本發(fā)明涉及三維模型處理技術(shù)領(lǐng)域，更具體地說，涉及一種三維模型的深度特征提取方法。

背景技術(shù)：

隨著三維模型處理技術(shù)和計算機硬件、軟件的快速發(fā)展，以及多媒體技術(shù)和互聯(lián)網(wǎng)技術(shù)的推廣，大量的三維模型應用于各個領(lǐng)域中，人們對三維模型的應用需求也日益增大。三維模型在電子商務(wù)、建筑設(shè)計、工業(yè)設(shè)計、廣告影視和三維游戲等多個領(lǐng)域扮演重要的角色。大規(guī)模數(shù)據(jù)集的三維模型在社會生產(chǎn)生活的各個方面需要重用設(shè)計和模型檢索，因此，如何從已有的各類型的三維模型數(shù)據(jù)集中快速精確地檢索到目標三維模型，成為了亟待解決的關(guān)鍵問題。

近年來，基于深度學習的三維模型分析成為研究熱點，它結(jié)合了計算機視覺、人工智能、智能計算等研究內(nèi)容，能解決三維模型的視覺任務(wù)包括三維模型特征提取、分類、識別、檢測和預測等難題。使用深度學習技術(shù)能自動地學習三維模型的隱含特征，并且能在大規(guī)模數(shù)據(jù)集上進行訓練，增強學習模型的泛化能力。

目前基于深度學習的特征提取方法，存在如下問題：如深度學習的框架提取的特征不能完全表達三維模型信息、網(wǎng)絡(luò)層次深帶來的計算復雜度高和網(wǎng)絡(luò)的過擬合問題、以及網(wǎng)絡(luò)學習時間長和內(nèi)存儲存空間大等。隨著深度學習的技術(shù)成熟運用和對三維模型特征能力表達強的需求，使用深度學習去提取特征將為三維模型分類、檢索、檢測和識別難題帶來新的突破。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的缺點與不足，提供一種三維模型的深度特征提取方法，該方法構(gòu)建深層卷積神經(jīng)網(wǎng)絡(luò)對三維模型的極視圖進行訓練，經(jīng)過迭代修正權(quán)值縮小殘差，使得網(wǎng)絡(luò)收斂。待訓練完畢后，提取卷積神經(jīng)網(wǎng)絡(luò)的全鏈接層作為三維模型極視圖的深度特征，使得深度特征可用于三維模型的分類、檢索和識別等視覺任務(wù)。該方法構(gòu)建深層的卷積神經(jīng)網(wǎng)絡(luò)層次豐富，可加快網(wǎng)絡(luò)訓練速度和提高深度網(wǎng)絡(luò)擬合的準確度。

為了達到上述目的，本發(fā)明通過下述技術(shù)方案予以實現(xiàn)：一種三維模型的深度特征提取方法，其特征在于：

首先，提取三維模型的極視圖，作為深度卷積神經(jīng)網(wǎng)絡(luò)的訓練輸入數(shù)據(jù)；

其次，構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)，并對極視圖進行訓練；其中，深度卷積神經(jīng)網(wǎng)絡(luò)包括有極視圖作為訓練輸入數(shù)據(jù)的輸入層、用于對極視圖的特征進行學習并得到二維特征圖的卷積層、用于對不同位置的二維特征圖進行聚合統(tǒng)計并降低特征維度的池化層、用于對二維特征圖進行排列鏈接形成一維向量的全鏈接層、以及用于輸出類別預測結(jié)果的輸出層；

再次，將極視圖輸入到深度卷積神經(jīng)網(wǎng)絡(luò)進行訓練，直到深度卷積神經(jīng)網(wǎng)絡(luò)收斂，實現(xiàn)訓練完成后深度卷積神經(jīng)網(wǎng)絡(luò)的內(nèi)部權(quán)值的確定；

最后，在已訓練好的深度卷積神經(jīng)網(wǎng)絡(luò)中輸入需提取特征的三維模型的極視圖，計算深度卷積神經(jīng)網(wǎng)絡(luò)中全鏈接層的特征向量，則作為需提取特征的三維模型的深度特征。

