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)是一種三維模型部件類別自動(dòng)標(biāo)注方法。

背景技術(shù)：

對(duì)三維模型部件構(gòu)成的理解是形狀理解和高層次幾何處理的基礎(chǔ)。近年來(lái)，研究人員逐步將發(fā)展成熟的機(jī)器學(xué)習(xí)技術(shù)引入到三維形狀分析研究中，數(shù)據(jù)驅(qū)動(dòng)的幾何模型的聯(lián)合分割方法正越來(lái)越受到關(guān)注。利用數(shù)據(jù)驅(qū)動(dòng)的“信息傳遞”這一核心概念，可在輸入的預(yù)先指定或計(jì)算的樣本形狀和需要分析和處理的目標(biāo)形狀之間建立一種相關(guān)性，并可將感興趣的信息從樣本形狀傳遞到目標(biāo)形狀。因此，數(shù)據(jù)驅(qū)動(dòng)的形狀分割可產(chǎn)生一致性的具有語(yǔ)義標(biāo)注的部件，并能夠有效地支持三維模型的合成、實(shí)例建模、以及紋理合成等后續(xù)幾何處理任務(wù)。

基于學(xué)習(xí)中是否具有可用的標(biāo)簽標(biāo)注數(shù)據(jù)作為輸入信息，可將三維形狀分割劃分為：有監(jiān)督分割，無(wú)監(jiān)督分割和半監(jiān)督分割。一般來(lái)講，有監(jiān)督學(xué)習(xí)方法通過(guò)給定的標(biāo)注數(shù)據(jù)傾向于輸出與人們期望相接近的結(jié)果，從而獲得更高的分割精度。有監(jiān)督形狀分割通常形式化為一個(gè)分類問(wèn)題。如文獻(xiàn)1：KALOGERAKIS E.,HERTZMANN A.,SINGH K.:Learning 3d mesh segmentation and labeling.ACM Trans.Graph.29(2010),102:1–102:12.將分割問(wèn)題形式化為條件隨機(jī)場(chǎng)CRF的優(yōu)化問(wèn)題。其條件隨機(jī)場(chǎng)CRF模型，包含評(píng)價(jià)面片與標(biāo)簽一致性的一元項(xiàng)，以及相鄰面片標(biāo)簽一致性的二元項(xiàng)，其一元項(xiàng)和二元項(xiàng)均可根據(jù)標(biāo)注信息通過(guò)JointBoost分類器學(xué)習(xí)得到。文獻(xiàn)2：GUO K.,Zou D.,and Chen X.3D Mesh Labeling via Deep Convolutional Neural Networks[J].ACM Transactions on Graphics,2015,35(1):3:1-3:12.通過(guò)深度神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)中學(xué)習(xí)得到一種有效且魯棒的形狀表示，來(lái)進(jìn)一步提高分割和標(biāo)注性能。然而，上述方法的訓(xùn)練過(guò)程是非常耗時(shí)的，如僅對(duì)6個(gè)形狀進(jìn)行訓(xùn)練時(shí)，訓(xùn)練過(guò)程就需要耗費(fèi)幾個(gè)小時(shí)。為了提高訓(xùn)練效率，文獻(xiàn)3：XIE Z.,XU K.,LIU L.,XIONG Y.:3d shape segmentation and labeling via extreme learning machine.Computer Graphics Forum 33,5(2014).則基于ELM分類器進(jìn)行面片的分類，訓(xùn)練過(guò)程大大加快，當(dāng)訓(xùn)練6個(gè)形狀時(shí)平均僅需不到1分鐘時(shí)間。然而，該方法僅僅考慮了根據(jù)訓(xùn)練數(shù)據(jù)中的面片標(biāo)注信息來(lái)產(chǎn)生一個(gè)面片分類器，并沒(méi)有利用標(biāo)注數(shù)據(jù)中所給出的邊界信息，而是通過(guò)對(duì)目標(biāo)形狀進(jìn)行過(guò)分割獲取大致的邊界位置，再進(jìn)行優(yōu)化，其最終的分割結(jié)果質(zhì)量極大地依賴于過(guò)分割的結(jié)果。本發(fā)明公開(kāi)的方法則通過(guò)修改ELM中神經(jīng)元的激活函數(shù)，進(jìn)一步調(diào)整ELM的分類效果和分類時(shí)間，并將標(biāo)注數(shù)據(jù)中的邊界信息也加以充分利用。根據(jù)面片分類標(biāo)注概率分布和網(wǎng)格邊分類概率分布，構(gòu)建圖模型，通過(guò)多標(biāo)簽圖割優(yōu)化方法精調(diào)獲得更為平滑和精確的分割結(jié)果。

技術(shù)實(shí)現(xiàn)要素：

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，提供一種快速的三維模型部件類別自動(dòng)標(biāo)注方法，用于支持對(duì)三維模型進(jìn)行快速地自動(dòng)分割與標(biāo)注。

為了解決上述技術(shù)問(wèn)題，本發(fā)明公開(kāi)了一種三維模型部件類別自動(dòng)標(biāo)注方法，包括以下步驟：

步驟1，訓(xùn)練三維模型標(biāo)注訓(xùn)練集，訓(xùn)練集中的三維模型為同類模型且模型中部件已給出標(biāo)準(zhǔn)標(biāo)注，其中標(biāo)注信息包括三維模型中每個(gè)網(wǎng)格面片從屬于構(gòu)成部件的類別標(biāo)注以及每條網(wǎng)格邊從屬于邊界邊的類別標(biāo)注，通過(guò)對(duì)三維模型標(biāo)注訓(xùn)練集進(jìn)行快速訓(xùn)練，獲得用于對(duì)目標(biāo)三維模型進(jìn)行分割與標(biāo)注的快速面片標(biāo)注模型和快速網(wǎng)格邊標(biāo)注模型，并獲得三維模型面片分類標(biāo)注概率分布和網(wǎng)格邊分類標(biāo)注概率分布，并學(xué)習(xí)得到圖割模型的平滑項(xiàng)權(quán)重；

