專利名稱：：基于中軸點集分層螺旋信息的三維模型檢索方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種三維模型檢索方法，特別是涉及一種基于內(nèi)容的三維模型檢索方法。
背景技術(shù)：
：隨著互聯(lián)網(wǎng)的發(fā)展，三維模型數(shù)量正在成倍的增長。過去十年中，在醫(yī)藥、化學、建筑和娛樂等許多領(lǐng)域，三維模型的獲取和可視化工具已經(jīng)成為數(shù)據(jù)處理的一個完整部分，這些工具的發(fā)展同樣使得可用的三維模型呈爆炸式的增長。面對龐大的三維模型海洋，大家面臨的問題已經(jīng)從"如何產(chǎn)生三維模型"漸變?yōu)?如何查找三維模型"。從大規(guī)模數(shù)據(jù)庫中檢索模型的需求正在快速增長，而形狀分析所關(guān)心的核心問題是設(shè)計有效和健壯的匹配方法。三維模型的相似性度量是基于形狀的識別、檢索、聚類和分類的基本問題，主要應用于計算機視覺、機械工程和分子生物學等領(lǐng)域。但是近期以來，一是計算機軟件和硬件快速發(fā)展，桌面計算機的三維圖形硬件和CPU已經(jīng)能夠快速處理和顯示三維數(shù)據(jù)，這促使了三維模型向多領(lǐng)域發(fā)展的需求；二是建模和數(shù)字技術(shù)的發(fā)展使構(gòu)建三維模型變得更加簡便；三是互聯(lián)網(wǎng)對全球用戶建模的三維模型都是開放的，它使三維模型得到了廣泛的分布和共享。因此，無論是在因特網(wǎng)或是其它地方，三維模型的數(shù)量在飛速增長的伺時，三維形狀分析和匹配的應用也已經(jīng)擴展到廣泛的領(lǐng)域之中。以上這些更加強調(diào)了從海量三維模型數(shù)據(jù)庫中精確的檢索出所需要的三維目標的技術(shù)發(fā)展的需求。處理二維圖像時可以用形狀的屬性識別側(cè)面影像或輪廓線，如使用曲率或圖像的一些性質(zhì)顏色、紋理或小波系數(shù)。這些技術(shù)過去常用在搜索二維圖像數(shù)據(jù)庫中。過去已有一些處理三維形狀匹配和特征提取的方法。例如(1)基于全局特征的方法，其中一種是將球面函數(shù)集合作為一種反射對稱描述符；(2)基于統(tǒng)計特征的方法，其中一種是將模型的特征表示為一種形狀分布，源于一個測量三維目標的全局幾何屬性的形狀函數(shù)，該方法準確度的有效性取決于采樣點的數(shù)量，更多的采樣點得到更高的準確度，相反，效率和采樣點的數(shù)量呈反比；(3)基于頻域空間映射的方法，其中一種是一種新的基于球面調(diào)和的數(shù)學工具，以此來獲得模型的旋轉(zhuǎn)不變表示并可以用來辨別模型的差異，該種方法的缺點是不支持局部匹配，因為它們沒有反映特征和物體各部分的相互關(guān)系；(4)基于視圖的方法，其中一種是實現(xiàn)一種二維草圖査詢接口，并且開發(fā)了匹配二維草圖和三維目標的方法，另外還提出了用一種二維形狀采樣統(tǒng)計函數(shù)的傅里葉描述符作為提取三維模型的特征的方法，這些方法的優(yōu)點是接口友好，任何用戶均能夠使用二維草圖工具檢索相似的三維模型。上述四類方法的缺點是它們不能得到形狀的具體細節(jié)信息，并且健壯性不佳。(5)基于局部特征的方法，其中一種是一種上下文的方法用來度量三維形狀的相似性，該類方法可用于局部匹配，但必須首先對準模型，且效率較低。還有一類是基于圖的度量三維形狀相似性的方法。其中基于模型圖的方法主要用于CAD/CAM領(lǐng)域，很難應用于類似人和動物這樣的具有自然形狀的模型。在基于Reeb圖的方法中，Hilaga等(Hilaga，M.，Shinagawa,Y"Kohmura,T"Kunii,T.L.:TopologymatchingforfUllyautomaticsimilarityestimationof3Dshapes.Proceedingsofthe28thannualconferenceonComputergraphicsandinteractivetechniques(SIGGRAPH2001)，LosAngeles,CA，USA(2001)203-212)通過比較三維模型的多分辨率Reeb圖(MRGs，MultiresolutionalReebGraphs)來計算模型之間的相似性。