專利名稱：基于相關(guān)度信息的三維模型的特征提取方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計算機應(yīng)用領(lǐng)域，尤其涉及一種基于相關(guān)度信息的三維模型的特征提 取方法和裝置。
背景技術(shù)：
近年來，隨著互聯(lián)網(wǎng)上越來越多的三維模型的出現(xiàn)，如何對這些三維模型進行檢 索成為一個關(guān)鍵問題。三維模型檢索指的是通過一個已有的三維模型來檢索出與它最相似 的幾個三維模型。兩個三維模型的相似度是指在規(guī)范化的坐標系中一個三維模型表面上的 任意一點到另一個三維模型表面最近一點的距離的平方和。然而，直接比較兩個三維模型 的相似度需要大量的計算時間，不適合目前三維模型檢索系統(tǒng)對實時性的要求，因此，需要 先對三維模型進行特征提取得到特征描述符。由于特征描述符是一個固定維數(shù)的特征向量 即多維歐式空間中的一點，這樣一來，兩個三維模型之間的相似度比較就轉(zhuǎn)化為了兩個點 之間距離遠近的比較，從而使三維模型檢索系統(tǒng)的實時性得到了保證。現(xiàn)有技術(shù)中的一種三維模型的特征提取方法為深度緩存算法。該算法采用深度 緩存法進行特征提取，主要處理過程如下對三維模型進行平移、縮放、旋轉(zhuǎn)的規(guī)范化預(yù)處理，計算出三維模型相對于包圍盒 六個表面的深度，得到六個面分別對應(yīng)的六幅深度圖像。然后，對六幅深度圖像分別進行二 維快速傅立葉變換，并通過低頻采樣將每幅深度圖像轉(zhuǎn)化為73維的特征向量，將該特征向 量作為三維模型的每個面對應(yīng)的特征向量。然后，根據(jù)計算出的三維模型的特征向量計算出三維模型之間的相關(guān)度，獲得三 維模型的檢索結(jié)果。在實現(xiàn)本發(fā)明過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)中的三維模型的特征提取方法至少存 在如下問題該方法認為每個投影后的深度圖像與三維模型的相關(guān)度是相同的，計算出的 三維模型的特征向量沒有準確地表示三維模型的特征信息。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于相關(guān)度信息的三維模型的特征提取方法和裝置， 以有效地對三維模型進行特征提取。一種基于相關(guān)度信息的三維模型的特征提取方法，其特征在于，包括獲取三維模型的各個面分別對應(yīng)的深度圖像，分別計算出每幅深度圖像和三維模 型之間的相關(guān)度；將所述每幅深度圖像和三維模型之間的相關(guān)度加權(quán)到每幅深度圖像所對應(yīng)的面 所對應(yīng)的特征向量中，獲取三維模型的特征向量。其中，所述的獲取三維模型的各個面分別對應(yīng)的深度圖像，包括采用深度緩存算法對三維模型進行平移、縮放、旋轉(zhuǎn)的規(guī)范化預(yù)處理，計算出所述 規(guī)范化預(yù)處理后的三維模型相對于包圍盒六個表面的深度，得到三維模型的六個面分別對應(yīng)的六幅深度圖像。其中，所述的分別計算出每幅深度圖像和三維模型之間的相關(guān)度，包括計算出深度圖像中包括的圖像輪廓點的總數(shù)目，將所述總數(shù)目作為深度圖像和三 維模型之間的相關(guān)度，所述的輪廓點表示該點的深度值不為0而它的八個鄰接點中有一個 點的深度值為0 ；或者，從深度圖像的中心點出發(fā)每隔固定角度發(fā)射一條射線，該射線會與深度圖像中許 多深度值不為0的點相交，在這些交點中與深度圖像的中心距離最遠的點即為該射線上的 采樣點，提取深度圖像中的所有采樣點，將所有的采樣點與深度圖像的中心點之間的距離 進行疊加，將得到的疊加值作為深度圖像和三維模型之間的相關(guān)度；或者，將深度圖像中包括的所有點的深度值進行疊加，將得到的疊加值作為深度圖像和 三維模型之間的相關(guān)度；或者，將深度圖像的中心點到深度圖像的所有面中的所有點之間的距離進行疊加，將得 到的疊加值作為深度圖像和三維模型之間的相關(guān)度。