步驟2，標(biāo)注目標(biāo)三維模型：利用步驟1得到的快速面片標(biāo)注模型和快速網(wǎng)格邊標(biāo)注模型分別對(duì)目標(biāo)三維模型進(jìn)行分割與標(biāo)注，獲得目標(biāo)三維模型的每個(gè)面片從屬于構(gòu)成部件的類別標(biāo)注以及每條網(wǎng)格邊從屬于邊界邊的類別標(biāo)注，構(gòu)建圖模型，通過(guò)多標(biāo)簽圖割優(yōu)化得到平滑的分割和標(biāo)注結(jié)果。

步驟1包括以下步驟：

步驟1-1，對(duì)訓(xùn)練集中所有三維模型進(jìn)行預(yù)處理，提取每個(gè)網(wǎng)格面片的面片特征和每條網(wǎng)格邊的邊特征；

步驟1-2，訓(xùn)練集中三維模型的所有面片構(gòu)成訓(xùn)練網(wǎng)格面片集，采用改進(jìn)的極限學(xué)習(xí)機(jī)方法(ELM，extreme learning machine)，對(duì)訓(xùn)練網(wǎng)格面片集中的每個(gè)網(wǎng)格面片的面片特征及其標(biāo)準(zhǔn)標(biāo)注進(jìn)行快速訓(xùn)練，獲得快速面片標(biāo)注模型；

步驟1-3，訓(xùn)練集中三維模型的所有網(wǎng)格邊構(gòu)成訓(xùn)練網(wǎng)格邊集，采用改進(jìn)的極限學(xué)習(xí)機(jī)方法對(duì)訓(xùn)練網(wǎng)格邊集中的每條網(wǎng)格邊的邊特征及其標(biāo)準(zhǔn)標(biāo)注進(jìn)行快速訓(xùn)練，獲得快速網(wǎng)格邊標(biāo)注模型。

步驟1-4，獲得三維模型面片分類標(biāo)注概率分布和網(wǎng)格邊分類標(biāo)注概率分布，并學(xué)習(xí)得到圖割模型的平滑項(xiàng)權(quán)重。

步驟1-1中所述對(duì)訓(xùn)練集中所有三維模型進(jìn)行預(yù)處理包括模型歸一化處理和特征提取，其中，模型歸一化處理包括以下步驟：

步驟1-1-1，將訓(xùn)練集中的三維模型的質(zhì)心移動(dòng)到坐標(biāo)原點(diǎn)，三維模型的質(zhì)心通過(guò)計(jì)算模型上所有頂點(diǎn)的面積加權(quán)平均值獲得；

步驟1-1-2，計(jì)算訓(xùn)練集中的三維模型每個(gè)面片中心到其質(zhì)心的歐式距離，取所有歐式距離的中值作為規(guī)范項(xiàng)，將訓(xùn)練集中的三維模型上各點(diǎn)的坐標(biāo)除以該規(guī)范項(xiàng)，完成訓(xùn)練集中的三維模型的歸一化處理；

特征提取包括以下步驟：

步驟1-1-3，將訓(xùn)練集中的三維模型每個(gè)網(wǎng)格面片的面片特征，由曲率特征、PCA特征、形狀直徑特征、平均測(cè)地距離特征和形狀上下文特征級(jí)聯(lián)形成一個(gè)特征向量；

步驟1-1-4，將訓(xùn)練集中的三維模型每條網(wǎng)格邊的邊特征，由邊二面角特征、邊鄰域頂點(diǎn)的二面角特征，邊兩側(cè)鄰域頂點(diǎn)的曲率差和導(dǎo)數(shù)特征、共享網(wǎng)格邊的兩個(gè)鄰接面片形狀直徑差異特征、共享邊的兩個(gè)鄰接面片的體形狀圖像差異征級(jí)聯(lián)形成一個(gè)特征向量。

步驟1-2包括以下步驟：

步驟1-2-1，將訓(xùn)練網(wǎng)格面片集中每個(gè)面片的面片特征作為單隱層前饋神經(jīng)網(wǎng)絡(luò)的輸入單元值進(jìn)行輸入；

步驟1-2-2，建模單隱層前饋神經(jīng)網(wǎng)絡(luò)為：

$\underset{i=1}{\overset{\tilde{N}}{\mathrm{\Σ}}}g(w_i\·x_j+b_i){\mathrm{\β}}_k=l_j,$

其中，j＝1,2,…N，N為訓(xùn)練集網(wǎng)格面片集中面片的數(shù)量，x_j為面片j對(duì)應(yīng)的面片特征向量，為隱藏層神經(jīng)元的數(shù)目；w_i＝(w_i1,w_i2,…,w_iN)^T表示隱藏層神經(jīng)元與輸入單元連接的權(quán)向量，可設(shè)置為(-1，1)之間的隨機(jī)數(shù)；為偏移向量，可設(shè)置為(0，1)之間的隨機(jī)數(shù)；g(y)為激活函數(shù)；l_j為根據(jù)模型所得的訓(xùn)練集中面片j的實(shí)際輸出，β_k為輸出單元與隱藏層連接的輸出權(quán)重，k＝1,2,…m，m為輸出層的維度，即分類的標(biāo)簽數(shù)目；

步驟1-2-3，選擇近似生物的神經(jīng)激活函數(shù)ReLu(Rectified Linear Units)函數(shù)作為激活函數(shù)，相比傳統(tǒng)的sigmoid激活函數(shù)可以具有更好的單側(cè)抑制性，獲得相對(duì)寬闊的興奮邊界，獲取稀疏的激活性，從而可以獲得更快的訓(xùn)練的速度和更穩(wěn)定的訓(xùn)練精度。ReLu激活函數(shù)定義為：g(y)＝max(0,y)。