由測地距離定義Reeb圖適合匹配關(guān)節(jié)式物體，但是對拓撲變化比較敏感?；赗eeb圖方法的不足主要有以下幾點(1)受表面連通性的影響；(2)對幾何屬性比拓撲屬性更敏感；(3)在子圖匹配時不總是能夠經(jīng)受住檢驗；(4)不總是能夠表示骨架；(5)產(chǎn)生了不同密度的頂點?？傊蓽y地距離定義的Reeb圖適合匹配關(guān)節(jié)目標，但是對拓撲改變敏感。另外，他們不能被應用于任意的網(wǎng)格結(jié)構(gòu)，因為類似于丟失面片這樣的拓撲問題會對測地距離的計算造成干擾?；诠羌艿姆椒ㄓ嬎隳Ｐ偷?骨架"并將它轉(zhuǎn)換為骨架圖，以此作為該模型的形狀描述符。骨架的概念由Bhim(Blum,H.:Atransformationforextractingnewdescriptorsofshape.In:Whaten陽Dunn，W,(ed.):ProceedingsoftheSymposiumonModelsforPerceptionofSpeechandVisualForm.MITPress,Cambridge,MA(1967)362-380)提出。二維中的骨架是中軸，三維中的骨架是中間曲面等?；诠羌軋D的方法有四類細化和邊界傳播、基于距離場、幾何和廣義場函數(shù)。細化方法能產(chǎn)生連通的曲線，但是該曲線需要平滑處理且對噪聲敏感；距離場和幾何方法不能直接生成曲線骨架，且最后產(chǎn)生的骨架點需要被修剪，然后再連通為曲線骨架；勢場方法能夠產(chǎn)生最細和最清晰的骨架，但是耗費時間長?？傊?，拓撲一般被表示為如圖和樹這樣的相關(guān)數(shù)據(jù)結(jié)構(gòu)，實際上絕大多數(shù)模型只能表示為圖。因此這類方法的相似性評估比其它類型方法的更為復雜。另外，基于圖的相似性度量具有一定的局限性圖比較的計算量和圖的大小成正比。
發(fā)明內(nèi)容鑒于以上缺陷，本發(fā)明的主要目的在于提供一種基于中軸點集分層螺旋信息的三維模型檢索方法，該方法選擇的檢索項和匹配方法包括精確的形狀表示，能夠很好的描述形狀的特征，能夠自動、快速、健壯和有效地實現(xiàn)。為了達到以上目的，本發(fā)明提供的基于中軸點集分層螺旋信息的三維模型檢索方法，其提取三維模型的中軸點集分層螺旋信息作為特征描述符，用一種基于Hausdorff距離的多級加權(quán)相似性匹配方法度量三維模型之間的相似性。該方法適用于多邊形模型也適用于體元模型。中軸點是一種向量結(jié)構(gòu)，它存儲骨架化過程中產(chǎn)生的各種實體?；谥休S點的方法的優(yōu)點是中軸點能夠用做子圖同構(gòu)，并且計算成本較低；另外，存儲的子拓撲局部屬性能夠被用做更加精確的比較。本發(fā)明提供的基于中軸點集分層螺旋信息的三維模型檢索方法，其主要通過以下步驟實現(xiàn)(l)對三維模型數(shù)據(jù)庫中的每個模型進行坐標標準化預處理；(2)對坐標標準化預處理后的除體元模型之外的三維模型進行體素化預處理；(3)對每個體素化的三維模型進行特征提取，得到每個三維模型的特征描述符，生成特征數(shù)據(jù)庫；(4)將用戶提交的三維模型首先按照步驟(1)中的方法進行坐標標準化預處理、然后按照步驟(2)中的方法體素化其三維模型，再按照步驟(3)中的方法進行特征提取得到該三維模型的特征描述符；(5)將用戶提交的三維模型特征描述符與特征數(shù)據(jù)庫中的特征進行匹配，計算相似距離并排序，最終生成檢索結(jié)果。其中所述步驟(l)對三維模型數(shù)據(jù)庫中的每個模型進行坐標標準化預處理，獲取標準化后的三維模型，具體步驟如下確定三維模型包圍盒的三個主軸；確定三維模型包圍盒的中心和三個半長；確定三維模型包圍盒主軸的正方向；根據(jù)包圍盒的主軸、中心和正方向確定三維模型的本征坐標系。