在上述方案中，本發(fā)明的三維模型的深度特征提取方法是通過深度卷積神經(jīng)網(wǎng)絡(luò)對三維模型的極視圖進行訓練，經(jīng)過迭代修正權(quán)值縮小殘差，使得網(wǎng)絡(luò)收斂。待訓練完畢后，提取卷積神經(jīng)網(wǎng)絡(luò)的全鏈接層作為三維模型極視圖的深度特征。其中，極視圖對三維模型的空間集合結(jié)構(gòu)全局表達，采用三維模型的極視圖可精簡和減輕深度卷積神經(jīng)網(wǎng)絡(luò)的訓練計算量。本發(fā)明所構(gòu)建的深度卷積神經(jīng)網(wǎng)絡(luò)層次豐富，可加快網(wǎng)絡(luò)訓練速度和提高深度網(wǎng)絡(luò)擬合的準確度。其中，極視圖是指從三維模型的質(zhì)心向外發(fā)射一組采樣射線，射線與模型的交點到質(zhì)心的距離排列成的二維采樣圖。

具體地說，該方法包括以下步驟：

步驟s101：提取三維模型的極視圖，作為深度卷積神經(jīng)網(wǎng)絡(luò)的訓練輸入數(shù)據(jù)，其中訓練輸入數(shù)據(jù)設(shè)置為x⁽ⁱ⁾∈χ，χ為共有n個三維模型的極視圖；第i個模型對應的類別標簽為y⁽ⁱ⁾∈{1,2,...,k}，k為三維模型的類別數(shù)量；

步驟s102：構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)；在深度卷積神經(jīng)網(wǎng)絡(luò)中，深度卷積神經(jīng)網(wǎng)絡(luò)包括：極視圖x⁽ⁱ⁾作為訓練輸入數(shù)據(jù)的輸入層ι，4個卷積層c(t),t＝1,2,3,4，1個池化層p，兩個全鏈接層fc(1)和fc(2)，以及輸出層ο；其中，4個卷積層c(t),t＝1,2,3,4中每個卷積層和兩個全鏈接層fc(1)和fc(2)中每個全鏈接層均使用修正線性激活函數(shù)f(a)＝max(0,a)替代深度卷積神經(jīng)網(wǎng)絡(luò)中的sigmoid函數(shù)f(a)＝1/(1+e^-a)；

步驟s103：設(shè)置深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)，即將深度卷積神經(jīng)網(wǎng)絡(luò)各層權(quán)值初始化：

輸入層ι：輸入數(shù)據(jù)為一個尺寸為(32×32)的極視圖x⁽ⁱ⁾；

卷積層c：4個卷積層依次對極視圖的特征進行學習，各個卷積層得到的二維特征圖的數(shù)量為f^t＝(6,8,10,12)，根據(jù)以下公式得到各個卷積層的二維特征圖：

其中表示c(t)的第q個二維特征圖，m表示t-1層的特征圖集合，t-1為0時，即表示二維特征圖為輸入的極視圖，表示第t-1層的第p個特征圖到第t層卷積層的第q個二維特征圖的卷積核，由[-1,1]的隨機數(shù)生成(5×5)的矩陣作為初始卷積核。bias為偏置，初始化值為0。(*)表示卷積的運算，f(·)為修正線性激活函數(shù)；通過上述公式可得到：

卷積層c(1)計算出6個尺寸為(28×28)的二維特征圖；

卷積層c(2)計算出8個尺寸為(24×24)的二維特征圖；

卷積層c(3)計算出10個尺寸為(20×20)的二維特征圖；

卷積層c(4)計算出12個尺寸為(16×16)的二維特征圖；

池化層p：通過下述公式對卷積層c(4)計算出的二維特征圖進行最大池化處理，得到12個尺寸為(8×8)的特征矩陣：

其中，pmp(u0,v0)表示二維特征圖最大池化處理的特征矩陣對應的坐標，是卷積層c(4)計算出的二維特征圖，max()是計算矩陣元素的最大值；

全鏈接層fc(1)：將pmp排列成列向量(64×1)，對各個矩陣的列向量全鏈接得到一維向量l⁰(768×1)，即一維向量l⁰(768×1)作為全鏈接層fc(1)的輸入向量；

