專(zhuān)利名稱(chēng)：一種三維模型構(gòu)件類(lèi)別的自動(dòng)標(biāo)注方法
技術(shù)領(lǐng)域：
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)是一種三維模型構(gòu)件類(lèi)別的自動(dòng)標(biāo)注方法。
背景技術(shù)：
將三維模型分割為有意義的構(gòu)成部件是形狀理解和高層次幾何處理的基礎(chǔ)，更進(jìn)一步地，識(shí)別并獲取描述三維模型構(gòu)成部件類(lèi)別信息的標(biāo)注問(wèn)題又是幾何建模、三維模型動(dòng)畫(huà)及紋理等領(lǐng)域諸多任務(wù)的關(guān)鍵，例如，人體網(wǎng)格紋理合成的應(yīng)用中，需辨別網(wǎng)格中具有“胳膊”紋理的部分、或具有“腿”紋理的部分等等；另外，一些并不直接要求分割標(biāo)注的應(yīng)用，如，3D形狀匹配或檢索，也可從構(gòu)成部件及標(biāo)注類(lèi)別信息中獲益。盡管大量工作針對(duì)圖像自動(dòng)標(biāo)注展開(kāi)研究，如文獻(xiàn)1:鮑泓，徐光美，馮松鶴，須德.自動(dòng)圖像標(biāo)注技術(shù)研究進(jìn)展.計(jì)算機(jī)科學(xué)，2011，38 (7) :35-40.，然而，三維模型方面的工作多數(shù)僅針對(duì)三維模型的整體標(biāo)注進(jìn)行研究，如文獻(xiàn)2 :田楓，沈旭昆，劉賢梅，周凱，杜睿山.一種基于弱標(biāo)簽的三維模型語(yǔ)義自動(dòng)標(biāo)注方法，系統(tǒng)仿真學(xué)報(bào)，2012，24(9) : 1873-1876，1881，而未涉及三維模型構(gòu)成部件的自動(dòng)類(lèi)別標(biāo)注；另外，與三維模型構(gòu)件標(biāo)注密不可分的模型分割如文獻(xiàn)3 Chen X. , GolovinskiyA.,Funkhouser T. A Benchmark for 3D Mesh Segmentation. ACM Transactions onGraphics, 2009, 28(3).所述也仍為一個(gè)開(kāi)放性研究問(wèn)題，多數(shù)模型分割方法采用簡(jiǎn)單、可解釋的幾何算法，但受限于通用的規(guī)則(例如，凹形、架構(gòu)拓?fù)?、適當(dāng)?shù)男螤罨?或者單一的特征(例如，形狀直徑、曲率張量、測(cè)地距離)來(lái)劃分輸入網(wǎng)格，無(wú)法適用于不同類(lèi)型的三維模型，更難以實(shí)現(xiàn)同類(lèi)模型類(lèi)別一致的分割，從而難以滿(mǎn)足構(gòu)成部件的類(lèi)別標(biāo)注需求；近來(lái)，文獻(xiàn) 4 :Golovinskiy A. , Funkhouser T. Consistent segmentation of 3D models.Computers and Graphics (Shape Modeling International09) 2009，33 (3) : 262-269.、文獻(xiàn)5: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.等工作考慮到同類(lèi)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(lèi)模型集進(jìn)行分析，進(jìn)而獲得多個(gè)模型一致性分割的聯(lián)合分割方法，然而，該方法并未考慮未知三維模型的自動(dòng)標(biāo)注問(wèn)題，且無(wú)法自動(dòng)獲得三維模型構(gòu)成部件的類(lèi)別信息；文獻(xiàn)6 =KalogerakisE.,Hertzmann A., Singh K.. Learning 3D mesh segmentation and labeling.ACMTransactions on Graphics, 2010, 29 (4) Article No. 102.率先提出一種模型分割與標(biāo)注的學(xué)習(xí)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，從而實(shí)現(xiàn)對(duì)未知模型的分割與標(biāo)注，然而，方法的學(xué)習(xí)過(guò)程耗時(shí)較大，本發(fā)明公開(kāi)的方法則進(jìn)一步通過(guò)三維模型的對(duì)稱(chēng)性檢測(cè)，消除冗余樣本，從而減少方法的訓(xùn)練時(shí)間。

