[发明专利]一种基于AdaBoost的三维模型自动分类方法

说明书

技术领域

本发明涉及一种三维模型的自动分类方法。

背景技术

作为继声音、图像和视频之后的第四代多媒体数据类型，三维模型是最直观、最具表现力的多媒体信息。随着激光扫描技术及网络技术的快速发展，三维模型的创建和应用越来越广泛，三维模型资源越来越丰富。企业产品类型及品种的增多、产品数据规模的膨胀，使得产品设计中三维模型的分类研究具有重要的理论与工程意义。而基于形状的三维模型分类作为计算机图形学领域的一个新兴研究热点，在工业产品的模型设计、虚拟现实、模拟仿真、3D游戏、计算机视觉、分子生物学和三维地理信息等各个领域获得了广泛的应用。

在目前国内外公开的文献中，在Z.Barutcuoglu and C.Decoro,“Hierarchical shape classification using Bayesian aggregation”,IEEE International Conference on Shape Modeling and Applications,2006.中提出了基于Bayesian aggregation的分类方法，对语义层次结构中的三维模型进行分类。在层次结构模型中，使用相对独立的分类器对每一类进行分类，产生的分类结果将会与层次结构中“父-子”关系发生分歧。为了保持一致，一个举例图形必须不能被分为一类，除非这个图形已经在层次结构中被分为“父”类。在给定的用于一个任意形状描述符的一些独立的分类器的情况下，把它们每一个的很可能不一致的分类结果结合起来，然后在贝叶斯的框架下获得一组最具有一致性的分类结果。这样的错误改正可以通过利用分层结构来提高整个分类结果的精度。在Z.Liu,J.Mitani,Y.Fukui and S.Nishihara,“A 3D shape classifier with neural network supervision”,International Journal of Computer Applications in Technology,Vol.38,No.1-3,2010.中提出了基于监督型神经网络的三维模型分类方法，该方法该提供了一种基于监督点空间的密度分布的三维图形分类器。首先通过特征化点空间的密度分布提取出低阶的特征样本，然后训练一个前馈控制的神经网络来学习这些特征，从而获得一个有效的分类器。此分类器分为两个阶段，分别为用于训练数据的训练阶段和评估分类效果的测试阶段。而需要注意的是分类器的精度不仅和每个样本的权重相关，而且和神经网络中的隐藏阶层的隐藏单元个数息息相关。隐藏单元个数不同，分类精度也会有很大差别。因此在训练分类器时，选择最恰当的隐藏单元个数是非常有必要的。

但上述两种三维模型分类方法有几点不足：

（1）基于Bayesian aggregation的三维模型分类方法主要是针对属于层次结构中的三维模型进行分类，具有一定的局限性，适用范围较小；

（2）基于神经网络的三维模型分类方法分类精度较低，分类的正确率较低。

发明内容

为了克服现有技术分类范围局限和精度较低的不足，本发明提供的一种三维模型自动分类方法，可以对Halfedge结构的三维模型或CAD模型进行自动特征提取与分类，可以对同一模型的不同姿态或大小进行提取出基本相同的特征，然后将模型的特征进行训练和测试，得到了高精度的分类结果。

本发明解决其技术问题所采用的技术方案包括以下步骤：

（1）计算三维模型中任意两顶点的近似测地距离，其中，任意相邻两顶点采用欧氏距离作为它们的近似测地距离，任意不相邻两顶点的近似测地距离采用Dikstra算法计算；

（2）根据计算出的三维模型任意两个顶点的近似测地距离组成一个三维模型的仿射矩阵，仿射矩阵的行数和列数都是三维模型的顶点数，仿射矩阵中任一元素指的是以该元素所在的行和列为顶点索引号的两个顶点的近似测地距离进行高斯化后的值；

（3）采用近似的方法模拟包含所有顶点关系的仿射矩阵，用Jacobi方法特征分解该仿射矩阵，将得到的特征值按从大到小的顺序排列，取第2个至第21个共20个特征值作为三维模型的描述符；

（4）根据步骤（3）中得到的三维模型的描述符，使用AdaBoost方法对三维模型进行分类。

本发明的有益效果是：

本发明实现了一种三维模型的分类方式，该方法可以实现三维模型的自动特征提取并利用特征进行三维模型的自动分类，和现有分类方法相比较具有分类精度高，适用范围广的特点。