所述步驟(2)對坐標標準化預處理后的除體元模型之外的三維模型進行體素化預處理，獲取體素化的三維模型，具體步驟如下面片頂點體素化；面片邊的體素化；面片的體素化；三維模型內(nèi)部體素化。所述步驟(3)對體素化的三維模型進行特征提取，得到每個三維模型的特征描述符，生成特征數(shù)據(jù)庫，具體步驟如下對每個體素化的三維模型通過排斥力場函數(shù)提取模型的中軸點；對每個體素化的三維模型建立中軸點集分層螺旋信息特征描述符，生成特征數(shù)據(jù)庫。所述步驟(4)將用戶提交的查詢?nèi)S模型首先進行坐標標準化預處理、然后體素化為體元模型，再進行特征提取得到該三維模型的特征描述符，具體步驟如下對用戶提交的查詢?nèi)S模型按照步驟(l)中的方法進行坐標標準化預處理，獲取標準化后的三維模型；對坐標標準化預處理后的三維模型按照步驟(2)中的方法進行體素化預處理，獲取體素化的三維模型；對體素化的三維模型按照步驟(3)的方法進行特征提取，得到用戶提交的查詢?nèi)S模型的特征描述符。所述步驟(5)將用戶提交的三維模型特征描述符與特征數(shù)據(jù)庫中的特征進行匹配，計算相似距離并排序，最終生成檢索結(jié)果。具體步驟如下將用戶提交的查詢模型特征和特征數(shù)據(jù)庫中的特征用一種Hausdorff距離的變種進行特征匹配；將特征匹配得到的所有數(shù)據(jù)依據(jù)距離大小進行相似度排序；根據(jù)相似度排序得到最終檢索結(jié)果。本發(fā)明的優(yōu)點是(1)本發(fā)明提出的方法能夠有效地區(qū)別和檢索不同分組的三維模型，該方法在模型分類和相似性匹配時達到了比較高的準確度；(2)本發(fā)明提出的方法能夠保證三維模型的變換不變性和健壯性，其算法對剛體具有平移、旋轉(zhuǎn)和縮放不變性，并且基本不受輸入模型的噪聲和網(wǎng)格化簡的干擾；(3)本發(fā)明提出的方法效率較高，該方法檢索具有成千上萬個多邊形面片的三維模型平均耗時十多秒，更重要的是，如果是在上一次檢索結(jié)果中二次檢索三維模型或在模型庫內(nèi)檢索三維模型時，只需要計算描述符的匹配時間，大約二毫秒即可返回査詢結(jié)果。綜上所述，本發(fā)明提供的基于中軸點集分層螺旋信息的三維模型檢索方法對三維模型的分類和檢索性能好，特征提取時間快，另外，本發(fā)明還可用于CAD、醫(yī)學、分子生物學等領(lǐng)域。圖1為本發(fā)明提供的基于中軸點集分層螺旋信息的三維模型檢索方法的流程圖2為本發(fā)明提供的基于中軸點集分層螺旋信息的三維模型檢索方法與基于體素化和球面調(diào)和的方法的總體査準-査全曲線比較圖3為本發(fā)明提供的基于中軸點集分層螺旋信息的三維模型檢索方法與基于體素化和球面調(diào)和的方法在部分類上的査準-査全曲線比較圖。具體實施例方式三維模型匹配的關(guān)鍵是提取一個能夠有效匹配三維形狀的描述符。該描述符應具有以下特性(1)相似變換不變性；(2)快速計算；(3)具有簡明的存儲結(jié)構(gòu)。本發(fā)明使用中軸點集代替了中軸結(jié)構(gòu)，且將中軸點集和它們的統(tǒng)計信息組合起來作為特征描述符。這樣做的好處是降低了計算復雜度，這是因為沒有將中軸點集連接為骨架；保留了關(guān)鍵的骨架結(jié)構(gòu)，因為通過基于勢場方法提取的中軸點集是最重要的骨架信息；組合了模型的曲面信息；其中相似性度量方法減少了噪聲的影響。本發(fā)明提供一種基于中軸點集分層螺旋信息的三維模型檢索方法，其流程如圖l所示，包括以下步驟步驟一、對三維模型數(shù)據(jù)庫中的每個三維模型進行坐標標準化預處理；本實施例進行位姿標準化的方式是找到三維模型的唯一的包圍盒，其采用一種法向量分布法來計算三維模型唯一的包圍盒。該方法選取最大法向量分布作為一個主軸，首先計算出每個面片的面積，然后累加具有同樣或相反法線方向的面片的面積。