果使用了三維對象的全部特征，每個三維對象應該都可以區(qū)分 于和自己不同類別的其他三維對象，如果不能達到區(qū)分的效果，則需要增加三 維對象的特征或者改變三維對象的類別標注，直至滿足這個前提。
為了便于說明，以對三維對象數(shù)據(jù)庫中的三維對象S進行特征選擇為例， 先將該三維對象S置于4聶〗象機陣列中進行拍攝，得到描述該三維對象S的二維 視圖集合義每幅視圖都可被提取N種特征，參見圖2，本實施例 提供的方法流程如下
201:提取三維對象S的任一特征，并計算在該任一特征下，三維對象S的 每幅視圖和其他類別三維對象的所有視圖的相似度；對于該步驟，三維對象的一見圖往往用一組或多組底層視覺特征來表示，底 層視覺特征主要是像素級的特征，包括但不限于顏色、紋理、形狀等。其中， 每一種特征又有多種提取方式，本實施例不對特征的具體提取方式進行限定。
提取三維對象s的任一特征后，得到描述三維對象s的每幅;現(xiàn)圖對應該任一特 征的特征向量，根據(jù)得到的特征向量，計算在該任一特征下，三維對象s的每 幅視圖和其他類別三維對象的所有視圖的相似度。
具體地，在計算相似度時，存在多種計算方式，本實施例不對計算相似度 的具體方式進行限定，僅以采用歐氏距離作為相似度為例，例如，提取的任一 特征為巧，得到視圖集中每幅視圖在該特征巧下的特征向量，計算每幅視圖和 數(shù)據(jù)庫中其他類別三維對象的所有視圖的歐氏距離，將計算得到的歐氏距離作 為相似度。其中，歐氏距離用于計算兩幅視圖的非相似性，兩幅視圖的歐氏距 離越小，則說明兩幅視圖的相似度越高。對于二維視圖而言，歐氏距離的計算 即為兩幅視圖變量值的平方和再平方根。
202:根據(jù)計算出的相似度，為三維對象S的每幅視圖選擇最相似視圖，并 查找最相似視圖所屬的類別，得到三維對象S在該任一特征下的相似類集合；
其中，由于兩幅視圖的歐氏距離越小，說明兩幅視圖越相似，因此，針對 該步驟，根據(jù)已經計算出的相似度，即可為每幅視圖選出最相似視圖。
203:重復步驟201和202，得到三維對象S在所有特征下的相似類集合；
具體地，三維對象S在每個特征下，均可得到一個對應的相似類集合，因 此，三維對象S有多少特征，即可得到對應的多少個相似類集合。
204:選出三維對象S的最小相似類集合，得到該最小相似類集合對應的特
征；
具體地，因選取最小相似類集合，是為了實現(xiàn)將三維對象S區(qū)分于三維對 象數(shù)據(jù)庫中的其他類別的三維對象，因此，對于該步驟，如果存在兩個或多個
相等的最小相似類集合，則可以按照隨機選取的原則，選出三維對象s的最小 相似類集合，本實施例不對最小相似類集合的選取原則進行具體限定。
205:將最小相似類集合對應的特征分別和其他特征組合，得到新的組合特 征，并計算三維對象S在該新的組合特征下的相似類集合，如果出現(xiàn)在某新的 組合特征下的相似類集合為空集，則該新的組合特征即為三維對象S的近似最 優(yōu)特征，該新的組合特征對應的原特征即可構成三維對象S的近似最優(yōu)特征集合。
具體地，以三維對象數(shù)據(jù)庫中有5個類別，記為C-(q,C2，L ,CJ為例，設三 維對象S所屬類別為q，三維對象S的最小相似類集合對應的特征為巧，該特 征巧與另 一特征&組合之后得到新的組合特征。
如果設特征巧對應的最小相似類集合為c;-(cj，其中，&2對應(^2;特征 &對應的最小相似類集合為(；={(^2,&3},其中，c;3對應q ,則特征《與&組合 之后的新的組合特征對應的相似類集合為c;-(cj,該集合為非空集，說明特征 《與《組合之后的新的組合特征并不是最優(yōu)近似特征；