其中，所述的將深度圖像的中心點到深度圖像的所有面中的所有點之間的距離進 行疊加，將得到的疊加值作為深度圖像和三維模型之間的相關(guān)度，包括設(shè)Pij為深度圖像中的點(i，j)，p。為深度圖像的中心點，Vij為深度圖像的中心點 (i，j)的深度值，d(pl，p2)為點pi與點p2之間的距離，則深度圖像和三維模型之間的相 關(guān)度Rv的計算方法如下 每一幅深度圖像由N女N個點組成，N表示深度圖像中的行數(shù)或列數(shù)。其中，所述的將所述每幅深度圖像和三維模型之間的相關(guān)度加權(quán)到每幅深度圖像 所對應(yīng)的面所對應(yīng)的特征向量中，獲取三維模型的特征向量，包括將每個面對應(yīng)的深度圖像和三維模型之間的相關(guān)度進行規(guī)范化；將規(guī)范化后的每個面對應(yīng)的深度圖像和三維模型之間的相關(guān)度加權(quán)到每個面所 對應(yīng)的特征向量中，得到三維模型的每個面所對應(yīng)的新的特征向量，將三維模型的每個面 的新的特征向量進行疊加后，得到三維模型的特征向量。其中，所述的將每個面對應(yīng)的深度圖像和三維模型之間的相關(guān)度進行規(guī)范化，包 括設(shè)爐為第i個深度圖像與三維模型的相關(guān)度，則規(guī)范化后的第i個深度圖像與三
維模型的相關(guān)度為 — 6 其中，所述的將規(guī)范化后的每個面對應(yīng)的深度圖像和三維模型之間的相關(guān)度加權(quán)到每個面所對應(yīng)的特征向量中，得到三維模型的每個面所對應(yīng)的新的特征向量，將三維模 型的每個面的新的特征向量進行疊加后，得到三維模型的特征向量，包括設(shè)F；為第i幅深度圖像所對應(yīng)的第i個面的特征向量的第j維，Ri為規(guī)范化后第 i幅深度圖像和三維模型之間的相關(guān)度，則將Ri加權(quán)到^；后，得到的第i個面的新的特征向 量為 上述M表示特征向量的維的總數(shù)。將三維模型的六個面的新的特征向量進行疊加后，得到三維模型的特征向量為 —種基于相關(guān)度信息的三維模型的特征提取裝置，其特征在于，包括相關(guān)度獲取模塊，用于獲取三維模型的各個面分別對應(yīng)的深度圖像，分別計算出 每幅深度圖像和三維模型之間的相關(guān)度；特征向量獲取模塊，用于將所述相關(guān)度計算模塊所計算出的所述每幅深度圖像和 三維模型之間的相關(guān)度加權(quán)到每幅深度圖像所對應(yīng)的面所對應(yīng)的特征向量中，獲取三維模 型的特征向量。其中，所述的相關(guān)度獲取模塊包括深度圖像獲取模塊，用于采用深度緩存算法對三維模型進行平移、縮放、旋轉(zhuǎn)的規(guī) 范化預(yù)處理，計算出所述規(guī)范化預(yù)處理后的三維模型相對于包圍盒六個表面的深度，得到 三維模型的六個面分別對應(yīng)的六幅深度圖像；相關(guān)度計算模塊，用于計算出深度圖像中包括的圖像輪廓點的總數(shù)目，將所述總 數(shù)目作為深度圖像和三維模型之間的相關(guān)度，所述的輪廓點表示該點的深度值不為0而它 的八個鄰接點中有一個點的深度值為0 ；或者，從深度圖像的中心點出發(fā)每隔固定角度發(fā)射一條射線，該射線會與深度圖像中許 多深度值不為0的點相交，在這些交點中與深度圖像的中心距離最遠的點即為該射線上的 采樣點，提取深度圖像中的所有采樣點，將所有的采樣點與深度圖像的中心點之間的距離 進行疊加，將得到的疊加值作為深度圖像和三維模型之間的相關(guān)度；或者，將深度圖像中包括的所有點的深度值進行疊加，將得到的疊加值作為深度圖像和 三維模型之間的相關(guān)度；或者，將深度圖像的中心點到深度圖像的所有面中的所有點之間的距離進行疊加，將得 到的疊加值作為深度圖像和三維模型之間的相關(guān)度。