其中具有相同方向的法線被認為是具有相同的分布，具有最大面積的法線被定義為第一個主軸，剩余的法線分布中滿足下列條件的法線方向被定義為第二個主軸(1)具有最大的面積；(2)與第一個主軸正交。通過前面兩個主軸的叉積運算得到最后一個主軸，本實施例采用通過面片的法線分布產(chǎn)生模型包圍盒主軸方向的方法實現(xiàn)三維模型的位姿對準和標準化。步驟二、對坐標標準化預處理后的除體元模型之外的三維模型進行體素化預處理；位姿標準化后再將除體元模型之外的三維模型體素化為丄x丄x丄的體元模型，其具體步驟為首先將面片頂點體素化；再體素化面片的邊，使用Bresenham算法解決平行于坐標平面的特殊邊的體素化問題；然后體素化面片，體素化時分別將三角面片投影至XOZ、ZOY、YOX平面以得到面片的完整體素化，最后將三維模型內(nèi)部體素化。步驟三、對每個體素化的三維模型進行特征提取，得到每個三維模型的特征描述符，生成特征數(shù)據(jù)庫；對于體素化的三維模型，首先通過排斥力場函數(shù)提取三維模型的中軸點集，具體描述如下排斥力場方法的關(guān)鍵思想是給三維物體的邊界充電以在物體內(nèi)部產(chǎn)生排斥場。本步驟中，首先假設(shè)邊界體元為點電荷，邊界點被定義為一個物體體元距離坐標原點最近的立方體的角，內(nèi)部點是在每個面上都鄰接三維物體體元的模型體格中距離坐標原點最近的角，坐標原點被定義為三維模型包圍盒的一個角。一個內(nèi)部點的排斥力可以通過式(l)計算其中，C,尸/iC是點電荷C,產(chǎn)生的力，」F尸是在內(nèi)部點尸的排斥合力，C,.尸是從C,.到戶的標準化向量，它指明了力的方向，i是尸和電荷G之間的距離，冪w稱為該力函數(shù)的階。本步驟中，臨界點是矢量力消失的點，只有一部分中軸點被當作臨界點。矢量場中的臨界點很難定位，尤其是因為它們不一定位于給定的采樣位置，但是它們一般都位于采樣點之間。如果力矢量(:c,;;，z)的三個分量都消失，矢量場就為零。也就是說，當某個區(qū)域中每一個矢量分量的符號都改變時，該區(qū)域就是包含臨界點的候選區(qū)域。具體的說，首先假設(shè)體單元是最小的區(qū)域，并計算格子單元八個角的力場值，對于該單元所有的矢量分量(x,乂z)，如果即有正值又有負值，那么該單元就是潛在的候選單元，然后再將候選單元遞歸地分為八個子單元，并且對每個子單元重復做上述的候選性測試。其中，本實施例定義了下述規(guī)則如果有兩個或兩個以上的候選子單元，則比較它們的力值并且選擇具有最小力值的子單元替換原先的候選單元作為新的候選單元。處理過程終止的條件是該單元未能通過候選性測試，或者該單元太小(用戶指定大小的閾值)，此時該單元仍然作為候選單元保留。如果是后一種情況，臨界點的坐標就被定義為該單元的坐標。但是如果所有的八個子單元都未能通過候選性測試，本實施例定義該單元的坐標為候選臨界點。本實施例把從上述算法所提取的臨界點和候選臨界點稱為中軸點。接著，提取了三維模型的所有中軸點后，本實施例建立三維模型的中軸點集分層螺旋信息特征描述符，具體描述如下從三維模型提取的所有中軸點的集合被稱為中軸點集。中軸點集描述的特征僅僅表示了物體中軸的大致輪廓，它不能評估兩個拓撲相同但形狀卻不同的三維物體。總體來說，本實施例是將三維物體沿著X軸均勻的分層，并判斷中軸點所在的層，然后從中軸點沿著平行于YOZ平面的方向均勻的發(fā)出射線，使從每個中軸點所發(fā)出的射線數(shù)量和兩兩相鄰射線之間的夾角相等。這樣，360度被均勻的分配到每一層，并保證任何不同層的中軸點具有不同的射線方向，任何同層的中軸點具有相同的射線方向。首先本實施例做出以下幾個定義定義l.分層螺旋射線集合首先定義全局射線總數(shù)，全局射線總數(shù)是指從某中軸點的發(fā)射的射線數(shù)量與存在中軸點的層的數(shù)量的乘積。設(shè)全局射線總數(shù)為/，分層總數(shù)為見且iV可被/整除。貝U，每一層分布//iV條射線。以沿著三維模型的X軸分層為例，在YOZ平面上等角度(A0發(fā)射條射線，其中A^360/i。則第A:層的射線與Y軸的夾角集合為《-諷J(^y〈A/A^，通過式(2)計算^=("_/.AO.