一种多类别三维模型部件自动标注方法技术

本发明专利技术公开了一种多类别三维模型部件自动标注方法，所述方法包括：对目标三维模型进行特征提取；基于所提取的特征，采用已训练好的标注模型对目标三维模型进行部件类别标注、边界边的类别标注、对象类别一致性标注；针对目标三维模型构建图模型，将面片的部件类别标注的负概率对数作为标注模型的数据项、将网格边从属于边界边的标注负概率对数作为标注模型的平滑项、将目标三维模型对象类别一致性标注的负概率对数作为标注模型的协调项；采用图割优化算法计算出目标三维模型中每个网格面片的标注。本发明专利技术可利用从训练集中学习出的标注模型对未知类别未知部件三维模型进行部件标注，而不受限于特定的规则或特征，适用范围广。

An automatic dimensioning method for multi class 3D model parts

The invention discloses an automatic annotation method for parts of a multi-category 3D model, which includes: feature extraction of the target 3D model; based on the extracted features, the trained annotation model is used to annotate the component category, boundary edge category and object category consistency of the target 3D model; the drawing model is built for the target 3D model, and the surface The negative probability logarithm of the component category annotation of the slice is taken as the data item of the annotation model, the negative probability logarithm of the annotation that the mesh edge belongs to the boundary edge is taken as the smoothing item of the annotation model, the negative probability logarithm of the object category consistent annotation of the target 3D model is taken as the coordination item of the annotation model; the annotation of each mesh patch in the target 3D model is calculated by the graph cutting optimization algorithm. The method can use the annotation model learned from the training set to annotate the three-dimensional model of unknown parts of unknown category, which is not limited to specific rules or features, and has a wide range of application.