全鏈接層fc(2)：設(shè)定全鏈接層fc(1)有512個神經(jīng)元，全鏈接層fc(2)有128個神經(jīng)元；并通過下述全鏈接層傳導公式計算全鏈接層fc(1)的輸出向量l¹作為全鏈接層fc(2)的輸入向量，以及計算全鏈接層fc(2)的輸出向量l²作為輸出層o的輸入向量：

其中為與網(wǎng)絡(luò)權(quán)值，由[-1,1]的隨機數(shù)生成(512×768)的矩陣作為初始權(quán)值w¹，生成(128×512)的矩陣作為初始權(quán)值w²；為的偏置，初始值為0；f(·)為修正線性激活函數(shù)；取1和2；

輸出層o：設(shè)置輸出層有k個神經(jīng)元，計算公式如下：

y′＝f(w³l²+b²)；

其中，y′⁽ⁱ⁾為深度卷積神經(jīng)網(wǎng)絡(luò)的最終輸出，i為第i個模型；w³由[-1,1]的隨機數(shù)生成(k×128)的矩陣作為初始權(quán)值；l²為全鏈接層fc(2)的輸出向量；

步驟s104：對極視圖的數(shù)據(jù)集χ進行訓練，設(shè)置學習率η為1，使用梯度隨機下降算法，根據(jù)深度卷積神經(jīng)網(wǎng)絡(luò)輸出預測的結(jié)果y′⁽ⁱ⁾和真實的類別標簽y⁽ⁱ⁾∈{1,2,...,k}的誤差，進行反向傳播，迭代20次算法能收斂，實現(xiàn)訓練完成后深度卷積神經(jīng)網(wǎng)絡(luò)的內(nèi)部權(quán)值的確定；

步驟s105：在已訓練好的深度卷積神經(jīng)網(wǎng)絡(luò)中輸入需提取特征的三維模型的極視圖x⁽ⁱ⁾，并計算第2個全鏈接層fc(2)輸出的特征向量l²，即是所需提取特征的三維模型極視圖的深度特征。

所述提取三維模型的極視圖是指：

首先，將三維點云模型進行預處理，計算出三維點云模型的質(zhì)心及尺度，并將三維點云模型平移到直角坐標系上進行縮放，實現(xiàn)三維點云模型在直角坐標系上歸一化；

其次，將在直角坐標系上經(jīng)過縮放的三維點云模型轉(zhuǎn)換到球坐標，并得到三維點云模型各個點的方向和距離屬性；

再次，將點集的球坐標映射到極視圖的像素位置上，計算每個像素采樣距離集的最大距離，作為方向區(qū)間的射線采樣值；

最后，將每個像素采樣距離集的最大距離排列成二維采樣圖，即為所提取的極視圖。

所述提取三維模型的極視圖具體包括以下步驟：

步驟s201：輸入三維點云模型，該三維點云模型的尺度為p＝{pi(xi,yi,zi)|i＝1,2,...,n}；

步驟s202：按照下述公式計算三維點云模型的質(zhì)心g(gx，gy，gz)，通過得到的質(zhì)心g(gx，gy，gz)將三維點云模型平移變換到直角坐標系上，則三維點云模型在直角坐標系的尺度為pi′＝pi-g,i＝1,2,...,n；平移變換后的三維點云模型pi′的質(zhì)心位于直角坐標系的原點；

步驟s203：計算三維點云模型的縮放因子s，將三維點云模型縮放到單位尺度為上，其中，縮放因子s為

步驟s204：將在直角坐標系上經(jīng)過縮放的三維點云模型轉(zhuǎn)換到球坐標q，此時三維點云模型在球坐標上的尺度為轉(zhuǎn)換公式如下：

其中θ∈[0,π]，仰角在z軸負半軸上為0；

步驟s205：將球坐標q映射到極視圖的像素位置(u,v)上，映射關(guān)系為則三維點云模型在極視圖的像素位置(u,v)上按照下述公式計算；其中，一個像素位置(u,v)上存在一個球坐標點、多個球坐標點或者不存在有球坐標點；

其中nu和nv分別為極視圖的寬和長；

步驟s206：每個像素(u,v)的采樣距離集為按下述公式計算出每個像素采樣距離集的最大值作為最大距離以得到極視圖中像素采樣值，并排列成二維采集圖作為極視圖i；

上述的深度特征提取方法直接對三維模型的極視圖進行特征提取，針對二維極視圖利用卷積操作可以感知各個位置的信息。經(jīng)過多層卷積處理得到的特征圖，在全鏈接層中能提取辨別性強的深度特征。