發(fā)明內(nèi)容
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，提供一種三維模型構(gòu)件類(lèi)別的自動(dòng)標(biāo)注方法，用于支持對(duì)三維模型的自動(dòng)分割與構(gòu)成部件的類(lèi)別標(biāo)注。為了解決上述技術(shù)問(wèn)題，本發(fā)明公開(kāi)了一種三維模型構(gòu)件類(lèi)別的自動(dòng)標(biāo)注方法，包括以下步驟步驟一，CRF (Conditional Random Fields,條件隨機(jī)場(chǎng))標(biāo)注模型的訓(xùn)練通過(guò)對(duì)三維模型標(biāo)注訓(xùn)練集進(jìn)行訓(xùn)練學(xué)習(xí)，獲得可用于對(duì)未知三維模型進(jìn)行分割與標(biāo)注的CRF標(biāo)注模型。訓(xùn)練集中的模型為從屬于同種類(lèi)型且具有相同部件構(gòu)成的已標(biāo)注三維模型，其中標(biāo)注信息為三維模型構(gòu)成部件的從屬類(lèi)別，并附加在三維模型的每個(gè)網(wǎng)格面片之上。三維模型標(biāo)注訓(xùn)練集的學(xué)習(xí)過(guò)程將三維模型標(biāo)注訓(xùn)練集按照所含三維模型數(shù)量4:1的比例劃分為實(shí)例集和驗(yàn)證集，包括對(duì)實(shí)例集的分類(lèi)訓(xùn)練和利用驗(yàn)證集的參數(shù)搜索兩個(gè)步驟分類(lèi)訓(xùn)練過(guò)程對(duì)實(shí)例集中三維模型進(jìn)行預(yù)處理，進(jìn)而分類(lèi)訓(xùn)練出CRF標(biāo)注模型的一元項(xiàng)和二元項(xiàng)。參數(shù)搜索過(guò)程搜索最合適的CRF標(biāo)注模型的二面角參數(shù)\、二元概率參數(shù)K、邊長(zhǎng)參數(shù)U，從而使得結(jié)合分類(lèi)訓(xùn)練過(guò)程中獲得的CRF標(biāo)注模型的一元項(xiàng)與二元項(xiàng)在驗(yàn)證集上進(jìn)行面片標(biāo)注的結(jié)果與驗(yàn)證集標(biāo)注的誤差最小。步驟二，目標(biāo)三維模型的標(biāo)注利用三維模型標(biāo)注訓(xùn)練集的學(xué)習(xí)過(guò)程所得CRF標(biāo)注模型對(duì)目標(biāo)三維模型進(jìn)行分割與標(biāo)注，從而獲得目標(biāo)三維模型構(gòu)成部件的類(lèi)別標(biāo)注，該目標(biāo)三維模型為與訓(xùn)練集中模型從屬于同種類(lèi)型且具有相同部件構(gòu)成，但尚未分割與標(biāo)注的三維模型。包含兩個(gè)步驟首先，對(duì)目標(biāo)三維模型進(jìn)行預(yù)處理，獲得篩選面片集，以及篩選面片集中每個(gè)網(wǎng)格面片的一元特征向量X和相鄰網(wǎng)格面片的二元特征向量y。然后，利用步驟I中獲得的CRF標(biāo)注模型，采用面片標(biāo)注過(guò)程對(duì)目標(biāo)三維模型篩選面片集進(jìn)行標(biāo)注，進(jìn)而根據(jù)對(duì)稱(chēng)關(guān)系獲得目標(biāo)三維模型所有網(wǎng)格面片的標(biāo)注。本發(fā)明步驟一中所述分類(lèi)訓(xùn)練部分還包括以下步驟步驟111對(duì)實(shí)例集中所有三維模型進(jìn)行預(yù)處理，獲得篩選面片集，以及篩選面片集中每個(gè)網(wǎng)格面片的一元特征向量X和相鄰網(wǎng)格面片的二元特征向量y。步驟112采用JointBoost分類(lèi)器對(duì)篩選面片集中每個(gè)網(wǎng)格面片的一元特征向量X及其標(biāo)準(zhǔn)標(biāo)注訓(xùn)練學(xué)習(xí)，從而獲得CRF標(biāo)注模型的一元項(xiàng)。