(2)在這里，《,;表示第A層中任一個中軸點的第J'+1條射線與Y軸的夾角。則&=+A0紉，W+2JV)^，…，"+(i/W-1)W)A^，iV層射線集合從全局上形成螺旋射線集合e=諷iow<w。定義2.中軸點信息第A:層的第,個中軸點的信息定義為向量A/,其中，坐標信息c,-(《,i;，z》代表中軸點的坐標位置；距離信息為D,={A|0^'<i/7V}，在這里，A表示中軸點/的第_/+1條射線。從中軸點/放射狀地發(fā)射《，,角度的射線A,定義A與模型表面首次相交的點為加呵，則Ay為中軸點,'與^S之間的距離。定義3中軸點集分層螺旋信息組合所有中軸點信息械的集合就是中軸點集分層螺旋信息M-[M。,^，…，MJ-1，即模型的特征描述符。提取中軸點集分層螺旋信息的步驟如下。首先，均勻地沿著X軸將一個三維物體分為W層，并構(gòu)造分層螺旋射線集合。第二，判斷中軸點/屬于的層，并使點z'沿著該層的射線方向放射狀地等角度發(fā)出iMV條射線，在這里，i是分辨率參數(shù)和射線的分布總數(shù)(即全局射線總數(shù))。第三，我們沿著第條射線用射線跟蹤算法計算/"^v的坐標值(與射線相交的最近的體格單元的坐標)。接著計算每個中軸點/和/"f^之間的距離A，并結(jié)合坐標分量距離構(gòu)造中軸點z的信息。最后，得到模型的特征描述符M^M。，M,，…，Mw—'，即該模型的中軸點集分層螺旋信息。步驟四，將用戶提交的三維模型首先進行預處理、然后體素化為體元模型，再進行特征提取得到該三維模型的特征描述符；將用戶提交的査詢?nèi)S模型首先進行坐標標準化預處理、然后體素化為體元模型，再進行特征提取得到該三維模型的特征描述符，具體步驟如下對用戶提交的查詢?nèi)S模型按照步驟一中的方法進行坐標標準化預處理，獲取標準化后的三維模型；對坐標標準化后的除體元模型之外的三維模型按照步驟二中的方法進行體素化預處理，獲取體素化的三維模型；對體素化的三維模型按照步驟三中的方法進行特征提取，得到用戶提交的査詢?nèi)S模型的特征描述符。步驟五、將用戶提交的三維模型特征描述符與特征數(shù)據(jù)庫中的所有特征進行匹配，計算相似距離并排序，最終生成檢索結(jié)果。構(gòu)建完用戶提交的三維模型的中軸點集分層螺旋信息特征描述符之后，本實施例用一種匹配方法將該特征描述符與特征數(shù)據(jù)庫中的特征進行匹配。有許多相似性匹配方法，如Euclidean距離、Manhattan距離、Hausdorff距離等。本實施例提出了一種基于Hausdorff距離的多級加權(quán)相似性匹配方法來進行三維模型之間的匹配。首先定義如下幾個概念。定義4中軸點加權(quán)信息在中軸點信息的基礎(chǔ)上，本實施例定義中軸點加權(quán)信息為<formula>formulaseeoriginaldocumentpage17</formula>臨界點l((l-叫).C,，(l-叫).D,),其它其中，C,+是坐標加權(quán)信息，W是距離加權(quán)信息，o;。是中軸點類型的權(quán)值。定義5中軸點加權(quán)信息的距離任意兩個加權(quán)信息向量《和《的距離被定義為"/e^/WM^Mp,同層<formula>formulaseeoriginaldocumentpage17</formula>其它(4)其中，Le"gf/i(M,+,《)-6VC,-巧|,w是層的權(quán)值，W是點的坐標信息或距離信息的權(quán)值。本實施例采用一種基于Hausdorff距離的匹配器匹配用戶提交的三維模型A的特征描述符與特征數(shù)據(jù)庫中的三維模型B的特征的步第一步，根據(jù)中軸點的類型對其賦予不同的權(quán)值，如式(3)。若為臨界點，權(quán)值為wo;若為候選臨界點，權(quán)值為1-w。，亦為第1級加權(quán)。這樣，A和B各自描述為加權(quán)的中軸點集分層螺旋信息Aia^.&.J-1和B-[bo,...,V,]-1，其中，和~是中軸點加權(quán)信息，we[l，m]，ve[l，"]。