步驟1-2-4，以零誤差逼近該模型時(shí)，即：

$\underset{i=1}{\overset{\tilde{N}}{\mathrm{\Σ}}}g(w_i\·x_j+b_i){\mathrm{\β}}_k=t_j,$

其中，t_j為訓(xùn)練集中各面片所對(duì)應(yīng)的標(biāo)準(zhǔn)標(biāo)注，g為步驟1-2-3中選擇的神經(jīng)激活函數(shù)，隱藏層與輸出層之間的權(quán)矩陣可表示為：

其中，表示輸出單元與第r個(gè)隱藏層神經(jīng)元的權(quán)向量，

步驟1-2-5，根據(jù)步驟1-2-4中對(duì)模型進(jìn)行零誤差逼近，給出矩陣表示為Hβ＝T，其中，T＝(t₁ t₂ … t_j)，t_j為訓(xùn)練集中面片j所對(duì)應(yīng)的標(biāo)準(zhǔn)標(biāo)注；g為步驟1-2-3中選擇的神經(jīng)激活函數(shù)。通過(guò)求解得到輸出權(quán)重。為矩陣的Moore-Penrose廣義逆。至此得到了面片的快速標(biāo)注模型。

步驟1-3中所述采用ELM對(duì)訓(xùn)練網(wǎng)格邊集中的每條網(wǎng)格邊的邊特征及其標(biāo)準(zhǔn)標(biāo)注進(jìn)行快速訓(xùn)練，獲得快速網(wǎng)格邊標(biāo)注模型，包括以下步驟：

步驟1-3-1，將訓(xùn)練網(wǎng)格邊集中每條邊的邊特征作為單隱層前饋神經(jīng)網(wǎng)絡(luò)的輸入單元值進(jìn)行輸入。

步驟1-3-2，建模單隱層前饋神經(jīng)網(wǎng)絡(luò)為：

$\underset{ei=1}{\overset{{\tilde{N}}_e}{\mathrm{\Σ}}}g(w_{ei}\·x_{ej}+b_{ei}){\mathrm{\β}}_{ek}=l_{ej},$

其中，ej＝1,2,…N_e，N_e為訓(xùn)練網(wǎng)格邊集中網(wǎng)格邊的數(shù)量，x_ej為網(wǎng)格邊ej對(duì)應(yīng)的邊特征，為隱藏層神經(jīng)元的數(shù)目，w_ei＝(w_ei1,w_ei2,…,w_eiN)^T表示隱藏層神經(jīng)元與輸入單元連接的權(quán)向量，可設(shè)置為(-1，1)之間的隨機(jī)數(shù)；為偏移向量，可設(shè)置為(0，1)之間的隨機(jī)數(shù)；g(y)為激活函數(shù)，l_ej為根據(jù)模型所得的網(wǎng)格邊ej的實(shí)際輸出，β_ek為輸出單元與隱藏層連接的輸出權(quán)重，ek＝1,2,…m_e，m_e為輸出層的維度，即分類的標(biāo)簽數(shù)目；

步驟1-3-3，選擇近似生物的神經(jīng)激活函數(shù)ReLu(Rectified Linear Units)函數(shù)作為激活函數(shù)，相比傳統(tǒng)的sigmoid激活函數(shù)可以具有更好的單側(cè)抑制性，獲得相對(duì)寬闊的興奮邊界，獲取稀疏的激活性，從而可以獲得更快的訓(xùn)練的速度和更穩(wěn)定的訓(xùn)練精度。ReLu激活函數(shù)定義為：g(y)＝max(0,y)。

步驟1-3-4，以零誤差逼近該模型時(shí)，即：

$\underset{ei=1}{\overset{{\tilde{N}}_e}{\mathrm{\Σ}}}g(w_{ei}\·x_{ej}+b_{ei}){\mathrm{\β}}_{ek}=t_{ej},ej=1,2,...N_e,$

其中，t_ej∈{1,2}為訓(xùn)練集中網(wǎng)格邊ej所對(duì)應(yīng)的標(biāo)準(zhǔn)標(biāo)注，分別對(duì)應(yīng)非邊界邊和邊界邊，g為步驟1-3-3中選擇的神經(jīng)激活函數(shù)，隱藏層與輸出層之間的權(quán)矩陣可表示為：

其中，表示輸出單元與第l個(gè)隱藏層神經(jīng)元的權(quán)向量，為隱藏層神經(jīng)元的數(shù)量，m_e為輸出層單元數(shù)目，亦即分類標(biāo)簽數(shù)目。

步驟1-3-5，根據(jù)步驟1-2-4中對(duì)模型進(jìn)行零誤差逼近，給出矩陣表示為H_eβ_e＝T_e，其中，T_e＝(t_e1 t_e2 … t_ej)，t_ej為訓(xùn)練集中網(wǎng)格邊ej所對(duì)應(yīng)的標(biāo)準(zhǔn)標(biāo)注；g為步驟1-3-3中選擇的神經(jīng)激活函數(shù)。通過(guò)求解得到輸出權(quán)重。為矩陣的Moore-Penrose廣義逆。至此得到了網(wǎng)格邊的快速標(biāo)注模型。

步驟1-4包括以下步驟：

步驟1-4-1，采用面片標(biāo)注過(guò)程根據(jù)快速面片標(biāo)注模型對(duì)訓(xùn)練集中三維模型的面片集進(jìn)行部件類別標(biāo)注，具體步驟為將訓(xùn)練集中模型面片集的面片特征作為輸入，根據(jù)訓(xùn)練得到的面片快速標(biāo)注模型得到模型的輸出值，將輸出值通過(guò)softmax函數(shù)映射到[0,1]，從而得到具有面片特征向量X_f的面片f分類概率分布P(l_f,X_f)，l_f表示網(wǎng)格面片f的標(biāo)注。