步驟113采用JointBoost分類(lèi)器對(duì)篩選面片集中相鄰網(wǎng)格面片的二元特征向量y及其標(biāo)準(zhǔn)標(biāo)注訓(xùn)練學(xué)習(xí)，再計(jì)算相鄰網(wǎng)格的局部幾何特征，以獲得CRF標(biāo)注模型二元項(xiàng)中度量相鄰網(wǎng)格面片存在標(biāo)注差異可能性的幾何依賴(lài)項(xiàng)G (y)，然后通過(guò)在實(shí)例集中統(tǒng)計(jì)兩個(gè)標(biāo)注c和c/相鄰的概率計(jì)算CRF標(biāo)注模型二元項(xiàng)中的標(biāo)注相容性項(xiàng)L(c，c')，從而最終獲得CRF標(biāo)注模型的二元項(xiàng)。本發(fā)明步驟一中所述參數(shù)搜索部分含包括以下步驟步驟121對(duì)驗(yàn)證集中所有三維模型進(jìn)行預(yù)處理，獲得篩選面片集，以及篩選面片集中每個(gè)網(wǎng)格面片的一元特征向量X和相鄰網(wǎng)格面片的二元特征向量I。步驟122設(shè)置X、K、ii的取值集合S (—般可以設(shè)定入、的取值范圍為
中的整數(shù))，設(shè)置迭代變量i—0，設(shè)置標(biāo)注誤差⑴。步驟123i — i+1，選取取值集合S中的第i組值入p K p ii i，進(jìn)行步驟124 125，直到取值集合S里所有參數(shù)選取完。步驟124根據(jù)分類(lèi)訓(xùn)練步驟以及參數(shù)值K1、所得CRF標(biāo)注模型，采用面片標(biāo)注過(guò)程對(duì)驗(yàn)證集中每個(gè)三維模型的篩選面片集進(jìn)行標(biāo)注，進(jìn)而根據(jù)對(duì)稱(chēng)關(guān)系獲得驗(yàn)證集中每個(gè)三維模型所有網(wǎng)格面片的標(biāo)注，計(jì)算分割加權(quán)誤差，比較標(biāo)注誤差Em與當(dāng)前誤差Es，若當(dāng)前誤差小于標(biāo)注誤差Es〈Em，則將當(dāng)前誤差ES的值賦給標(biāo)注誤差Em,即Em=Es,并記錄最佳參數(shù){ A m, K m, y m} — { A i, K i, y J ,進(jìn)而返回步驟123,若當(dāng)前誤差大于等于標(biāo)注誤差直接返回步驟123。本發(fā)明步驟一與步驟二中所述預(yù)處理部分包括特征提取和對(duì)稱(chēng)篩選兩個(gè)步驟特征提取過(guò)程對(duì)輸入三維模型進(jìn)行分析，計(jì)算每個(gè)網(wǎng)格面片的一元特征，與相鄰網(wǎng)格面片的二元特征，所述相鄰網(wǎng)格面片是指三維模型上具有公共邊的兩個(gè)網(wǎng)格面片。對(duì)稱(chēng)篩選過(guò)程根據(jù)三維模型的對(duì)稱(chēng)性，刪除三維模型中的冗余網(wǎng)格面片，從而獲取三維模型的篩選面片集。本發(fā)明特征提取部分還包括以下步驟步驟11對(duì)輸入三維模型進(jìn)行規(guī)范化操作。首先，將三維模型的中心點(diǎn)移動(dòng)到坐標(biāo)原點(diǎn)，模型的中心點(diǎn)通過(guò)計(jì)算模型上所有點(diǎn)的坐標(biāo)平均值獲得；然后，計(jì)算三維模型上任意兩個(gè)網(wǎng)格面片間的測(cè)地距離；最后，選取三維模型任意兩個(gè)網(wǎng)格面片間測(cè)地距離值大小排序在第30%的測(cè)地距離值作為規(guī)范項(xiàng)，將三維模型上各點(diǎn)的坐標(biāo)除以該測(cè)地距離值，從而完成三維模型的規(guī)范化。步驟12提取輸入三維模型每個(gè)網(wǎng)格面片的一元特征向量，由曲率特征、PCA特征、形狀直徑函數(shù)(shapediameter function, SDF)、體形狀圖像(volumetric shape image, VSI)、平均測(cè)地距離(Average Geodesic Distance, AGD)、形狀上下文(shape contexts, SC)、旋轉(zhuǎn)圖像特征(Spin images)組成。