【技术实现步骤摘要】
一种多类别三维模型部件自动标注方法
本专利技术涉及一种多类别三维模型部件自动标注方法，属于计算机图形分析

技术介绍
将形状分割并标注为语义部件是形状理解的一个关键步骤。数据驱动形状分割的目标是将输入集中的形状划分为部件，并估计这些形状间部件的对应。因此，数据驱动的形状分割可产生一致性的具有语义标注的部件，并能够有效地支持三维模型的合成、实例建模、以及纹理合成等后续几何处理任务。已有的研究致力于提高在同类三维模型中进行分割和标注的准确度，其基本分析基元大多选择为面片或超面片(过分割网格块)等来提取形状底层信息，然而仅利用这些底层的几何特征，却无法在多类别的三维模型集上取得较好的标注、分割结果。
技术实现思路
本专利技术的目的在于克服现有技术中的不足，提供一种多类别三维模型部件自动标注方法，解决现有技术中无法对多类别三维模型进行精确标注的技术问题。为解决上述记述问题，本专利技术是采用下述技术方案实现的：一种多类别三维模型部件自动标注方法，所述方法包括如下步骤：对目标三维模型进行特征提取，包括提取每个网格面片的面片特征、每条网格边的边特征以及目标三维模型的全局特征；基于所提取的特征，采用已训练好的标注模型对目标三维模型的面片集进行部件类别标注、对目标三维模型的每条网格边进行边界边的类别标注、对目标三维模型本身进行对象类别一致性标注；针对目标三维模型构建图模型，图中节点为网格面片、边存在于相邻网格面片之间以及全局节点和各网格面片之间，将面片的部件类别标注的负概率对数作为标注模型的数据项、将网格边从属于边界边的标注负概率对数作为标注模型的平滑项、将目标三维模型对象类别一致性标注的负概率对数作为标注模型的协调项；采用图割优化算法计算出目标三维模型中每个网格面片的标注。进一步的，对所述标注模型进行训练的方法包括：采用包含多种不同类别部件的三维模型构建训练集；对训练集中三维模型进行标准标注，标注信息包括三维模型所属对象的类别标注、三维模型中每个网格面片从属于构成部件的类别标注、每条网格边从属于边界边的类别标注；将训练集划分为实例集和验证集；对实例集中三维模型进行特征提取，包括提取网格面片的面片特征、每条网格边的边特征以及三维模型的全局特征；采用所提取的特征结合标准标注分类训练出标注模型的数据项、平滑项和协调项；利用验证集搜索标注模型的最优平滑项和协调项权重参数。进一步的，对所述标注模型进行训练的方法还包括对训练集中的三维模型进行归一化处理，具体包括如下步骤：将训练集中的三维模型的质心移动到坐标原点；计算训练集中的三维模型每个面片中心到其质心的欧式距离；将所有欧式距离的中值作为规范项，将训练集中的三维模型上各点的坐标除以该规范项，完成训练集中三维模型的归一化处理。进一步的，所述质心采用三维模型上所有顶点的面积加权平均值获得，计算公式如下：其中，V表示三维模型的顶点集，顶点i的三维坐标为(xi,yi,zi)，包含顶点i的表面面积为ai，Vnum为顶点集中的顶点数目。进一步的，所述标注模型的数据项训练方法包括如下步骤：计算度量网格面片的面片特征向量Xf与其标注l一致性的标注模型的数据项Edata(l；Xf)，其中标注l∈P，P为预定义的所有可能的标注集合；根据实例集中所有三维模型的面片集及其面片特征向量Xf，以及每个网格面片相应的标注类别采用JointBoost分类器进行训练学习，从而获得具有面片特征向量Xf的网格面片，标注为l的概率分布P(lXf)，相应的数据项则为：Edata(l；Xf)＝-logP(l|Xf)。进一步的，所述标注模型的平滑项训练方法包括如下步骤：计算度量边特征向量Xe与共享边的相邻面片标注l，l'一致性的标注模型的平滑项Esmooth(l,l'；Xe)；采用JointBoost分类器进行训练，从而获得边界边，即边两侧的相邻面片标注不相同的概率分布P(l≠l'|Xe)，相应的平滑项为Esmooth(l,l'；Xe)＝-log(P(l≠l'|Xe))。进一步的，所述标注模型的协调项训练方法包括如下步骤：计算度量全局特征向量Xg与该三维模型内面片标注l一致性的标注模型的协调项Eharmony(l,g；Xg)；采用JointBoost分类器进行训练，获得某类对象中标注为非该类部件的概率相应的协调项为进一步的，利用验证集搜索标注模型的最优平滑项和协调项权重参数的方法包括：对验证集中所有三维模型进行特征提取，包括提取每个三维模型的全局特征、网格面片的面片特征和每条网格边的边特征；设置平滑项和协调项权重参数α和β的取值范围；根据每次搜索设置的参数值所得标注模型，对验证集中每个三维模型进行分割与标注，比较标注误差er与当前误差ei，若当前误差小于标注误差：ei<er，则er＝ei，并记录最佳参数αi和βi；重复此步骤，直至搜索结束。进一步的，所述特征提取包括如下步骤：将三维模型的每个网格面片的面片特征，由曲率特征、PCA特征、形状直径特征、平均测地距离特征和形状上下文特征级联形成一个特征向量；将三维模型每条网格边的边特征，由边二面角特征、边邻域顶点的二面角特征，边两侧邻域顶点的曲率差和导数特征、共享网格边的两个邻接面片形状直径差异特征、共享边的两个邻接面片的体形状图像差异特征级联形成一个特征向量；将三维模型的全局特征，由形状直方图特征、光场描述子特征、三维Zernike矩和MVCNN特征级联形成一个特征向量。进一步的，采用扩展的α-expansion图割优化算法，通过计算图最小割的方式，计算三维模型上每个面片的最佳标注l，来最小化能量项：E(l)＝Edata(l；Xf)+Esmooth(l,l'；Xe)+Eharmony(l,g；Xg)其中：Edata(l；Xf)为标准模型的数据项；Esmooth(l,l'；Xe)为标注模型的平滑项；Eharmony(l,g；Xg)为标注模型的协调项。与现有技术相比，本专利技术所达到的有益效果包括：可利用从训练集中学习出的标注模型对未知类别未知部件三维模型进行部件标注，而不受限于特定的规则或特征，适用范围广。附图说明图1是根据本专利技术实施例提供的一种多类别三维模型部件自动标注方法；图2是本专利技术实施例中形状-面片一致性项对不属于该类形状的部件标注做出惩罚的示意图；图3是本专利技术实施例所采用的多类别三维模型标注训练集示例；图4是由图3训练集学习的标注模型对目标三维模型在不预先指定类别的前提下进行部件标注的结果。具体实施方式本专利技术实施例提供了一种多类别三维模型部件自动标注方法，利用多类别标注训练集的学习过程所得标注模型，分别对目标三维模型整体、目标三维模型面片和网格边进行标注，从而获得目标三维模型从属于对象的类别标注概率本文档来自技高网...