而在提取極視圖時，預處理過程需要對三維模型進行平移和縮放變換，保證三維模型在標準尺度上歸一化和標準化處理。將三維模型點云轉(zhuǎn)換成球坐標系，利于將球坐標點映射到二維極視圖的對應像素位置，通過映射，統(tǒng)計該像素位置上的點的距離集的最大值，將最大采樣值形成二維采樣圖，即是三維模型新型的極視圖。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點與有益效果：本發(fā)明三維模型的深度特征提取方法構(gòu)建深層卷積神經(jīng)網(wǎng)絡(luò)對三維模型的極視圖進行訓練，經(jīng)過迭代修正權(quán)值縮小殘差，使得網(wǎng)絡(luò)收斂。待訓練完畢后，提取卷積神經(jīng)網(wǎng)絡(luò)的全鏈接層作為三維模型極視圖的深度特征，使得深度特征可用于三維模型的分類、檢索和識別等視覺任務(wù)。該方法構(gòu)建深層的卷積神經(jīng)網(wǎng)絡(luò)層次豐富，可加快網(wǎng)絡(luò)訓練速度和提高深度網(wǎng)絡(luò)擬合的準確度。

附圖說明

圖1是本發(fā)明三維模型的深度特征提取方法的流程圖；

圖2是本發(fā)明三維模型的深度特征提取方法中深層卷積神經(jīng)網(wǎng)絡(luò)的示意圖；

圖3是本發(fā)明方法中提取三維模型的極視圖的流程圖；

圖4是本發(fā)明方法中由三維模型提取得到極視圖的示意圖；

具體實施方式

下面結(jié)合附圖與具體實施方式對本發(fā)明作進一步詳細的描述。

實施例

如圖1至圖4所示，本發(fā)明三維模型的深度特征提取方法是這樣的：

首先，提取三維模型的極視圖，作為深度卷積神經(jīng)網(wǎng)絡(luò)的訓練輸入數(shù)據(jù)；

其次，構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)，并對極視圖進行訓練；其中，深度卷積神經(jīng)網(wǎng)絡(luò)包括有極視圖作為訓練輸入數(shù)據(jù)的輸入層、用于對極視圖的特征進行學習并得到二維特征圖的卷積層、用于對不同位置的二維特征圖進行聚合統(tǒng)計并降低特征維度的池化層、用于對二維特征圖進行排列鏈接形成一維向量的全鏈接層、以及用于輸出類別預測結(jié)果的輸出層；

再次，將極視圖輸入到深度卷積神經(jīng)網(wǎng)絡(luò)進行訓練，直到深度卷積神經(jīng)網(wǎng)絡(luò)收斂，實現(xiàn)訓練完成后深度卷積神經(jīng)網(wǎng)絡(luò)的內(nèi)部權(quán)值的確定；

最后，在已訓練好的深度卷積神經(jīng)網(wǎng)絡(luò)中輸入需提取特征的三維模型的極視圖，計算深度卷積神經(jīng)網(wǎng)絡(luò)中全鏈接層的特征向量，則作為需提取特征的三維模型的深度特征。

在上述方案中，本發(fā)明的三維模型的深度特征提取方法是通過深度卷積神經(jīng)網(wǎng)絡(luò)對三維模型的極視圖進行訓練，經(jīng)過迭代修正權(quán)值縮小殘差，使得網(wǎng)絡(luò)收斂。待訓練完畢后，提取卷積神經(jīng)網(wǎng)絡(luò)的全鏈接層作為三維模型極視圖的深度特征。其中，極視圖對三維模型的空間集合結(jié)構(gòu)全局表達，采用三維模型的極視圖可精簡和減輕深度卷積神經(jīng)網(wǎng)絡(luò)的訓練計算量。本發(fā)明所構(gòu)建的深度卷積神經(jīng)網(wǎng)絡(luò)層次豐富，可加快網(wǎng)絡(luò)訓練速度和提高深度網(wǎng)絡(luò)擬合的準確度。其中，極視圖是指從三維模型的質(zhì)心向外發(fā)射一組采樣射線，射線與模型的交點到質(zhì)心的距離排列成的二維采樣圖。