步驟13提取每個(gè)三維模型每組相鄰網(wǎng)格面片的二元特征向量，由二面角特征、曲率二元特征、形狀直徑函數(shù)差值特征、體形狀圖像差值特征組成。本發(fā)明對(duì)稱(chēng)篩選部分還包括以下步驟步驟21采用投票方法檢測(cè)三維模型的全局或部分反射對(duì)稱(chēng)變換，從而提取三維模型中最顯著的對(duì)稱(chēng)模式，并獲得面片間的對(duì)稱(chēng)關(guān)系，所述對(duì)稱(chēng)關(guān)系是指三維模型中任意兩個(gè)網(wǎng)格面片是否對(duì)稱(chēng)這一關(guān)系。步驟22將三維模型中的所有面片放入備選面片集中，并將篩選面片集設(shè)置為空集。遍歷備選面片集中的所有面片，將該遍歷到的面片放入篩選面片集中，并將所有與之對(duì)稱(chēng)的面片從備選面片集中刪除，最終獲得所需篩選面片集。本發(fā)明步驟一和步驟二所述面片標(biāo)注部分包括以下步驟步驟I構(gòu)建一個(gè)圖，圖節(jié)點(diǎn)為網(wǎng)格面片，相鄰網(wǎng)格面片間存在邊，面片P和面片q被標(biāo)注為標(biāo)注f p和標(biāo)注f,時(shí)，將CRF標(biāo)注模型二元項(xiàng)中的幾何依賴(lài)項(xiàng)G (y)與邊長(zhǎng)的乘積作為邊{p，q}的權(quán)重Wp，q(fp，fq)。步驟2將CRF標(biāo)注模型一元項(xiàng)作為數(shù)據(jù)項(xiàng)Edata (f)。步驟3將CRF標(biāo)注模型二元項(xiàng)中的標(biāo)注相容性項(xiàng)L(fp，fq)作為平滑項(xiàng)Es_th(f)為。步驟4采用圖割優(yōu)化算法，通過(guò)計(jì)算該圖最小割的方式，計(jì)算三維模型篩選面片集每個(gè)網(wǎng)格面片i的標(biāo)注Ci。有益效果本發(fā)明具有以下優(yōu)點(diǎn)首先，本發(fā)明可對(duì)同種類(lèi)型的三維模型標(biāo)注訓(xùn)練集進(jìn)行訓(xùn)練學(xué)習(xí)，獲得該類(lèi)三維模型的類(lèi)別標(biāo)注模型；其次，本發(fā)明可利用從訓(xùn)練集中學(xué)習(xí)出的類(lèi)別標(biāo)注模型對(duì)未知三維模型進(jìn)行有意義的部件分割，而不受限于特定的規(guī)則或特征，從而適用于多種類(lèi)型的模型分割問(wèn)題；最后，本發(fā)明可利用從訓(xùn)練集中學(xué)習(xí)出的類(lèi)別標(biāo)注模型對(duì)未知三維模型進(jìn)行構(gòu)件類(lèi)別自動(dòng)標(biāo)注。


下面結(jié)合附圖和具體實(shí)施方式
對(duì)本發(fā)明做更進(jìn)一步的具體說(shuō)明，本發(fā)明的上述和/或其他方面的優(yōu)點(diǎn)將會(huì)變得更加清楚。圖1是本發(fā)明的處理流程示意圖。
圖2a和圖2b是實(shí)施例的三維模型標(biāo)注訓(xùn)練集示例。圖3a是一個(gè)待標(biāo)注的三維模型示意圖。圖3b是由圖2訓(xùn)練集學(xué)習(xí)的CRF標(biāo)注模型對(duì)圖3a的目標(biāo)三維模型進(jìn)行標(biāo)注的結(jié)果示意圖。圖4a是預(yù)處理的對(duì)稱(chēng)篩選步驟對(duì)一個(gè)三維模型檢測(cè)的反射對(duì)稱(chēng)平面示意圖。圖4b是預(yù)處理過(guò)程獲得的篩選面片集和一元特征二元特征示意圖。圖5a是根據(jù)圖2a訓(xùn)練集分類(lèi)訓(xùn)練獲得的CRF標(biāo)注模型一元項(xiàng)對(duì)圖3a模型進(jìn)行標(biāo)注的結(jié)果示意圖。圖5b是圖2a和圖2b訓(xùn)練集分類(lèi)訓(xùn)練獲得的CRF標(biāo)注模型二元項(xiàng)在圖3a模型上的示意圖。
