[发明专利]一种三维模型部件类别自动标注方法

摘要

本发明公开了一种三维模型部件类别自动标注方法，包括以下步骤：训练过程根据三维模型标注训练集进行快速训练，训练得到用于对未知三维模型的面片和网格边进行分类和标注的快速标注模型。标注过程则利用训练得到的面片和网格边的快速标注模型对目标模型的面片和网格边进行分类，获得面片和网格边分类概率分布，构建图模型，通过多标签图割优化进行分割边界的平滑和优化，从而实现对目标三维模型部件类别的快速自动标注。

主权项

1.一种快速的三维模型部件类别自动标注方法，其特征在于，包括以下步骤：步骤1，训练三维模型标注训练集，训练集中的三维模型为同类模型且模型中部件已给出标准标注信息，其中标注信息包括三维模型中每个网格面片从属于构成部件的类别标注以及每条网格边从属于边界边的类别标注，通过对三维模型标注训练集进行快速训练，获得用于对目标三维模型进行分割与标注的快速面片标注模型和快速网格边标注模型，获得三维模型面片分类标注概率分布和网格边分类标注概率分布，并学习得到图割模型的平滑项权重；步骤2，标注目标三维模型：利用步骤1得到的快速面片标注模型和快速网格边标注模型分别对目标三维模型进行分割与标注，获得目标三维模型的每个面片从属于构成部件的类别标注以及每条网格边从属于边界边的类别标注，构建图模型，通过多标签图割优化得到平滑的分割和标注结果；步骤1包括以下步骤：步骤1‑1，对训练集中所有三维模型进行预处理，提取每个网格面片的面片特征和每条网格边的边特征；步骤1‑2，训练集中三维模型的所有面片构成训练网格面片集，采用改进的极限学习机方法，对训练网格面片集中的每个网格面片的面片特征及其标准标注进行快速训练，获得快速面片标注模型；步骤1‑3，训练集中三维模型的所有网格边构成训练网格边集，采用改进的极限学习机方法对训练网格边集中的每条网格边的边特征及其标准标注进行快速训练，获得快速网格边标注模型；步骤1‑4，获得三维模型面片分类标注概率分布和网格边分类标注概率分布，并学习得到图割模型的最优平滑项权重；步骤1‑1中，所述对训练集中所有三维模型进行预处理包括模型归一化处理和特征提取，其中，模型归一化处理包括以下步骤：步骤1‑1‑1，将训练集中的三维模型的质心移动到坐标原点，三维模型的质心通过计算模型上所有顶点的面积加权平均值获得；步骤1‑1‑2，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，取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，完成训练集中的三维模型的归一化处理；特征提取包括以下步骤：步骤1‑1‑3，将训练集中的三维模型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；步骤1‑1‑4，将训练集中的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征级联形成一个特征向量；步骤1‑2包括如下步骤：步骤1‑2‑1，将训练网格面片集中每个面片的面片特征作为单隐层前馈神经网络的输入单元值进行输入；步骤1‑2‑2，建模单隐层前馈神经网络为：其中，j＝1,2,…N，N为训练集网格面片集中面片的数量，x_j为面片j对应的面片特征向量，为隐藏层神经元的数目，w_i＝(w_i1,w_i2,…,w_iN)^T表示隐藏层神经元与输入单元连接的权向量，为偏移向量，g(y)为激活函数；l_j为根据模型所得的训练集中面片j的的实际输出，β_k为输出单元与隐藏层连接的输出权重，k＝1,2,…m，m为输出层的维度，即分类的标签数目；步骤1‑2‑3，选择ReLu神经激活函数作为激活函数，ReLu神经激活函数定义为：g(y)＝max(0,y)；步骤1‑2‑4，以零误差逼近该模型时，即：其中，tj为训练集中面片j所对应的标准标注，g为步骤1‑2‑3中选择的神经激活函数，隐藏层与输出层之间的权矩阵表示为：其中，表示输出单元与第r个隐藏层神经元的权向量，步骤1‑2‑5，根据步骤1‑2‑4中对模型进行零误差逼近，给出矩阵表示为Hβ＝T，其中，T＝(t₁ t₂ … t_j)，通过求解得到输出权重，从而得到快速面片标注模型；步骤1‑3包括如下步骤：步骤1‑3‑1，将训练网格边集中每条边的边特征作为单隐层前馈神经网络的输入单元值进行输入；步骤1‑3‑2，建模单隐层前馈神经网络为：其中，ej＝1,2,…N_e，N_e为训练网格边集中网格边的数量，x_ej为网格边ej对应的边特征，为隐藏层神经元的数目，w_ei＝(w_ei1,w_ei2,…,w_eiN)^T表示隐藏层神经元与输入单元连接的权向量，为偏移向量，g(y)为激活函数，l_ej为根据模型所得的网格边ej的实际输出，β_ek为输出单元与隐藏层连接的输出权重，ek＝1,2,…m_e，m_e为输出层的维度，即分类的标签数目；步骤1‑3‑3，选择ReLu神经激活函数作为激活函数，ReLu神经激活函数定义为：g(y)＝max(0,y)；步骤1‑3‑4，以零误差逼近该模型时，即：其中，tej∈{1,2}为训练集中网格边ej所对应的标准标注，分别对应于非边界边和边界边，g为步骤1‑3‑3中选择的神经激活函数，隐藏层与输出层之间的权矩阵表示为：其中，表示输出单元与第l个隐藏层神经元的权向量，为隐藏层神经元的数量，m_e为输出层单元数目，亦即分类标签数目；步骤1‑3‑5，根据步骤1‑2‑4中对模型进行零误差逼近，给出矩阵表示为H_eβ_e＝T_e，其中，T_e＝(t_e1 