【技术保护点】
1.一种多类别三维模型部件自动标注方法，其特征在于，所述方法包括如下步骤：/n对目标三维模型进行特征提取，包括提取每个网格面片的面片特征、每条网格边的边特征以及目标三维模型的全局特征；/n基于所提取的特征，采用已训练好的标注模型对目标三维模型的面片集进行部件类别标注、对目标三维模型的每条网格边进行边界边的类别标注、对目标三维模型本身进行对象类别一致性标注；/n针对目标三维模型构建图模型，图中节点为网格面片、边存在于相邻网格面片之间以及全局节点和各网格面片之间，将面片的部件类别标注的负概率对数作为标注模型的数据项、将网格边从属于边界边的标注负概率对数作为标注模型的平滑项、将目标三维模型对象类别一致性标注的负概率对数作为标注模型的协调项；/n采用图割优化算法计算出目标三维模型中每个网格面片的标注。/n

【技术特征摘要】
1.一种多类别三维模型部件自动标注方法，其特征在于，所述方法包括如下步骤：
对目标三维模型进行特征提取，包括提取每个网格面片的面片特征、每条网格边的边特征以及目标三维模型的全局特征；
基于所提取的特征，采用已训练好的标注模型对目标三维模型的面片集进行部件类别标注、对目标三维模型的每条网格边进行边界边的类别标注、对目标三维模型本身进行对象类别一致性标注；
针对目标三维模型构建图模型，图中节点为网格面片、边存在于相邻网格面片之间以及全局节点和各网格面片之间，将面片的部件类别标注的负概率对数作为标注模型的数据项、将网格边从属于边界边的标注负概率对数作为标注模型的平滑项、将目标三维模型对象类别一致性标注的负概率对数作为标注模型的协调项；
采用图割优化算法计算出目标三维模型中每个网格面片的标注。


2.根据权利要求1所述的多类别三维模型部件自动标注方法，其特征在于，对所述标注模型进行训练的方法包括：
采用包含多种不同类别部件的三维模型构建训练集；
对训练集中三维模型进行标准标注，标注信息包括三维模型所属对象的类别标注、三维模型中每个网格面片从属于构成部件的类别标注、每条网格边从属于边界边的类别标注；
将训练集划分为实例集和验证集；
对实例集中三维模型进行特征提取，包括提取网格面片的面片特征、每条网格边的边特征以及三维模型的全局特征；
采用所提取的特征结合标准标注分类训练出标注模型的数据项、平滑项和协调项；
利用验证集搜索标注模型的最优平滑项和协调项权重参数。


3.根据权利要求2所述的多类别三维模型部件自动标注方法，其特征在于，对所述标注模型进行训练的方法还包括对训练集中的三维模型进行归一化处理，具体包括如下步骤：
将训练集中的三维模型的质心移动到坐标原点；
计算训练集中的三维模型每个面片中心到其质心的欧式距离；
将所有欧式距离的中值作为规范项，将训练集中的三维模型上各点的坐标除以该规范项，完成训练集中三维模型的归一化处理。


4.根据权利要求3所述的多类别三维模型部件自动标注方法，其特征在于，所述质心采用三维模型上所有顶点的面积加权平均值获得，计算公式如下：



其中，V表示三维模型的顶点集，顶点i的三维坐标为(xi,yi,zi)，包含顶点i的表面面积为ai，Vnum为顶点集中的顶点数目。


5.根据权利要求2所述的多类别三维模型部件自动标注方法，其特征在于，所述标注模型的数据项训练方法包括如下步骤：
计算度量网格面片的面片特征向量Xf与其标注l一致性的标注模型的数据项Edata(l；Xf)，其中标注l∈P，P为预定义的所有可能的标注集合；
根据实例集中所有三维模型的面片集及其面片特征向量Xf，以及每个网格面片相应的标注类别采用JointBoost分类器进行训练学习，从而获得具有面片特征向量Xf的网格面...

【专利技术属性】
技术研发人员：李红岩，孙仁鹏，马秀芳，
申请(专利权)人：南京信息职业技术学院，
类型：发明
国别省市：江苏;32