具體實(shí)施例方式如圖1所示，本發(fā)明公開(kāi)的一種三維模型構(gòu)件類(lèi)別的自動(dòng)標(biāo)注方法，具體包括以下步驟步驟一，CRF標(biāo)注模型的訓(xùn)練通過(guò)對(duì)三維模型標(biāo)注訓(xùn)練集進(jìn)行訓(xùn)練學(xué)習(xí)，獲得可用于對(duì)未知三維模型進(jìn)行分割與標(biāo)注的CRF標(biāo)注模型。訓(xùn)練集中的模型為從屬于同種類(lèi)型且具有相同部件構(gòu)成的已標(biāo)注三維模型，其中標(biāo)注信息為三維模型構(gòu)成部件的從屬類(lèi)別，并附加在三維模型的每個(gè)網(wǎng)格面片之上，如圖2所示為椅子訓(xùn)練集，每個(gè)椅子模型網(wǎng)格面片的標(biāo)注類(lèi)別由不同灰度區(qū)分，訓(xùn)練集中的標(biāo)注稱(chēng)為標(biāo)準(zhǔn)標(biāo)注。步驟二，目標(biāo)三維模型的標(biāo)注利用三維模型標(biāo)注訓(xùn)練集的學(xué)習(xí)過(guò)程所得CRF標(biāo)注模型對(duì)目標(biāo)三維模型進(jìn)行分割與標(biāo)注，從而獲得目標(biāo)三維模型構(gòu)成部件的類(lèi)別標(biāo)注，該目標(biāo)三維模型為與訓(xùn)練集中模型從屬于同種類(lèi)型且具有相同部件構(gòu)成，但尚未分割與標(biāo)注的三維模型。下面具體介紹各個(gè)步驟的主要流程1. CRF標(biāo)注模型的訓(xùn)練CRF標(biāo)注模型的訓(xùn)練過(guò)程通過(guò)對(duì)三維模型標(biāo)注訓(xùn)練集進(jìn)行學(xué)習(xí)，獲得可用于對(duì)未知三維模型進(jìn)行分割與標(biāo)注的CRF標(biāo)注模型，將訓(xùn)練集按照所含三維模型數(shù)量4:1的比例劃分為實(shí)例集和驗(yàn)證集，包含對(duì)實(shí)例集的分類(lèi)訓(xùn)練和利用驗(yàn)證集的參數(shù)搜索兩步。1.1.分類(lèi)訓(xùn)練分類(lèi)訓(xùn)練過(guò)程對(duì)實(shí)例集中三維模型進(jìn)行預(yù)處理，進(jìn)而分類(lèi)訓(xùn)練出CRF標(biāo)注模型的一元項(xiàng)和二元項(xiàng)。過(guò)程如下輸入三維模型標(biāo)注實(shí)例集。輸出CRF標(biāo)注模型的一兀項(xiàng)和二兀項(xiàng)。步驟I對(duì)實(shí)例集中所有三維模型進(jìn)行預(yù)處理，獲得篩選面片集，以及篩選面片集中每個(gè)網(wǎng)格面片的一元特征向量X和相鄰網(wǎng)格面片的二元特征向量y。步驟2計(jì)算度量網(wǎng)格面片的一元特征向量X與其標(biāo)注c 一致性的CRF標(biāo)注模型一元項(xiàng)民。其中標(biāo)注c E C，C為預(yù)定義的所有可能的標(biāo)注集合，如，“椅背”、“椅身”、“椅座”或“椅腳”，根據(jù)實(shí)例集中所有三維模型篩選面片集及其一元特征向量X，以及每個(gè)網(wǎng)格面片相應(yīng)的標(biāo)注類(lèi)別，米用文獻(xiàn)7 Torralba A. , Murphy K. P. , Freeman ff. T. Sharing VisualFeatures for Multiclass and Multiview Object Detection.1EEE Transactions OnPattern Analysis and Machine Intelligence，2007，29 (5) : 854-869.所述的 JointBoost分類(lèi)器進(jìn)行訓(xùn)練學(xué)習(xí)，從而獲得具有一元特征向量x的網(wǎng)格面片，標(biāo)注為c的概率分布P (C I X),相應(yīng)的一元項(xiàng)則為E1 (c ; x) =_logP (c I x)步驟3計(jì)算度量相鄰網(wǎng)格面片二元特征向量y與標(biāo)注c，c' 一致性的CRF標(biāo)注模型二元項(xiàng)E2。首先，根據(jù)實(shí)例集中所有三維模型篩選面片集及其二元特征向量y，采用文獻(xiàn)7所述的JointBoost分類(lèi)器進(jìn)行訓(xùn)練，從而獲得相鄰網(wǎng)格面片標(biāo)注不同的概率P(c古c' y, I)，接著，計(jì)算度量相鄰網(wǎng)格面片存在標(biāo)注差異的可能性的幾何依賴(lài)項(xiàng)G(y)G(y) =- K log P(c 古 c' y,log(l_min (co / Ji，I) + e ) + u(I)
