[发明专利]一种基于内容的三维模型检索性能的评价方法

说明书

技术领域

本发明属于计算机应用技术领域，涉及的是一种三维模型检索性能的评价方法。

背景技术

随着计算机软硬件的发展，三维模型在多个领域中得到了广泛的应用。如何实现快速准确地从大规模的三维模型库中检索出符合用户需求的三维模型成为了近年来多媒体信息检索领域的一个研究热点。基于内容的三维模型检索的一个关键问题是三维模型的特征提取。目前世界各地的研究人员已经提出了大量的特征提取算法，并且都认为其提出的算法具有良好的检索性能表现，但是各自采用的测试集不同，具体采用的性能评价方法也不同，这导致其结论的说服力大大减弱。那么如何对各式各样的特征提取算法进行客观真实地评价呢？早期的研究人员在对其提出的特征提取算法进行检索性能评价时大多采用自建的测试集，这使得其实验结果的说服力有限。2004年，普林斯顿大学形状检索与分析研究组(Shape Retrieval and Analysis Group)发布了形状基准数据库(Princeton Shape Benchmark，PSB)，受到了广大研究者的肯定。越来越多的研究人员采用PSB作为检验其算法检索性能的工具。但是，PSB的分类方法存在着不可忽视的缺陷。PSB中的模型分类可以视作一棵分类树，在分类树的高层类别划分的依据是模型的语义特征，而在底层则是模型的形状特征。因此，语义特征不同但形状特征相似的模型总被划分在不同的类别。而在PSB的检索性能评价过程中，只有位于同一类别中的三维模型才被视为是相关的，否则就判定为不相关。其后果是，即使检索结果集全是形状确实相似的模型但由于其语义类别不同，该检索结果仍是一个差的结果。究其原因，就在于PSB的分类方法不考虑类别间的相似性(即语义上不相关的类别它们也可能存在形状上的相似性)。

发明内容

本发明所要解决的技术问题是提供一种基于内容的三维模型检索性能评价方法，从而使得研究人员提出的各种特征提取算法有一个客观真实的评价。

为解决上述技术问题，本发明采用的技术方案如下：

一种基于内容的三维模型检索性能的评价方法，包括如下步骤：

(1)测试集的构造：

(a)收集三维模型文件，将所有三维模型文件转换成相同的文件格式；

(b)对三维模型文件进行基于语义的分类，得到一个基本语义分类表；

(c)将基本语义分类表转换成为基于形状的分类表，具体步骤如下：(i)将基本语义分类表中的全部类别复制到一张新的表中；(ii)对新表中的每个类别执行以下操作，直到所有的类别都执行了一遍：如果该类别中的全部三维模型的形状都足够相似，则重复执行(ii)；否则将该类别分裂成为若干个类别，使得每个类别中模型之间的相似度都非常高(每个三维模型依据其视觉特性，总可以分为若干个有意义的子区域，例如在一个茶壶的三维模型中，它可以划分为壶嘴、壶身、壶盖、壶把。如果两个三维模型它们的子区域间具有对应关系的比例达到90％以上，则认为这两个三维模型的相似性足够高，可以将其归为同一类别)；

(d)对基于形状的分类表中的每一个类别，标注该类别与表中其它类别的相似度；

所述的相似度按如下方式定义：将相同类别的三维模型间的相似度定义为字母S；将不同类别的三维模型间的相似度定为5个级别，分别用字母A、B、C、D、E表示，其中，A表示的两个三维模型之间的相似度最高，E为两个三维模型毫不相似，其它的字母所表达的相似度介于A与E之间；则按照相似度由高到低的排列顺序为：S>A>B>C>D>E；

在本发明中，S、A、B、C、D和E这六个英文大写字母被用来描述两个类别之间的相似性，称之为相似性字母(Similarity Letter，SL)。由相似性字母组成的字符串称为相似性序列(Similarity Sequence，SS)。在相似性序列中，一个相似性字母的后继(Subsequence)定义为该相似性字母后的字符子串。当一个相似性序列是按照相似性降序排列时(即高相似性的字母排在前面，低相似性的字母排在后面)，称该序列为最好相似性序列(Perfect Similarity Sequence，PSS)；反之，当一个相似性序列时按照相似性升序排列时，则称该序列为最坏相似性序列(Terrible Similarity Sequence，TSS)。显然，对于任意给定的一个SS，只要对该序列中的相似性字母按照相似性大小重新排列就能得到其对应的PSS和TSS；