一种三维模型构件类别的自动标注方法

摘要

本发明公开了一种三维模型构件类别的自动标注方法，包括以下步骤：CRF标注模型的训练过程根据三维模型标注训练集训练学出用于对未知三维模型进行分割与标注的CRF标注模型：首先，将三维模型标注训练集划分为实例集和验证集；然后，对实例集中三维模型进行预处理，进而分类训练出CRF标注模型的一元项和二元项；最后，利用验证集的预处理结果进行参数搜索，获得CRF标注模型的参数以完成CRF标注模型的学。目标三维模型的标注过程利用三维模型标注训练集的学过程所得CRF标注模型对目标三维模型进行分割与标注，从而实现目标三维模型构成部件的类别标注。

主权项

一种三维模型构件类别的自动标注方法，其特征在于，包括以下步骤：步骤一，条件随机场CRF标注模型的训练：对三维模型标注训练集进行训练学习，获得CRF标注模型，所述三维模型为网格面片化的三维模型：三维模型标注训练集中的三维模型为属于同种类型且具有相同部件构成的已标注三维模型，其中标注信息为三维模型构成部件的所属类别，并附加在三维模型的每个网格面片上；三维模型标注训练集的学习过程将三维模型标注训练集按照所含三维模型数量4:1的比例划分为实例集和验证集，进行实例集的分类训练和利用验证集的参数搜索两个步骤：分类训练过程对实例集中三维模型进行预处理，进而分类训练出CRF标注模型的一元项和二元项；参数搜索过程搜索最准确的CRF标注模型的二面角参数λ、二元概率参数κ、边长参数μ；步骤二，目标三维模型的标注：利用三维模型标注训练集的学习过程所得CRF标注模型对目标三维模型进行分割与标注，从而获得目标三维模型构成部件的类别标注，该目标三维模型为与训练集中模型从属于同种类型且具有相同部件构成，但尚未分割与标注的三维模型；包含两个步骤：首先，对目标三维模型进行预处理，获得筛选面片集，以及筛选面片集中每个网格面片的一元特征向量x和相邻网格面片的二元特征向量y；然后，利用步骤一中获得的CRF标注模型，采用面片标注过程对目标三维模型的筛选面片集进行标注，进而根据对称关系获得目标三维模型所有网格面片的标注；步骤一与步骤二中所述预处理部分包括特征提取和对称筛选两个步骤：特征提取过程对输入三维模型进行分析，计算每个网格面片的一元特征，与相邻网格面片的二元特征，所述相邻网格面片是指三维模型上具有公共边的两个网格面片；对称筛选过程根据三维模型的对称性，删除三维模型中的冗余网格面片，从而获取三维模型的筛选面片集；特征提取部分包括以下步骤：步骤11，对输入三维模型进行规范化操作：将三维模型的中心点移动到坐标原点，三维模型的中心点通过计算模型上所有点的坐标平均值获得；计算三维模型上任意两个网格面片间的测地距离；选取三维模型任意两个网格面片间测地距离值大小排序在第30％的测地距离值作为规范项，将三维模型上各点的坐标除以该测地距离值，从而完成三维模型的规范化；步骤12，提取输入三维模型每个网格面片的一元特征向量，包括曲率特征、PCA特征、形状直径函数SDF、体形状图像VSI、平均测地距离AGD、形状上下文SC、旋转图像特征；步骤13，提取每个三维模型每组相邻网格面片的二元特征向量，包括二面角特征、曲率二元特征、形状直径函数差值特征、体形状图像差值特征；对称筛选包括以下步骤：步骤21，采用投票方法检测三维模型的反射对称变换，提取三维模型中最显著的对称模式，并获得面片间的对称关系，所述对称关系是指三维模型中任意两个网格面片是否对称；步骤22，将三维模型中的所有面片放入备选面片集中，并将筛选面片集设置为空集；遍历备选面片集中的所有面片，将遍历到的面片放入筛选面片集中，并将所有与之对称的面片从备选面片集中删除，最终获得所需筛选面片集；步骤一中所述实例集的分类训练包括以下步骤：步骤111，对实例集中所有三维模型进行预处理，获得筛选面片集，以及筛选面片集中每个网格面片的一元特征向量x和相邻网格面片的二元特征向量y；步骤112，采用JointBoost分类器对筛选面片集中每个网格面片的一元特征向量x及其标注进行训练学习，从而获得CRF标注模型的一元项；步骤113，采用JointBoost分类器对筛选面片集中相邻网格面片的二元特征向量y及其标注进行训练学习，计算相邻网格的局部几何特征，获得CRF标注模型二元项中度量相邻网格面片存在标注差异可能性的几何依赖项G(y)；在实例集中计算任意两个标注c和c'相邻的概率，计算CRF标注模型二元项中的标注相容性项L(c,c')，最终获得CRF标注模型的二元项；步骤一中所述验证集的参数搜索包括以下步骤：步骤121，对验证集中所有三维模型进行预处理，获得筛选面片集，以及筛选面片集中每个网格面片的一元特征向量x和相邻网格面片的二元特征向量y；步骤122，设置二面角参数λ、二元概率参数κ、边长参数μ的取值集合S，λ、κ、μ的取值范围为[0,10]中的整数，设置迭代变量i为0，设置标注误差E_m为无穷大；步骤123，迭代变量i增加1，选取取值集合S中的第i组参数值λ_i、κ_i、μ_i，进行步骤124～125，直到取值集合S里所有参数选取完；步骤124，根据实例集的分类训练以及参数值λ_i、κ_i、μ_i所得CRF标注模型，采用面片标注过程对验证集中每个三维模型的筛选面片集进行标注，进而根据对称关系获得验证集中每个三维模型所有网格面片的标注，计算分割加权误差；比较标注误差E_m与当前误差E_S，若当前误差小于标注误差：E_S<E_m，则将当前误差E_S的值赋给标注误差E_m，即E_m＝E_S，并记录最准确参数{λ_m,κ_m,μ_m}，进而返回步骤123，若当前误差大于等于标注误差直接返回步骤123；步骤一和步骤二所述面片标注部分包括以下步骤：步骤1，构建一个图，图节点为网格面片，相邻网格面片间存在边，面片p和面片q被标注为标注f_p和标注f_q时，将CRF标注模型二元项中的几何依赖项G(y)与边长的乘积作为面片p和面片q的公共边{p,q}的权重W_p,q(f_p,f_q)；步骤2，将CRF标注模型一元项作为数据项E_data(f)；步骤3，将CRF标注模型二元项中的标注相容性项L(f_p,f_q)作为平滑项E_smooth(f)；步骤4，采用图割优化算法，通过计算该图最小割的方式，计算三维模型筛选面片集每个网格面片i的标注c_i。