第二步，分別計算A和B的所有中軸點加權(quán)信息中Ci+和"的加權(quán)Euclidean距離，權(quán)值ft^調(diào)節(jié)坐標加權(quán)信息的Euclidean距離和距離加權(quán)信息的Euclidean距離所占的比重，亦為第2級加權(quán)。另外，根據(jù)式(4)計算兩個中軸點的距離，判斷兩個中軸點是否同層，用對應的權(quán)值w或l-o>加權(quán)這兩個中軸點加權(quán)信息的距離，即第3級加權(quán)。A和B的任意兩個中軸點加權(quán)信息和6v之間的距離為"(A)。第三步，w可能不等于"，本實施例用Hausdorff距離度量模型A和模型B的差異值/Z(A":<formula>formulaseeoriginaldocumentpage18</formula>宜中，<formula>formulaseeoriginaldocumentpage18</formula>綜上所述，將用戶提交的査詢模型和模型庫中所有模型的特征按照上述匹配步驟計算，得出所有的特征匹配距離，然后將這些距離排序后按照相似度大小生成檢索結(jié)果。以下對本實施例提供的中軸點集分層螺旋信息相似性度量方法對三維模型的變換和干擾的健壯性進行相應測試。首先選擇5個具有代表性的三維模型，并對所述模型進行五種變換。在此基礎(chǔ)上，再建立了一個有30個模型的數(shù)據(jù)庫，它包含每個模型的6個不同版本，其中包括1個原型及5個變換。所做變換如下-*縮放X、Y、Z每一維放大10倍；*各相異性縮放Y維放大5。/。，Z維放大10Q/。；*旋轉(zhuǎn)分別繞X維、Y維和Z維旋轉(zhuǎn)45度；*剪切分別將Y維和Z維放大X維的5%和10%;*插入隨機插入5%的多邊形復件。在所述數(shù)據(jù)庫上，對本實施例方法區(qū)分不同類的能力進行測試，具體是計算30個模型描述符的差異性度量，結(jié)果證明了本實施例的方法具有很好的鑒別力，對剛體具有平移、旋轉(zhuǎn)和縮放不變性。此后再測試具有不同數(shù)量的多邊形網(wǎng)格的相似三維物體的差異性。本實施例用簡化封套(SimplificationEnvelopes)軟件生成了StanfordBunny的8個版本，其面片數(shù)量被剖分為600到70000不等。提取每個版本的中軸點集并計算它們之間的差異性度量值，實驗結(jié)果可以明顯地觀察到每個化簡模型版本得到的中軸點集大都非常相似，進一步從量化的數(shù)值來看，每個版本的平均差異性度量值都非常接近，說明它們之間的距離幾乎相同。該部分實驗證實了本實施例方法對改變網(wǎng)格、模型化簡或模型退化具有良好的魯棒性。上述兩個測試表明本實施例方法能夠保證三維模型的變換不變性和健壯性。接下來再測試本實施例的匹配方法能否在一個更大、更多樣的數(shù)據(jù)庫中表現(xiàn)出較好的效果。先從互聯(lián)網(wǎng)上下載430個不同種類的模型，它們被分為35個類。在表2中列出了部分類的名稱和所包含的模型數(shù)量。該數(shù)據(jù)庫具有一些顯著的特點。首先，每個類包含任意數(shù)量的三維模型，即為隨機的來自互聯(lián)網(wǎng)；第二，類之間的相似性有很大差異；第三，每個類中模型的相似性也有差異。為了對比測試本實施例的三維模型檢索方法(EFS)與基于體素化和球面調(diào)和的三維模型檢索方法(VOXSH)(Funkhouser,T.,Min，R，Kazhdan,M.,Chen,J.，Halderman，A.，Dobkin，D.，Jacobs,D.:Asearchenginefor3Dmodels.ACMTransactionsonGraphics22(2003)83-105)對模型分類和檢索的效果和效率，本實施例進行了分類和檢索實驗比較數(shù)據(jù)庫中每個模型的描述符，并根據(jù)歸類與査詢模型最相近的所有模型的原則進行分類。表1列出了反映總體分類性能的各項實驗結(jié)果。另外，本實施例還在每個類上做了性能測試，隨機抽取16個基本類，將這些基本類的分類實驗結(jié)果在表2中列出。