步驟1-4-2，采用邊標(biāo)注過(guò)程根據(jù)快速網(wǎng)格邊標(biāo)注模型對(duì)訓(xùn)練集中三維模型的邊集進(jìn)行邊界邊類別標(biāo)注，具體步驟為將訓(xùn)練集中模型網(wǎng)格邊集的邊特征作為輸入，根據(jù)訓(xùn)練得到的網(wǎng)格邊快速標(biāo)注模型得到模型的輸出值，將對(duì)應(yīng)于邊界邊標(biāo)注的輸出值通過(guò)sigmoid函數(shù)映射到[0,1]，從而得到具有邊特征向量X_e的邊界邊e的分類概率分布P(l_f≠l_f',X_e)，l_f'表示網(wǎng)格面片f'的標(biāo)注，面片f和面片f'為具有一條共享邊的相鄰面片；

步驟1-4-3，針對(duì)訓(xùn)練集中的每個(gè)三維模型構(gòu)建圖模型，圖的節(jié)點(diǎn)為網(wǎng)格面片，圖的邊為相鄰面片f和面片f'間的共享邊，面片的分類標(biāo)注的負(fù)概率對(duì)數(shù)作為圖割優(yōu)化的數(shù)據(jù)項(xiàng)E_data(l_f,X_f)，E_data(l_f,X_f)＝-ln(P(l_f|X_f))，網(wǎng)格邊分類標(biāo)注的負(fù)概率對(duì)數(shù)E_weight(l_f≠l_f',X_e)×α作為圖模型中邊的權(quán)重，用于調(diào)節(jié)分割邊界的平滑程度，采用多標(biāo)簽圖割優(yōu)化算法計(jì)算優(yōu)化后的目標(biāo)三維模型中每個(gè)網(wǎng)格面片的標(biāo)注。α的取值范圍為[0，10]，在此范圍內(nèi)，設(shè)置步長(zhǎng)為0.1進(jìn)行網(wǎng)格搜索優(yōu)化，找到使得訓(xùn)練集中三維模型的平均分割精度最高的α，記為圖割模型的最優(yōu)平滑項(xiàng)權(quán)重α_best。

步驟2包括如下步驟：

步驟2-1，對(duì)目標(biāo)三維模型進(jìn)行預(yù)處理，提取每個(gè)網(wǎng)格面片的面片特征和每條網(wǎng)格邊的邊特征；

步驟2-2，利用步驟1得到的快速面片標(biāo)注模型和快速網(wǎng)格邊標(biāo)注模型，采用面片標(biāo)注過(guò)程對(duì)目標(biāo)三維模型的面片集進(jìn)行部件類別標(biāo)注，采用邊標(biāo)注過(guò)程對(duì)目標(biāo)三維模型的邊集進(jìn)行邊界邊類別標(biāo)注；

步驟2-3，根據(jù)目標(biāo)三維模型的面片分類標(biāo)注概率分布和網(wǎng)格邊類別標(biāo)注概率分布，構(gòu)建圖模型，通過(guò)多標(biāo)簽圖割優(yōu)化進(jìn)行分割邊界的平滑，得到優(yōu)化后的目標(biāo)三維模型面片類別標(biāo)注結(jié)果，完成對(duì)目標(biāo)三維模型部件類別的快速自動(dòng)標(biāo)注。

步驟2-1中所述對(duì)目標(biāo)三維模型進(jìn)行預(yù)處理包括模型歸一化處理和特征提取，其中，模型歸一化處理包括以下步驟：

步驟2-1-1，將目標(biāo)三維模型的質(zhì)心移動(dòng)到坐標(biāo)原點(diǎn)，三維模型的質(zhì)心通過(guò)計(jì)算模型上所有頂點(diǎn)的面積加權(quán)平均值獲得；

步驟2-1-2，計(jì)算目標(biāo)三維模型每個(gè)面片中心到其質(zhì)心的歐式距離，取所有歐式距離的中值作為規(guī)范項(xiàng)，將目標(biāo)三維模型上各點(diǎn)的坐標(biāo)除以該規(guī)范項(xiàng)，完成目標(biāo)三維模型的歸一化處理；

特征提取包括以下步驟：

步驟2-1-3，將目標(biāo)三維模型每個(gè)網(wǎng)格面片的面片特征，由曲率特征、PCA特征、形狀直徑特征、平均測(cè)地距離特征和形狀上下文特征級(jí)聯(lián)形成一個(gè)特征向量；

步驟2-1-4，將目標(biāo)三維模型每條網(wǎng)格邊的邊特征，由邊二面角特征、邊鄰域頂點(diǎn)的二面角特征，邊兩側(cè)鄰域頂點(diǎn)的曲率差和導(dǎo)數(shù)特征、共享網(wǎng)格邊的兩個(gè)鄰接面片形狀直徑差異特征、共享邊的兩個(gè)鄰接面片的體形狀圖像差異征級(jí)聯(lián)形成一個(gè)特征向量。

步驟2-2包括以下步驟：

步驟2-2-1，采用面片標(biāo)注過(guò)程根據(jù)快速面片標(biāo)注模型對(duì)目標(biāo)三維模型的面片集進(jìn)行部件類別標(biāo)注，具體步驟為將目標(biāo)模型面片集的面片特征作為輸入，根據(jù)訓(xùn)練得到的面片快速標(biāo)注模型得到模型的輸出值，為了能夠更好地表示每個(gè)面片標(biāo)注為不同標(biāo)簽的概率，將輸出值通過(guò)softmax函數(shù)映射到[0,1]，從而得到具有面片特征向量X_f的面片f分類概率分布P(l_f,X_f)，l_f表示網(wǎng)格面片f的標(biāo)注。