t_e2 … t_ej)，通过求解得到输出权重，从而得到快速网格边标注模型；步骤1‑4包括如下步骤：步骤1‑4‑1，采用面片标注过程根据快速面片标注模型对训练集中三维模型的面片集进行部件类别标注，具体步骤为将训练集中模型面片集的面片特征作为输入，根据训练得到的面片快速标注模型得到模型的输出值，将输出值通过softmax函数映射到[0,1]，从而得到具有面片特征向量Xf的面片f分类概率分布P(lf,Xf)，lf表示网格面片f的标注；步骤1‑4‑2，采用边标注过程根据快速网格边标注模型对训练集中三维模型的边集进行边界边类别标注，具体步骤为将训练集中模型网格边集的边特征作为输入，根据训练得到的网格边快速标注模型得到模型的输出值，将对应于边界边标注的输出值通过sigmoid函数映射到[0,1]，从而得到具有边特征向量Xe的边界边e的分类概率分布P(lf≠lf',Xe)，lf'表示网格面片f'的标注，面片f和面片f'为具有一条共享边的相邻面片；步骤1‑4‑3，针对训练集中的每个三维模型构建图模型，图的节点为网格面片，图的边为相邻面片f和面片f'间的共享边，面片的分类标注的负概率对数作为图割优化的数据项Edata(lf，Xf)，Edata(lf，Xf)＝‑ln(P(lf|Xf))，网格边分类标注的负概率对数Eweight(lf≠lf',Xe)×α作为图模型中边的权重，用于调节分割边界的平滑程度，采用多标签图割优化算法计算优化后的目标三维模型中每个网格面片的标注，权重α的取值范围为[0，10]，在此范围内，设置步长为0.1进行网格搜索优化，找到使得训练集中三维模型的平均分割精度最高的权重α，记为图割模型的最优平滑项权重αbest；步骤2包括如下步骤：步骤2‑1，对目标三维模型进行预处理，提取每个网格面片的面片特征和每条网格边的边特征；步骤2‑2，利用步骤1得到的快速面片标注模型和快速网格边标注模型，采用面片标注过程对目标三维模型的面片集进行部件类别标注，采用边标注过程对目标三维模型的边集进行边界边类别标注；步骤2‑3，根据目标三维模型的面片分类标注概率分布和网格边类别标注概率分布，构建图模型，通过多标签图割优化进行分割边界的平滑，得到优化后的目标三维模型面片类别标注结果，完成对目标三维模型部件类别的快速自动标注；步骤2‑1中所述对目标三维模型进行预处理包括模型归一化处理和特征提取，其中，模型归一化处理包括以下步骤：步骤2‑1‑1，将目标三维模型的质心移动到坐标原点，三维模型的质心通过计算模型上所有顶点的面积加权平均值获得；步骤2‑1‑2，计算目标三维模型每个面片中心到其质心的欧式距离，取所有欧式距离的中值作为规范项，将目标三维模型上各点的坐标除以该规范项，完成目标三维模型的归一化处理；特征提取包括以下步骤：步骤2‑1‑3，将目标三维模型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；步骤2‑1‑4，将目标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征级联形成一个特征向量；步骤2‑2包括以下步骤：步骤2‑2‑1，采用面片标注过程根据快速面片标注模型对目标三维模型的面片集进行部件类别标注，具体步骤为将目标模型面片集的面片特征作为输入，根据训练得到的面片快速标注模型得到模型的输出值，将输出值通过softmax函数映射到[0,1]，从而得到具有面片特征向量Xf的面片f分类概率分布P(lf,Xf)，lf表示网格面片f的标注；采用边标注过程根据快速网格边标注模型对目标三维模型的边集进行边界边类别标注，具体步骤为将目标模型网格边集的边特征作为输入，根据训练得到的网格边快速标注模型得到模型的输出值，将对应于边界边标注的输出值通过sigmoid函数映射到[0,1]，从而得到具有边特征向量Xe的边界边e的分类概率分布P(lf≠lf',Xe)，lf'表示网格面片f'的标注，面片f和面片f'为具有一条共享边的相邻面片；步骤2‑2‑2，针对目标三维模型构建图模型，图的节点为网格面片，图的边为相邻面片f和面片f'间的共享边，面片的分类标注的负概率对数作为图割优化的数据项Edata(lf,Xf)，Edata(lf,Xf)＝‑ln(P(lf|Xf))，网格边分类标注的负概率对数Eweight(lf≠lf',Xe)×αbest作为图模型中边的权重，用于进行分割边界的平滑优化，采用多标签图割优化算法计算优化后的目标三维模型中每个网格面片的标注。