同時，本實施例通過生成部分典型模型的檢索結(jié)果和全部數(shù)據(jù)庫的查準-査全圖來做測試。如圖2和圖3所示，方框曲線表示本實施例的EFS方法的查準-査全曲線，三角形曲線表示VOXSH方法的査準-査全曲線，圖2是EFS、VOXSH的總體查準-查全曲線比較圖，圖3是EFS、VOXSH在部分類上的查準-査全曲線比較圖。表1EFS和VOXSH的總體性能比較<table>tableseeoriginaldocumentpage20</column></row><table>表2EFS和VOXSH在部分類上的性能比較<table>tableseeoriginaldocumentpage20</column></row><table><table>tableseeoriginaldocumentpage21</column></row><table>首先在數(shù)據(jù)庫中檢索到最相似的9個結(jié)果，所有的結(jié)果在大約17秒的時間返回。在該實驗中，構(gòu)造査詢模型的特征描述符占用了絕大部分的檢索時間，另外描述符的平均比較時間(2.38毫秒)比VOXSH方法的平均比較時間(4.06毫秒)快近1倍，如表1中匹配時間列所示，本實施例提出的EFS方法在各個類上的平均相似性度量時間絕大多數(shù)都比VOXSH方法更快。如此一來，當用戶檢索那些描述符已存在于特征庫的模型時，速度將得到顯著的加快(如從檢索結(jié)果中進行二次檢索)。然后再對比VOXSH方法和本實施例提出的EFS方法在測試數(shù)據(jù)庫中的分類性能指標、總體查準-查全曲線圖和在部分類上的查準-查全曲線圖。如表1所示，用于對比方法性能的折衷累積增益(DCG)指標表明，本實施例提出的EFS方法比VOXSH方法高出5.7個百分點，而且其余的各項指標都要優(yōu)于VOXSH方法，其中最近鄰(NearestNeighbor)高出了ll個百分點。如圖2所示，從總體査準-查全曲線比較圖可以看出，代表本實施例EFS方法的方框曲線位于代表VOXSH方法的三角形曲線的上方。上述比較說明，本實施例方法的分類和檢索效果優(yōu)于VOXSH方法。其次，對各個類的分類和檢索性能較好。為了分析方法對不同種類模型的適應性，表2列出了本實施例EFS方法和VOXSH方法在部分類上的性能統(tǒng)計，數(shù)據(jù)顯示EFS方法各個類上的性能指標都明顯優(yōu)于VOXSH方法。另外，不同的方法對于不同類別的檢索效果也有所不同，從圖3可以看出，本實施例的EFS方法對于絕大多數(shù)類別的査準-查全率要高于VOXSH方法。從上述實驗結(jié)果可以看出，本實施例提出的方法對于分類和檢索該測試庫中的三維模型，性能優(yōu)于VOXSH方法。以下再測試多級加權(quán)系數(shù)的影響，對兩個模型采用基于Hausdorff距離的多級加權(quán)相似性匹配方法計算分層螺旋信息的相似度時，本實施例定義了三種權(quán)值，coQ、w和w分別代表加權(quán)中軸點類型、中軸點的位置信息或距離信息以及是否同層。在此測試中，通過設(shè)定不同的權(quán)值進行了多次測試，測試實驗結(jié)果表明，本發(fā)明方法的檢索性能均優(yōu)于VOXSH方法，并可以通過調(diào)整權(quán)值，滿足對查準率或查全率的不同需要。綜上所述，本發(fā)明通過采用中軸點集分層螺旋信息作為三維形狀的特征，并且提出一種基于Hausdorff距離的多級加權(quán)相似性匹配方法度量三維模型的相似性。本發(fā)明的關(guān)鍵是提供了一種框架，在該框架中，三維模型被轉(zhuǎn)換為自然參數(shù)的函數(shù)，從而通過本發(fā)明提供的度量方法得到健壯高效和較好的三維模型相似性度量和檢索結(jié)果。