如果設特征《對應的最小相似類集合為c;-(cj，其中，<^2對應<:2 ;特征 《對應的最小相似類集合為c;-(cj,其中，c^對應C3 ,則特征巧與《組合之 后的新的組合特征對應的相似類集合為空集，說明特征巧與巧組合之后的新的 組合特征是最優(yōu)近似特征。
對組合特征求相似類集合，即是將組合特征對應的每種特征的相似類集合 相與。
綜上，通過步驟201至步驟205,即可得到三維對象S的近似最優(yōu)特征，有 了近似最優(yōu)特征，即可將三維對象S區(qū)分于其他類別的三維對象。同理，利用 同樣的方法，還可以求得三維對象數(shù)據(jù)庫中的其他三維對象的近似最優(yōu)特征， 從而得到三維對象數(shù)據(jù)庫中的所有三維對象的近似最優(yōu)特征。近似最優(yōu)特征是 描述三維對象的最好特征，它能將每個三維對象區(qū)分開，代表了三維對象的特 征屬性。實驗證明，通過本實施例提供的方法得到的近似最優(yōu)特征集合不僅精 簡，且集合的大小與特征維數(shù)有關，在特征維數(shù)l^高(如100至256維)，特征 較多(如20個左右)時，使用包含5至7個特征的近似最優(yōu)特征集合即可將三 維對象和其他類別的三維對象區(qū)別開。
下面，以三維對象數(shù)據(jù)庫中有M個類別，記為CHC,，C2,L，CM)為例，對本實
施例提供的方法進行舉例說明
對于三維對象S的二維視圖集合義={^; :2,...，&},提取特征巧，得到二維視
圖集中每幅視圖的特征向量，計算每幅視圖和其他類別三維對象的所有視圖的 歐氏距離，選取歐氏距離最小的視圖作為最相似視圖，并得到最相似視圖的類
別，將三維對象s在底層視覺特征巧下的相似類集合記為c,—c^,c;2，…c"。在
底層視覺特征尸,下，三維對象S區(qū)分其他類別三維對象的區(qū)分向量為<formula>formula see original document page 9</formula> ，其中<formula>formula see original document page 9</formula>
其中，區(qū)分向量4即代表了三維對象s在特征《下的相似類集合，而區(qū)分 向量中的1對應最相似視圖所屬類別，同理，求得三維對象s在所有特征下的
特征區(qū)分向量集合為
(4，Uw}，其中，4&4&…&^ -o。
該三維對象S在所有特征下求得的特征區(qū)分向量代表了該三維對象S和其他 類別的可區(qū)分性(滿足實施本實施例提供的方法的前提)。
接下來，通過貪心算法計算三維對象S的近似最優(yōu)特征，具體算法如下
1) 求出區(qū)分向量集合^4 = {4，4,...，^}中含1個數(shù)最少的區(qū)分向量作為第一 個備選向量(即最小相似類集合)，以^作為含1個數(shù)最少的區(qū)分向量為例。
2) 對區(qū)分向量集合J中的所有區(qū)分向量，將每個區(qū)分向量與第一個備選向 量相與，將結果做為更新的備選區(qū)分向量，得到更新的區(qū)分向量集合，記為Z(即 新的組合特征對應的相似類集合)，如果在Z中出現(xiàn)為全O的區(qū)分向量，則為全 0的區(qū)分向量對應的組合特征即為三維對象S的近似最優(yōu)特征，該組合特征的原 特征為三維對象S的近似最優(yōu)特征集合，否則，使用^轉步驟1)。
4)得到所有三維對象的近似最優(yōu)特征集合。