采用邊標(biāo)注過(guò)程根據(jù)快速網(wǎng)格邊標(biāo)注模型對(duì)目標(biāo)三維模型的邊集進(jìn)行邊界邊類別標(biāo)注，具體步驟為將目標(biāo)模型網(wǎng)格邊集的邊特征作為輸入，根據(jù)訓(xùn)練得到的網(wǎng)格邊快速標(biāo)注模型得到模型的輸出值，將對(duì)應(yīng)于邊界邊標(biāo)注的輸出值通過(guò)sigmoid函數(shù)映射到[0,1]，從而得到具有邊特征向量X_e的邊界邊e的分類概率分布P(l_f≠l_f',X_e)，l_f表示網(wǎng)格面片f的標(biāo)注，l_f'表示網(wǎng)格面片f'的標(biāo)注，面片f和面片f'為具有一條共享邊相鄰面片；

步驟2-2-2，針對(duì)目標(biāo)三維模型構(gòu)建圖模型，圖的節(jié)點(diǎn)為網(wǎng)格面片，圖的邊為相鄰面片f和面片f'間的共享邊，面片的分類標(biāo)注的負(fù)概率對(duì)數(shù)作為圖割優(yōu)化的數(shù)據(jù)項(xiàng)E_data(l,X_f)，網(wǎng)格邊分類標(biāo)注的負(fù)概率對(duì)數(shù)E_weight(l_f≠l_f',X_e)×α_best作為圖模型中邊的權(quán)重，用于進(jìn)行分割邊界的平滑優(yōu)化，采用多標(biāo)簽圖割優(yōu)化算法計(jì)算優(yōu)化后的目標(biāo)三維模型中每個(gè)網(wǎng)格面片f的標(biāo)注l_f。

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)同種類型的三維模型標(biāo)注訓(xùn)練集進(jìn)行快速訓(xùn)練學(xué)習(xí)，獲得該類三維模型的快速面片標(biāo)注模型和快速網(wǎng)格邊標(biāo)注模型；其次，本發(fā)明訓(xùn)練時(shí)間相比于以往的有監(jiān)督學(xué)習(xí)時(shí)間大大減少，訓(xùn)練時(shí)間可從幾小時(shí)，縮減為幾秒鐘；最后，本發(fā)明不僅利用了訓(xùn)練集中三維模型的面片標(biāo)注信息，還進(jìn)一步利用了訓(xùn)練集中三維模型的網(wǎng)格邊標(biāo)注信息，從而進(jìn)一步提高分割和標(biāo)注精度。

附圖說(shuō)明

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是面片的標(biāo)準(zhǔn)標(biāo)注。

圖2b是網(wǎng)格邊的標(biāo)準(zhǔn)標(biāo)注。

圖3a是一個(gè)待標(biāo)注的三維模型。

圖3b是本發(fā)明由圖2a訓(xùn)練集學(xué)習(xí)的快速面片標(biāo)注模型對(duì)圖3a的目標(biāo)三維模型進(jìn)行面片標(biāo)注的結(jié)果。

圖3c是本發(fā)明由圖2b訓(xùn)練集訓(xùn)練得到的快速邊標(biāo)注模型對(duì)圖3a的目標(biāo)三維模型進(jìn)行網(wǎng)格邊標(biāo)注的結(jié)果。

圖3d是本發(fā)明由訓(xùn)練集學(xué)習(xí)得到的面片標(biāo)注和網(wǎng)格邊標(biāo)注概率構(gòu)建圖模型，進(jìn)行多標(biāo)簽圖割優(yōu)化后的對(duì)圖3a的目標(biāo)三維模型進(jìn)行面片標(biāo)注的結(jié)果，即最終的分割標(biāo)注結(jié)果。

具體實(shí)施方式

本發(fā)明公開(kāi)的一種快速的三維模型部件類別自動(dòng)標(biāo)注方法，具體包括以下步驟(圖1是整個(gè)方法的流程圖)：

步驟一，三維模型標(biāo)注訓(xùn)練集的快速訓(xùn)練：訓(xùn)練集中為同類模型且模型中部件已給出標(biāo)準(zhǔn)標(biāo)注，其中標(biāo)注信息包括三維模型中每個(gè)網(wǎng)格面片從屬于構(gòu)成部件的類別標(biāo)注以及每條網(wǎng)格邊從屬于邊界邊的類別標(biāo)注。如圖2a所示，為面片的標(biāo)準(zhǔn)標(biāo)注。圖2b是網(wǎng)格邊的標(biāo)準(zhǔn)標(biāo)注。每個(gè)飛機(jī)模型網(wǎng)格面片都通過(guò)不同顏色指示的不同標(biāo)注類進(jìn)行標(biāo)注，訓(xùn)練集中的標(biāo)注為標(biāo)準(zhǔn)標(biāo)注。通過(guò)對(duì)三維模型標(biāo)注訓(xùn)練集進(jìn)行快速訓(xùn)練，獲得可用于對(duì)未知三維模型進(jìn)行分割與標(biāo)注的快速面片標(biāo)注模型和邊界標(biāo)注模型。并根據(jù)訓(xùn)練集數(shù)據(jù)學(xué)習(xí)得到圖割模型的平滑項(xiàng)權(quán)重。

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)練集的訓(xùn)練過(guò)程所得快速面片標(biāo)注模型和快速網(wǎng)格邊標(biāo)注模型分別對(duì)目標(biāo)三維模型的面片和網(wǎng)格邊進(jìn)行標(biāo)注，從而獲得目標(biāo)三維模型的每個(gè)面片從屬于構(gòu)成部件的類別標(biāo)注以及每條網(wǎng)格邊從屬于邊界邊的類別標(biāo)注概率，構(gòu)建圖模型，并通過(guò)多標(biāo)簽圖割優(yōu)化得到平滑的分割和標(biāo)注結(jié)果。