其中CO為相鄰網(wǎng)格面片的外二面角，e為具有較小值的常量(根據(jù)不同精度要求，可設(shè)置為le-6)，從而避免計(jì)算logO，入、K、ii為CRF標(biāo)注模型的二面角參數(shù)、二元概率參數(shù)、邊長(zhǎng)參數(shù)，在后續(xù)參數(shù)搜索過(guò)程中可確定其值。然后，計(jì)算標(biāo)注相容性項(xiàng)L(c，c')以防止不可能相鄰的部件被標(biāo)注為相鄰，標(biāo)注相容性項(xiàng)L(c，c')通過(guò)在實(shí)例集中統(tǒng)計(jì)標(biāo)注c和標(biāo)注c'相鄰的概率計(jì)算得到，同樣標(biāo)注的相容性項(xiàng)值為0，若兩個(gè)標(biāo)注不可能相鄰，則相容項(xiàng)設(shè)置為概率值的最大值1:
權(quán)利要求
1.一種三維模型構(gòu)件類(lèi)別的自動(dòng)標(biāo)注方法，其特征在于，包括以下步驟 步驟一，條件隨機(jī)場(chǎng)CRF標(biāo)注模型的訓(xùn)練對(duì)三維模型標(biāo)注訓(xùn)練集進(jìn)行訓(xùn)練學(xué)習(xí)，獲得CRF標(biāo)注模型，所述三維模型為網(wǎng)格面片化的三維模型三維模型標(biāo)注訓(xùn)練集中的三維模型為屬于同種類(lèi)型且具有相同部件構(gòu)成的已標(biāo)注三維模型，其中標(biāo)注信息為三維模型構(gòu)成部件的所屬類(lèi)別，并附加在三維模型的每個(gè)網(wǎng)格面片上；三維模型標(biāo)注訓(xùn)練集的學(xué)習(xí)過(guò)程將三維模型標(biāo)注訓(xùn)練集按照所含三維模型數(shù)量4:1的比例劃分為實(shí)例集和驗(yàn)證集，進(jìn)行實(shí)例集的分類(lèi)訓(xùn)練和利用驗(yàn)證集的參數(shù)搜索兩個(gè)步驟 分類(lèi)訓(xùn)練過(guò)程對(duì)實(shí)例集中三維模型進(jìn)行預(yù)處理，進(jìn)而分類(lèi)訓(xùn)練出CRF標(biāo)注模型的一元項(xiàng)和二元項(xiàng)； 參數(shù)搜索過(guò)程搜索最準(zhǔn)確的CRF標(biāo)注模型的二面角參數(shù)λ、二元概率參數(shù)K、邊長(zhǎng)參數(shù)μ ； 步驟二，目標(biāo)三維模型的標(biāo)注利用三維模型標(biāo)注訓(xùn)練集的學(xué)習(xí)過(guò)程所得CRF標(biāo)注模型對(duì)目標(biāo)三維模型進(jìn)行分割與標(biāo)注，從而獲得目標(biāo)三維模型構(gòu)成部件的類(lèi)別標(biāo)注，該目標(biāo)三維模型為與訓(xùn)練集中模型從屬于同種類(lèi)型且具有相同部件構(gòu)成，但尚未分割與標(biāo)注的三維模型； 包含兩個(gè)步驟首先，對(duì)目標(biāo)三維模型進(jìn)行預(yù)處理，獲得篩選面片集，以及篩選面片集中每個(gè)網(wǎng)格面片的一元特征向量X和相鄰網(wǎng)格面片的二元特征向量y;然后，利用步驟I中獲得的CRF標(biāo)注模型，采用面片標(biāo)注過(guò)程對(duì)目標(biāo)三維模型的篩選面片集進(jìn)行標(biāo)注，進(jìn)而根據(jù)對(duì)稱(chēng)關(guān)系獲得目標(biāo)三維模型所有網(wǎng)格面片的標(biāo)注。
2.根據(jù)權(quán)利要求1所述的一種三維模型構(gòu)件類(lèi)別的自動(dòng)標(biāo)注方法，其特征在于，步驟一與步驟二中所述預(yù)處理部分包括特征提取和對(duì)稱(chēng)篩選兩個(gè)步驟 特征提取過(guò)程對(duì)輸入三維模型進(jìn)行分析，計(jì)算每個(gè)網(wǎng)格面片的一元特征，與相鄰網(wǎng)格面片的二元特征，所述相鄰網(wǎng)格面片是指三維模型上具有公共邊的兩個(gè)網(wǎng)格面片； 對(duì)稱(chēng)篩選過(guò)程根據(jù)三維模型的對(duì)稱(chēng)性，刪除三維模型中的冗余網(wǎng)格面片，從而獲取三維模型的篩選面片集。