其中，所述的特征向量獲取模塊包括規(guī)范化處理模塊，用于將每個面對應(yīng)的深度圖像和三維模型之間的相關(guān)度進行規(guī) 范化；加權(quán)和疊加處理模塊，用于將規(guī)范化后的每個面對應(yīng)的深度圖像和三維模型之間的相關(guān)度加權(quán)到每個面所對應(yīng)的特征向量中，得到三維模型的每個面所對應(yīng)的新的特征向 量，將三維模型的每個面的新的特征向量進行疊加后，得到三維模型的特征向量；設(shè)η為第i幅深度圖像所對應(yīng)的第i個面的特征向量的第j維，Ri為規(guī)范化后第 i幅深度圖像和三維模型之間的相關(guān)度，則將Ri加權(quán)到巧后，得到的第i個面的新的特征向 量為 上述N表示特征向量的維的總數(shù)。將三維模型的六個面的新的特征向量進行疊加后，得到三維模型的特征向量為 本發(fā)明的優(yōu)點及功效在于，由上述本發(fā)明提供的技術(shù)方案可以看出，本發(fā)明通過 計算出每幅深度圖像和三維模型之間的相關(guān)度，將所述每幅深度圖像和三維模型之間的相 關(guān)度加權(quán)到每幅深度圖像所對應(yīng)的面所對應(yīng)的特征向量中，能夠有效地對三維模型進行特 征提取，計算出的三維模型的特征向量能夠準確地表示三維模型的特征信息。


圖1為本發(fā)明實施例一提供的一種基于相關(guān)度的三維模型的特征提取方法的處 理流程圖；圖2為本發(fā)明實施例二提供的一種基于相關(guān)度信息的三維模型的特征提取裝置 的具體實現(xiàn)結(jié)構(gòu)圖。
具體實施例方式本發(fā)明實施例中，獲取三維模型的各個面分別對應(yīng)的深度圖像，分別計算出每幅 深度圖像和三維模型之間的相關(guān)度。然后，將所述每幅深度圖像和三維模型之間的相關(guān)度 加權(quán)到每幅深度圖像所對應(yīng)的面所對應(yīng)的特征向量中，獲取三維模型的特征向量。為便于對本發(fā)明實施例的理解，下面將結(jié)合附圖以幾個具體實施例為例做進一步 的解釋說明，且各個實施例并不構(gòu)成對本發(fā)明實施例的限定。實施例一該實施例提供的一種基于相關(guān)度信息的三維模型的特征提取方法的處理流程如 圖1所示，包括如下的處理步驟步驟11、采用深度緩存算法得到三維模型的六個面分別對應(yīng)的六幅深度圖像。本發(fā)明實施例首先采用深度緩存算法得到三維模型的六幅深度圖像，具體處理過 程主要包括對三維模型進行平移、縮放、旋轉(zhuǎn)的規(guī)范化預(yù)處理。其中平移規(guī)范化使得三維模型 的質(zhì)心移動到原點，縮放規(guī)范化使得三維模型表面每個點到質(zhì)心的平均距離為一常量，旋 轉(zhuǎn)規(guī)范化通過使用CPCA (Continous Principal Component Analysis，連續(xù)主成分分析)方 法使得三維模型的三個主軸分別為X、y、ζ軸。計算出上述規(guī)范化預(yù)處理后的三維模型相對于包圍盒(Bounding Box)六個表面的深度，得到三維模型的六幅深度圖像。上述包圍盒是指確定8個頂點包圍三維模型的長 方體。步驟12、計算出每幅深度圖像和三維模型之間的相關(guān)度，并對相關(guān)度進行規(guī)范化。