綜上所述，本實施例提供的方法，通過充分利用三維對象的不同特征，獲 取三維對象在每種特征下的相似類集合，不僅可以得到精簡的三維對象的近似 最優(yōu)特征，避免了特征冗余，適用于規(guī)模較大的數(shù)據(jù)庫，還減少了特征選擇時 的工作量，便于對三維對象進行標注、識別、檢索等操作。
實施例3
參見圖3,本實施例提供了一種三維對象的特征選擇裝置，所述裝置包括 獲取模塊301,用于分別獲取三維對象在每種特征下的相似類集合； 選擇才莫塊302，用于選擇最小相似類集合；
處理模塊303,用于將最小相似類集合對應的特征分別和其他特征組合，得 到新的組合特征，并獲取三維對象在新的組合特征下的相似類集合，直至得到 為空集的相似類集合，將為空集的相似類集合對應的新的組合特征作為三維對 象的近似最優(yōu)特征。
進一步地，參見圖4,上述獲取才莫塊301，包括提取單元301a，用于提取三維對象的每種特征；
計算單元301b，用于在提取的三維對象的每種特征下，計算三維對象的每 幅視圖和其他類別三維對象的所有視圖的相似度；
選擇單元301c,用于根據(jù)計算單元301b計算出的相似度，為三維對象的每 幅視圖選擇最相似視獲取單元301d，用于查找選擇單元301c選擇出的最相似視圖所屬的類別， 得到三維對象在每種特征下的相似類集合。
其中，計算單元301b,具體用于在提取的三維對象的每種特征下，獲取三 維對象的每幅視圖的特征向量；根據(jù)特征向量，計算三維對象的每幅視圖與其 他類別三維對象的所有視圖的歐氏距離，將計算出的歐氏距離作為三維對象的 每幅視圖和其他類別三維對象的所有一見圖的相似度；
相應地，選擇單元301c,具體用于為三維對象的每幅視圖，選擇與其歐氏 距離最小的視圖作為最相似視圖。
其中，由于兩幅視圖的歐氏距離越小，說明兩幅視圖越相似，因此，根據(jù) 已經計算出的相似度，即可為每幅視圖選出最相似視圖。
進一步地，選擇模塊302在選擇最小相似類集合時，如果存在多個相等的 最小相似類集合，則隨機選擇一個最小相似類集合。
因選取最小相似類集合，是為了實現(xiàn)將三維對象S區(qū)分于三維對象數(shù)據(jù)庫 中的其他類別的三維對象，因此，對于選拷，模塊302，如果存在兩個或多個相等 的最小相似類集合，則可以按照隨機選取的原則，選出三維對象S的最小相似 類集合，本實施例不對選擇模塊302在選擇最小相似類集合時的選取原則進行 具體限定。
綜上所述，本實施例提供的裝置，通過充分利用三維對象的不同特征，獲 取三維對象在每種特征下的相似類集合，不僅可以得到精簡的三維對象的近似 最優(yōu)特征，避免了特征冗余，適用于規(guī)模較大的數(shù)據(jù)庫，還減少了特征選擇時 的工作量，便于對三維對象進行標注、識別、檢索等操作。
上述本發(fā)明實施例序號僅僅為了描述，不代表實施例的優(yōu)劣。
本發(fā)明實施例中的部分步驟，可以利用軟件實現(xiàn)，相應的軟件程序可以存 儲在可讀取的存儲介質中，如光盤或硬盤等。
以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的 保護范圍之內。
權利要求
1、一種三維對象的特征選擇方法，其特征在于，所述方法包括分別獲取三維對象在每種特征下的相似類集合；選擇最小相似類集合；將所述最小相似類集合對應的特征分別和其他特征組合，得到新的組合特征，并獲取所述三維對象在所述新的組合特征下的相似類集合，直至得到為空集的相似類集合，將所述為空集的相似類集合對應的新的組合特征作為所述三維對象的近似最優(yōu)特征。