下面具體介紹各個(gè)步驟的主要流程：

1、三維模型標(biāo)注訓(xùn)練集的快速訓(xùn)練

通過(guò)對(duì)三維模型標(biāo)注訓(xùn)練集進(jìn)行快速訓(xùn)練，獲得可用于對(duì)未知三維模型進(jìn)行標(biāo)注的快速面片標(biāo)注模型和快速網(wǎng)格邊標(biāo)注模型。其中包括對(duì)訓(xùn)練集中所有三維模型進(jìn)行預(yù)處理，采用改進(jìn)的ELM方法獲得快速面片標(biāo)注模型和快速網(wǎng)格邊標(biāo)注模型三個(gè)步驟。

1.1、三維模型預(yù)處理

三維模型預(yù)處理過(guò)程包括模型歸一化處理和特征提取兩個(gè)步驟。

輸入：三維模型標(biāo)注訓(xùn)練集。

輸出：三維模型標(biāo)注訓(xùn)練集所有面片的面片特征和所有網(wǎng)格邊的邊特征。

步驟1對(duì)訓(xùn)練集中所有三維模型進(jìn)行預(yù)處理，得到歸一化的三維模型集。包括首先將三維模型的質(zhì)心移動(dòng)到坐標(biāo)原點(diǎn)，模型的質(zhì)心通過(guò)計(jì)算模型上所有頂點(diǎn)的面積加權(quán)平均值獲得，即每個(gè)頂點(diǎn)的坐標(biāo)通過(guò)包含該頂點(diǎn)的所有面片面積和作為權(quán)重。質(zhì)心m_V(x,y,z)的計(jì)算為：

$m_V(x,y,z)=\frac{\underset{i\∈V}{\mathrm{\Σ}}(x_i,y_i,z_i)\×a_i}{V_{num}}$

其中，V表示三維模型的頂點(diǎn)集，頂點(diǎn)i的三維坐標(biāo)為(x_i,y_i,z_i)，包含頂點(diǎn)i的表面面積為a_i，V_num為頂點(diǎn)集中的頂點(diǎn)數(shù)目。

然后計(jì)算三維模型每個(gè)面片中心到其質(zhì)心的歐式距離，取所有歐式距離的中值作為規(guī)范項(xiàng)，將三維模型上各點(diǎn)的坐標(biāo)除以該規(guī)范項(xiàng)，從而完成三維模型的歸一化處理。

步驟2提取三維模型每個(gè)網(wǎng)格面片的面片特征，包括曲率特征、PCA特征、形狀直徑特征、平均測(cè)地距離特征和形狀上下文特征，級(jí)聯(lián)形成一個(gè)特征向量。其中，曲率特征參照文獻(xiàn)4：Ohtake Y.,Belyaev A.,Seidel H.-P.Ridge-valley lines on meshes via implicit surface fitting.ACM Transactions on Graphics,2004,23(3):609-612.所述方法計(jì)算。PCA特征參照文獻(xiàn)1所述方法計(jì)算。形狀直徑函數(shù)特征參照文獻(xiàn)5：Shapira L.,Shalom S.,Shamir A.,Cohen-OrD.,ZhangH.Contextual part analogies in 3D objects.InternationalJournal of Computer Vision,2010,89(2-3):309-326.所述方法計(jì)算。平均測(cè)地距離特征參照文獻(xiàn)6：Hilaga M.,Shinagawa Y.,Kohmura T.,Kunii T.L.Topology matching for fully automatic similarity estimationof 3d shapes.Proceedings of the 28th annual conferenceon Computer graphics and interactive techniques(New York,NY,USA,2001),SIGGRAPH’01,ACM,pp.203-212.所述方法計(jì)算。形狀上下文特征參照文獻(xiàn)7：Belongie S.,Malik J.,Puzicha J.Shape matchingand object recognition using shape contexts.IEEE Transactions OnPattern Analysis and Machine Intelligence,2002,24(4):509-522.所述方法計(jì)算。

步驟3提取三維模型每條網(wǎng)格邊的邊特征，由邊二面角特征、邊鄰域頂點(diǎn)的二面角特征，邊兩側(cè)鄰域頂點(diǎn)的曲率差和導(dǎo)數(shù)特征、共享邊的兩個(gè)鄰接面片形狀直徑差異特征、共享邊的兩個(gè)鄰接面片的體形狀圖像差異特征，級(jí)聯(lián)形成一個(gè)特征向量。邊特征的提取參照文獻(xiàn)1所述方法計(jì)算。

1.2、快速面片標(biāo)注模型

快速面片標(biāo)注模型獲取過(guò)程對(duì)訓(xùn)練集中的三維模型的面片進(jìn)行快速分類訓(xùn)練，進(jìn)而獲得圖模型的數(shù)據(jù)項(xiàng)。

輸入：三維模型面片標(biāo)注訓(xùn)練集

輸出：圖模型的數(shù)據(jù)項(xiàng)。

步驟1根據(jù)三維模型面片的面片特征X_f與其標(biāo)準(zhǔn)標(biāo)注l采用改進(jìn)的ELM方法進(jìn)行訓(xùn)練。其中，標(biāo)注l∈L，L為預(yù)定義的所有可能的面片從屬類別標(biāo)注集合，如，“機(jī)身”、“機(jī)翼”、“垂直尾翼”和“水平尾翼”。根據(jù)訓(xùn)練集中所有三維模型的面片集及面片特征X_f，以及每個(gè)面片已有的標(biāo)準(zhǔn)標(biāo)注，采用文獻(xiàn)8：Huang G.-B.,Zhou H.,Ding X.,ZhangR.Extreme learning machine for regression and multiclass classification.，2012,42(2):513–529。所述的ELM分類方法進(jìn)行訓(xùn)練。在ELM分類訓(xùn)練的過(guò)程中，修改神經(jīng)元的激活函數(shù)為ReLu(Rectified Linear Units)函數(shù)，從而在穩(wěn)定性和精度上進(jìn)一步改進(jìn)原文所述ELM分類效果，并進(jìn)一步減少計(jì)算開(kāi)銷(xiāo)。