本發(fā)明實施例認為每幅深度圖像與三維模型的相關(guān)度均不同，需要找出深度圖像 中的某種信息，使其可以反映該深度圖像與三維模型的相關(guān)度，即該信息量越大，該深度圖 像與三維模型的相關(guān)度越大，反之亦然。本發(fā)明實施例提出了以下四種圖像信息來計算深 度圖像與三維模型之間的相關(guān)度(1)圖像輪廓點的個數(shù)如果深度圖像中某點的深度值不為0而它的八個鄰接點中有一個點的深度值為 0，則該某點為輪廓點。對于一幅深度圖像，提取所有的輪廓點，并計算它們的數(shù)目。則深度 圖像與三維模型之間的相關(guān)度Rs的計算方法如下Rs =圖像中所有輪廓點的個數(shù)(2)等弧度采樣點到圖像中心的距離和該方法對深度圖像進行等弧度輪廓采樣，即從深度圖像中心出發(fā)每隔固定角度發(fā) 射一條射線，該射線會與深度圖像中許多深度值不為0的點相交，在這些交點中與深度圖 像的中心距離最遠的點即為該射線上的采樣點。對于一幅深度圖像，提取所有的采樣點，設(shè)采樣點數(shù)目K = 256，采樣點為Pi，i = 1，2...K，圖像中心點為p。，d(pl，p2)表示點pi與點p2的距離。則深度圖像與三維模型之 間的相關(guān)度Rd的計算方法如下 (3)深度圖像中所有點的深度和設(shè)Vij為深度圖像中點(i，j)的深度值，則深度圖像與三維模型之間的相關(guān)度Rz 的計算方法如下A (4)將深度圖像的中心點到深度圖像的所有面中的所有點之間的距離進行疊加， 將得到的疊加值作為深度圖像和三維模型之間的相關(guān)度。設(shè)Pij為深度圖像中的點(i，j)，ρ。為深度圖像的中心點，Vij為深度圖像的中心點 (i，j)的深度值，d(pl，p2)為點pi與點p2之間的距離，則相關(guān)度Rv的計算方法如下
N 每一幅深度圖像由N女N個點組成，N表示深度圖像中的行數(shù)或列數(shù)。在計算出了六個面的深度圖像分別與三維模型的相關(guān)度之后，需要把六個面的相 關(guān)度分別進行規(guī)范化。設(shè)爐為第i個深度圖像與三維模型的相關(guān)度，則規(guī)范化后的第i個深度圖像與三 維模型的相關(guān)度為 步驟13、將規(guī)范化后的每個面對應(yīng)的深度圖像和三維模型之間的相關(guān)度加權(quán)到每 個面所對應(yīng)的特征向量中，得到三維模型的特征向量。將規(guī)范化后的每個面的深度圖像與三維模型的相關(guān)度加權(quán)到每個面所對應(yīng)的特 征向量中，得到三維模型的每個面所對應(yīng)的新的特征向量。設(shè)η為第i幅深度圖像所對應(yīng)的第i個面的特征向量的第j維，Ri為規(guī)范化后第 i幅深度圖像和三維模型之間的相關(guān)度，則將Ri加權(quán)到。后，得到的第i個面的新的特征向 量為 上述M表示特征向量的維的總數(shù)。將三維模型的六個面的新的特征向量進行疊加后，可以得到一個三維模型的特征 比如，當M = 73時，則上述三維模型的特征向量可以表示為 在分別得到了兩個三維模型ml與m2的特征向量vl與v2后，可以計算出兩個三 維模型ml與m2之間的相似度S (ml, m2)，具體計算方法如下S(ml, m2) = d(vl, v2)上述d(vl，v2)表示向量vl與v2間的曼哈頓距離(Li-距離)。本發(fā)明實施例還提供了將上述本發(fā)明實施例所述的三維模型的特征提取方法應(yīng) 用在PSB (Princeton Shape Benchmark，普林斯頓三維模型標準庫)中的實驗結(jié)果。PSB是 由普林斯頓大學建立的第一個三維模型公認標準庫，共有三維模型1814個，分成92個基本 小類，有汽車、飛機、人、動物、家具、植物等幾乎與人們生活相關(guān)的物品模型。