2、 根據(jù)權利要求1所述的方法，其特征在于，所述分別獲取三維對象在每 種特征下的相似類集合，包括在提取的所述三維對象的每種特征下，計算所述三維對象的每幅視圖和其 他類別三維對象的所有視圖的相似度；根據(jù)計算出的相似度，為所述三維對象的每幅一見圖選擇最相似視圖，并查找最相似視圖所屬的類別，得到所述三維對象在每種特征下的相似類集合。
3、 根據(jù)權利要求2所述的方法，其特征在于，所述在提取的所述三維對象 的每種特征下，計算所述三維對象的每幅視圖和其他類別三維對象的所有視圖的相似度，具體包括在提取的所述三維對象的每種特征下，獲取所述三維對象的每幅視圖的特征向量；根據(jù)所述特征向量，計算所述三維對象的每幅視圖與其他類別三維對象的 所有視圖的歐氏距離，將計算出的歐氏距離作為所述三維對象的每幅視圖和其 他類別三維對象的所有3見圖的相似度；相應地，所述根據(jù)計算出的相似度，為所述三維對象的每幅視圖選擇最相 似視圖，具體包括為所述三維對象的每幅視圖，選擇與其歐氏距離最小的視圖作為最相似視圖。
4、 根據(jù)權利要求1所述的方法，其特征在于，所述選擇最小相似類集合時，如果存在多個相等的最小相似類集合，則隨機選擇一個最小相似類集合。
5、 一種三維對象的特征選擇裝置，其特征在于，所述裝置包括 獲取模塊，用于分別獲取三維對象在每種特征下的相似類集合； 選擇模塊，用于選擇最小相似類集合；處理模塊，用于將所述最小相似類集合對應的特征分別和其他特征組合， 得到新的組合特征，并獲取所述三維對象在所述新的組合特征下的相似類集合， 直至得到為空集的相似類集合，將所述為空集的相似類集合對應的新的組合特 征作為所述三維對象的近似最優(yōu)特征。
6、 根據(jù)權利要求5所述的裝置，其特征在于，所述獲取模塊，包括 提取單元，用于提取所述三維對象的每種特征；計算單元，用于在提取的所述三維對象的每種特征下，計算所述三維對象 的每幅視圖和其他類別三維對象的所有視圖的相似度；選擇單元，用于才艮據(jù)所述計算單元計算出的相似度，為所述三維對象的每 幅視圖選擇最相似-f見圖；獲取單元，用于查找選擇單元選擇出的最相似^L圖所屬的類別，得到所述 三維對象在每種特征下的相似類集合。
7、 根據(jù)權利要求6所述的裝置，其特征在于，所述計算單元，具體用于在 提取的所述三維對象的每種特征下，獲取所述三維對象的每幅視圖的特征向量； 根據(jù)所述特征向量，計算所述三維對象的每幅;現(xiàn)圖與其他類別三維對象的所有 視圖的歐氏距離，將計算出的歐氏距離作為所述三維對象的每幅視圖和其他類 別三維對象的所有視圖的相似度；相應地，所述選擇單元，具體用于為所述三維對象的每幅視圖，選擇與其 歐氏距離最小的視圖作為最相似視圖。
8、 根據(jù)權利要求5所述的裝置，其特征在于，所述選擇模塊在選擇最小相 似類集合時，如果存在多個相等的最小相似類集合，則隨機選擇一個最小相似 類集合。
全文摘要
本發(fā)明公開了一種三維對象的特征選擇方法及裝置，屬于多媒體技術領域。所述方法包括獲取三維對象在每種特征下的相似類集合；選擇最小相似類集合；將所述最小相似類集合對應的特征和其他特征組合，得到新的組合特征，獲取所述三維對象在新的組合特征下的相似類集合，直至得到為空集的相似類集合，將所述為空集的相似類集合對應的新的組合特征作為所述三維對象的近似最優(yōu)特征。本發(fā)明通過獲取三維對象在每種特征下的相似類集合，得到三維對象的近似最優(yōu)特征，具有減少特征選擇時的工作量，便于對三維對象進行標注、識別、檢索等操作的效果。
文檔編號G06T15/00GK101577011SQ20091008707
公開日2009年11月11日 申請日期2009年6月18日 優(yōu)先權日2009年6月18日
發(fā)明者爾桂花, 戴瓊海, 瑤 路 申請人:清華大學