步驟2針對(duì)待標(biāo)注模型面片在ELM分類器的分類輸出結(jié)果，通過(guò)softmax函數(shù)得到具有面片特征向量X_f的面片，標(biāo)注為l的概率分布P(l|X_f)，圖模型相應(yīng)的數(shù)據(jù)項(xiàng)為：

E_data(l,X_f)＝-ln(P(l|X_f))。

1.3、快速網(wǎng)格邊標(biāo)注模型

快速網(wǎng)格邊標(biāo)注模型獲取過(guò)程對(duì)訓(xùn)練集中的三維模型的網(wǎng)格邊進(jìn)行快速分類訓(xùn)練，進(jìn)而獲得圖模型中邊的權(quán)重。

輸入：三維模型網(wǎng)格邊標(biāo)注訓(xùn)練集

輸出：圖模型的邊權(quán)重。

步驟1根據(jù)三維模型網(wǎng)格邊的邊特征X_e與其標(biāo)準(zhǔn)標(biāo)注進(jìn)行快速訓(xùn)練。對(duì)于“邊界邊”而言，共享該網(wǎng)格邊的面片f和面片f'的面片標(biāo)注不同，即l_f≠l_f'；反之，若共享該網(wǎng)格邊的面片f和面片f'的面片標(biāo)注相同，即l_f≠l_f'，則為“非邊界邊”。根據(jù)訓(xùn)練集中所有三維模型的網(wǎng)格邊集及邊特征X_e，以及每條邊界邊已有的標(biāo)準(zhǔn)標(biāo)注，采用文獻(xiàn)7所述的ELM方法進(jìn)行訓(xùn)練。在ELM訓(xùn)練的過(guò)程中，采用ReLu函數(shù)作為神經(jīng)元的激活函數(shù)，從而在穩(wěn)定性、精度與效率上進(jìn)一步改進(jìn)原文所述ELM分類效果。

步驟2針對(duì)待標(biāo)注模型網(wǎng)格邊在ELM分類器的測(cè)試輸出結(jié)果，通過(guò)sigmoid函數(shù)得到具有邊特征向量e的網(wǎng)格邊，邊界邊的概率分布P(l_f≠l_f'|X_e)，圖模型相應(yīng)的邊權(quán)重為：

E_weight(l_f≠l_f',X_e)＝-ln(P(l_f≠l_f',X_e))

1.4、根據(jù)訓(xùn)練集數(shù)據(jù)學(xué)習(xí)得到圖割優(yōu)化平滑項(xiàng)的最佳權(quán)重。

輸入：訓(xùn)練集根據(jù)面片標(biāo)注模型得到的圖的數(shù)據(jù)項(xiàng)和邊權(quán)重。

輸出：圖割優(yōu)化平滑項(xiàng)的最佳權(quán)重。

步驟1針對(duì)訓(xùn)練集中的每個(gè)三維模型構(gòu)建圖模型，圖的節(jié)點(diǎn)為網(wǎng)格面片，圖的邊為相鄰面片f和面片f'間的共享邊，數(shù)據(jù)項(xiàng)為E_data(l_f,X_f)，E_data(l_f,X_f)＝-ln(P(l_f|X_f))，平滑項(xiàng)E_weight(l_f≠l_f',X_e)×α作為圖模型中邊的權(quán)重，用于調(diào)節(jié)分割邊界的平滑程度，采用多標(biāo)簽圖割優(yōu)化算法計(jì)算優(yōu)化后的目標(biāo)三維模型中每個(gè)網(wǎng)格面片的標(biāo)注。α的取值范圍為[0，10]，在此范圍內(nèi)，設(shè)置步長(zhǎng)為0.1進(jìn)行網(wǎng)格搜索優(yōu)化，找到使得訓(xùn)練集中三維模型的平均分割精度最高的α，記為圖割模型的最優(yōu)平滑項(xiàng)權(quán)重α_best。

2、目標(biāo)三維模型的標(biāo)注

利用三維模型標(biāo)注訓(xùn)練集的訓(xùn)練過(guò)程所得的快速面片標(biāo)注模型和快速網(wǎng)格邊標(biāo)注模型對(duì)目標(biāo)三維模型進(jìn)行面片和網(wǎng)格邊的標(biāo)注，構(gòu)建圖模型，通過(guò)多標(biāo)簽圖割優(yōu)化獲得目標(biāo)三維模型構(gòu)成部件的類別標(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，過(guò)程如下：

輸入：目標(biāo)三維模型。

輸出：目標(biāo)三維模型分割后的面片標(biāo)注。

步驟1對(duì)目標(biāo)模型進(jìn)行預(yù)處理，提取每個(gè)網(wǎng)格面片的面片特征和每條網(wǎng)格邊的邊特征。

步驟2采用面片標(biāo)注過(guò)程根據(jù)快速面片標(biāo)注模型對(duì)目標(biāo)三維模型的面片集進(jìn)行部件類別標(biāo)注，采用邊標(biāo)注過(guò)程根據(jù)快速網(wǎng)格邊標(biāo)注模型對(duì)目標(biāo)三維模型的邊集進(jìn)行邊界邊類別標(biāo)注。其中，面片分類和邊分類的ELM輸出值，分別通過(guò)softmax函數(shù)和sigmoid函數(shù)映射到[0,1]，用于表示面片分類概率分布P(l|X_f)和邊界邊的概率分布P(l_f≠l_f'|X_e)。