分別采用上述四種計算深度圖像與三維模型的相關(guān)度的方法來分別計算出三維 模型的特征向量，再采用Ll度量方式計算出三維模型之間的相似度距離，得到三維模型的 檢索結(jié)果。然后，采用如下的幾種三維模型檢索領(lǐng)域標準的評價方法來評價所得到的三維 模型的檢索結(jié)果。Nearest neighbor (最鄰近)。該評價方式描述與查詢模型最相似的模型是否屬 于同一個模型類。First-tier (第一層)禾口 Second-tier (第二層)。First-tier 禾口 Second-tier 評 價方式表示在返回的最相似M個模型中相關(guān)模型個數(shù)與查詢模型類中模型個數(shù)的比例。設(shè) 定C表示查詢模型類中模型的個數(shù)(不包含查詢模型)。在First-tier評價方式下，M =
C ；在 Second-tier 評價方式下，M= 2X |C|。
10
Discounted Cumulative Gain (DCG)。設(shè)定G是根據(jù)所有模型與查詢模型的相似 度距離序列轉(zhuǎn)換而得的一個列表，如果相似度距離序列中第i個模型屬于查詢模型類，則 Gi設(shè)為1，否則為0。
然后將上述公式1的結(jié)果除以一個最大可能值得到最終的
其中k表示模型庫中模型的總數(shù)，Icl表示查詢模型類的模型個數(shù)。采用上述幾種標準的評價方法對三維模型的檢索性能進行評價，得到的評價結(jié)果 如表1所示。其中NR表示不使用相關(guān)度的特征提取算法；Rs、Rd、RV、Rz分別表示上述實施 例中提到的四種相關(guān)度方法。表1 五種算法的多種評價方式結(jié)果 從上述表1可以看出，使用等弧度采樣點到圖像中心的距離和作為相關(guān)度的方法 (Rd)檢索效果最好。本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例方法中的全部或部分流程，是可以 通過計算機程序來指令相關(guān)的硬件來完成，所述的程序可存儲于一計算機可讀取存儲介質(zhì) 中，該程序在執(zhí)行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質(zhì)可為磁 碟、光盤、只讀存儲記憶體(Read-Only Memory, ROM)或隨機存儲記憶體(Random Access Memory, RAM)等。實施例二本發(fā)明實施例還提供了一種基于相關(guān)度信息的三維模型的特征提取裝置，其具體 實現(xiàn)結(jié)構(gòu)如圖2所示，包括相關(guān)度獲取模塊21，用于獲取三維模型的各個面分別對應(yīng)的深度圖像，分別計算
11出每幅深度圖像和三維模型之間的相關(guān)度；特征向量獲取模塊22，用于將所述相關(guān)度計算模塊所計算出的所述每幅深度圖像 和三維模型之間的相關(guān)度加權(quán)到每幅深度圖像所對應(yīng)的面所對應(yīng)的特征向量中，獲取三維 模型的特征向量。所述的相關(guān)度獲取模塊21包括深度圖像獲取模塊211，用于采用深度緩存算法對三維模型進行平移、縮放、旋轉(zhuǎn) 的規(guī)范化預(yù)處理，計算出所述規(guī)范化預(yù)處理后的三維模型相對于包圍盒六個表面的深度， 得到三維模型的六個面分別對應(yīng)的六幅深度圖像；相關(guān)度計算模塊212，用于計算出深度圖像中包括的圖像輪廓點的總數(shù)目，將所述 總數(shù)目作為深度圖像和三維模型之間的相關(guān)度，所述的輪廓點表示該點的深度值不為0而 它的八個鄰接點中有一個點的深度值為0 ；或者，從深度圖像的中心點出發(fā)每隔固定角度發(fā)射一條射線，該射線會與深度圖像中許 