專利名稱：一種基于支持向量機(jī)的三維模型自動分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種三維模型的自動分類方法。
背景技術(shù)：
作為繼聲音、圖像和視頻之后的第四代多媒體數(shù)據(jù)類型，三維模型是最直觀、最具表現(xiàn)力的多媒體信息。隨著激光掃描技術(shù)、三維建模軟件技術(shù)以及網(wǎng)絡(luò)技術(shù)的快速發(fā)展，三維模型的創(chuàng)建和應(yīng)用越來越廣泛，三維模型資源越來越豐富。企業(yè)產(chǎn)品類型及品種的增多、產(chǎn)品數(shù)據(jù)規(guī)模的膨脹，使得產(chǎn)品設(shè)計中三維模型的分類研究具有重要的理論與工程意義。而基于形狀的三維模型分類作為計算機(jī)圖形學(xué)領(lǐng)域的一個新興研究熱點(diǎn)，在工業(yè)產(chǎn)品的模型設(shè)計、虛擬現(xiàn)實(shí)、模擬仿真、3D游戲、計算機(jī)視覺、分子生物學(xué)和三維地理信息等各個領(lǐng)域 獲得了廣泛的應(yīng)用。在目前國內(nèi)外公開的文獻(xiàn)中，在Z. Barutcuoglu and C. Decoro, “Hierarchicalshape classification using Bayesian aggregation，，，IEEE International Conferenceon Shape Modeling and Applications, 2006.中提出了基于 Bayesian aggregation 的分類方法，對語義層次結(jié)構(gòu)中的三維模型進(jìn)行分類。在層次結(jié)構(gòu)模型中，使用相對獨(dú)立的分類器對每一類模型進(jìn)行分類時，產(chǎn)生的分類結(jié)果將會與層次結(jié)構(gòu)中“父-子”關(guān)系發(fā)生分歧。為了保持一致，一個樣本圖形必須不能被只分為一類，除非這個圖形已經(jīng)在層次結(jié)構(gòu)中被分為“父”類。在給定的用于一個任意形狀描述符的一些獨(dú)立的分類器的情況下，把它們每一個很可能不一致的分類結(jié)果結(jié)合起來，然后在貝葉斯的框架下獲得一組最一致的分類結(jié)果。最終利用分層結(jié)構(gòu)來提高整個分類結(jié)果的精度。在Z.Liu，J. Mitani, Y. Fukuiand S. Nishihara, “A 3D shape classifier with neural network supervision，，，International Journal of Computer Applications in Technology, Vol. 38, No. 1-3,2010.中提出了基于監(jiān)督型神經(jīng)網(wǎng)絡(luò)的三維模型分類方法，該方法該提供了一種基于監(jiān)督點(diǎn)空間的密度分布的三維圖形分類器。首先通過特征化點(diǎn)空間的密度分布提取出低階的特征樣本，然后訓(xùn)練一個前饋控制的神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)這些特征，從而獲得一個有效的分類器。此分類器分為兩個階段，分別為用于訓(xùn)練數(shù)據(jù)的訓(xùn)練階段和評估分類效果的測試階段。而需要注意的是分類器的精度不僅和每個樣本的權(quán)重相關(guān)，而且和神經(jīng)網(wǎng)絡(luò)中的隱藏階層的隱藏單元個數(shù)息息相關(guān)。隱藏單元個數(shù)不同，分類精度也會有很大差別。因此在訓(xùn)練分類器時，選擇最恰當(dāng)?shù)碾[藏單元個數(shù)是非常有必要的。但上述兩種三維模型分類方法有幾點(diǎn)不足(I)基于Bayesian aggregation的三維模型分類方法主要是針對屬于層次結(jié)構(gòu)中的三維模型進(jìn)行分類，具有一定的局限性，適用范圍較?。?2)基于神經(jīng)網(wǎng)絡(luò)的三維模型分類方法不能對應(yīng)非剛性變形，另外，分類精度較低