權(quán)利要求1、基于中軸點集分層螺旋信息的三維模型檢索方法，其特征在于，包括以下步驟(1)對三維模型數(shù)據(jù)庫中的每個三維模型進行坐標標準化預處理；(2)對坐標標準化預處理后的除體元模型之外的三維模型進行體素化預處理；(3)對每個體素化的三維模型進行特征提取，得到每個三維模型的特征描述符，生成特征數(shù)據(jù)庫；(4)將用戶提交的三維模型首先按照步驟(1)中的方法進行坐標標準化預處理、然后按照步驟(2)中的方法體素化其三維模型，再按照步驟(3)中的方法進行特征提取得到該三維模型的特征描述符；(5)將用戶提交的三維模型特征描述符與特征數(shù)據(jù)庫中的特征進行匹配，計算相似距離并排序，最終生成檢索結(jié)果。2、根據(jù)權(quán)利要求1所述的基于中軸點集分層螺旋信息的三維模型檢索方法，其特征在于所述步驟(l)對三維模型數(shù)據(jù)庫中的每個模型進行坐標標準化預處理，獲取標準化后的三維模型，具體步驟如下(1)確定三維模型包圍盒的三個主軸；(2)確定三維模型包圍盒的中心和三個半長；(3)確定三維模型包圍盒主軸的正方向；(4)根據(jù)包圍盒的主軸、中心和正方向確定三維模型的本征坐標系。3、根據(jù)權(quán)利要求1所述的基于中軸點集分層螺旋信息的三維模型檢索方法，其特征在于所述步驟(2)對坐標標準化預處理后的除體元模型之外的三維模型進行體素化預處理，獲取體素化的三維模型，具體步驟如下(1)面片頂點體素化；(2)面片邊的體素化；(3)面片的體素化；(4)三維模型內(nèi)部體素化。4、根據(jù)權(quán)利要求1所述的基于中軸點集分層螺旋信息的三維模型檢索方法，其特征在于所述步驟(3)對體素化的三維模型進行特征提取，得到每個三維模型的特征描述符，生成特征數(shù)據(jù)庫，具體步驟如下(1)對每個體素化的三維模型通過排斥力場函數(shù)提取模型的中軸點；(2)對每個體素化的三維模型建立中軸點集分層螺旋信息特征描述符，生成特征數(shù)據(jù)庫。5、根據(jù)權(quán)利要求1所述的基于中軸點集分層螺旋信息的三維模型檢索方法，其特征在于所述步驟(4)將用戶提交的查詢?nèi)S模型首先進行預處理、然后體素化為體元模型，再進行特征提取得到該三維模型的特征描述符，具體步驟如下(1)對用戶提交的查詢?nèi)S模型進行坐標標準化預處理，獲取標準化后的三維模型；(2)對坐標標準化預處理后的除體元模型之外的三維模型進行體素化，獲取體素化的三維模型；(3)對體素化的三維模型進行特征提取，得到用戶提交的查詢?nèi)S模型的特征描述符。6、根據(jù)權(quán)利要求1所述的基于中軸點集分層螺旋信息的三維模型檢索方法，其特征在于所述步驟(5)將用戶提交的三維模型特征描述符與特征數(shù)據(jù)庫中的特征進行匹配，計算相似距離并排序，最終生成檢索結(jié)果。具體步驟如下(1)采用一種基于Hausdorff距離的多級加權(quán)相似性匹配方法對用戶提交的査詢模型特征和特征數(shù)據(jù)庫中的每一個三維模型特征進行匹配，將特征匹配得到的所有數(shù)據(jù)依據(jù)距離大小進行相似度排序；(2)根據(jù)相似度排序得到最終檢索結(jié)果。全文摘要本發(fā)明提出一種基于中軸點集分層螺旋信息的三維模型檢索方法，該方法提取三維模型的中軸點集分層螺旋信息作為特征描述符，用一種基于Hausdorff距離的多級加權(quán)相似性匹配方法度量三維模型之間的相似性。首先對三維模型數(shù)據(jù)庫中的三維模型進行坐標標準化及體素化預處理；然后提取所述三維模型的特征并轉(zhuǎn)化為特征描述符，生成特征數(shù)據(jù)庫；檢索時將用戶提交的三維模型按照上述步驟方法依次進行標準化、體素化及特征提取以得到其三維模型的特征描述符；然后再將該特征描述符與特征數(shù)據(jù)庫中的特征進行匹配，生成檢索結(jié)果。該方法的優(yōu)點是形狀特征描述更加完整；形狀特征描述符的比較被簡化為不等長向量之間的距離計算問題；方法性能好，效率高。文檔編號G06F17/30GK101201845SQ20071019506公開日2008年6月18日申請日期2007年12月11日優(yōu)先權(quán)日2007年9月24日發(fā)明者征覃,驥賈申請人:覃征;賈驥