具體地說，該方法包括以下步驟：

步驟s101：提取三維模型的極視圖，作為深度卷積神經(jīng)網(wǎng)絡(luò)的訓練輸入數(shù)據(jù)，其中訓練輸入數(shù)據(jù)設(shè)置為x⁽ⁱ⁾∈χ，χ為共有n個三維模型的極視圖；第i個模型對應的類別標簽為y⁽ⁱ⁾∈{1,2,...,k}，k為三維模型的類別數(shù)量；

步驟s102：構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)；在深度卷積神經(jīng)網(wǎng)絡(luò)中，深度卷積神經(jīng)網(wǎng)絡(luò)包括：極視圖x⁽ⁱ⁾作為訓練輸入數(shù)據(jù)的輸入層ι，4個卷積層c(t),t＝1,2,3,4，1個池化層p，兩個全鏈接層fc(1)和fc(2)，以及輸出層ο；其中，4個卷積層c(t),t＝1,2,3,4中每個卷積層和兩個全鏈接層fc(1)和fc(2)中每個全鏈接層均使用修正線性激活函數(shù)f(a)＝max(0,a)替代深度卷積神經(jīng)網(wǎng)絡(luò)中的sigmoid函數(shù)f(a)＝1/(1+e^-a)；

步驟s103：設(shè)置深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)，即將深度卷積神經(jīng)網(wǎng)絡(luò)各層權(quán)值初始化：

輸入層ι：輸入數(shù)據(jù)為一個尺寸為(32×32)的極視圖x⁽ⁱ⁾；

卷積層c：4個卷積層依次對極視圖的特征進行學習，各個卷積層得到的二維特征圖的數(shù)量為f^t＝(6,8,10,12)，根據(jù)以下公式得到各個卷積層的二維特征圖：

其中表示c(t)的第q個二維特征圖，m表示t-1層的特征圖集合，t-1為0時，即表示二維特征圖為輸入的極視圖，表示第t-1層的第p個特征圖到第t層卷積層的第q個二維特征圖的卷積核，由[-1,1]的隨機數(shù)生成(5×5)的矩陣作為初始卷積核。bias為偏置，初始化值為0。(*)表示卷積的運算，f(·)為修正線性激活函數(shù)；通過上述公式可得到：

卷積層c(1)計算出6個尺寸為(28×28)的二維特征圖；

卷積層c(2)計算出8個尺寸為(24×24)的二維特征圖；

卷積層c(3)計算出10個尺寸為(20×20)的二維特征圖；

卷積層c(4)計算出12個尺寸為(16×16)的二維特征圖；

池化層p：通過下述公式對卷積層c(4)計算出的二維特征圖進行最大池化處理，得到12個尺寸為(8×8)的特征矩陣：

其中，pmp(u0,v0)表示二維特征圖最大池化處理的特征矩陣對應的坐標，是卷積層c(4)計算出的二維特征圖，max()是計算矩陣元素的最大值；

全鏈接層fc(1)：將pmp排列成列向量(64×1)，對各個矩陣的列向量全鏈接得到一維向量l⁰(768×1)，即一維向量l⁰(768×1)作為全鏈接層fc(1)的輸入向量；

全鏈接層fc(2)：設(shè)定全鏈接層fc(1)有512個神經(jīng)元，全鏈接層fc(2)有128個神經(jīng)元；并通過下述全鏈接層傳導公式計算全鏈接層fc(1)的輸出向量l¹作為全鏈接層fc(2)的輸入向量，以及計算全鏈接層fc(2)的輸出向量l²作為輸出層o的輸入向量：

其中為與網(wǎng)絡(luò)權(quán)值，由[-1,1]的隨機數(shù)生成(512×768)的矩陣作為初始權(quán)值w¹，生成(128×512)的矩陣作為初始權(quán)值w²；為的偏置，初始值為0；f(·)為修正線性激活函數(shù)；取1和2；