發(fā)明內(nèi)容
為了克服現(xiàn)有分類方法分類范圍局限、無法應(yīng)對非剛性變形以及精度較低的問題，本發(fā)明提供一種三維模型自動分類方法，該分類方法針對通用物體的三維模型或CAD模型進(jìn)行自動分類。首先，為了獲取三維模型的非剛性變換的特征，本發(fā)明計算三維模型任意兩個頂點(diǎn)的測地線距離，通過獲取測地線分布作為全局特征。本發(fā)明對測地線距離矩陣進(jìn)行降維和特征分解，然后利用支持向量機(jī)構(gòu)建三維模型特征的二元分類器，并采用支持向量機(jī)二元分類器的“一對一”兩兩組合構(gòu)成多元分類器。本發(fā)明可以對三維模型進(jìn)行自動分類。
本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案包括以下步驟(I)計算三維模型任意兩個頂點(diǎn)的測地線距離。本發(fā)明通過特征化頂點(diǎn)的距離獲取每個三維模型網(wǎng)格的全局特征，利用全局特征訓(xùn)練分類器對新輸入的距離特征進(jìn)行分類。本發(fā)明采用三維網(wǎng)格頂點(diǎn)的測地線距離獲取三維形狀的全局特征，測地線距離不會隨著一個三維形狀的部分發(fā)生彎曲等非剛性變化而改變，也不會隨著剛性變換而變化。本發(fā)明將三維網(wǎng)格上任意兩個頂點(diǎn)的測地線距離的計算轉(zhuǎn)換成帶約束的動態(tài)規(guī)劃問題，實(shí)際上是從起點(diǎn)出發(fā)動態(tài)規(guī)劃一條到達(dá)終點(diǎn)的最短路徑，獲取該路徑的長度，從而得到任意兩頂點(diǎn)測地線距離。(2)測地線距離矩陣的降維和特征分解。因?yàn)槿S網(wǎng)格任意兩頂點(diǎn)可以構(gòu)成測地線距離矩陣，該矩陣的特征值代表了該三維網(wǎng)格的全局特征，本發(fā)明考慮對該測地線距離矩陣進(jìn)行特征分解。然而，大規(guī)模三維網(wǎng)格形狀具有N = IM以上的頂點(diǎn)數(shù)量，將會構(gòu)成N*N=1M*1M的高維矩陣，對該矩陣進(jìn)行特征分解需要O(N3)的計算復(fù)雜度，在一個合理的時間內(nèi)根本無法實(shí)現(xiàn)。因此，本發(fā)明研究了一種降維方法，該方法目的在于從三維形狀的大規(guī)模頂點(diǎn)中采樣極少的代表性頂點(diǎn)，這些頂點(diǎn)測地線距離構(gòu)成的低維矩陣與所有頂點(diǎn)構(gòu)成的高維矩陣的特征分解近似相等，從而避免對高維矩陣進(jìn)行特征分解的計算壓力。然后進(jìn)一步對測地線距離進(jìn)行高斯化，其目的在于降低較長的測地線距離對特征分解的影響，增強(qiáng)本分類方法的魯棒性，最后采用Jacobi方法對低維矩陣進(jìn)行特征分解。(3)利用支持向量機(jī)構(gòu)建三維模型特征的二元分類器。本發(fā)明將多分類問題化解為多個二元分類器的投票表決問題，采用二元分類器兩兩組合的方式構(gòu)成多元分類器。根據(jù)提取的樣本的特征向量，通過二元分類器進(jìn)行分類，實(shí)現(xiàn)二元分類器的兩個類標(biāo)的輸出。本發(fā)明通過支持向量機(jī)方法構(gòu)建一個二元分類器，通過利用Lagrange函數(shù)求解約束優(yōu)化問題確定支持向量機(jī)的參數(shù)，同時引入高斯徑向基核函數(shù)將樣本空間映射到高維，達(dá)到線性可分。(4)利用二元分類器組合成多元分類器。