3.根據(jù)權(quán)利要求2所述的一種三維模型構(gòu)件類(lèi)別的自動(dòng)標(biāo)注方法，其特征在于，特征提取部分包括以下步驟 步驟11，對(duì)輸入三維模型進(jìn)行規(guī)范化操作將三維模型的中心點(diǎn)移動(dòng)到坐標(biāo)原點(diǎn)，三維模型的中心點(diǎn)通過(guò)計(jì)算模型上所有點(diǎn)的坐標(biāo)平均值獲得；計(jì)算三維模型上任意兩個(gè)網(wǎng)格面片間的測(cè)地距離；選取三維模型任意兩個(gè)網(wǎng)格面片間測(cè)地距離值大小排序在第30%的測(cè)地距離值作為規(guī)范項(xiàng)，將三維模型上各點(diǎn)的坐標(biāo)除以該測(cè)地距離值，從而完成三維模型的規(guī)范化； 步驟12，提取輸入三維模型每個(gè)網(wǎng)格面片的一元特征向量，包括曲率特征、PCA特征、形狀直徑函數(shù)SDF、體形狀圖像VS1、平均測(cè)地距離AGD、形狀上下文SC、旋轉(zhuǎn)圖像特征； 步驟13，提取每個(gè)三維模型每組相鄰網(wǎng)格面片的二元特征向量，包括二面角特征、曲率二元特征、形狀直徑函數(shù)差值特征、體形狀圖像差值特征。
4.根據(jù)權(quán)利要求3所述的一種三維模型構(gòu)件類(lèi)別的自動(dòng)標(biāo)注方法，其特征在于，對(duì)稱(chēng)篩選包括以下步驟 步驟21，采用投票方法檢測(cè)三維模型的反射對(duì)稱(chēng)變換，提取三維模型中最顯著的對(duì)稱(chēng)模式，并獲得面片間的對(duì)稱(chēng)關(guān)系，所述對(duì)稱(chēng)關(guān)系是指三維模型中任意兩個(gè)網(wǎng)格面片是否對(duì)稱(chēng)； 步驟22，將三維模型中的所有面片放入備選面片集中，并將篩選面片集設(shè)置為空集；遍歷備選面片集中的所有面片，將遍歷到的面片放入篩選面片集中，并將所有與之對(duì)稱(chēng)的面片從備選面片集中刪除，最終獲得所需篩選面片集。
5.根據(jù)權(quán)利要求4所述的一種三維模型構(gòu)件類(lèi)別的自動(dòng)標(biāo)注方法，其特征在于，步驟一中所述實(shí)例集的分類(lèi)訓(xùn)練包括以下步驟 步驟111，對(duì)實(shí)例集中所有三維模型進(jìn)行預(yù)處理，獲得篩選面片集，以及篩選面片集中每個(gè)網(wǎng)格面片的一元特征向量X和相鄰網(wǎng)格面片的二元特征向量y ; 步驟112，采用JointBoost分類(lèi)器對(duì)篩選面片集中每個(gè)網(wǎng)格面片的一元特征向量x及其標(biāo)注進(jìn)行訓(xùn)練學(xué)習(xí)，從而獲得CRF標(biāo)注模型的一元項(xiàng)； 步驟113，采用JointBoost分類(lèi)器對(duì)篩選面片集中相鄰網(wǎng)格面片的二元特征向量y及其標(biāo)注進(jìn)行訓(xùn)練學(xué)習(xí)，計(jì)算相鄰網(wǎng)格的局部幾何特征，獲得CRF標(biāo)注模型二元項(xiàng)中度量相鄰網(wǎng)格面片存在標(biāo)注差異可能性的幾何依賴(lài)項(xiàng)G(y);在實(shí)例集中計(jì)算任意兩個(gè)標(biāo)注c和c'相鄰的概率，計(jì)算CRF標(biāo)注模型二元項(xiàng)中的標(biāo)注相容性項(xiàng)L (c, c'),最終獲得CRF標(biāo)注模型的二元項(xiàng)。
6.根據(jù)權(quán)利要求5所述的一種三維模型構(gòu)件類(lèi)別的自動(dòng)標(biāo)注方法，其特征在于，步驟一中所述驗(yàn)證集的參數(shù)搜索包括以下步驟 步驟121，對(duì)驗(yàn)證集中所有三維模型進(jìn)行預(yù)處理，獲得篩選面片集，以及篩選面片集中每個(gè)網(wǎng)格面片的一元特征向量X和相鄰網(wǎng)格面片的二元特征向量I ; 步驟122,設(shè)置二面角參數(shù)λ、二元概率參數(shù)K、邊長(zhǎng)參數(shù)μ的取值集合S, λ、K、μ的取值范圍為