輸出層o：設(shè)置輸出層有k個神經(jīng)元，計算公式如下：

y′＝f(w³l²+b²)；

其中，y′⁽ⁱ⁾為深度卷積神經(jīng)網(wǎng)絡(luò)的最終輸出，i為第i個模型；w³由[-1,1]的隨機數(shù)生成(k×128)的矩陣作為初始權(quán)值；l²為全鏈接層fc(2)的輸出向量；

步驟s104：對極視圖的數(shù)據(jù)集χ進行訓練，設(shè)置學習率η為1，使用梯度隨機下降算法，根據(jù)深度卷積神經(jīng)網(wǎng)絡(luò)輸出預測的結(jié)果y′⁽ⁱ⁾和真實的類別標簽y⁽ⁱ⁾∈{1,2,...,k}的誤差，進行反向傳播，迭代20次算法能收斂，實現(xiàn)訓練完成后深度卷積神經(jīng)網(wǎng)絡(luò)的內(nèi)部權(quán)值的確定；

步驟s105：在已訓練好的深度卷積神經(jīng)網(wǎng)絡(luò)中輸入需提取特征的三維模型的極視圖x⁽ⁱ⁾，并計算第2個全鏈接層fc(2)輸出的特征向量l²，即是所需提取特征的三維模型極視圖的深度特征。

上述提取三維模型的極視圖是指：

首先，將三維點云模型進行預處理，計算出三維點云模型的質(zhì)心及尺度，并將三維點云模型平移到直角坐標系上進行縮放，實現(xiàn)三維點云模型在直角坐標系上歸一化；

其次，將在直角坐標系上經(jīng)過縮放的三維點云模型轉(zhuǎn)換到球坐標，并得到三維點云模型各個點的方向和距離屬性；

再次，將點集的球坐標映射到極視圖的像素位置上，計算每個像素采樣距離集的最大距離，作為方向區(qū)間的射線采樣值；

最后，將每個像素采樣距離集的最大距離排列成二維采樣圖，即為所提取的極視圖。

具體地說，提取三維模型的極視圖具體包括以下步驟：

步驟s201：輸入三維點云模型，該三維點云模型的尺度為p＝{pi(xi,yi,zi)|i＝1,2,...,n}；

步驟s202：按照下述公式計算三維點云模型的質(zhì)心g(gx，gy，gz)，通過得到的質(zhì)心g(gx，gy，gz)將三維點云模型平移變換到直角坐標系上，則三維點云模型在直角坐標系的尺度為pi′＝pi-g,i＝1,2,...,n；平移變換后的三維點云模型pi′的質(zhì)心位于直角坐標系的原點；

步驟s203：計算三維點云模型的縮放因子s，將三維點云模型縮放到單位尺度為上，其中，縮放因子s為

步驟s204：將在直角坐標系上經(jīng)過縮放的三維點云模型轉(zhuǎn)換到球坐標q，此時三維點云模型在球坐標上的尺度為轉(zhuǎn)換公式如下：

其中θ∈[0,π]，仰角在z軸負半軸上為0；

步驟s205：將球坐標q映射到極視圖的像素位置(u,v)上，映射關(guān)系為則三維點云模型在極視圖的像素位置(u,v)上按照下述公式計算；其中，一個像素位置(u,v)上存在一個球坐標點、多個球坐標點或者不存在有球坐標點；

其中nu和nv分別為極視圖的寬和長；

步驟s206：每個像素(u,v)的采樣距離集為按下述公式計算出每個像素采樣距離集的最大值作為最大距離以得到極視圖中像素采樣值，并排列成二維采集圖作為極視圖i；

上述的深度特征提取方法直接對三維模型的極視圖進行特征提取，針對二維極視圖利用卷積操作可以感知各個位置的信息。經(jīng)過多層卷積處理得到的特征圖，在全鏈接層中能提取辨別性強的深度特征。

而在提取極視圖時，預處理過程需要對三維模型進行平移和縮放變換，保證三維模型在標準尺度上歸一化和標準化處理。將三維模型點云轉(zhuǎn)換成球坐標系，利于將球坐標點映射到二維極視圖的對應像素位置，通過映射，統(tǒng)計該像素位置上的點的距離集的最大值，將最大采樣值形成二維采樣圖，即是三維模型新型的極視圖。

上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應為等效的置換方式，都包含在本發(fā)明的保護范圍之內(nèi)。