本發(fā)明采用步驟(3)得到的支持向量機(jī)二元分類器的“一對一”兩兩組合構(gòu)成多元分類器。因此，對于K分類問題，將K類訓(xùn)練樣本兩兩組合，可構(gòu)建L = K(K-I)/2個訓(xùn)練集，分別使用支持向量機(jī)二元分類器對每對訓(xùn)練集進(jìn)行學(xué)習(xí)，產(chǎn)生L個二元分類器。在對測試樣本的分類中采用“投票法”來決定分類結(jié)果。本發(fā)明的有益效果是本發(fā)明實(shí)現(xiàn)了一種三維模型的自動分類方法，該方法可以提取三維模型的測地線特征，采用支持向量機(jī)方法建立二元分類器，根據(jù)“投票法”原則由兩兩組合的多個二元分類器組成一個多元分類器，從而實(shí)現(xiàn)三維模型的自動分類。首先，本發(fā)明提取的測地線距離可以適應(yīng)三維模型的剛性變換和非剛性變換，模型的特征提取過程的魯棒性更強(qiáng)，而且，在測地線距離計算時采用了動態(tài)規(guī)劃方法，提升了計算速度；其次，本發(fā)明提出一個降維方法高效計算測地線距離矩陣的特征分解，大大縮短了特征提取的時間；第三，本發(fā)明采用支持向量機(jī)方法作為二元分類器，優(yōu)點(diǎn)在于I)可以很好的對應(yīng)較少的三維模型訓(xùn)練樣本狀況；
2)具有較強(qiáng)泛化性能，提高分類魯棒性；3)具有很多的核方法支持，使得該分類器具有良好的擴(kuò)充能力以及非線性性能。實(shí)驗(yàn)證明，本發(fā)明構(gòu)成的三維模型自動分類器，具有分類精度高，適用三維模型范圍廣的特點(diǎn)。下面結(jié)合附圖和實(shí)施實(shí)例對本發(fā)明進(jìn)一步說明。



圖I為該發(fā)明實(shí)現(xiàn)的總流程圖；圖2為本發(fā)明提出的測地線距離矩陣的降維方法；圖3為基于支持向量機(jī)的分類流程；圖4為支持向量機(jī)中最優(yōu)分類面的簡單表達(dá)形式。
具體實(shí)施例方式結(jié)合附圖，具體實(shí)施步驟以下做詳細(xì)說明。如附圖I所示，本發(fā)明實(shí)現(xiàn)三維模型自動分類的總流程，該總流程圖包含了實(shí)現(xiàn)最終分類所需的各個主要步驟。首先，給定一個三維網(wǎng)格模型，計算三維模型任意兩個頂點(diǎn)的測地線距離，然后對測地線距離矩陣進(jìn)行降維和特征分解，得到三維網(wǎng)格模型全局特征，該特征利用支持向量機(jī)構(gòu)建二元分類器對其分類，并采用支持向量機(jī)二元分類器的“一對一”兩兩組合構(gòu)成多元分類器，利用該多元分類器可以獲得分類結(jié)果。在測試階段，可以通過獲取的三維網(wǎng)格模型全局特征，輸入到支持向量機(jī)二元分類器以及多元分類器進(jìn)行測試。因此，本發(fā)明可以實(shí)現(xiàn)對三維模型進(jìn)行自動分類。結(jié)合附圖，具體實(shí)施步驟以下做詳細(xì)說明。一、計算三維模型任意兩個頂點(diǎn)的測地線距離。本發(fā)明假設(shè)待分類的三維模型由多邊形網(wǎng)格進(jìn)行表現(xiàn)，每個網(wǎng)格由頂點(diǎn)、邊、多邊形根據(jù)拓?fù)潢P(guān)系構(gòu)成。本發(fā)明通過特征化頂點(diǎn)的距離獲取每個網(wǎng)格的全局特征，利用全局特征訓(xùn)練分類器對新輸入的距離特征進(jìn)行分類。但是，本發(fā)明并沒有直接使用頂點(diǎn)的歐式距離進(jìn)行特征化，原因在于歐式距離無法應(yīng)對三維網(wǎng)格的非剛性變形，然而，很多三維模型都存在一定的彎曲等柔性變換，因此歐式距離將對非剛性變換魯棒性較差，直接影響了最終的分類結(jié)果，使得本分類器分類精度變差。因此，本發(fā)明采用頂點(diǎn)的測地線距離獲取三維形狀的全局特征，測地線距離不會隨著一個三維形狀的部分發(fā)生彎曲而變化，該距離對于非剛性變換是不變的。三維網(wǎng)格上任意兩個頂點(diǎn)的測地線距離實(shí)際上是從起點(diǎn)出發(fā)動態(tài)規(guī)劃一條到達(dá)終點(diǎn)的最短路徑。設(shè)起點(diǎn)和終點(diǎn)的路徑上存在任意兩個相鄰頂點(diǎn)，分別為vi和vj，起點(diǎn)和終點(diǎn)的最短路徑可以用公式表達(dá)成一個優(yōu)化問題minZh-V;