多深度值不為0的點相交，在這些交點中與深度圖像的中心距離最遠的點即為該射線上的 采樣點，提取深度圖像中的所有采樣點，將所有的采樣點與深度圖像的中心點之間的距離 進行疊加，將得到的疊加值作為深度圖像和三維模型之間的相關(guān)度；或者，將深度圖像中包括的所有點的深度值進行疊加，將得到的疊加值作為深度圖像和 三維模型之間的相關(guān)度；或者，將深度圖像的中心點到深度圖像的所有面中的所有點之間的距離進行疊加，將得 到的疊加值作為深度圖像和三維模型之間的相關(guān)度。設(shè)Pij為深度圖像中的點(i，j)，p。為深度圖像的中心點，Vij為深度圖像的中心點 (i，j)的深度值，d(pl，p2)為點pi與點p2之間的距離，則相關(guān)度RV的計算方法如下 每一幅深度圖像由N女N個點組成，N表示深度圖像中的行數(shù)或列數(shù)。所述的特征向量獲取模塊22包括規(guī)范化處理模塊221，用于將每個面對應(yīng)的深度圖像和三維模型之間的相關(guān)度進
行規(guī)范化。設(shè)Ri為第i個深度圖像與三維模型的相關(guān)度，則規(guī)范化后的第i個深度圖像與
三維模型的相關(guān)度為 _ 6 加權(quán)和疊加處理模塊222，用于將規(guī)范化后的每個面對應(yīng)的深度圖像和三維模型 之間的相關(guān)度加權(quán)到每個面所對應(yīng)的特征向量中，得到三維模型的每個面所對應(yīng)的新的特 征向量，將三維模型的每個面的新的特征向量進行疊加后，得到三維模型的特征向量；設(shè)G為第i幅深度圖像所對應(yīng)的第i個面的特征向量的第j維，Ri為規(guī)范化后第i幅深度圖像和三維模型之間的相關(guān)度，則將Ri加權(quán)到。后，得到的第i個面的新的特征向 量為 上述M表示特征向量的維的總數(shù)。將三維模型的六個面的新的特征向量進行疊加后，得到三維模型的特征向量為 綜上所述，本發(fā)明實施例給出了一種基于相關(guān)度的三維模型的特征提取算法。該 算法使用深度緩存算法進行特征提取并得到深度圖像，然后計算每個深度圖像與三維模型 的相關(guān)度，最后把相關(guān)度加權(quán)到深度圖像所對應(yīng)的特征向量中得到三維模型的特征向量。 實驗結(jié)果表明，本發(fā)明實施例能夠有效地對三維模型進行特征提取，計算出的三維模型的 特征向量能夠準確地表示三維模型的特征信息，有效地計算出三維模型之間的相似度，獲 取準確的三維模型的檢索結(jié)果。以上所述，僅為本發(fā)明較佳的具體實施方式
，但本發(fā)明的保護范圍并不局限于此， 任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換， 都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)該以權(quán)利要求的保護范圍 為準。
權(quán)利要求
一種基于相關(guān)度信息的三維模型的特征提取方法，其特征在于，包括獲取三維模型的各個面分別對應(yīng)的深度圖像，分別計算出每幅深度圖像和三維模型之間的相關(guān)度；將所述每幅深度圖像和三維模型之間的相關(guān)度加權(quán)到每幅深度圖像所對應(yīng)的面所對應(yīng)的特征向量中，獲取三維模型的特征向量。
2.根據(jù)權(quán)利要求1所述的基于相關(guān)度信息的三維模型的特征提取方法，其特征在于， 所述的獲取三維模型的各個面分別對應(yīng)的深度圖像，包括采用深度緩存算法對三維模型進行平移、縮放、旋轉(zhuǎn)的規(guī)范化預(yù)處理，計算出所述規(guī)范 化預(yù)處理后的三維模型相對于包圍盒六個表面的深度，得到三維模型的六個面分別對應(yīng)的 六幅深度圖像。