步驟3針對(duì)目標(biāo)三維模型構(gòu)建圖模型，圖中節(jié)點(diǎn)為網(wǎng)格面片，邊為相鄰面片f和f'間的共享邊，面片的類別標(biāo)注負(fù)概率對(duì)數(shù)作為圖割優(yōu)化的數(shù)據(jù)項(xiàng)E_data(l,X_f)，網(wǎng)格邊從屬于邊界邊的標(biāo)注負(fù)概率對(duì)數(shù)E_weight(l_f≠l_f',X_e)作為圖模型中邊的權(quán)重。采用文獻(xiàn)9：Boykov Y.,Veksler O.,Zabih R.Fast Approximate Energy Minimization via Graph Cuts.IEEE Transactions OnPattern Analysis and Machine Intelligence,2001,23(11):1222-1239.中的多標(biāo)簽圖割優(yōu)化算法，計(jì)算優(yōu)化后的目標(biāo)三維模型中每個(gè)網(wǎng)格面片f的標(biāo)注l_f。

所述預(yù)處理過(guò)程對(duì)輸入的目標(biāo)三維模型進(jìn)行歸一化處理，提取每個(gè)網(wǎng)格面片的面片特征和每條網(wǎng)格邊的邊特征，過(guò)程如下：

輸入：目標(biāo)三維模型。

輸出：目標(biāo)三維模型中每個(gè)面片的面片特征和每條邊的邊特征。

所述面片標(biāo)注過(guò)程的目標(biāo)為輸入三維模型中的面片進(jìn)行初始標(biāo)注，標(biāo)注為l∈L，L為預(yù)定義的所有可能的標(biāo)注集合，如，“機(jī)身”、“機(jī)翼”、“水平尾翼”和“垂直尾翼”，過(guò)程如下：

輸入：快速面片標(biāo)注模型和目標(biāo)三維模型的面片集。

輸出：該目標(biāo)三維模型面片集中每個(gè)面片的分類概率分布P(l|X_f)。

所述邊標(biāo)注過(guò)程的目標(biāo)為輸入目標(biāo)三維模型中的網(wǎng)格邊進(jìn)行標(biāo)注。對(duì)于“邊界邊”而言，共享該網(wǎng)格邊的面片f和面片f'的面片標(biāo)注不同，即l_f≠l_f'；反之，對(duì)于“非邊界邊”而言，共享該網(wǎng)格邊的面片f和面片f'的面片標(biāo)注相同，即l_f＝l_f'。過(guò)程如下：

輸入：快速邊界標(biāo)注模型和目標(biāo)三維模型的網(wǎng)格邊集。

輸出：該目標(biāo)三維模型網(wǎng)格邊集中邊界邊的概率分布P(l_f≠l_f'|X_e)

所述構(gòu)建圖模型過(guò)程的目標(biāo)為對(duì)初始面片標(biāo)注進(jìn)行邊界的平滑與優(yōu)化，從而獲得對(duì)目標(biāo)三維模型的構(gòu)成部件的類別進(jìn)行標(biāo)注，過(guò)程如下：

輸入：圖模型，包括圖中節(jié)點(diǎn)的數(shù)據(jù)項(xiàng)E_data(l,X_f)＝-ln(P(l|X_f))，平滑項(xiàng)E_smooth以及圖中節(jié)點(diǎn)間連接邊的權(quán)重E_weight(l_f≠l_f',X_e)×α_best＝-ln(P(l_f≠l_f',X_e))×α_best。

輸出：目標(biāo)三維模型中每個(gè)面片f從屬于構(gòu)成部件類別的標(biāo)注l_f。

步驟1構(gòu)建一個(gè)圖，圖的節(jié)點(diǎn)為三維模型的面片，相鄰面片間存在網(wǎng)格邊作為圖的邊，面片f和面片f'被標(biāo)注為標(biāo)注l_f和標(biāo)注l_f'時(shí)，邊{f,f'}的權(quán)重E_weight(l_f≠l_f',X_e)為：

E_weight(l_f≠l_f',X_e)×α_best＝-ln(P(l_f≠l_f',X_e))×α_best

步驟2計(jì)算數(shù)據(jù)項(xiàng)E_data(l,X_f)：

E_data(l,X_f)＝-ln(P(l|X_f))

步驟3設(shè)置平滑項(xiàng)E_smooth為主對(duì)角線為0，其它元素為1的L_num階方陣，用于表示面片類別標(biāo)注標(biāo)簽之間的距離度量。其中，L_num為面片的標(biāo)準(zhǔn)標(biāo)注類別數(shù)。

步驟4采用文獻(xiàn)9中的多標(biāo)簽圖割優(yōu)化算法，通過(guò)計(jì)算該圖最小割的方式，計(jì)算三維模型網(wǎng)格上每個(gè)面片的最佳標(biāo)號(hào)l，優(yōu)化圖模型，進(jìn)而求得優(yōu)化后目標(biāo)三維模型中每個(gè)網(wǎng)格面片f的標(biāo)注l_f。

本發(fā)明中，如圖2所示為輸入的三維模型標(biāo)注訓(xùn)練集示例，通過(guò)本發(fā)明所述的快速三維模型部件類別自動(dòng)標(biāo)注方法，可對(duì)圖3a中模型進(jìn)行分割，得到初始的面片分類圖3b，邊分類概率圖3c，構(gòu)建圖模型并進(jìn)行圖割優(yōu)化后的面片標(biāo)注為如圖3d所示。

本發(fā)明提供了一種三維模型部件類別自動(dòng)標(biāo)注方法，具體實(shí)現(xiàn)該技術(shù)方案的方法和途徑很多，以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。本實(shí)施例中未明確的各組成部分均可用現(xiàn)有技術(shù)加以實(shí)現(xiàn)。