hj本發(fā)明通過求解上述優(yōu)化問題，從而計算三維網(wǎng)格任意兩點(diǎn)的測地線距離。方法如下設(shè)起始頂點(diǎn)為Vtl,終止頂點(diǎn)為vn。起點(diǎn)至終點(diǎn)之間的路徑上每個頂點(diǎn)Vi記錄著到起點(diǎn)的測地線距離(Ii,其中(Ii e R是從起始頂點(diǎn)Vci到任意頂點(diǎn)Vi的最短路徑的長度。Vp1為Vi連接的近鄰三維網(wǎng)格頂點(diǎn)，其距離用歐式距離衡量。優(yōu)化問題的表達(dá)式如下d0 = O(Ii = min ((Ii^1+1 | Vi^1-Vi | |)本發(fā)明采用動態(tài)規(guī)劃方法，利用迭代式規(guī)劃方式，保證每一步路徑最短，動態(tài)性的規(guī)劃出最終結(jié)果，該方法可以產(chǎn)生全局最短的路徑。該動態(tài)規(guī)劃過程利用寬度搜索來實(shí)現(xiàn)，即每次搜索對三維網(wǎng)格頂點(diǎn)的k_近鄰進(jìn)行遍歷。本發(fā)明采用頂點(diǎn)、邊和多邊形的近鄰存儲列表來實(shí)現(xiàn)三維網(wǎng)格拓?fù)浣Y(jié)構(gòu)，在三維網(wǎng)格讀入過程創(chuàng)建頂點(diǎn)的近鄰列表、邊的近鄰列表、 多邊形的近鄰列表，而且，頂點(diǎn)的近鄰列表包含了近鄰頂點(diǎn)、近鄰邊、近鄰多邊形，邊的近鄰列表包含了近鄰頂點(diǎn)、近鄰邊、近鄰多邊形，多邊形的近鄰列表包含了近鄰多邊形。因此k-近鄰的遍歷僅僅需要0(1)的時間復(fù)雜度，可以保證遍歷速度足夠快，從而增加了動態(tài)規(guī)劃速度。另外，為了進(jìn)一步加快規(guī)劃速度，以應(yīng)對大規(guī)模的三維網(wǎng)格，本發(fā)明在動態(tài)規(guī)劃的過程中增加了兩個約束條件，即滿足該約束條件的三維網(wǎng)格頂點(diǎn)優(yōu)先遍歷。第一條約束條件為(Vi-Vs) · (vt-vs) > O該約束條件實(shí)質(zhì)上約定每次動態(tài)規(guī)劃的規(guī)劃方向(Vi-Vs)與起點(diǎn)到終點(diǎn)方向(Vt-Vs) 一致。該方向?yàn)閮?yōu)先規(guī)劃的方向，一旦到達(dá)終點(diǎn)即可停止規(guī)劃，增加該約束條件將大大增加動態(tài)規(guī)劃的速度，使得任意兩點(diǎn)測地線距離的計算速度加快。第二條約束條件為(Kvi, Vs) ^ I Vt-Vs |2該約束條件保證，在遍歷過程中，兩個頂點(diǎn)的測地線距離d(Vi，vs)必須大于起終點(diǎn)的歐式距離I |vt-vs| |2。由于兩點(diǎn)歐式距離是空間的最短距離，一定小于等于兩點(diǎn)的測地線距離，因此在規(guī)劃過程中，在還沒有達(dá)到歐式距離時，無需判定是否已經(jīng)到達(dá)了終點(diǎn)，可以節(jié)約時間。本發(fā)明的上述步驟可以快速計算任意兩點(diǎn)的測地線距離。二、測地線距離矩陣的降維和特征分解。通過步驟I)計算三維網(wǎng)格任意兩頂點(diǎn)的測地線距離，從而構(gòu)成一個高維矩陣D，其中行和列的索引對應(yīng)著三維網(wǎng)格頂點(diǎn)的索引，每個矩陣元素代表著任意兩個三維網(wǎng)格頂點(diǎn)的測地線距離。