3.根據(jù)權(quán)利要求1所述的基于相關(guān)度信息的三維模型的特征提取方法，其特征在于， 所述的分別計算出每幅深度圖像和三維模型之間的相關(guān)度，包括計算出深度圖像中包括的圖像輪廓點的總數(shù)目，將所述總數(shù)目作為深度圖像和三維模 型之間的相關(guān)度，所述的輪廓點表示該點的深度值不為0而它的八個鄰接點中有一個點的 深度值為0 ；或者，從深度圖像的中心點出發(fā)每隔固定角度發(fā)射一條射線，該射線會與深度圖像中許多深 度值不為0的點相交，在這些交點中與深度圖像的中心距離最遠的點即為該射線上的采樣 點，提取深度圖像中的所有采樣點，將所有的采樣點與深度圖像的中心點之間的距離進行 疊加，將得到的疊加值作為深度圖像和三維模型之間的相關(guān)度；或者，將深度圖像中包括的所有點的深度值進行疊加，將得到的疊加值作為深度圖像和三維 模型之間的相關(guān)度；或者，將深度圖像的中心點到深度圖像的所有面中的所有點之間的距離進行疊加，將得到的 疊加值作為深度圖像和三維模型之間的相關(guān)度。
4.根據(jù)權(quán)利要求3所述的基于相關(guān)度信息的三維模型的特征提取方法，其特征在于， 所述的將深度圖像的中心點到深度圖像的所有面中的所有點之間的距離進行疊加，將得到 的疊加值作為深度圖像和三維模型之間的相關(guān)度，包括Spu為深度圖像中的點(i，j)，P。為深度圖像的中心點，Vu為深度圖像的中心點(i， j)的深度值，d(pl，p2)為點Pl與點p2之間的距離，則深度圖像和三維模型之間的相關(guān)度 Rv的計算方法如下 每一幅深度圖像由N女N個點組成，N表示深度圖像中的行數(shù)或列數(shù)。
5.根據(jù)權(quán)利要求1至4任一項所述的基于相關(guān)度信息的三維模型的特征提取方法，其 特征在于，所述的將所述每幅深度圖像和三維模型之間的相關(guān)度加權(quán)到每幅深度圖像所對應(yīng)的面所對應(yīng)的特征向量中，獲取三維模型的特征向量，包括將每個面對應(yīng)的深度圖像和三維模型之間的相關(guān)度進行規(guī)范化； 將規(guī)范化后的每個面對應(yīng)的深度圖像和三維模型之間的相關(guān)度加權(quán)到每個面所對應(yīng) 的特征向量中，得到三維模型的每個面所對應(yīng)的新的特征向量，將三維模型的每個面的新 的特征向量進行疊加后，得到三維模型的特征向量。
6.根據(jù)權(quán)利要求5所述的基于相關(guān)度信息的三維模型的特征提取方法，其特征在于， 所述的將每個面對應(yīng)的深度圖像和三維模型之間的相關(guān)度進行規(guī)范化，包括設(shè)圮為第i個深度圖像與三維模型的相關(guān)度，則規(guī)范化后的第i個深度圖像與三維模型的相關(guān)度為 _ 6
7.根據(jù)權(quán)利要求5所述的基于相關(guān)度信息的三維模型的特征提取方法，其特征在于， 所述的將規(guī)范化后的每個面對應(yīng)的深度圖像和三維模型之間的相關(guān)度加權(quán)到每個面所對 應(yīng)的特征向量中，得到三維模型的每個面所對應(yīng)的新的特征向量，將三維模型的每個面的 新的特征向量進行疊加后，得到三維模型的特征向量，包括設(shè)”為第i幅深度圖像所對應(yīng)的第i個面的特征向量的第j維，Ri為規(guī)范化后第i幅深 度圖像和三維模型之間的相關(guān)度，則將Ri加權(quán)到K后，得到的第i個面的新的特征向量為 上述M表示特征向量的維的總數(shù)。將三維模型的六個面的新的特征向量進行疊加后，得到三維模型的特征向量為