中的整數(shù)，設(shè)置迭代變量i為0，設(shè)置標(biāo)注誤差EmS無(wú)窮大； 步驟123，迭代變量i增加1，選取取值集合S中的第i組參數(shù)值λ1、Ki, Ui，進(jìn)行步驟124 125，直到取值集合S里所有參數(shù)選取完； 步驟124，根據(jù)實(shí)例集的分類(lèi)訓(xùn)練以及參數(shù)值λ1、K1、μ i所得CRF標(biāo)注模型，采用面片標(biāo)注過(guò)程對(duì)驗(yàn)證集中每個(gè)三維模型的篩選面片集進(jìn)行標(biāo)注，進(jìn)而根據(jù)對(duì)稱(chēng)關(guān)系獲得驗(yàn)證集中每個(gè)三維模型所有網(wǎng)格面片的標(biāo)注，計(jì)算分割加權(quán)誤差；比較標(biāo)注誤差Em與當(dāng)前誤差Es，若當(dāng)前誤差小于標(biāo)注誤差ES < Effl,則將當(dāng)前誤差Es的值賦給標(biāo)注誤差Em，即Em=Es,并記錄最準(zhǔn)確參數(shù)!>m，Km, μ J，進(jìn)而返回步驟123，若當(dāng)前誤差大于等于標(biāo)注誤差直接返回步驟123。
7.根據(jù)權(quán)利要求6所述的一種三維模型構(gòu)件類(lèi)別的自動(dòng)標(biāo)注方法，其特征在于，步驟一和步驟二所述面片標(biāo)注部分包括以下步驟 步驟1，構(gòu)建一個(gè)圖，圖節(jié)點(diǎn)為網(wǎng)格面片，相鄰網(wǎng)格面片間存在邊，面片P和面片q被標(biāo)注為標(biāo)注fp和標(biāo)注f,時(shí)，將CRF標(biāo)注模型二元項(xiàng)中的幾何依賴(lài)項(xiàng)G (y)與邊長(zhǎng)的乘積作為面片P和面片q的公共邊{p，q}的權(quán)重Wp，q(fp, fq)； 步驟2，將CRF標(biāo)注模型一元項(xiàng)作為數(shù)據(jù)項(xiàng)Edata (f)； 步驟3，將CRF標(biāo)注模型二元項(xiàng)中的標(biāo)注相容性項(xiàng)L(fp，fq)作為平滑項(xiàng)Es_th(f)； 步驟4，采用圖割優(yōu)化算法，通過(guò)計(jì)算該圖最小割的方式，計(jì)算三維模型篩選面片集每個(gè)網(wǎng)格面片i的標(biāo)注c”
全文摘要
本發(fā)明公開(kāi)了一種三維模型構(gòu)件類(lèi)別的自動(dòng)標(biāo)注方法，包括以下步驟CRF標(biāo)注模型的訓(xùn)練過(guò)程根據(jù)三維模型標(biāo)注訓(xùn)練集訓(xùn)練學(xué)習(xí)出用于對(duì)未知三維模型進(jìn)行分割與標(biāo)注的CRF標(biāo)注模型首先，將三維模型標(biāo)注訓(xùn)練集劃分為實(shí)例集和驗(yàn)證集；然后，對(duì)實(shí)例集中三維模型進(jìn)行預(yù)處理，進(jìn)而分類(lèi)訓(xùn)練出CRF標(biāo)注模型的一元項(xiàng)和二元項(xiàng)；最后，利用驗(yàn)證集的預(yù)處理結(jié)果進(jìn)行參數(shù)搜索，獲得CRF標(biāo)注模型的參數(shù)以完成CRF標(biāo)注模型的學(xué)習(xí)。目標(biāo)三維模型的標(biāo)注過(guò)程利用三維模型標(biāo)注訓(xùn)練集的學(xué)習(xí)過(guò)程所得CRF標(biāo)注模型對(duì)目標(biāo)三維模型進(jìn)行分割與標(biāo)注，從而實(shí)現(xiàn)目標(biāo)三維模型構(gòu)成部件的類(lèi)別標(biāo)注。
文檔編號(hào)G06T19/00GK103021029SQ20131001919
公開(kāi)日2013年4月3日 申請(qǐng)日期2013年1月18日 優(yōu)先權(quán)日2013年1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)