因?yàn)闇y地線距離矩陣的特征值代表了該三維網(wǎng)格的全局特征，本發(fā)明考慮對該測地線距離矩陣進(jìn)行特征分解。然而，大規(guī)模三維網(wǎng)格形狀具有N= IM以上的頂點(diǎn)數(shù)量，將會構(gòu)成N*N= 1M*1M的高維矩陣，對該矩陣進(jìn)行特征分解需要0(N3)的計算復(fù)雜度，在一個合理的時間內(nèi)根本無法實(shí)現(xiàn)。因此，本發(fā)明研究了一種高維測地線距離的降維方法，該方法目的在于從三維形狀的大規(guī)模頂點(diǎn)中采樣極少的代表性頂點(diǎn)，這些頂點(diǎn)測地線距離構(gòu)成的低維矩陣與所有頂點(diǎn)構(gòu)成的高維矩陣的特征分解近似相等，從而避免對高維矩陣進(jìn)行特征分解的計算壓力，大大加快了本發(fā)明的訓(xùn)練速度和運(yùn)行分類速度。如附圖2所示，該降維方法步驟如下I)計算所有測地線距離的數(shù)學(xué)期望值，這里d(i，j)是兩個頂點(diǎn)索引i和j的測地線距離。dm = E[d(i,j)]2)設(shè)降維矩陣為L，初始為空。首先選擇測地線距離最大的一對頂點(diǎn)索引(Xl，x2)，添加到空的降維矩陣L，該降維矩陣變化為
權(quán)利要求
1.一種基于支持向量機(jī)的三維模型自動分類方法，其特征在于包括下述步驟(1)通過特征化頂點(diǎn)的距離獲取每個三維模型網(wǎng)格的全局特征，利用全局特征訓(xùn)練分類器對新輸入的距離特征進(jìn)行分類；(2)從三維形狀的大規(guī)模頂點(diǎn)中采樣極少的代表性頂點(diǎn)，這些頂點(diǎn)測地線距離構(gòu)成的低維矩陣與所有頂點(diǎn)構(gòu)成的高維矩陣的特征分解近似相等，然后進(jìn)一步對測地線距離進(jìn)行高斯化，最后采用Jacobi方法對低維矩陣進(jìn)行特征分解； (3)利用支持向量機(jī)構(gòu)建三維模型特征的二元分類器，通過支持向量機(jī)方法構(gòu)建一個二元分類器，通過利用Lagrange函數(shù)求解約束優(yōu)化問題確定支持向量機(jī)的參數(shù)，同時引入高斯徑向基核函數(shù)將樣本空間映射到高維，達(dá)到線性可分；根據(jù)提取的樣本的特征向量，通過二元分類器進(jìn)行分類，實(shí)現(xiàn)二元分類器的兩個類標(biāo)的輸出；采用二元分類器兩兩組合的方式構(gòu)成多兀分類器(4)采用步驟(3)得到的支持向量機(jī)二元分類器的一對一兩兩組合構(gòu)成多元分類器， 對于K分類問題，將K類訓(xùn)練樣本兩兩組合，可構(gòu)建L = K (K-I) /2個訓(xùn)練集，分別使用支持向量機(jī)二元分類器對每對訓(xùn)練集進(jìn)行學(xué)習(xí)，產(chǎn)生L個二元分類器。在對測試樣本的分類中采用投票法來決定分類結(jié)果。
全文摘要
本發(fā)明公開了一種基于支持向量機(jī)的三維模型自動分類方法，對測地線距離矩陣進(jìn)行降維和特征分解，然后利用支持向量機(jī)構(gòu)建三維模型特征的二元分類器，并采用支持向量機(jī)二元分類器的“一對一”兩兩組合構(gòu)成多元分類器。本發(fā)明可以實(shí)現(xiàn)三維模型的自動分類，模型的特征提取過程的魯棒性更強(qiáng)，計算速度更高，大大縮短了特征提取的時間，可以很好的對應(yīng)較少的三維模型訓(xùn)練樣本狀況，具有較強(qiáng)泛化性能、良好的擴(kuò)充能力以及非線性性能。
文檔編號G06K9/62GK102622609SQ201210051160
公開日2012年8月1日 申請日期2012年3月1日 優(yōu)先權(quán)日2012年3月1日
發(fā)明者劉貞報, 唐小軍, 布樹輝, 張鳳 申請人:西北工業(yè)大學(xué)