8.一種基于相關(guān)度信息的三維模型的特征提取裝置，其特征在于，該裝置包括相關(guān)度獲取模塊，用于獲取三維模型的各個面分別對應(yīng)的深度圖像，分別計算出每幅 深度圖像和三維模型之間的相關(guān)度；特征向量獲取模塊，用于將所述相關(guān)度計算模塊所計算出的所述每幅深度圖像和三維 模型之間的相關(guān)度加權(quán)到每幅深度圖像所對應(yīng)的面所對應(yīng)的特征向量中，獲取三維模型的 特征向量。
9.根據(jù)權(quán)利要求8所述的基于相關(guān)度信息的三維模型的特征提取裝置，其特征在于， 所述的相關(guān)度獲取模塊包括深度圖像獲取模塊，用于采用深度緩存算法對三維模型進行平移、縮放、旋轉(zhuǎn)的規(guī)范化 預(yù)處理，計算出所述規(guī)范化預(yù)處理后的三維模型相對于包圍盒六個表面的深度，得到三維 模型的六個面分別對應(yīng)的六幅深度圖像；相關(guān)度計算模塊，用于計算出深度圖像中包括的圖像輪廓點的總數(shù)目，將所述總數(shù)目 作為深度圖像和三維模型之間的相關(guān)度，所述的輪廓點表示該點的深度值不為0而它的八 個鄰接點中有一個點的深度值為0 ； 或者，從深度圖像的中心點出發(fā)每隔固定角度發(fā)射一條射線，該射線會與深度圖像中許多深度值不為0的點相交，在這些交點中與深度圖像的中心距離最遠的點即為該射線上的采樣 點，提取深度圖像中的所有采樣點，將所有的采樣點與深度圖像的中心點之間的距離進行 疊加，將得到的疊加值作為深度圖像和三維模型之間的相關(guān)度； 或者，將深度圖像中包括的所有點的深度值進行疊加，將得到的疊加值作為深度圖像和三維 模型之間的相關(guān)度； 或者，將深度圖像的中心點到深度圖像的所有面中的所有點之間的距離進行疊加，將得到的 疊加值作為深度圖像和三維模型之間的相關(guān)度。
10.根據(jù)權(quán)利要求8或9所述的基于相關(guān)度信息的三維模型的特征提取裝置，其特征在 于，所述的特征向量獲取模塊包括規(guī)范化處理模塊，用于將每個面對應(yīng)的深度圖像和三維模型之間的相關(guān)度進行規(guī)范化；加權(quán)和疊加處理模塊，用于將規(guī)范化后的每個面對應(yīng)的深度圖像和三維模型之間的相 關(guān)度加權(quán)到每個面所對應(yīng)的特征向量中，得到三維模型的每個面所對應(yīng)的新的特征向量， 將三維模型的每個面的新的特征向量進行疊加后，得到三維模型的特征向量；設(shè)^；為第i幅深度圖像所對應(yīng)的第i個面的特征向量的第j維，Ri為規(guī)范化后第i幅深 度圖像和三維模型之間的相關(guān)度，則將Ri加權(quán)到巧后，得到的第i個面的新的特征向量為 上述N表示特征向量的維的總數(shù)；將三維模型的六個面的新的特征向量進行疊加后，得到三維模型的特征向量為
全文摘要
本發(fā)明提供了一種基于相關(guān)度信息的三維模型的特征提取方法和裝置。該方法主要包括獲取三維模型的各個面分別對應(yīng)的深度圖像，分別計算出每幅深度圖像和三維模型之間的相關(guān)度；將所述每幅深度圖像和三維模型之間的相關(guān)度加權(quán)到每幅深度圖像所對應(yīng)的面所對應(yīng)的特征向量中，獲取三維模型的特征向量。利用本發(fā)明，能夠有效地對三維模型進行特征提取，計算出的三維模型的特征向量能夠準確地表示三維模型的特征信息。
文檔編號G06K9/62GK101894265SQ20101022097
公開日2010年11月24日 申請日期2010年6月29日 優(yōu)先權(quán)日2010年6月29日
發(fā)明者冷彪, 徐州川, 熊璋, 陳浪石 申請人:北京航空航天大學